Quantifying Vaikutus Ilmaston Lämpenemisen Ennennäkemättömän Ääri-ilmiöiden

Original page: http://www.pnas.org/content/114/19/4881.full

Merkitys

Ääri-ilmiöiden ovat kasvaneet monilla alueilla. Pyrkimykset testata vaikutuksen ilmaston lämpenemisen yksittäiset tapahtumat ovat lisääntyneet, mikä lisää mahdollisuuksia operatiivisten, reaaliaikainen, single-tapahtuma ansioksi. Käytämme neljä ansioksi käyttötiedot neljään ilmastomuuttujista jokaisessa käytettävissä olevassa maailmanlaajuisesti verkkoon. Huomaamme, että historialliset ilmaston lämpeneminen on lisännyt vakavuus ja todennäköisyys kuumin kuukausittain ja päivittäin tapahtumia yli 80% havaitusta alueelle ja on lisännyt todennäköisyyttä kuivin ja kosteisiin tapahtumia noin puolet havaitun alueen. Tuloksemme viittaavat siihen, että tieteellisesti kestävä operatiivinen nimeäminen on mahdollista, mutta ne myös korostavat huolellisesti diagnosoinnin ja testauksen fyysiset syyt yksittäisiä tapahtumia.

Abstrakti

Pyrkimyksiä ymmärtää vaikutuksen historiallisen ilmaston lämpenemisen yksittäisten ääri-ilmiöiden ovat kasvaneet viime vuosikymmenen aikana. Huolimatta huomattavaa edistystä, tapahtumia, jotka ovat ennennäkemättömän paikallisessa havaintoihin ennätys pysyy jatkuva uhka. Hyödyntämällä havaintoja ja suuri ilmastomallia ensemble, me määrällisesti epävarmuus vaikutus ilmaston lämpenemisen vakavuudesta ja todennäköisyys historiallisesti lämpimin kuukausi, kuumin päivä, kuivin vuosi, ja kosteisiin 5-d ajan eri puolilla maailmaa asuville. Huomaamme, että historialliset lämpeneminen on lisännyt vakavuus ja todennäköisyys kuumin kuukausi ja kuumin päivä vuoden ajan> 80% käytettävissä observational alueella. Meidän puitteet myös, että historialliset ilmasto pakottaa on lisännyt todennäköisyyttä kuivin vuoden kosteimmista 5-d ajankohtaan 57% ja 41%: n tarkastelualue vastaavasti vaikka toteamme tärkeää varovaisuudella. Kaikkein pitkittyneet kuuma ja kuiva tapahtumia, vahvin ja laajimmalle levinnyt osuus ihmistoiminnasta ilmasto pakottaa esiintyy tropiikissa, mukaan lukien lisäykset todennäköisyys vähintään kertoimella 4 kuumin kuukausi ja ainakin kertoimella 2 kuivin vuoden. Olemme myös osoitettava kykynsä meidän puitteet arvioida järjestelmällisesti roolia dynaaminen ja termodynaamisten tekijöiden, kuten ilmakehän kiertokulussa kuviot ja ilmakehän vesihöyry, ja löytää erittäin korkea tilastollinen luotettavuus että ihmistoiminnasta johtuva ilmastovaikutus lisääntynyt todennäköisyys ennätysmatalat Arktisen merijään laajuus. vastaavasti vaikka toteamme tärkeää varovaisuudella. Kaikkein pitkittyneet kuuma ja kuiva tapahtumia, vahvin ja laajimmalle levinnyt osuus ihmistoiminnasta ilmasto pakottaa esiintyy tropiikissa, mukaan lukien lisäykset todennäköisyys vähintään kertoimella 4 kuumin kuukausi ja ainakin kertoimella 2 kuivin vuoden. Olemme myös osoitettava kykynsä meidän puitteet arvioida järjestelmällisesti roolia dynaaminen ja termodynaamisten tekijöiden, kuten ilmakehän kiertokulussa kuviot ja ilmakehän vesihöyry, ja löytää erittäin korkea tilastollinen luotettavuus että ihmistoiminnasta johtuva ilmastovaikutus lisääntynyt todennäköisyys ennätysmatalat Arktisen merijään laajuus. vastaavasti vaikka toteamme tärkeää varovaisuudella. Kaikkein pitkittyneet kuuma ja kuiva tapahtumia, vahvin ja laajimmalle levinnyt osuus ihmistoiminnasta ilmasto pakottaa esiintyy tropiikissa, mukaan lukien lisäykset todennäköisyys vähintään kertoimella 4 kuumin kuukausi ja ainakin kertoimella 2 kuivin vuoden. Olemme myös osoitettava kykynsä meidän puitteet arvioida järjestelmällisesti roolia dynaaminen ja termodynaamisten tekijöiden, kuten ilmakehän kiertokulussa kuviot ja ilmakehän vesihöyry, ja löytää erittäin korkea tilastollinen luotettavuus että ihmistoiminnasta johtuva ilmastovaikutus lisääntynyt todennäköisyys ennätysmatalat Arktisen merijään laajuus. mukaan lukien lisäykset todennäköisyys vähintään kertoimella 4 kuumin kuukausi ja ainakin kertoimella 2 kuivin vuoden. Olemme myös osoitettava kykynsä meidän puitteet arvioida järjestelmällisesti roolia dynaaminen ja termodynaamisten tekijöiden, kuten ilmakehän kiertokulussa kuviot ja ilmakehän vesihöyry, ja löytää erittäin korkea tilastollinen luotettavuus että ihmistoiminnasta johtuva ilmastovaikutus lisääntynyt todennäköisyys ennätysmatalat Arktisen merijään laajuus. mukaan lukien lisäykset todennäköisyys vähintään kertoimella 4 kuumin kuukausi ja ainakin kertoimella 2 kuivin vuoden. Olemme myös osoitettava kykynsä meidän puitteet arvioida järjestelmällisesti roolia dynaaminen ja termodynaamisten tekijöiden, kuten ilmakehän kiertokulussa kuviot ja ilmakehän vesihöyry, ja löytää erittäin korkea tilastollinen luotettavuus että ihmistoiminnasta johtuva ilmastovaikutus lisääntynyt todennäköisyys ennätysmatalat Arktisen merijään laajuus.

Viimeisen vuosikymmenen aikana on nähty kasvavaa kiinnostusta mahdollisia yhteyksiä historiallisten lämpenemisen ja yksittäisten ääri-ilmiöiden ( ⇓ ⇓ ⇓ ⇓ ⇓ ⇓  — 9). Tämä kiinnostus on maadoitettu sekä tieteellistä ja käytännön motiiveja. Ensinnäkin ääripäät olevan monien akuutein rasituksia luonnon ja ihmisen järjestelmien (1011). Vaikutuksen ymmärtäminen historiallisen lämpeneminen ääripäitä on siis kriittinen havaitsemiseksi ilmastonmuutoksen vaikutuksiin (1213). Toiseksi, suuntaukset taajuus ja / tai intensiteetti ääripään on jo havaittu (1011), Mikä kasvaa todennäköisyys tapahtumia, jotka ovat ennennäkemättömän havaittuun ennätys. Kolmanneksi jatkoi ilmaston lämpeneminen aiheuttaa todennäköisesti laajaa syntyminen ennennäkemättömän tapahtumista tulevaisuudessa (esim. Viitteet 10 ja 14).

Tehokas hallinta ilmastoon liittyvien riskien vuoksi tarvitaan suuruuden luotettavin todennäköisyys äärimmäisyyksiin nykyisten ja tulevien ilmasto (10). Esimerkiksi määrällisesti riskin ja vastuun (815), ja suunnittelu joustavan infrastruktuurin ja resurssien hallinnan järjestelmät (16), täytyy ottaa huomioon sekä historiallisia nonstationarity ja todennäköisyyttä tulevaisuudessa muutoksia. Samoin YK mekanismeja ilmastonmuutokseen korvausta, sopeutumista ja valmistelu luoda käytännön tarve määrittää osuus aikaisempien päästöjen yksittäisiin ääri-ilmiöt (esim., Viite 17). Lopuksi, yhteydet historiallisia lämpenemisen ja yksittäisiä tapahtumia on tullut selkeä motivaatio päättäjille ja suurelle yleisölle (esim., Viite 5).

Vaikka hännät ilmaston jakaumat on analysoitu jo vuosia (esim., Viite 18), määrällisesti osuus historiallisen lämpenemisen ennennäkemättömän tapahtumista esitetään asettaa tieteellinen haaste Nexus ilmaston dynamiikkaan ja tilastollinen analyysi (5). Ensinnäkin, vaikka jotkut paikalliset havainnot ovat vuosisatoja vanhoja, paljon lämmitysjärjestelmä havaitaan vain harvaan, ja vain viime vuosikymmeninä (19  — 21). Tämän seurauksena, havainnoiva näytteet ovat pieniä suhteessa suuruus äärimmäisissä tapahtumat (20) luo merkittävän epävarmuutta todennäköisyys (2223). Toiseksi historiallinen lisäys kasvihuoneessa pakottaa jo muuttanut maapallon ilmastoon dynamiikka (esim. Viitteet 210, ja 20). Todennäköisyys noin ääripäistä on näin ollen vaikutti sekä päällekkäin suuntaus taustalla vaihtelevuus ja muutokset fyysisessä prosesseihin, jotka synnyttävät harvinaisia (2224  — 26). Koska ilmasto pakottaa on kasvanut historiallisen aikakauden, havaintokyky näyte esillä pakottaa on jopa pienempi kuin koko havainto ennätys. Seurauksena, erottaa muutos todennäköisyyden aikaisemman ja myöhemmän aikoja haaste, jota ei voida helposti poistaa yksinomaan havaintoihin analyysi (esim. Viitteet 27 ja 28), tai suhteellisen pieni ilmasto malli kokoonpanoissa tavanomaisesti analysoidaan toimia tällaisten koska IPCC (23).

Näiden haasteiden useita lähestymistapoja ”yhden tapahtuman ansioksi” on kehitetty (⇓  — 57829). Nämä lähestymistavat käyttävät havainnot ja / tai ilmastomallien määrällisesti vaikutuksesta historiallisen ilmaston lämpenemisen todennäköisyydestä ja/tai vakavuuden yksittäisiä tapahtumia (esim. Viitteet 622, ja  30 ⇓ ⇓ ⇓ ⇓ ⇓ ⇓  — 38). Kullakin menetelmällä on omat etunsa ja oletuksia (5). Yksi haaste on se, että erilaiset lähestymistavat joskus tuottavat erilaisia ansioksi lausuntoja joko eroavaisuuksien vuoksi, miten ”ansioksi” määritellään, erot tilastollisen oletusten tai täytäntöönpanoa tai erot miltä kohdin tapahtuma analysoidaan (5).

Jotkut menetelmät ovat kypsyneet siihen pisteeseen, että ”nopea” analyysit ovat nyt ryhdytty (esim., Viite 39), luodaan polku toteuttaakseen yhden tapahtuman ansioksi (540). Lähestymistapoja arvioida toiminnassa nimeäminen ovat myös kehittymässä, mukaan lukien käyttämällä useita menetelmiä analysoida yhden tapahtuman (38), ja yhtä menetelmää käyttäen analysoida useita tapahtumia (41). Tässä tutkimuksessa, analysoimme useita erityyppisiä tapahtumia käyttää useita ansioksi mittojen kaikki käytettävissä olevat kohdat maailmanlaajuisesti verkkoon (Fig. 1materiaalit ja menetelmät). Meidän malli on filosofisesti sukua ”esilaskettuja” lähestymistapaa. Viitteen 40 ja maapallon ilmaston malli (GCM) -pohjaisen analyysi ref. 42. Olemme kuitenkin vertailla useita myöntämiseen mittareita, määrällisesti äärimmäisissä tapahtuma havaintoja, ja rajoittaa molempien havaintoihin ja ilmasto malli analyyseja tilastolliset ominaisuudet observational ennätys. Laajentamalla kehitettyjä menetelmiä yksittäisten paikallisia tapahtumia koskeva yleinen, maailmanlaajuinen konteksti, meidän kehys tarjoaa järjestelmällinen arviointi perustuu havaintoihin saatavuuteen, ilmastomallien taitoa ja pätevyyttä niiden pohjana olevien tilastojen oletuksia.

Fig. 1.
Idealisoitu esimerkkejä ensisijaisen mittarit kohteena meidän attribuutioanalyysi. (A) Osuus havaituista suuntaus tapahtuman suuruutta. (B) Epävarmuus tapahtuman tuoton aikaväli alkuperäisen aikasarjan. (C) epävarmuus panos havaittiin suuntaus tapahtuman todennäköisyyden. (D) vertailu havaittu interannual vaihtelevuuden kanssa interannual vaihtelevuus simuloitu ilmasto malli. (E) todennäköisyys havaitun suuntauksen Historiallinen Climate mallisimuloinneissa. (F) epävarmuus osuus historiallisen pakottaa tapahtuman todennäköisyys.

Analysoimme neljä muuttujia testata sekä rytmittävät ja pitkittynyt ääripäätä: lämpimin kuukausi, kuumin päivä, kuivin vuosi, ja kosteisiin 5-d ajan. Lisäksi, kun otetaan huomioon sekä dynaaminen ja termodynaamiset vaikutukset (2392543), me osoittavat mahdollisuudet arvioida järjestelmällisesti esiintyminen fyysinen ”ainesosat”, jotka edistävät yksittäisiä tapahtumia.

Tulokset ja keskustelu

Huomaamme, että 79% on havaittu alue osoittaa tilastollisesti merkittävä suuntaus huippu kesällä kuukausittain lämpötila (taulukko 1 ja kuvio. S1). Suuntaus on lisääntynyt vakavuus ja todennäköisyys huippuarvo kesällä arvo oli 97% havaitusta alueella, mukaan lukien yli paljon tropiikissa, jossa suuntaus on osallistunut vähintään 50%: n suuruusluokkaa ja lisää todennäköisyyttä vähintään kertoimella 5 (Fig. 2 ja B). Havaittu trendi on todennäköisempää, että historialliset Simulaatiot kuin paikallaan ilmasto yli 81% on havaittu alue, jossa on 64%, joilla on korkea tilastollinen luotettavuus (taulukko 1 ja kuvio. 2 C). Edelleen, 83% havaitun alueen osoittaa suurempi todennäköisyys suurempi kuin suurin arvo historiallinen simulaatiot kuin Pre-Industrial (taulukko 1), mukaan lukien lisäykset vähintään kertoimen 4 laajoilla alueilla tropiikissa (Fig. 2 D).

Fig. 2.
Nimeä mittareita maailmanlaajuisesti verkkoon (-D) maksimihuippua kesän kuukausittain lämpötila ja (E — H) suurin kuumin päivä vuodessa. ( Ja E) osuus havaituista suuntaus tapahtuman suuruutta. (B ja F) mediaani panos havaittiin suuntaus tapahtuman todennäköisyyden. (C ja G) todennäköisyys havaittu suuntaus historiallinen ilmastointi Model Simulaatiot. (D ja H) Mediaani osuus historiallisen pakottaa tapahtuman todennäköisyys. HIST, historialliset Ilmasto mallisimuloinneissa; PI, Pre-Industrial Control Simulation.
Fig. S1.
Nimeä mittarit maksimihuippua kesän lämpötila 1931-2016 aikana. HIST, historialliset Ilmasto mallisimuloinneissa; PI, Pre-Industrial Control Simulation.

Havaintoja päivittäin Äärilämpötilojen harvempaa, ja vain 41% on havaittu alue osoittaa tilastollisesti merkittävä suuntaus kuumin päivittäinen lämpötila vuoden (taulukko 1 ja kuvio. S2). Kuitenkin suuntaus on lisääntynyt vakavuus ja todennäköisyys maksimiarvo ≥82% havaitusta alueen (taulukko 1), mukaan lukien edistää vähintään 30%: n suuruusluokkaa yli suuressa osassa Eurooppaa ja Itä-Aasiasta (Fig. 2 E), ja lisää todennäköisyyttä ainakin kertoimella 2,5 suurimman osan Eurooppaa ja paikoin Länsi Pohjois-Amerikassa ja Itä-Aasiassa (Fig. 2 F). On suuri tilastollinen luotettavuus, että havaittu suuntaus on todennäköisempää Historiallinen simulaatioita 73% tarkastelualue (taulukko 1), jossa näkyvin poikkeuksena hyvin dokumentoitu ”lämpeneminen reikä” yli Yhdysvaltain itäosissa (Fig. 2 G). Edelleen, 85% havaittujen alue osoittaa suurempi todennäköisyys vuorokautta lämpötila-arvo historiallisen simulaatiot, mukaan lukien lisäykset ainakin kertoimella 2 laajoilla alueilla Pohjois-Amerikassa, Euroopassa ja Aasiassa (taulukko 1 ja  kuvio. 2 H).

Fig. S2.
Ansioksi mittarit suurin päivittäinen lämpötila 1961-2010 aikana. HIST, historialliset Ilmasto mallisimuloinneissa; PI, Pre-Industrial Control Simulation.

Kehitys vuotuinen sademäärä on lisääntynyt vakavuus ja todennäköisyys pienin sademäärä 42% havaitusta alueen (taulukko 1). Suuri osa tästä vaikutuksesta historiallinen kehitys on keskitetty tropiikissa, jossa laajat alueet osoittavat lisääntynyttä todennäköisyys ainakin kertoimella 2 (Fig. 3 B). Monet näistä alueista esiintyy myös suurempi todennäköisyys havaitun vuoden sademäärästä kehitys Historiallinen simulaatiot, kuten korkea tilastollisesta luotettavuudesta yli alueita trooppisten Etelä-Amerikassa, trooppisessa Afrikassa ja trooppiset Kaakkois-Aasiassa (kuva. 3 C ja kuva. S3). Vastaavasti, 57% havaittujen alue osoittaa suurempi todennäköisyys ylittää vähintään saostumista historiallinen Simulaatiot (Taulukko 1), joka sisältää ainakin kertoimella 2 ja suurimmassa trooppisten Pohjois- ja Etelä-Amerikassa, trooppisia ja eteläisessä Afrikassa, ja Kaakkois- ja Itä-Aasiassa (Fig. 3 D).

Fig. 3.
Kuten Fig. 2 , mutta (- D) vähintään sademäärä ja (E — H) suurin kosteisiin 5-d vuodenaikaan. HIST, historialliset Ilmasto mallisimuloinneissa; PI, Pre-Industrial Control Simulation.
Fig. S3.
Nimeä mittarit vähintään vuotuinen sademäärä on 1901-2010 aikana. HIST, historialliset Ilmasto mallisimuloinneissa; PI, Pre-Industrial Control Simulation.

Lopuksi, historiallinen kehitys kosteisiin 5-d aikaan vuodesta on tilastollisesti merkitsevä vain 18% havaitusta alueen (taulukko 1 ja kuvio. S4). Kuitenkin suuntaus on lisääntynyt vakavuus ja todennäköisyys suurimman tapahtuman ≥58% havaitusta alueen (taulukko 1), mukaan lukien lisäykset todennäköisyys vähintään 1,5-kertaiseksi yli alueilla Yhdysvalloissa ja Euroopassa (Fig. 3 F). Lisäksi, vaikka vain 6% havaittujen alueen, on merkittävästi suurempi todennäköisyys havaittu suuntaus historiallinen simulaatiot (taulukko 1 ja kuvio. 3 G), 41% osoittaa suurempi todennäköisyys suurempi kuin suurin 5-d sateeseen arvo (taulukko 1 ja Fig. 3 H).

Fig. S4.
Ansioksi mittarit enintään 5-d saostumista 1961-2010 aikana. HIST, historialliset Ilmasto mallisimuloinneissa; PI, Pre-Industrial Control Simulation.

Ilmaista määrällisesti vaikutuksen historiallisen paikallisen suuntaus on merkittäviä rajoituksia. Ensinnäkin, vaikka yleisesti käytetty kirjallisuudessa, historiallinen kehitys ei aina voida tarkasti edustaa lineaarinen malli. Toiseksi muutokset varianssi ja korkeamman asteen hetkiä ei ole huomioitu vähentämällä lineaarisen trendin. Vaikka tällaiset muutokset-ja siihen liittyvä epälineaarinen vaikutukset tapauksessa todennäköisyys-implisiittisesti kuuluvat myös vertailu historialliset ja Pre-Industrial Simulaatiot (Fig. 1 F), meidän analyysi havaittiin suuntaus ( kuvio. 1 ja C) Tehokkaasti olettaa, että kaikki muutokset korkeampi hetkiä ei johtunut ihmisen pakottaa. Kolmanneksi koska lohko bootstrap toteutetaan tilille suhteellisen lyhyessä ajassa autokorrelaatio (eli subdecadal), se ei voi selittää muutoksia korkeamman hetkiä, jotka tapahtuvat pidemmällä aikatauluja. Yhteiskuntavastuuohjelmamme olisikin hyötyä lisähionnan että nimenomaan selittää nonstationarity vuonna varianssi ja korkeamman asteen hetkiä.

Samoin voimakas havaintoihin perustuvat lähestymistapamme antaa sekä etuja ja rajoituksia. Ensinnäkin korostamme että havainnoivan jakeet raportoitu taulukossa 1  ei pitäisi tulkita jakeet maailmaa, jolle kirjaa tapahtuman voidaan katsoa ihmis- pakottaa. Toinen, vaikka se on tarkoituksenmukaista verrata eri ääripään alueilla päällekkäin havainnot (esim märkä ja kuiva ääripäät Euroopassa,  Fig. 3  B ja F), se ei ole tarkoituksenmukaista verrata maailmanlaajuisen havaintoihin jakeet eri ääripään, koska havainnointijakson saatavuus on hyvin erilaisia näytteitä maailmanlaajuisen pinnan [esim vaikka tropiikissa olevan voimakkaammat historiallinen lämpötilan syntyminen (14), Saatavuus päivittäin lämpötilan ja sademäärän on voimakkaasti esijännitetty kohti pohjoisen pallonpuoliskon midlatitudes ja korkea leveysasteilla; Kuva S5]. Kolmanneksi on epävarmuutta tasalaatuisuus yksilön instrumentaalinen kirjaa, ja paikkatietojen yhdistäminen välillä maantieteellisesti harva välineiden (19). Tämä epävarmuus on yleensä suurempi aiemmin havaintoihin levy, ja lyhyempi-aikataulu tapahtumia (1944). Olemme valinneet aineistoja ja ajanjaksojen että tasapaino kompromisseja enää kirjaa ja suurempi alueellinen kattavuus, mutta huomaa, että vaihtoehtoisia aineistoja kanssa tiukempia kriteerejä entisestään rajoittaa alaa analysoitaviksi (1944). Neljänneksi meidän lähestymistapamme ei nimenomaisesti huomioon spatiaalista riippuvuutta, joka voi olla suuria yksittäisiä tapahtumia, kuten helleaaltojen ja voimakkaat myrskyt. Vaikka analysoidaan ilmakehän liikkeeseen tällaisten tapahtumien (esim, Fig. 4), käsittää joitakin tämän riippuvuuden, tilastollisin että nimenomaisesti sisällyttää avaruudellinen riippuvuus rakenne ovat välttämättömiä (25). Lopuksi, koska signaali-kohinasuhde ilmasto aikasarjan yleensä kasvaa spatiaalinen mittakaavassa, mittakaava, jossa määritys tehdään voi olennaisesti vaikuttaa vahvuus ansioksi tuloksia, vahvuus kasvaa Manner ja maailmanlaajuisesti (kuvio. S6). Tämä herkkyys ehdottaa erityisen varovaisuutta kun analysoidaan hyvin paikallisen tapahtumia.

Fig. 4.
Analyysi ilmasto liittyvät muuttujat ääri-ilmiöiden. (A) Syyskuu 5-d saostettavissa liittyvä vesi 2013 Colorado tulvia. (B) Summer 500 hPa geopotential korkeus kuvio liittyy vuoden 2010 Venäjän helleaalto. (C) syyskuu Arktisen merijään laajuus. HIST, historialliset Ilmasto mallisimuloinneissa; PI, Pre-Industrial Control Simulation.
Fig. S5.
(Top) Rasia ja hiuksenhienosti tonttien näyttää vertailun maapallon lämpötilan kehitys (vasen) ja interannual SD (oikealla) vuonna ristikonmuotoiseen havaintoja, linssin yhden mallin ensemble, ja CMIP5 multimodel ensemble. (Pohja) karttoja sijainti linssin mediaani trendi arvo CMIP5 ensemble jakelu (oikea). Lämpötilan muuttujat, punainen (sininen) värit osoittavat, että mediaani LENS suuntaus kuuluu ylempi (alempi) puoli ja CMIP5 jakelu. Saostamiseksi muuttujat, vihreä (ruskea) värit osoittavat, että mediaani LENS suuntaus kuuluu ylempi (alempi) puoli ja CMIP5 jakelu. Havaitut trendi (vasen) Ja osa LENS historiallinen oivallusta, joiden suuntaus on sama etumerkki kuin havaittu trendi (keskus) on toistettu kuvioissa. S1 — S4 viite. HIST, historialliset Ilmasto mallisimuloinneissa; SD, interannual keskihajonta.
Fig. S6.
Kvantifiointi ansioksi mittarit heinäkuun ylin lämpötila asteittain suurempi mittakaavoissa, mukaan lukien 5° x 5°, 10° x 10°, kansallinen, puolipallon, ja globaali. Kaikki laskelmat tehdään käyttäen hilapisteiden, joilla on jatkuva tietojen saatavuutta yli 1931-2016 aikana (esim, Fig. 2). Kullekin tilakanavalle skaalaus, painotettu alueen keskimääräinen aika sarja lasketaan ensin, ja sitten ansioksi muuttujat lasketaan painotettu alueen keskimääräinen aika sarja. HIST, historialliset Ilmasto mallisimuloinneissa; PI, Pre-Industrial Control Simulation.

Käytämme suuri yhden mallin ensemble samalla on sekä etuja ja rajoituksia. Vahva jälki sisäistä vaihtelua paikallisessa mittakaavassa aiheuttaa merkittäviä epävarmuutta vaikutuksen ihmisen toiminnasta aiheutuva ilmastonmuutos pakottaa yksittäisiä paikallisia suuntauksia (esim. Viitteet 45 ja 46), jossa on jopa suurempi epävarmuus äärimmäisyyksiin kuin pitkän aikavälin keskiarvo. Käytön suuri yhden mallin ensemble (Lens) avulla voimme objektiivisesti mitata todennäköisyyttä, että havaittu paikallinen trendi on tyypillinen pakko vastauksen, jossa nollahypoteesin on, että paikallinen kehitys johtui ilmaston melusta yksin (materiaalit ja menetelmät). Kuitenkin merkittävä rajoitus on, että yksittäinen ilmasto malli ei voi tarkasti tallentaa prosesseja, jotka säätelevät ilmaston vaihtelusta ja/tai vaste ihmisen toiminnan pakottaa. Kaikkialla maapallolla, kaikki linssin toteutukset simuloida vähemmän historiallinen lämpenemisen kuin sekä huomautukset ja suurin osa Coupled mallien keskinäisen Project vaihe 5 (CMIP5) multimodel kokonaisuus (kuvio. S5). Se seikka, että LINSSIN kaappaa havaittu maailmanlaajuinen lämpötilan vaihtelua (kuvio. S5) viittaa siihen, että sen kylmä poikkeamaa suhteessa havaittiin globaali lämpötila suuntaus voi johtua alemmasta ohimenevä ilmasto herkkyys (47), ja / tai virheitä reseptiä yksittäisten pakottaa tekijöiden (esim, aerosolit).

Tämä alempi herkkyys voisi selittää, miksi vaikutuksen suuntaus havaittu huippu kesällä lämpötila on suurempi kuin vaikutus historiallisen pakottaa suurimman alueilla (Fig. 2 B vs. D). Todellakin, mediaani LENS huippu kesällä lämpötila trendi putoaa pohjalle puoli on CMIP5 kokonaisuus suurimman havaitun alueen (Fig. S5). Mielenkiintoista, kun kuukausittainen lämpötila ja sademäärä, linssi suuntauksia päivittäin lämpötilan ja sademäärän ovat lähempänä CMIP5 mediaani yli alueille vastaavia tietoja kattavuus (eli Pohjois-Amerikassa, Euroopassa ja Aasiassa). Edelleen, vaikka maapallon lämpötilan kehitys on aliarvioitu Lens mediaani LENS sademäärä suuntaus kuuluu joko ylemmän tai alemman CMIP5 kvartiiliin suuressa osassa globaalin maa-alasta. Yhdessä nämä ruudukkopiste vertailuja linssinsuojan ja CMIP5 viittaavat siihen, että alhaisen maapallon lämpötilan herkkyys LENS ei johda universaali aliarviointiin muutoksen todennäköisyys kaikenlaisten ääripään. Disentangling tämä epäselvyys vaatii suuria yhtyeitä ylimääräisiä malleja, 21 ja 43). Todellakin, vaikka LENS yhtyy havaintoihin suurin osa havaitusta alueen (joka vaihtelee välillä 55% ja sademäärä 83% kuumimmat päivän aikana, taulukko 1), suuria alueita erimielisyyttä esiintyy (esim, kuvio. S3).

Siksi Korostamme ymmärtämisen fysikaalisia prosesseja, jotka aiheuttavat yksittäisiä tapahtumia, ja arvioida kykyä ilmastomallien simuloida niitä prosesseja (esim. Viitteet 22 ja 43). Jos näitä arviointeja voi johtaa virheellisiin johtopäätöksiin joko tyypin I tai II virheitä. Esimerkiksi, ei havaittu eikä simuloitu suuntaus äärimmäisessä sademäärä on tilastollisesti merkitsevä verrattuna useimpiin pisteverkkopisteitä (taulukko 1 ja kuvio. S4), jotka voisivat merkitä sitä, että ilmaston lämpenemistä ei olennaisesti vaikuttanut tällaisia tapahtumia. Kuitenkin, termodynaamiset seikat viittaavat siihen, että ilmaston lämpenemisen olisi lisättävä, jos todennäköisyys lisäämällä ilmakehän kosteudelta (248). 2013 Colorado tulvat tarjoaa hiljattain selostus (2). Huomaamme, että 2013 5-d saostettavissa vesi oli korkein muistiin, ja että havaittu suuntaus ja historiallinen pakotetaan edistänyt merkittävästi vakavuus ja todennäköisyys 2013 arvon (Fig. 4). Samoin, historiallinen analyysit osoittavat, että muutokset taajuus ilmakehän kuviot ovat edistäneet havaittu kehitys lämpötilanvaihtelut (25). Ottaen huomioon kriittinen rooli, että ilmakehän paine kuvio pelataan 2010 Venäjän lämpö-aalto (36), Analysoimme myös ilmaston lämpenemisen on vaikuttanut sen tiheyttä kuvioita. Huomaamme, että 2010 taajuus päivittäin mittakaavan kesällä anticylonic kokoonpanoissa oli suurin muistiin, ja että havaittu suuntaus ja historiallinen pakotetaan edistänyt merkittävästi vakavuus ja todennäköisyys 2010 arvon (Fig. 4 B). Vaikka nämä ovat vain kaksi esimerkkiä, he korostavat analysoimalla sekä pinnan ilmentyminen tapahtuman ja taustalla fyysiset syyt.

Lopuksi, termodynaamiset muutokset ovat todennäköisesti vaikuttavat muut äärimmäiset pelkän lämpötilan ja sademäärän, mukaan lukien merenpinnasta, snowpack, ja meri jään (2). Soveltamalla puitteet aikojen alhaisimmalle 2012 syyskuuta Arktisen merijään laajuus, huomaamme, että havaittu suuntaus edistäneet huomattavasti vakavuus ja todennäköisyys 2012 arvosta, ja että se on ”käytännössä varmaa” (12), että historialliset pakottamalla kasvatti todennäköisyys tapahtuma. Kuten saostuva veden ja ilmakehän kuvio esiintyminen, ilmasto malli kokonaisuus pystyy kaapata historiallinen vaihtelu syyskuussa merijää (Fig. 4).

Johtopäätökset

Käytämme neljä tapahtumaa ansioksi mittareita sarja ilmaston muuttujista kuten maailmanlaajuisesti ruudutettiin lämpötilan ja sademäärän havaintoja. Meidän kehys on suunniteltu edetä, jos on tilastollinen luottamus kiinnipedatun parametrisesta jakelu- ja havainnot, jos muuttujien sovi tuottaa rajallisen ratkaisua kaikille epävarmuutta jakelua ja jos ilmasto mallilla voidaan tarkasti simuloida havaittu jakautuminen muuttuja. Systemaattinen analyysi maapallon lämpötilan ja sademäärän tietojen mukaan nämä kriteerit ovat usein täyttyvät, mutta myös se, että suuri osa maailmaa voivat rikkoa nämä kriteerit.

Epäonnistuminen tapahtumien mahdollisuus täyttää nämä vaatimukset johtuu ainakin kolme ehtoa. Ensimmäinen, ennennäkemättömän tapahtumat johtuvat monimutkaisesta vuorovaikutuksessa fyysiset syyt. Toiseksi kun otetaan huomioon harvinaisuus tapahtuman rajoituksista havaitut kirjaa, ja nonstationarity ilmastojärjestelmän, määrällisesti todennäköisyys nykytilanteessa voi olla erittäin epävarmoja. Kolmanneksi monimutkaisuuden vuoksi fyysisten syiden, ilmastomallit ei voi tarkasti simuloida taustalla fysikaalisia prosesseja tai niiden toteutumisen todennäköisyyttä.

Tuloksemme korostavat ainakin viisi tärkeää painopisteet ”yksittäinen tapahtuma Nimeä”: (i) ymmärrystä osuudet eri fyysiset syyt tiettyyn tapahtumaan, (ii) käyttämällä virallista hypoteesin testaus määrällisesti epävarmuutta todennäköisyys sekä tapahtuman ja vaikuttavista fyysiset syyt, (iii) varmistaa tarkan arvion tarkkuuden tilastolliset ja fyysinen malleista havaintotietoa (iv) erottavien muutokset todennäköisyys ääripään muutoksista keskiarvo, ja (v) järjestelmällisesti erottaa ”ei ole todisteita”on syy-yhteys välillä’todisteita poissaolon.’

Kyky voimakkaasti määrittää vaikutuksen historiallisen ilmaston lämpenemisen vakavuudesta ja todennäköisyydestä yksittäisten tapahtumien vaikuttaa merkittävästi ilmastonmuutokseen sopeutumiseen ja sen hillitsemiseen toimiin muun muassa infrastruktuurin suunnittelu, resurssienhallinta käytäntöjä, katastrofiriskien hallintajärjestelmät, määrällisesti ”vahingot” ja oikeudelliseen vastuuseen, kvantifiointiin ”sosiaalisten kustannusten hiili” ja ”nopea jakamiseen” yksittäisten tapahtumien. Edelleen, vaikka olemme keskittyneet vaikutuksesta historiallisen ilmaston lämpeneminen, meidän puitteita voitaisiin käyttää määrittämään todennäköisyys ennennäkemättömän tapahtumista korkeammilla pakottaa, mukaan lukien ne, jotka mainitaan YK Pariisin sopimuksen.

Materiaalit ja menetelmät

Havaintoja ja mallit.

Huomautuksia.

Taulukko S1 esittää aineistot ja ajanjaksoja. Käytämme kuukausittainen lämpötila poikkeamia päässä ”NOAAGlobalTemp” ruudutettiin aineisto (49) analysoida maksimihuippua kesälämpötila (heinäkuun pohjoisella pallonpuoliskolla ja tammikuussa eteläisellä pallonpuoliskolla). Käytämme Ristikkomaisen sadanta viitejulkaisusta. 50 analysoida vähintään vuotuinen sademäärä. Käytämme maailmanlaajuista ristikonmuotoiseen havaintoihin aineistoja viitejulkaisusta. 51 analysoida mahdollisimman kuumin päivä vuoden ja enintään kosteisiin 5-d vuodenaikaan.

Tutkia mahdollisuuksia määrällisesti vaikutuksen ilmaston lämpenemisen lisämuuttujien yli lämpötila ja sademäärä, me myös analysoida merijään tietojen viite. 52, ja geopotential korkeus kuvioita ja saostuva vettä ref. 53. Geopotential korkeus kuviot lasketaan itseorganisoituvia karttoja kuvatulla ref. 25, jossa on suora ilmakehän ”terminen laajeneminen” poistettu (katso viite. 26).

Ilmastomallit

Näkyvin ilmastomallien kokeita ovat ne koordinoi CMIP (esim., Viite 54). Vaikka CMIP tarjoaa simulaatioita monista eri ilmasto malleja, rajoitettu määrä realisaatioita tarkoittaa sitä, että suhteellisen pieni määrä simuloitu vuotta ovat saatavilla kunkin mallin jokaisessa pakottaa ikkunassa, mikä voi aiheuttaa huomattavia virheitä laskennassa paluuta välein äärimmäisissä tapahtumista (23). Siksi analysoida National Center for Atmospheric Research (NCAR) Objektiivi ensemble, joka tuottaa suuren ensemble (-30 realisoinnit) yhden mallin yksittäisen CMIP5 pakottaa polku (esim. Viitteet 45 ja 55). Tämä lähestymistapa tarjoaa monia satoja simuloitu vuosia tietyllä pakottaa ikkuna (taulukko S1), Kaappaa paljon suurempi vaihteluvälin kuin on saatavilla havaintoja ja eristää sisäinen lämmitysjärjestelmä vaihtelevuus malli rakenteellisista epävarmuutta.

LENS tuottamista varten on NCAR yhteisön maapallon Järjestelmän malli ajaa ~ 1 ° vaakatason resoluutio (55). Yhtye metodologia oksat useita GCM simulaatioita yhdestä CMIP-tyyppinen ohimeneviä historialliseen simulaatioon. Näiden useita toteutuksia eroavat vain vähäisiä häiriöitä alkuperäisen ilmakehän olosuhteet 1920. (Analysoimme vain haarautunut simulaatioita, jotka alustetaan 1920.) Jokainen kokonaisuus jäsen on sitten määrätty ohimenevä historiallinen pakottaa läpi loppuun CMIP5 historiallisen ajan (2005), ja edustaja pitoisuus Toteutustapa (RCP8.5) ohimenevä pakottamalla vuoden 2005 jälkeen.

Vertaamme Linssi historiallinen simuloinnit esiteolliseen Ohjaus Simulation (taulukko S1). Riippuen muuttuja havaitut ennätys voi olla lyhyempi kuin linssin simulaatioita tai vain osa havaitusta Rekisteröintiä voidaan pitää luotettavina (johtuen esim riippuvuus satelliittihavaintoihin). Vaikka alkuvaiheessa on RCP8.5 simulaatioiden avulla voidaan pidentää simuloidun kauden ohi 2005, ettei muiden reaalimaailman pakotteet kuten tulivuorenpurkaukset voivat vaikuttaa uskollisuutta simuloidun ilmaston post-2005 ajan (esim ref. 56).

Quantifying vaikutus ilmaston lämpenemisen yksittäisiin tapahtumiin.

Arvioimme paikallisesti havaittu tai -minimien neljän laajalti käytetty äärimmäisiä lämpötilan ja sademäärän indikaattorit maailmanlaajuisesti verkkoon. Laskemme neljä kohde näytetään kunkin muuttujan (Fig. 1), perustuen meidän aiemmin julkaistujen menetelmien (22243457). Valintamme näistä neljästä mittarit taustalla on tarve vertailla eri muuttujia, jotka on tutkittu kirjallisuudessa (5), mukaan luettuna vaikutukset paikallisen historialliseen kehitykseen tiettyyn tapahtumaan, ja missä määrin historiallisiin säteilypakotevaikutus on vaikuttanut todennäköisyys tietyn tapahtuman. Raportoimme tulokset pisteverkkopisteissä joissa havaintoihin aineisto on jatkuva tarkastelujakson aikana.

Osuus havaituista suuntaus suuruuden tapahtuman.

Ensin löytää maksimi/minimi tapahtuma havaitun aikasarjan jokaiseen hilapisteeseen. Sitten detrend havaittu aikasarja jokaiseen hilapisteeseen, ja löytää uusi arvo alkuperäisen tapahtuman suuruus on detrended aikasarjan  (Fig. 1). Me sitten laskea panos havaittiin suuntaus tapahtuman suuruusluokkaa kuin ero havaitun tapahtuman suuruus ja detrended tapahtuman suuruus jaettuna ero havaitun tapahtuman suuruus ja keskiarvo detrended aikasarjan (Fig. 1). Laskemme tilastollisen merkityksen havaittu trendiseuraajarahastot lähestymistapaa. Viitteen 24, jonka osuus ajallista riippuvuutta havaitun aikasarjan käyttäen liikkuvan lohkon bootstrap.

Osuus havaituista suuntaus todennäköisyys tapahtuman suuruuden.

Sopeudumme lähestymistapaa. Viitteet 34 ja 22 voidaan laskea suhde tuoton välein välillä havaitun ja detrended aikasarja. Eri kirjoittajat ovat käyttäneet eri muuttujien jakaumat (esim vertailu ref. 34). Tässä käytämme Gumbel vaihtelu yleisen Ääriar- (GEV) jakelu, joka, sillä nämä muuttujat ja nämä aineistot, tarjoaa varovainen arvio muutoksen todennäköisyys verrattuna enemmän yleisen soveltamisen GEV (Fig. S7). Kuitenkin toteamme, että Gumbelin jakauma ei välttämättä anna kaikkein konservatiivinen arvio kaikissa tapauksissa, ja siksi olisi huolehdittava valittaessa laskentatapa toistumisaika historiallisesti ennennäkemättömän tapahtumista.

Fig. S7.
Vertailu muutoksen todennäköisyys on laskettu käyttämällä Gumbel vaihtelu GEV ja muutoksen todennäköisyys on laskettu käyttämällä yleistä soveltamista GEV. HIST, historialliset Ilmasto mallisimuloinneissa; PI, Pre-Industrial Control Simulation.

Koska otantavirheiden yleensä suuria, kun tiedot segmentit ovat samanlaisia kuin tapahtuman tuotto välillä (23), että havainto ennätys rajoittuu useita vuosikymmeniä on omiaan aiheuttamaan huomattavaa epävarmuutta laskettu toistumisaika äärimmäisin tapahtumista. Siksi seurata. Viitteet 34 ja 22 käyttämällä liikkuva lohko bootstrap tilille epävarmuutta sovitus huomautuksia parametrisen jakeluun. Kuten viite. 24, Pituus kunkin osajoukon parametrisella lohko bootstrap-eli ”lohkon koko” -häntä määritetään useissa ajan vaiheet, joista ajallinen riippuvuus on merkittävä aikasarja, joka perustuu osittain autokorrelaatiofunktion tiedot. Valitsemalla lohkon koko, joka perustuu havaitun määritetään datasta, liikkuva lohko bootstrap säilyttää havaittu riippuvuus -tietojen-, mutta ei joukossa-lohkoja. Meidän soveltaminen liikkuvan lohkon bootstap on siten lähestymistapa on varmistaa, että tilastollinen oletukset hypoteesin testaukseen pito (toisin sanoen, että lohkon näytteet bootstrap ovat noin riippumattomia ja identtisesti jakautuneet satunnaisesti vektorit).

Tämä bootstrap saadaan näyte parametrisen sopii huomautukset, joka puolestaan tuottaa näytteen tuoton välein tapahtuman suuruus havaitun aikasarjan (Fig. 1 B ja kuviossa. S8). Toistamme tätä prosessia laskea näytteen tuoton välein tapahtuman suuruus on detrended aikasarja. [Huomaamme, että paluu väli epävarmuus on hyvin samanlainen havaitun ja detrended aikasarja, jossa huippu Kesällä lämpötila yli trooppinen Etelä-Amerikassa näytteille suurin poikkeama (kuva. S8).] Lopuksi seuraa viitteet. 34 ja 22 laskettaessa suhde kaikki mahdolliset yhdistelmät tuotto välein havaitun ja detrended aikasarja, jolloin saatiin arvio epävarmuus panos havaittiin suuntaus tapahtuman todennäköisyyden (Fig. 1 C). Me raportoimme mediaani suhteen arvo jakelun (Fig. 1 C) kussakin pisteverkkopisteessä.

Fig. S8.
Epävarmuus toistumisaika ennätys tapahtuma havaitun aikasarjan (ensimmäiset kolme saraketta) ja detrended aikasarja (neljäs sarake). Huomaa, että maksimi (tai minimi, vastaavasti) tapahtuma poistetaan historiatiedot ennen asennusta muuttujien jakelu.

Todennäköisyys havaitun kehityksen historiallisen ilmaston pakottaa.

Seuraamme lähestymistapaa. Viitteen 57 laskea todennäköisyys havaittu trendi historiallisen pakottamalla (Fig. 1 E). Ensin laskea osa historiallisen Simulaatiot jotka osoittavat suuntaus on sama etumerkki kuin havaitun aikasarjan. Sitten tilastollisen merkitsevyyden arvioimiseksi ja että osa käyttäen kaksisuuntaista binomi testi, jossa ( i ) nollahypoteesin on, että havaitsemisen todennäköisyys positiivinen suuntaus on 0,5 ja havaitsemisen todennäköisyys negatiivinen suuntaus on 0,5, ja (iiP arvo lasketaan kaksisuuntaista todennäköisyys, että simuloitu osa suuntauksia, jolla on sama etumerkki kuin havaittu trendi on yhtä suuri kuin 0,5. (Tämä menetelmä estää sovittamalla parametrinen jakelu havaittu tai simuloitu data.)

Kuten refs. 34 ja 22, arvioimme ilmasto mallin simulaatio interannual vaihtelua kussakin ilmasto indikaattorin (Fig. 1 D). Edellinen tapahtuma nimeäminen tutkimukset ovat tehneet tämän arvioinnin käyttäen Kolmogorov-Smirnov testi (223438). Kuitenkin huomaamme, että Anderson-Darling (AD) testi, joka antaa enemmän painoa häntiä jakelu tuottaa tiukemmin vertailu havaintoja neljän ilmaston ääri muuttujat (taulukko S1). Siksi käytä AD testiä. Ensin korjata keskiarvo esiteollisen Ohjaus simulointi on sama kuin keskiarvo detrended havaintoja. Me sitten käyttää AD testin määrällisesti välisen keskimääräisen korjatun esiteolliseen Simulointi ja detrended havaintoja. Torjumme ilmastomallia jos mainos testi tuottaa P-  arvo on alle 0,05, koska tämä viittaa siihen, että mallin tuotosta ei ole peräisin samasta tilastollisia väestön havaintoja.

Todennäköisyys tapahtuman suuruuden historiallisen ja esiteollisen ilmasto pakottaa.

Seuraamme refs. 34 ja 22 laskettaessa suhteessa tuoton välit historialliset ja Pre-Industrial GCM Simulaatiot (Fig. 1 F). Tämä analyysi on samanlainen kuin kuvattu osuus pyrittäessä havaittuun Trend todennäköisyys tapahtuman suuruus varten vaikutuksesta historialliseen kehitykseen, vaan ne perustuvat historiallisen ja esiteollisen GCM simulaatiot sijaan havaittu ja detrended aikasarjaa. NCAR Suuri kokonaisuus tarjoaa> 700 y tietojen historiallisen ja esiteollisen simulaatiot (taulukko S1); toisin kuin decadal mittakaavassa jaksojen, 1000-y simulaatiot on osoitettu ”antavat melko tarkkoja arvioita muutosten tuottotasot pitkiäkin toistumisarvoja” (23).

Kuten on kuvattu viite. 22 Käytämme näyte tapahtuman tuotto välein havainnot (edellä laskettu) määritellä näyte tapahtuman suuruudet ilmasto- simulointiin: Ensin määritellään otoksen palata välein esiteollisen Simulaatio olevan identtinen kuin detrended havaittu aikasarja. Me sitten laskea näyte tapahtuman suuruudet Pre-Industrial Control Simulation jotka liittyvät kyseiseen näyte tapahtuman tuotto välein. Sitten kullekin esiteollisen tapahtuma suuruuksien, laskemme liittyvän tapahtuman tuotto aikaväli Historiallinen Climate mallisimuloinneissa. Lopuksi, kuten edellä on kuvattu, laskemme suhde kaikkia mahdollisia tuotto välein historiallisen ja esiteollinen näytteitä, mikä tuottaa epävarmuutta arvion osuus historiallisen pakottaa tapahtumaan todennäköisyyttä. Kuva 1 F) kussakin pisteverkkopisteessä.