A Modeling Perspective on State and Timescale Dependency of Surface Climate Variability

Abstract

Die globale Erwärmung hat nicht nur einen Anstieg der mittleren Oberflächentemperatur zur Folge, sondern auch weitreichende Veränderungen in allen Komponenten und auf allen Skalen des Klimasystems. Um diese zu verstehen, ist es notwendig die Fluktuationen um den Mittelwert und die Verteilungen von Klimavariablen zu verstehen, das heißt ihre Variabilität. Wie diese Variabilität vom mittleren Klimazustand abhängt und sich in Zeiten globaler Erwärmung entwickelt, ist in vielerlei Hinsicht unklar. In Hinblick auf die regionale Variabilität der Oberflächentemperatur widersprechen sich Modelle und Beobachtungen auf dekadischen und längeren Zeitskalen, da Modelle Variabilität wahrscheinlich unterschätzen.

Hier untersuchen wir, wie die Variabilität des Oberflächenklimas von Zeitskalen und dem mittlerem Klimazustand abhängt. Dazu betrachten wir die Momente — Standardabweichung, Schiefe und Wölbung — der Verteilungen von Oberflächentemperatur und Niederschlag, sowie ihre Leistungsdichtespektren. Wir verwenden ein Ensemble transienter Simulationen der letzten 23,000 Jahre, vom letzten Glazialen Maximum (LGM) bis heute, um die Auswirkungen von Antriebskräften und Modellkomplexität auf die simulierte Variabilität zu analysieren. Dieses Ensemble deckt die letzte Erwärmung der Erde ab, die letzte Deglaziation, während der sich die globale Oberflächentemperatur der Erde um 4–7° C erhöht hat. Wir vergleichen die Variabilität des deglazialen Ensembles mit Projektionen möglicher zukünftiger Erwärmung, sowie mit Rekonstruktionen, Reanalysen und direkten Beobachtungen.

Die Variabilität des Oberflächenklimas hängt von Zeitskala und mittlerem Zustand ab. Jährliche bis tausendjährige Variabilität ist in der Übergangsphase Deglaziation im Vergleich zum quasi-stationären LGM und Holozän erhöht. Für Oberflächentemperatur finden wir größere Variabilität während des LGMs als im Holozän, aber der Unterschied ist kleiner als in Rekonstruktionen. Für Niederschlag trifft das Gegenteil zu. Es gibt große modellübergreifende Unterschiede in Schiefe und Wölbung für Temperatur und Niederschlag in Deglaziation und in Zukunftsprojektionen, was auf beträchtliche Unsicherheit in der Simulation von Extremen hindeutet.

Wir unterscheiden die Simulationen der Deglaziation nach der Komplexität des zugrundeliegenden Modells, von einem zweidimensionalen Energiebilanzmodell (EBM) und Erdsystemmodellen mittlerer Komplexität (EMICs) zu Globalen Zirkulationsmodellen (GCMs) und Erdsystemmodellen (ESMs). GCMs und ESMs zeigen vom mittleren Klima abhängende, komplexe räumliche und zeitliche Muster in der Variabilität des Oberflächenklimas. EMICs simulieren geringere Variabilität und homogenere Muster, während das EBM bisweilen extreme Exkursionen simuliert. Ein Vergleich zu Beobachtungsdaten zeigt, dass die Komplexität der GCMs und ESMs zur Simulation hinreichender Variabilität notwendig ist. Darüber hinaus werden Randbedingungen und Antriebskräfte wichtiger. Variationen in Eisschilden, Schmelzwasser und Vulkanismus beeinflussen Variabilität auf allen untersuchten Zeitskalen. Eine transiente vulkanische Antriebskraft verringert die Lücke zwischen simulierter und rekonstruierter Variabilität.

Insgesamt zeigen unsere Resultate, dass die Fähigkeit von Modellen die Variabilität des Oberflächenklimas zu simulieren, von deren Komplexität, verwendeten Antriebskräften und Randbedingungen abhängt. Wir identifizieren Voraussetzungen zur Simulation ausreichender Variabilität, von transienter vulkanischer Antriebskraft zu einer minimalen Modellkomplexität.

Global warming entails not only an increase in mean surface temperature, but widespread changes across all components and scales of the climate system. To understand these changes, it is necessary to consider the fluctuations around the mean and the distributions of climate variables, that is, their variability. How this variability depends on the mean climate state and evolves during periods of warming remains, in many respects, unclear. For regional surface temperature variability, models and observations provide conflicting evidence on decadal and longer timescales that suggests that models likely underestimate variability.

Here, we investigate how the variability of surface climate depends on the timescale and mean climate state. To this end, we examine the moments — standard deviation, skewness and kurtosis — of the distributions of surface temperature and precipitation, as well as their power spectra. We use an ensemble of transient simulations of the last 23, 000 years, from the Last Glacial Maximum (LGM) to present-day to analyze the influence of forcings and model complexity on simulated variability. This ensemble thus covers Earth’s most recent warming episode, the Last Deglaciation, during which Earth’s global mean surface temperature warmed by about 4–7° C. We compare the variability in the Deglacial ensemble to that found in projections of possible future warming, as well as to reconstructions, reanalyses and direct observations.

Surface climate variability depends on timescale and background state. Annual to millennial variability is enhanced during the transitionary Deglaciation with respect to the quasi-stationary LGM and Holocene. For surface temperature, we find larger variability during the LGM than the Holocene, but the difference is smaller than in observations. For precipitation, the opposite holds, as variability is smaller during the LGM. There are large inter-model differences in skewness and kurtosis for both temperature and precipitation in the Deglacial ensemble and future projections, suggesting considerable uncertainty in the simulation of extreme conditions.

We differentiate the Deglacial simulations based on the complexity of the underlying model, from a two-dimensional Energy Balance Model (EBM) and Earth System Models of Intermediate Complexity (EMICs), to General Circulation (GCMs) and Earth System Models (ESMs). GCMs and ESMs demonstrate complex patterns of surface climate variability in space and time that change with the background state. EMICs, on the other hand, display less variability and more homogeneous patterns, while the EBM simulates at times extreme excursions in variability. Comparison to observational records shows that the complexity of GCMs and ESMs is necessary to adequately simulate variability. Beyond that, boundary conditions and applied forcings become more relevant. Variations in ice sheets, meltwater routing and volcanism affect variability on all examined timescales, from annual to millennial. The inclusion of transient volcanic forcing narrows the gap between simulated and reconstructed variability.

Overall, our results demonstrate that the ability of models to simulate variability of surface climate depends on model complexity, forcing protocol and boundary conditions. We identify requirements for simulating adequate levels of variability, from transient volcanic forcing to a minimal model complexity.