Algunas nuevas comparaciones de MSU de CMIP6

Agregamos algunos de los modelos CMIP6 a la MSU actualizable [and SST] comparaciones

Después de mi actualización anual, me señalaron algunos diagnósticos relacionados con MSU para muchos de los modelos CMIP6 (al menos 24 de ellos) de Po-Chedley et al. (2022) cortesía de ben santer. Estos son ligeramente diferentes a lo que hemos mostrado para CMIP5 en que el diagnóstico es el TMT tropical corregido (después de Fu et al., 2004) que es una mejor representación de la troposfera media que el diagnóstico TMT clásico a través de un ajuste utilizando el registro de la estratosfera inferior (es decir,

).

Estos datos para el escenario histórico y SSP3-70 (135 simulaciones) son para la región 20ºS-20ºN. Esto nos permite proporcionar una comparación actualizable con los diagnósticos de temperatura satelital equivalentes de RSS v4, UAH v6 y el nuevo NOAA STAR v5. Al igual que con las comparaciones anteriores de CMIP6, trazaré la serie de tiempo observacional contra el conjunto completo y el conjunto analizado por la respuesta climática transitoria (TCR) como recomendamos en Hausfather et al (2022)y trace la serie temporal y el histograma de tendencias.

Dos cosas están claras. En primer lugar, el conjunto de 24 modelos en su conjunto claramente se está calentando más rápido que las observaciones, pero el histograma muestra que este conjunto está muy sesgado al incluir 53 miembros del conjunto de CanESM5/CanESM5-CanOE (verde en el histograma) que, lamentablemente, tiene un valor muy alto. sensibilidad climática (ECS 5,6ºC, TCR 2,7ºC). El conjunto TCR Screened (solo incluye los 15 modelos que tienen 1,4 ºC

La selección anterior de modelos CMIP6 no incluye el rango de configuraciones de los modelos acoplados GISS que vimos en Casas et al. (2023). Dado que este es un conjunto con un diseño un tanto diferente, lo trazaré de manera similar (45 simulaciones), y también notaré que estos son medios globales, nuevamente, para el producto TMT corregido (para los escenarios histórico y SSP2-45 después de 2014). Este conjunto muestra la variabilidad estructural del modelo (resolución vertical, parte superior del modelo, composición interactiva) y algunos aspectos de la incertidumbre forzada (especialmente para aerosoles y ozono), así como la variabilidad de la condición inicial («clima») que estamos acostumbrados a ver.

Como arriba, el conjunto GISS diverge ligeramente de las observaciones. También incluí una línea para la media del conjunto AMIP (roja) (simulaciones que usan las temperaturas de la superficie del mar observadas como un forzamiento adicional) que muestra que los detalles de la variabilidad interanual y la tendencia observada pueden coincidir si la secuencia de El Niño y La Niña, etc. están emparejados. Para las tendencias de 1979-2022, el conjunto GISS es una coincidencia más cercana a las observaciones que la selección de 24 modelos que se muestra arriba, particularmente las simulaciones GISS-E2.2, todas las cuales están dentro de las incertidumbres de la dispersión observacional.

El punto de este ejercicio es primero, incluir CMIP6 en las comparaciones. Si bien sabemos que este es un conjunto más complicado para trabajar debido a la amplia (y poco realista) dispersión en la sensibilidad climática, el punto de resaltar los esfuerzos del modelo GISS aquí también es señalar que estamos comenzando a hacer un mejor trabajo en términos de muestrear diferentes tipos de incertidumbre. Los conjuntos CMIP siguen siendo ‘conjuntos de oportunidad’, pero cada vez somos más capaces de tomar partes del conjunto para aislar diferentes tipos de sensibilidad que quizás sean ortogonales a lo que ha sido posible antes y marcan la diferencia en muchas comparaciones de observación, no solo en el registros de la UMS.

Actualización (3/19):

Como estoy haciendo nuevos gráficos, aquí también están las comparaciones de SST. Los archivos SST provienen del U. Melbourne colación y tengo 135 simulaciones de 13 modelos separados (cuando los descargué) (para las ejecuciones históricas continuadas por SSP2-45). Desafortunadamente, una gran parte del conjunto es nuevamente el modelo CanESM5 (52 ejecuciones), pero hay 73 simulaciones de 9 modelos que pasan la pantalla TCR utilizada anteriormente. estoy tramando el TeníaSST4 y ERSSTv5 medios globales para las observaciones. Los subconjuntos del conjunto no se superponen del todo (aquí hay dos modelos adicionales: CIESN y GISS-E2.1-G, 14 que faltan y 11 en común), pero el panorama general es muy similar. Hay un subconjunto de modelos con TCR/ECS alto que se calientan demasiado rápido, pero la mayoría de los modelos restantes funcionan bien.

Las comparaciones de SST han aparecido en Twitter en los últimos meses, encabezadas por Roy Spencer, quien no señaló la bifurcación obvia en los modelos, y luego repetidas por varios aspirantes a contrarios que no saben lo que están publicando y les importa. incluso menos. ¿Quizás estos gráficos sean útiles para agregar algo de claridad?

Es interesante el contraste entre la excelente concordancia del conjunto analizado para la SST global y la ligera sobreestimación (en promedio) para la TMT tropical o global corregida. Un par de cosas probablemente jugarán en eso. En primer lugar, los diagnósticos MSU TMT están más dominados por los cambios en los trópicos que en los campos de superficie debido a los efectos de la convección y, por lo tanto, la naturaleza excepcional de la tendencia similar a La Niña en el Pacífico oriental. Lee y otros (2021) va a ser magnificado en lo alto. En segundo lugar, el impacto de los forzamientos es ligeramente diferente en las diferentes capas, en particular para los cambios en los aerosoles y el ozono, por lo que las incertidumbres pueden desempeñar diferentes funciones en diferentes niveles.

Una advertencia final, he sido bastante perezoso al trazar estos conjuntos para poder mostrar el impacto tanto de los cambios forzados como de la dispersión debido a la variabilidad interna y la incertidumbre estructural. Desafortunadamente, cuando tienes un conjunto que tiene cincuenta ejecuciones de un solo modelo y luego un puñado de modelos con solo una o dos ejecuciones, entonces es difícil saber qué es lo mejor. Algunos artículos han tomado una sola ejecución de cada modelo, lo que parece justo, pero en realidad confunde la incertidumbre estructural y la variabilidad interna. Algunos toman la media del conjunto de cada modelo y luego trazan el promedio de los promedios, lo que podría ser una buena estimación del cambio forzado, pero pierde la información del clima. Tal vez estas cosas deban estimarse por separado y combinarse artificialmente. Aunque otra publicación…

Referencias

1. S. Po-Chedley, JT Fasullo, N. Siler, ZM Labe, EA Barnes, CJW Bonfils y BD Santer, «Variabilidad interna y modelo de influencia de forzamiento: diferencias satelitales en la tasa de calentamiento troposférico tropical», procedimientos de la Academia Nacional de Ciencias, vol. 119, 2022. http://dx.doi.org/10.1073/pnas.2209431119

2. Q. Fu, CM Johanson, SG Warren y DJ Seidel, «Contribución del enfriamiento estratosférico a las tendencias de temperatura troposférica inferidas por satélite», Naturaleza, vol. 429, págs. 55-58, 2004. http://dx.doi.org/10.1038/nature02524

3. Z. Hausfather, K. Marvel, GA Schmidt, JW Nielsen-Gammon y M. Zelinka, «Simulaciones climáticas: reconocer el problema del ‘modelo caliente'», Naturaleza, vol. 605, págs. 26-29, 2022. http://dx.doi.org/10.1038/d41586-022-01192-2

4. MC Casas, GA Schmidt, RL Miller, C. Orbe, K. Tsigaridis, LS Nazarenko, SE Bauer y DT Shindell, «Comprensión de las discrepancias en la observación del modelo en las recuperaciones satelitales de la temperatura atmosférica utilizando GISS ModelE», Revista de Investigación Geofísica: Atmósferas, vol. 128, 2022. http://dx.doi.org/10.1029/2022JD037523

5. S. Lee, M. L’Heureux, AT Wittenberg, R. Seager, PA O’Gorman y NC Johnson, «Sobre los futuros contrastes zonales del clima del Pacífico ecuatorial: perspectivas de observaciones, simulaciones y teorías», npj Clima y Ciencias Atmosféricas, vol. 5, 2022. http://dx.doi.org/10.1038/s41612-022-00301-2