Changes in extreme temperatures of the Earth's desert regions over the next 100 years

Dit onderzoek gebruikt Bayesiaanse inferentie en GEV-regressie op CMIP6-modellen om te voorspellen dat de uiterste temperaturen in wereldwijd woestijngebieden de komende eeuw significant zullen stijgen, met name onder zwaardere klimaatscenario's.

De kern

De Hitte in de Woestijn: Een Reis naar de Toekomst van Temperatuur

Stel je voor dat de aarde een enorme, complexe machine is, en de klimaatmodellen (GCMs) zijn de blauwdrukken die ingenieurs gebruiken om te voorspellen hoe deze machine de komende 100 jaar zal reageren. Deze paper is als een groep wetenschappers die met een vergrootglas naar de woestijnen van de wereld kijkt. Waarom de woestijnen? Omdat daar de temperaturen het meest extreem zijn; het is de "testbaan" van het klimaat.

Hier is wat ze hebben gedaan, vertaald naar alledaags taal:

1. Het Doel: De "Uiterste" Meten

De onderzoekers wilden niet alleen weten of het gemiddeld warmer wordt. Ze wilden weten wat er gebeurt met de extremen.

• De Analogie: Stel je voor dat je de lengte van mensen meet. Het is belangrijk om te weten of de gemiddelde lengte toeneemt, maar nog belangrijker is het om te weten of de langste mensen (de recordhouders) nog langer worden.
• De Taak: Ze hebben gekeken naar de hotteste dag van het jaar (het maximum) en de koudste dag van het jaar (het minimum) in vijf grote woestijnen (zoals de Sahara en de Simpsonwoestijn) en een controlegebied (het UK). Ze wilden weten: hoe verandert de "100-jaar record" temperatuur tussen nu (2025) en over 100 jaar (2125)?

2. Het Probleem: Te Veel Manieren om te Rekenen

Om deze extreme temperaturen te voorspellen, gebruiken ze een wiskundig instrument genaamd GEV (een soort "extreem-meting"). Het probleem is dat je dit instrument op veel verschillende manieren kunt instellen.

• De Analogie: Het is alsof je een auto wilt bouwen om een race te winnen. Je kunt kiezen voor een motor die constant gaat, een die lineair versnelt, of een die eerst langzaam gaat en dan plotseling hard optrekt. Er zijn 11 verschillende "ontwerpen" (modellen) om de temperatuurverandering te beschrijven.
• De Vraag: Welk ontwerp is het beste? Gebruik je de simpele versie of de complexe versie?

3. De Oplossing: De "Jury" (Modelselectie)

De onderzoekers wisten niet van tevoren welk ontwerp het beste zou werken. Dus hebben ze een simulatie gedaan.

• De Analogie: Stel je voor dat je 11 verschillende voorspellers hebt. Je geeft ze allemaal een testexamen met data waarvan je het antwoord al kent. Vervolgens kijk je wie het dichtst bij het juiste antwoord komt.
• De Jury: Ze gebruikten verschillende "scorekaarten" (informatiecriteria) om de winnaar te kiezen. De BIC (Bayesian Information Criterion) bleek de beste scheidsrechter te zijn. Deze kaart straft te complexe modellen af die misschien wel mooi lijken, maar in de praktijk minder goed voorspellen. Ze kozen dus voor de "slimste, maar niet te ingewikkelde" modellen.

4. De Resultaten: Wat Zagen Ze?

Nadat ze de beste modellen hadden gekozen, keken ze naar de toekomst (2025-2125) onder drie verschillende scenario's:

1. SSP126 (Groen): Een wereld waar we de klimaatverandering goed onder controle krijgen (minder broeikasgassen).
2. SSP245 (Oranje): Een wereld met gemiddelde maatregelen.
3. SSP585 (Grijs): Een wereld waar we niets doen en de uitstoot blijft stijgen.

De bevindingen:

• De Hitte (Maximums): In bijna alle woestijnen wordt de hotteste dag van het jaar in 2025-2125 veel warmer, vooral als we niets doen (scenario SSP585).
  • Voorbeeld: In de Sahara kan de 100-jaar record temperatuur met wel 11 graden Celsius stijgen in het slechtste scenario. Dat is enorm!
  • In het beste scenario (SSP126) is er weinig tot geen verandering.
• De Kou (Minimums): De koudste dag van het jaar wordt ook warmer, maar dit gaat langzamer en is minder zeker dan bij de hitte.
• De Uitzondering (Antarctica): In de Antarctische woestijn gebeurt iets raars. Daar warmt de koudste dag sneller op dan de hotteste dag. Het is alsof de winter daar veel sneller verdwijnt dan de zomer hechter wordt.

5. Waarom is dit belangrijk?

Deze studie zegt ons dat we niet alleen moeten kijken naar het gemiddelde klimaat, maar vooral naar de pieken.

• De Metafoor: Als je een boot bouwt voor een rivier, is het gemiddelde waterpeil belangrijk. Maar als je een dam bouwt, moet je weten hoe hoog de hoogste vloed ooit kan zijn. Als je dat niet weet, breekt je dam.
• De onderzoekers tonen aan dat als we de uitstoot van broeikasgassen niet beperken, de extreme hittegolven in de woestijnen veel sterker zullen worden dan we misschien denken. En dat is gevaarlijk voor mens en milieu.

Kortom:
De onderzoekers hebben met slimme wiskunde en een strenge "jury" bewezen dat de extreme hitte in onze woestijnen de komende eeuw waarschijnlijk flink zal toenemen, tenzij we nu actie ondernemen. De "100-jaar hittegolven" van de toekomst worden steeds heftiger, en we moeten daar nu al rekening mee houden.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Changes in extreme temperatures of the Earth's desert regions over the next 100 years", geschreven in het Nederlands.

Titel: Veranderingen in extreme temperaturen van de woestijnregio's van de aarde gedurende de komende 100 jaar

Auteurs: Callum Leach, Kevin Ewans, Philip Jonathan
Publicatie: arXiv:2603.07227v1 (7 maart 2026)

---

1. Probleemstelling en Context

De klimaatverandering, gedreven door menselijke activiteiten, leidt tot veranderingen in zowel de gemiddelde waarden als de extremen van atmosferische variabelen. Hoewel er veel onderzoek is gedaan naar gemiddelde temperatuurstijgingen, is het cruciaal om ook de veranderingen in extreme temperaturen (hittegolven en koudeperioden) te begrijpen, aangezien deze de grootste maatschappelijke impact hebben.

Woestijnregio's vormen de grenzen van het klimaatsysteem en vertonen de meest extreme temperaturen op aarde. Het doel van deze studie is om de verandering ($\Delta Q$) in de 100-jaar terugkeerwaarden (return values) van de jaarlijkse maximum- en minimumtemperaturen ($tas$) te kwantificeren voor vijf belangrijke woestijnregio's over de periode 2025–2125.

Een specifiek probleem in de modellering van klimaatextremen is de keuze van het juiste statistische model. Er zijn veel mogelijke parametrische vormen voor hoe de parameters van extreme verdelingen veranderen in de tijd (niet-stationariteit). Het is niet van tevoren duidelijk welke "informatiecriterium" (zoals AIC, BIC, DIC, WAIC) de beste voorspellingen levert voor specifieke datasets, vooral bij relatief kleine steekproeven zoals die van klimaatmodellen.

2. Methodologie

De auteurs hanteren een geavanceerde statistische aanpak die bestaat uit de volgende stappen:

• Data: Gebruik van output van vijf CMIP6 Global Climate Models (GCM's): ACCESS-CM2, CESM2, EC-Earth3, MRI-ESM2-0 en UKESM1-0-LL. De data omvat drie emissiescenario's (SSP126, SSP245, SSP585) voor de periode 2015–2100.
• Regio's: Analyse van vijf woestijnregio's (Antarctica, Dasht-e Lut, Mojave, Sahara, Simpson) en een controlegebied (Verenigd Koninkrijk). Per regio worden jaarlijkse ruimtelijke maximum- en minimumtemperaturen berekend.
• Statistisch Model (GEV-regressie):
  • Er wordt gebruikgemaakt van Generalised Extreme Value (GEV) regressie om de verdeling van de extremen te modelleren.
  • De parameters van de GEV-verdeling (locatie $\mu$, schaal $\sigma$ en vorm $\xi$) worden gemodelleerd als functies van de tijd en het scenario.
  • Er worden verschillende complexiteiten overwogen: constant (C), lineair (L), kwadratisch (Q) en asymptotisch (A) gedrag voor de parameters.
  • Gekoppelde modellen: Een belangrijke innovatie is dat de modellen voor de drie scenario's (SSP126, SSP245, SSP585) gekoppeld zijn zodat ze een gemeenschappelijke staartverdeling hebben in het startjaar 2015. Dit voorkomt onnodige variabiliteit en reflecteert dat de scenario's in dat jaar nog identiek zijn.
• Bayesiaanse Inference:
  • Parameters worden geschat met behulp van Bayesiaanse inferentie en Markov Chain Monte Carlo (MCMC). Dit maakt het mogelijk om volledige posterieure verdelingen en onzekerheidskwantificering te verkrijgen.
• Modelselectie en Simulatiestudie:
  • Om het beste criterium voor modelselectie te kiezen, voeren de auteurs een simulatiestudie uit. Ze genereren synthetische data met bekende eigenschappen die lijken op de CMIP6-output.
  • Verschillende informatiecriteria (AIC, BIC, DIC, WAIC en hun varianten) worden getest op hun vermogen om de juiste modelcomplexiteit te selecteren en de fout in de voorspelling van $\Delta Q$ te minimaliseren.
  • Resultaat van de simulatie: Het Bayesian Information Criterion (BIC) (specifiek variant BIC3) bleek de beste prestaties te leveren, gevolgd door AIC. DIC en WAIC presteerden slechter.

3. Belangrijkste Bijdragen

1. Gekoppelde GEV-regressie: De eerste toepassing van gekoppelde GEV-modellen over meerdere forcing-scenario's, waarbij de verdeling in het startjaar (2015) identiek wordt gehouden.
2. Validatie van Modelselectie: Een systematische simulatiestudie om te bepalen welk informatiecriterium het meest geschikt is voor het selecteren van niet-stationaire extreme waarde-modellen op kleine klimaatdatasets. De studie concludeert dat BIC superieur is aan andere criteria voor deze specifieke taak.
3. Bayesiaanse Benadering: Het gebruik van Bayesiaanse inferentie voor het schatten van de verdeling van veranderingen in terugkeerwaarden, inclusief volledige onzekerheidsanalyse.
4. Focus op Woestijnen: Een gedetailleerde analyse van extreme temperatuurveranderingen specifiek in de meest kritieke woestijnregio's van de aarde.

4. Resultaten

De analyse van de 100-jaar terugkeerwaarden ($\Delta Q$) tussen 2025 en 2125 levert de volgende bevindingen op:

• Algemene Trend: Er is een consistente trend van toenemende extreme temperaturen over alle regio's, GCM's en ensemble-leden.
• Invloed van het Scenario:
  • SSP126 (Laag emissie): De veranderingen zijn klein en vaak niet significant verschillend van nul (de 95% betrouwbaarheidsintervallen omvatten vaak nul).
  • SSP245 en SSP585 (Middel-Hoog emissie): Er is een significante toename in de 100-jaar terugkeerwaarden voor jaarlijkse maximumtemperaturen in alle woestijnregio's.
• Maxima vs. Minima:
  • De stijging in jaarlijkse maximumtemperaturen is sterker en statistisch significant onder SSP245 en SSP585.
  • De stijging in jaarlijkse minimumtemperaturen is ook aanwezig, maar de trend is zwakker en minder significant (de betrouwbaarheidsintervallen omvatten vaker nul).
• Regionale Verschillen: De grootste toename wordt waargenomen in de Dasht-e Lut, Sahara en Simpson woestijnen. Antarctica vertoont een ander patroon.
• Verschil tussen Maxima en Minima: Voor de meeste regio's (behalve Antarctica) neemt het verschil in verandering tussen maxima en minima toe met het emissiescenario. Dit suggereert dat de uiterste warmteperioden sneller opwarmen dan de uiterste koudeperioden. In Antarctica is dit patroon omgekeerd: de extremen van de minimumtemperaturen warmen sneller op dan die van de maximumtemperaturen.
• Modelcomplexiteit: De BIC3-selectie kiest vaak voor eenvoudigere modellen (bijv. alleen niet-stationariteit in de locatieparameter $\mu$, terwijl schaal en vorm stationair blijven). Complexere modellen (met variatie in $\sigma$ en $\xi$) worden zelden geselecteerd, waarschijnlijk door de beperkte steekproefgrootte.

5. Betekenis en Conclusie

De studie bevestigt met hoge zekerheid dat de frequentie en intensiteit van extreme hitte in woestijnregio's zullen toenemen, vooral onder de hogere emissiescenario's (SSP245 en SSP585). De methologie biedt een robuust raamwerk voor het analyseren van klimaatextremen door:

1. De onzekerheid in downscaling en kalibratie te omzeilen door direct met GCM-output te werken (voor het berekenen van veranderingen).
2. Een gefundeerde keuze te maken voor modelcomplexiteit via simulatie-gestuurde modelselectie (BIC).
3. Onzekerheid volledig te kwantificeren via Bayesiaanse methoden.

De auteurs waarschuwen dat bij het modelleren van extremen met kleine steekproeven zorgvuldige modelselectie essentieel is en dat er geen universeel "beste" criterium bestaat zonder voorafgaande validatie. Ze tonen ook aan dat Bayesiaanse Model Averaging (BMA) een haalbaar alternatief is voor modelselectie, maar dat dit in hun geval leidde tot iets minder goede prestaties en aanzienlijk hogere rekentijd.

De bevindingen onderstrepen de urgentie van klimaatmitigatie, aangezien de intensiteit van extreme hitte in woestijngebieden sterk afhankelijk is van de omvang van de opwarming.