Klimatologen en statistici van Ca' Foscari Universiteit van Venetië hebben een methode ontwikkeld om systematische fouten nauwkeurig te schatten die van invloed zijn op decadale klimaatvoorspellingen. De voorgestelde methode belooft grote vooruitgang in de richting van betrouwbare klimaatvoorspellingen op korte termijn. Het resultaat is gisteren gepubliceerd in het prestigieuze tijdschrift Wetenschappelijke rapporten van de Natuur uitgeverij groep.

Decadale klimaatvoorspelling verkent de klimaatevolutie met een voorspellingshorizon van ongeveer een decennium, en vertegenwoordigt een van de meest interessante grenzen van klimaatonderzoek vanwege zijn potentieel enorme economische, politieke en sociale gevolgen.

De numerieke modellen die momenteel worden gebruikt in decadale klimaatvoorspellingssystemen worden beïnvloed door ernstige systematische fouten (of vooroordelen) in belangrijke regio's van de oceaan en de atmosfeer, vanwege hun onvolmaakte weergave van fundamentele fysieke processen. Door deze vooroordelen de gesimuleerde gemiddelde toestand van het klimaat kan aanzienlijk verschillen van de waargenomen toestand in grote regio's.

Net als bij de weersvoorspelling, deze modellen worden geïnitialiseerd - ze assimileren de waargenomen gegevens zodat de gesimuleerde klimaatevolutie zo dicht mogelijk bij de waargenomen evolutie ligt. Om de toekomstige evolutie te voorspellen, het model is "bevrijd". In de eerste fase wordt het model dus "gedwongen" om de waarnemingen te volgen; dan, vanaf het moment dat het "bevrijd" is, wijkt het geleidelijk af van het waargenomen gemiddelde klimaat en ontspant het zich naar zijn eigen klimaat, specifiek gemiddeld klimaat. Alsof dit twee afzonderlijke parallelle werelden zijn:waargenomen en gesimuleerde werkelijkheden. Tegen de tijd dat het model vrij evolueert zonder observatiebeperkingen, het model dwaalt af, met een progressieve "overgang" van de eerste naar de tweede (bevooroordeelde) realiteit.

De kwestie is complex, en de evolutie van de drift wordt daarom meestal gewoon geschat door middel van eenvoudige empirische methoden, en kwantificering van de onzekerheid ervan verwaarloosd:met andere woorden, de drift wordt meestal beschouwd als een fout die moet worden gecorrigeerd.

Dit onderzoek, in tegenstelling tot, richt zich op de drift, die voor het eerst wordt beschouwd als een statistisch proces met zijn eigen temporele dynamiek. Het statistische model maakte het mogelijk om de verschillende componenten te scheiden die overeenkomen met het bepalen van drift en bias, met inbegrip van foutentrends en seizoensinvloeden op de lange termijn. Verder, het liet toe om causale verbanden tussen drift en andere klimatologische processen vast te stellen.

Het gisteren gepubliceerde artikel is co-auteur van Davide Zanchettin, Carlo Gaetan, Angelo Rubino en Maeregu Arisido van de DAIS samen met onderzoekers van het Max Planck Instituut in Hamburg, het Bjerknes Centrum voor Klimaatonderzoek en het Geofysisch Instituut van de Universiteit van Bergen, als onderdeel van het grote Europese project PREFACE (preface.b.uib.no/).

De voorgestelde methode - gebaseerd op een lineair dynamisch model - is het resultaat van synergieën tussen onderzoeksgroepen op het gebied van statistiek, numerieke modellering en klimaatdynamiek gecoördineerd door professoren Gaetan en Rubino (werkpakketleider in het project PREFACE).

"Onze vertegenwoordigt een innovatieve toepassing, op het gebied van klimaatonderzoek, van een statistische methodologie die goed is ingeburgerd op andere gebieden, zoals economie. Ons resultaat kan hopelijk de samenwerking tussen Europese onderzoekers op het gebied van statistiek en klimatologie bevorderen, in navolging van een door collega's in de Verenigde Staten voorziene trend", legt Davide Zanchettin uit.

"We wilden meer geavanceerde statistische methoden voor klimaatonderzoek brengen. We hebben dit doel bereikt dankzij de inzet van de DAIS om een ​​"brug tussen twee werelden" te bouwen - dynamische klimatologie en statistiek - die vaak verschillende talen gebruiken", zegt Angelo Rubino.

"VOORWOORD was een geweldige kans om te laten zien hoe complexe statistische theorie niet louter een theoretische oefening is, maar een potentiële ondersteuning op andere gebieden", besluit Carlo Gaetan.