Quasi-global, land-only, high-resolution and spatially averaged climate variables from downscaled CMIP6 models for climate impact research

Om te begrijpen hoe het klimaat in de komende decennia zal veranderen, vertrouwen wetenschappers op enorme computersimulaties die globale klimaatmodellen worden genoemd. Deze programma's fungeren als digitale tweelingen van de aarde en simuleren de complexe dans van de atmosfeer, de oceanen en het land om toekomstige weerpatronen te voorspellen. Deze modellen hebben echter een aanzienlijke blinde vlek: ze zijn gebouwd om het grote plaatje te zien, niet de details. Omdat de aarde zo uitgestrekt is, verdelen deze modellen de planeet in grote, grove rastervierkanten, die vaak honderden kilometers beslaan. Binnen elk vierkant berekent het model een gemiddelde temperatuur of neerslag, waarbij het heuvels, valleien en kustlijnen die het echte weer zo specifiek maken, gladstrijkt. Voor een boer in een specifieke vallei of een volksgezondheidsfunctionaris die plant voor een ziekte-uitbraak in een specifieke stad, is dit brede gemiddelde niet voldoende. Zij moeten weten hoe het weer er op hun eigen drempel uitziet, en niet alleen voor een continentale regio.

Deze kloof tussen globale voorspellingen en de lokale realiteit is de centrale uitdaging die wordt aangepakt door een nieuwe dataset, ontwikkeld door onderzoekers van Imperial College London en de University of Leeds. Het team heeft een methode ontwikkeld om deze grove, globale klimaatmodellen te verscherpen tot hoogresolutiekaarten die dagelijkse weersveranderingen laten zien op een schaal van slechts enkele kilometers. Hun werk richt zich op de tropische regio's van de wereld, waar de klimaatvariabiliteit hoog is en waar veel infectieziekten gedijen. Door de gegevens te verfijnen tot een detailniveau dat voorheen niet beschikbaar was voor een dergelijk groot gebied, hebben zij een instrument geleverd waarmee onderzoekers kunnen overgaan van algemene waarschuwingen over een opwarmende wereld naar precieze voorspellingen voor specifieke gemeenschappen.

De onderzoekers begonnen met zes verschillende globale klimaatmodellen, die de belangrijkste instrumenten zijn die wetenschappers gebruiken om toekomstige klimaatcondities onder verschillende scenario's van menselijke activiteit te projecteren. Deze modellen draaien op twee verschillende paden: één die een gematigde toekomst vertegenwoordigt waarin emissies worden beperkt, en een andere die een toekomst met hoge emissies vertegenwoordigt waarin het gebruik van fossiele brandstoffen blijft stijgen. De ruwe output van deze modellen beslaat de periode van 1985 tot 2100, maar de gegevens zijn te grof en bevatten systematische fouten. Bijvoorbeeld, een model kan consequent voorspellen dat het in een specifiek gebied iets te warm of te nat is vergeleken met wat er in werkelijkheid gebeurt. Om dit te corrigeren, paste het team een geavanceerde statistische techniek toe genaamd Double Bias-Corrected Constructed Analogues. Deze methode werkt door de voorspellingen van het model te vergelijken met reële waarnemingen van weer die al heeft plaatsgevonden. Het vraagt het model in feite om naar het verleden te kijken naar dagen die leken op de huidige omstandigheden en die echte historische patronen te gebruiken om de fouten van het model te corrigeren. Dit proces herstelt niet alleen de fouten, maar vult ook de ontbrekende details aan, waardoor een hoogresolutiebeeld van de dagelijkse temperatuur, luchtvochtigheid en neerslag ontstaat.

Het resultaat is een enorme collectie gegevens die twaalf landgebieden beslaat tussen 60 graden noorderbreedte en 60 graden zuiderbreedte van de evenaar, een zone die de meeste tropische en subtropische gebieden van de wereld omvat. De gegevens worden geleverd op een resolutie van 0,1 graad, wat vertaalt naar een rastervierkant van ongeveer zes mijl breed. Dit is een aanzienlijke verbetering ten opzichte van eerdere datasets, die vaak vierkanten van 15 AU of meer gebruikten. Het team genereerde dagelijkse weergegevens voor zes belangrijke variabelen, waaronder de dagelijkse maximum- en minimumtemperaturen, luchtvochtigheidsniveaus en totale neerslag. Ze dekten zowel de historische periode van 1985 tot 2014 om te waarborgen dat de methode werkt, als de toekomstige periode van 2015 tot 2100 om projecties te bieden. Cruciaal is dat ze niet stopten bij het creëren van deze gedetailleerde kaarten. Erkennend dat veel besluitvormers gegevens nodig hebben die overeenkomen met politieke grenzen in plaats van rastervierkanten, hebben ze de informatie ook geaggregeerd. Ze berekenden de gemiddelde weersomstandigheden voor 110 landen en hun subregio's, waarbij ze deze gemiddelden gewogen hebben op basis van waar mensen daadwerkelijk wonen. Dit betekent dat de gegevens de klimaatervaring van de bevolking reflecteren, en niet alleen het lege land, waardoor ze direct bruikbaar zijn voor de planning van gezondheidsinterventies en middelenbeheer.

Om de kwaliteit van hun werk te waarborgen, hebben de onderzoekers de nieuwe gegevens rigoureus getest tegen reële waarnemingen. Ze vergeleken de gedownscaleerde historische gegevens van 1985 tot 2014 met werkelijke weergegevens van satellieten en grondstations. De resultaten toonden een dramatische verbetering ten opzichte van de ruwe modellen. De oorspronkelijke modellen hadden vaak grote fouten, waarbij ze soms temperaturen voorspelden die enkele graden afweken of hoeveelheden neerslag die volkomen onnauwkeurig waren. Na het correctieproces krompen deze fouten aanzienlijk. De nieuwe gegevens kwamen veel nauwer overeen met de reële seizoenscycli en legden de timing van regenseizoenen en de intensiteit van hittegolven met veel grotere nauwkeurigheid vast. Het team controleerde ook hoe goed de gegevens extreme gebeurtenissen vertegenwoordigden, zoals dagen met hevige regen of gevaarlijk hoge temperaturen. Ze vonden dat de gecorrigeerde gegevens de frequentie van deze extreme dagen succesvol reproduceerden, een kritieke factor voor het beoordelen van risico's zoals overstromingen of hittestress.

Bij het kijken naar de toekomstige projecties vonden de onderzoekers dat de algemene richting van de klimaatverandering consistent bleef met de ruwe modellen, maar dat de details veel duidelijker waren. In de toekomstige scenario's toonden de gegevens een opwarmingstrend over de regio, maar de nieuwe hoogresolutiekaarten onthulden hoe deze opwarming varieert over verschillende landschappen. Bijvoorbeeld, in bergachtige gebieden zoals de Andes hadden de ruwe modellen moeite met het weergeven van het complexe terrein, waardoor unieke klimaatpatronen vaak werden gladgestreken. De nieuwe gegevens losten deze gebieden duidelijk op en lieten zien dat het opwarmingssignaal in deze hooggelegen regio's eigenlijk minder intens is dan in de omliggende laaglanden. Evenzo, voor neerslag, toonden de nieuwe gegevens dat hoewel de brede trends van nattere of drogere omstandigheden behouden bleven, de lokale patronen veel complexer waren dan de grove modellen suggereerden. In sommige kust- en berggebieden toonden de nieuwe gegevens zelfs een andere richting van verandering vergeleken met de ruwe modellen, wat benadrukt hoe de lokale geografie de impact van globale klimaatverschuivingen kan veranderen.

De onderzoekers merken er zorgvuldig bij op dat hoewel deze dataset een grote stap voorwaarts is, het geen perfecte kristallen bol is. De methode berust op de aanname dat de relatie tussen grootschalige weerpatronen en lokale omstandigheden in de toekomst vergelijkbaar zal blijven, een aanname die mogelijk niet standhoudt als het klimaat drastisch verandert. Bovendien hangt de nauwkeurigheid van de nieuwe gegevens sterk af van de kwaliteit van de reële waarnemingen die worden gebruikt om de modellen te corrigeren. In sommige afgelegen gebieden waar weerstations schaars zijn, is er nog steeds onzekerheid. De onderzoekers hebben echter aangetoond dat hun aanpak erin slaagt de systematische fouten die in de oorspronkelijke modellen worden gevonden te verwijderen en een veel realistischer beeld geeft van dagelijkse weerpatronen. Door deze gegevens gratis beschikbaar te stellen in formaten die gemakkelijk te gebruiken zijn, hebben zij een belangrijke barrière voor wetenschappers en beleidsmakers weggenomen. Dit hulpmiddel stelt onderzoekers in staat om nauwkeurigere modellen te bouwen van hoe ziekten zich verspreiden, hoe gewassen zullen presteren en hoe watervoerende middelen zullen veranderen, waardoor brede klimaatwaarschuwingen worden omgezet in actiegerichte, lokale kennis.