Raisanen, J. (2007): How reliable are climate models? Tellus, 59A
Werbung
Raisanen, J. (2007): How reliable are climate models? Tellus, 59A, 2-29. 1.) Introduction 2.) Climate modelling: some basic issue 3.) Simulation of present-day climate 1.) general discussion 2.) Skill of models in simulating time mean surface climate 3.) What does the skill in the simulation of present-day climate tell about model reliability in simulating climate changes? 4.) Intercomparison between climate change simulations 1.) General discussion 2.) Intercomparison of IPCC AR4 climate change simulations 3.) Further remarks 5.) Skill of models in simulating observed climate changes 1.) Large-scale studies 2.) Regional climate changes during the last half-century 6.) Global climate sensitivity and time-dependent global warming 1.) Equilibrium climate sensitivity: estimates from models 2.) Estimating equilibrium climate sensitivity from observations: methodological issues 3.) Observation-based estimates of equilibrium climate sensitivity 4.) Observational constraints on time-dependent warming 7.) Some additional issues 1.) Uncertainties in forcing 2.) Variation of climate changes on small horizontal scales 8.) Concluding remarks 1.) Introduction (Broschell Alexander) - Möglichkeit der Klimaveränderung durch anthropogene THG-Emissionen. Klima-Projektion statt -Vorhersage/Prognose!!! - Abschätzung der Unsicherheit: keine Analogien in der Vergangenheit (beobachtet): Stichprobe n = 1! => indirekte Methoden - Modelltypen: EBMs, EMICs (Earth System mod. of intermed. complexity), (AO)GCMs, RCMs - wichtigste Variablen: SAT, PREC, SLP - zeitliche Mittel (keine Extreme) 2.) Climate modelling: some basic issues (Glück Rebecca) - Gesetze der Massen-, Energie- und Impulserhaltung nicht statistische Zusammenhänge (induktiv) sondern deduktiv! - Gitterweite horizontal 200-300km, 30 levels bis 30-50km (10hPa) - Subskalige Prozesse: parametrisiert - Bsp. Energieerhaltung: Temperaturänderung + Temperaturadvektion = adiabatische Erwärmung + diabatische Erwärmung Temperaturänderung = + - Advektion + adiabatische Erwärmung (Druck, cp spez. W-Kap.?) + diabatische Erwärmung (Verd.+Strahlung) Subskalenprozesse bei diabatischer Erwärmung: geringe Anteile im Volumen bewölkt, Rest trocken oder Feuchte gleichmässig verteilt??? [Anderes Beispiel: Verdunstung: Abschätzung aus potentieller Verdunstung & Landnutzung) 2.) Climate modelling: some basic issues (Glück Rebecca) => Parametrisierung = physikalische Theorie + Beobachtung (+ Info aus höheraufgel. Mod.) problematisch: Wolken-Parametrisierung: unterschiedliche Parametrisierungen => grösster Teil der Unterschiede zw. versch. Modellen Nichtlinearität => deterministisches Chaos => max. 2 Wochen für "perfect-models" => zwei Läufe niemals gleich, falls Startbedingungen nur geringfügig anders sind = unkorreliert aber: falls Szenario-Forcing (Antrieb) stark genug: Signal > als Unterschiede zwischen Ensemble-Members deutlicher bei längerem Langzeitmittel 3.) Simulation of present-day climate (Guetter Daniela) 3.1) General discussion (allgemeine Probleme) MIPs (Model Intercomparison Projects) Vergleichsmöglichkeiten: 1.) "Morphologie des Klimas": räumliche und zeitliche Verteilung und Statistiken = einfach aber, i) welche Gewichtung? ii) Probleme bei Beobachtung! (Völlige Übereinstimmung nicht möglich (interne Variabilität)!), iii) vielleicht zu gut auf Beobachtung getuned (parametrisiert), so dass die tatsächlichen Prozesse weniger Gewicht haben! (Flusskorrektur heute kaum mehr nötig) 2.) Bilanzen und Kreisläufe 3.) Prozessstudien (Bsp. Monsun, blocking, convective Prozesse) Welches Maß für Unterschiede? RMS, Korrelationen? 3.2. Skill of models in simulating time mean surface climate (Haber Ariane) Details der hier verwendeten Vergleiche Temperatur Obs MultiModelMeans (21) Niederschlag Druck 3.2. Skill of models in simulating time mean surface climate (Haber Ariane) 21 Modelle versus Beobachtungsdaten Ähnlichkeit zwischen Ganzjahres-Mittelwertkarten Korrelationen hoch: Temperatur, Druck, Niederschlag RMS Temperatur (1.42°C): 10%, Niederschlag: 50%, Druck: 30% der stddev des Beobachtungsfeldes 3.2. Skill of models in simulating time mean surface climate (Haber Ariane) Differenz: MMM-OBS = Bias (Abweichungstendenz) Modelle über Land zu kalt Tropen zu feucht sonst keine eindeutige Systematik Westwindzone zu intensiv & zu weit äquatorwärts 3.2. Skill of models in simulating time mean surface climate (Haber Ariane) bis hierher! Standardabweichung der Modelle: sqrt ( sum( (val-mean)**2 ) / n ) meisst grösser als bias! => Unterschiedlichkeit zwischen Modellen > Fehler! => Modelle weichen in beide Richtungen ab => keine Systematik gut für Zukunftsprojektionen (streuen um Mittelwert) 3.2. Skill of models in simulating time mean surface climate (Haber Ariane) multimodel-mean bias / stddev der Modelle systematischer Fehler / Streuung der Modelle (hoch ist schlecht) wo grösser 1: Bias > Streuung => Realität ausserhalb der typischen Streuung Punkte: Beobachtung liegt komplett ausserhalb der Modellspanweite aber: einzelne Modelle weichen fast immer stärker von Beobachtung ab als MMM 3.3 What does the skill in the simulation of present-day climate tell about model reliability in simulating climate changes? (Krug Sabine) Vergleiche innerhalb von Modellen! => delta change => Realismus nicht unbedingt entscheidend, aber evt. Zusammenhang zw. Realismus (skill) und Fähigkeit Feedbacks zu simulieren: 1.) grosser bias deutet auf schlechte Simulation von Feedbacks 2.) grosser bias lässt Veränderung grösser/kleiner erscheinen Bsp.: - zu weit südliches Seeeis => stärkere Erwärmung - falsche ITCZ lässt Veränderungen am falschen Ort erscheinen 3.3 What does the skill in the simulation of present-day climate tell about model reliability in simulating climate changes? (Krug Sabine) Vergleiche zwischen Modellen: erste Stichprobe = Werte der 21 Modelle für Temp. 1971-2000 zweite Stichprobe = Werte der 21 Modell für Change (2070-2099) - (1971-2000) Korrelation Temp. 1971-2000 mit Change 2070-2099 rel. zu 1971-2000 Korrelation bias 1971-2000 (Fehler) mit Change (Differenz Einzelmodell zu MMM) Negativ: Seeeis: Modelle die Seeeis richtig simulieren zeigen starke Erwärmung Positive Korrelationen: schlechte Modelle sind auch Ausreisser in der Zukunftsprojektion gute Modelle liegen nahe am MMM sonst keine signifikanten Zusammenhänge Insbes. bei Seeeis, sonst keine Systematik 4. Intercomparison between climate change simulations 4.1 General discussion (Meyer Thomas) Unterschiede in Zukunftsprojektionen geben Aufschluss über Unsicherheit der Abschätzung Unsicherheit kann aber auch grösser (evt. auch kleiner) sein Auch wenn alle Modelle identische Projektion liefern würden, keine Gewissheit 4.2. Intercomparison of IPCC AR4 climate change simulations (Mische Volker) Exkurs: SRES Szenarien: A: ökonomisch orientiert 1: globalisierte Welt -> A1FI: Fossilfuel, coal, oil, gas dominate energy supply (business as usual). A1B: Balance betw. fossil fuels & other energy sources (business as usual). A1T: emphasis on new Technology using renewable energy. 2: regionalisierte Entwicklung A2: Fragmented World B: ökologisch orientiert 1: globalisierte Welt B1: Convergence with global environmental emphasis (optimistisch) 2: regionalisierte Entwicklung B2: Local sustainability Sind keine Prognosen! 4.2. Intercomparison of IPCC AR4 climate change simulations (Mische Volker) Differenz zwischen 2070–2099 und 1971–2000: Arktis: Meereis-Effekt Zunahme: hohe Breiten Land: Snow-Cover-Effekt und Tropen Ozeane: Verdunstungs-Effekt Abnahme: Subtropen Nordatlantik? Expansion der HadleyZirkulation Nordverschiebung der Zyklonenzugbahnen Land: Druckabnahme 4.2. Intercomparison of IPCC AR4 climate change simulations (Mische Volker) Standardabweichung 2070–2099 zwischen Modellen: - Beträge kleiner als Fehler bei Vergleich mit rezentem Klima (delta-change Methode) - Gleiche Muster wie für rezentes Klima: Fehler aus Kontrollläufen bleiben erhalten 4.2. Intercomparison of IPCC AR4 climate change simulations (Mische Volker) Übereinstimmung der Modelle für 2070–2099 mean / stddev: >1 => Signal > Streuung zw. Modellen gut gut in hohen Breiten: Erhöhung des Feuchteflusses Anzahl der Modelle, die in die selbe Richtung zeigen gut für Stormtracks 4.2. Intercomparison of IPCC AR4 climate change simulations (Mische Volker) Fall-Beispiel Finnland (Prozessstudie) Scatterplot 21 Modelle: Niederschlag in Abhängigkeit von Temperatur Winter: je wärmer desto feuchter: mehr Wasserdampf Sommer: je kühler desto feuchter: weniger Hochdruck Jahr: leicht negativer Zusammenhang 4.3. Further remarks (Meyer Thomas) Bei Vergleich zu beachten: - Modelle haben immer unterschiedliche Realisierung der internen Variabilität (Vgl. EBM) geringe Forcing-Signale können von interner Variabilität überlagert werden! - Übereinstimmung grösser bei großskaligen Phänomenen nicht auf lokale Skala übertragbar! - probabilistische Aussagen zuverlässiger als Details eines einzigen Modells noch keine beste Methode gefunden (einfaches Auszählen, Gewichtung?) 5. Skill of models in simulating observed climate changes (Ott Irena) = direkter Test, aber: - interne Variabilität überlagert Klimawandel durch Antrieb - unzureichende Beobachtungsdaten - Unsicherheit bei Interpretation der Antriebe (Bsp. Aerosole) 5.1. Large-scale studies: Ergebnisse - Temperaturveränderungen des 20ten Jahrhunderts gut simuliert: bis ca. 50er: Solar- und vulk. Antrieb, danach Treibhausgase (tuning?) - Niederschlag weniger gut, aber Zunahme über Land & Intensität Zunahme Wasserdampf (Treibhausgas) scheint OK - beobachtete Abnahme DTR in verg. 50 Jahren unterschätzt: Modelle unterschätzen die beobachtete Wolkenbedeckung (aber auch starke interne Variablität in Beobachtung) - beobachtete Druckabnahme in Polarregionen (Zunahme Westwind) wird auf Nordhemisphäre unterschätzt (interne Variabilität?) - Sensitivität für Vulkanausbrüche NH unterschätzt -> Kopplung Trop.-Strat.? - Erwärmung mittlere Trop. geringer als in Modellen (insbes. Tropen) 5.2. Regional climate changes during the last half-century (Rühling Rike) Beobachtete Trends: räumlich sehr variabel: interne Variabilität A1B-Trends gute Übereinstimmung im globalen Mittel aber schlechte räumliche Zuordnung Fehler aber nicht 1:1 auf Zukunft übertragbar, da stärkere Veränderungen in Zukunft zu erwarten sind. 5.2. Regional climate changes during the last half-century (Rühling Rike) Anzahl der Modelle mit höherem Anstieg als beobachtet Fehler aber nicht 1:1 auf Zukunft übertragbar, da stärkere Veränderungen in Zukunft zu erwarten sind. 6. Global climate sensitivity and time-dependent global warming (Rummler Thomas) Globale Mitteltemperatur = sehr robustes Mass (int. Var. gering) ECS (Equilibrium Climate Sensitivity): Temp.-veränderung bei 2xCO2 ohne sonstige Faktoren, wenn genug Zeit für Gleichgewichtszustand gegeben ist. 6.1. Equilibrium climate sensitivity: estimates from models 1.5-4.5°C geschätzt bis 3rd AR (2001), heute geschätzt: 2.1-4.4°C Spannweite gibt nicht wirkliche Unsicherheit wieder (nicht unabhängig, weil Modelle oft die gleichen Verbesserungen enthalten) pertubed-parameter-Methode: Parametrisierungs-Werte innerhalb der Spannweite der Unsicherheiten verändert ECS bis zu 11°C Hauptursache für ECS-Schwankungen: Wolken & Wolkenhöhe weniger: Luftfeuchte & Eis-Albedo-Feedback 6.2 Estimating equilibrium climate sensitivity from observations: methodological issues (Schaflinger Lara) F = Q – lambda * delta-T oder: Q = F + lambda*delta-T F = Änderung im Energiegehalt der Erde (Ocean heat uptake) Q = Strahlungsantrieb bei 2xCO2 (3.7 W/m2) lambda = Feedback-Faktor delta-T = Temperaturveränderung = ECS für Gleichgewicht: F = 0: 0 = Q – lambda * delta-T Q = lambda * delta-T delta-T = Q / lambda = ECS nur wenn lambda = const! sicher nicht für Eiszeit-Warmzeit-Wechsel! andere Methode: einfach Modellergebnisse vergleichen (bei AOGCMs lamda nicht konstant, bei EBMs parametrisiert) Schwierigkeiten: Beobachtungsdaten, andere Forcings, F nicht konstant, statistische Aussagen über ECS-Schätzungen von Grundanahmen abhängig: falls 0.17°C<ECS<20°C und ECS gleichvert.: 1.2°C<ECS<11.8°C für alpha 5-95% falls und lambda gleichvert.: 0.6°C<ECS<4.0°C für alpha 5-95% (Bayes-Statistik) 6.3. Observation-based estimates of equilibrium climate sensitivity (Spies Benjamin) Ergebnisse: ECS < 7.7°C als oberes limit (95% Si) bei den meissten Studien = sehr hoch: Unsicherheiten beim Aerosol-Forcing ECS > 4°C unwahrscheinlich nach Vulkaneruption Krakatau 1981 ECS > 1°C bei fast allen ECS = 2°C bis 3.5°C am wahrscheinlichsten neuere Studien: 1.7°C bis 4.9°C bei 95% Si 6.4. Observational constraints on time-dependent warming (von Groote Carolin) Unsicherheit kleiner bei transienten Veränderungen als bei Equilibrium (Zeitscheiben): Ozean verzögert Erwärmung und reduziert Spannweite rel. zu ECS Erwärmung zwischen 1990–2000 und 2020–2030 = 0.3◦C and 1.3◦C (Si 90%) anthropopgener Antrieb und natürliche Variabiliät Erwärmung 2090-2100: stärker abhängig von Szenario: innerhalb Si 5% bis 95%: für B1: 1.2–3.3◦C (<3°C) für A1FI: 3.0–6.9◦C (<5°C) TCR (transient climate response): Verdopplung CO2 bei 1%/a (=70a) = 1.5°C bis 2.8°C (Si 90%) Modelle = 0,0°C bis 11°C (Si 5-95%) beobachtungsgestützt (entspr. SRES A2) Optimismus: Halbierung der Unsicherheiten in 1-2 Dekaden durch bessere Beobachtungsdaten 7. Some additional issues (von Groote Carolin) Unsicherheiten grösser als bei AOGCMs errechnet: neben Unsicherheiten über Emissionen: 1.) Unsicherheit bei anderen Forcing-Faktoren 2.) Unsicherheiten über Subscale-Prozesse 7.1. Uncertainties in forcing (von Groote Carolin) Emission != Konzentration: Quellen und Senken für Gase und Aerosole! schlecht erfasst von heutigen AOGCMs Kohlenstoffkreislauf: CO2-ppmv für A2 (hohes Szenario) 2100: 730-1020 (AR4 836) 60% der Modell-Unterschiede in CO2: aus Feedback-Unterschieden Landnutzungsveränderungen in AR4 kaum berücksichtigt nicht entscheidend aber regional +-2°C Änderung in Solar- und Vulkanismus-Antrieben unberücksichtigt aber klein Aerosoländerungen unklar (auch wie gut Modelle damit umgehen) sehr bedeutender Aspekt im 20ten Jahrhundert (Sulfat) 7.2. Variation of climate changes on small horizontal scales (Weitnauer Claudia) eingeschränkte Auflösung (typischerweise 250km). Extrema unsicher, aber auch zeitliche Mittel betroffen: Prozentuale Niederschlagsveränderung 1961–1990 bis 2071–2100 SRES A2 in verschiedenen Modellen. AOGCM (~300km) RCM (~49km) RCM (~49km) Unsicherheit = grösser als aktuell geschätzt weil subscale-Prozesse nicht erfasst 8. Concluding remarks (Weitnauer Claudia) Argumente für die Brauchbarkeit von Modellen / gute Unsicherheitsschätzung: 1.) physikalische Grundlage 2.) gute Simulation des aktuellen Klimas & unsystematischer Bias 3.) qualitative und teils quantitave Übereinstimmung der Modelle 4.) Erfolg bei Simulation der historischen Instrumentenperiode 5.) Klimasensitivtät der Modelle stimmt mit Beobachtungen ~ überein Contra: 1.) subscale-Prozesse nicht erfasst (Wolken!) 2.) Modell-tuning auf rezentes Klima 3.) Diskrepanzen bei Niederschlag und Zirkulation 4.) Unsicherheiten können nicht von heute auf Zukunft übertragen werden 5. & 6.) zukünftige Änderungen anderer Antriebe unklar 8. Concluding remarks (Weitnauer Claudia) Ingesamt überwiegen Argumente für Modelle Vergleiche zwischen Modelle die beste Schätzmethode aber auch Entwicklungen ausserhalb der Schätzwerte möglich Frage ob schlechte Modelle berücksichtigt werden sollen: falls nicht, Gefahr des Zirkelschlusses: die besten sind gut Todo: - oberflächennaher Wind bisher nicht bei Schätzung berücksichtigt weil zu schlecht? - Gas-Konzentration bisher vorgegeben: besser: Gas-Konzentrationen aus Emissionen simulieren - welche Aspekte des Klimas sind wichtig? => ranking von Modellen - vollständige und systematische Multimodell-Ensembles und Perturbed-Parameter-Ensembles Einschätzungen werden in Zukunft besser, weil Beobachtungsdaten bei Emissions-Zunahme zunehmen [das globale Experiment]
