A Bayesian decision method for climate change signal analysis

$39.00 plus tax (Refund Policy)

Buy Article:

Abstract:

In this paper we would like to put forward another view of climate change signal analysis, namely a data based decision or selection process of specific scenarios (or hypotheses in statistical language). Given at least two scenarios (1) a control one (CTL) from unforced climate model simulations and (2) a set of climate model realizations under an identical external climate forcing, a climate change signal analysis can also be viewed as a decision or selection process of the scenario which is most probable in view of the observations. It is shown that our approach includes the classical fingerprint method. The approach is based on Bayesian decision theory. The selection of hypothesis/scenario uses the Bayes factors. It is exemplified with NCEP/NCAR reanalysis data from 1979 to 1999 as observation, a greenhouse-gas forced scenario (G) with four realizations, and a greenhouse-gas plus sulfate aerosol forced scenario (GS) with two realizations generated by the ECHAM3/LSG from 1880 to 2049. The CTL scenario is obtained from an unforced control run of ECHAM3/LSG of 1400 years length. To provide a vivid example, Northern Hemisphere extratropics area-averaged and 13-month running mean 2 m and 70 hPa temperature anomalies are selected as analysis variables. The Northern Hemisphere extratropics from 1979–1999 are considered as the most reliable area of NCEP/NCAR reanalysis data and the two dimensional setting provides valuable insight into the results. The decision test between the CTL and G scenarios shows that observations of near surface and lower stratosphere temperatures provide evidence against the CTL scenario since the late 1990s even if the prior probability for the G scenario is a third of that of the CTL scenario. The second decision experiment with a three-scenario case shows that both climate change scenarios (G and GS) have higher evidence in view of the observations of the late 1990s than the CTL scenario. A sensitivity analysis with respect to the strength of the natural variance in observations indicates that the specification of the level of the observed natural variability is a crucial factor in the Bayesian decision. In both decision experiments some of the decisions are based upon observations which have very small likelihood value given any of the scenarios, which might be due to the omission of stratospheric ozone forcing in climate change simulations or volcanic/solar forcing in the no change scenario simulation.

German
In diesem Artikel wird ein alternativer Ansatz zur Analyse von Klimaänderungssignalen vorgestellt, der auf einem datenbasierten Entscheidungs- oder Selektionsprozess für bestimmte Szenarien, oder statistisch ausgedrückt Hypothesen, beruht. Wenn zumindest zwei Szenarien gegeben sind, zum Beispiel ein Kontrollszenario aus Klimamodellsimulationen ohne externen Antrieb und ein Satz von Klimamodellrealisierungen mit identischem externen Antrieb, kann eine Klimaänderungsanalyse auch als Entscheidungs- oder Selektionsprozess verstanden werden, der das Szenario bestimmt, welches im Hinblick auf die Beobachtungsdaten am wahrscheinlichsten ist. Dieser Ansatz beinhaltet die klassische Fingerprint-Methode und basiert auf dem Entscheidungstheorem von Bayes. Die Auswahl der Hypothese oder des Szenarios beruht auf dem Bayes-Faktor. Beispielhaft wird die Methode durchgespielt für die NCEP/NCAR-Reanalysen als Beobachtungen, ein Szenario mit steigenden Treibhausgaskonzentrationen (G), welches aus vier Ensemblerealisierungen des ECHAM3/LSG-Modelles besteht, sowie zwei Ensembleläufe des gleichen Modelles mit zusätzlichem Konzentrationsanstieg der Sulfataerosole (GS). Alle Szenarioläufe umfassen den Zeitraum 1880 bis 2049. Das Kontrollszenario (CTL) wird aus einem 1400-jährigen Kontrolllauf des ECHAM3/LSG abgeleitet. Untersucht werden die nordhemisphärisch gemittelten und über 13 Monate tiefpassgefilterten Temperaturanomalien in zwei Meter Höhe und in 70 hPa. Die NCEP/NCAR-Reanalysen gelten in den nordhemisphärischen Außertropen im Zeitraum 1979 bis 1999 als besonders zuverlässig. Darüber hinaus stellt die zweidimensionale Betrachtung der bodennahen und stratosphärischen Temperaturen einen aussagekräftigen Fingerprint dar. Der Entscheidungstest zwischen den Szenarien CTL und G zeigt, dass die Beobachtungen der bodennahen und niederstratosphärischen Temperatur seit den späten 1990er Jahren nicht mit dem CTL-Szenario vereinbar sind. Das gilt auch, wenn die a priori-Wahrscheinlichkeit fär das G-Szenario nur ein Drittel des Wertes für das CTL-Szenario betrsägt. Der zweite Entscheidungstest bezieht sich auf drei Szenarien und zeigt, dass beide Klimsänderungsszenarien (G und GS) im Hinblick auf die Beobachtungsdaten am Ende des 20. Jahrhunderts wahrscheinlicher sind als das CTL-Szenario. Eine Sensitivitätsstudie bezüglich der Abschätzung der naürlichen Varianz der Beobachtungsdaten verdeutlicht die große Bedeutung dieses Parameters für das Ergebnis des Entscheidungsprozesses nach Bayes. In beiden Anwendungen treten Fälle auf, in denen die Beobachtungsdaten nur eine geringe Ähnlichkeit (Likelihood) zu allen drei Szenarios besitzen. Das könnte darin begründet liegen, dass insbesondere die Kontrollexperimente relevante Prozesse im Klimasystem wie die stratosphärische Ozondynamik, die Vulkantätigkeit oder die solaren Schwankungen nicht berücksichtigen.

Document Type: Research Article

DOI: http://dx.doi.org/10.1127/0941-2948/2004/0013-0421

Publication date: October 1, 2004

More about this publication?
  • Meteorologische Zeitschrift (originally founded in 1866) is the joint periodical of the meteorological societies of Austria, Germany and Switzerland. It accepts high-quality peer-reviewed manuscripts on all aspects of observational, theoretical and computational research out of the entire field of meteorology, including climatology. Meteorologische Zeitschrift represents a natural forum for the meteorological community of Central Europe and worldwide.
  • Editorial Board
  • Information for Authors
  • Submit a Paper
  • Subscribe to this Title
  • ingentaconnect is not responsible for the content or availability of external websites
Related content

Tools

Favourites

Share Content

Access Key

Free Content
Free content
New Content
New content
Open Access Content
Open access content
Subscribed Content
Subscribed content
Free Trial Content
Free trial content
Cookie Policy
X
Cookie Policy
ingentaconnect website makes use of cookies so as to keep track of data that you have filled in. I am Happy with this Find out more