O slepicích, vejcích, teplotách a CO 2 : Příčinné souvislosti v zemské atmosféře
Abstraktní
kauzalita ; kauzální systémy ; stochastika ; funkce impulsní odezvy ; geofyzika ; hydrologie ; klima
Věda je generována a věnována svobodnému bádání: myšlence, že jakákoli hypotéza, bez ohledu na to, jak podivná, si zaslouží, aby byla zvážena na základě své podstaty. Potlačování nepohodlných myšlenek může být běžné v náboženství a politice, ale není to cesta k poznání; nemá místo ve vědeckém úsilí. Dopředu nevíme, kdo objeví zásadní nové poznatky.Carl Sagan [ 1 ]
1. Úvod
Studie zkoumala případ, kdy příčinná souvislost není mezi dvěma událostmi, ale mezi dvěma procesy, reprezentovanými jako stochastické procesy. Označení těchto procesů jako?̲( ? )?_?a?̲( ? )?_?(kde se řídíme holandskou notační konvencí podtrhávání stochastických proměnných), v typickém kauzálním systému, označovaném jako? → ??→?, dřívější realizace?̲( ? )?_?ovlivnit současnou realizaci?̲( ? )?_?. V kauzálním systému HOE dřívější realizace?̲( ? )?_?ovlivnit současnou realizaci?̲( ? )?_?, ale i dřívější realizace?̲( ? )?_?ovlivnit současnou realizaci?̲( ? )?_?.
Pokud jde o své aplikace, studie použila údaje o globální teplotě ze satelitů (University of Alabama v Huntsville-UAH) a pozemních údajů (CRUTEM.4.6.0.0 globální teplota T 2 m země) a [CO 2 ] na několika místech ( Mauna Loa, HI, USA; Jižní pól; Inovativním prvkem této studie bylo, že vysvětlila důvody, proč použití původních datových řad T a [CO 2 ] přineslo falešné výsledky, a navrhla místo toho použít jejich změny (rozdíly v čase). Poznamenáváme, že rozlišování se velmi běžně používá v ekonomické literatuře (např. [ 4 , 5 ]). Zejména pro [CO 2 ] navrhla vzít logaritmus před diferencováním (něco připomínající techniky používané v ekonomii [ 5 ]), a tak časové řady, které byly korelovány, bylyΔ ???aΔ l n [C O2]?ln[CO2], kde se rozdíly berou za 12 měsíců. Studiem zpožděných korelací těchto dvou, studie tvrdila, že ačkoli existují oba směry kauzality, výsledky podporují hypotézu, že dominantním směrem je T → CO 2 . Změny [CO 2 ] následují po změnách T přibližně o šest měsíců v měsíčním měřítku nebo o jeden rok v ročním měřítku. Studie se naopak pokusila interpretovat tento mechanismus odkazem na biochemické reakce, protože při vyšších teplotách se zvyšuje dýchání půdy, a tím i emise CO 2 .
V následné (2022) studii o dvou pracích Koutsoyiannis et al. [ 6 , 7 ] vyvinul úplnější teoretický rámec tím, že přehodnotil kauzalitu v celém znalostním stromu, od filozofie po vědu a vědeckou a technologickou aplikaci. Přezkoumáním různých přístupů ke kauzalitě studie lokalizovala několik problémů při identifikaci kauzálních vazeb. Studie tedy rozvinula teoretické pozadí stochastického přístupu ke kauzalitě s cílem formulovat nezbytné podmínky, které jsou provozně užitečné při identifikaci nebo falšování tvrzení o kauzalitě. Vyvinula také účinný algoritmus použitelný pro rozsáhlé otevřené systémy, které nejsou ani řiditelné, ani opakovatelné. Navržený rámec byl ilustrován a předveden v řadě případových studií, z nichž některé byly řízené syntetické příklady a jiné reálné příklady vycházející ze zajímavých vědeckých problémů v geofyzice a zejména hydrologii a klimatologii. Vztah globálně průměrné teploty s koncentrací [CO 2 ] (opět z hlediska rozdílůΔ ???aΔ l n [C O2]?ln[CO2]více než 12 měsíců) byl zahrnut do třiceti prezentovaných případových studií. Stručně řečeno, související analýzy poukázaly na následující (cituji z [ 7 ]):
Je zřejmé, že výsledky […] naznačují (jednosměrný) potenciálně kauzální systém s T jako příčinou a [CO 2 ] jako důsledkem. Proto obecný názor, že zvýšení [CO 2 ] způsobuje zvýšení T, lze vyloučit, protože porušuje nezbytnou podmínku pro tento směr kauzality.
[…] jinými slovy, zvýšení koncentrace CO 2 způsobilo zvýšení teploty . Ačkoli tento závěr může znít na první pohled kontraintuitivně, protože odporuje běžnému vnímání […], ve skutečnosti je rozumný. Nárůst teploty začal na konci období malého ledu, na počátku devatenáctého století, kdy byly lidské emise CO 2 zanedbatelné […].
-
Rozšířit časový rámec vyšetřování dopředu a dozadu využitím nejdelších dostupných datových řad ( oddíl 4 ).
-
Prověřit, zda sezónnost, jak se odráží v různých fázích časových řad [CO 2 ] v různých zeměpisných šířkách, hraje nějakou roli, která by mohla změnit nebo případně zvrátit zjištěný kauzální vztah ( část 5 ).
-
Navrhnout a aplikovat metodu pro zkoumání vlivu časového měřítka při zjišťování kauzality ( oddíl 6 ).
-
Rozšířit metodologii pro jednoznačné případy, kdy typ kauzality, HOE nebo jednosměrný, není zcela jasný ( oddíl 7 ).
-
Využít metodologii při definování typu analýzy dat, která by bez ohledu na zjištění kauzality sama o sobě mohla objasnit výkonnost modelování porovnáním pozorovaných dat s výsledky modelu ( část 8 ).
-
Diskutovat možná rozšíření rozsahu metodiky, tj. od detekce možné kauzality k vytvoření podrobnějšího modelu stochastického typu ( část 9 ).
-
Poskytnout logickou podporu pro zjištění revizí uhlíkové bilance v atmosféře ( Dodatek A.1 ) a zkoumáním dalších procesů, které mohly způsobit zvýšení teploty ( Dodatek A.2 , Dodatek A.3 a Dodatek A.4 ).
2. Shrnutí stochastického přístupu ke kauzalitě
Metodika v [ 6 , 7 ] je založena na funkci impulsní odezvy (IRF) mezi dvěma procesy?̲( ? ) , ?̲( ? )?_(?), ?_(?), označený jako? ( ℎ )?(ℎ)kdeℎℎoznačuje časovou prodlevu na základě konvoluce
?̲( ? ) =∫− ∞∞? ( ℎ )?̲( ? − ℎ ) d ℎ +?̲( ? )?_?=∫−∞∞?(ℎ)?_(?−ℎ)dℎ+?_(?)
kde?̲( ? )?_(?)je další stochastický proces představující část, která není vysvětlena kauzální souvislostí. Chcete-li vidět, že funkce? ( ℎ )?(ℎ)je funkce impulsní odezvy (IRF) systému (?̲( ? ) ,?̲( ? )?_?,?_?), jsme si stanovili?̲( ? ) ≡0?_?≡0a?̲( ? ) = δ (?)?_?=?(?)(Diracova delta funkce, představující impuls s nekonečnou amplitudou at? = 0?=0a dosažení hodnoty 0 pro? ≠ 0?≠0), a snadno získáme?̲( ? ) =?(?)?_?=?(?).
Na druhou stranu, pokud nastavíme? ( ℎ ) = ? δ ( ℎ − ℎ0)?ℎ=? ?(ℎ−ℎ0)(s konstantou??aℎ0ℎ0), což znamená, že IRF je nula pro každé zpoždění kromě specifického zpožděníℎ0ℎ0, pak se rovnice (1) stane?̲( ? ) =??̲( ? −ℎ0) +?̲( ? )?_?=??_?−ℎ0+?_(?). Tento speciální případ je ekvivalentní prosté korelaci?̲( ? )?_?s?̲( ? −ℎ0)?_?−ℎ0v jakémkoli časovém případě??. Je snadné zjistit (srov. lineární regrese), že v tomto případě je multiplikativní konstanta??je korelační koeficient?̲( ? )?_?a?̲( ? −ℎ0)?_?−ℎ0vynásobený poměrem směrodatných odchylek obou procesů. Obecně však očekáváme, že skutečný? ( ℎ )?(ℎ)není Diracova delta funkce, ale spojitá nad nějakou doménou. IRF je tedy mnohem výkonnější nástroj než korelace, protože integruje korelace v celém spektru zpoždění.
Pro libovolné dva procesy?̲( ? )?_(?)a?̲( ? )?_?, Rovnice (1) má z hlediska funkce nekonečně mnoho řešení? ( ℎ )?ℎa proces?̲( ? )?_(?). Jednoznačný a triviální je? ( ℎ ) ≡ 0 ,?̲( ? ) ≡?̲( ? )?ℎ≡0,?_?≡?_(?). Hledané řešení je takové, které odpovídá minimálnímu rozptylu?̲( ? )?_(?), nazývané řešení nejmenších čtverců. Ekvivalentně toto řešení maximalizuje vysvětlený poměr rozptylu:
? : = 1 – ?? ??? :=1− ?? ??
kde ?? ??a ?? ??označují odchylky procesů?̲( ? )?_(?)a?̲( ? )?_?, resp. (Je to obdobné jako u korelace při jediné časové prodlevě.) Pokud je dosaženo maxima??se blíží nule, bude to znamenat, že tyto dva procesy nejsou korelované, a tudíž mezi nimi nemůže existovat žádná podmínka kauzality (nekauzální systém).
Jinak můžeme bez ztráty obecnosti předpokládat, že procesy?̲( ? )?_(?)a?̲( ? )?_?jsou pozitivně korelovány (tj. zvýšení?̲( ? )?_(?)by vedlo ke zvýšení?̲( ? )?_?). V opačném případě (pokud jsou procesy negativně korelované) vynásobením jedné ze dvou řad− 1−1uděláme korelaci pozitivní. Proto zavedeme omezení nezápornosti pro hledaný IRF,
? ( ℎ ) ≥ 0?ℎ≥0
Při odhadu IRF můžeme také uložit omezení drsnosti,
? ≤?0?≤?0
kde E je drsnost IRF určená z hlediska druhé derivace? ( ℎ )?(ℎ):
? : =∫− ∞∞(?″( ℎ ) )2d ℎ? :=∫−∞∞?″ℎ2dℎ
Další odůvodnění těchto dvou omezení je uvedeno v [ 6 ].
V aplikacích je spojitá časová reprezentace nahrazena diskrétní časovou reprezentací, IRF se stává posloupností hodnot????, kde??označuje časovou prodlevu, nekonečný rozsah časové prodlevyℎℎse stává konečným oknem časové prodlevy??, uvedený v intervalu[ − ?, ?][−?,?], integrály jsou nahrazeny součty a skutečné hodnoty statistik jsou nahrazeny odhady. Dále drsnost??je standardizován jako
? : = ?8∑?? = − ??2?? :=?8∑?=−????2
kde ε se pohybuje v (0,1) pro nezáporné????. Určení souřadnic IRF????je tedy formulován jako omezený optimalizační problém, jehož numerické řešení je vždy možné, jednoduché a rychlé a lze jej dosáhnout i běžně dostupnými řešiteli, např. v komerčním nebo open source tabulkovém softwaru.
Upozorňujeme, že v aplikacích každý ze směrů? → ??→?a? → ??→?je zkoumána odděleně, protože v produkovaných IRF není žádná symetrie (nebo antisymetrie) ve dvou směrech. Když mluvíme o směru? → ??→?myslíme tím, že zaměňujeme časové řady??a??a stále odhadujeme IRF stejným způsobem, jak je popsáno v našich rovnicích, ve kterých je směr? → ??→?se předpokládá.
V aplikacích zkoumajících kauzalitu začínáme tím, že předpokládáme potenciálně kauzální model slepice nebo vejce (HOE) s pevným počtem vah.????, ? = − ?, … , 0 , … ? ?=−?,…,0,…?, kde ve většině případů studovaných v [ 7 ] hodnota?= 20?=20bylo přijato a toto je dodržováno i zde. V závislosti na výsledcích postupu odhadu, pokud??je nezanedbatelné, za systém se považuje:
-
Potenciálně HOE kauzální , pokud máme??> 0??>0pro některá pozitivní i některá negativní zpoždění j ,
-
Potenciálně kauzální , pokud??= 0??=0pro všechny? < 0?<0, a
-
Potenciálně antikauzální pokud??= 0??=0pro všechny? > 0?>0
Obrázek 1. Vysvětlující náčrt pro definici různých typů potenciálních příčinných souvislostí. Pro každý graf průměr?ℎ?ℎje také vykreslena přerušovanou čarou.
V potenciálně kauzálním (nebo antikauzálním) systému se časové pořadí výslovně odráží ve výše uvedených charakteristikách. V potenciálně kauzálním systému HOE je třeba vyjasnit časové pořadí definováním hlavního směru. Nejpřirozenějšími ukazateli jsou: (a) časové zpožděníℎCℎcmaximalizace absolutní hodnoty křížové kovariance; (b) průměr (časový průměr)?ℎ?ℎfunkce ? ( ℎ ) ?(ℎ); a (c) mediánℎ1/2ℎ1/2funkce ? ( ℎ ) ?(ℎ). Bereme to na vědomíℎCℎc, který byl základem v původní studii [ 2 ], je zcela nezávislý na? ( ℎ )?(ℎ). další dva,?ℎ?ℎaℎ1/2ℎ1/2, závisí na? ( ℎ )?(ℎ)to je určeno. Rozsáhlé analýzy v [ 7 ] však ukázaly, že jejich odhad je poměrně robustní; například použití omezení drsnosti při ovlivnění výsledného? ( ℎ )?(ℎ), prakticky neovlivňuje hodnoty?ℎ?ℎaℎ1/2ℎ1/2. Obecně charakteristika zaostává?ℎ?ℎaℎ1/2ℎ1/2se od sebe podstatně neliší a pro další použití by bylo možné zvolit kteroukoli z nich. Zde si raději všimneme obojího, stejně jakoℎCℎc, protože všechny poskytují užitečné informace o vztahu těchto dvou procesů (jako v případě použití střední hodnoty i mediánu při charakterizaci rozdělení pravděpodobnosti jedné proměnné).
3. Data a případové studie
Tabulka 1. Hlavní případové studie a výsledné souhrnné indexy.Δ ???je časový krok diferenciace;ℎCℎcje časová prodleva maximalizující křížovou kovarianci?? ?( ℎ )???ℎnebo ekvivalentně vzájemná korelace?? ?( ℎ ) := ?? ?( ℎ ) /?? ?( 0 )?? ?( 0 )−−−−−−−−−−√???ℎ :=???ℎ/???0???0;?ℎ?ℎje průměr (časový průměr) funkce ? ( ℎ ) ?(ℎ);ℎ1/2ℎ1/2je medián funkce ? ( ℎ ) ?(ℎ);??je vysvětlený rozptylový poměr; a??je poměr drsnosti. Případové studie č. 1 a č. 2 jsou obsaženy v [ 7 ] jako případové studie č. 23 a č. 24 a jsou v tabulce uvedeny pouze pro srovnání.
Abychom ověřili, zda by se výsledky naší metodiky změnily, kdybychom místo průměru zvolili kteréhokoli konkrétního člena souboru, získali jsme také výstupy z jediného modelu, konkrétně z modelu britského zemského systému (UKESM1 [ 21 ]). V zájmu stručnosti tohoto článku uvádíme tuto druhou analýzu (jejíž výsledky se nakonec neliší od průměru CMIP6) v doplňkových informacích (a proto ji neuvádíme v tabulce 1 ). Hlavní případové studie, ve kterých byla tato data použita, jsou shrnuty v tabulce 1 spolu se souhrnnými indexy????které souvisejí s potenciální kauzalitou. Podrobnosti o případových studiích jsou uvedeny v následujících částech. Ve všech jsme začali tím, že jsme předpokládali potenciálně kauzální model slepice nebo vejce (HOE) s pevným počtem vah.????konkrétně 41 (tj.?= 20?=20jako v [ 7 ]).
4. Zkoumání maximálního časového rozpětí, které moderní data umožňují
Jak je vidět v tabulce 1 , poskytlo to lepší charakteristiky než případ UAH/Mauna Loa zkoumaný v [ 7 ]: maximální vzájemná korelace?? ?(ℎ?) =0,56???ℎ?=0.56proti 0,48; vysvětlil rozptyl e = 34 % proti 31 %, při časových zpožděních větších nebo rovných těm v [ 7 ] (téměř 8 měsíců). Jak je vidět na obrázku 2 , máme opět potenciálně kauzální systém se směrovostíΔ ?→ Δ l n [C O2]??→?ln[CO2], zatímco možná kauzalitaΔ l n [C O2] → Δ ??ln[CO2]→??lze vyloučit jako nesplňující nutnou podmínku časové přednosti.
Obrázek 2. IRF pro teplotu a koncentraci CO 2 na základě teploty opakované analýzy NCEP/NCAR ve vzdálenosti 2 ma časové řady Mauna Loa [CO 2 ] – případové studie č. 3 ( vlevo ;Δ ?→ Δ l n [C O2]??→?ln[CO2]; potenciálně kauzální systém) a #4 ( vpravo ;Δ l n [C O2] → Δ ??ln[CO2]→??; potenciálně antikauzální systém).
5. Zkoumání možného vlivu sezónnosti
Jak je vidět v tabulce 1 , opět to poskytlo lepší charakteristiky než případ UAH/Mauna Loa zkoumaný v [ 7 ], pokud jde o vysvětlenou odchylku ( e = 35 % proti 31 %) a časové prodlevy vyšší než v [ 7 ] (téměř 10). měsíce). Jak je vidět na obrázku 3 , máme opět potenciálně kauzální systém se směrovostíΔ ?→ Δ l n [C O2]??→?ln[CO2], přičemž opět možná kauzalitaΔ l n [C O2] → Δ ??ln[CO2]→??lze vyloučit jako nesplňující nutnou podmínku časové přednosti.
Obrázek 3. IRF pro teplotu – koncentraci CO 2 na základě teploty opakované analýzy NCEP/NCAR ve 2 ma časové řady jižního pólu – případové studie č. 14 ( vlevo ;Δ ?→ Δ l n [C O2]??→?ln[CO2]; potenciálně kauzální systém) a #15 ( vpravo ;Δ l n [C O2] → Δ ??ln[CO2]→??; potenciálně antikauzální systém).
-
Systém T -[CO 2 ] se zdá být potenciálně kauzální (jednosměrný) ve směruΔ ?→ Δ l n [C O2]??→?ln[CO2]spíše než kauzální příčina slepice nebo vejce.
-
Všechny charakteristické časové prodlevy (ℎ?,?ℎ, ℎ1/2ℎ?,?ℎ, ℎ1/2) jsou pozitivní ve směruΔ ?→ Δ l n [C O2]??→?ln[CO2](v rozmezí od asi 7 do asi 10 měsíců) a negativní ve směruΔ l n [C O2] → Δ ??ln[CO2]→??.
-
Vysvětlený poměr rozptylu je větší ve směruΔ ?→ Δ l n [C O2]??→?ln[CO2](asi o 1/3) než ve směruΔ l n [C O2] → Δ ??ln[CO2]→??(asi 1/5).
6. Na časovém měřítku platnosti výsledků
Nelze vyloučit případ, že časové měřítko analýzy je důležité ve zjištěném potenciálním kauzálním vztahu a že tento případ by se změnil, kdyby se časové měřítko změnilo. To vyvolává otázku: v jakém časovém horizontu platí platnost určitých výsledků? Toto časové měřítko je jistě zlomkem (ne větším než 1/2) délky časové řady. Indikaci lze získat prozkoumáním empirické křížové kovarianční funkce a porovnáním s teoretickou funkcí. Jak ukazuje [ 6 ], druhý (?? ?( ℎ ) :=cov [ ?̲( ? + ℎ ) ,?̲( ? ) ]???ℎ :=cov?_?+ℎ,?_?) pro zpožděníℎℎ, souvisí s autokovarianční funkcí?̲?_,?? ?( ℎ ) :=cov [?̲( ? + ℎ ) ,?̲( ? ) ]???ℎ:=cov?_?+ℎ,?_?, od:
?? ?( ℎ ) =∫− ∞∞? ( ? )?? ?( ℎ − ? ) d ????(ℎ)=∫−∞∞?????(ℎ−?)d?
Tím pádem,?? ?( ℎ )???ℎlze odhadnout z IRF a empirického?? ?( ℎ )???ℎz dat. Obrázek 4 ukazuje funkce autokorelace a vzájemné korelace (což jsou kovariance standardizované standardními odchylkami). ProΔ ?→ Δ l n [C O2]??→?ln[CO2]případ (tj. případová studie č. 3; horní panely na obrázku 4 ), rekonstruovaná funkce vzájemné korelace, vypočtená z IRF (viz obrázek 2 ) a empirická autokorelační funkce teploty (viditelná v levém horním panelu na obrázku 4 ) při použití diskretizované verze rovnice (7) dobře souhlasí s empirickou funkcí pro časové prodlevy do ±10 let, tj. v rozsahu 20 let (1/3 délky řady). Vzhledem k tomu, že časová prodleva má vztah ekvivalence s časovou osou [ 22 ], můžeme dojít k závěru, že zjištěná potenciální kauzalita platí pro časové osy dvou desetiletí. Pro srovnání, spodní panely na obrázku 4 ukazují opačný případ,Δ l n [C O2] → Δ ??ln[CO2]→??, (případová studie č. 4), kde již neexistuje dobrá shoda mezi empirickou a rekonstruovanou vzájemnou korelací, což poskytuje další podporu pro tvrzení, že skutečná příčinná souvislost jeΔ ?→ Δ l n [C O2]??→?ln[CO2].
Obrázek 4. ( Levý sloupec ) Empirická autokorelační funkce pro období 1958–2021 a pro měsíční časovou os ( horní ) NCEP/NCARΔ ???časové řady a ( nižší )Δ l n [C O2]?ln[CO2]časová řada pro Mauna Loa. ( Pravý sloupec ) Empirická vzájemná korelační funkce dvou časových řad (spojité čáry modře) ve srovnání s těmi rekonstruovanými z IRF a autokorelační funkcí na levém panelu pomocí diskretizované verze rovnice (7) (přerušovaná čára), pro případové studie ( horní ) # 3 a ( dolní ) # 4.
Přímější technikou, jak se vypořádat s časovými stupnicemi, je zprůměrovat časové řady na agregovaných časových osách a znovu prozkoumat kauzální vztahy na těchto škálách. Tato technika by mohla zjistit, zda podobný vztah platí pro větší časové horizonty. V našem případě, protože rozlišujeme proces, je vzít průměr v časovém měřítku k ekvivalentní tomu, že vezmeme rozdíl pro časový krok k (všimněte si, že(?2−?1) + (?3−?2) +…+(??+ 1−??) =??+ 1−?1?2−?1+?3−?2+…+(??+1−??)=??+1−?1). Ke zvýšení časových měřítek tedy stačí zvýšit časový krok diferenciace. Na obrázku 2 to byl 1 rok. Nyní zvýšíme časový krok diferenciace a nahradíme 1letý krok 2, 4, 8 a 16 lety. Výsledky jsou uvedeny na obrázku 5 a v tabulce 1 (případové studie #5 až #13). Jsou v podstatě stejné, až na to, že jak se zvětšuje časový krok, vysvětlený rozptyl mírně klesá (z 0,34 dolů na 0,27) ve směruΔ ?→ Δ l n [C O2]??→?ln[CO2], a je opět mnohem vyšší než ve směruΔ l n [C O2] → Δ ??ln[CO2]→??. Časové prodlevy se zvyšují v prvním směru a jsou opět negativní v druhém směru.
Obrázek 5. IRF pro teplotu a koncentraci CO 2 na základě teploty opakované analýzy NCEP/NCAR ve 2 mauna Loa, v daném pořadí, jako na obrázku 2 , ale pro rozdílné časové kroky rovné (od horní k dolní) 2, 4, 8 a 16 let; vlevo, odjet :Δ ?→ Δ l n [C O2]??→?ln[CO2](potenciálně kauzální systém); že jo :Δ l n [C O2] → Δ ??ln[CO2]→??(potenciálně antikauzální systém).
Charakteristickým vzorem je, že s rostoucím časovým krokem roste i nejpravější ordináta IRF,?20?20. Toto chování, tj. rostoucí končetina????za určitým časovým zpožděním, byl vysvětlen v [ 7 ] a je artefaktem nedostatečného (malého) okna časového zpoždění pro stanovení IRF. To naznačuje, že vyšší??by měl být použit. Je docela rozumné očekávat, že pokud se zvýší rozdílový časový krok, měla by se zvýšit i velikost okna. Zejména je zajímavé pozorovat, že v nejnižším panelu na obrázku 5 , odpovídajícímu rozdílovému časovému kroku 16 let, zatímco časové okno IRF je pouze 40 měsíců (o něco více než 3 roky), je IRF monotónně rostoucí funkce. Zřejmě se jedná o artefakt kvůli příliš malému oknu časové prodlevy. V takovém případě je také rozumné očekávat nějaké nezáporné odhady IRF souřadnic pro negativní zpoždění, i když je systém jednosměrně kauzální. To se skutečně objevilo v případě rozdílového časového kroku 16 let, i když nejnižší panel na obrázku 5 ukazuje čistě jednosměrnou verzi IRF. To může způsobit určitou nejednoznačnost v identifikaci kauzality, kterou analyzujeme a vyřešíme v další části.
7. Možné nejednoznačnosti a nejednoznačnosti
V některých aplikacích je detekce typu kauzality, jednosměrné nebo HOE, přímá, ale v jiných případech může být obtížnější. To je znázorněno na Obr . Levý panel je ekvivalentní panelu na obrázku 2 (vlevo), ale nezapomíná na některé velmi malé souřadnice????že původně algoritmus produkoval pro zápor??. Pravý panel je ekvivalentní tomu na obrázku 5 (vlevo dole), ale nechává produkovat optimalizační algoritmus????za negativní??, což se v tomto konkrétním případě jeví jako nezanedbatelné. Oba obrázkové panely odkazují na stejné procesy s rozdílným časovým krokem 1 a 16 let pro levý a pravý panel. Pro 16letý krok ve srovnání s IRF na obrázku 5 , který vysvětluje zlomek 0,31 rozptylu, krok na obrázku 6 poskytuje mírně vyšší vysvětlený rozptyl, 0,325, zatímco má některé malé váhy při záporných zpožděních. Měli bychom tedy dojít k závěru, že to naznačuje potenciální HOE spíše než jednosměrnou kauzalitu? I když je naše odpověď kladná, je důležité poznamenat, že charakteristická zpoždění jsou opět pozitivní, což naznačuje hlavní směrΔ ?→ Δ l n [C O2]??→?ln[CO2].
Obrázek 6. IRF pro teplotu a koncentraci CO 2 na základě teploty opakované analýzy NCEP/NCAR na časové řadě 2 ma Mauna Loa, v daném pořadí, které také umožňují negativní zpoždění (HOE) pro směr kauzalityΔ ?→ Δ l n [C O2]??→?ln[CO2]a pro rozdílový časový krok 1 rok ( vlevo , odpovídá obrázku 2 , vlevo) a 16 let ( vpravo , odpovídá obrázku 5 , vlevo dole).
Pravděpodobně je v tomto případě rozumnější přejít ze symetrického na nesymetrické okno časové prodlevy. Použijeme tedy okno délky 21 a posuneme ho tak, aby se nejmenší nenulová prodleva lišila od− 20−20na 0. Pouze případ, kdy je 0, označuje potenciální jednosměrnou kauzalitu, kde všech 20 ostatních případů odpovídá potenciální kauzalitě HOE. Výsledné IRF jsou vyneseny na obrázku 7 , zatímco podíl vysvětleného rozptylu je vykreslen na obrázku 8 jako funkce nejnižšího nenulového časového zpoždění. Je možné si všimnout, že křivka pro nejnižší časovou prodlevu 0 se liší od obrázku 5 (vlevo dole). Konkrétně, ordináta na 0 je na obrázku 7 vyšší , čímž vzniká konkávní tvar IFR. To je důsledkem skutečnosti, že délka okna je pevná, zatímco nejnižší pořadnice již nepřispívá k drsnosti (pro nejnižší bod nelze určit druhou derivaci a algoritmus tak může bez nákladů zvýšit pořadnici na 0). Vysvětlený rozptyl se dále zvýšil na 0,327.
Obrázek 7. IRF pro teplotu a koncentraci CO 2 na základě teploty opakované analýzy NCEP/NCAR ve 2 ma časové řadě Mauna Loa, pro 21 časových zpoždění, rozdíl v časovém kroku 16 let a směrΔ ?→ Δ l n [C O2]??→?ln[CO2]. Nejnižší nenulové zpoždění každého IRF je vyznačeno na pravém horním konci jeho křivky.
Je zřejmé, že výsledkem tohoto zkoumání je spíše jednosměrná než HOE potenciální kauzalita, protože vysvětlený rozptyl dosahuje svého maxima, když je nejnižší??je 0.
8. Porovnání pozorovacích dat s výsledky modelu
Obrázek 9. IRF pro teplotu a koncentraci CO 2 na základě průměrné teploty CMIP6 a časové řady SSP2-4,5 CO 2 , v tomto pořadí, vypočítané bez použití omezení drsnosti; horní řada : období 1850–2100 – případové studie č. 16 ( vlevo ;Δ ?→ Δ l n [C O2]??→?ln[CO2]) a #17 ( vpravo ;Δ l n [C O2] → Δ ??ln[CO2]→??); dolní řada : období 1850–2021 — případové studie č. 18 ( vlevo ;Δ ?→ Δ l n [C O2]??→?ln[CO2]) a #19 ( vpravo ;Δ l n [C O2] → Δ ??ln[CO2]→??).
Obrázek 10. IRF pro teplotu a koncentraci CO 2 na základě střední teploty CMIP6 a časové řady SSP2-4,5 CO 2 , v tomto pořadí, jako na obrázku 9 , ale vypočítané pomocí omezení drsnosti; horní řada : období 1850–2100 – případové studie č. 20 ( vlevo ;Δ ?→ Δ l n [C O2]??→?ln[CO2]) a #21 ( vpravo ;Δ l n [C O2] → Δ ??ln[CO2]→??); dolní řada : období 1850–2021 — případové studie č. 22 ( vlevo ;Δ ?→ Δ l n [C O2]??→?ln[CO2]) a #23 ( vpravo ;Δ l n [C O2] → Δ ??ln[CO2]→??).
-
Mezi výsledky za období 1850–2100 a 1850–2021 není zásadní rozdíl.
-
Zatímco, jak se očekávalo, IRF se liší, pokud jsou vypočteny s omezující drsností nebo bez ní, charakteristické zpoždění jsou v obou případech podobné (s výjimkouℎ1/2ℎ1/2v případech #17 a #21).
-
Ve všech případech jsou zpoždění ve směru negativníΔ ?→ Δ l n [C O2]??→?ln[CO2]a pozitivním směremΔ l n [C O2] → Δ ??ln[CO2]→??, což naznačuje kauzalitu HOE s hlavním směremΔ l n [C O2] → Δ ? ?lnCO2→ ??.
-
Je zřejmé, že zjištění v bodě 3, vyplývající z výstupů klimatického modelu, je opačné než výsledky zjištěné při použití skutečných měření (časová řada NCEP/NCAR Reanalysis a Mauna Loa [CO 2 ]).
-
Kupodivu, zatímco hlavní směr navrhovaný modely jeΔ l n [C O2] → Δ ??ln[CO2]→??, vysvětlený rozptyl je působivě nízký (10–15 %) v tomto směru a působivě vysoký (dosahující 90 %) v opačném směru,Δ ?→ Δ l n [C O2]??→?ln[CO2].
9. Diskuse a další výsledky
-
Závislost uhlíkového cyklu na teplotě je poměrně silná a skutečně může dojít k velkému nárůstu [CO 2 ] v důsledku nárůstu teploty. Jinými slovy, ukazujeme, že přirozené změny [CO 2 ] v důsledku nárůstu teploty jsou mnohem větší (faktorem > 3) než lidské emise ( Příloha A.1 ).
-
Existují procesy, jako je albedo Země (které se mění v čase jako kterákoli jiná charakteristika klimatického systému), El Niño–jižní oscilace (ENSO) a obsah tepla oceánu v horní vrstvě (reprezentovaný vertikálně zprůměrovanou teplotou ve vrstvě 0–100 m), což jsou potenciální příčiny nárůstu teploty, na rozdíl od toho, co je pozorováno u [CO 2 ], jejich změny předcházejí změnám teploty ( Příloha A.2 , Příloha A.3 a Příloha A.4 ) .
-
Analýza paleoklimatických dat ve velkém časovém měřítku podporuje prvenství kauzálního směru T → [CO 2 ], i když o této otázce přetrvávají určité kontroverze ( příloha A.5 ).
-
Za převážnou většinu emisí CO 2 jsou zodpovědné suchozemské a námořní dýchání a rozpad [ 32 ], obrázek 5.12.
-
Celkově se přírodní procesy v biosféře podílejí 96 % na globálním uhlíkovém cyklu, zbytek, 4 %, tvoří lidské emise (které byly v minulosti ještě nižší [ 33 ]).
-
Biosféra je produktivnější při vyšších teplotách, protože rychlost biochemických reakcí se zvyšuje s teplotou, což vede ke zvýšení přirozené emise CO 2 [ 2 ].
ENSO a ohřívání oceánů, které oba ovlivňují teplotu, jsou zkoumány v příloze A.3 a v příloze A.4 . Výsledky z Přílohy A.2 , Přílohy A.3 a Přílohy A.4 jsou shrnuty ve schématu na obrázku 13 . Změny ve všech třech zkoumaných procesech, albedo, ENSO a teplo z horního oceánu, časově předcházejí změnám teploty a ještě více změnám [CO 2 ]. Obecně platí, že časové prodlevy zobrazené na obrázku 13 doplňují konzistentní obraz potenciálních kauzálních vazeb mezi klimatickými procesy a vždy potvrzují?→ [C O2]?→[CO2]směr.
Jak již bylo vysvětleno, cílem naší práce není poskytovat podrobné modelování studovaných procesů, ale kontrolovat kauzální podmínky. Zdůrazňujeme skutečnost, že vztah, který jsme vytvořili, vysvětluje pouze asi 1/3 skutečného rozptyluΔ l n [C O2]?ln[CO2]. To není zanedbatelné pro vyšetřování kauzality, ale také ponechává prostor pro působení mnoha dalších klimatických faktorů.
Nicméně naše výsledky lze určitě zlepšit, pokud změníme náš rozsah na podrobnější modelování. Pro ilustraci nabízíme následující model hračky. Na základě našeho výsledku, že systém T -[CO 2 ] je potenciálně kauzální se směremΔ ?→ Δ l n [C O2]??→?ln[CO2], odhadujemeΔ l n [C O2]?ln[CO2]tak jako
Δ l n⎡⎣⎢⎢C O2⎤⎦⎥⎥=∑? = 020??Δ ??− ?+???ln[CO2]=∑?=020?????−?+??
a postoupíme o krok dále, za předpokladu, že průměr????také závisí na minulé teplotě, zprůměrované v časovém měřítku m , tzn.
??= ? (??−?0)??=???−?0
kde????je průměrná teplota předchozích m let, a??a?0?0jsou konstanty (parametry). Takový jednoduchý lineární vztah podporují výše uvedené body související s produktivitou biosféry. Rovnice (9) bude mít za následek záporné hodnoty????-li??<?0??<?0a jinak pozitivní.
Přehodnocením IRF souřadnic????současně s parametry rovnice (9) najdeme upravenou verzi IRF zakreslenou na obrázku 14. Obr . Optimalizované doplňkové parametry jsou? = 4?=4(roky),? = 0,0034 , ?0= 285,84 K ?=0.0034, ?0=285.84 K. Podobně jako v [ 6 ] jsme k provedení optimalizace použili běžný tabulkový software, který přidal dva parametry α a?0?0na neznámé souřadnice????IRF a provedení (nelineární) optimalizace pro všechny neznámé (??byla nalezena metodou pokus-omyl). Grafické srovnání skutečnostiΔ l n [C O2]?ln[CO2]a[C O2][CO2]s těmi simulovanými modelem rovnic (8) a (9) je uveden na obrázku 15. Obr . Vysvětlený rozptyl proΔ l n [C O2]?ln[CO2]byla drasticky zvýšena z 34 % na 55,5 % a to pro[C O2][CO2]je působivých 99,9 %.
Obrázek 15. Porovnání skutečnéhoΔ l n [C O2]?ln[CO2]( horní ) a[C O2][CO2]( nižší ) s těmi simulovanými modelem rovnic (8) a (9).
Pro pohodlí čtenářů, kteří mají zájem o opakování výpočtů, uvádíme také parametrické vyjádření IRF a shrnujeme model hračky jako:
Δ l n⎡⎣⎢⎢C O2⎤⎦⎥⎥=∑? = 020??Δ ??− ?+??,??=0,00076 ? 0,67?− 0,2 ?/ K ,??= 0,0034 ( ?4/ K − 285,84 )?ln[CO2]=∑?=020?????−?+??,??=0.00076 ?0.67?−0.2?/K,??=0.0034 ?4/K−285.84
(kde K je jednotka kelvinů).
10. Závěry
-
Všechny důkazy vyplývající z analýz nejdelší dostupné moderní časové řady atmosférické koncentrace [CO 2 ] na Mauna Loa na Havaji, spolu s globálně zprůměrovanou T , naznačují jednosměrnou, potenciálně kauzální souvislost s T jako příčinou a [CO 2 ] jako efekt. Tento směr kauzality platí po celou dobu sledovanou (více než 60 let).
-
Sezónnost, jak se odráží v různých fázích časových řad [CO 2 ] v různých zeměpisných šířkách, nehraje žádnou roli v potenciální kauzalitě, jak bylo potvrzeno nahrazením časové řady Mauna Loa [CO 2 ] časovou řadou na jižním pólu.
-
Jednosměrný?→ l n [C O2]?→ln[CÓ2]potenciální příčinná souvislost se vztahuje na všechna časová měřítka vyřešená dostupnými údaji, od měsíčních po přibližně dvě desetiletí.
-
Navržená metodika je jednoduchá, flexibilní a účinná v případech, kdy není zcela jasný typ kauzality, HOE nebo jednosměrná.
-
Metodologie dále definuje typ analýzy dat, která bez ohledu na detekci kauzality jako takové hodnotí výkonnost modelování porovnáním pozorovaných dat s výsledky modelu. Zejména analýza výstupů klimatických modelů odhaluje nesprávnou reprezentaci kauzální souvislosti těmito modely, které naznačují opačný směr kauzality, než jaký byl zjištěn při použití skutečných měření.
-
Rozšíření rozsahu metodiky, tj. od detekce možné kauzality až po sestavení detailnějšího modelu stochastického typu, je možné, jak ilustruje model hračky pro systém T- [CO 2 ] s vysvětleným rozptylem [CO 2 ] dosáhl působivých 99,9 %.
-
I když se některá zjištění této studie zdají kontraintuitivní nebo v rozporu s názory hlavního proudu, jsou logicky a výpočetně podpořena argumenty a výpočty uvedenými v přílohách .
Doplňkové materiály
Autorské příspěvky
Financování
Prohlášení institucionální revizní komise
Prohlášení o informovaném souhlasu
Prohlášení o dostupnosti dat
Poděkování
Střet zájmů
Příloha A
Příloha A.1. Poznámky o cyklu uhlíku a jeho závislosti na teplotě
Není obtížné kvantifikovat zvýšení dýchání v důsledku zvýšení teploty. Mechanismus je v chemii znám již více než století. Rychlost chemické reakce????při teplotě T je rostoucí funkce T daná Arrheniovou rovnicí [ 56 ]:
??= ? zk( –??*?)??=?zk−??*?
kde A a a jsou volné parametry a?*?*je univerzální plynová konstanta. Typicky se rychlost měří v molech na jednotku objemu, ale lze ji snadno vyjádřit v jednotkách hmotnosti. Vyjádření vztahu při referenční teplotě?0?0a po dělení (A1) získáme:
???0= zk( –??*(1?−1?0) )???0=zk−??*1?−1?0
Logaritmy a nastaveníΔ ?: = ? −?0??:= ?−?0 shledáváme
ln(???0) =–??*(1?−1?0) =??*?0( 1 –?0?) =??*?0(Δ ??0+ Δ ?)=??*?0 ⎛⎝⎜⎜Δ ??0−(Δ ??0)2+(Δ ??0)3− …⎞⎠⎟⎟ln???0=−??*1?−1?0=??*?01−?0?=??*?0???0+??=??*?0 ???0−???02+???03−…
a za předpokladu, žeΔ ?/?0??/?0je malý (pozn.?0?0je řádově 300 K, zatímco typické hodnotyΔ ???je řádově 1–10 K). Můžeme zanedbat všechny termíny nad rámec prvního řádu a najít:
????0= zk⎛⎝⎜⎜??*?20Δ ?⎞⎠⎟⎟=⎛⎝⎜⎜zk⎛⎝⎜⎜??*?20⎞⎠⎟⎟⎞⎠⎟⎟Δ ?=?Δ ?1=?Δ ?/ 1010????0=exp??*?02??=zk??*?02??=?1??=?10??/10
kde
?1: = zk⎛⎝⎜⎜??*?20⎞⎠⎟⎟,?10: =?101?1:=exp??*?02,?10:=?110
Všimněte si, že obojí?1?1a?10?10jsou bezrozměrná čísla > 1. Exponenciální výraz, ve kterém?10?10je povýšen k mociΔ ?/ 10??/10je známý jako?10?10model [ 57 ].
Exponenciální nárůst rychlosti procesu s teplotou je obecným chemickým chováním, které se také rozšiřuje na biochemické reakce. Toto není hypotéza nebo spekulace, ale prokázaná skutečnost, která je široce používána ve strojírenství. Například rychlost metabolismu v odpadních vodách a kanalizačních systémech je vyjádřena tzv. efektivní BSK (EBOD, kde BSK znamená biochemickou spotřebu kyslíku). Již více než 75 let je známo, že rychlost metabolismu se zvyšuje s teplotou, protože aktivita mikroorganismů se obecně zvyšuje s teplotou. Vztah EBOD k teplotě vyjádřili Pomeroy a Bowlus [ 58 ] as[ E B O D ] = [ B O D ] ( 1.07 )?− 20EBOD=BÓD 1.07?−20, což je obdoba (A4), kde je referenční teplota?0=?0=20 °C a?1= 1,07?1=1.07(?10= 2,0 )?10=2,0). Posledně jmenovaný vztah je standardem inženýrského projektování v kanalizačních systémech.
Abychom mohli tento rámec použít k nalezení nárůstu dýchání za posledních 65 let zkoumaných v naší studii, nejprve jsme získali globální teplotu odděleně pro pevninu a moře z datové sady NCEP/NCAR Reanalysis. Ty jsou znázorněny v ročním časovém horizontu na obrázku A2 . Výsledné lineární trendy, rovněž znázorněné na obrázku A2 , vedou ke zvýšeníΔ ?=??=1,69 °C pro pozemní a 0,78 °C pro námořní část za období 65 let.
Nyní literatura uvádí reprezentativní průměr?10?10hodnoty 3,05 pro pozemské dýchání [ 57 ] a 4,07 pro námořní dýchání [ 59 ]. Li?B?Ba?E?Eoznačují rychlost dýchání na začátku a na konci 65letého období aΔ ? : =?E−?B??:=?E−?B, pak podle (A4),
?E?B=?Δ ?/ 1010?E?B=?10??/10
a tudíž
Δ ? =?E⎛⎝⎜⎜⎜1 –1?Δ ?/ 1010⎞⎠⎟⎟⎟??=?E1−1?10??/10
Pro výše uvedené hodnoty?10?10aΔ ???, výraz v závorkách je 0,172 pro pozemní část a 0,104 pro námořní část. Vynásobením těchto hodnot?E?Ehodnoty uvedené na obrázku A1 , tj. 136,7 a 77,6 Gt C/rok, v tomto pořadíΔ ? = 23,5??=23.5a 8,1 Gt C/rok, tj. celkové globální zvýšení rychlosti dýchání oΔ ? = 31,6??=31.6Gt C/rok. Tato rychlost, která je výsledkem přírodních procesů, je 3,4krát vyšší než emise CO 2 ze spalování fosilních paliv (9,4 Gt C/rok včetně výroby cementu).
Příloha A.2. Zkoumání kauzality mezi Albedem a atmosférickou teplotou
Existuje několik faktorů, které způsobují změny teploty Země. Sluneční záření je zásadní, ale změny v něm nebyly podstatné v časovém horizontu několika let. Odezva Země na sluneční záření se však může v takových měřítcích měnit. Zde zkoumáme změny albeda Země. V 21. století lze albedo na vrcholu atmosféry (TOA) odhadnout ze satelitních dat. Konkrétně to lze provést pomocí dat z probíhajícího projektu Clouds and the Earth’s Radiant Energy System (CERES). Jedná se o součást systému NASA pro pozorování Země, navrženého k měření záření odraženého od Slunce i záření emitovaného Zemí z TOA na zemský povrch. Data, která jsme zde použili, pocházejí z platformy TERRA pro měsíční časové období a jsou dostupná online [ 60 ] za období od března 2000 do dnešního dne. Globální albedo TOA bylo vypočteno jako poměr pro každý měsíc globálně integrovaného pozorovaného krátkovlnného toku TOA (celoobloha) ke globálně pozorovanému toku slunečního záření TOA. Výsledná časová řada je znázorněna na obrázku A3 . Na obrázku je také znázorněn klesající lineární trend –0,0019/dekádu. Klesající trend znamená, že Země odráží méně slunečního záření, což může vést ke zvýšení teploty. Za celé období je pokles albeda asi 0,004. Protože průměrné příchozí sluneční záření (oslunění) je podle stejného souboru dat 340 W/m 2 , znamená to rozdíl (nerovnováhu) přijaté energie Zemí o0,004 × 340 = 1,40,004×340=1.4W/ m2 . Tento výsledek není v rozporu s výsledkem Hansena a kol. [ 54 ], kteří zjistili, že v období od ledna 2015 do března 2022 je celosvětově absorbovaná sluneční energie o +1,01 W/m 2 vyšší než průměr za prvních 10 let dat (2000–2009). Tato čísla jsou větší než průměrná nerovnováha (čistá absorbovaná energie) Země, která, pokud se vypočítá z údajů o tepelném obsahu oceánu, je asi 0,4 W/m 2 [ 33 ]. Podle hlavního proudu vědy je tato nerovnováha připisována nárůstu [CO 2 ], ale analýzy v této studii tuto hypotézu nepotvrzují. Navíc je těžké pochopit, jak by mohl být pokles albeda způsoben zvýšeným [CO 2 ] (a z tohoto důvodu je obvykle obviňován z aerosolů).
Potenciální kauzální souvislost albeda ( α ) s atmosférickým T však může být důkladněji prozkoumána pomocí zde diskutovaného stochastického rámce. Výsledné charakteristiky jsou uvedeny v tabulce AI a výsledné IRF jsou uvedeny na obrázku A4 . Všimněte si, že protože se očekává, že zvýšení α způsobí snížení T , změnili jsme znaménko v rozdílech albeda (− Δ ?−??) tak, aby měla pozitivní korelaci s teplotními rozdíly (Δ ???). Stanovený IRF naznačuje potenciální příčinu HOE s hlavním směrem? → ??→?a časové prodlevy 1–3 měsíce. Vysvětlený rozptyl je však malý, 13 %.
Obrázek A4. IRF pro albedo–teplotu založené na časové řadě albeda CERES a teplotě opakované analýzy NCEP/NCAR ve 2 m – případové studie č. 24 ( vlevo ;− Δ ? → Δ ?]−??→??]😉 a #25 ( vpravo ;Δ ?→ − Δ ???→−??).
Příloha A.3. Zkoumání kauzality mezi El Niño, atmosférickou teplotou a CO 2
Naše stochastická metodologie byla dříve aplikována se SOI spolu se satelitními teplotními daty za období 1979–2021 v [ 7 ]. Zde opakujeme šetření, kde nahrazujeme teplotní data daty z reanalýzy NCEP/NCAR a rozšiřujeme data zpět do roku 1951 (počátek dostupnosti dat SOI) a dále do roku 2022. Také jsme zkoumali potenciální kauzalitu mezi SOI a [CO 2 ]. V obou případech jsme testovali rozdíly s časovým krokem diferenciace 1 rok (čímž se snížil vliv sezónnosti) a aby byla korelace pozitivní, použili jsme− Δ S O I−?SÓjá(jako v případě albeda).
Výsledky jsou uvedeny v tabulce A2 , obrázku A6 a obrázku A7 . Hlavní směry jsouS O I → ?SÓjá→?aS O I → [C O2]SÓjá→[CÓ2]. V prvním případě je vysvětlený rozptyl 33 % a typ kauzality je HOE, ale velmi blízký jednosměrnému s časovým zpožděním 4 měsíců. V druhém případě je vysvětlený rozptyl 30 % a typ kauzality je jednosměrný s přibližně ročním zpožděním.
Obrázek A6. IRF pro teplotu ENSO na základě časové řady SOI a teploty opětovné analýzy NCEP/NCAR ve 2 m – případové studie č. 26 ( vlevo ;− Δ S O I → Δ ?]−?SÓjá→??]😉 a #27 ( vpravo ;Δ ?→ − Δ S O I??→−?SÓjá).
Obrázek A7. IRF pro ENSO–[CO 2 ] založené na časové řadě SOI a Mauna Loa – případové studie č. 28 ( vlevo ;− Δ S O I → Δ l n [C O2] ]−?SÓjá→?ln[CÓ2]]😉 a #29 ( vpravo ;Δ l n [C O2] →− Δ SOI?lnCÓ2→−?SÓjá).
Příloha A.4. Zkoumání kauzality mezi obsahem tepla oceánu, atmosférickou teplotou a CO2
Výsledky stochastických analýz jsou uvedeny v tabulce A3 , obrázku A9 a obrázku A10 . Hlavní směry jsou OMT0–100→ ?→?a OMT0–100→ [C O2]→[CÓ2]a typ kauzality je HOE. V prvním případě je vysvětlený rozptyl podstatný, 53 %, a časová prodleva je 3–7 měsíců v závislosti na použité metrice (pozn. časové prodlevy v tabulce A3 jsou uvedeny v 3měsíčních krocích). V druhém případě je vysvětlený rozptyl 35 % a časová prodleva je větší, 7–9 měsíců.
Obrázek A9. IRF pro teplotu horního oceánu – atmosférická teplota na základě dat OMT0–100, respektive dat z reanalýzy NCEP/NCAR – případové studie č. 30 ( vlevo ; ΔOMT0–100→ Δ ?]→??]😉 a #31 ( vpravo ;Δ ?→??→ΔOMT0–100).
Obrázek A10. IRF pro teplotu horního oceánu – [CO 2 ] na základě dat OMT0–100, respektive dat z reanalýzy NCEP/NCAR – případové studie č. 32 ( vlevo ; ΔOMT0–100→ Δ l n [C O2] ]→?ln[CÓ2]]😉 a #33 ( vpravo ;Δ l n [C O2] →?lnCÓ2→ΔOMT0–100).
Příloha A.5. Poznámky o vztahu T -[CO 2 ] na velkých časových úsecích
Reference
- Sagan, C. Kosmos ; Ballantine Books: New York, NY, USA, 1985. [ Google Scholar ]
- Koutsoyiannis, D.; Kundzewicz, ZW Atmosférická teplota a CO 2 : Kauzalita slepice nebo vejce? Sci 2020 , 2 , 83. [ Google Scholar ] [ CrossRef ]
- Πλούταρχος, Συμποσιακά Β‘ (Plutarchos, Quaestiones Convivales B‘) — Βικιθήκη. Dostupné na internetu: https://el.wikisource.org/wiki/Συμποσιακά_Β΄ (přístup 5. února 2023).
- Chan, KH; Hayya, JC; Ord, JK Poznámka k metodám odstraňování trendů: Případ polynomiální regrese versus variace diferenciace. Econometrica 1977 , 45 , 737–744. [ Google Scholar ] [ CrossRef ]
- Estrella, A. Proč výnosová křivka předpovídá výstup a inflaci? Ekon. J. 2005 , 115 , 722-744. [ Google Scholar ] [ CrossRef ]
- Koutsoyiannis, D.; Onof, C.; Christofides, A.; Kundzewicz, ZW Přehodnocení kauzality pomocí stochastiky: 1. Teorie. Proč. R. Soc. A 2022 , 478 , 20210836. [ Google Scholar ] [ CrossRef ]
- Koutsoyiannis, D.; Onof, C.; Christofides, A.; Kundzewicz, ZW Přehodnocení kauzality pomocí stochastiky: 2. Aplikace. Proč. R. Soc. A 2022 , 478 , 20210835. [ Google Scholar ] [ CrossRef ]
- Young, PC rekurzivní odhad a analýza časových řad ; Springer: Berlín/Heidelberg, Německo, 2011. [ Google Scholar ]
- Young, PC Vylepšený odhad instrumentálních proměnných: Optimalizace maximální pravděpodobnosti jednotného Box-Jenkinsova modelu. Automatica 2015 , 52 , 35–46. [ Google Scholar ] [ CrossRef ]
- Papoulis, A. Pravděpodobnost, náhodné proměnné a stochastické procesy , 3. vydání; McGraw-Hill: New York, NY, USA, 1991. [ Google Scholar ]
- Kestin, TS; Karoly, DJ; Yang, JI; Rayner, NA Časově-frekvenční variabilita ENSO a stochastické simulace. J. Clim. 1998 , 11 , 2258-2272. [ Google Scholar ] [ CrossRef ]
- Wills, RC; Schneider, T.; Wallace, JM; Battisti, DS; Hartmann, DL Odhalení globálního oteplování, multidekadální variability a El Niño v teplotách v Pacifiku. Geophys. Res. Lett. 2018 , 45 , 2487–2496. [ Google Scholar ] [ CrossRef ]
- Granger, CW Zkoumání kauzálních vztahů pomocí ekonometrických modelů a křížových spektrálních metod. Econometrica 1969 , 37 , 424–438. [ Google Scholar ] [ CrossRef ]
- Granger, CW Testování kauzality: Osobní pohled. J. Econ. Dyn. Řízení. 1980 , 2 , 329-352. [ Google Scholar ] [ CrossRef ]
- Moraffah, R.; Sheth, P.; Karami, M.; Bhattacharya, A.; Wang, Q.; Tahir, A.; Raglin, A.; Liu, H. Kauzální inference pro analýzu časových řad: Problémy, metody a hodnocení. Knowl. Inf. Syst. 2021 , 63 , 3041–3085. [ Google Scholar ] [ CrossRef ]
- Pearl, J. Kauzální závěr ve statistice: Přehled. Stat. Přežít. 2009 , 3 , 96–146. [ Google Scholar ] [ CrossRef ]
- Pearl, J.; Glymour, M.; Jewell, NP Příčinná inference ve statistice: primer ; Wiley: Chichester, Spojené království, 2016. [ Google Scholar ]
- Pearl, J. a Mackenzie, D., The Book of Why, The New Science of Cause and Effect, Basic Books: New York, NY, USA, 2018.
- Kalnay, E.; Kanamitsu, M.; Kistler, R.; Collins, W.; Deaven, D.; Gandin, L.; Iredell, M.; Saha, S.; White, G.; Woollen, J.; a kol. NCEP/NCAR 40letý projekt reanalýzy. Býk. Dopoledne. Meteorol. Soc. 1996 , 77 , 437-472. [ Google Scholar ] [ CrossRef ]
- Meinshausen, M.; Nicholls, ZRJ; Lewis, J.; Gidden, MJ; Vogel, E.; Freund, M.; Beyerle, U.; Gessner, C.; Nauels, A.; Bauer, N.; a kol. Koncentrace skleníkových plynů sdílené socioekonomické cesty (SSP) a jejich rozšíření na 2500. Geosci. Model Dev. 2020 , 13 , 3571–3605. [ Google Scholar ] [ CrossRef ]
- Sellar, AA; Jones, CG; Mulcahy, JP; Tang, Y.; Yool, A.; Wiltshire, A.; O’Connor, FM; Stringer, M.; Hill, R.; Palmieri, J.; a kol. UKESM1: Popis a hodnocení britského modelu zemského systému. J. Adv. Modelka. Earth Syst. 2019 , 11 , 4513–4558. [ Google Scholar ] [ CrossRef ]
- Koutsoyiannis, D. Stochastics of Hydroclimatic Extremes—A Cool Look at Risk , 2. ed.; Kallipos Open Academic Editions: Atény, Řecko, 2022; 346p, ISBN 978-618-85370-0-2. [ Google Scholar ] [ CrossRef ]
- Koutsoyiannis, D. Časová šipka ve stochastické charakterizaci a simulaci atmosférických a hydrologických procesů. Hydrol. Sci. J. 2019 , 64 , 1013–1037. [ Google Scholar ] [ CrossRef ]
- Strotz, RH; Wold, HOA Rekurzivní vs. nerekurzivní systémy: Pokus o syntézu (část I triptychu o systémech kauzálních řetězců). Econometrica 1960 , 28 , 417–427. Dostupné online: https://www.jstor.org/stable/1907731 (vstup 15. března 2023). [ CrossRef ]
- Hannart, A.; Pearl, J.; Otto, FEL; Naveau, P.; Ghil, M. Kauzální kontrafaktuální teorie pro připisování počasí a událostí souvisejících s klimatem. Býk. Dopoledne. Se setkal. Soc. 2016 , 97 , 99–110. [ Google Scholar ] [ CrossRef ]
- Hannart, A.; Naveau, P. Pravděpodobnosti příčiny klimatických změn. J. Clim. 2018 , 31 , 5507–5524. [ Google Scholar ] [ CrossRef ]
- Koutsoyiannis, D.; Efstratiadis, A.; Mamassis, N.; Christofides, A. O věrohodnosti klimatických předpovědí. Hydrol. Sci. J. 2008 , 53 , 671-684. [ Google Scholar ] [ CrossRef ]
- Anagnostopoulos, GG; Koutsoyiannis, D.; Christofides, A.; Efstratiadis, A.; Mamassis, N. Porovnání výstupů lokálních a agregovaných klimatických modelů s pozorovanými daty. Hydrol. Sci. J. 2010 , 55 , 1094–1110. [ Google Scholar ] [ CrossRef ]
- Koutsoyiannis, D.; Christofides, A.; Efstratiadis, A.; Anagnostopoulos, GG; Mamassis, N. Vědecký dialog o klimatu: Jde o černé oči nebo otevírání zavřených očí? Odpověď na „A black eye for the Hydrological Sciences Journal“ od D. Huarda. Hydrol. Sci. J. 2011 , 56 , 1334–1339. [ Google Scholar ] [ CrossRef ]
- Tyralis, H.; Koutsoyiannis, D. O predikci persistentních procesů pomocí výstupu deterministických modelů. Hydrol. Sci. J. 2017 , 62 , 2083–2102. [ Google Scholar ] [ CrossRef ]
- Scafetta, N. Ověření CMIP6 GCM založené na hodnocení ECS a TCR pro projekce teplot 21. století a hodnocení rizik. Atmosféra 2023 , 14 , 345. [ Google Scholar ] [ CrossRef ]
- Masson-Delmotte, V.; Zhai, P.; Pirani, A.; Connors, SL; Péan, C.; Berger, S.; Caud, N.; Chen, Y.; Goldfarb, L.; Gomis, MI; a kol. (Eds.) IPCC, Změna klimatu 2021: Základ fyzikální vědy. Příspěvek pracovní skupiny I k Šesté hodnotící zprávě Mezivládního panelu pro změnu klimatu ; Cambridge University Press: Cambridge, UK; New York, NY, USA, 2021; 2391p. [ Google Scholar ] [ CrossRef ]
- Koutsoyiannis, D. Přehodnocení klimatu, změny klimatu a jejich vztahu s vodou. Voda 2021 , 13 , 849. [ Google Scholar ] [ CrossRef ]
- Zhu, Z.; Piao, S.; Myneni, RB; Huang, M.; Zeng, Z.; Canadell, JG; Ciais, P.; Sitch, S.; Friedlingstein, P.; Arneth, A.; a kol. Ekologizace Země a její hybatelé. Nature Climate Change 2016 , 6 , 791–795. [ Google Scholar ] [ CrossRef ]
- Li, Y.; Li, ZL; Wu, H.; Zhou, C.; Liu, X.; Leng, P.; Yang, P.; Wu, W.; Tang, R.; Shang, GF; a kol. Biofyzikální dopady ekologizace země mohou podstatně zmírnit regionální oteplování zemského povrchu. Nat. Commun. 2023 , 14 , 121. [ Google Scholar ] [ CrossRef ]
- Chen, C.; Park, T.; Wang, X.; Piao, S.; Xu, B.; Čaturvedi, RK; Fuchs, R.; Brovkin, V.; Ciais, P.; Fensholt, R.; a kol. Čína a Indie vedou v ekologizaci světa prostřednictvím hospodaření s půdou. Nat. Udržet. 2019 , 2 , 122–129. [ Google Scholar ] [ CrossRef ]
- Milanković, M. Nebeska Mehanika ; Udruženje “Milutin Milanković”: Bělehrad, Srbsko, 1935. [ Google Scholar ]
- Milanković, M. Kanon der Erdbestrahlung und Seine Anwendung auf das Eiszeitenproblem ; Koniglich Serbische Akademice: Bělehrad, Srbsko, 1941. [ Google Scholar ]
- Milanković, M. Kánon oslunění a problém doby ledové ; Agentura pro učebnice: Bělehrad, Srbsko, 1998. [ Google Scholar ]
- Roe, G. Na obranu Milankoviče. Geophys. Res. Lett. 2006 , 33 , L24703. [ Google Scholar ] [ CrossRef ]
- Markonis, Y.; Koutsoyiannis, D. Klimatická variabilita v průběhu časových škál zahrnujících devět řádů velikosti: Propojení Milankovičových cyklů s Hurst-Kolmogorovovou dynamikou. Přežít. Geophys. 2013 , 34 , 181–207. [ Google Scholar ] [ CrossRef ]
- Stephens, GL; Hakuba, MZ; Kato, S.; Gettelman, A.; Dufresne, J.-L.; Andrews, T.; Cole, JNS; Willen, U.; Mauritsen, T. Měnící se povaha odraženého slunečního světla Země. Proč. R. Soc. A 2022 , 478 , 1–37. [ Google Scholar ] [ CrossRef ]
- Connolly, R.; Brzy, W.; Connolly, M.; Baliunas, S.; Berglund, J.; Butler, CJ; Cionco, RG; Elias, AG; Fedorov, VM; Harde, H.; a kol. Jak moc ovlivnilo Slunce teplotní trendy na severní polokouli? Probíhající debata. Res. Astron. Astrophys. 2021 , 21 , 131,1–131,68. [ Google Scholar ] [ CrossRef ]
- Scafetta, N.; Bianchini, A. Planetární teorie variability sluneční aktivity: Přehled. Přední. Astron. Space Sci. 2022 , 9 , 937930. [ Google Scholar ] [ CrossRef ]
- Kamis, JE Teorie deskové klimatologie: Jak geologické síly ovlivňují, mění nebo řídí klima Země a události související s klimatem. Dostupné online: https://books.google.gr/books/?id=7lRqzgEACAAJ (vstup 10. března 2023).
- Chakrabarty, D. Klima dějin v planetárním věku ; University of Chicago Press: Chicago, IL, USA, 2021; Dostupné online: https://books.google.gr/books?id=ETQXEAAAQBAJ (vstup 10. března 2023).
- Davis, E.; Becker, K.; Dziak, R.; Cassidy, J.; Wang, K.; Lilley, M. Hydrologická reakce na epizodu šíření mořského dna na hřebeni Juan de Fuca. Příroda 2004 , 430 , 335–338. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- Urakawa, LS; Hasumi, H. Vzdálený vliv geotermálního tepla na globální termohalinní cirkulaci. J. Geophys. Res. Oceán. 2009 , 114 , C07016. [ Google Scholar ] [ CrossRef ]
- Patara, L.; Böning, CW Abyssal oteplování oceánu kolem Antarktidy posiluje atlantickou převratnou cirkulaci. Geophys. Res. Lett. 2014 , 41 , 3972–3978. [ Google Scholar ] [ CrossRef ]
- Koutsoyiannis, D. Náhodná procházka po vodě. Hydrol. Earth Syst. Sci. 2010 , 14 , 585–601. [ Google Scholar ] [ CrossRef ]
- Koutsoyiannis, D. Hydrologie a změna. Hydrol. Sci. J. 2013 , 58 , 1177–1197. [ Google Scholar ] [ CrossRef ]
- Friedlingstein, P.; O’Sullivan, M.; Jones, MW; Andrew, RM; Gregor, L.; Hauck, J.; Le Quéré, C.; Luijkx, IT; Olsen, A.; Peters, praktický lékař; a kol. Globální uhlíkový rozpočet 2022. Earth Syst. Sci. Data 2022 , 14 , 4811–4900. [ Google Scholar ] [ CrossRef ]
- Stallinga, P. Doba setrvání vs. doba úpravy oxidu uhličitého v atmosféře. Entropie 2023 , 25 , 384. [ Google Scholar ] [ CrossRef ]
- Hansen, JE; Sato, M.; Simons, L.; Nazarenko, LS; von Schuckmann, K.; Loeb, NG; Osman, MB; Kharecha, P.; Jin, Q.; Tselioudis, G.; a kol. Globální oteplování v potrubí. arXiv 2022 , arXiv:2212.04474. [ Google Scholar ]
- Bond-Lamberty, B.; Thomson, A. Zvýšení celosvětového rekordu dýchání půdy spojené s teplotou. Nature 2010 , 464 , 579. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- Arrhenius, SA Über die Dissociationswärme und den Einfluß der Temperatur auf den Dissociationsgrad der Elektrolyte. Z. Phys. Chem. 1889 , 4 , 96–116. [ Google Scholar ] [ CrossRef ]
- Patel, KF; Bond-Lamberty, B.; Jian, JL; Morris, KA; McKever, SA; Norris, CG; Zheng, J.; Bailey, VL Odhady toku uhlíku jsou citlivé na zdroj dat: Porovnání údajů o teplotní citlivosti v terénu a laboratoři. Environ. Res. Lett. 2022 , 17 , 113003. [ Google Scholar ] [ CrossRef ]
- Pomeroy, R.; Bowlus, FD Progress zpráva o výzkumu kontroly sulfidů. Šít. Práce. J. 1946 , 18 , 597-640. [ Google Scholar ]
- Robinson, C. Mikrobiální dýchání, motor deoxygenace oceánu. Přední. Mar. Sci. 2019 , 5 , 533. [ Google Scholar ] [ CrossRef ]
- Datové produkty CERES. SSF1deg – Úroveň 3, mřížkované denní a měsíční průměry produktu SSF podle nástroje. Dostupné online: https://ceres-tool.larc.nasa.gov/ord-tool/jsp/SSF1degEd41Selection.jsp (vstup 12. března 2023).
- McPhaden, MJ; Zebiak, SE; Glantz, MH ENSO jako integrující koncept ve vědě o Zemi. Science 2006 , 314 , 1740–1745. [ Google Scholar ] [ CrossRef ]
- Kundzewicz, ZW; Pinskwar, I.; Koutsoyiannis, D. Variabilita průměrné globální roční teploty je významně ovlivněna rytmem oscilací oceánské atmosféry. Sci. Totální prostředí. 2020 , 747 , 141256. [ Google Scholar ] [ CrossRef ]
- Levitus, S.; Antonov, JI; Boyer, TP; Baranová, OK; Garcia, HE; Locarnini, RA; Mišonov, AV; Reagan, JR; Seidov, D.; Yarosh, ES; a kol. Teplotní obsah světového oceánu a termosterická změna hladiny moře (0–2000 m). Geophys. Res. Lett. 2012 , 39 , L10603. [ Google Scholar ] [ CrossRef ]
- National Oceanographic Data Center, NOAA, Global Ocean Heat and Salt Content. Dostupné online: https://www.ncei.noaa.gov/access/global-ocean-heat-content/index3.html (přístup 12. března 2023).
- Roemmich, D.; Johnson, GC; Riser, S.; Davis, R.; Gilson, J.; Owens, WB; Garzoli, SL; Schmid, C.; Ignaszewski, M. Program Argo: Pozorování globálního oceánu pomocí profilovacích plováků. Oceánografie 2009 , 22 , 34–43. [ Google Scholar ] [ CrossRef ]
- Berner, RA; Kothavala, Z. GEOCARB III: Revidovaný model atmosférického CO 2 v době Phanerozoic. Dopoledne. J. Sci. 2001 , 301 , 182-204. [ Google Scholar ] [ CrossRef ]
- Veizer, J.; Godderis, Y.; François, LM Důkazy pro oddělení atmosférického CO 2 a globálního klimatu během fanerozoického eonu. Nature 2000 , 408 , 698–701. [ Google Scholar ] [ CrossRef ] [ PubMed ]
- Jouzel, J.; Lorius, C.; Petit, JR; Genthon, C.; Barkov, NI; Kotljakov, VM; Petrov, VM Vostok ledové jádro: Nepřetržitý izotopový teplotní záznam za poslední klimatický cyklus (160 000 let). Nature 1987 , 329 , 403-408. [ Google Scholar ] [ CrossRef ]
- Petit, JR; Jouzel, J.; Raynaud, D.; Barkov, NI; Barnola, J.-M.; Basile, I.; Bender, M.; Chappellaz, J.; Davis, M.; Delayque, G.; a kol. Historie klimatu a atmosféry za posledních 420 000 let z ledového jádra Vostok v Antarktidě. Nature 1999 , 399 , 429-436. [ Google Scholar ] [ CrossRef ]
- Caillon, N.; Severinghaus, JP; Jouzel, J.; Barnola, JM; Kang, J.; Lipenkov, VY Časování změn atmosférického CO 2 a Antarktidy přes Terminaci III. Science 2003 , 299 , 1728–1731. [ Google Scholar ] [ CrossRef ]
- Brzy W. Důsledky sekundární role oxidu uhličitého a metanu při změně klimatu: Minulost, přítomnost a budoucnost. Phys. Geografické heslo Prag ; 2007 , 28 , 97–125. [ Google Scholar ] [ CrossRef ]
- Pedro, JB; Rasmussen, SO; van Ommen, TD Zpřísněná omezení pro časovou prodlevu mezi teplotou v Antarktidě a CO 2 během posledního odlednění. Clim. Minulost 2012 , 8 , 1213–1221. [ Google Scholar ] [ CrossRef ]
- Chowdhry Beeman, J.; Gest, L.; Parrenin, F.; Raynaud, D.; Popletal, TJ; Buizert, C.; Brook, EJ Antarktida teplota a CO 2 : Téměř synchronní, ale proměnlivé fázování během posledního odlednění. Clim. Minulost 2019 , 15 , 913–926. [ Google Scholar ] [ CrossRef ]
- Parrenin, F.; Masson-Delmotte, V.; Köhler, P.; Raynaud, D.; Paillard, D.; Schwander, J.; Barbante, C.; Landais, A.; Wegner, A.; Jouzel, J. Synchronní změna atmosférického CO 2 a teploty Antarktidy při posledním deglaciálním oteplení. Science 2013 , 339 , 1060–1063. [ Google Scholar ] [ CrossRef ]
- Shakun, JD; Clark, PU; On, F.; Marcot, SA; Mix, AC; Liu, Z.; Otto-Bliesner, B.; Schmittner, A.; Bard, E. Globálnímu oteplování předcházelo zvýšení koncentrace oxidu uhličitého během poslední deglaciace. Příroda 2012 , 484 , 49–54. [ Google Scholar ] [ CrossRef ]
- Národní centra pro informace o životním prostředí NOAA. Změna teploty a změna oxidu uhličitého; 2021. Dostupné online: https://www.ncei.noaa.gov/sites/default/files/2021-11/8%20-%20Temperature%20Change%20and%20Carbon%20Dioxide%20Change%20-%20FINAL%20OCT %202021.pdf (přístup 12. ledna 2023).