Reducing forced-signal uncertainty in the INM RAS climate models using a pattern-recognition based approach
Dit artikel integreert emergente beperkingen met een patroonherkenningsmethodologie om de intermodelonzekerheid in projecties van de nabije oppervlaktetemperatuur van de lucht over INM RAS-klimaatmodellen te verminderen, waarbij het succesvol historische opwarmingspatronen heeft vernauwd, maar er niet in is geslaagd het CO2-congruente signaal dat voor de late 21e eeuw wordt geprojecteerd te beperken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Klimaatwetenschappers vertrouwen op complexe computerprogramma's, bekend als aardse systeemmodellen, om te simuleren hoe de atmosfeer en de oceanen van onze planeet zich in het verleden hebben gedragen en om te voorspellen hoe ze in de toekomst zullen veranderen. Deze modellen zijn essentiële instrumenten voor het begrijpen van de gevolgen van stijgende concentraties broeikasgassen, maar ze verschillen vaak van elkaar. Wanneer verschillende modellen hetzelfde scenario doorlopen, kunnen ze uiteenlopende voorspellingen genereren over hoeveel de wereld zal opwarmen of hoe die opwarming over de wereld verdeeld zal worden. Deze onenigheid, of onzekerheid, maakt het voor samenlevingen moeilijk om effectieve reacties op klimaatverandering te plannen. Een belangrijke bron van deze onzekerheid ligt in de manier waarop de modellen onzichtbare fysische processen afhandelen, zoals de vorming van wolken, die te klein zijn om direct door het rooster van de computer te worden gezien, maar een enorme impact hebben op het klimaat. Om betere voorspellingen te doen, zoeken onderzoekers voortdurend naar manieren om de kloof tussen deze verschillende modeluitkomsten en de realiteit die we in de historische verslagen waarnemen, te verkleinen.
Een team van onderzoekers onder leiding van Sergey Kravtsov, samen met collega's van de Russische Academie van Wetenschappen, heeft een nieuwe methode ontwikkeld om dit probleem van modelonenigheid aan te pakken. Ze richtten zich op drie specifieke versies van een klimaatmodel ontwikkeld aan het Instituut voor Numerieke Wiskunde in Rusland, die variëren in hun resolutie en in de manier waarop ze wolkenfysica afhandelen. De onderzoekers wilden zien of ze een techniek genaamd patroonherkenning konden gebruiken om de toekomstige projecties van de modellen aan te passen, zodat ze de geobserveerde geschiedenis van wereldwijde temperaturen nauwer benaderen. Hun aanpak hield in dat de temperatuurgegevens werden opgedeeld in twee delen: een gestage opwarmings trend aangedreven door koolstofdioxide en een complexer, fluctuerend achtergrondsignaal veroorzaakt door andere factoren. Door te analyseren hoe deze patronen zich gedroegen tijdens de historische periode van 1880 tot 2005, creëerden ze een reeks regels om de outputs van de modellen te herschalen. Het doel was om de modellen te dwingen zich in lijn te brengen met de werkelijke temperatuurrecords die we hebben, wat effectief "afstemmen" betekent voordat er in de toekomst wordt gekeken.
De resultaten van dit experiment lieten zien dat de methode goed werkte voor het recente verleden, maar tegen een muur liep bij het verder kijken in de toekomst. Wanneer de onderzoekers hun herschalingsregels toepasten op de projecties van de modellen voor het jaar 2100, kromp de spreiding van voorspellingen tussen de verschillende modellen aanzienlijk. De drie modellen, die oorspronkelijk verschillende hoeveelheden opwarming voorspelden, werden veel dichter bij elkaar gebracht en convergeerden allemaal op een wereldwijde temperatuurstijging van ongeveer 3 graden Celsius tegen het einde van de eeuw. Dit suggereert dat de methode erin geslaagd is de onzekerheid in de kortetermijnvoorspellingen van de modellen te verminderen door te corrigeren voor biases die zichtbaar waren in de historische gegevens. De onderzoekers ontdekten dat de modellen de snelheid van de opwarming in de toekomst deels overschatten, en hun aanpassingsproces bracht deze projecties terug naar een consistenter niveau.
De studie onthulde echter ook een cruciale beperking. Hoewel de herschaling werkte voor de historische periode en de nabije toekomst, slaagde het er niet in om een specifelijk type klimaat signaal te beperken dat later in de 21e eeuw naar voren komt. De onderzoekers ontdekten dat er een traag bewegend component van klimaatverandering is, waarschijnlijk gerelateerd aan hoe de oceaan en de atmosfeer zich over decennia aan de opwarming aanpassen, die niet duidelijk naar voren komt in de historische gegevens. Omdat dit signaal niet zichtbaar was in het verleden, kon de patroonherkenningsmethode het niet identificeren of corrigeren. Bijgevolg waren de modellen, zelfs na het herschalen, nog steeds onenig over de omvang van deze opwarming aan het einde van de eeuw. De studie suggereert dat hoewel we onze modellen kunnen verbeteren door ze te laten aansluiten bij wat we al hebben gezien, er nog steeds verborgen, traag werkende processen in het klimaatsysteem zijn die moeilijk te voorspellen blijven met de huidige methoden.
De onderzoekers testten hun idee door één versie van hun model te gebruiken als een stand-in voor de "echte wereld" om te zien of de herschaling de andere modellen dichter bij deze kon brengen. Dit experiment bevestigde dat de methode de verschillen tussen de modellen inderdaad kon verkleinen, wat bewees dat de techniek wiskundig solide is. Toch blijft de kernbevinding dat de methode slechts zo goed is als de gegevens waarvan zij leert. Als een klimaatveranderingssignaal te traag is om in het historische record te worden gedetecteerd, kan de methode de fout van het model met betrekking tot dat signaal niet herstellen. Dit impliceert dat hoewel we onze klimaatprojecties kunnen verfijnen door te leren van het verleden, er een fundamentele grens is aan hoeveel we de onzekerheid kunnen verminderen zonder deze diepere, tragere mechanismen van het aardse klimaatsysteem te begrijpen. Het werk lost het probleem van modelonzekerheid niet volledig op, maar biedt een duidelijker pad voor het begrijpen van waar onze huidige instrumenten slagen en waar ze tekortschieten.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.