В статье, опубликованной в декабре прошлого года в журнале SIAM Journal on Uncertainty Quantification, авторы Мэтью Хитон, Тамара Грэсби и Стефан Сайн предлагают статистическую иерархическую байесовскую модель, которая объединяет информацию об изменении климата из наборов данных, основанных на наблюдениях, и климатических моделей.«Огромный массив климатических данных — от реконструкций исторических температур и современных наблюдений за температурой до прогнозов будущего климата — похоже, согласен с тем, что глобальные температуры меняются», — говорит автор Мэтью Хитон. «Однако разногласия в этих источниках данных заключаются в том, насколько температуры изменились и, как ожидается, изменятся в будущем. Наше исследование направлено на объединение множества различных источников климатических данных статистически строгим способом, чтобы определить консенсус относительно того, насколько температуры меняются ".Используя иерархическую модель, авторы объединяют информацию из этих различных источников, чтобы получить ансамблевую оценку текущего и будущего климата вместе с соответствующей мерой неопределенности. «Каждый источник климатических данных дает нам оценку того, насколько сильно меняются температуры.
Но каждый источник данных также имеет некоторую степень неопределенности в своей климатической проекции», — говорит Хитон. «Статистическое моделирование — это инструмент не только для получения консенсусной оценки изменения температуры, но и для оценки нашей неопределенности относительно этого изменения температуры».Предлагаемый в статье подход объединяет информацию из данных наблюдений, моделей общей циркуляции (МОЦ) и региональных климатических моделей (РКМ).Наборы данных на основе наблюдений, которые сосредоточены в основном на местном и региональном климате, получаются путем получения необработанных климатических измерений с метеостанций и их применения к сетке, определенной по всему земному шару.
Это позволяет конечному продукту данных обеспечивать совокупную оценку климата, а не ограничиваться отдельными наборами данных о погоде. Такие наборы данных ограничены текущими и историческими периодами времени. Другой источник информации, связанный с наборами данных на основе наблюдений, — это наборы данных повторного анализа, в которых прогнозы численных моделей и наблюдения метеостанции объединены в единую сеточную реконструкцию климата по всему миру.GCM — это компьютерные модели, которые фиксируют физические процессы, управляющие атмосферой и океанами, для моделирования реакции температуры, осадков и других метеорологических переменных в различных сценариях.
Хотя изображение температуры с помощью GCM не будет точным для данного дня, эти модели дают довольно хорошие оценки для долгосрочных средних температур, таких как 30-летние периоды, которые близко соответствуют наблюдаемым данным. Большим преимуществом GCM перед наблюдаемыми и повторно проанализированными данными является то, что GCM могут моделировать климатические системы в будущем.RCM используются для моделирования климата в конкретном регионе, в отличие от глобального моделирования, созданного с помощью GCM.
Поскольку на климат в конкретном регионе влияет остальная часть Земли, атмосферные условия, такие как температура и влажность на границе региона, оцениваются с использованием других источников, таких как GCM или данные повторного анализа.Комбинируя информацию из нескольких наборов данных, основанных на наблюдениях, GCM и RCM, модель получает оценку и меру неопределенности для средней температуры, временного тренда, а также изменчивости сезонных средних температур.
Модель использовалась для анализа средних летних и зимних температур в регионах юго-запада Тихого океана, прерий и Северной Атлантики (на изображении выше) — регионов, которые представляют три различных климата. Предполагается, что климатические модели будут вести себя по-разному для каждого из этих регионов. Данные из каждого региона рассматривались индивидуально, чтобы модель могла быть адаптирована для каждого региона отдельно.
«Наше понимание того, насколько сильно меняются температуры, отражено во всех доступных нам данных, — говорит Хитон. «Например, один источник данных может предполагать, что температура повышается на 2 градуса по Цельсию, в то время как другой источник предполагает, что температура повышается на 4 градуса. Итак, верим ли мы в повышение на 2 градуса или на 4 градуса? ни то, ни другое », потому что объединение источников данных предполагает, что увеличение, вероятно, будет где-то между 2 и 4 градусами.
Дело в том, что ни один источник данных не дает всех ответов. И только путем объединения множества различных источников климатических данных мы действительно можем определить, насколько, по нашему мнению, меняются температуры ».Хотя большая часть предыдущей подобной работы была сосредоточена на средних или средних значениях, авторы данной статьи признают, что климат в более широком смысле включает в себя различия между годами, тенденциями, средними значениями и экстремальными явлениями.
Следовательно, используемая здесь иерархическая байесовская модель одновременно учитывает средний, линейный тренд и межгодовую изменчивость (вариацию между годами). Многие предыдущие модели также предполагают независимость между моделями климата, тогда как в этой статье учитываются общие черты различных моделей, таких как физические уравнения или гидродинамика, и коррелирует между наборами данных.
«Несмотря на то, что наша работа является хорошим первым шагом в объединении множества различных источников климатической информации, мы все еще не достигаем успеха в том, что по-прежнему не учитываем многие жизнеспособные источники климатической информации», — говорит Хитон. «Кроме того, наша работа сосредоточена на повышении / понижении температуры, но аналогичный анализ необходим для оценки консенсусных изменений в других метеорологических переменных, таких как осадки. Наконец, мы надеемся расширить наш анализ за счет региональных температур (скажем, только на часть США) к глобальным температурам ".