Logo Logo
Help
Contact
Switch language to German
Arctic sea ice in Earth system models. decadal hindcast skill and constraints of long-term projections
Arctic sea ice in Earth system models. decadal hindcast skill and constraints of long-term projections
The summer Arctic sea ice cover has retreated by about 50% in the last 30 years. This rate of change is unprecedented in Earth’s history and is at least partly due to an anthropogenic impact. It has critical implications for the climate worldwide. Earth system models are parameterized computer models that aim at simulating and projecting global climate and its change. Experiments with these models under common forcings and protocols are coordinated as part of the Coupled Model Intercomparison Project (CMIP). However, uncertainties in CMIP simulations of the Arctic climate are large in both, short- and long-term projections. This thesis investigates how observations can be used to improve Arctic climate simulations by analyzing and evaluating Arctic climate parameters in different types of climate simulations from Earth system models participating in CMIP Phase 5 (CMIP5). For this purpose, the Earth System Model Evaluation Tool (ESMValTool) developed by scientists worldwide to facilitate the challenging evaluation of Earth system models, is enhanced and applied. The thesis consists of two parts that are based on studies conducted by the thesis author. Part one investigates whether the initialization of Earth system model simulations with observations leads to more skillful predictions of Arctic climate. It focuses on the relatively new field of decadal climate predictions that have a forecast horizon of only 10 years. In contrast to long-term climate simulations, decadal climate predictions are initialized with observations so that the simulations start from the observed phase of natural variability. To analyze possible improvements in prediction skill by initialization, a complex verification system for retrospective decadal predictions (“hindcasts”) was developed, implemented into the ESMValTool, and applied to Arctic hindcasts of an Earth system model. It is shown that initialization improves surface temperature skill in the North Atlantic and along the east coast of Greenland, with root-mean-square errors against observations reduced by up to 50%. Accordingly, the skill for integrated sea ice area was increased in the Greenland Sea. However, these improvements were only found for winter and only for the first few forecast years after initialization. In other Arctic regions and other seasons, no significant improvements were found. On the contrary, especially in the marginal ice zone and the Kara and Barents Seas, there is significant degradation in skill by initialization. This can be explained by the so-called initialization shock, a mechanism that causes the model to drift to and overshoot its biased intrinsic climatology after the initialization. The thesis also identifies ways to improve decadal climate predictions in the Arctic, for example by including sea ice parameters in the initialization process and by additionally initializing the model in summer instead of only at the end of the year. Part two of the thesis focuses on the long-term development of the Arctic and is aimed at reducing uncertainties in multi-model Earth system model projections of the 21st century Arctic sea ice extent. The multiple diagnostic ensemble regression (MDER) method is used to constrain the CMIP5 projections with observations. The main advantage of the MDER method is the iterative regression algorithm that selects the diagnostics that best predict the future target variable from a set of given diagnostics and calculates a regression model to constrain the projections with observations. Applying this method to Arctic sea ice projections from 29 CMIP5 models, model uncertainty in multi-model mean results for the September Arctic sea ice extent could be reduced by up to 50%. Furthermore, model weighting reduces the projected multi-model mean sea ice extent by 20% (1 million km²) and predicts an earlier near-disappearance of Arctic sea ice by more than a decade (from 2076 to 2062) for a high greenhouse gas concentration scenario compared to the unweighted multi-model mean. This suggests a faster retreat of Arctic sea ice than previously estimated. However, the results of the thesis also show that model uncertainty – together with scenario uncertainty and irreducible internal variability – remains too large for exact predictions of the first year of near-disappearance of summer Arctic sea ice. The thesis demonstrates the potential of improving Earth system model simulations of Arctic climate with observations. Initializing climate models with observations is a relatively new field that needs to be further investigated. Finding emergent constraints for Arctic climate parameters may greatly enhance the potential reduction in uncertainties of multi-model projections when using observation-based analysis methods like MDER. While projection uncertainties are still large, most studies, including this thesis, suggest a more pessimistic future for Arctic sea ice. Hence, the conclusions are that mitigation strategies to reduce Arctic warming need to be intensified and that it becomes increasingly crucial to further improve the understanding of the Arctic climate system., Die Fläche des arktischen Sommermeereises hat in den letzten 30 Jahren um ca. 50% abgenommen. Diese Veränderungsrate ist in der Erdgeschichte beispiellos und ist zumindest teilweise auf einen anthropogenen Einfluss zurückzuführen. Die Veränderungen in der Arktis haben enorme Auswirkungen auf das weltweite Klima. Erdsystemmodelle sind parametrisierte Computermodelle, die das Ziel haben, das globale Klima und dessen Veränderungen zu simulieren. Das Coupled Model Intercomparison Project (CMIP) koordiniert die Forschungsexperimente mit diesen Modellen unter gemeinsamen Leitlinien. Die Unsicherheiten in den CMIP-Simulationen des arktischen Klimas groß sind – sowohl auf Kurzzeit- als auch auf Langzeitskala. In dieser Dissertation wird untersucht, wie Beobachtungen zur Verbesserung der arktischen Klimasimulationen genutzt werden können. Hierfür werden arktische Klimaparameter aus verschiedenen Typen von Klimasimulationen der Erdsystemmodelle aus CMIP Phase 5 (CMIP5) mit Beobachtungen analysiert und evaluiert. Zu diesem Zweck wird das Earth System Model Evaluation Tool (ESMValTool) erweitert und benutzt, das von Wissenschaftlern weltweit dazu entwickelt wird, die komplexe Evaluation von Erdsystemmodellen zu erleichtern. Die Dissertation besteht aus zwei Teilen, die auf Studien basieren, die vom Autor der Dissertation durchgeführt wurden. In Teil eins wird untersucht, ob die Initialisierung von Erdsystemmodellsimulationen mit Beobachtungen zu erhöhter Vorhersagegenauigkeit („Skill“) des arktischen Klimas führt. Der Fokus liegt dabei auf dem relativ neuen Feld der dekadischen Klimavorhersagen, die einen Vorhersagehorizont von nur zehn Jahren haben. Im Gegensatz zu Langzeitsimulationen werden dekadische Klimavorhersagen mit Beobachtungsdaten initialisiert, so dass sie von der beobachteten Phase natürlicher Klimaschwankung aus starten. Um mögliche Verbesserungen im Skill durch Initialisierung zu untersuchen, wurde ein vielschichtiges Verifikationssystem für retrospektive dekadische Klimavorhersagen („Hindcasts“) entwickelt, in das ESMValTool implementiert und auf dekadische Hindcasts eines Erdsystemmodells angewendet. Es zeigt sich, dass die Initialisierung den Vorhersageskill von Oberflächentemperaturen im Nordatlantik und entlang der Ostküste von Grönland verbessert, wobei die mittlere quadratische Abweichung zu Beobachtungen um 50% reduziert wird. Dementsprechend hat sich der Skill für die integrierte Meereisfläche im Grönlandmeer erhöht. Allerdings zeigen sich diese Verbesserungen nur im Winter und nur für wenige Jahre nach Initialisierung. Tatsächlich zeigt sich eine signifikante Skillabnahme besonders am Meereisrand und in der Kara- und Barentssee. Dies kann mit dem sogenannten Initialisierungsschock erklärt werden - einem Mechanismus, der das Modell dazu bringt, nach der Initialisierung zu seinem verzerrten intrinsischen Klimazustand zurück zu driften und diesen zu überschießen. Die Arbeit zeigt Möglichkeiten auf, die dekadischen Klimavorhersagen in der Arktis zu verbessern, wie beispielsweise durch eine Berücksichtigung von Meereisparametern beim Initialisierungsprozess und eine zusätzliche Initialisierung des Modells im Sommer anstatt nur am Ende des Jahres. Teil zwei der Dissertation beschäftigt sich mit der Langzeitentwicklung der Arktis und hat das Ziel, Unsicherheiten in Klimaprojektionen der Entwicklung der arktischen Meereisausdehnung im 21. Jahrhundert zu reduzieren. Hierfür wird von der Multiple Diagnostic Ensemble Regression (MDER) Methode Gebrauch gemacht, die mithilfe von Beobachtungen die Bandbreite der CMIP5-Klimaprognosen einschränkt. Der zentrale Vorteil von MDER gegenüber anderen Analysemethoden ist der iterative Regressionsalgorithmus, der diejenigen Diagnostiken aus einer Menge an vorgegebenen Diagnostiken auswählt, die die Zukunftsvariable am besten vorhersagen können. Mit dem hieraus errechneten Regressionsmodell lassen sich dann die Prognosen mittels Beobachtungen einschränken. Durch die Anwendung dieser Methode auf Prognosen des arktischen Meereises von 29 CMIP5-Modellen konnte die Modellunsicherheit in Multimodellsimulationen der Ausdehnung des arktischen Septembermeereises um bis zu 50% verkleinert werden. Darüber hinaus zeigt das beschränkte Multimodellmittel im Vergleich zum ungewichteten Mittel eine um ca. eine Million km² (20%) kleinere Eisfläche und ein früheres Verschwinden des arktischen Sommermeereises um mehr als eine Dekade (von 2076 auf 2062) in einem hohen Treibhausgasszenario. Dies deutet auf einen schnelleren Rückgang des arktischen Meereises hin, als bisher angenommen. Allerdings zeigen die Ergebnisse der Dissertation auch, dass die Modellunsicherheit – zusammen mit nicht-reduzierbarer interner Klimavariabilität und Unsicherheiten durch verschiedene Annahmen zukünftiger Emissionsszenarien – zu groß für genaue Vorhersagen des Zeitpunkts bleibt, an dem das arktische Sommermeereis zum ersten Mal verschwindet. Die Dissertation legt das große Potential dar, Erdsystemmodellsimulationen des arktischen Klimas mittels Beobachtungen zu verbessern. Klimamodelle mit Beobachtungen zu initialisieren, ist ein relativ neues Forschungsgebiet, das noch weiterer Erforschung bedarf. Das Auffinden sogenannter „emergent constraints“ für arktische Klimaparameter kann die Reduktion von Unsicherheiten mittels beobachtungsbasierten Analysemethoden wie MDER stark verbessern. Obwohl Prognoseunsicherheiten noch immer groß sind, deuten die meisten Studien, so wie diese Arbeit, auf eine pessimistischere Zukunft des arktischen Meereises hin. Die Arbeit zeigt somit, dass Mitigationsstrategien gegen die arktische Klimaerwärmung weiter ausgebaut werden müssen und es zunehmend wichtiger wird, das Klimasystem der Arktis besser zu verstehen.
Arctic, sea ice, Earth system models, climate simulations, CMIP5, hindcast skill, constraining uncertainties
Senftleben, Daniel
2019
English
Universitätsbibliothek der Ludwig-Maximilians-Universität München
Senftleben, Daniel (2019): Arctic sea ice in Earth system models: decadal hindcast skill and constraints of long-term projections. Dissertation, LMU München: Faculty of Physics
[img] PDF
Senftleben_Daniel.pdf

6MB

Abstract

The summer Arctic sea ice cover has retreated by about 50% in the last 30 years. This rate of change is unprecedented in Earth’s history and is at least partly due to an anthropogenic impact. It has critical implications for the climate worldwide. Earth system models are parameterized computer models that aim at simulating and projecting global climate and its change. Experiments with these models under common forcings and protocols are coordinated as part of the Coupled Model Intercomparison Project (CMIP). However, uncertainties in CMIP simulations of the Arctic climate are large in both, short- and long-term projections. This thesis investigates how observations can be used to improve Arctic climate simulations by analyzing and evaluating Arctic climate parameters in different types of climate simulations from Earth system models participating in CMIP Phase 5 (CMIP5). For this purpose, the Earth System Model Evaluation Tool (ESMValTool) developed by scientists worldwide to facilitate the challenging evaluation of Earth system models, is enhanced and applied. The thesis consists of two parts that are based on studies conducted by the thesis author. Part one investigates whether the initialization of Earth system model simulations with observations leads to more skillful predictions of Arctic climate. It focuses on the relatively new field of decadal climate predictions that have a forecast horizon of only 10 years. In contrast to long-term climate simulations, decadal climate predictions are initialized with observations so that the simulations start from the observed phase of natural variability. To analyze possible improvements in prediction skill by initialization, a complex verification system for retrospective decadal predictions (“hindcasts”) was developed, implemented into the ESMValTool, and applied to Arctic hindcasts of an Earth system model. It is shown that initialization improves surface temperature skill in the North Atlantic and along the east coast of Greenland, with root-mean-square errors against observations reduced by up to 50%. Accordingly, the skill for integrated sea ice area was increased in the Greenland Sea. However, these improvements were only found for winter and only for the first few forecast years after initialization. In other Arctic regions and other seasons, no significant improvements were found. On the contrary, especially in the marginal ice zone and the Kara and Barents Seas, there is significant degradation in skill by initialization. This can be explained by the so-called initialization shock, a mechanism that causes the model to drift to and overshoot its biased intrinsic climatology after the initialization. The thesis also identifies ways to improve decadal climate predictions in the Arctic, for example by including sea ice parameters in the initialization process and by additionally initializing the model in summer instead of only at the end of the year. Part two of the thesis focuses on the long-term development of the Arctic and is aimed at reducing uncertainties in multi-model Earth system model projections of the 21st century Arctic sea ice extent. The multiple diagnostic ensemble regression (MDER) method is used to constrain the CMIP5 projections with observations. The main advantage of the MDER method is the iterative regression algorithm that selects the diagnostics that best predict the future target variable from a set of given diagnostics and calculates a regression model to constrain the projections with observations. Applying this method to Arctic sea ice projections from 29 CMIP5 models, model uncertainty in multi-model mean results for the September Arctic sea ice extent could be reduced by up to 50%. Furthermore, model weighting reduces the projected multi-model mean sea ice extent by 20% (1 million km²) and predicts an earlier near-disappearance of Arctic sea ice by more than a decade (from 2076 to 2062) for a high greenhouse gas concentration scenario compared to the unweighted multi-model mean. This suggests a faster retreat of Arctic sea ice than previously estimated. However, the results of the thesis also show that model uncertainty – together with scenario uncertainty and irreducible internal variability – remains too large for exact predictions of the first year of near-disappearance of summer Arctic sea ice. The thesis demonstrates the potential of improving Earth system model simulations of Arctic climate with observations. Initializing climate models with observations is a relatively new field that needs to be further investigated. Finding emergent constraints for Arctic climate parameters may greatly enhance the potential reduction in uncertainties of multi-model projections when using observation-based analysis methods like MDER. While projection uncertainties are still large, most studies, including this thesis, suggest a more pessimistic future for Arctic sea ice. Hence, the conclusions are that mitigation strategies to reduce Arctic warming need to be intensified and that it becomes increasingly crucial to further improve the understanding of the Arctic climate system.

Abstract

Die Fläche des arktischen Sommermeereises hat in den letzten 30 Jahren um ca. 50% abgenommen. Diese Veränderungsrate ist in der Erdgeschichte beispiellos und ist zumindest teilweise auf einen anthropogenen Einfluss zurückzuführen. Die Veränderungen in der Arktis haben enorme Auswirkungen auf das weltweite Klima. Erdsystemmodelle sind parametrisierte Computermodelle, die das Ziel haben, das globale Klima und dessen Veränderungen zu simulieren. Das Coupled Model Intercomparison Project (CMIP) koordiniert die Forschungsexperimente mit diesen Modellen unter gemeinsamen Leitlinien. Die Unsicherheiten in den CMIP-Simulationen des arktischen Klimas groß sind – sowohl auf Kurzzeit- als auch auf Langzeitskala. In dieser Dissertation wird untersucht, wie Beobachtungen zur Verbesserung der arktischen Klimasimulationen genutzt werden können. Hierfür werden arktische Klimaparameter aus verschiedenen Typen von Klimasimulationen der Erdsystemmodelle aus CMIP Phase 5 (CMIP5) mit Beobachtungen analysiert und evaluiert. Zu diesem Zweck wird das Earth System Model Evaluation Tool (ESMValTool) erweitert und benutzt, das von Wissenschaftlern weltweit dazu entwickelt wird, die komplexe Evaluation von Erdsystemmodellen zu erleichtern. Die Dissertation besteht aus zwei Teilen, die auf Studien basieren, die vom Autor der Dissertation durchgeführt wurden. In Teil eins wird untersucht, ob die Initialisierung von Erdsystemmodellsimulationen mit Beobachtungen zu erhöhter Vorhersagegenauigkeit („Skill“) des arktischen Klimas führt. Der Fokus liegt dabei auf dem relativ neuen Feld der dekadischen Klimavorhersagen, die einen Vorhersagehorizont von nur zehn Jahren haben. Im Gegensatz zu Langzeitsimulationen werden dekadische Klimavorhersagen mit Beobachtungsdaten initialisiert, so dass sie von der beobachteten Phase natürlicher Klimaschwankung aus starten. Um mögliche Verbesserungen im Skill durch Initialisierung zu untersuchen, wurde ein vielschichtiges Verifikationssystem für retrospektive dekadische Klimavorhersagen („Hindcasts“) entwickelt, in das ESMValTool implementiert und auf dekadische Hindcasts eines Erdsystemmodells angewendet. Es zeigt sich, dass die Initialisierung den Vorhersageskill von Oberflächentemperaturen im Nordatlantik und entlang der Ostküste von Grönland verbessert, wobei die mittlere quadratische Abweichung zu Beobachtungen um 50% reduziert wird. Dementsprechend hat sich der Skill für die integrierte Meereisfläche im Grönlandmeer erhöht. Allerdings zeigen sich diese Verbesserungen nur im Winter und nur für wenige Jahre nach Initialisierung. Tatsächlich zeigt sich eine signifikante Skillabnahme besonders am Meereisrand und in der Kara- und Barentssee. Dies kann mit dem sogenannten Initialisierungsschock erklärt werden - einem Mechanismus, der das Modell dazu bringt, nach der Initialisierung zu seinem verzerrten intrinsischen Klimazustand zurück zu driften und diesen zu überschießen. Die Arbeit zeigt Möglichkeiten auf, die dekadischen Klimavorhersagen in der Arktis zu verbessern, wie beispielsweise durch eine Berücksichtigung von Meereisparametern beim Initialisierungsprozess und eine zusätzliche Initialisierung des Modells im Sommer anstatt nur am Ende des Jahres. Teil zwei der Dissertation beschäftigt sich mit der Langzeitentwicklung der Arktis und hat das Ziel, Unsicherheiten in Klimaprojektionen der Entwicklung der arktischen Meereisausdehnung im 21. Jahrhundert zu reduzieren. Hierfür wird von der Multiple Diagnostic Ensemble Regression (MDER) Methode Gebrauch gemacht, die mithilfe von Beobachtungen die Bandbreite der CMIP5-Klimaprognosen einschränkt. Der zentrale Vorteil von MDER gegenüber anderen Analysemethoden ist der iterative Regressionsalgorithmus, der diejenigen Diagnostiken aus einer Menge an vorgegebenen Diagnostiken auswählt, die die Zukunftsvariable am besten vorhersagen können. Mit dem hieraus errechneten Regressionsmodell lassen sich dann die Prognosen mittels Beobachtungen einschränken. Durch die Anwendung dieser Methode auf Prognosen des arktischen Meereises von 29 CMIP5-Modellen konnte die Modellunsicherheit in Multimodellsimulationen der Ausdehnung des arktischen Septembermeereises um bis zu 50% verkleinert werden. Darüber hinaus zeigt das beschränkte Multimodellmittel im Vergleich zum ungewichteten Mittel eine um ca. eine Million km² (20%) kleinere Eisfläche und ein früheres Verschwinden des arktischen Sommermeereises um mehr als eine Dekade (von 2076 auf 2062) in einem hohen Treibhausgasszenario. Dies deutet auf einen schnelleren Rückgang des arktischen Meereises hin, als bisher angenommen. Allerdings zeigen die Ergebnisse der Dissertation auch, dass die Modellunsicherheit – zusammen mit nicht-reduzierbarer interner Klimavariabilität und Unsicherheiten durch verschiedene Annahmen zukünftiger Emissionsszenarien – zu groß für genaue Vorhersagen des Zeitpunkts bleibt, an dem das arktische Sommermeereis zum ersten Mal verschwindet. Die Dissertation legt das große Potential dar, Erdsystemmodellsimulationen des arktischen Klimas mittels Beobachtungen zu verbessern. Klimamodelle mit Beobachtungen zu initialisieren, ist ein relativ neues Forschungsgebiet, das noch weiterer Erforschung bedarf. Das Auffinden sogenannter „emergent constraints“ für arktische Klimaparameter kann die Reduktion von Unsicherheiten mittels beobachtungsbasierten Analysemethoden wie MDER stark verbessern. Obwohl Prognoseunsicherheiten noch immer groß sind, deuten die meisten Studien, so wie diese Arbeit, auf eine pessimistischere Zukunft des arktischen Meereises hin. Die Arbeit zeigt somit, dass Mitigationsstrategien gegen die arktische Klimaerwärmung weiter ausgebaut werden müssen und es zunehmend wichtiger wird, das Klimasystem der Arktis besser zu verstehen.