KESKUSTELU

Maaliskuun maalämpötila lämpimin 50 vuoteen, maapallon kokonaispintalämpötila toiseksi lämpimin:

http://www.sciencedaily.com/releases/20 ... 112341.htm

Ja Tammikuu oli kylmin 14 vuoteen, Helmikuu oli myös viileä ja Huhtikuusta saattaa tulla kylmin jopa 30 vuoteen. Joten missä oli uutisarvo?

No asiahan on mielipidekysymys. Minusta on ihan mielenkiintoista havaita, että ennätyskylmä ja ennätysluminen tammikuu muuttuu 3 kuukaudessa ennätyslämpimäksi sulattaen ennätyslumet ennätysajassa.

Jos asiassa ei sinusta ole uutisarvoa, niin miksi luit ko. postauksen ja vieläpä kommentoit sitä? Minä yleensä jätän uutisarvoltaan vähäisemmät postaukset täysin huomiotta.

No tuota vaihteluahan siinä ei ollut tarkoitus uutisoida. Suuri osa tuosta vaihtelusta mennee mittausvirheiden ja -epätarkkuuksien kontolle.



Sinun postauksellasi oli uutisarvoa, mutta tuolla uutisella ei sinänsä. Alkaa jo tuntumaan koomiselta nämä lämpenemisuutisoinnit. Jatkuvasti pitää etsiä spesifisimpiä alueita ja spesifisimpiä ajanjaksoja milloin on ollut lämmintä, kun globaali lämpenemistrendi on hiipunut.

Kyllä tuokin mainitttiin: "Two months after the greatest January snow cover extent on record on the Eurasian continent, the unusually warm temperatures led to rapid snow melt, and March snow cover extent on the Eurasian continent was the lowest on record."



Tuota ennätyskylmää tammikuuta on täällä hehkutettu sen verran, että ajattelin tämänkin kiinnostavan joitakin. Voisin kyllä sanoa samaa tuosta spesifisten ajanjaksojen etsiskelemisistä . Lämpenemiselle ei tarvitse hakea kuin yksi ajanjakso: 1850 - 2008, viilenemistä todisteltaessa täytyykin sitten valita huomattaavsti lyhyempiä ajanjaksoja.

Jos pidempi jakso on aina parempi, niin otetaan lämpenemiselle sitten jakso -8000 - 2008.

Kuvat ovat datoja seuraavista viitteistä tänään 21.04.2008

http://www.cru.uea.ac.uk/cru/data/tempe ... rut3gl.txt

http://data.giss.nasa.gov/gistemp/graphs/Fig.C.txt

Vertailun vuoksi nämä kuvat alkavat joko tammikuussa vuonna 1998 tai 2007 ja päättyvät maaliskuussa 2008.

Kaikenlaisen viitteitten sekoilun jälkeen en tiedä mihin voi luottaa!

Kuvien pitäisi ainakin esittää globaalista lämpötilakehitystä Maan pinnalla hieman eri lähteistä, sekä maa-asemista että satelliiteista.

Päinvastoin. Luonnollinen vaihtelevuus heiluttelee kaikkein voimakkaimmin nimenomaan pienten alueiden sääoloja.

Ennusteiden tekemisessä käytetyt ilmastomallit ovat perustaltaan kylläkin fysikaalisia eivätkä tilastollisia malleja. Mallien fysiikka tosin ei monesta eri syystä (mm. tarve kuvata diskretoidun mallin spatiaalista resoluutiota pienempiä yksityiskohtia, huonosti tunnetut fysikaaliset prosessit) ole kaikilta osin "oikeaa" fysiikkaa, mutta tarkemmin en asiaa tunne. Mallien lähtötietoina ovat IPCC:n raportin mukaan mm. erilaisten skenaarioiden mukaiset kasvihuonekaasujen pitoisuudet ja muut tunnetut lämpötilaan vaikuttavat tekijät (näitä lienevät mm. pienhiukkaset ja Auringon säteilyn oletettu vaihtelu). Lämpötilojen kehitystä kuvaavia aikasarjoja ei tietääkseni käytetä ilmastomallien lähtötietoina. Jonkinlaisen tiedon lähtötilanteesta mallit kuitenkin tarvitsevat. Ennusteita on käsitelty raportissa IPCC AR4 WG1 kappaleessa 10.

Miksihän asioita täytyy ilmaista noin hemmetin mutkikkaalla tavalla. Tarkoittaakohan tuo suluissa oleva lause sitä, että mittaustuloksia ei ole saatavilla alueellisesti riittävän tarkalla tasolla vai sitä, että malli ei pysty huomioimaan näin tarkkoja mittauksia vai jotain muuta.

Yhteiskunta- ja taloustieteiden puolella hermeneutikot muodostavat vastaavanlaisen ongelmaryhmän, joka yrittää näyttää todella viisaalta rakentelemalla runsailla sivistyssanoilla ryyditettyjä lauseita, joista ei kunnolla saa selvää, mitä ne tarkoittavat. Minulle on kyllä syntynyt epäilys siitä, että nämä hermeneutikot eivät itsekään tiedä, mitä ovat sanomassa, vaan yrittävät vain näyttää asiantuntevilta.



Minua rupesi kiinnostamaan IPCC:n ennustemenetelmät, koska asiaan nyt kuitenkin sotkeuduin, vaikka en alan ihmisiä olekaan. Löysinkin googlettamalla mainitsemasi IPCC:n raportin ja sen luvun 10. Selailin läpi ko. luvun 100 sivua, mutta valitettavasti en näin hieman ulkopuolisena löytänyt vastausta siihen, miten malli yleisesti toimii.

Kappale kappaleelta siinä paneuduttiin erilaisiin yksityiskohtiin ja viitattiin niiden analysoinnissa joillain kirjainkoodeilla käytettyihin mallikehitelmiin. Mitään yleistävää esitystä käytetyistä metodeista ei esitetty, mikä taatusti olisi ollut mahdollista niin haluttaessa. Niinpä IPCC:n ennustemallien arviointi kyllä vaatisi jonkin lähteen, jossa selitettäisiin ne perusteet, mihin ennusteet perustuvat, eikä vain viittauksia joihinkin kirjainyhdistelmiin, joiden sisältö on tunnettu vain hyvin pienelle erikoistuneelle joukolle.

Poimin kuitenkin raportin sivuilta seuraavan sitaatin, jonka perusteella voisi ehkä päätellä jotain IPCC:n mallinrakentelusta.



Olisin mielelläni lainannut pidemmänkin pätkän, mutta se meni vain viittauksiksi tämän raportin muihin osiin tai joihinkin kirjaiyhdistelmiin, joiden sisällöstä voi tietää jotain vain joku nimenomaan tähän asiaan erikoistunut tutkija.

Joka tapauksessa sitaatista voi päätellä jotain. Siitä voi päätellä ensinnä sen, että pohjimmiltaan mallit nojaavat aiempaan kehitykseen, jota ne jatkavat (extract) tulevaisuuteen. Siis periaatteessa aivan samalla tavalla kuin tilastolliset ennustemallit tekevät. Heillä siis on jonkinlainen simulaatiomalli, jota he ovat justeeranneet yhtäpitäväksi menneisyyden kehityksen kanssa ja tulevaisuutta ennustaessaan he nojaavat tähän malliin ja ennustavat tulevaisuutta sen pohjalta. Tässä ei ole mitään erityisen poikkeavaa verrattuna tavalliseen tilastolliseen ennustamiseen, vaan tavalla tai toisella hekin siirtävät menneisyyden kehitystä tulevaisuuteen, kuten esim. tilastollinen SARIMA-malli myös tekee.

Tämän simulaatiomallin tarkemmasta sisällöstä en kyllä löytänyt kuvausta. Ilmeisesti malli kuitenkin sisältää näitä erilaisia fysikaalisia tekijöitä, mutta ongelma on siinä, että vaikka niiden suhde tämän hetkisiin lämpötiloihin olisikin menneisyyden perusteella tunnettu, niin mallissa täytyy jollakin tavalla ennustaa myös niiden oma kehitys tulevaisuudessa, jotta mallikokonaisuuden toimintaa voisi ennakoida.

Voikin olla, että joidenkin fysikaalisten tekijöiden kehitys tiedetään luonnontieteellisten faktojen perusteella, esim. auringonpilkkujaksot. Osa vaikuttavista tekijöistä jää kuitenkin menneen kehityksen varaan, kuten hiilidioksipitoisuuden kasvu. Niinpä mallissa ilmeisesti ei kokonaan voida nojata vain luonnonlakien perusteella ennakoitaviin fysikaalisiin tekijöihin, vaan joudutaan myös käyttämään tilastollisia aikasarjamenetelmiä siirtämään joidenkin fysikaalisten tekijöiden menneisyydessä toteutunutta logiikkaa tulevaisuuteen.

Raportin suurimpana puuttena voisi todeta olevan sen, että siinä ei esitellä kunnolla menetelmiä, joihin tehdyt johtopäätökset perustuvut. Tieteellisen tekstin ensimmäinen perusedellytys on se, että tekstin yhteydessä käy ilmi, miten tehtyihin johtopäätöksiin on päädytty. IPCC:n raportti ei alkuunkaan täytä tätä ehtoa, joten ei ole mitään syytä pitää ko. raporttia tieteellisenä tekstinä. Se on vain jonkin yhteisön julkaisu.

Tietysti olisi aivan mielenkiintoista tutustua heidän käyttämäänsä malliin paremmin, jos perustiedot siitä olisivat jossain saatavilla.

NOAA uudistaa säähavaintoverkostonsa tekniikkaa. Enemmän täältä:

http://wattsupwiththat.wordpress.com/20 ... 1-at-ncdc/

Jotain muuta, tosin jälkimmäinen arviosikin voi päteä. Tässähän on kyse siitä, että ilmastomalleja ei pystytä ratkaisemaan täsmällisesti, vaan on tyydyttävä likimääräiseen ratkaisuun tietokoneiden avulla. Yhtenä likimääräistyksenä on se, että tarkasteltava alue (Maan pinta, ilmakehä, meret) jaetaan lohkoiksi. Koska ilmastomallit ovat laskennallisesti varsin raskaita, nämä lohkot ovat kooltaan melko suuria, itä-länsi- ja pohjois-etelä-suunnassa luokkaa 200 km (uudemmissa malleissa n. 100 km). Pystysuunnassa ilmakehä jaetaan n. 30 kerrokseen, samoin meret. Näin siis IPCC:n raportin mukaan.

Tuollainen 200 km x 200 km tarkkuus on kuitenkin turhan karkea monien ilmiöiden mallintamiseksi. Esimerkiksi pilvet ovat usein paljon pienempiä. Koska lohkon koon pienentäminenkään ei oikein tule kyseeseen laskennallisen raskauden takia, joudutaan turvautumaan ns. parametrisoituun fysiikkaan. Parametrisoitua fysiikkaa tarvitaan tosin muistakin syistä kuin sellaisten ilmiöiden mallintamiseen, joille lohkon koko on liian suuri. Parametrisoinneilla voidaan kuvata myös huonosti tunnettuja ilmiöitä, joista pilvenmuodostus on yksi.

Silloin kuin parametrisoinnin tarkoituksena on vain lohkon koosta johtuvien rajoitusten kiertäminen, asiassa ei liene suurempaa ongelmaa. Tarvittavat parametrit voidaan ainakin periaatteessa hakea Maata koskevista havainnoista riippumattomin menetelmin, vaikkapa ratkaisemalla todellista fysikaalista mallia numeerisesti suurella tarkkuudella, mutta Maata pienemmässä mittakaavassa.

Siltä osin kuin kuvataan huonosti tunnettuja prosesseja, parametrisoinnit voivat olla ongelmallisempia. Vaikka joiltakin osin niitä voitaneen tutkia laboratoriokokeiden avulla, ei esimerkiksi pilvenmuodostuksesta tehtyjen laboratoriokokeiden tuloksia osata tietääkseni vielä siirtää luotettavasti ilmastomalleihin. En ole varma siitäkään, onko kaikkia parametrisointeja muodostettu ilmaston tunnetusta historiasta riippumattomilla menetelmillä.



Kappaleen 10 ei ole oikeastaan tarkoituskaan selittää ilmastomallien toimintaa, vaan se keskittyy lähinnä niillä tehtyihin ennusteisiin (oikea termi on projection, mutta en tiedä sille hyvää suomenkielistä vastinetta). Ilmastomalleja on käsitelty hieman kappaleessa 8, mutta ei senkään perusteella saa riittävää käsitystä mallien toiminnasta. Ilmeisesti malleista siis saisi kunnollista tietoa vain etsimällä niihin liittyviä julkaisuja tiedekirjallisuudesta.



Eiköhän tuo extract kuitenkin viittaa siihen, että malli alustetaan sillä hetkellisellä tilalla, joka 1900-lukua koskeneella simulaatiolla oli 1900-luvun lopussa. Tämä tila voi sisältää mm. lämpötilat eri puolilla Maata, merivirrat, jäätiköiden tilan, tuulet yms. Malleja ei myöskään suoranaisesti justeerata vastaamaan 1900-luvun kehitystä, ellei sitten joidenkin parametrisointien osalta jouduta näin tekemään.



Tässä onkin ennusteen ja IPCC:n termin "projection" ero. Nuo ennusteet ovat nimittäin ehdollisia ja liittyvät ns. skenaarioihin eli oletuksiin siitä, miten päästöt voivat kehittyä tulevaisuudessa. Kun mallien tuloksia joskus verrataan todellisuuteen, on verrattava nimenomaan niitä simulaatioita, jonka oletuksena olleet päästöt vastaavat tarkimmin oikeasti toteutuneita. Skenaarioita on useita erilaisia, jotta mallien tuloksia ylipäänsä voisi mielekkäästi verrata todellisiin havaintoihin. Ei siis ole yhtä ennustetta, vaan monta, ja niistä oikean valitseminen on malleja arvioitaessa suoraviivaista.

Keskihajonta kasvussa ? Siitä ei syntyne mielenosoituksia tai välikysymyksiä, päästömaksuista puhumattakaan. Miksei ihmiskunta tasaa vaihtelua esim rakentamalla lisää vesiputouksia ?

Kokeilinpa sitten minäkin virhetermien autokorrelaation huomioon ottamista käyttäen samaa aineistoa kuin ketjun aloittaja. Käyttämäni tilasto-ohjelman ohjetiedostot kertoivat, että sen gls-funktio (yleistetty pienimmän neliösumman sovitus) olettaa virhetermien olevan korreloimattomia, mikäli käyttäjä ei anna parametriksi ns. korrelaatiostruktuuria. Koska tli on tuossa jo tehnyt pohjatyön, on AR(1)-prosessi ilmeisesti riittävä. Joten annetaan se parametriksi ja katsotaan, mitä tulee tulokseksi:

> summary(gls(obs ~ month, correlation = corAR1()))
Generalized least squares fit by REML
[tekstiä poistettu]
Parameter estimate(s):
Phi
0.5833932

Coefficients:
Value Std.Error t-value p-value
(Intercept) 0.4611145 0.03812248 12.095606 0.0000
month -0.0006465 0.00075928 -0.851503 0.3969
[tekstiä poistettu]


Näyttäisi siis siltä, että trendi ei olekaan enää tilastollisesti merkittävä, kun autokorrelaatio otetaan huomioon. Varmistetaan vielä, että käytin oikeaa dataa ja että gls toimii niin kuin sen ohje antaa ymmärtää:

> summary(gls(obs ~ month))
[poistettu]
Coefficients:
Value Std.Error t-value p-value
(Intercept) 0.4709791 0.019655451 23.961756 0.0000
month -0.0008338 0.000394717 -2.112354 0.0376
[poistettu]

Siis kun ei oteta huomioon virhetermien autokorrelaatiota, tulos on sama kuin aloittajalla.

Katsotaan vielä luottamusvälit autokorrelaatio huomioon ottaen:

> confint(gls(obs ~ month, correlation = corAR1()))
2.5 % 97.5 %
(Intercept) 0.386395831 0.5358332096
month -0.002134704 0.0008416382

Tässä aikayksikkönä on kuukausi. 10 vuoden aikana luottamusvälin alaraja vastaa 0,26 asteen jäähtymistä ja yläraja 0,1 asteen lämpenemistä.

Johtopäätöksenä voitaneen jälleen kerran todeta, että lyhyitä ajanjaksoja koskevien lämpötilatrendien laskeminen ei ole erityisen mielekästä puuhaa.

[Päivitys: Tilasto-ohjelmastani löytyy yleisempiäkin tapoja ottaa huomioon virhetermien autokorrelaatio. Palaan asiaan, kunhan löydän niistä enemmän tietoa.]

Tässä 10 vuoden sovituksessa on sellainen ongelma, että yritetään sovittaa suoraa aineistoon, joka mahdollisesti on alaspäin kääntyvä käyrä, jonka huippu on tarkasteluvälillä. Asiaa voisi tutkia pienimmän neliösumman kautta paremmin siten, että otetaankin useita esim. kymmenen vuoden jaksoja ja lasketaan niille tunnusluvut. Eli esim. ajanjaksot

1990 - 1999
1991 - 2000
1992 - 2001
.
1999 - 2008

Tunnuslukujen funktio kertoisi sitten kuinka 10 vuoden trendi on muuttunut. Ja vieläpä täysin luotettavasti, koska algoritmi on sama kaikille jaksoille.