Disentangling Forced and Internal Climate Variability in Single Realizations using Dynamic Mode Decomposition with Control

Technische Samenvatting: Ontrafeling van gedwongen en interne klimaatvariabiliteit in enkelvoudige realisaties met behulp van Dynamic Mode Decomposition met Controle

Probleemstelling
De klimaatwetenschap staat voor een fundamentele methodologische uitdaging: het waargenomen klimaatrecord is een enkelvoudige realisatie waarin de gedwongen respons (gedreven door externe agenten zoals broeikasgassen en aerosolen) en interne variabiliteit (gegenereerd door de gekoppelde dynamica van het systeem) zijn opgestapeld. Gecontroleerde experimenten op het observationele record zijn onmogelijk. Hoewel Earth System Models (ESM's) grote ensembles kunnen genereren om een gedwongen respons te definiëren via het ensemblegemiddelde, vereist observationele analyse het ontrafelen van deze componenten uit een enkele tijdreeks. Bestaande statistische benaderingen vallen uiteen in twee categorieën met complementaire beperkingen: dynamische systeemmodellen (bijv. Linear Inverse Models, LIM's) negeren vaak externe forcing-voorspellers, terwijl regressiegebaseerde methoden wel forcing meenemen maar de intrinsieke dynamica van het systeem weglaten. Bovits zijn veel geavanceerde methoden afhankelijk van supervised learning met ESM-ensembles als "ground truth", wat hun toepasbaarheid beperkt wanneer de getrouwheid van de ESM onzeker is of de computationele middelen beperkt zijn.

Methodologie: PullbackDMDc
De auteurs introduceren PullbackDMDc, een ongesuperviseerde, lineaire methode die geworteld is in de theorie van niet-autonome dynamische systemen en Dynamic Mode Decomposition met Controle (DMDc). Het kern theoretische kader beschouwt het geobserveerde klimaattraject als liggend op de pullback attractor van een lineair stochastisch systeem dat wordt gedreven door externe forcing.

1. Lineair Stochastisch Model met Forcing: De methode modelleert de klimaattoestand $x(t)$ met een discrete-tijdvergelijking:
   $$x(t) = Ax(t-1) + By(t) + \xi(t)$$
   waarbij $A$ de autonome dynamische kern vertegenwoordigt, $B$ de externe forcing $y(t)$ (bijv. radiatieve forcing) naar de toestand mapt, en $\xi(t)$ de interne stochastische ruis vertegenwoordigt.
2. Pullback Attractor Schatting: Door aan te nemen dat het systeem globaal stabiel is (eigenwaarden van $A$ hebben een magnitude $<1$), definiëren de auteurs de pullback attractor als de limiet van de evolutie van het systeem naarmate de initiële tijd $t_0 \to -\infty$. In deze lineaire limiet convergeert de attractor naar een unieke traject die zich exact splitst in:
   • Gedwongen Respons ($x^{(f)}(t)$): De deterministische component gedreven door de geschiedenis van de externe forcing $y(t)$.
   • Interne Variabiliteit ($x^{(i)}(t)$): De stochastische component gedreven door de geschiedenis van de ruis $\xi(t)$.
3. Spatiotemporele Decompositie: De methode projecteert de data op de eigenmodi van de matrix $A$. Dit levert een decompositie op waarbij het volledige spatiotemporele record wordt uitgedrukt als een som van dynamische modi (ruimtelijke patronen), elk vergezeld van twee verschillende tijdreeksen: een gedwongen component en een interne component.
4. Implementatie: De auteurs passen dit toe op de Principal Components (PC's) van de nabije oppervlakte luchttemperatuur (SAT), oceaan luchttemperatuur (OSAT) en zeespiedruk (SLP). Ze testen verschillende forcing-inputs, waaronder wereldwijde gemiddelde temperatuur, effectieve radiatieve forcing en specifieke componenten zoals vulkanische en broeikasgas-forcing.

Belangrijkste Bijdragen

• Theoretische Unificatie: PullbackDMDc overbrugt de kloof tussen dynamische systeemmodellen en regressie door externe forcing direct in de evolutie-operator van een lineair stochastisch systeem in te bedden, waardoor een exacte scheiding van gedwongen en interne componenten in een enkele realisatie mogelijk is.
• Interpreteerbare Decompositie: In tegen tegenover de standaard EOF of DMD, die een enkele tijdreeks per modus leveren, biedt PullbackDMDc een fysiek onderscheidbaar paar tijdreeksen (gedwongen en intern) voor elke ruimtelijke modus, wat directe inspectie mogelijk maakt van hoe specifieke patronen reageren op forcing versus interne dynamica.
• Ongesuperviseerd Framework: De methode werkt zonder dat er grote ESM-ensembles voor training nodig zijn, door gebruik te maken van de wiskundige eigenschappen van de pullback attractor en beschikbare forcing-data.

Resultaten
De methode werd geëvalueerd tegen vier ESM large ensembles (CanESM5, MIROC6, CESM2, MPI-ESM) en 20th Century Reanalysis (20CRv3), waarbij het ensemblegemiddelde als ground truth voor de gedwongen respons werd gebruikt.

• Schatting van de Gedwongen Respons: PullbackDMDc-varianten behaalden een vaardigheid die gelijk was aan of de gevestigde baselines (inclusief Lineaire Regressie en LIM-opt) overtrof. Specifiek:
  • Methoden die forcing-voorspellers incorporeerden (PullbackDMDc en Lineaire Regressie) presteerden significant beter dan methoden die dat niet deden (LIM, RegGMST).
  • Forcing Dimensionaliteit: De prestaties waren gevoelig voor de keuze van de forcing-voorspellers. Voor temperatuurvariabelen (OSAT/SAT) leverde een 3D forcing-representatie (broeikasgassen, aerosolen, vulkanische activiteit) de beste resultaten op. Voor zeespiedruk (SLP) presteerde een 2D-representatie (Vulkanisch + GHGs) het best, wat suggereert dat hogere-dimensie inputs kunnen leiden tot overfitting in scenario's met een lage signaal-ruisverhouding.
  • PullbackDMDc-varianten vertoonden een lagere onzekerheid (variantie over ensembleleden) vergeleken met baselines die forcing negeerden, met name voor SLP.
• ESM Evaluatie via Decompositie: De decompositie onthulde systematische structurele verschillen tussen reanalyse en ESM's:
  • Multidecadale Variabiliteit: In reanalyse legden de leidende modi langzame, multidecadale variabiliteit vast (vergelijkbaar met de Atlantic Multidecadal Oscillation, AMO), en de gedwongen respons projecteerde zich voornamelijk op deze trage modi. In contrast hiermee gaven ESM's systematisch prioriteit aan snellere, ENSO-achtige dynamica in hun leidende modi en ondervertegenwoordigden ze de multidecadale structuur.
  • Verdeling van de Gedwongen Respons: In reanalyse was het gedwongen signaal geconcentreerd in de traagste modi. In ESM's was de gedwongen respons verdeeld over een breder scala aan modi, inclusclusief snellere ENSO- en PDO-achtige dynamica.
  • Niet-stationariteit van de Seizoenscyclus: De methode detecteerde niet-stationaire veranderingen in de seizoenscyclus (behouden in anomalieën) in reanalyse voor SAT en SLP, een kenmerk dat ESM's grotendeels niet reproduceerden, waarbij jaarlijkse perioden in de interne modi van de modellen zwakker of afwezig leken.

Significantie en Claims
Het artikel beweert dat PullbackDMDc een praktische, fysiek interpreteerbare tool biedt voor enkelvoudige realisatie klimaat-analyse en ESM-evaluatie. De primaire significantie ligt in het vermogen om:

1. Componenten te Ontrafelen: Succesvol gedwongen en interne variabiliteit te scheiden in een enkel record zonder te vertrouiter op grote ensemblegemiddelden voor de decompositie zelf.
2. Modeltekortkomingen te Diagnostiseren: Onthullen dat huidige ESM's systematisch de hiërarchie van klimaatvariabiliteitstijdschalen kunnen verkeerd representeren, specifelijk het onderschatten van de persistentie van multidecadale modi en de amplitude van de projectie van de gedwongen respons op deze trage structuren.
3. Forcing Selectie te Sturen: Aantonen dat de keuze van forcing-voorspellers cruciaal en variabele-afhankelijk is, wat een framework biedt voor het selecteren van optimale voorspellers op basis van model ground truth.

De auteurs hanteren een bescheiden standpunt en erkennen dat de methode momenteel lineair is en dat de exacte scheiding van gedwongen en interne componenten een eigenschap is van de lineaire benadering. Zij merken op dat de schatting van de dynamische operator $A$ uit eindige, ruizige data een bron van onzekerheid blijft, met name voor langetermijnstructuren, en dat toekomstig werk niet-lineaire extensies en verbeterde schattingsstrategieën moet verkennen.