Nutzung großer Ensembles für eine bessere und einfachere Bewertung von Klimamodellen

In einer neuen Studie bewerten Dr. Laura Suarez, Dr. Sebastian Milinski und Dr. Nicola Maher, welche Modelle das reale Klima mit seiner internen Variabilität und seiner Reaktion auf externe Einflüsse in den beobachteten globalen Durchschnittstemperaturen am besten erfassen. Sie benutzten ein neuartiges Konzept, das das einzigartige Design und die Leistungsfähigkeit von SMILE-Experimenten (single model initial-condition large ensembles) nutzt.

Bei SMILE-Experimenten wird ein einzelnes, vollständig gekoppeltes und umfassendes Klimamodell genutzt, um viele Simulationen zu erstellen, die mit denselben zeitlich verlaufenden externen Antrieben betrieben werden, aber von unterschiedlichen Anfangsbedingungen starten. Die Autor*innen nutzten sie, um Unterschiede zwischen Beobachtungsdaten und Simulationen zu überbrücken. Beobachtungsdaten zeigen, wie das reale Klimasystem auf sich ändernde natürliche und menschliche externe Einflüsse reagiert, wie z. B. auf zunehmende Treibhausgase, Landnutzung und Aerosole, und wie das System zusätzlich aufgrund seiner eigenen chaotischen internen Variabilität schwankt. In ähnlicher Weise sind einzelne Klimamodell-Simulationen ebenfalls eine Kombination aus der simulierten Reaktion auf externe Antriebe im Modell und seiner simulierten internen Variabilität. Daher können Abweichungen zwischen Beobachtungsdaten und Simulationen aufgrund von Fehlern im externen Antrieb des Modells und seiner simulierten Reaktion auf diesen Antrieb entstehen, sie können aber auch aufgrund unzureichender Stichproben der internen Variabilität, einer falschen Darstellung der Variabilität der realen Welt oder einer Kombination dieser Faktoren auftreten.

Um diese Diskrepanzen zu überbrücken, entwickelten die Autor*innen ein neuartiges Konzept für die Modellbewertung, das die präzise Abbildung der internen Variabilität in großen Ensemble-Experimenten nutzt. Sie bewerteten zehn Klimamodelle, um festzustellen, ob die realen Beobachtungsdaten innerhalb der von jedem Modell simulierten Klimazustände gut verteilt sind. Dadurch konnten sie Unterschiede zwischen Modellsimulationen und Beobachtungen entweder auf Verzerrungen in der simulierten Reaktion auf externe Antriebe oder in der simulierten internen Variabilität zurückführen, ohne beide Signale in den Beobachtungen trennen zu müssen.

 

 


Abb.1. Analyse der räumlichen internen Variabilität und Reaktion auf externe Antriebe. Weiße Bereiche stellen dar, wo Modelle die interne Variabilität und Reaktion auf externe Antriebe in den Beobachtungen adäquat erfassen. Copyright: Suarez-Gutierrez, L., Milinski, S. & Maher, N.: Exploiting large ensembles for a better yet simpler climate model evaluation. Climate Dynamics (2021). https://doi.org/10.1007/s00382-021-05821-w. CC BY 4.0 https://creativecommons.org/licenses/by/4.0/

 

Die Wissenschaftler*innen fanden heraus, dass einige Modelle zwar die langfristige Reaktion auf externe Einflüsse in der globalen mittleren Oberflächentemperatur (GMST) nicht erfassen können, aber keines von ihnen die Spannweite der internen Variabilität in der GMST systematisch unter- oder überschätzt. Die größten Diskrepanzen in der GMST resultieren aus der überschätzten angetriebenen Erwärmung in einigen Modellen während der letzten Jahrzehnte. Das Max-Planck-Institut für Meteorologie Grand Ensemble (MPI-GE) ist das Ensemble mit der adäquatesten Darstellung sowohl der internen Variabilität als auch der Reaktion auf externe Antriebe in der beobachteten GMST während der gesamten historischen Aufzeichnung, gefolgt von den anderen Large Ensembles CESM-LE, GFDL-ESM2M und IPSL-CM6A. Auf regionalen Skalen erfassen die Ensembles MPI-GE, GFDL-ESM2M, MIROC6 und CESM-LE die beobachtete Variabilität und Reaktion auf externe Antriebe in den historischen Oberflächentemperaturen am besten, sowohl in frühen als auch in jüngeren Perioden. Dies deutet darauf hin, dass nach den Bewertungsmetriken MPI-GE, GFDL-ESM2M und CESM-LE die am besten geeigneten Ensembles sind, um zukünftige Projektionen der Oberflächentemperaturen sowohl global gemittelt als auch global auf Gitterzellenebene zu untersuchen.

Die neuartige Herangehensweise der Wissenschaftler*innen an die Modellevaluierung schafft neues Vertrauen in die Fähigkeit von umfassenden Klimamodellen nicht nur die langfristige Entwicklung des Klimasystems zu erfassen, sondern auch die Bandbreite möglicher Schwankungen dieser Entwicklung, die durch interne Variabilität in jeder beliebigen Region und Zeitperiode verursacht werden können. Eine solche Bewertung, sowohl in Bezug auf die Reaktion eines Modells auf externe Antriebe als auch auf die Spannweite der internen Variabilität, ermöglicht es den Wissenschaftler*innen, die Leistung der Modelle besser als je zuvor zu beurteilen. Es ist nun möglich, angemessen auszuwählen, welche Modelle für verschiedene Analysen in verschiedenen Regionen der Erde, für die Untersuchung aktueller und vergangener Klimazustände sowie für zukünftige Klimaprojektionen am besten geeignet sind.


Originalveröffentlichung:
Suarez-Gutierrez, L., Milinski, S. & Maher, N. Exploiting large ensembles for a better yet simpler climate model evaluation. Climate Dynamics (2021). https://doi.org/10.1007/s00382-021-05821-w

 

Kontakt:
Dr. Laura Suarez-Gutierrez
Max-Planck-Institut für Meteorologie
E-Mail: laura.suarez@we dont want spammpimet.mpg.de

Dr. Sebastian Milinski
Jetzt am National Center for Atmospheric Research (NCAR)
E-Mail: sebastian.milinski@we dont want spammpimet.mpg.de

Dr. Nicola Maher
Jetzt an der University of Colorado, Boulder
E-Mail: nicola.maher@we dont want spamcolorado.edu