Hoe rap warmt de aarde op?
Vrije vertaling met eigen aanvullingen op artikel ‘How Fast is Earth Warming?’ op
http://tamino.wordpress.com/2011/01/20/how-fast-is-earth-warming/#more-3334
De grafieken in kleur zijn daar ook te vinden.
Vertaald met toestemming
De gebruikte datasets:
• 3 datasets die de oppervlaktetemperaturen (gebaseerd op normale temperatuursmetingen) beschrijven:
o GISS: temperatuursanomalieën ten opzichte van de basisperiode 1951-1980: http://data.giss.nasa.gov/gistemp/tabledata/GLB.Ts+dSST.txt
o NCDC: temperatuursanomalieën ten opzichte van de basisperiode 1901-2000: ftp://ftp.ncdc.noaa.gov/pub/data/anomalies/monthly.land_ocean.90S.90N.df_1901-2000mean.dat
o HadCRU(T3v): temperatuursanomalieën ten opzichte van de basisperiode 1961-1990: http://hadobs.metoffice.com/hadcrut3/diagnostics/global/nh+sh/monthly
• 2 satellietdatasets die de temperatuur gemiddeld over de lage troposfeer beschrijven:
o UAH: temperatuursanomalieën ten opzichte van de basisperiode 1981-2010: http://www1.ncdc.noaa.gov/pub/data/cmb/temp-and-precip/upper-air/uahncdc.lt
o RSS: temperatuursanomalieën ten opzichte van de basisperiode 1979-1998: http://www1.ncdc.noaa.gov/pub/data/cmb/temp-and-precip/upper-air/rss_monthly_msu_amsu_channel_tlt_anomalies_land_and_ocean.txt
De verschillen tussen de datasets bevinden zich in de methodologie en het al of niet meenemen van de polen.
Andere gebruikte datasets:
• MEI-index: http://www.esrl.noaa.gov/psd/people/klaus.wolter/MEI/
• Vulkaangegevens: ftp://ftp.ncdc.noaa.gov/pub/data/paleo/climate_forcing/volcanic_aerosols/ammann2003b_volcanics.txt
• Zonnevlekkengegevens: ftp://ftp.ngdc.noaa.gov/STP/SOLAR_DATA/SUNSPOT_NUMBERS/INTERNATIONAL/monthly/MONTHLY
Nu 2010 voorbij is en alle cijfers betreffende de temperaturen voor dit jaar binnen zijn is het tijd om een vergelijking te maken van de vijf wereldwijde datasets die de wereldwijde temperatuur beschrijven. De bedoeling van deze oefening is om te bepalen hoe groot het effect is van verschillende natuurlijke factoren op de wereldwijde temperatuur. Daaruit volgt ook automatisch een schatting van de temperatuurstrend die verborgen zit in de data.
De vijf datasets die bestudeerd worden zijn GISS, NCDC, HadCRUT3v, RSS en UAH.
De natuurlijke factoren die bekeken worden zijn El Niño, vulkanen en de variaties in zonnekracht.
Verder wordt nog gekeken of er een lineaire trend aanwezig is in de data en wordt een eventuele overblijvende jaarlijkse cyclus uit de data gefilterd door gebruik te maken van een 2e orde Fourierschatting.
De periode die bekeken wordt is de periode 1975-2010.
De data die gebruikt wordt om El Niño te karakteriseren is de MEI (multivariate el Niño index). Voor de data van de vulkaanuitbarstingen wordt gebruik gemaakt van Ammann et al. (2003). De zonnefluctuaties worden gekarakteriseerd door het internationale zonnevlekkengetal. Dit werd geselecteerd omdat de meeste reconstructies van de TSI (de totale zonnestraling) jaarlijkse waardes zijn, in plaats van de hier benodigde maandelijkse waardes en omdat ze slechts starten in 1979. Daarom gebruiken we zonnevlekken als een benadering voor zonneactiviteit en kijken we of de temperatuur al of niet een correlatie met deze zonnevlekken toont.
We laten voor El Niño, vulkanen en zonnevlekken ook een zogenaamde ‘lag’ toe. Dit wil zeggen dat we voor elk van deze variabelen bekijken of een uitgestelde reactie (een ‘lag’) een betere oplossing toelaat. We laten een waaier toe van ‘lags’ die gaat van 0 tot 24 maand voor El Niño en vulkaanuitbarstingen en van 0 tot 120 maand voor zonnevlekken.
Eerst kijken we naar hoe de ruwe data eruit ziet wanneer ze nog niet op dezelfde schaal geplaatst zijn. Op deze figuur hebben we alle 5 de datasets (jaarlijkse gemiddeldes met trendlijnen) van 1975 tot nu (de satellietmetingen starten slechts vanaf 1979) geplaatst.
De GISS en de NCDC-data tonen 2010 als (gedeeld) warmste jaar tezamen met 2005, terwijl HadCRU, RSS en UAH nog steeds 1998 hebben als warmste jaar. De reden van het verschil in hoogte tussen de lijnen is omdat zij allemaal een ander nulpunt gebruiken. Daarom gebruiken we in de verdere analyse dezelfde basisperiode (1980-2010). Dit wil zeggen dat we temperatuursverschillen met de periode 1980-2010 zullen berekenen voor alle 5 de datasets.
Indien we de lineaire trend schatten zonder de natuurlijke factoren te verwijderen uit de datasets krijgen we (de fouten zijn de 1-sigma standaardafwijkingen):
GISS: 0.0176+-0.0023 °C/jaar
NCDC: 0.0171+-0.0020 °C/jaar
HadCRU: 0.0169+-0.0023 °C/jaar
RSS: 0.0163+-0.0041°C/jaar
UAH: 0.0141+-0.0043°C/jaar.
Alle trendschattingen zijn vergelijkbaar, alhoewel de schatting van UAH duidelijk lager is dan van de andere. Daarenboven zijn de foutenmarges bij de satellietdata (RSS en UAH) duidelijk groter dan bij de andere datasets.
Wanneer we nu een meervoudige regressie van de temperatuurdata doen op de MEI, de vulkanen, de zonnevlekken, een lineaire trend en een jaarlijkse cyclus krijgen we een goed resultaat. Het voorbeeld hieronder is de regressie voor de GISS-data (zwart is de oorspronkelijke dataset en rood is de regressie).
Deze regressie staat ons nu toe om twee zinvolle dingen te doen. Ten eerste geeft het ons een directe schatting van de lineaire trend. De schattingen zijn
GISS: 0.0172+-0.0013 °C/jaar
NCDC: 0.0172+-0.0010 °C/jaar
HadCRU: 0.0171+-0.0011 °C/jaar
RSS: 0.0183+-0.0013°C/jaar
UAH: 0.0159+-0.0015°C/jaar.
Ten tweede staat het ons toe al de natuurlijke factoren te verwijderen. Elimineren we de geschatte invloed van El Niño, de vulkanen, de zonneactiviteit en de resterende jaarlijkse cyclus krijgen we alleen de wereldwijde opwarmende trend gecombineerd met de overblijvende natuurlijke variatie. Dit geeft ons de aangepaste dataset voor iedere bron. Hier is ze, voor de maandelijkse data, voor alle vijf de databronnen:
We kunnen ook de jaarlijkse gemiddeldes van de aangepaste datasets berekenen, wat aantoont hoe sterk de verschillende bronnen overeenkomen:
Een van de opvallende dingen is dat ondanks het feit dat de ruwe satellietwaardes minder opwarming geven wanneer we naar de ruwe data kijken dit niet meer zo is indien we compenseren voor de natuurlijke factoren. Daarentegen toont RSS dan zelfs de snelste opwarming van de vijf datasets. Dit heeft te maken met de veel sterkere reactie van de satellietdata op de natuurlijke factoren dan de meetdata. Deze natuurlijke factoren hebben de neiging om de RSS en de UAH trend te verminderen, dus wanneer ze verwijderd worden krijgen we een grotere trend. De UAH blijft echter de kleinste trend van alle 5 de datasets te tonen.
Wat ook opvalt is dat, wanneer er gecompenseerd wordt voor natuurlijke bronnen, de drie oppervlaktedatasets (GISS, NCDC en HadCRU) een nagenoeg identieke opwarming tonen sedert 1975.
In alle aangepaste datasets is 2010 het warmste jaar. Daarenboven is in 4 van de vijf datasets (de uitzondering is NCDC) het tweede warmste jaar 2009. Alle trends zijn ook statistisch significant.
Alle vijf de datasets komen heel sterk overeen, niet alleen wat betreft de totale opwarming, maar ook wat betreft de fluctuaties die bestaan van jaar tot jaar.
De satellietdata reageren veel sterker op natuurlijke factoren dan de oppervlaktedata. Het effect van vulkanen in de satellietdata is ongeveer 50% hoger dan in oppervlaktedata. Het effect van El Niño en de zonneactiviteit is zelfs ongeveer dubbel zo groot. Voor de oppervlaktedata is het effect van de zonneactiviteit niet statistisch significant, maar voor de satellietdata is het effect van de zonneactiviteit wel duidelijk significant.
De natuurlijke factoren:
El Niño (een ‘lag’ van 3 à 4 maand voor oppervlaktedata en 5 maand voor satellietdata):
Vulkanen (een ‘lag’ van 8 à 9 maand voor oppervlaktedata en 3 à 5 maand voor satellietdata)
Zonnestraling: (een ‘lag’ van 2, behalve voor GISS waar het 3 maand is)
Wouter
Vrije vertaling met eigen aanvullingen op artikel ‘How Fast is Earth Warming?’ op
http://tamino.wordpress.com/2011/01/20/how-fast-is-earth-warming/#more-3334
De grafieken in kleur zijn daar ook te vinden.
Vertaald met toestemming
De gebruikte datasets:
• 3 datasets die de oppervlaktetemperaturen (gebaseerd op normale temperatuursmetingen) beschrijven:
o GISS: temperatuursanomalieën ten opzichte van de basisperiode 1951-1980: http://data.giss.nasa.gov/gistemp/tabledata/GLB.Ts+dSST.txt
o NCDC: temperatuursanomalieën ten opzichte van de basisperiode 1901-2000: ftp://ftp.ncdc.noaa.gov/pub/data/anomalies/monthly.land_ocean.90S.90N.df_1901-2000mean.dat
o HadCRU(T3v): temperatuursanomalieën ten opzichte van de basisperiode 1961-1990: http://hadobs.metoffice.com/hadcrut3/diagnostics/global/nh+sh/monthly
• 2 satellietdatasets die de temperatuur gemiddeld over de lage troposfeer beschrijven:
o UAH: temperatuursanomalieën ten opzichte van de basisperiode 1981-2010: http://www1.ncdc.noaa.gov/pub/data/cmb/temp-and-precip/upper-air/uahncdc.lt
o RSS: temperatuursanomalieën ten opzichte van de basisperiode 1979-1998: http://www1.ncdc.noaa.gov/pub/data/cmb/temp-and-precip/upper-air/rss_monthly_msu_amsu_channel_tlt_anomalies_land_and_ocean.txt
De verschillen tussen de datasets bevinden zich in de methodologie en het al of niet meenemen van de polen.
Andere gebruikte datasets:
• MEI-index: http://www.esrl.noaa.gov/psd/people/klaus.wolter/MEI/
• Vulkaangegevens: ftp://ftp.ncdc.noaa.gov/pub/data/paleo/climate_forcing/volcanic_aerosols/ammann2003b_volcanics.txt
• Zonnevlekkengegevens: ftp://ftp.ngdc.noaa.gov/STP/SOLAR_DATA/SUNSPOT_NUMBERS/INTERNATIONAL/monthly/MONTHLY
Nu 2010 voorbij is en alle cijfers betreffende de temperaturen voor dit jaar binnen zijn is het tijd om een vergelijking te maken van de vijf wereldwijde datasets die de wereldwijde temperatuur beschrijven. De bedoeling van deze oefening is om te bepalen hoe groot het effect is van verschillende natuurlijke factoren op de wereldwijde temperatuur. Daaruit volgt ook automatisch een schatting van de temperatuurstrend die verborgen zit in de data.
De vijf datasets die bestudeerd worden zijn GISS, NCDC, HadCRUT3v, RSS en UAH.
De natuurlijke factoren die bekeken worden zijn El Niño, vulkanen en de variaties in zonnekracht.
Verder wordt nog gekeken of er een lineaire trend aanwezig is in de data en wordt een eventuele overblijvende jaarlijkse cyclus uit de data gefilterd door gebruik te maken van een 2e orde Fourierschatting.
De periode die bekeken wordt is de periode 1975-2010.
De data die gebruikt wordt om El Niño te karakteriseren is de MEI (multivariate el Niño index). Voor de data van de vulkaanuitbarstingen wordt gebruik gemaakt van Ammann et al. (2003). De zonnefluctuaties worden gekarakteriseerd door het internationale zonnevlekkengetal. Dit werd geselecteerd omdat de meeste reconstructies van de TSI (de totale zonnestraling) jaarlijkse waardes zijn, in plaats van de hier benodigde maandelijkse waardes en omdat ze slechts starten in 1979. Daarom gebruiken we zonnevlekken als een benadering voor zonneactiviteit en kijken we of de temperatuur al of niet een correlatie met deze zonnevlekken toont.
We laten voor El Niño, vulkanen en zonnevlekken ook een zogenaamde ‘lag’ toe. Dit wil zeggen dat we voor elk van deze variabelen bekijken of een uitgestelde reactie (een ‘lag’) een betere oplossing toelaat. We laten een waaier toe van ‘lags’ die gaat van 0 tot 24 maand voor El Niño en vulkaanuitbarstingen en van 0 tot 120 maand voor zonnevlekken.
Eerst kijken we naar hoe de ruwe data eruit ziet wanneer ze nog niet op dezelfde schaal geplaatst zijn. Op deze figuur hebben we alle 5 de datasets (jaarlijkse gemiddeldes met trendlijnen) van 1975 tot nu (de satellietmetingen starten slechts vanaf 1979) geplaatst.
De GISS en de NCDC-data tonen 2010 als (gedeeld) warmste jaar tezamen met 2005, terwijl HadCRU, RSS en UAH nog steeds 1998 hebben als warmste jaar. De reden van het verschil in hoogte tussen de lijnen is omdat zij allemaal een ander nulpunt gebruiken. Daarom gebruiken we in de verdere analyse dezelfde basisperiode (1980-2010). Dit wil zeggen dat we temperatuursverschillen met de periode 1980-2010 zullen berekenen voor alle 5 de datasets.
Indien we de lineaire trend schatten zonder de natuurlijke factoren te verwijderen uit de datasets krijgen we (de fouten zijn de 1-sigma standaardafwijkingen):
GISS: 0.0176+-0.0023 °C/jaar
NCDC: 0.0171+-0.0020 °C/jaar
HadCRU: 0.0169+-0.0023 °C/jaar
RSS: 0.0163+-0.0041°C/jaar
UAH: 0.0141+-0.0043°C/jaar.
Alle trendschattingen zijn vergelijkbaar, alhoewel de schatting van UAH duidelijk lager is dan van de andere. Daarenboven zijn de foutenmarges bij de satellietdata (RSS en UAH) duidelijk groter dan bij de andere datasets.
Wanneer we nu een meervoudige regressie van de temperatuurdata doen op de MEI, de vulkanen, de zonnevlekken, een lineaire trend en een jaarlijkse cyclus krijgen we een goed resultaat. Het voorbeeld hieronder is de regressie voor de GISS-data (zwart is de oorspronkelijke dataset en rood is de regressie).
Deze regressie staat ons nu toe om twee zinvolle dingen te doen. Ten eerste geeft het ons een directe schatting van de lineaire trend. De schattingen zijn
GISS: 0.0172+-0.0013 °C/jaar
NCDC: 0.0172+-0.0010 °C/jaar
HadCRU: 0.0171+-0.0011 °C/jaar
RSS: 0.0183+-0.0013°C/jaar
UAH: 0.0159+-0.0015°C/jaar.
Ten tweede staat het ons toe al de natuurlijke factoren te verwijderen. Elimineren we de geschatte invloed van El Niño, de vulkanen, de zonneactiviteit en de resterende jaarlijkse cyclus krijgen we alleen de wereldwijde opwarmende trend gecombineerd met de overblijvende natuurlijke variatie. Dit geeft ons de aangepaste dataset voor iedere bron. Hier is ze, voor de maandelijkse data, voor alle vijf de databronnen:
We kunnen ook de jaarlijkse gemiddeldes van de aangepaste datasets berekenen, wat aantoont hoe sterk de verschillende bronnen overeenkomen:
Een van de opvallende dingen is dat ondanks het feit dat de ruwe satellietwaardes minder opwarming geven wanneer we naar de ruwe data kijken dit niet meer zo is indien we compenseren voor de natuurlijke factoren. Daarentegen toont RSS dan zelfs de snelste opwarming van de vijf datasets. Dit heeft te maken met de veel sterkere reactie van de satellietdata op de natuurlijke factoren dan de meetdata. Deze natuurlijke factoren hebben de neiging om de RSS en de UAH trend te verminderen, dus wanneer ze verwijderd worden krijgen we een grotere trend. De UAH blijft echter de kleinste trend van alle 5 de datasets te tonen.
Wat ook opvalt is dat, wanneer er gecompenseerd wordt voor natuurlijke bronnen, de drie oppervlaktedatasets (GISS, NCDC en HadCRU) een nagenoeg identieke opwarming tonen sedert 1975.
In alle aangepaste datasets is 2010 het warmste jaar. Daarenboven is in 4 van de vijf datasets (de uitzondering is NCDC) het tweede warmste jaar 2009. Alle trends zijn ook statistisch significant.
Alle vijf de datasets komen heel sterk overeen, niet alleen wat betreft de totale opwarming, maar ook wat betreft de fluctuaties die bestaan van jaar tot jaar.
De satellietdata reageren veel sterker op natuurlijke factoren dan de oppervlaktedata. Het effect van vulkanen in de satellietdata is ongeveer 50% hoger dan in oppervlaktedata. Het effect van El Niño en de zonneactiviteit is zelfs ongeveer dubbel zo groot. Voor de oppervlaktedata is het effect van de zonneactiviteit niet statistisch significant, maar voor de satellietdata is het effect van de zonneactiviteit wel duidelijk significant.
De natuurlijke factoren:
El Niño (een ‘lag’ van 3 à 4 maand voor oppervlaktedata en 5 maand voor satellietdata):
Vulkanen (een ‘lag’ van 8 à 9 maand voor oppervlaktedata en 3 à 5 maand voor satellietdata)
Zonnestraling: (een ‘lag’ van 2, behalve voor GISS waar het 3 maand is)
Wouter
Bericht laatst bijgewerkt: 26-01-2011 22:11