Home |<zurück | JWD-Nachrichten | BitChute | Teilen |

Teilen

 
Sreenshot  |  Quelle: sciencefiles.org

Die Verfasser, Jay Lehr, Kenneth Haapala, Patrick Moore und Patrick Frank weisen darin präzise nach, dass

• Klimawandelmodelle die Erdtemperatur nicht vorhersagen können,
  
   
• alle Berechnungen der Temperaturentwicklung falsch sind und somit
  
   
• alle Aussagen, die über den Einfluss von CO2 auf das Klima gemacht werden, bedeutungslos sind.
  
   
• Selbst wenn es einen Effekt von CO2 auf das Klima gäbe, könnte er nicht nachgewiesen werden, denn
  
   
• schon der Fehler in der Modellierung der Langwellen-Strahlung, die von Wolken auf die Erde reflektiert wird, ist um das +/- 114 - fache größer als der Effekt, den CO2 auf das Klima angeblich haben soll.

Stanfort- Prof. Patric Frank resümiert:

"Die Klima-Modellierer sind nicht in wissenschaftlicher Methodik ausgebildet. Sie sind nicht ausgebildet, um wissenschaftlich zu arbeiten. Sie sind keine Wissenschaftler."

 Behaupteter, modellierter Effekt von CO2 auf das Klima (grün)

Fehlerbalken / Modellierungsfehler  +/- 114-facher Effekt (rot)

 

  |   

Weitere Einführungstexte überspringen, direkt zu Studie ..hier

13.04.2018  [Quelle: hartland.org  / automatisch übersetzt mit DeepL]
Eine klimawissenschaftliche Erläuterung (Tutorial)
für den vorsitzenden Richter  William Alsup
Am 9. März 2018 bat Bundesbezirksrichter William Alsup die Rechtsbeistände der Parteien in dem Verfahren "The People of the State of California v. BP P.L.C, et al." darum, während einer fünfstündigen Anhörung vor dem Gericht, die für den 21. März angesetzt war, ein Tutorial (Erklärung) über Klimawissenschaft zu präsentieren.
 
Richter Alsup forderte die Anwälte beider Seiten auf, einen Überblick über die aktuelle Klimawissenschaft zu geben und insbesondere acht Fragen des Richters zu beantworten. Außerdem forderte Richter Alsup die Anwälte der Kläger auf, Dokumente vorzulegen, die sich auf die Behauptung der Kläger beziehen, ExxonMobil, BP, Chevron und andere Ölgesellschaften hätten sich verschworen, um Beweise für eine drohende Klimakatastrophe zu verbergen. ..Text überspringen, direkt zur Studie


Aus der Sorge heraus, dass keine der Parteien einen objektiven Überblick über die Klimawissenschaft vorlegen würde, berief das Heartland Institute ein Team von Wissenschaftlern ein, um ihre eigenen Antworten auf die Fragen des Richters zu verfassen. Leider wurde diese Arbeit zu spät abgeschlossen, um sie dem Richter vorzulegen. Das daraus resultierende Dokument, das hier vorgestellt wird, kann jedoch für sich allein stehen und stellt für jeden, der eine solide Grundlage in den Grundlagen der Wissenschaft sucht, eine Einführung in den Klimawandel dar.

In diesem kurzen Memo bieten wir zunächst einen Überblick über den aktuellen Stand des wissenschaftlichen Verständnisses des menschlichen Einflusses auf das Klima der Erde, gefolgt von einigen Kommentaren, die den Kontext zu den acht Fragen von Richter Alsup liefern. Es folgen Antworten auf die Fragen des Richters und ein Kommentar zu seiner Forderung nach Belegen für die Behauptung, die Ölindustrie habe sich verschworen, um die Öffentlichkeit in die Irre zu führen.

Das Heartland Institute, Herausgeber dieses Memos, unterstützte eine unabhängige Gruppe von Wissenschaftlern bei der Einreichung ihres eigenen Amicus-Schriftsatzes, der innerhalb der vom Richter gesetzten Frist einging. Als Reaktion auf diesen Schriftsatz reichten die Kläger bei Richter Alsup eine Erklärung ein, die mit unzutreffenden Behauptungen gefüllt war, um die amici und das Heartland Institute zu diskreditieren. Der letzte Abschnitt dieses Memos enthält eine Erwiderung von Jay Lehr auf die gegen das Heartland Institute erhobenen Vorwürfe. Die Qualifikationen der Verfasser dieses Memos sind auf Seite 23 aufgeführt.

Die acht Fragen von Richter Alsup zur Klimawissenschaft lauteten:

1. Wodurch wurden die verschiedenen Eiszeiten (einschließlich der "Kleinen Eiszeit" und längerer Kälteperioden) verursacht, und wodurch schmolz das Eis? Um wie viel stieg der Meeresspiegel an, als das Eis schmolz?

2. Was ist der molekulare Unterschied, durch den CO2 die Infrarotstrahlung absorbiert, Sauerstoff und Stickstoff aber nicht?

3. Durch welchen Mechanismus wird die von CO2 in der Atmosphäre eingefangene Infrarotstrahlung in Wärme umgewandelt und findet ihren Weg zurück zum Meeresspiegel?

4. Reflektiert CO2 in der Atmosphäre das Sonnenlicht zurück in den Weltraum, so dass das reflektierte Sonnenlicht gar nicht erst in die Atmosphäre eindringt?

5. Was geschieht, abgesehen von CO2, mit der kollektiven Wärme aus den Auspuffrohren, den Kühlern der Motoren und aller anderen Wärme aus der Verbrennung fossiler Brennstoffe? Wie, wenn überhaupt, trägt diese kollektive Wärme zur Erwärmung der Atmosphäre bei?

6. In der Grundschule wurde vielen von uns beigebracht, dass der Mensch CO2 ausatmet, die Pflanzen aber CO2 absorbieren und Sauerstoff in die Luft zurückgeben (wobei sie den Kohlenstoff für Fasern behalten). Gilt das immer noch? Wenn ja, warum haben die Pflanzen den höheren CO2-Gehalt nicht wieder in Sauerstoff umgewandelt? Ist die menschliche Atmung angesichts der Zunahme der menschlichen Bevölkerung auf der Erde (vier Milliarden) ein Faktor, der zum Anstieg des CO2-Gehalts beiträgt?

7. Welches sind die wichtigsten CO2-Quellen, die für die zunehmende Anreicherung von CO2 in der Atmosphäre verantwortlich sind?

8. Welches sind die wichtigsten Wärmequellen, die für den zunehmenden Temperaturanstieg auf der Erde verantwortlich sind?

HINWEIS: Die Autoren dieses Memos sind: Jay Lehr, Ph.D., Kenneth Haapala, Patrick Frank, Ph.D., und Patrick Moore, Ph.D.

Jay Lehr (1938 - 2023)
Jay Lehr war ein international bekannter Redner, Wissenschaftler, Senior Policy Advisor bei der International Climate Science Coalition und Senior Science Analyst bei CFACT.


Kenneth Haapala
Kenneth Haapala ist Präsident des Science and Environmental Policy Project (SEPP), Verfasser des Newsletters The Week That Was und Verfasser von Beiträgen zu den NIPCC-Berichten.


Patrick Moore
Dr. Patrick Moore ist seit über 40 Jahren eine führende Persönlichkeit im internationalen Umweltbereich. Er ist Direktor der CO2-Koalition und Senior Fellow am Heartland Institute.


Patrick Frank
Patrick Frank, Ph.D., ist wissenschaftlicher Mitarbeiter der Stanford Synchrotron Radiation Lightsource/SLAC an der Universität Stanford
 

  |   

Weitere Details sind im folgendem Artikel von Gelbspan.com angeführt:

Text überspringen, direkt zu Studie ..hier

06.10.2017 [Quelle: GelbspanFiles.com / automatisch übersetzt mit DeepL]
Das Volk des Staates Kalifornien
gegen BP P.L.C. und andere
Wenn Sie ein Umweltaktivist mit Zugang zu Anwälten und Mega-Geld sind und glauben, dass die katastrophale anthropogene globale Erwärmung (CAGW) von bösen fossilen Brennstoffindustrien verursacht wird, die diesen Schaden für die Menschheit ignorieren, um ihre Profite zu schützen, dann jammern Sie nicht einfach über dieses Problem, sondern reichen riesige Klagen gegen diese Industrien ein.

Dies wurde bereits in den drei großen Fällen Connecticut vs. American Electric Power, Comer vs. Murphy Oil und Kivalina vs. Exxon getan** [Anmerkung des Autors vom 26.10.17: Die gesamte Website, die diese Datei enthält, funktioniert nicht mehr; egal, die Archiv-PDF-Datei von Kivalina finden Sie hier]. Vor kurzem hat sich der Generalstaatsanwalt des Staates New York, Eric Schneiderman, mit etwa 19 anderen Generalstaatsanwälten zusammengetan, um ExxonMobil zur Rechenschaft zu ziehen, weil das Unternehmen es versäumt hat, seine Aktionäre über die Gefahren des CAGW zu informieren, obwohl es angeblich schon seit Jahrzehnten von dessen Schäden wusste.

Schneiderman kommt jedoch mit seinen Bemühungen nicht weiter, und die drei Klagen gegen die globale Erwärmung sind bereits einer nach dem anderen gescheitert - der Oberste Gerichtshof wies die Klage Connecticut gegen AEP am 20. Juni 2011 ab. Am 20. März 2012 kam das Verfahren Comer gegen Murphy Oil zu einem endgültigen Ende. Das Gericht des 9. Bezirks hat am 21. September 2012 den Nagel in den Sarg von Kivalina gegen Exxon geschlagen, was einige dazu veranlasste, sich zu fragen, ob dies das Ende der Klimadeliktsverfahren sei.

Was für eine dumme Frage. Wenn Sie mit Ihren Klagen gegen die globale Erwärmung zunächst keinen Erfolg haben, versuchen Sie es noch einmal. Dazu gehört auch die Idee, sie als Klagen gegen die "Kosten" von CAGW und nicht als Klagen gegen "Schäden" zu verpacken.

Am 19. September wurde über die neuen fast identischen Zwillingsklagen berichtet, die in den Bezirken der Bay Area eingereicht wurden: People of the State of California v. BP P.L.C., et al., San Francisco Superior Court Case CGC 17-561370 und People of the State of California v. BP P.L.C., et al., Alameda County Superior Court Case RG17875889.

Diese jüngsten Zwillingsfälle sind jedoch im Wesentlichen mit den gleichen Problemen behaftet wie alle früheren CAGW-Gerichtsverfahren. Das kleinere dieser Probleme ist, dass Gerichte nicht der richtige Ort sind, um zu entscheiden, ob wissenschaftliche Schlussfolgerungen fundiert sind. Das größere und wohl fatale Problem besteht darin, dass die skeptischen Wissenschaftler als bezahlte Handlanger der fossilen Brennstoffindustrie dargestellt werden müssen, um zu beweisen, dass ihre Klimagutachten wertlos sind. Warum ist dieses spezielle Problem so fatal? Weil es sich auf eine buchstäblich unhaltbare Anschuldigung stützt, die von einer kleinen Clique von Leuten verbreitet wird, die diese Anschuldigung in den letzten 10 und 20 Jahren vorangebracht haben.
 
Ich habe dieses Problem letztes Jahr bei American Thinker ausführlich beschrieben, und zwar in Bezug auf die "üblichen Verdächtigen", die in den Anti-Exxon-Bemühungen des NY AG Schneiderman auftauchen. In einer im Januar 2016 durchgesickerten E-Mail von Umweltaktivisten, die Exxon festnageln wollten, sprangen mir drei Namen ins Auge: der Anwalt Matt Pawa und die Ex-Greenpeace/Exzone Action-Verwalter John Passacantando und Kert Davies.

Ich erkannte die Namen aufgrund ihrer direkten Verbindungen zu dem, was ich als "Epizentrum" der Verleumdung skeptischer Klimawissenschaftler bezeichne, und ihrer Verbindung in der einen oder anderen Form mit dem Buchautor Ross Gelbspan, dem Hauptverantwortlichen, der die erste mediale Aufmerksamkeit für das so genannte Beweismaterial erlangte, das im Wesentlichen das einzige "rauchende Gewehr" ist, das verwendet wird, um skeptische Klimawissenschaftler der Korruption in der Industrie anzuklagen: die angeblich durchgesickerten Memos mit der Strategie, "die globale Erwärmung als Theorie und nicht als Tatsache zu positionieren". In Al Gores Film aus dem Jahr 2006 wurde dieses merkwürdige Satzfragment in roter Schrift auf dem ganzen Bildschirm gezeigt und mit einem berüchtigten durchgesickerten Memo der Tabakindustrie verglichen. Matt Pawa zitierte dieselben Memos in seinem Fall Kivalina gegen Exxon, und Passacantandos und Davies' Organisation Ozone Action behauptete, sie habe sie 1996 "erhalten". So schädlich diese Memos auch erscheinen mögen, es stellt sich heraus, dass sie wertlos sind, denn wenn man sie im vollständigen Kontext liest, in dem sie gesammelt wurden, sind sie offensichtlich nicht die finstere branchenweite Top-Down-Richtlinie, als die sie von Gelbspan und Gore dargestellt werden. Schlimmer noch, es wurde von unabhängiger Seite bestätigt, dass sie nicht von dem Ort stammen, von dem Gelbspan und Gore behaupten, sie kämen von dort.

Was hat dies mit den beiden jüngsten kalifornischen CAGW-Gerichtsverfahren zu tun?

Matt Pawas Name erscheint am Ende beider Klagen, pro hac vice (was bedeutet, dass ein Anwalt, der in einer bestimmten Gerichtsbarkeit nicht zugelassen ist, an einem bestimmten Fall in dieser Gerichtsbarkeit teilnehmen darf). Auf Pawas frühere Verbindungen habe ich hier ausführlicher eingegangen.
Kert Davies ist die Quelle für den in den Beschwerden zitierten Artikel der New York Times, in dem es um den Vorwurf geht, dass der Harvard-Smithsonian-Wissenschaftler Dr. Willie Soon 1,2 Millionen Dollar erhalten hat. Ich habe die Fehler der NYT, die Davies zitiert, hier ausführlich beschrieben.

Während in den Beschwerden ein Bericht der Union of Concerned Scientists (UCS) zitiert wird, in dem es um die Anschuldigung geht, dass Dr. S. Fred Singer, der einen Artikel für American Thinker verfasst hat, Geld von Exxon erhalten hat, um "die Mainstream-Wissenschaft anzugreifen", muss die Tatsache berücksichtigt werden, dass 1) UCS ihre eigene Versklavung durch die Memos zur "Neupositionierung der globalen Erwärmung" im Jahr 2015 enthüllt hat; 2) dass der in den Beschwerden zitierte UCS-Bericht Kert Davies dankt, während er Ross Gelbspans Website zweimal zitiert; und 3) dass die Formulierung der Beschwerden über "Angriffe auf die Mainstream-Wissenschaft" in Bezug auf Dr. Singer unheimlich ähnlich klingt wie das, was Ross Gelbspan am 11: 05 in seinem Vortrag im Earthlands Retreat Center im März 2006 sagte:

Western Fuels, ein 400 Millionen Dollar schweres Kohleunternehmen, war in seinem Jahresbericht sehr offen. Es sagte, dass es darauf aus sei, Mainstream-Wissenschaftler anzugreifen, und es stellte drei Wissenschaftler ein, die diesem Phänomen skeptisch gegenüberstanden: Pat Michaels, Bob Balling und Fred Singer. Es stellte sich heraus, dass sie diesen drei Wissenschaftlern unter der Hand mehr als eine Million Dollar zahlten ... sie schickten diese Wissenschaftler ins ganze Land, um eine Menge Medieninterviews, Vorträge und Auftritte zu geben und so weiter. Wir haben eine Kopie der Strategiepapiere für diese Kampagne erhalten. Darin heißt es ausdrücklich, dass die Kampagne darauf abzielt, "die globale Erwärmung als Theorie und nicht als Tatsache darzustellen" ....

Diese Aussage ist voller Ungenauigkeiten. Der Teil über den Status von Western Fuels ist eine Fehlinformation. Western Fuels hatte keine solche Erklärung in seinen Jahresberichten. Dr. Singer war nie an dieser Kampagne beteiligt. Dr. Michaels und Dr. Balling wurden nicht durch das ganze Land geschickt. Und die so genannte Strategieerklärung, von der Gelbspan spricht, war nie Teil der kurzlebigen, im Grunde unsichtbaren Öffentlichkeitskampagne von Western Fuels.

Es gibt nicht nur eine oder zwei fragwürdige Behauptungen in der Anschuldigung "von der Industrie korrumpierte skeptische Klimawissenschaftler", sie ist mit fatalen Problemen behaftet. Beginnen Sie mit diesen kalifornischen Fällen und arbeiten Sie sich von dort aus rückwärts vor; es wird schnell klar, dass nicht "Big Oil" wegen Erpressung untersucht werden sollte, um seine Industrie am Leben zu erhalten, sondern eine kleine Clique von Umweltaktivisten, die mit schwindenden Einkünften rechnen mussten, wenn die Öffentlichkeit aufgrund der Aussagen skeptischer Klimawissenschaftler ihren Glauben an die Idee einer katastrophalen, vom Menschen verursachten globalen Erwärmung verliert.
------------------------
[Zusatz des Autors: Teil 1 einer 3-teiligen Serie. Teil 2: "San Mateo / Marin / Imperial Beach v. Chevron Corp., et al." Aus Gründen der Kürze, die sich an ein größeres Lesepublikum richtet, erscheint eine gekürzte Version des obigen Beitrags bei AmericanThinker, "The Greens versus 'Big Oil'". Ich danke Anthony Watts für die Wiedergabe der gekürzten Version bei WUWT].

Dieser Eintrag wurde veröffentlicht und getaggt in Klagen gegen die globale Erwärmung Hagens-Berman-Pawa, Kert Davies, Matt Pawa, Union of Concerned Scientists von Russell Cook. Setze ein Lesezeichen auf den Permalink.

Mit Respekt von WordPress unterstützt.

Link zum englischen Originaltext bei ' GelbspanFiles ' ..hier

  |   

Für den wissenschaftlich interessierten Leser ohne umfangreichen Englischkenntnissen habe ich nachfolgend die bei "Frontiers in Earth Science" (Grenzen der Geowissenschaften) veröffentlichte Studie in automatischer Übersetzung abgedruckt. (JWD)

Automatische Übersetzung mit DeepL (ohne Gewähr):

Studie:

Artikel ORIGINAL RESEARCH Front. Earth Sci, 06. September 2019 Sek. Atmospheric Science Band 7 - 2019 | https://doi.org/10.3389/feart.2019.00223 Fehlerfortpflanzung und Zuverlässigkeit globaler Lufttemperaturprojektionen - Propagation of Error and the Reliability of Global Air Temperature Projections - Patrick Frank* SLAC National Accelerator Laboratory, Stanford University, Menlo Park, CA, Vereinigte Staaten

Die Zuverlässigkeit der globalen Lufttemperaturprojektionen allgemeiner Klimamodelle (GCM) wird zum ersten Mal anhand der Ausbreitung von Modellkalibrierungsfehlern bewertet. Eine umfangreiche Reihe von Demonstrationen zeigt, dass GCM-Projektionen der Lufttemperatur lediglich lineare Extrapolationen des Treibhausgas-Antriebs sind. Lineare Projektionen unterliegen einer linearen Fehlerfortpflanzung.

Eine direkt relevante GCM-Kalibrierungsmetrik ist der durchschnittliche jährliche Fehler von ±12,1 % im globalen Jahresdurchschnitt des Wolkenanteils, der in CMIP5-Klimamodellen erzeugt wird. Dieser Fehler ist zwischen den Modellen stark paarweise korreliert, was auf eine Quelle in einer mangelhaften Theorie hindeutet. Der daraus resultierende Fehler des langwelligen Wolkenanteils (LWCF) führt zu einer jährlichen durchschnittlichen Unsicherheit von ±4 Wm-2 im simulierten thermischen Energiefluss der Troposphäre. Diese jährliche Simulationsunsicherheit von ±4 Wm-2 ist ±114 × größer als die durchschnittliche jährliche Änderung des troposphärischen Wärmeenergieflusses von ~0,035 Wm-2, die durch den zunehmenden Treibhausgasantrieb seit 1979 verursacht wird. Der troposphärische Wärmeenergiefluss ist die bestimmende Größe für die globale Lufttemperatur. Die Unsicherheit des simulierten troposphärischen Wärmeenergieflusses führt zu Unsicherheiten bei den prognostizierten Lufttemperaturen. Die Fortpflanzung des Fehlers des LWCF-Wärmeenergieflusses durch die historisch relevanten Projektionen der GISS-Modell-II-Szenarien A, B und C aus dem Jahr 1988, die IPCC-SRES-Szenarien CCC, B1, A1B und A2 sowie die RCP-Szenarien des Fünften Sachstandsberichts des IPCC aus dem Jahr 2013 offenbart eine Unsicherheit von ±15 °C bei der Lufttemperatur am Ende einer hundertjährigen Projektion. Ähnlich große, aber bisher nicht erkannte Unsicherheiten müssen daher in allen vergangenen und aktuellen Lufttemperaturprojektionen und Hindcasts selbst fortgeschrittener Klimamodelle bestehen. Die unvermeidliche Schlussfolgerung ist, dass ein anthropogenes Lufttemperatursignal in den Klimabeobachtungsdaten weder nachgewiesen werden konnte noch derzeit nachgewiesen werden kann.

Einleitung

Der Zwischenstaatliche Ausschuss für Klimaänderungen der Vereinten Nationen (IPCC) hat vorausgesagt, dass ungebremste menschliche CO2-Emissionen bis zum Jahr 2100 einen Anstieg der global gemittelten Oberflächenlufttemperaturen (GASAT) um etwa 3 Celsius verursachen könnten (Essex et al., 2007; IPCC, 2007, 2013). Die Gültigkeit dieser Warnung hängt von der physikalischen Genauigkeit der allgemeinen Klimamodelle (GCMs) ab. Vor diesem Hintergrund ist die Zuverlässigkeit der GCM-Projektionen der globalen Oberflächenlufttemperatur von zentraler Bedeutung für die Frage der Kausalität. Diese Frage wird hier kritisch bewertet.

Veröffentlichte GCM-Projektionen des GASAT stellen Unsicherheiten typischerweise als Modellvariabilität relativ zu einem Ensemble-Mittelwert dar (Stainforth et al., 2005; Smith et al., 2007; Knutti et al., 2008), oder als Ergebnis von Parameter-Sensitivitätstests (Mu et al., 2004; Murphy et al., 2004), oder als Taylor-Diagramme, die die Streuung der Modellrealisierungen um Beobachtungen zeigen (Covey et al., 2003; Gleckler et al., 2008; Jiang et al., 2012). Bei den beiden erstgenannten handelt es sich um Präzisionsmaße, während beobachtungsbasierte Fehler die physikalische Genauigkeit angeben. Präzision ist definiert als Übereinstimmung innerhalb oder zwischen Modellsimulationen, während Genauigkeit die Übereinstimmung zwischen Modellen und externen Beobachtungsgrößen ist (Eisenhart, 1963, 1968; ISO/IEC, 2008).

Die Ausbreitung physikalischer Fehler durch ein Modell ist in den Naturwissenschaften Standard und liefert ein Maß für die Zuverlässigkeit der Vorhersage (Taylor und Kuyatt, 1994; Bevington und Robinson, 2003; Vasquez und Whiting, 2006; ISO/IEC, 2008; JCGM, 2008; Roy und Oberkampf, 2011). Bei der Bewertung von Klimamodellprojektionen wird der propagierte physikalische Fehler jedoch in der Regel weder diskutiert noch berücksichtigt (Gates et al., 1999; Covey et al., 2001, 2003; Giorgi, 2005; Gleckler, 2005; IPCC, 2007; Räisänen, 2007; Jin et al., 2008; Meehl et al., 2009; Jiang et al., 2012). Die Untersuchung veröffentlichter Darstellungen der Leistung von Klimamodellen zeigt, dass offenbar weder Parameterunsicherheiten noch systematische Energieflussfehler jemals durch eine schrittweise Simulation des globalen Klimas propagiert werden (Gleckler et al., 2008; Knutti et al., 2008; Fildes und Kourentzes, 2011).

In seiner Bewertung von Klimaprognosen stellte Smith fest, dass "selbst in der Highschool-Physik lernen wir, dass eine Antwort ohne "Fehlerbalken" überhaupt keine Antwort ist" (Smith, 2002). Allerdings werden Prognosen über künftige Lufttemperaturen ausnahmslos ohne physikalisch gültige Fehlerbalken zur Darstellung der Unsicherheit veröffentlicht. Stattdessen ergeben sich die Standardunsicherheiten aus der Schwankung um einen Modellmittelwert, der lediglich ein Maß für die Präzision ist. Präzision allein sagt nichts über die Genauigkeit aus, und sie ist auch kein Maß für die physikalische oder prognostische Zuverlässigkeit.

Die fehlende Zuverlässigkeitsanalyse von GCM-Projektionen der globalen Lufttemperatur wird hier nachgeholt. Die Logik der Arbeit folgt der Standardmethode der physikalischen Fehleranalyse. So werden die GCM-Projektionen der globalen Lufttemperatur zunächst mit Hilfe eines Emulationsmodells genau reproduziert. Es wird gezeigt, dass fortgeschrittene GCMs die globale Lufttemperatur als eine einfache lineare Extrapolation des Treibhausgasanteils projizieren. Anschließend werden ausführliche Beispiele für genau emulierte GCM-Lufttemperaturprojektionen gegeben.

Als Nächstes werden die GCM-Wolkensimulationsfehler bewertet und es wird gezeigt, dass sie in den Modellen der 5. Phase des Coupled Model Intercomparison Project (CMIP5) systematisch auftreten. Der Fehler bei der Wolkensimulation führt zu einem konsequenten Fehler im simulierten troposphärischen Wärmeenergiefluss. Der troposphärische Wärmeenergiefluss ist eine entscheidende Determinante der globalen Lufttemperatur (IPCC, 2013; vgl. Abbildung 7.1). Der Fehler im troposphärischen thermischen Energiefluss der GCMs stellt somit eine Kalibrierungsfehlerstatistik dar, die die Genauigkeit der CMIP5-Lufttemperaturprojektionen bedingt und eine untere Grenze der Unsicherheit im simulierten Klimaenergiezustand darstellt. Der Wolkenfehler ist nur einer einer Reihe von großräumigen GCM-Simulationsfehlern (Soon et al., 2001; Wunsch, 2002; Wunsch und Heimbach, 2007; Koutsoyiannis et al., 2008; Williams und Webb, 2009; Anagnostopoulos et al., 2010; Wunsch, 2013; Yamazaki et al., 2013; Zhao et al., 2016; Gainusa-Bogdan et al., 2018).

Schließlich wird das erfolgreiche GCM-Emulationsmodell verwendet, um den GCM-Kalibrierungsfehler auf die globalen CMIP5-Lufttemperaturprojektionen zu übertragen, um ein erstes Maß für deren physikalische Zuverlässigkeit zu erhalten.

Die Logik der Analyse lässt sich wie folgt zusammenfassen:

1. Die GCM-Lufttemperaturprojektionen sind lineare Extrapolationen des Treibhausgasantriebs.

2. Die CMIP5-GCMs erzeugen einen systematischen Kalibrierungsfehler im simulierten thermischen Energiefluss der Troposphäre.

3. Die Ausbreitung des CMIP5-Fehlers durch die globalen Lufttemperaturprojektionen zeigt die Unsicherheit und damit die Zuverlässigkeit der globalen Lufttemperaturprojektionen.

Mit der folgenden Gleichung 1 wird ein einfaches GCM-Emulationsmodell eingeführt. Bei dieser Emulationsgleichung handelt es sich nicht um ein Modell des physikalischen Klimas. Sie ist ein Modell dafür, wie GCMs die Lufttemperatur projizieren. Das heißt, es handelt sich um ein Emulationsmodell von GCMs, nicht um ein Modell des Klimas. Gleichung 1 kann die globalen Lufttemperaturprognosen aller fortgeschrittenen GCMs genau nachbilden, da diese die thermischen Auswirkungen der zunehmenden Treibhausgase simulieren (Frank, 2008).

In Gleichung 1 ist ΔTt die Gesamtänderung der Lufttemperatur in Kelvin über die Projektionszeit t, und fCO2 ist ein dimensionsloser Bruchteil, der die Größe des wasserdampfverstärkten (wve) CO2-THG-Antriebs ausdrückt, der für die vorübergehende Klimasensitivität relevant ist, aber nur in GCMs ausgedrückt wird. Der wasserdampfverstärkte (wve) CO2-Antrieb bezieht sich auf den kombinierten intrinsischen CO2-Strahlungsantrieb plus die berechnete positive Rückkopplung, die sich aus der Bedingung einer konstanten relativen Luftfeuchtigkeit ergibt (Held und Soden, 2000).

33 K in Gleichung 1 ist der ungestörte Beitrag der Treibhausgase zur Lufttemperatur, F0 ist der Gesamtantrieb durch Treibhausgase in Wm-2 zum Projektionszeitpunkt t = 0, und ΔFi ist die inkrementelle Änderung des Treibhausgasantriebs im i-ten Projektionszeitschritt, d. h. als i-1?i. Schließlich ist der Koeffizient a = 0, wenn ΔTt aus einer Temperaturanomalie berechnet wird, ansonsten aber die ungestörte Lufttemperatur ist. Gleichung 1 ist eine Vermutung, dass die GCMs den GASAT als lineare Extrapolation des fraktionellen wve Treibhausgasantriebs projizieren.

Der Wert fCO2 = 0,42 wurde aus der veröffentlichten Arbeit von Manabe und Wetherald (1967) abgeleitet und stellt den simulierten Anteil der globalen Treibhausoberflächenerwärmung dar, der durch wasserdampfverstärktes atmosphärisches CO2 verursacht wird, wobei der Durchschnitt von klarem und wolkenbedecktem Himmel berücksichtigt wird. Die vollständige Herleitung ist in Abschnitt 2 der ergänzenden Informationen enthalten, insbesondere in Abbildung S2-1b. Manabe und Wetherald waren vielleicht die ersten, die sowohl die genauen Wasserdampf- und CO2-Spektren als auch die korrekte Physik der globalen Energiebilanz verwendeten (Pierrehumbert, 2011), nachdem sie bereits frühere Arbeiten vorweggenommen hatten (Kondratiev und Niilisk, 1960; Smagorinsky, 1963; Viskanta, 1966). Die Arbeit von Manabe und Wetherald ist daher für moderne GCMs und ihre Simulationen des globalen Klimas weiterhin von Bedeutung (Manabe und Wetherald, 1967).

An dieser Stelle ist es wichtig zu betonen, dass fCO2 weder für das physikalische Klima noch für die Reaktion des physikalischen Klimas auf CO2-Emissionen von Bedeutung ist. Es drückt den Anteil des Treibhauseffekts auf CO2 aus, aber nur so, wie er von GCMs simuliert wird. Gleichung 1 und fCO2 sind nur für die GCMs und ihre Lufttemperaturprojektionen von Bedeutung.

In den folgenden Emulationen wurden alle in Gleichung 1 verwendeten Treibhausgas-Forcings anhand der Gleichungen in Myhre et al. (1998) berechnet. Die Werte von fCO2 und des Koeffizienten a wurden für jede Emulation separat bestimmt. Die Methode wird im Folgenden zusammengefasst und ist in Abschnitt 3.2 der Begleitinformationen vollständig wiedergegeben.

Kurz gesagt, um eine beliebige GCM-Projektion der globalen Lufttemperatur zu emulieren, wurden zunächst die Projektionsanomalien (a = 0) oder die Lufttemperaturen gegen die Standard-SRES- oder RCP-Forcings aufgetragen. Die Gleichung 1 wurde an dieses Diagramm angepasst, wobei fCO2 und a als einstellbare Parameter verwendet wurden (siehe Abbildung S3-2a in den ergänzenden Informationen). Der Wert von F0 in Gleichung 1 wurde entsprechend dem Startjahr der Projektion berechnet (siehe unten). Die angepassten Werte von fCO2 und a wurden dann in Gleichung 1 eingesetzt, und die Emulation der Lufttemperaturprojektion für das jeweilige GCM wurde unter Verwendung der Standard-SRES- oder RCP-Forcings (ΔFi) berechnet (vgl. Abbildung S3-2b in den ergänzenden Informationen).

Die Referenzbedingungen waren das Projektionsstartjahr = Y0 = 1900 und die Treibhausstarttemperatur = T0 = 33 K. Der Startjahr-Forcing, F0, wurde als die Summe der Forcings aufgrund von atmosphärischem CO2, N2O und CH4 zu ihren Werten im Jahr 1900 berechnet. Diese sind (ppmv, Wm-2): 297,7, 30,47; 0,258, 1,81; 0,871, 1,03, bzw. F0 = 33,30 Wm-2 (Etheridge et al., 1996; Myhre et al., 1998; Etheridge et al., 2002; Khalil et al., 2002).

Für eine Emulation, die mit einem anderen Jahr als 1900 beginnt, war F0 der Treibhausgasantrieb des alternativen Startjahres, und T0 wurde angepasst, um die Änderung der Basis-Treibhaustemperatur gegenüber dem Zustand von 1900 widerzuspiegeln. Gleichung 1 zeigt, dass die Projektionen der GCM-Lufttemperaturen linear von der fraktionellen Änderung des Treibhausgasantriebs abhängen.

Abbildung 1 vergleicht zwei Standardszenarien der GASAT-Projektion, die mit modernen Klimamodellen erstellt wurden, mit denselben zwei Szenarien, die mit Gleichung 1 mit fCO2 = 0,42 und a = 0 emuliert wurden. Abbildung 1A folgt einem jährlichen Anstieg des atmosphärischen CO2 um 1 % (Covey et al., 2001), während Abbildung 1B das Szenario A2 des Sonderberichts über Emissionsszenarien (SRES) zeigt (IPCC, 2001). Diese liefern mehrere unabhängige GASAT-Projektionen aus repräsentativen Klimamodellen und spiegeln zwei unabhängige Szenarien für das Wachstum der Treibhausgase und ihre Auswirkungen auf die projizierte GASAT wider. Diese mehrfachen unabhängigen GCM-Lufttemperaturprojektionen bieten einen aussagekräftigen Test von Gleichung 1. In Abbildung 1 sind die Emulationen von den echten GCM-Projektionen nur durch das Fehlen von Rauschen zu unterscheiden. Der von Manabe und Wetherald (1967) abgeleitete fCO2 = 0,42 (vgl. Abschnitt 2 der ergänzenden Informationen) hat die Emulationslinie sehr nahe an die Mitte der GCM-Lufttemperaturprojektionen gelegt.

 
Sreenshot  |  Quelle: frontiersin.org  |  
Abbildung 1

ABBILDUNG 1: (A) Klimamodellprojektionen zukünftiger GASAT-Anomalien nach einem jährlichen Anstieg des atmosphärischen [CO2] um 1 %; (-), der Ensemble-Durchschnitt des Modells und (-), Gleichung 1. Die Modellrealisierungen stammen aus Abbildung 27 in Covey et al. (2001) (siehe auch Abbildung 3.10 in AchutaRao et al., 2004). (B) Linien wie in Teil a, die mehrere GCM-Projektionen des SRES A2-Szenarios des IPCC zeigen. Die einzelnen Modellrealisierungen wurden aus Abbildung 9.6 im WG1-Bericht des IPCC 3AR (IPCC, 2001) entnommen. Die Forcings für das SRES A2-Szenario, die für die Emulation der Gleichung 1 verwendet wurden, stammen aus Anhang II, Tabelle II.3.11 im WG1-Bericht (IPCC, 2001). Die glatten Emulationslinien liegen in der Mitte der Projektionslinien.

Die Abbildungen 1A und B zeigen, dass Gleichung 1 mit fCO2 = 0,42 zu Trends führt, die gut innerhalb des Rahmens der GASAT-Projektionen der vollständig realisierten Klimamodelle liegen und in jedem Szenario nahe am Ensemble-Durchschnitt liegen. Die durch Gleichung 1 erzeugten Trends stimmen auch mit der allgemeinen Form der GCM-Projektionen überein. Diese Übereinstimmung deutet darauf hin, dass die Krümmung der projizierten Lufttemperatur durch den Trend der Treibhausgase bestimmt wird, wie es bei linearer Abhängigkeit zu erwarten ist. Die gleiche Genauigkeit wird in den Emulationen der Projektionen von neun GCMs gezeigt, die durch das IPCC SRES Szenario B2 angetrieben werden (siehe Abbildung S3-1 in den ergänzenden Informationen) (IPCC, 2001).

Das Goddard Institute for Space Studies (GISS) Model E GCM wurde verwendet, um festzustellen, dass der durch Wasserdampf verstärkte CO2-Antrieb 20 % des gesamten Treibhauseffekts ausmacht (Lacis et al., 2010). Eine direkte Inspektion von Abbildung 1A zeigt jedoch, dass die Parametrisierungen und die Klimasensitivität, die für diese 20 %-Schätzung verwendet wurden, nur für das GISS-Modell E repräsentativ sind und weder notwendigerweise für alle Klimamodelle gelten noch über das Modell E hinaus verallgemeinert werden können (Knutti und Hegerl, 2008; Lemoine, 2010; Sanderson, 2010). Das heißt, die Unterschiede zwischen den projizierten Trends in den Abbildungen 1A und B weisen eindeutig auf unterschiedliche Größenordnungen der CO2-Klimasensitivität innerhalb der verschiedenen GCMs hin.

In Abbildung 1A liegt der vom GISS-Modell projizierte Temperaturtrend etwas unter dem Ensemble-Durchschnitt. Unter sonst gleichen Bedingungen und angesichts der 20 % des GISS-Modells E liegt der Anteil des CO2-bedingten Treibhausgasantriebs in den GCMs zwischen etwa 18 % (DOE-PCM) und etwa 30 % (GFDL). Dies zeigt, dass die Empfindlichkeit des Erdklimas gegenüber Treibhausgasantrieben, wie sie von einem einzelnen Klimamodell abgeleitet wird, nicht auf andere Modelle verallgemeinert werden kann und somit auch nicht unbedingt die physikalisch reale Reaktion des Erdklimas widerspiegelt.

Abbildung 2 zeigt die weiteren erfolgreichen Emulationen der SRES A2-, B1- und A1B-GASAT-Projektionen, die mit sechs verschiedenen CMIP3-GCMs durchgeführt wurden. Die Abbildungen S4-1 bis S4-5 in den unterstützenden Informationen zeigen 30 weitere erfolgreiche Emulationen von SRES-Lufttemperaturprojektionen mit siebzehn CMIP3-GCMs. Bei allen Emulationen variierten die Werte von fCO_2 und der Koeffizient a mit dem jeweiligen Klimamodell. Die einzelnen Koeffizienten wurden wiederum für jede einzelne Projektion aus den Anpassungen der Diagramme des Standardforcings gegen die Projektionstemperatur bestimmt (vgl. Abschnitt 3.2 der ergänzenden Informationen). Die zu Abbildung 2 gehörenden Werte für fCO2 und a sind in Tabelle S4-1, Tabelle S4-2 und Tabelle S4-3 in den ergänzenden Informationen angegeben. Die Residuen der Projektion minus der Emulation, die in Abbildung S4-6 in den ergänzenden Informationen dargestellt sind, liegen alle sehr nahe an der Nulllinie.
Abbildung 2 und ihre Differenzresiduen sowie die weiteren SRES-Emulationen in den Abbildungen S4-1 bis S4-5 in den ergänzenden Informationen stellen erfolgreiche Emulationen von 58 IPCC AR4 SRES-Projektionen dar, die mit 21 verschiedenen CMIP3-GCMs erstellt wurden.

 
Sreenshot  |  Quelle: frontiersin.org  |  
Abbildung 2

ABBILDUNG 2. CMIP3-SRES-Lufttemperaturprojektionen und ihre Emulationen nach Gleichung 1: (farbige Punkte), globale Lufttemperaturen der SRES-Szenarien B1, A1B und A2, die von repräsentativen CMIP3-GCMs projiziert wurden, und (farbige Linien), die gleichen Szenarien, die mit Gleichung 1 emuliert wurden. Die Koeffizienten der Gleichung 1 für die einzelnen Emulationen sind in Tabelle S4-1, Tabelle S4-2 und Tabelle S4-3 der ergänzenden Informationen angegeben. Abbildung S5-1 zeigt, dass die Emulationskoeffizienten zwischen den getesteten Modellen hoch korreliert sind (R = 0,98). Die 4AR SRES-Anomalien wurden aus der elektronischen Quelle des IPCC entnommen: http://www.ipcc-data.org/data/ar4_multimodel _globalmean_tas.txt. Die Anomalien der Projektion minus der Emulationsdifferenz sind in Abbildung S4-6 in den ergänzenden Informationen zu finden.

In den Abbildungen 3A und B werden die Emulationen der Gleichung 1 auf die CMIP5-GISS-E2-H- und BCC-CSM1-1-GCM-Projektionen der RCP-Szenarien (Representative Concentration Pathway) RCP4.5 und RCP8.5 ausgedehnt, die im IPCC 5AR von 2013 enthalten sind. Die CMIP5 RCP-Simulationen wurden von der KNMI Climate Explorer Website heruntergeladen: climexp.knmi.nl/selectfield.. . Die für die Emulationen verwendeten RCP-Forcings stammen von Meinshausen et al. (2011) und beinhalten einen solaren und 25 % vulkanischen Antrieb.

 
Sreenshot  |  Quelle: frontiersin.org  |  
Abbildung 3

ABBILDUNG 3. Emulation der Gleichung 1 von CMIP5 RCP4.5 und RCP8.5 Lufttemperaturprojektionen. Tafel (A) (Punkte), das GISS-GCM-Modell-E2-H-p1, und (Linien), die Emulationen. Panel (B) (Punkte), das Beijing Climate Center Climate System GCM Model 1-1 (BCC-CSM1-1), und; (Linien), die Emulationen. In (B) war der vertikale Offset von RCP4.5 in den heruntergeladenen Daten vorhanden. Die Koeffizienten der Gleichung 1 waren (fCO2, a; RCP4.5 und RCP8.5): GISS: 0,578 ± 0,004, 20,0 ± 0,1, und; 0,488 ± 0,001, 16,93 ± 0,05; BCC: 0,636 ± 0,004, 23,2 ± 0,1, und; 0,680 ± 0,003, 23,7 ± 0,1, jeweils. In (B) beginnt die RCP4.5-Emulation nach 2050, wenn der Antrieb konstant wird, von der GCM-Projektion abzuweichen. Die GISS- und BCM-Modelle behandeln diese Region unterschiedlich.

Zusätzlich sind die Emulationen von weiteren dreizehn RCP-Projektionen, die mit sechs verschiedenen CMIP5-GCMs erstellt wurden, in Abbildung S4-7 und Tabelle S4-4 in den ergänzenden Informationen dargestellt. Die entsprechenden Differenzresiduen zwischen Projektion und Emulation sind in Abbildung S4-8 in den ergänzenden Informationen dargestellt. Diese Residuen liegen wiederum sehr nahe an der Nulllinie.

Die Emulationen der globalen Lufttemperaturen des 20. Jahrhunderts (Abbildung S9-1 und Abbildung S9-2 in den ergänzenden Informationen) schneiden ebenfalls gut ab im Vergleich zu den fortgeschrittenen Klimamodellen, wie Abbildung S9-3 zeigt.

Der Erfolg von Gleichung 1 zeigt, dass die GCM-Projektionen der emissionsbedingten globalen Lufttemperaturprojektionen lediglich lineare Extrapolationen der fraktionellen Änderung des Treibhausgasantriebs sind. Die Variabilität der Emulationskoeffizienten in Tabelle S4-4 zeigt auch deutlich, dass die einzelnen GCMs ungleiche transiente Klimaempfindlichkeiten aufweisen (Kiehl, 2007).

Die Feststellung, dass die GCMs die Lufttemperaturen nur als lineare Extrapolationen der Treibhausgasemissionen projizieren, erlaubt eine lineare Fehlerfortpflanzung durch die Projektion. Bei der linearen Fehlerfortpflanzung ist die Unsicherheit in einem berechneten Endzustand die Wurzel aus dem Quadrat der vom Fehler abgeleiteten Unsicherheiten in den berechneten Zwischenzuständen (siehe Abschnitt 2.4) (Taylor und Kuyatt, 1994). Die lineare Fortpflanzung des GCM-Fehlers ist geeignet, um die Unsicherheit der linearen Extrapolationen zu schätzen, die die GCM-Projektionen der globalen Lufttemperatur darstellen. Die Fehlerfortpflanzung ist ein Standardmaß für die Modellzuverlässigkeit [(Vasquez und Whiting, 2006), (siehe auch Abschnitt 5 im JCGM-Leitfaden) (JCGM, 2008)] und liefert in diesem Fall eine Schätzung der Zuverlässigkeit von GCM-Projektionen der globalen Lufttemperatur.

Zu diesem Zweck wird als Nächstes der GCM-Kalibrierungsfehler aufgrund einer falsch simulierten Wolkenbedeckung beschrieben [siehe Abschnitt CMIP5-Modellkalibrierungsfehler beim globalen durchschnittlichen jährlichen Gesamtwolkenanteil (TCF)]. Im Anschluss daran wird der Abschnitt "Eine untere Grenze der Unsicherheit im modellierten globalen durchschnittlichen jährlichen Wärmeenergiefluss" den Kalibrierungsfehler der GCMs auf ihre Lufttemperaturprojektionen übertragen.

CMIP5-Modellkalibrierungsfehler im globalen Jahresmittel des Gesamtwolkenanteils (TCF)

Wissenschaftliche Instrumente können als Ausdruck physikalischer Beziehungen in Hardware betrachtet werden. Ebenso sind wissenschaftliche Modelle, die auf Computern laufen, physikalische Zusammenhänge, die in Software ausgedrückt werden. Die instrumentelle Auflösung ist die kleinste Größe, die ein bestimmtes Gerät genau und zuverlässig messen kann. Bei einem physikalischen Modell ist die Auflösungsgrenze die kleinste Störung oder physikalische Eigenschaft, die das Modell genau und zuverlässig simulieren kann. Die Genauigkeit von Instrumenten wird durch Kalibrierung mit externen Messnormalen bestimmt (Eisenhart, 1963, 1968). Ebenso wird die Modellgenauigkeit durch eine Kalibrierungssimulation bestimmt, die mit einem externen Standard, häufig einer genau bekannten Beobachtung, verglichen wird (Vasquez und Whiting, 1998, 2006; Roy und Oberkampf, 2011). Kalibrierungsfehler können sowohl systematisch als auch zufällig sein (Eisenhart, 1963; Ku, 1966). Während zufällige Fehler im Durchschnitt verschwinden können, gilt dies für systematische Fehler nicht. Der systematische Fehler muss empirisch bestimmt werden, da er in der Regel von unbekannter Größe ist und mit dem Instrument oder dem Modell oder mit unkontrollierten Variablen variieren kann (Morrison, 1971; Roy und Oberkampf, 2011). Der Kalibrierungsfehler bedingen die Genauigkeitsaussagen aller nachfolgenden instrumentellen Messungen oder Modellerwartungswerte (Vasquez und Whiting, 2006; JCGM, 2008; Garafolo und Daniels, 2014) (siehe auch Abschnitt F 1.2.3ff im JCGM Guide).

Die CMIP5-GCMs setzen die bekannte Klimaphysik um und bilden die Grundlage für den Fünften Sachstandsbericht des IPCC von 2013 (5AR). Die Genauigkeit der GCMs auf CMIP5-Ebene wurde durch den Vergleich des simulierten globalen Wolkenanteils und des atmosphärischen Wasserdampfs mit ihren Beobachtungen kalibriert (Jiang et al., 2012; Klein et al., 2013; Lauer und Hamilton, 2013; Su et al., 2013). Die Kalibrierungen waren besonders aussagekräftig, da sie die hochauflösenden A-Train-Satellitenbeobachtungen nutzten. Diese Kalibrierungsergebnisse werden nun hier verwendet, um den Gesamtfehler der Wolkenfraktion (TCF) auf CMIP5-Ebene zu extrahieren und zu untersuchen.

Der globale CMIP5-Wolkenkalibrierungsfehler kann durch den Vergleich der jährlichen TCF-Mittelwerte der 25-jährigen (1980-2004) GCM-Hindcast-Wolkensimulationen mit den entsprechenden A-Train-Beobachtungsmitteln abgeleitet werden (Jiang et al., 2012). Für diesen Vergleich wurden die beobachteten globalen MODIS- und ISCCP2-Gesamtwolkenanteile gemittelt, um den mittleren globalen TCF zu erhalten. Der individuelle jährliche durchschnittliche GCM-TCF-Fehler wurde dann als einfache Differenz zwischen jedem 25-Jahres-Mittelwert des Hindcasts und dem gemittelten beobachteten TCF-Feld berechnet (siehe Abschnitt S6 und Abbildung S6-1 in den ergänzenden Informationen für die Quellen der mittleren simulierten und beobachteten TCF).

Abbildung 4 zeigt die einzelnen 25-Jahres-Mittelwerte der globalen TCF-Hindcast-Fehler, die von 12 CMIP5-Klimamodellen gemacht wurden. Jeder echte zufällige Fehler in der jährlichen TCF sollte in den 25-Jahres-Hindcast-Mitteln um den Faktor 5 reduziert worden sein. Die Fehlerprofile der GCM-Mittelwerte für den Wolkenanteil weisen jedoch keine zufallsbedingten Streuungen um die Null-Fehler-Linie auf. Sie weisen alle eine ähnliche Form auf, und die unverkennbaren Ähnlichkeiten sprechen stark für einen gemeinsamen systematischen Ursprung. Diese Schlussfolgerung wird insbesondere durch die sehr ähnlichen Fehler der beiden Versionen des GISS-Modells E (weiter unten beschrieben) gestützt.

 
Sreenshot  |  Quelle: frontiersin.org  |  
Abbildung 4

ABBILDUNG 4. Gesamter 25-Jahres-Ensemblemittelwert (Hindcast minus beobachteter) fraktioneller TCF-Fehler (×100) über 1980-2004 für jedes der 12 CMIP5-Klimamodelle, die neben der rechten Ordinate aufgeführt sind. Der mittlere beobachtete Wolkenanteil war der globale 25-Jahres-Durchschnitt [(MODIS + ISCCP2)/2] der Satelliten-TCF-Beobachtungen. Siehe Abschnitt S6 und Abbildung S6-1 der ergänzenden Informationen für weitere Einzelheiten.

Obwohl hier nicht weiter diskutiert, ergaben die CMIP3-Modelle sehr ähnliche TCF-Fehlerresiduen (Jiang et al., 2012). Eine direkte Betrachtung von Abbildung 4 reicht aus, um zu zeigen, dass das Vorzeichen des TCF-Fehlers variabel ist.

Die Struktur des CMIP5 TCF-Fehlers

Die CMIP5-Hindcast-Fehlerresiduen in Abbildung 4 wurden zunächst auf Lag-1-Autokorrelation untersucht. Für eine Datenreihe x1, x2,..., xn wird bei einem Test auf Lag-1-Autokorrelation jeder Punkt xi gegen den Punkt xi+1 aufgetragen. Ein großer Autokorrelations-R-Wert bedeutet, dass die Größen der xi+1 eng von den Größen der xi abgeleitet sind. Bei einer glatt deterministischen Theorie zeigt eine hohe Autokorrelation des Residuums eines Ensemble-Mittelfehlers, dass der Fehler einen systematischen Teil der beobachtbaren Größe enthält. Das heißt, es zeigt, dass die Simulation unvollständig ist. Abbildung 5 zeigt diesen Test, angewandt auf den jährlichen durchschnittlichen TCF-Hindcast-Fehler des CSIRO_mk3.6-Klimamodells.

 
Sreenshot  |  Quelle: frontiersin.org  |  
Abbildung 5

ABBILDUNG 5. Punkte: die Lag-1-Autokorrelation des durchschnittlichen jährlichen TCF-Hindcast-Fehlers (beobachtet minus simuliert) des CSIRO_mk3.6-Klimamodells, der in Abbildung 4 erschien. Die Linie ist eine lineare Anpassung nach kleinsten Quadraten.

Der stark autokorrelierte lag-1-Fehler (R = 0,97) bedeutet, dass systematische Wolkeneffekte im Fehlerresiduum verbleiben. Dies wiederum deutet darauf hin, dass das CSIRO-GCM die terrestrische Wolkenbedeckung systematisch falsch darstellt.

Tabelle 1 zeigt, dass die hohe Lag-1-Autokorrelation des CSIRO_mk3.6-Klimamodells typisch für alle getesteten CMIP5-Klimamodelle ist. Alle Modelle produzierten TCF-Fehlerresiduen mit einer lag-1-Autokorrelation R = 0,95 und simulierten die terrestrische Wolkendecke falsch.

 
Sreenshot  |  Quelle: frontiersin.org  |  
Tabelle 1

TABELLE 1. Student-t-Korrelationsmatrix, Lag-1 R-Werte und RMS-Unsicherheit der TCFa-Fehlerresiduen der CMIP5-Modelle.

Wären die jährlichen TCF-Fehler des Modells zufällig, dann würden die Wolkenfehler in den mehrjährigen Mittelwerten verschwinden. Ebenso wäre die lag-1-Autokorrelation des Fehlers bei einem 25-Jahres-Mittelwert gering oder gar nicht vorhanden. Die gleichmäßig starken lag-1-Autokorrelationen und die Ähnlichkeit der Fehlerprofile (Abbildung 4 und Tabelle 1) zeigen jedoch, dass die Fehler der CMIP5-GCM-TCF deterministisch und nicht zufällig sind. Es ist unwahrscheinlich, dass die Autokorrelation eine zufällige Persistenz widerspiegelt, da jeder getestete TCF ein 25-jähriger Hindcast-Mittelwert ist.

Die Struktur der TCF-Fehler zwischen den Modellen wurde weiter untersucht, indem die paarweisen Korrelationen zwischen den Modellen ausgewertet wurden. Wenn die von zwei Modellen unabhängig voneinander erzeugten TCF-Fehler hoch korreliert sind, ist dies ein Hinweis darauf, dass die Modelle theoretische Strukturen verwenden, die gemeinsame Fehler aufweisen. Daher wurden die paarweisen Korrelationen für alle TCF-Fehlerresiduen der GCMs bewertet, was 66 eindeutige Vergleiche ergab (Tabelle 1). Von diesen wiesen zwölf Fehlerpaare eine Korrelation R = 0,9 auf (fett hervorgehoben). Achtunddreißig Paare ergaben Korrelationen 0,9 > R >= 0,5 (kursiv).

Bei einer Population von Zufallswertreihen mit weißem Rauschen und normalverteilten paarweisen Korrelationen ist die wahrscheinlichste paarweise Korrelation gleich Null. Wenn die TCF-Fehler also zufällig wären, beträgt die Wahrscheinlichkeit, dass zwei beliebige Fehlerreihen eine Korrelation R = 0,9 aufweisen, etwa 10-17. Ebenso würde eine paarweise Korrelation R = 0,5 mit einer Rate von etwa 10-5 auftreten. Die zahlreichen hochpositiven paarweisen Korrelationen deuten daher darauf hin, dass die CMIP5-TCF-Simulationsfehler nicht zufällig sind, sondern eine gemeinsame systematische Ursache haben.

Die wahrscheinlichste gemeinsame Ursache ist ein weit verbreiteter Fehler in der implementierten Theorie (Stainforth et al., 2007; Pennell und Reichler, 2010). In einer analogen Vermutung wurde die durchschnittliche positive Korrelation der CMIP3-Modellungenauigkeiten in der simulierten GASAT ebenfalls als Hinweis auf systematische Fehler in der Theorie gewertet (Knutti et al., 2010).

Das terrestrische Klima kann ein chaotisches Verhalten aufweisen (Heagy et al., 1994; Dymnikov und Gritsoun, 2001; Shao, 2002; Rial, 2004). Physikalisches Chaos kann beschrieben werden als "aperiodisches Langzeitverhalten in einem deterministischen (physikalischen) System, das eine empfindliche Abhängigkeit von den Anfangsbedingungen aufweist" (Wagner, 2011). Eine einzelne Abweichung zwischen einer Modellrealisierung und den Beobachtungen aufgrund chaosbedingter interner GCM-Variabilität könnte unmöglich von einem systematischen Fehler aufgrund einer fehlerhaften oder unvollständigen Theorie zu unterscheiden sein (Sugihara und May, 1990). Wären die oben diskutierten ±12% Abweichungen in der simulierten TCF auf die chaosbedingte interne Variabilität der Modelle zurückzuführen, müssten ihre Projektionen der globalen Lufttemperatur stark beeinflusst werden, da die TCF direkt den thermischen Energiefluss in der Troposphäre beeinflusst (siehe Abschnitt 2.3 unten). Die interne Variabilität der Modelle ist die Hauptquelle des Rauschens, das sich in den Lufttemperaturprojektionen zeigt (Dessler et al., 2018; Adams und Dessler, 2019). Allerdings sind großräumige Abweichungen vom beobachteten globalen Lufttemperaturziel in globalen Lufttemperatur-Hindcasts offensichtlich nicht vorhanden (Dessler et al., 2018) [(IPCC, 2013) vgl. Abbildung TS 9, TFE3 Abbildung 1, 9.8, Box 10.1 Abbildung 1, 10.1)]. Die Kohärenz der GCM-Hindcasts mit den Beobachtungen reicht aus, um chaotisches Verhalten als Ursache für die in Abbildung 4 dargestellten TCF-Abweichungen auszuschließen.

Die Schlussfolgerung, dass der TCF-Kalibrierungsfehler von systematischen Fehlern in der physikalischen Theorie herrührt, wird durch die Feststellung untermauert, dass die beiden Versionen des GISS-Modells den am stärksten korrelierten TCF lag-1-Fehler (R = 1,0) aufweisen. Die beiden Versionen des Modells E haben einen gemeinsamen Ursprung und weisen unter den Modellen zweifellos die größte Ähnlichkeit in der ausgearbeiteten Theorie und den Parametrisierungen auf (Stainforth et al., 2007). Wären die Fehler bei der Wolkensimulation ausnahmslos zufällig, sollten die Modelle, die einen ähnlichen physikalischen Kern und einen ähnlichen Parametersatz verwenden, dennoch Fehler produzieren, die nicht stärker miteinander korreliert sind als Vergleiche mit den zufälligen Fehlern anderer Modelle mit alternativen physikalischen Kernen. Die Tatsache, dass die strukturell ähnlichsten Modelle die am stärksten korrelierten Fehler produzieren, zeigt, dass interne Modelltheorie-Fehler die Quelle der systematischen Ungenauigkeiten in Wolkensimulationen sind.

Eine ähnliche paarweise Analyse der globalen TCF-Fehlerresiduen der AMIP1-Modelle ergab deutlich schwächere Korrelationen zwischen den Modellen (Frank, 2008). Von sechsundvierzig AMIP1-Vergleichen ergaben nur vier eine Korrelation R = 0,9 und dreizehn 0,9 > |R| = 0,5. Der durchschnittliche AMIP1-RMS-Fehler der globalen Wolken betrug ±10,1 %, bezogen auf das ISCCP1-Ziel. Die stärkeren Korrelationen zwischen den CMIP5-Hindcast-Fehlerresiduen sowie ihr durchschnittlicher RMS-Fehler von ±12,1 % deuten auf eine Konvergenz der theoretischen Struktur seit 1999 hin, ohne dass die TCF-Verisimilität verbessert wurde.

Eine untere Grenze der Unsicherheit des modellierten globalen durchschnittlichen jährlichen Wärmeenergieflusses

Die Größe des CMIP5 TCF-Fehlers für den globalen durchschnittlichen atmosphärischen Wärmeenergiefluss

Lauer und Hamilton (2013) haben den Kalibrierungsfehler der CMIP3- und CMIP5-TCF-Modelle in Bezug auf die Wolkenverstärkungen quantifiziert. Sie verglichen den Durchschnitt der beobachteten Wolkeneigenschaften mit einem 20-Jahres-Mittelwert (1986-2005) eines Hindcasts der Simulation. Der CMIP-Modellfehler wurde als Differenz zwischen dem modellierten (xmod) und dem beobachteten (xobs) 20-Jahres-Mittelwert ermittelt. Die mittlere Verzerrung für N-Modelle wurde definiert als,

In Gleichung 2 ist ximod der 20-Jahres-Mittelwert der simulierten Wolkenbedeckung an jedem der globalen Gitterpunkte für jedes Modell, und xobs ist der entsprechende Beobachtungsmittelwert an diesem Gitterpunkt. Diese Differenz ist ein CMIP-Modellkalibrierungsfehler, der sich auf den Beobachtungsstandard bezieht. Die Ableitungslogik, die sich aus Gleichung 2 ergibt, ist in Abschnitt S6.2 der ergänzenden Informationen dargestellt.

Die dimensionale Analyse der Ableitung ergibt die Einheiten der Kalibrierungsfehlerstatistik: S20 Jahre (xmodi-xobs) × 1/20 Jahre = (xmodi-xobs) Jahr-1. Abbildung 4 zeigt, dass die einzelnen Jahresmittelwerte der Gitterpunkte xmodi-xobs Fehler ein positives oder negatives Vorzeichen haben können. Die globale mittlere jährliche Simulationsunsicherheit in der Bewölkung für ein beliebiges CMIP-Modell ist der quadratische Mittelwert (RMS) der globalen Anordnung der jährlichen 20-Jahres-Gitterpunktfehler (xmodi-xobs
) jährlicher Modellfehler-Mittelwerte (siehe Abschnitt S6.2 in den ergänzenden Informationen für Details).

Für "N" CMIP-GCMs werden die durchschnittlichen Fehler des Ensembles als RMS kombiniert. Dieses Verfahren ergibt die Statistik des durchschnittlichen GCM-Kalibrierungsfehlers bei der simulierten Bewölkung. Dieser Fehler ist von der Dimension ± (Wolkenbedeckungseinheit) Jahr-1. Diese Kalibrierungsfehler-Statistik ist die durchschnittliche jährliche Unsicherheit in der simulierten Bewölkung über ein bestimmtes Projektionsjahr, die für einen repräsentativen Satz von CMIP-Modellen zu erwarten ist.

Die mittlere jährliche CMIP-Unsicherheit in der globalen jährlichen Wolkenbedeckung, ±(Wolkenbedeckungseinheit) Jahr-1, muss in die Unsicherheit des mittleren jährlichen CMIP-Langwellen-Wolkenantriebs (LWCF) in Einheiten von ±Wm-2 umgerechnet werden. Daraus ergibt sich die Unsicherheit des troposphärischen Wärmeenergieflusses, d. h. ±(Wolkenbedeckungseinheit) × [Wm-2/(Wolkenbedeckungseinheit)] = ± Wm-2 Jahr-1. Hier wird davon ausgegangen, dass der CMIP5-LWCF-Fehler auch eine untere Fehlergrenze für alle Klimamodelle des früheren CMIP-Jahrgangs darstellt.

Der globale Wolkenantrieb (CF) ist eine Nettokühlung mit einer geschätzten globalen durchschnittlichen jährlichen Größe von etwa -27,6 Wm-2 (Hartmann et al., 1992; Stephens, 2005). Der von den CMIP5-Klimamodellen gemachte durchschnittliche RMS-Fehler von ±12,1 % bei der TCF bedeutet, dass der CF falsch simuliert wird. Lauer und Hamilton unterteilten den CF in den kurzwelligen Wolkenantrieb (SCF) und den langwelligen Wolkenantrieb (LWCF), der an der Oberseite der Atmosphäre (TOA) ausgeübt wird und die reflektierte Strahlungsenergie bzw. die langwellige Strahlungsenergie, die sich von der Oberfläche nach oben ausbreitet, darstellt (Lauer und Hamilton, 2013). Der LWCF stellt den Beitrag der Wolken zum Wärmestrahlungsfluss der Atmosphäre dar.

Bei der Umwandlung des oben genannten CMIP-Wolken-Wurzel-Mittelwert-Fehlers (RMSE) als ±(Wolkenbedeckungseinheit) Jahr-1 Modell-1 in eine langwellige, wolkenverstärkende Unsicherheitsstatistik wird der globale LWCF-Kalibrierungs-RMSE zu ±Wm-2 Jahr-1 Modell-1 Die CMIP5-Modelle produzieren im Jahresdurchschnitt einen LWCF-RMSE = ± 4 Wm-2 Jahr-1 Modell-1, relativ zum Beobachtungsstandard (Lauer und Hamilton, 2013). Dieser Kalibrierungsfehler stellt die durchschnittliche jährliche Unsicherheit innerhalb jedes CMIP5-simulierten troposphärischen Wärmeenergieflusses dar und ist im Allgemeinen repräsentativ für alle CMIP5-Modelle.

Zum Vergleich wurde der CMIP5-Fehler des langwelligen Wolkenantriebs für 10 GCMs in Abbildung 6 von Zhang et al. (2005) und für 28 GCMs in Abbildung 3 von Dolinar et al. (2015) bewertet (Zhang et al., 2005; Dolinar et al., 2015). Der RMS-Fehler des simulierten langwelligen Wolkenantriebs wurde auf ±4,9 Wm-2 bzw. ±4,5 Wm-2 geschätzt. Alternativ dazu beträgt der durchschnittliche CERES/ERBE/ISCCP-Strahlungsantrieb für langwellige Wolken, der in Zhang et al. (2005) und Dolinar et al. (2015) angegeben wird, 28,2 Wm-2 bzw. 27,6 Wm-2. Wenn der ursprünglich in Jiang et al. (2012) berichtete CMIP5-Wolkensimulationsfehler von ±12,1 % als gleichmäßig auf alle Wolkentypen verteilt angenommen wird, kann der simulierte Langwellenwolkenfehler anhand des beobachteten LWCF auf ±3,4 Wm-2 oder ±3,3 Wm-2 geschätzt werden (Jiang et al., 2012). Diese vier Werte sind vergleichbar mit den ±4 Wm-2, die in dieser Studie verwendet wurden (Lauer und Hamilton, 2013).

 
Sreenshot  |  Quelle: frontiersin.org  |  
Abbildung 6

ABBILDUNG 6. Feld (A), SRES-Szenarien aus IPCC 4AR WGI Abbildung SPM.5 (IPCC, 2007), mit Unsicherheitsbalken, die "den Bereich von ±1 Standardabweichung der jährlichen Durchschnittswerte einzelner Modelle" darstellen. Panel (B) die identischen SRES-Szenarien mit den ±1s-Unsicherheitsbalken aufgrund des jährlichen durchschnittlichen ±4 Wm-2 CMIP5 TCF Kalibrierungsfehlers des langwelligen troposphärischen Wärmeflusses, der in jährlichen Schritten durch die Projektionen als Gleichung 5 und Gleichung 6 propagiert wird.

Der CMIP5-Fehler im LWCF bedeutet, dass die Größe des thermischen Energieflusses innerhalb der Atmosphäre falsch simuliert wird. Dieser Klimamodellfehler repräsentiert einen Unsicherheitsbereich des atmosphärischen Energieflusses, innerhalb dessen kleinere energetische Effekte in keiner CMIP5-Simulation aufgelöst werden können. Somit ist der LWCF-Kalibrierungsfehler von ±4 Wm-2 Jahr-1 eine durchschnittliche CMIP5-Untergrenze für die Auflösung des atmosphärischen Antriebs. Das bedeutet, dass die Unsicherheit in der simulierten LWCF eine untere Grenze der Unkenntnis über den jährlichen durchschnittlichen thermischen Energiefluss in einer simulierten Troposphäre definiert (vgl. ergänzenden Informationen, Abschnitt 10.2).

Der Treibhausgasantrieb geht in den Gesamtfluss der thermischen Energie in der Troposphäre ein und ist nicht davon zu trennen (Berger und Tricot, 1992; IPCC, 2013); vgl. Abbildung 7.1 in IPCC, 2013. Daher sind Modellsimulationen der klimatischen Reaktion auf Änderungen des atmosphärischen Treibhausgasantriebs durch eine Unsicherheit von ±4 Wm-2 in der Größe des thermischen Energieflusses innerhalb der Troposphäre bedingt. Kurz gesagt, die CMIP5-Klimamodelle sind nicht in der Lage, die Auswirkungen einer Störung des Wärmeflusses in der Troposphäre innerhalb der ±4-Wm-2-Grenze zuverlässig zu simulieren, zu bestimmen oder darzustellen. Das heißt, der Kalibrierungsfehler von ±4 Wm-2 stellt eine untere Grenze der Modellauflösung dar.

Um diese Idee in einen Kontext zu bringen, ist diese durchschnittliche jährliche Unsicherheit von ±4,0 Wm-2 Jahr-1 in der simulierten LWCF ungefähr ±150% größer als der gesamte Antrieb durch alle anthropogenen Treibhausgase, die seit 1900 in die Atmosphäre gelangt sind (~2,6 Wm-2). Darüber hinaus ist der LWCF-Fehler von ±4,0 Wm-2 Jahr-1 etwa ±114 × größer als der durchschnittliche jährliche Anstieg von ~0,035 Wm-2 Jahr-1 des Treibhausgasantriebs seit 1979 (Hofmann et al., 2006; IPCC, 2013).

Lineare Modelle und Fehlerfortpflanzung

Bis jetzt wurde gezeigt, dass die GCM-Projektionen der Lufttemperatur lineare Extrapolationen des Treibhausgasantriebs sind. Die Zuverlässigkeit dieser Projektionen muss von den Auswirkungen der Unsicherheiten im simulierten troposphärischen Wärmeenergiefluss abhängig gemacht werden. Zu diesem Zweck wird die Fehlerfortpflanzung eingeführt.

Die Fehlerfortpflanzung ist eine Standardmethode zur Abschätzung der Unsicherheit einer Vorhersage, d. h. ihrer Zuverlässigkeit, wenn der physikalisch wahre Wert der Vorhersagegröße unbekannt ist (Bevington und Robinson, 2003). Bei einer einzelnen Berechnung von x = f(u,v,...), wobei u, v usw. gemessene Größen mit Genauigkeitsunsicherheiten von ±(su,sv,...) sind, ist die in x übertragene Unsicherheitsvarianz beispielsweise

Wenn ein Endzustand XN durch eine serielle Abfolge von vorherigen Zuständen berechnet wird, d. h. XN = f(x0,...,xi,...,xn), wobei xi Zwischenzustände sind, dann ergibt eine serielle Ausbreitung des physikalischen Fehlers über n Schritte die Unsicherheitsvarianz bei der Realisierung des Endzustands,

 
(4)

Das heißt, ein Maß für die Vorhersagezuverlässigkeit des Endzustands, der durch eine sequentiell berechnete Abfolge von Vorläuferzuständen erhalten wird, wird gefunden, indem bekannte physikalische Fehler seriell durch die einzelnen Schritte in den vorhergesagten Endzustand propagiert werden. Wenn die Zustände x0,.., xn ein sich zeitlich entwickelndes System darstellen, dann ist der Modellerwartungswert XN eine Vorhersage eines zukünftigen Zustands und s2XN ist ein Maß für das Vertrauen, das in diese Vorhersage zu investieren ist, d. h. für ihre Zuverlässigkeit. Die Ausbreitungsgleichung 4 ist unmittelbar relevant für die Bewertung der Auswirkungen systematischer Kalibrierungsfehler auf die Zuverlässigkeit komplexer physikalischer Modelle (Vasquez und Whiting, 1998, 2006). Der ISO JCGM "Guide to the Expression of Uncertainty" empfiehlt ebenfalls die Fortpflanzung des systematischen Fehlers als Wurzelsummenquadrat (JCGM, 2008, vgl. Abschnitte 5.1.3-5.1.5).

Unter Anwendung dieser Konzepte beinhalten Lufttemperaturprojektionen eine schrittweise Summe von Modellrealisierungen serieller zukünftiger Klimazustände (x0...xn) bis hin zu einem endgültigen Klimazustand XN (Pope et al., 2000; Saitoh und Wakashima, 2000; IPCC, 2007, 2013). Jeder Zwischenzustand in der Klimareihe liefert die Anfangsbedingungen für eine Simulation des nachfolgenden Zustands. Diese schrittweise simulierten Zustände unterliegen der Fehlerfortpflanzung, wie oben und in Gleichung 4 beschrieben.

Die endgültige Änderung der projizierten Lufttemperatur ist lediglich eine lineare Summe der linearen Projektionen der zwischenzeitlichen Temperaturänderungen. Aus Gleichung 4 folgt, dass die Unsicherheit "u" in einer Summe nur die Wurzel aus dem Quadrat der Unsicherheiten in den Variablen ist, die zusammengerechnet werden, d. h. für c = a + b + d + ... + z ist die Unsicherheit in  (Bevington und Robinson, 2003). Die Linearität, die die Lufttemperaturprojektionen vollständig beschreibt, rechtfertigt die lineare Fehlerfortpflanzung. Somit ist die Unsicherheit einer endgültigen projizierten Lufttemperatur die Wurzel aus dem Quadrat der Unsicherheiten der summierten Zwischenlufttemperaturen.

Die Fehler der GCMs bei der Simulation der Bewölkung führen zu Fehlern im simulierten troposphärischen Wärmeenergiefluss (Hartmann et al., 1992; Chen et al., 2000; Bony und Dufresne, 2005; Stephens, 2005; Turner et al., 2007; Bony et al., 2011). Der Fehler in der Intensität des simulierten thermischen Energieflusses in der Troposphäre führt wiederum zu Fehlern in der prognostizierten Lufttemperatur. Nichtsdestotrotz ist die Fehlerfortpflanzung bemerkenswert, da sie in keiner Diskussion über die Unsicherheit bei Klimavorhersagen vorkommt (Collins, 2007; Stainforth et al., 2007; Curry, 2011; Curry und Webster, 2011; Hegerl et al., 2011).

Einführung des CMIP-LWCF-Fehlers in die Emulationsgleichung 1

Die Abbildungen 1-3 sowie die Abbildungen 7 und 8 unten und die unterstützenden Informationen - Abbildungen S3-1, S4-1 bis S4-6 und Abbildung S8-1 - zeigen, dass Gleichung 1 die Lufttemperaturprojektionen fortgeschrittener Klimamodelle, einschließlich der CMIP5-Versionen, erfolgreich emuliert. Gleichung 1 zeigt, dass fortgeschrittene GCMs die Auswirkungen des troposphärischen thermischen Antriebs auf die Lufttemperatur als lineare Extrapolationen des Treibhausgasanteils simulieren.

 
Sreenshot  |  Quelle: frontiersin.org  |  
Abbildung 7

ABBILDUNG 7. Panel (A) (Punkte), die mittleren CMIP5-Multimodell-Anomalie-Projektionen der 5AR RCP4.5 (o, 21 Modelle) und RCP8.5 (o, 21 Modelle); (volle Linien), die Gleichung-1-Emulationen der mittleren CMIP5-Projektionen. Die Standard-RCP-Forcings, einschließlich des solaren und 25%igen vulkanischen Forcings, wurden durchgehend verwendet (Meinshausen et al., 2011). Einzelne mittlere CMIP5-Forcings sind möglicherweise nicht identisch mit den Meinhausen-RCP-Forcings. Feld (B): (farbige Linien), dieselben beiden mittleren CMIP5-RCP-Projektionen mit Unsicherheitshüllen, die aus der Fortpflanzung des jährlichen durchschnittlichen ± 4 Wm-2 CMIP5-Langwellen-Wolkenantriebsfehlers wie in Gleichung 5 und Gleichung 6 abgeleitet wurden, beginnend mit dem Projektionsjahr 2005. Für RCP4.5 weicht die Emulation in der Nähe des Projektionsjahres 2050 vom Mittelwert ab, wenn der Treibhausgasantrieb konstant wird.

 
Sreenshot  |  Quelle: frontiersin.org  |  
Abbildung 8

ABBILDUNG 8. Tafel (A): (Punkte), historische Lufttemperaturprojektionen des GISS Model II GCM für; (-), Szenario A; (-), Szenario B, und; (-), Szenario C (Hansen et al., 1988; Schmidt, 2007a, b). (Linien), Gleichung 1 Emulation von: (-), Szenario A; (-), Szenario B, und; (-), Szenario C, mit Y0 = 1958, TGHG(1958) = 33,25 K, fCO2 = 0,42, F0 = 33,946 Wm-2 (nur CO2-, N2O- und CH4-Antrieb). Tafel (B): Dieselben Projektionen für die Szenarien A, B und C, aber mit Unsicherheitsbalken aus ±4 Wm-2 CMIP5-Level LWCF-Kalibrierungsfehlern, die als Gleichung 6 propagiert werden.

Der Treibhausgasantrieb geht in den globalen troposphärischen Wärmestrom ein und wird zu einem Teil desselben. Daher muss jede Unsicherheit im simulierten globalen troposphärischen Wärmefluss, wie z. B. der LWCF-Fehler, die Auflösungsgrenze jedes simulierten thermischen Effekts bedingen, der sich aus Änderungen des THG-Antriebs ergibt, einschließlich der globalen Lufttemperatur. Der LWCF-Kalibrierungsfehler kann daher mit ?Fi in Gleichung 1 kombiniert werden, um die Auswirkungen der Unsicherheit im troposphärischen Wärmeenergiefluss auf die Zuverlässigkeit der prognostizierten globalen Lufttemperaturen abzuschätzen.

Dabei ist zu bedenken, dass die Quelle des Kalibrierungsfehlers in der physikalischen Theorie liegt, die von den CMIP-GCMs verwendet wird. Das bedeutet, dass der Fehler im LWCF im GCM entsteht und in jeden Schritt einer Simulation einfließt. Jeder Schritt beinhaltet eine neue Simulation der Bewölkung, und jede neue Simulation beinhaltet einen Fehler im LWCF-Wärmefluss. Eine inhärent falsche Theorie bringt ihren inhärenten Fehler in jeden Simulationsschritt ein. Dieser Punkt ist kritisch und wird weiter unten erörtert.

Der durchschnittliche jährliche LWCF-Wärmeflussfehler der CMIP5-Kalibrierung von ± 4,0 Wm-2 Jahr-1 wird nun mit dem Wärmefluss aufgrund von Treibhausgasemissionen in Emulationsgleichung 1 kombiniert, um Gleichung 5 zu erhalten. Dies liefert eine Schätzung der Unsicherheit in jeder troposphärischen globalen Lufttemperaturprojektion, die mit einem CMIP5-GCM erstellt wurde. In Gleichung 5 wird der schrittweise THG-Antriebsterm, ?Fi, durch die Unsicherheit des Wärmeflusses in jedem Schritt bedingt, die sich aus dem kontinuierlichen Kalibrierungsfehler des LWCF-Wärmeflusses ergibt.

 
5.1 / 5.2

Dabei ist ±ui die Unsicherheit der Lufttemperatur und ±4 Wm-2 die Unsicherheit des troposphärischen Wärmeenergieflusses aufgrund des CMIP5-LWCF-Kalibrierungsfehlers. Die übrigen Terme der Gleichungen 5 sind wie in Gleichung 1 definiert. In Gleichung 5 steht F0 + ΔFi für den thermischen Treibhausgasantrieb der Troposphäre bei Simulationsschritt "i". Der thermische Einfluss von F0 + ΔFi ist durch die Unsicherheit des atmosphärischen Wärmeenergieflusses bedingt. Das heißt, die Auflösung des THG-Antriebs unterliegt der Unsicherheit des simulierten troposphärischen Wärmeflusses aufgrund des Kalibrierungsfehlers des LWCF-Modells für den Wärmefluss.

Die Begründung für Gleichung 5 ist einfach. Die Reaktion des physikalischen Klimas auf einen erhöhten CO2-Antrieb schließt die Reaktion der globalen Wolkenbedeckung ein. Die durchschnittliche globale Bewölkung wird jedoch nicht mit einer Genauigkeit von mehr als ±12,1 % simuliert. Der Fehler in der simulierten Wolkenbedeckung führt wiederum zu einem Fehler im thermischen Energiefluss der simulierten Troposphäre. Die Auswirkung einer Änderung des jährlichen Antriebs von 0,035 Wm-2 auf die Bewölkung aufgrund von erhöhtem CO2 kann von Klimamodellen mit einer unteren Auflösungsgrenze von ±4 Wm-2 weder gelöst noch simuliert werden. Ebenso wenig können die Modelle die anschließende Rückkopplung der Wolkenbedeckung auf den sehr geringen Anstieg des thermischen Energieflusses in der Troposphäre aufgrund des CO2-Antriebs auflösen. Somit kann weder das Ergebnis des Anstoßes noch die Rückkopplungsreaktion aufgelöst werden. Kurz gesagt, die Unsicherheit von ±4 Wm-2 LWCF bedingt speziell ΔFi, weil der CO2-Antrieb in den gesamten troposphärischen Wärmeenergiefluss eingeht und ein Teil davon wird.

Dies sollte im Lichte der Tatsache gesehen werden, dass die mittlere jährliche thermische Störung des troposphärischen Wärmeenergieflusses aufgrund von Treibhausgasemissionen weniger als 1 % der Unsicherheit des troposphärischen Wärmeenergieflusses aufgrund des LWCF-Fehlers allein ausmacht. Ausgehend von Gleichung 4 ist die endgültige Unsicherheitshülle für eine mehrjährige Projektion die ±ui von Gleichung 5, die sich durch die Emulation als Wurzel-Quadrat fortpflanzt (siehe 2.4.3 unten) (Vasquez und Whiting, 2006; JCGM, 2008; Garafolo und Daniels, 2014).

Fehlerfortpflanzung und die Unsicherheit in den projizierten GASATs

Projektionen zukünftiger Lufttemperaturen erfolgen in diskreten Zeitschritten (Pope et al., 2000; Saitoh und Wakashima, 2000) (vgl. auch Box 9.1 und Box 11.1 in WG1 des IPCC 5AR) (IPCC, 2013). Bei einer Klimaprojektion von "n" Schritten wird jeder Zeitschritt "i" mit den Klimavariablen initialisiert, die der Schritt "i-1" liefert. Die Lufttemperatur ergibt sich aus dem Gesamtfluss der Wärmeenergie durch die Atmosphäre. Der nachfolgend beschriebene Ausdruck für die Unsicherheit folgt den Leitlinien in Abschnitt 5 des "Leitfadens zur Angabe der Messunsicherheit" (JCGM, 2008) und leitet sich direkt aus Gleichung 3, Gleichung 4 und Gleichung 5 sowie aus dem Abschnitt "CMIP5-Modellkalibrierungsfehler im globalen durchschnittlichen jährlichen Gesamtwolkenanteil (TCF)" und dem Abschnitt "Lineare Modelle und Fehlerfortpflanzung" ab. Der Ansatz folgt auch den Empfehlungen zur Bewertung von systematischen Fehlern in numerischen Modellen (vgl. Gleichung 2 in Vasquez und Whiting, 2006).

Vasquez und Whiting (2006) weisen auch darauf hin, dass selbst der Zufallsfehler bei nichtlinearen Modellen nicht mit 1/vN abnimmt, da die Nichtlinearität zu schiefen Verteilungen der Erwartungswerte führt. Dieser erweiterte Fehler wird hier jedoch nicht bewertet.

Für die folgende Unsicherheitsanalyse wurden die emulierten Lufttemperaturprojektionen in jährlichen Zeitschritten unter Verwendung von Gleichung 1 berechnet, wobei die Bedingungen des Jahres 1900 als Referenzzustand dienten (siehe oben). Die jährliche durchschnittliche CMIP5-LWCF-Kalibrierungsunsicherheit, ±4 Wm-2 Jahr-1, hat die geeignete Dimension, um eine in jährlichen Zeitschritten emulierte projizierte Lufttemperatur zu konditionieren. Aus den Gleichungen 5 ergibt sich die Unsicherheit der projizierten Lufttemperatur "T" nach "n" Projektionsschritten (Vasquez und Whiting, 2006),

Gleichung 6 zeigt, dass die Projektionsunsicherheit mit jedem Simulationsschritt zunehmen muss, wie es aufgrund der Auswirkungen eines systematischen Fehlers in der verwendeten Theorie zu erwarten ist.

Abbildung 6A zeigt die Projektionen der globalen Lufttemperatur für vier globale Standard-Multimodell-Mittelwerte des vierten IPCC-Bewertungsberichts (4AR), Sonderbericht über Emissionsszenarien (SRES). Die Unsicherheitsbalken in Abbildung 6A sind der Abbildung SPM.5 der 4AR WG1 entnommen und stellen "die±1 Standardabweichung der jährlichen Mittelwerte der einzelnen Modelle" dar, d.h. die Schwankung um die Mittelwerte der Temperaturprojektionen der Multimodelle. Abbildung 6B zeigt die Unsicherheit für dieselben SRES-Projektionen bei Weitergabe von ±4 Wm-2 des LWCF-Fehlers, berechnet nach Gleichung 5 und Gleichung 6. Die SRES-Temperaturanomalien und -Verstärkungen wurden aus dem IPCC 4AR (IPCC, 2007) entnommen.

Der Unterschied zwischen den beiden Darstellungen der Unsicherheit in den Abbildungen 6A und B besteht darin, dass die Unsicherheitsbalken in Abbildung 6A ein statistisches Maß für die Genauigkeit zwischen den Modellen sind. In Abbildung 6B spiegeln die Unsicherheitsbalken die physikalische Genauigkeit wider und sind ein statistisches Maß für die Zuverlässigkeit der Projektion.

Abbildung 7 erweitert diese Analyse auf die CMIP5-Lufttemperaturprojektionen der RCPs, die im IPCC 5AR 2013 erscheinen. Abbildung 7A zeigt eine Gleichung-1-Emulation der mittleren Projektionen des CMIP5-Multimodells für die Szenarien RCP4.5 und RCP8.5. Für diese Emulationen waren die Parameter der Gleichung 1: RCP4.5, fCO2 = 0,593 ± 0,004, a = 20,4 ± 0,1 und RCP8.5, fCO2 = 0,585 ± 0,002, und a = 20,19 ± 0,08. Abbildung S4-7 und Tabelle S4-4 in den ergänzenden Informationen zeigen die erfolgreichen Emulationen von dreizehn zusätzlichen RCP-Projektionen aus sechs CMIP5-GCMs. Diese erfolgreichen Emulationen verallgemeinern die oben dargestellten Unsicherheitsgrenzen auf alle CMIP5-Lufttemperaturprojektionen.

Abbildung 7B zeigt die Auswirkung des LWCF-Fehlers, der sich über die mittleren CMIP5-RCP-Projektionen von Abbildung 7A ausbreitet. Die Unsicherheitshüllkurven stellen wiederum den physikalisch realen Kalibrierungsfehler der CMIP5-Modelle von ±4 Wm-2 im Jahresmittel des LWCF-Wärmeflusses dar und sind ein Maß für das Vertrauen, das den Projektionen entgegengebracht werden kann. Die Zunahme der Unsicherheit, die in den Abbildungen 6B und 7B dargestellt ist, zeigt den zunehmenden Grad an Unwissenheit über die aufeinanderfolgenden physikalischen Zustände des sich entwickelnden Klimas. Die Unwissenheit nimmt zu, weil die Projektionskurve des fehlerhaft simulierten Klimas im Verhältnis zur künftigen Entwicklung des physikalisch realen Klimas nicht bekannt ist. Diese Unwissenheit nimmt mit jedem Simulationszeitschritt zu.

Die Abbildungen 6B und 7B zeigen, dass die Unsicherheit in der projizierten GASAT sofort so groß ist, dass selbst das erste Projektionsjahr keine Vorhersagesicherheit bietet. Dies ergibt sich unmittelbar aus der Tatsache, dass die jährliche Unsicherheit im atmosphärischen Wärmeenergiefluss aufgrund des durchschnittlichen jährlichen Modell-LWCF-CMIP5-Kalibrierungsfehlers ~ ± 114 × größer ist als der durchschnittliche jährliche Anstieg des Treibhausgasantriebs. Das heißt, die feinste Auflösung des Modells ist ±114 mal größer als die aufzulösende Störung. Folglich geht die Wirkung der Störung innerhalb der sehr großen Unsicherheit der Simulation verloren.

Die Aussage der Unsicherheitshüllkurven in den Abbildungen 6B und 7B ist eindeutig: Weder die SRES- noch die RCP-Projektionsszenarien vermitteln zuverlässige Informationen über mögliche zukünftige Lufttemperaturen. Außerdem sind die Realisierungen nicht eindeutig. Jedes SRES- oder RCP-Szenario ist vollständig in die Unsicherheitsverteilung aller anderen Szenarien eingebettet. Einzelne SRES- oder RCP-Projektionen wären auf keiner Zeitskala durch Beobachtungen unterscheidbar, ebenso wenig wie die Genauigkeit des einen oder anderen Szenarios in Bezug auf einen beobachteten Temperaturtrend. Diese Punkte werden weiter unten erörtert.

Die Differenzierung von einem Grundzustand
des Klimas beseitigt nicht den systematischen Fehler

Man könnte annehmen, dass alle Modellfehler bereits in einer ausgeglichenen Klimasimulation des Basiszustandes von 1850 vorhanden sind und durch Differenzierung aus den nachfolgenden projizierten Klimazuständen entfernt werden können. Die Eliminierung von Modellfehlern durch Differenzbildung wurde jedoch noch nie empirisch überprüft und kann auch nicht an einem Klima von 1850 getestet werden, das nahezu eine unbekannte Beobachtung ist. Außerdem wird diese Methode zur Beseitigung von Modellfehlern im 5. Sachstandsbericht des IPCC von 2013 nicht erwähnt (IPCC, 2013; Stocker et al., 2013).

Dennoch lohnt es sich zu zeigen, dass die Differenzierung den systematischen Theorie-Fehler nicht beseitigt. Das terrestrische Klima wird über die Zeit als Zustandsgrößen simuliert, nicht als Anomalien. Die in den GCMs angewandte fehlerhafte Theorie, die durch den TCF-Fehler voll und ganz veranschaulicht wird, bedeutet, dass ein anfänglicher physikalischer Klimazustand, der durch ein Gleichgewichtsspinup erzeugt wird, falsch sein wird, selbst wenn die Anfangsbedingungen perfekt bekannt wären. Außerdem sind die Größenordnungen der Fehler im Ausgangszustand unbekannt. Dieser Fehler im Ausgangszustand ist auf eine unvollkommene Theorie zurückzuführen und nicht auf die Stochastizität des Klimas, die sich aus dem physikalischen Chaos ergibt.

Theoriefehler bedeutet, dass die verfügbare Energie falsch auf die internen Klima-Subzustände aufgeteilt ist. Ein Modell kann ein perfektes externes Energiegleichgewicht am TOA aufweisen und dennoch ein Klima mit einem intern falschen Energiezustand darstellen.

Der anfängliche Gleichgewichtsklimazustand ist dann keine physikalisch korrekte Darstellung des Energiezustands. Der Fehler in Bezug auf das physikalisch reale Klima ist die Folge dieses internen Modellfehlers. Die fortlaufende Auswirkung des Theorie-Fehlers während einer schrittweisen Simulation bedeutet, dass die fehlerhaften Flussgrößen des anfänglichen Spin-up-Zustands in jedem nachfolgenden Klimazustand erneut und weiter falsch aufgeteilt werden. Das heißt, dass die fehlerhaften Strukturen des Klimas im Basiszustand C0 ihrerseits fehlerhaft in und durch den nachfolgenden Simulationszustand projiziert werden.

Diese Situation wird in Schema 1 grafisch dargestellt. Ausgehend von einem anfänglich fehlerhaften Zustand C0 sorgt ein systematischer Theoriefehler dafür, dass der neu simulierte nachfolgende Klimazustand C1 weitere Verzerrungen unbekannten Ausmaßes erfährt. Der Zustand C1 repräsentiert ein vorgeschlagenes Klima zu einem zukünftigen Zeitpunkt, bei dem der physikalische Simulationsfehler nicht bestimmt werden kann. Daher kann nicht davon ausgegangen werden, dass die Differenzierung Fehler beseitigt, wenn diese Fehler von unbekannter Größe sind.

 
Sreenshot  |  Quelle: frontiersin.org  |  
Schema 1

SCHEMA 1. Eine stilisierte Darstellung einer GCM-Simulation, angepasst von Fildes und Kourentzes (2011), mit Genehmigung von Elsevier. Bekannte Anfangsbedingungen beinhalten Fehler und Unsicherheiten, während andere unvollständig bekannt sind. Die inneren blauen Doppelpfeile stehen für die Kopplung von Teilzuständen. Die inneren roten gestrichelten Pfeile stellen interne Rückkopplungen dar. Der äußere schwarze gestrichelte Pfeil stellt die schrittweise Simulation dar, bei der der Klimazustand Ci die Anfangsbedingungen für den Klimazustand Ci+1 liefert. Somit werden Fehler im Zustand Ci in den Zustand Ci+1 propagiert. Theorie-Fehler bedeutet, dass Ci und Ci+1 jeweils fehlerhaft simuliert werden. Die durch Ci eingeführten Fehler werden innerhalb des Modells bei der Simulation von Ci+1 weiter und fehlerhaft propagiert. Diese Abfolge baut Fehler auf Fehler auf. Theorie-Fehler bedeutet auch, dass selbst wenn die erste Gruppe von Anfangsbedingungen perfekt bekannt wäre, das Grundklima C0 dennoch falsch simuliert würde. Durch das Hochfahren des Modells wird C0 in einen fehlerhaften stabilen Zustand gebracht. Die Fehler im simulierten Zustand C0 sind nicht bekannt und können bei der Berechnung des Klimawandels nicht abgezogen werden, da die Fehler im simulierten zukünftigen Klimazustand C1 nicht mit denen in C0 identisch sind (siehe Abschnitt 7.1 in den ergänzenden Informationen für eine ausführliche Diskussion).

Dieser Umstand wird auch durch das große Vielfache der simulierten Klimazustände impliziert, die von Modellen erzeugt werden, die gestörten physikalischen Tests unterzogen werden (Rowlands et al., 2012). Wie Abbildung 4 anhand des TCF-Kalibrierungsfehlers zeigt, bleibt der systematische GCM-Fehler bis zu einem hohen Vielfachen der Ensemblemittelwerte bestehen (Annan und Hargreaves, 2004; Palmer et al., 2005; Collins, 2007; Tebaldi und Knutti, 2007).

Ergänzende Informationen Abschnitt 7, "Differenzierung und systematische theoriebedingte Modellfehler", enthält eine ausführlichere Diskussion der Simulationsdifferenzierung. Die Abschnitte 7.1 (s. ergänzenden Informationen) "Das Problem des Beobachtungsfehlers" und 7.1.1 "Das Problem der Validierung einer Modelldifferenz" befassen sich mit dem ungelösten Problem der Differenzierung unter Verwendung des Standard-Referenzklimas für den Basiszustand von 1850 (siehe Tabelle S7-1 und Text in den ergänzenden Informationen).

Ein aktuelles Beispiel für die Vorhersagezuverlässigkeit

In einer kürzlich durchgeführten Analyse wurden statistische Maßnahmen vorgeschlagen, die darauf hindeuten, dass das Szenario B des GISS Model II GCM von 1988 eine geschickte Vorhersage des nachfolgenden Trends der global gemittelten Lufttemperaturen beinhaltete (Hargreaves, 2010). Abbildung 8 zeigt einen Test dieser Vermutung in Bezug auf den propagierten Fehler der CMIP5 LWCF-Kalibrierung des thermischen Energieflusses. Abbildung 8A zeigt die ursprünglichen Szenarien Modell II A, B und C (Hansen et al., 1988). Die Linien in Abbildung 8A wurden unter Verwendung von Gleichung 1 und den ursprünglichen Szenarioforcings (Hansen et al., 1988; Schmidt, 2007a, b) berechnet. Mit Gleichung 1 wurden die Projektionen erneut erfolgreich emuliert. Weitere Einzelheiten zu dieser Emulation finden sich in Abschnitt S8 und Abbildung S8-1 in den ergänzenden Informationen.

Abbildung 8B zeigt dieselben GISS-Modell-II-GCM-Anomalie-Szenarien A, B und C aus dem Jahr 1988, jetzt aber mit Unsicherheitsbalken, nachdem der CMIP5-Kalibrierungsfehler von ± 4 Wm-2 durch die Projektionen propagiert wurde. Die großen überlappenden Unsicherheitsbalken zeigen, dass die Projektionen A, B und C nicht eindeutig sind. Keine von ihnen kann anhand von Beobachtungen validiert werden, da die Unsicherheitsbereiche weitaus größer sind als jeder denkbare Anstieg von GASAT. Darüber hinaus ist jede Projektion so tief in die Unsicherheiten der alternativen Projektionen eingebettet, dass sie nicht durch einen Vergleich mit Beobachtungsdaten unterschieden werden kann. Im GASAT-Projektionsjahr 1988 zum Beispiel sind die Szenarioanomalien: A, 0,45 ± 8,9 C; B, 0,36 ± 8,9 C, und C, 0,25 ± 8,9 C. Dies sind keine Vorhersagen in irgendeinem nützlichen oder geschickten Sinne. Jegliche statistische Ähnlichkeit zwischen Szenario B und dem beobachteten späteren Temperaturtrend ist nicht von rechnerischem Zufall zu unterscheiden und daher ohne jede physikalische Bedeutung, eine Diagnose, die auch vom ursprünglichen Autor gestellt wurde (Hansen, 2005).

In Verbindung mit den anderen hier vorgestellten Emulationen der Gleichung 1 zeigt Abbildung 8A auch, dass die lineare Abhängigkeit der projizierten GASAT von der Treibhausgasfraktionierung seit mindestens 30 Jahren ein zentrales Merkmal der GCMs ist.

Aus dieser Analyse geht hervor, dass allein die Unsicherheit aufgrund des physikalischen LWCF-Kalibrierungsfehlers jedes Maß an statistischer Leistung der GCMs zunichte macht und ausreicht, um sowohl die Vorhersagekraft der GCM-Szenarien des GISS-Modells II von 1988 als auch aller nachfolgenden Projektionen des GASAT, die mit GCMs bis einschließlich der aktuellen CMIP5-Generation erstellt wurden, zu entkräften.

Schlussfolgerung

Diese Analyse hat gezeigt, dass die Lufttemperaturprojektionen fortgeschrittener Klimamodelle lediglich lineare Extrapolationen eines fraktionierten Treibhausgasantriebs sind. Die lineare Ausbreitung des Modellfehlers ergibt sich direkt aus der linearen Extrapolation des Treibhauseffekts durch die GCM. Der Fehler von ±4 Wm-2 Jahr-1 im Jahresmittel des LWCF-Wärmeflusses bedeutet, dass die physikalische Theorie in den Klimamodellen die Energie nicht korrekt auf die internen Unterzustände des terrestrischen Klimas verteilt. Insbesondere erfassen die GCMs nicht das physikalische Verhalten der terrestrischen Wolken oder, weiter gefasst, des hydrologischen Zyklus (Stevens und Bony, 2013). Wie bereits erwähnt, kann eine GCM-Simulation ein perfektes externes Energiegleichgewicht am TOA aufweisen und dennoch einen falschen internen Energiezustand des Klimas wiedergeben.

Die weitere Bedeutung der Unsicherheit in der projizierten Lufttemperatur wird ausführlich in Abschnitt 10.1 der ergänzenden Informationen erörtert: "Warum Konfidenzintervalle keine Modelloszillation implizieren". Die Abschnitte 10.2 und 10.3 der ergänzenden Informationen bieten eine ausführliche Diskussion über die Bedeutung von Konfidenzintervallen, Unsicherheit und Fehlerfortpflanzung.

Obwohl auch andere Ansätze für die Unsicherheit bei Projektionen und Simulationen von Klimazukunftsszenarien durchgeführt wurden, insbesondere unter Verwendung der Bayes'schen Statistik (Tebaldi et al., 2005; Buser et al., 2009; Urban und Keller, 2010; Zanchettin et al., 2017), überträgt keiner von ihnen den Kalibrierungsfehler durch die Modellsimulationsschritte in den projizierten zukünftigen Klimazustand. In diesen Studien bleibt die Auswirkung der kontinuierlichen Entwicklung des Simulationsfehlers auf die Unsicherheit innerhalb des endgültigen projizierten Klimazustands unbewertet.

Es ist nun angebracht, auf Smiths Standardbeschreibung der physikalischen Bedeutung zurückzukommen, die besagt, dass "wir sogar in der High School Physik lernen, dass eine Antwort ohne "Fehlerbalken" überhaupt keine Antwort ist" (Smith, 2002). Der LWCF-Kalibrierungsfehler ist ±114 × größer als der durchschnittliche jährliche Anstieg des Treibhausgasantriebs. Allein diese Tatsache macht jeden möglichen globalen Effekt der anthropogenen CO2-Emissionen für die derzeitigen Klimamodelle unsichtbar.

Beim gegenwärtigen Stand der Theorie wird ein AGW-Signal, wenn überhaupt, niemals aus dem Klimarauschen hervortreten, egal wie lang die Beobachtungsaufzeichnungen sind, da die Unsicherheitsbreite zwangsläufig viel schneller zunimmt als jeder projizierte Trend der Lufttemperatur. Jede Auswirkung von Treibhausgasen wird immer innerhalb des Unsicherheitsintervalls verloren gehen. Selbst fortgeschrittene Klimamodelle weisen eine schlechte Energieauflösung und sehr große Projektionsunsicherheiten auf.

Die unvermeidliche Schlussfolgerung ist, dass ein Temperatursignal von anthropogenen CO2-Emissionen (wenn überhaupt) in den Klimabeobachtungsdaten weder nachgewiesen werden konnte noch gegenwärtig nachgewiesen werden kann.

Beiträge des Autors

Der Autor bestätigt, dass er der alleinige Verfasser dieser Arbeit ist, und hat sie zur Veröffentlichung freigegeben.

Finanzierung

Diese Arbeit wurde weder von einer Behörde oder Stiftung noch durch Spenden Dritter unterstützt. Diese Arbeit steht in keinem offiziellen oder formellen Zusammenhang mit der Stanford University, dem SLAC National Accelerator Laboratory oder der Stanford Synchrotron Radiation Lightsource.

Erklärung zu Interessenkonflikten

Der Autor erklärt, dass die Forschung in Abwesenheit jeglicher kommerzieller oder finanzieller Beziehungen durchgeführt wurde, die als potenzieller Interessenkonflikt ausgelegt werden könnten.

  |   

Danksagung

Dieser Artikel ist dem Andenken an Prof. Robert "Bob" Carter gewidmet, einem hervorragenden Wissenschaftler und wunderbaren Menschen. Der Autor dankt einem Klimaphysiker, der es vorzieht, anonym zu bleiben, für die kostenlose Bereitstellung der A-Train-Jahresdurchschnitt-TCF-Datensätze sowie der CMIP3- und CMIP5-Klimamodell-Jahresdurchschnitt-TCF-Simulationen. Der Autor dankt auch Prof. Christopher Essex, University of Western Ontario, für hilfreiche Gespräche.


Ergänzendes Material (unterstützende Informationen, PDF-Download)   |

Das ergänzende Material zu diesem Artikel ist online zu finden unter: frontiersin.org/articles/10...


Referenzen

AchutaRao, K., Covey, C., Doutriaux, C., Fiorino, M., Gleckler, P., Phillips, T., et al. (2004). An Appraisal of Coupled Climate Model Simulations Report UCRL-TR-202550, ed. D. Bader (Livermore, CA: Lawrence Livermore National Laboratory).

Google Scholar  |

Adams, B. K., und Dessler, A. E. (2019). Estimating transient climate response in a large-ensemble global climate model simulation. Geophys. Res. Lett. 46, 311-317. doi: 10.1029/2018gl080714

CrossRef Full Text | Google Scholar |

Anagnostopoulos, G. G., Koutsoyiannis, D., Christofides, A., Efstratiadis, A., und Mamassis, N. (2010). Ein Vergleich von lokalen und aggregierten Klimamodell-Ergebnissen mit beobachteten Daten. Hydrol. Sci. J. 55, 1094-1110. doi: 10.1080/02626667.2010.513518

CrossRef Full Text | Google Scholar |

Annan, J. D., und Hargreaves, J. C. (2004). Effiziente Parameterschätzung für ein stark chaotisches System. Tellus A 56, 520-526. doi: 10.1111/j.1600-0870.2004.00073.x

CrossRef Full Text | Google Scholar |

Berger, A., und Tricot, C. (1992). The greenhouse effect. Surv. Geophys. 13, 523-549. doi: 10.1007/bf01904998

CrossRef Full Text | Google Scholar |

Bevington, P. R., und Robinson, D. K. (2003). Data Reduction and Error Analysis for the Physical Sciences. Boston, MA: McGraw-Hill.

Google Scholar |

Bony, S., und Dufresne, J.-L. (2005). Marine Grenzschichtwolken als Kern der Unsicherheiten bei der Rückkopplung tropischer Wolken in Klimamodellen. Geophys. Res. Lett. 32:L20806. doi: 10.1029/2005gl023851

CrossRef Full Text | Google Scholar |

Bony, S., Webb, M. J., Bretherton, C. S., Klein, S. A., Siebesma, A. P., Tselioudis, G., et al. (2011). CFMIP: für eine bessere Bewertung und ein besseres Verständnis von Wolken und Wolkenrückkopplungen in CMIP5-Modellen. Clivar Exchanges 16, 20-24.

Google Scholar |

Buser, C. M., Künsch, H. R., Lüthi, D., Wild, M., und Schär, C. (2009). Bayesianische Multimodell-Projektion des Klimas: Bias-Annahmen und interannuelle Variabilität. Clim. Dyn. 33, 849-868. doi: 10.1007/s00382-009-0588-6

CrossRef Full Text | Google Scholar |

Chen, T., Rossow, W. B., und Zhang, Y. (2000). Strahlungseffekte von Wolkentypvariationen. J. Clim. 13, 264-286. doi: 10.1175/1520-04422000013

PubMed Abstract | CrossRef Full Text | Google Scholar |

Collins, M. (2007). Ensembles und Wahrscheinlichkeiten: eine neue Ära bei der Vorhersage des Klimawandels. Phil. Trans. Roy. Soc. A 365, 1957-1970. doi: 10.1098/rsta.2007.2068

PubMed Abstract | CrossRef Full Text | Google Scholar |

Covey, C., AchutaRao, K. M., Cubasch, U., Jones, P., Lambert, S. J., Mann, M. E., et al. (2003). Ein Überblick über die Ergebnisse des gekoppelten Modellvergleichsprojekts. Glob. Planet. Change 37, 103-133. doi: 10.1016/s0921-8181(02)00193-5

CrossRef Full Text | Google Scholar |

Covey, C., AchutaRao, K. M., Lambert, S. J., und Taylor, K. E. (2001). Intercomparison of Present and Future Climates Simulated by Coupled Ocean-Atmosphere GCMs PCMDI Report No. 66 [Online]. Verfügbar unter: pcmdi.llnl.gov/report/pdf/report66/ (Zugriff am 24. Januar 2015). (Link aktualisiert 29,12,2023, JWD)

Google Scholar |

Curry, J. (2011). Reasoning about climate uncertainty. Clim. Change 108, 723-732. doi: 10.1007/s10584-011-0180-z

CrossRef Full Text | Google Scholar |

Curry, J. A., und Webster, P. J. (2011). Die Klimawissenschaft und das Monster der Unsicherheit. Bull. Am. Meteorol. Soc. 92, 1667-1682. doi: 10.1175/2011BAMS3139.1

CrossRef Full Text | Google Scholar |

Dessler, A. E., Mauritsen, T., und Stevens, B. (2018). Der Einfluss der internen Variabilität auf die Energiebilanz der Erde und die Auswirkungen auf die Abschätzung der Klimasensitivität. Atmos. Chem. Phys. 18, 5147-5155. doi: 10.5194/acp-18-5147-2018

CrossRef Full Text | Google Scholar |

Dolinar, E. K., Dong, X., Xi, B., Jiang, J. H., und Su, H. (2015). Bewertung von CMIP5 simulierten Wolken und TOA-Strahlungsbudgets anhand von NASA-Satellitenbeobachtungen. Clim. Dyn. 44, 2229-2247. doi: 10.1007/s00382-014-2158-9

PubMed Abstract | CrossRef Full Text | Google Scholar |

Dymnikov, V. P., und Gritsoun, A. S. (2001). Klimamodell-Attraktoren: Chaos, Quasi-Regelmäßigkeit und Empfindlichkeit gegenüber kleinen Störungen der externen Einflüsse. Nonlin. Process. Geophys. 8, 201-209. doi: 10.5194/npg-8-201-2001

CrossRef Full Text | Google Scholar |

Eisenhart, C. (1963). Realistische Bewertung der Präzision und Genauigkeit von Instrumentenkalibrierungssystemen. J. Res. Natl. Bur. Stand. C 67, 161-187. |

Google Scholar |

Eisenhart, C. (1968). Expression of the uncertainties of final results. Science 160, 1201-1204. doi: 10.1126/science.160.3833.1201

PubMed Abstract | CrossRef Full Text | Google Scholar |

Essex, C., McKitrick, R., und Andresen, B. (2007). Gibt es eine globale Temperatur? J. Non Equilib. Thermodyn. 32, 1-27. doi: 10.1515/jnetdy.2007.001

CrossRef Full Text | Google Scholar |

Etheridge, D. M., Steele, L. P., Francey, R. J., und Langenfelds, R. L. (2002). Historical CH4 Records Since About 1000 A.D. From Ice Core Data. in Trends: A Compendium of Data on Global Change [Online]. Oak Ridge, TN: Oak Ridge National Laboratory.

Google Scholar |

Etheridge, D. M., Steele, L. P., Langenfelds, R. L., Francey, R. J., Barnola, J.-M., und Morgan, V. I. (1996). Natürliche und anthropogene Veränderungen des atmosphärischen CO2 während der letzten 1000 Jahre aus der Luft im antarktischen Eis und Firn. J. Geophys. Res. 101, 4115-4128. doi: 10.1029/95JD03410

CrossRef Full Text | Google Scholar |

Fildes, R., und Kourentzes, N. (2011). Validierung und Vorhersagegenauigkeit in Modellen zum Klimawandel. Int. J. Forecast. 27, 968-995. doi: 10.1016/j.ijforecast.2011.03.008

CrossRef Full Text | Google Scholar |

Frank, P. (2008). Ein Klima des Glaubens. Skeptiker 14, 22-30.

Google Scholar |

Gainusa-Bogdan, A., Hourdin, F., Traore, A. K., and Braconnot, P. (2018). Omens of coupled model biases in the CMIP5 AMIP simulations. Clim. Dyn. 51, 2927-2941. doi: 10.1007/s00382-017-4057-3

CrossRef Full Text | Google Scholar |

Garafolo, N. G., und Daniels, C. C. (2014). Mass point leak rate technique with uncertainty analysis. Res. Nondestr. Eval. 25, 125-149. doi: 10.1080/09349847.2013.861953

CrossRef Full Text | Google Scholar |

Gates, W. L., Boyle, J. S., Covey, C., Dease, C. G., Doutriaux, C. M., Drach, R. S., et al. (1999). Ein Überblick über die Ergebnisse des Atmospheric Model Intercomparison Project (AMIP I). Bull. Am. Meteorol. Soc. 80, 29-55. doi: 10.1175/1520-0477(1999)080<0029:aootro>2.0.co;2

CrossRef Full Text | Google Scholar |

Giorgi, F. (2005). Vorhersage des Klimawandels. Clim. Change 73, 239-265. doi: 10.1007/s10584-005-6857-4

CrossRef Full Text | Google Scholar |

Gleckler, P. J. (2005). Fehler in der Oberflächenenergiebilanz in AGCMs: Auswirkungen auf die Kopplung von Ozean- und Atmosphärenmodellen. Geophys. Res. Lett. 32:L15708.

Google Scholar |

Gleckler, P. J., Taylor, K. E., und Doutriaux, C. (2008). Leistungsmetriken für Klimamodelle. J. Geophys. Res. Atmos. 113:D06104. doi: 10.1029/2007jd008972

CrossRef Full Text | Google Scholar |

Hansen, J., Fung, I., Lacis, A., Rind, D., Lebedeff, S., Ruedy, R., et al. (1988). Globale Klimaveränderungen laut Vorhersage des dreidimensionalen Modells des Goddard Institute for Space Studies. J. Geophys. Res. 93, 9341-9364.

Google Scholar |

Hansen, J. E. (2005). Michael Crichtons "Wissenschaftliche Methode". Verfügbar unter: columbia.edu/~jeh1/...  (Zugriff am 18. September 2018).

Google Scholar |

Hargreaves, J. C. (2010). Skill and uncertainty in climate models. Wiley Interdiscipl. Rev. Clim. Change 1, 556-564. doi: 10.1002/wcc.58

CrossRef Full Text | Google Scholar |

Hartmann, D. L., Ockert-Bell, M. E., und Michelsen, M. L. (1992). Der Einfluss des Wolkentyps auf die Energiebilanz der Erde: eine globale Analyse. J. Clim. 5, 1281-1304. doi: 10.1175/1520-04421992005<1281:TEOCTO>2.0.CO;2

CrossRef Full Text | Google Scholar |

Heagy, J. F., Carroll, T. L., und Pecora, L. M. (1994). Synchrones Chaos in gekoppelten Oszillatorsystemen. Phys. Rev. E 50, 1874-1885. doi: 10.1103/PhysRevE.50.1874

PubMed Abstract | CrossRef Full Text | Google Scholar |

Hegerl, G., Stott, P., Solomon, S., und Zwiers, F. (2011). Kommentar zu "Klimawissenschaft und das Ungewissheitsmonster". J. A. Curry and P. J. Webster. Bull. Am. Meteorol. Soc. 92, 1683-1685. doi: 10.1175/BAMS-D-11-00191.1

CrossRef Full Text | Google Scholar |

Held, I. M., und Soden, B. J. (2000). Wasserdampfrückkopplung und globale Erwärmung. Ann. Rev. Energy Environ. 25, 441-475. doi: 10.1146/annurev.energy.25.1.441

CrossRef Full Text | Google Scholar |

Hofmann, D. J., Butler, J. H., Dlugokencky, E. J., Elkings, J. W., Masarie, K., Montzka, S. A., et al. (2006). Die Rolle des Kohlendioxids bei der Klimaerwärmung von 1979 bis 2004: Einführung des jährlichen Treibhausgasindexes. Tellus B 58, 614-619. doi: 10.1111/j.1600-0889.2006.00201.x

CrossRef Full Text | Google Scholar |

IPCC (2001). Climate Change 2001, eds R. T. Watson, D. L. Albritton, T. I Barker, A. Bashmakov, O. Canziani, R. Christ, et al. (Cambridge: Cambridge University).

Google Scholar |

IPCC (2007). Klimawandel 2007: The Physical Science Basis. Beitrag der Arbeitsgruppe I zum Vierten Sachstandsbericht des Zwischenstaatlichen Ausschusses für Klimaänderungen (Intergovernmental Panel on Climate Change), hrsg. von S. Solomon, D. Qin, M. Manning, Z. Chen, M. Marquis, K. B. Avery u. a. (Cambridge: Cambridge University).

Google Scholar |

IPCC (2013). Climate Change 2013: The Physical Science Basis. Contribution of Working Group 1 to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change, eds T. F. Stocker, D. Qin, G.-K. Plattner, M. Tignor, S. K. Allen, J. Boschung, et al. (Cambridge: Cambridge University Press).

Google Scholar |

ISO/IEC (2008). Guide 99-12:2007 Internationales Vokabular der Metrologie - Grundlegende und allgemeine Konzepte und zugehörige Begriffe (VIM). Genf: Internationale Organisation für Normung.

Google Scholar |

JCGM (2008). Evaluation of Measurement Data - Guide to the Expression of Uncertainty in Measurement. Sevres: Bureau International des Poids et Mesures.

Google Scholar |

Jiang, J. H., Su, H., Zhai, C., Perun, V. S., Del Genio, A., Nazarenko, L. S., et al. (2012). Bewertung von Wolken- und Wasserdampfsimulationen in CMIP5-Klimamodellen anhand von NASA "A-Train" Satellitenbeobachtungen. J. Geophys. Res. 117:D14105. doi: 10.1029/2011jd017237

CrossRef Full Text | Google Scholar |

Jin, E., Kinter, J., Wang, B., Park, C. K., Kang, I. S., Kirtman, B., et al. (2008). Current status of ENSO prediction skill in coupled ocean-atmosphere models. Clim. Dyn. 31, 647-664. doi: 10.1007/s00382-008-0397-3

PubMed Abstract | CrossRef Full Text | Google Scholar |

Khalil, M. A. K., Rasmussen, R. A., und Shearer, M. J. (2002). Atmospheric nitrous oxide: patterns of global change during recent decades and centuries. Chemosphere 47, 807-821. doi: 10.1016/S0045-6535(01)00297-1

PubMed Abstract | CrossRef Full Text | Google Scholar |

Kiehl, J. T. (2007). Klimamodellantwort des zwanzigsten Jahrhunderts und Klimasensitivität. Geophys. Res. Lett. 34:L22710. doi: 10.1029/2007gl031383

CrossRef Full Text | Google Scholar |

Klein, S. A., Zhang, Y., Zelinka, M. D., Pincus, R., Boyle, J., und Gleckler, P. J. (2013). Verbessern sich die Klimamodell-Simulationen von Wolken? Eine Bewertung unter Verwendung des ISCCP-Simulators. J. Geophys. Res. Atmos. 118, 1329-1342. doi: 10.1002/jgrd.50141

CrossRef Full Text | Google Scholar |

Knutti, R., Allen, M. R., Friedlingstein, P., Gregory, J. M., Hegerl, G. C., Meehl, G. A., et al. (2008). Ein Überblick über die Unsicherheiten bei globalen Temperaturprojektionen für das einundzwanzigste Jahrhundert. J. Clim. 21, 2651-2663. doi: 10.1175/2007jcli2119.1

CrossRef Full Text | Google Scholar |

Knutti, R., Furrer, R., Tebaldi, C., Cermak, J., und Meehl, G. A. (2010). Challenges in combining projections from multiple climate models. J. Clim. 23, 2739-2758. doi: 10.1175/2009jcli3361.1

PubMed Abstract | CrossRef Full Text | Google Scholar |

Knutti, R., und Hegerl, G. C. (2008). Die Gleichgewichtsempfindlichkeit der Erdtemperatur gegenüber Strahlungsänderungen. Nat. Geosci. 1, 735-743. doi: 10.1073/pnas.0711648105

PubMed Abstract | CrossRef Full Text | Google Scholar |

Kondratiev, K. Y., und Niilisk, H. I. (1960). On the question of carbon dioxide heat radiation in the atmosphere. Geofisica pura e applicata 46, 216-230. doi: 10.1007/bf02001111

CrossRef Full Text | Google Scholar |

Koutsoyiannis, D., Efstratiadis, A., Mamassis, N., und Christofides, A. (2008). Über die Glaubwürdigkeit von Klimavorhersagen. Hydrol. Sci. J. 53, 671-684. doi: 10.1623/hysj.53.4.671

CrossRef Full Text | Google Scholar |

Ku, H. H. (1966). Notes on the use of propagation of error formulas. J. Res. Nat. Bur. Stand. Sec. C 70, 263-273.

Google Scholar |

Lacis, A. A., Schmidt, G. A., Rind, D., und Ruedy, R. A. (2010). Atmosphärisches CO2: Hauptsteuerungselement für die Erdtemperatur. Science 330, 356-359. doi: 10.1126/science.1190653

PubMed Abstract | CrossRef Full Text | Google Scholar |

Lauer, A., und Hamilton, K. (2013). Simulation von Wolken mit globalen Klimamodellen: ein Vergleich der CMIP5-Ergebnisse mit CMIP3- und Satellitendaten. J. Clim. 26, 3823-3845. doi: 10.1175/jcli-d-12-00451.1

CrossRef Full Text | Google Scholar |

Lemoine, D. M. (2010). Abhängigkeit der Verteilungen der Klimasensitivität von der Möglichkeit, dass Modelle Verzerrungen teilen. J. Clim. 23, 4395-4415. doi: 10.1175/2010jcli3503.1

CrossRef Full Text | Google Scholar |

Manabe, S., und Wetherald, R. T. (1967). Thermisches Gleichgewicht der Atmosphäre bei einer gegebenen Verteilung der relativen Luftfeuchtigkeit. J. Atmos. Sci. 24, 241-259. doi: 10.1175/1520-04691967024<0241:TEOTAW>2.0.CO;2

CrossRef Full Text | Google Scholar |

Meehl, G. A., Goddard, L., Murphy, J., Stouffer, R. J., Boer, G., Danabasoglu, G., et al. (2009). Dekadische Vorhersage: Kann sie gekonnt sein? Bull. Am. Meteorol. Soc. 90, 1467-1485. doi: 10.1175/2009bams2778.1

CrossRef Full Text | Google Scholar |

Meinshausen, M., Smith, S. J., Calvin, K., Daniel, J. S., Kainuma, M. L. T., Lamarque, J. F., et al. (2011). Die RCP-Treibhausgaskonzentrationen und ihre Erweiterungen von 1765 bis 2300. Clim. Change 109, 213-241. doi: 10.1007/s10584-011-0156-z

CrossRef Full Text | Google Scholar |

Morrison, G. H. (1971). Evaluation of lunar elemental analyses. Anal. Chem. 43, 22A-31A. doi: 10.1021/ac60302a718
 
CrossRef Full Text | Google Scholar |
 
Mu, Q., Jackson, C. S., und Stoffa, P. L. (2004). Ein auf multivariaten empirisch-orthogonalen Funktionen basierendes Maß für die Leistung von Klimamodellen. J. Geophys. Res. Atmos. 109, D15101. doi: 10.1029/2004jd004584
 
PubMed Abstract | CrossRef Full Text | Google Scholar |

Murphy, J. M., Sexton, D. M. H., Barnett, D. N., Jones, G. S., Webb, M. J., Collins, M., et al. (2004). Quantifizierung von Modellierungsunsicherheiten in einem großen Ensemble von Simulationen des Klimawandels. Nature 430, 768-772. doi: 10.1038/nature02771
 
PubMed Abstract | CrossRef Full Text | Google Scholar |

Myhre, G., Highwood, E. J., Shine, K. P., und Stordal, F. (1998). Neue Schätzungen des Strahlungsantriebs durch gut gemischte Treibhausgase. Geophys. Res. Lett. 25, 2715-2718. doi: 10.1038/nature17165
 
PubMed Abstract | CrossRef Full Text | Google Scholar |
 
Palmer, T. N., Doblas-Reyes, F. J., Hagedorn, R., und Weisheimer, A. (2005). Probabilistische Vorhersage des Klimas mit Hilfe von Multi-Modell-Ensembles: von den Grundlagen bis zur Anwendung. Phil. Trans. R. Soc. Lond. B Biol. Sci. 360, 1991-1998. doi: 10.1098/rstb.2005.1750
 
PubMed Abstract | CrossRef Full Text | Google Scholar |
 
Pennell, C., und Reichler, T. (2010). Über die effektive Anzahl von Klimamodellen. J. Clim. 24, 2358-2367. doi: 10.1175/2010JCLI3814.1
 
CrossRef Full Text | Google Scholar |
 
Pierrehumbert, R. T. (2011). Infrarotstrahlung und Planetentemperatur. Phys. Today 64, 33-38. doi: 10.1063/1.3541943
 
CrossRef Full Text | Google Scholar |
 
Pope, V. D., Gallani, M. L., Rowntree, P. R., und Stratton, R. A. (2000). Die Auswirkungen der neuen physikalischen Parametrisierungen im Hadley Centre Klimamodell: HadAM3. Clim. Dyn. 16, 123-146. doi: 10.1007/s003820050009

CrossRef Full Text | Google Scholar |
 
Räisänen, J. (2007). Wie zuverlässig sind Klimamodelle? Tellus A 59, 2-29. doi: 10.1111/j.1600-0870.2006.00211.x
 
CrossRef Full Text | Google Scholar |
 
Rial, J. A. (2004). Abrupter Klimawandel: Chaos und Ordnung auf orbitalen und millennialen Skalen. Glob. Planet. Change 41, 95-109. doi: 10.1016/j.gloplacha.2003.10.004
 
CrossRef Full Text | Google Scholar |
 
Rowlands, D. J., Frame, D. J., Ackerley, D., Aina, T., Booth, B. B. B., Christensen, C., et al. (2012). Breites Spektrum der Erwärmung im Jahr 2050 anhand eines großen Klimamodell-Ensembles mit Beobachtungseinschränkungen. Nat. Geosci. 5, 256-260. doi: 10.1038/ngeo1430
 
CrossRef Full Text | Google Scholar |
 
Roy, C. J., und Oberkampf, W. L. (2011). Ein umfassender Rahmen für die Verifizierung, Validierung und Quantifizierung der Unsicherheit im wissenschaftlichen Rechnen. Comput. Methods Appl. Mech. Eng. 200, 2131-2144. doi: 10.1016/j.cma.2011.03.016
 
CrossRef Full Text | Google Scholar |
 
Saitoh, T. S., und Wakashima, S. (2000). "An efficient time-space numerical solver for global warming," in Paper Presented at the 35th Intersociety Energy Conversion Engineering Conference and Exhibit (IECEC) (Cat. No.00CH37022), (Las Vegas, NV: IECEC), 1026-1031.
 
Google Scholar |
 
Sanderson, B. M. (2010). A multimodel study of parametric uncertainty in predictions of climate response to rising greenhouse gas concentrations. J. Clim. 24, 1362-1377. doi: 10.1175/2010jcli3498.1
 
CrossRef Full Text | Google Scholar |
 
Schmidt, G. A. (2007a). Szenarien von Hansen et al. 1988 [Online]. Verfügbar unter: realclimate.org/data/H88_...  (Zugriff am 15. Juni 2013).
 
Google Scholar |
 
Schmidt, G. A. (2007b). Temperaturanomalie vom Kontrolljahr [Online]. Verfügbar unter: realclimate.org/data/scen_ABC..  (Zugriff am 15. Juni 2013).
 
Google Scholar |
 
Shao, Y. (2002). Chaos eines einfachen gekoppelten Systems, das durch Interaktion und externe Einflüsse erzeugt wird. Meteorol. Atmos. Phys. 81, 191-205.
 
Google Scholar |
 
Smagorinsky, J. (1963). Allgemeine Zirkulationsexperimente mit den primitiven Gleichungen. Mon. Weather Rev. 91, 99-164. doi: 10.1175/1520-04931963091<0099:Gcewtp>2.3.Co;2
 
PubMed Abstract | CrossRef Full Text | Google Scholar |
 
Smith, D. M., Cusack, S., Colman, A. W., Folland, C. K., Harris, G. R., und Murphy, J. M. (2007). Verbesserte Vorhersage der Oberflächentemperatur für das kommende Jahrzehnt durch ein globales Klimamodell. Science 317, 796-799. doi: 10.1126/science.1139540
 
PubMed Abstract | CrossRef Full Text | Google Scholar |
 
Smith, L. A. (2002). Was können wir aus Klimavorhersagen lernen? Proc. Natl. Acad. Sci. U.S.A. 99(Suppl. 1), 2487-2492. doi: 10.1073/pnas.012580599
 
PubMed Abstract | CrossRef Full Text | Google Scholar |
 
Soon, W., Baliunas, S., Idso, S. B., Kondratyev, K. Y., und Posmentier, E. S. (2001). Modellierung der klimatischen Auswirkungen anthropogener Kohlendioxidemissionen: Unbekannte und Ungewissheiten. Clim. Res. 18, 259-275. doi: 10.3354/cr018259
 
CrossRef Full Text | Google Scholar |
 
Stainforth, D. A., Aina, T., Christensen, C., Collins, M., Faull, N., Frame, D. J., et al. (2005). Unsicherheiten bei der Vorhersage der Reaktion des Klimas auf steigende Treibhausgaskonzentrationen. Nature 433, 403-406. doi: 10.1038/nature03301
 
PubMed Abstract | CrossRef Full Text | Google Scholar |
 
Stainforth, D. A., Allen, M. R., Tredger, E. R., und Smith, L. A. (2007). Vertrauen, Unsicherheit und Relevanz für die Entscheidungsfindung bei Klimavorhersagen. Phil. Trans. R. Soc. A 365, 2145-2161. doi: 10.1098/rsta.2007.2074
 
PubMed Abstract | CrossRef Full Text | Google Scholar |
 
Stephens, G. L. (2005). Cloud feedbacks in the climate system: a critical review. J. Clim. 18, 237-273. doi: 10.1175/jcli-3243.1
 
CrossRef Full Text | Google Scholar |
 
Stevens, B., und Bony, S. (2013). Was übersehen die Klimamodelle? Science 340, 1053-1054. doi: 10.1126/science.1237554
 
PubMed Abstract | CrossRef Full Text | Google Scholar |
 
Stocker, T. F., Qin, D., Plattner, G.-K., Alexander, L. V., Allen, S. K., Bindoff, N. L., et al. (2013). "Technische Zusammenfassung", in Climate Change 2013: The Physical Science Basis. Contribution of Working Group 1 to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change, eds T. F. Stocker, D. Qin, G.-K. Plattner, M. Tignor, S. K. Allen, J. Boschung, et al. (Cambridge: Cambridge University Press), 84.
 
Google Scholar |
 
Su, H., Jiang, J. H., Zhai, C., Perun, V. S., Shen, J. T., Del Genio, A., et al. (2013). Diagnose von regimeabhängigen Wolkensimulationsfehlern in CMIP5-Modellen anhand von "A-Train"-Satellitenbeobachtungen und Reanalysedaten. J. Geophys. Res. Atmos. 118, 2762-2780. doi: 10.1029/2012jd018575
 
CrossRef Full Text | Google Scholar |
 
Sugihara, G., und May, R. M. (1990). Nichtlineare Vorhersage als Möglichkeit zur Unterscheidung von Chaos und Messfehlern in Zeitreihen. Nature 344, 734-741. doi: 10.1038/344734a0
 
PubMed Abstract | CrossRef Full Text | Google Scholar |
 
Taylor, B. N., und Kuyatt, C. E. (1994). Guidelines for Evaluating and Expressing the Uncertainty of NIST Measurement Results. Gaithersburg, MD: Nationales Institut für Standards und Technologie.
 
Google Scholar |
 
Tebaldi, C., und Knutti, R. (2007). Die Verwendung des Multi-Modell-Ensembles in probabilistischen Klimaprojektionen. Phil. Trans. R. Soc. A 365, 2053-2075. doi: 10.1098/rsta.2007.2076
 
PubMed Abstract | CrossRef Full Text | Google Scholar |
 
Tebaldi, C., Smith, R. L., Nychka, D., und Mearns, L. O. (2005). Quantifizierung der Unsicherheit in Projektionen des regionalen Klimawandels: ein Bayes'scher Ansatz zur Analyse von Multimodell-Ensembles. J. Clim. 18, 1524-1540. doi: 10.1175/jcli3363.1
 
CrossRef Full Text | Google Scholar |
 
Turner, D. D., Vogelmann, A. M., Austin, R. T., Barnard, J. C., Cady-Pereira, K., Chiu, J. C., et al. (2007). Dünne Flüssigwasserwolken: ihre Bedeutung und unsere Herausforderung. Bull. Am. Meteorol. Soc. 88, 177-190. doi: 10.1175/bams-88-2-177
 
CrossRef Full Text | Google Scholar |
 
Urban, N. M., und Keller, K. (2010). Probabilistische Hindcasts und Projektionen des gekoppelten Systems von Klima, Kohlenstoffkreislauf und atlantischer meridionaler Umwälzzirkulation: eine Bayes'sche Fusion von Beobachtungen auf der Jahrhundert-Skala mit einem einfachen Modell. Tellus A 62, 737-750. doi: 10.1111/j.1600-0870.2010.00471.x
 
CrossRef Full Text | Google Scholar |
 
Vasquez, V. R., und Whiting, W. B. (1998). Unsicherheit der vorhergesagten Prozessleistung aufgrund von Variationen bei der Schätzung von Thermodynamikmodellparametern aus verschiedenen experimentellen Datensätzen. Fluid Phase Equilib. 142, 115-130. doi: 10.1016/s0378-3812(97)00232-x
 
CrossRef Full Text | Google Scholar |
 
Vasquez, V. R., und Whiting, W. B. (2006). Berücksichtigung sowohl von Zufallsfehlern als auch von systematischen Fehlern in der Unsicherheitsfortpflanzungsanalyse von Computermodellen, die experimentelle Messungen mit Monte-Carlo-Methoden beinhalten. Risk Anal. 25, 1669-1681. doi: 10.1111/j.1539-6924.2005.00704.x
 
PubMed Abstract | CrossRef Full Text | Google Scholar |
 
Viskanta, R. (1966). "Radiation transfer and interaction of convection with radiation heat transfer", in Advances in Heat Transfer, eds T. F. Irvine and J. P. Hartnett (Amsterdam: Elsevier), 175-251. doi: 10.1016/s0065-2717(08)70052-2
 
CrossRef Full Text | Google Scholar |
 
Wagner, E. O. (2011). Deterministisches Chaos und die Evolution von Bedeutung. Br. J. Philos. Sci. 63, 547-575. doi: 10.1093/bjps/axr039
 
CrossRef Full Text | Google Scholar |

Williams, K. D., und Webb, M. J. (2009). Eine quantitative Leistungsbewertung von Wolkenregimen in Klimamodellen. Clim. Dyn. 33, 141-157. doi: 10.1007/s00382-008-0443-1
 
CrossRef Full Text | Google Scholar |
 
Wunsch, C. (2002). Ozeanbeobachtungen und das Problem der Klimavorhersage. Int. Geophys. 83, 233-245. doi: 10.1016/s0074-6142(02)80170-x
 
CrossRef Full Text | Google Scholar |
 
Wunsch, C. (2013). "The past and future ocean circulation from a contemporary perspective," in Ocean Circulation: Mechanisms and Impacts - Past and Future Changes of Meridional Overturning, eds Andreas Schmittner, J. C. H. Chiang, and S. R. Hemming (Washington, DC: American Geophysical Union), 53-74. doi: 10.1029/173gm06
 
CrossRef Full Text | Google Scholar |

Wunsch, C., und Heimbach, P. (2007). Praktische Schätzung des globalen Ozeanzustands. Phys. D Nonlin. Phenom. 230, 197-208. doi: 10.1016/j.physd.2006.09.040

CrossRef Full Text | Google Scholar |

Yamazaki, K., Rowlands, D. J., Aina, T., Blaker, A. T., Bowery, A., Massey, N., et al. (2013). Diverses Verhalten in einem Klimamodell ohne die Verwendung von Flussanpassungen. J. Geophs. Res. Atmos. 118, 2781-2793. doi: 10.1002/jgrd.50304

CrossRef Full Text | Google Scholar |

Zanchettin, D., Gaetan, C., Arisido, M. W., Modali, K., Toniazzo, T., Keenlyside, N., et al. (2017). Structural decomposition of decadal climate prediction errors: a Bayesian approach. Sci. Rep. 7:12862. doi: 10.1038/s41598-017-13144-2

PubMed Abstract | CrossRef Full Text | Google Scholar |

Zhang, M. H., Lin, W. Y., Klein, S. A., Bacmeister, J. T., Bony, S., Cederwall, R. T., et al. (2005). Vergleich von Wolken und ihren saisonalen Schwankungen in 10 allgemeinen atmosphärischen Zirkulationsmodellen mit Satellitenmessungen. J. Geophys. Res 110:D15S02. doi: 10.1029/2004JD005021

CrossRef Full Text | Google Scholar |

Zhao, M., Golaz, J.-C., Held, I. M., Ramaswamy, V., Lin, S.-J., Ming, Y., et al. (2016). Unsicherheiten in der Klimasensitivität von Modellen, die auf Darstellungen der Mikrophysik von Kumulusniederschlägen zurückzuführen sind. J. Clim. 29, 543-560. doi: 10.1175/jcli-d-15-0191.1

CrossRef Full Text | Google Scholar |

  |   

Schlüsselwörter: GCM, Klimamodell, propagierter Fehler, Theorie-Fehler, Unsicherheit, Lufttemperaturprojektion
 
Zitierung: Frank P (2019) Propagation of Error and the Reliability of Global Air Temperature Projections. Front. Earth Sci. 7:223. doi: 10.3389/feart.2019.00223
 
Eingegangen: 03 February 2019; Accepted: 14 August 2019;

Veröffentlicht: 06. September 2019.
 
Bearbeitet von:
Jing-Jia Luo, Amt für Meteorologie, Australien

Rezensiert von:
 - Carl Wunsch, Massachusetts Institute of Technology, Vereinigte Staaten
 - Davide Zanchettin, Ca' Foscari Universität von Venedig, Italien

Copyright © 2019 Frank. Dies ist ein Open-Access-Artikel, der unter den Bedingungen der Creative Commons Attribution License (CC BY) verbreitet wird. Die Verwendung, Verbreitung oder Vervielfältigung in anderen Foren ist gestattet, sofern der/die ursprüngliche(n) Autor(en) und der/die Urheberrechtsinhaber genannt werden und die ursprüngliche Veröffentlichung in dieser Zeitschrift in Übereinstimmung mit der anerkannten wissenschaftlichen Praxis zitiert wird. Eine Nutzung, Verbreitung oder Vervielfältigung, die nicht mit diesen Bedingungen übereinstimmt, ist nicht gestattet.
 
*Korrespondenz: Patrick Frank, pfrank@slac.stanford.edu
 
Haftungsausschluss: Alle in diesem Artikel zum Ausdruck gebrachten Behauptungen sind ausschließlich die der Autoren und stellen nicht notwendigerweise die der mit ihnen verbundenen Organisationen oder die des Herausgebers, der Redakteure und der Gutachter dar. Jedes Produkt, das in diesem Artikel bewertet wird, oder jede Behauptung, die von seinem Hersteller aufgestellt wird, wird vom Herausgeber nicht garantiert oder unterstützt.

Anmerkung (JWD): Im englischen Originaltext sind im Text etliche, zum großen Teil interne Links eingefügt. Diese Links habe ich unverändert übernommen und führen deshalb als externe Links zu der englischen Originalseite. Bei dem im übersetzten Text eingebettete Gleichungen werden teilweise die Sonderzeichen nicht korrekt wiedergegeben. In diesen Fällen bitte im Originaltext nachsehen.

*) Pseudo- Rechtsstreit: Da es sich bei den Eignern der Großkonzerne, ebenso wie bei den Finanziers der Umweltbewegten, welche hier politische Schaugefechte abliefern, um die gleichen (Un-) Menschen handelt, kann es sich folglich nur um Pseudogefechte handeln (s.a. ..hier und ..hier)
 

Link zum englischen Originaltext bei ' frontiersin.org ' ..hier | PDF ..hier

  |   

Nachtrag 02.01.2024:
Home |<zurück | JWD-Nachrichten | BitChute | Teilen | |
 

Quelle: JWD-Nachrichten via BitChute  |  veröffentlicht 02.01.2024

Wissenschaftsbetrug -
Wie das IPCC Klimadaten falsch darstellt (Deutsch)

Das IPCC hat in 2 Folgestudien Rohdaten finnischer Wissenschaftler kurzer Hand gedreht. - Nachdem ein "peer review" das Invertieren der Ursprungsdaten als statthaft erklärte, reagierten die Finnen mit dieser Doku auf den Wissenschaftsbetrug des IPCC. - Dokumentation aus 2009. (Originalquelle: www.yle.fi/mot)

  |   

Passend zum Thema:

30.03.2023  00:00 | auf Telegram ansehen
Erfindung als Geschäftsidee: "Welt-Klimakatastrophe"
Hartmut Bachmann war bei vielen Besprechungen dabei, als in den 1980ziger Jahren die Pläne zu der Geschäftsidee "Welt-Klimakatastrophe" auf höchster Ebene entwickelt wurden. Er schildert sogar, wie die Idee in diesen "höheren Kreisen" aufkam und Verbreitung gefunden hatte. Hartmut Bachmann war damals CEO einer zu Klimafragen spezialisierten US-Firma und war emeritierter Kommissar (Beauftragter) des US-amerikanischen "VS Energy Saving Programs". Wohl in dieser Eigenschaft hatte er an diesen hochrangigen Strategie-Sitzungen teilgenommen. Als Bachmann nach diesem Lebensabschnitt...  JWD  ..weiterlesen
 

27.03.2023  11:00 | #Machtstrukturen  | auf Telegram ansehen
Rothschilds Corona-Ablenkungs- Manöver vorbei, geht's jetzt zur Sache?
In einem Interview Ende letzten Jahres hat der Weltenlenker Nathaniel Charles Jacob, 4. Baron Rothschild aus Wolkenkuckucksheim uns wissen lassen, dass Corona nur eine Ablenkung zum wirklichen Problem mit dem verflixten Klima ist, welches jetzt gelöst werden muss. Naja, also wörtlich hat er dies nicht gesagt. Seine wenigen Sätze wirken eher cheftypisch leicht konfus. Um das Geeiers professioneller der weltweiten Öffentlichkeit zu verkaufen, gibt es ja schließlich die untertänigsten, bei Klaus Schwab gehirngewaschenen, korrumpierten Polit-Marionetten, nebst ...  JWD  ..weiterlesen
 

28.09.2019  00:00
Klimamodelle in Trümmern: Prof. P. Frank zerstört CO2-Fake
Die CO2-Theorie, wonach das Spurengas für Treibhauseffekt und Klimaerwärmung verantwortlich sein soll, ist durch eine Studie von Stanford Professor Patrick Frank vollständig widerlegt. Alle Aussagen, die über den Einfluss von CO2 auf das Klima gemacht werden, sind damit bedeutungslos. Es wird nachgewiesen, dass Klimawandelmodelle die Erdtemperatur nicht vorhersagen können. Jahrelang wurde mit allen Mitteln versucht, die Veröffentlichung der Studie zu unterdrücken. Die neuen Erkenntnisse werden von den Medien verschwiegen.  JWD  ..weiterlesen
 

Home |<zurück | Feeder zeigen

Tags: Studie, GCM, Klimamodell, propagierter Fehler, Theorie-Fehler, Unsicherheit, Lufttemperaturprojektion