O slepicích, vejcích, teplotách a CO 2 : Příčinné souvislosti v zemské atmosféře

Uveřejněno dne 21 května 2024 000 8:00

Vědecký a širší zájem o vztah mezi atmosférickou teplotou ( T ) a koncentrací oxidu uhličitého ([CO ₂ ]) je obrovský. Podle běžně předpokládané kauzální souvislosti způsobuje zvýšení [CO ₂ ] zvýšení T . Nedávný vývoj však tento předpoklad zpochybňuje tím, že ukazuje, že tento vztah je typu slepice nebo vejce , nebo dokonce jednosměrný, ale opačný, než je běžně předpokládaný vztah.

Tento vývoj zahrnuje pokročilý teoretický rámec pro testování kauzality založený na stochastickém hodnocení potenciálně kauzálního spojení mezi dvěma procesy prostřednictvím pojmu funkce impulsní odezvy. S využitím na jedné straně tohoto rámce a jeho dalším rozšiřováním a na druhé straně nejdelší dostupné moderní časové řady globálně zprůměrovaných T a [CO ₂ ] jsme osvětlili potenciální kauzalitu mezi těmito dvěma procesy. Všechny důkazy vyplývající z analýz naznačují jednosměrnou, potenciálně kauzální souvislost s T jako příčinou a [CO ₂ ] jako důsledkem. Toto spojení není zastoupeno v klimatických modelech, jejichž výstupy jsou také zkoumány pomocí stejného rámce, což vede k opačnému spojení, než je odkaz nalezený při použití skutečných měření.

Klíčová slova:

kauzalita ; kauzální systémy ; stochastika ; funkce impulsní odezvy ; geofyzika ; hydrologie ; klima

Grafický Abstrakt

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.

O slepicích, vejcích, teplotách a CO ₂ : Příčinné souvislosti v zemské atmosféře

podle

Demetris Koutsoyiannis

1

Katedra vodních zdrojů a environmentálního inženýrství, School of Civil Engineering, Národní technická univerzita v Aténách, 15778 Zographou, Řecko

²

Katedra stavebního a environmentálního inženýrství, Inženýrská fakulta, Imperial College London, Londýn SW7 2BX, UK

³

Meteorologická laboratoř, Ústav konstrukce a geoinženýrství, Fakulta environmentálního inženýrství a strojního inženýrství, Poznaňská univerzita zemědělských věd, 60-637 Poznaň, Polsko

^*

Autor, kterému má být korespondence adresována.

Sci 2023 , 5 (3), 35; https://doi.org/10.3390/sci5030035

Příspěvek přijat: 17. března 2023 / Upraveno: 24. května 2023 / Přijato: 5. září 2023 / Zveřejněno: 13. září 2023

(Tento článek patří do Special Issue Feature Papers—Multidisciplinary Sciences 2023 )

Stažení

Abstraktní

Vědecký a širší zájem o vztah mezi atmosférickou teplotou ( T ) a koncentrací oxidu uhličitého ([CO ₂ ]) je obrovský. Podle běžně předpokládané kauzální souvislosti způsobuje zvýšení [CO ₂ ] zvýšení T . Nedávný vývoj však tento předpoklad zpochybňuje tím, že ukazuje, že tento vztah je typu slepice nebo vejce , nebo dokonce jednosměrný, ale opačný, než je běžně předpokládaný vztah. Tento vývoj zahrnuje pokročilý teoretický rámec pro testování kauzality založený na stochastickém hodnocení potenciálně kauzálního spojení mezi dvěma procesy prostřednictvím pojmu funkce impulsní odezvy. S využitím na jedné straně tohoto rámce a jeho dalším rozšiřováním a na druhé straně nejdelší dostupné moderní časové řady globálně zprůměrovaných T a [CO ₂ ] jsme osvětlili potenciální kauzalitu mezi těmito dvěma procesy. Všechny důkazy vyplývající z analýz naznačují jednosměrnou, potenciálně kauzální souvislost s T jako příčinou a [CO ₂ ] jako důsledkem. Toto spojení není zastoupeno v klimatických modelech, jejichž výstupy jsou také zkoumány pomocí stejného rámce, což vede k opačnému spojení, než je odkaz nalezený při použití skutečných měření.

Klíčová slova:

kauzalita ; kauzální systémy ; stochastika ; funkce impulsní odezvy ; geofyzika ; hydrologie ; klima

Grafický Abstrakt

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

Nedávná studie (2020) [ 2 ] zkoumající údaje z měření teploty ( T ) a atmosférické koncentrace oxidu uhličitého ([CO ₂ ]) zpochybnila konvenční a dobře zavedenou moudrost, že zvýšení [CO ₂ ] způsobuje zvýšení teploty. . Studie zkoumala, zda je běžně předpokládaný kauzální řetězec podporován daty, nebo alternativně, zda je věrohodnější kauzální vztah slepice nebo vejce (HOE). Fráze „ slepice nebo vejce “ (původně v řečtině ὄρνις ἢ ᾠὸν ) poprvé použil ve filozofickém kontextu Plutarchos [ 3 ] k popisu situací, kdy není jasné, která ze dvou vzájemně souvisejících událostí nebo procesů je příčinou a která účinek.

Studie zkoumala případ, kdy příčinná souvislost není mezi dvěma událostmi, ale mezi dvěma procesy, reprezentovanými jako stochastické procesy. Označení těchto procesů jako $\underline{x} (t)$ a $\underline{y} (t)$ (kde se řídíme holandskou notační konvencí podtrhávání stochastických proměnných), v typickém kauzálním systému, označovaném jako $x \to y$ , dřívější realizace $\underline{x} (t)$ ovlivnit současnou realizaci $\underline{y} (t)$ . V kauzálním systému HOE dřívější realizace $\underline{x} (t)$ ovlivnit současnou realizaci $\underline{y} (t)$ , ale i dřívější realizace $\underline{y} (t)$ ovlivnit současnou realizaci $\underline{x} (t)$ .

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, byly $Δ T$ a $Δ l n [{C O}_{2}]$ , 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 rozdílů $Δ T$ a $Δ l n [{C O}_{2}]$ 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 […].

Cílem této studie [ 6 , 7 ] však bylo spíše formulovat obecnou metodologii pro detekci kauzality – zejména její nezbytné podmínky – než podrobně studovat konkrétní systém. V případových studiích proto nebylo provedeno žádné podrobné modelování, včetně hydrologických a klimatických aplikací. Vzhledem k enormnímu zájmu o vztah T -[CO ₂ ] však půjdeme hlouběji do tohoto.

Konkrétně se tento dokument po shrnutí metodiky ( oddíl 2 ) a použitých dat ( oddíl 3 ) zaměřuje na druhý vztah s následujícími cíli:

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 $\underline{x} (t), \underline{y} (t)$ , označený jako $g (h)$ kde $h$ označuje časovou prodlevu na základě konvoluce

$? ̲ (?) = \int - \infty \infty ? (ℎ) ? ̲ (? - ℎ) d ℎ + ? ̲ (?)$

(1)

kde $\underline{v} (t)$ je další stochastický proces představující část, která není vysvětlena kauzální souvislostí. Chcete-li vidět, že funkce $g (h)$ je funkce impulsní odezvy (IRF) systému ( $\underline{x} (t), \underline{y} (t)$ ), jsme si stanovili $\underline{v} (t) \equiv 0$ a $\underline{x} (t) = δ (t)$ (Diracova delta funkce, představující impuls s nekonečnou amplitudou at $t = 0$ a dosažení hodnoty 0 pro $t \neq 0$ ), a snadno získáme $\underline{y} (t) = g (t)$ .

Na druhou stranu, pokud nastavíme $g (h) = b δ (h - h_{0})$ (s konstantou $b$ a $h_{0}$ ), což znamená, že IRF je nula pro každé zpoždění kromě specifického zpoždění $h_{0}$ , pak se rovnice (1) stane $\underline{y} (t) = b \underline{x} (t - h_{0}) + \underline{v} (t)$ . Tento speciální případ je ekvivalentní prosté korelaci $\underline{y} (t)$ s $\underline{x} (t - h_{0})$ v jakémkoli časovém případě $t$ . Je snadné zjistit (srov. lineární regrese), že v tomto případě je multiplikativní konstanta $b$ je korelační koeficient $\underline{y} (t)$ a $\underline{x} (t - h_{0})$ vynásobený poměrem směrodatných odchylek obou procesů. Obecně však očekáváme, že skutečný $g (h)$ 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 $\underline{x} (t)$ a $\underline{y} (t)$ , Rovnice (1) má z hlediska funkce nekonečně mnoho řešení $g (h)$ a proces $\underline{v} (t)$ . Jednoznačný a triviální je $g (h) \equiv 0, \underline{y} (t) \equiv \underline{v} (t)$ . Hledané řešení je takové, které odpovídá minimálnímu rozptylu $\underline{v} (t)$ , nazývané řešení nejmenších čtverců. Ekvivalentně toto řešení maximalizuje vysvětlený poměr rozptylu:

$? : = 1 - ? ? ? ?$

(2)

kde $γ_{υ}$ a $γ_{y}$ označují odchylky procesů $\underline{v} (t)$ a $\underline{y} (t)$ , resp. (Je to obdobné jako u korelace při jediné časové prodlevě.) Pokud je dosaženo maxima $e$ 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 $\underline{x} (t)$ a $\underline{y} (t)$ jsou pozitivně korelovány (tj. zvýšení $\underline{x} (t)$ by vedlo ke zvýšení $\underline{y} (t)$ ). V opačném případě (pokud jsou procesy negativně korelované) vynásobením jedné ze dvou řad $- 1$ uděláme korelaci pozitivní. Proto zavedeme omezení nezápornosti pro hledaný IRF,

$? (ℎ) \geq 0$

(3)

Při odhadu IRF můžeme také uložit omezení drsnosti,

$? \leq ? 0$

(4)

kde E je drsnost IRF určená z hlediska druhé derivace $g (h)$ :

$? : = \int - \infty \infty (? ″ (ℎ)) 2 d ℎ$

(5)

Další odůvodnění těchto dvou omezení je uvedeno v [ 6 ].

V aplikacích je spojitá časová reprezentace nahrazena diskrétní časovou reprezentací, IRF se stává posloupností hodnot $g_{j}$ , kde $j$ označuje časovou prodlevu, nekonečný rozsah časové prodlevy $h$ se stává konečným oknem časové prodlevy $j$ , uvedený v intervalu $[- J, J]$ , integrály jsou nahrazeny součty a skutečné hodnoty statistik jsou nahrazeny odhady. Dále drsnost $E$ je standardizován jako

$? : = ? 8 \sum ? ? = - ? ? 2 ?$

(6)

kde ε se pohybuje v (0,1) pro nezáporné $g_{j}$ . Určení souřadnic IRF $g_{j}$ 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 $x \to y$ a $y \to x$ je zkoumána odděleně, protože v produkovaných IRF není žádná symetrie (nebo antisymetrie) ve dvou směrech. Když mluvíme o směru $y \to x$ myslíme tím, že zaměňujeme časové řady $x$ a $y$ a stále odhadujeme IRF stejným způsobem, jak je popsáno v našich rovnicích, ve kterých je směr $x \to y$ se předpokládá.

V aplikacích zkoumajících kauzalitu začínáme tím, že předpokládáme potenciálně kauzální model slepice nebo vejce (HOE) s pevným počtem vah. $g_{j}$ , $j = - J, \dots, 0, \dots J$ , kde ve většině případů studovaných v [ 7 ] hodnota $J = 20$ bylo přijato a toto je dodržováno i zde. V závislosti na výsledcích postupu odhadu, pokud $e$ je nezanedbatelné, za systém se považuje:

Potenciálně HOE kauzální , pokud máme $g_{j} > 0$ pro některá pozitivní i některá negativní zpoždění j ,

Potenciálně kauzální , pokud $g_{j} = 0$ pro všechny $j < 0$ , a

Potenciálně antikauzální pokud $g_{j} = 0$ pro všechny $j > 0$

Všimněte si, že antikauzální znamená, že skutečný směr kauzality je opačný než předpokládaný. Tyto tři případy jsou graficky znázorněny na obrázku 1. Obr . Příslovce „potenciálně“ ve výše uvedených charakteristikách zdůrazňuje skutečnost, že testované podmínky poskytují nezbytné, ale nikoli postačující podmínky pro kauzalitu.

Obrázek 1. Vysvětlující náčrt pro definici různých typů potenciálních příčinných souvislostí. Pro každý graf průměr $μ_{h}$ je 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 zpoždění $h_{c}$ maximalizace absolutní hodnoty křížové kovariance; (b) průměr (časový průměr) $μ_{h}$ funkce $g (h)$ ; a (c) medián $h_{1 / 2}$ funkce $g (h)$ . Bereme to na vědomí $h_{c}$ , který byl základem v původní studii [ 2 ], je zcela nezávislý na $g (h)$ . další dva, $μ_{h}$ a $h_{1 / 2}$ , závisí na $g (h)$ to je určeno. Rozsáhlé analýzy v [ 7 ] však ukázaly, že jejich odhad je poměrně robustní; například použití omezení drsnosti při ovlivnění výsledného $g (h)$ , prakticky neovlivňuje hodnoty $μ_{h}$ a $h_{1 / 2}$ . Obecně charakteristika zaostává $μ_{h}$ a $h_{1 / 2}$ se od sebe podstatně neliší a pro další použití by bylo možné zvolit kteroukoli z nich. Zde si raději všimneme obojího, stejně jako $h_{c}$ , protože všechny poskytují užitečné informace o vztahu těchto dvou procesů (jako v případě použití střední hodnoty i mediánu při charakterizaci rozdělení pravděpodobnosti jedné proměnné).

Netřeba dodávat, že literatura nabízí spektrum alternativních metod pro odhad IRF, využívajících různé nástroje, jako jsou auto- a křížové korelační funkce [ 8 , 9 ], výkonová spektra a křížová spektra založená na Fourierově transformaci [ 10 ] popř. na vlnkovou transformaci [ 11 ], stejně jako analýzu hlavních komponent [ 12 ]. Výše popsaná metoda má oproti těmto alternativám některé výhody, protože jde o přímou metodu, která může pracovat s časovými řadami pozorování jako taková, spíše než s jejich transformacemi, přičemž je snadno srozumitelná a reprodukovatelná každým čtenářem pomocí jednoduchých výpočetních prostředků. Navíc je spolehlivější, protože se vyhýbá používání nejistých odhadů autokorelačních funkcí nebo jejich nejistějších transformací, jako je výkonové spektrum, tj. Fourierova transformace autokorelační funkce. Všimněte si, že zde jsme také použili autokorelaci, ale pouze k ověření a potvrzení našich výsledků – nikoli v procesu odhadu.

Navíc, jak je podrobně popsáno v [ 6 ], naše metoda se koncepčně a výpočetně liší od takzvané „Grangerovy kauzality“ [ 13 , 14 ] (nesprávné pojmenování, protože metoda neodvozuje kauzalitu, ale predikci) a nedávno přeformulovaná ve studii z Moraffah et al. [ 15 ], který také pojednává o dalších podobných metodách. A konečně, naše metoda má podstatné rozdíly od rámce navrženého Pearlem a spolupracovníky [ 16 , 17 , 18 ], jak je opět podrobně diskutováno v [ 6 ].

3. Data a případové studie

K prozkoumání vztahu T -[CO ₂ ] použily případové studie č. 23 a č. 24 v [ 7 ] družicové teplotní řady (UAH) pro spodní troposféru a údaje o [CO ₂ ] z Mauna Loa. Rovněž byla zkoumána teplotní data dalších dvou satelitních úrovní pro troposféru, kde byly výsledky velmi podobné těm, které byly hlášeny pro případové studie #23 a #24.

Zde uvádíme další případové studie uvedené v tabulce 1 . Kromě družicových teplotních řad v [ 7 ] zde používáme povrchová data (ve 2 m) z reanalýzy NCEP/NCAR 1 provedené Národním centrem pro předpovědi životního prostředí (NCEP) a Národním centrem pro výzkum atmosféry (NCAR). ) [ 19 ], které jsou veřejně dostupné. Časové pokrytí NCEP/NCAR Reanalysis 1 zahrnuje data shromážděná čtyřikrát denně, aby poskytla denní a měsíční hodnoty od roku 1948 do současnosti při horizontálním rozlišení 1,88° (~210 km na rovníku). Využívá nejmodernější systém analýzy a předpovědi k provádění asimilace dat pomocí pozorování a numerického modelu předpovědi počasí. Asimilace dat a použitý model jsou shodné s globálním systémem provozně implementovaným v NCEP, s výjimkou horizontálního rozlišení. Velká podmnožina dat je k dispozici jako denní a měsíční průměry.

Tabulka 1. Hlavní případové studie a výsledné souhrnné indexy. $Δ t$ je časový krok diferenciace; $h_{c}$ je časová prodleva maximalizující křížovou kovarianci $c_{y x} (h)$ nebo ekvivalentně vzájemná korelace $r_{y x} (h) : = c_{y x} (h) / \sqrt{c_{x x} (0) c_{y y} (0)}$ ; $μ_{h}$ je průměr (časový průměr) funkce $g (h)$ ; $h_{1 / 2}$ je medián funkce $g (h)$ ; $e$ je vysvětlený rozptylový poměr; a $ε$ 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.

Pro koncentraci CO ₂ jsme kromě souboru dat Mauna Loa, který jsme aktualizovali tak, aby zahrnoval nejnovější měření za více než jeden rok, přidali také soubor dat o jižním pólu sestavený americkým Národním úřadem pro oceány a atmosféru (NOAA). Měření začala v roce 1975 a provádějí se pro dva případy, baňku a in situ, z nichž první jsme použili průměrně měsíčně, kromě několika případů chybějících údajů, kdy jsme doplnili údaje in situ.

Některé ze zde prezentovaných analýz odkazují na výstupy klimatických modelů. Zde jsme použili průměr (CMIP6 průměr) výstupní řady projektu Coupled Model Intercomparison Project (CMIP6) zprůměrovaný na celém světě. Výstupy modelu sahají také do minulosti, zasahující do období 1850–2100. Když jsme studovali minulé chování, použili jsme data až do roku 2021, jako v jiných případových studiích, ale v některých případech jsme také použili celou sadu dat až do roku 2100. V druhém případě jsme mezi poskytnutými scénáři použili scénář Sdílené sociálně-ekonomické cesty 245 (SSP2-4.5, [ 20 ]).

Byly také získány a analyzovány časové řady [CO ₂ ] používané v klimatických modelech pro scénář SSP2-4.5. Upozorňujeme však, že tyto časové řady jsou uvedeny v ročním časovém horizontu, na rozdíl od všech ostatních údajů, které jsou poskytovány v měsíčním měřítku.

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 $g_{j}$ 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. $g_{j}$ konkrétně 41 (tj. $J = 20$ jako v [ 7 ]).

Byly také provedeny další případové studie zkoumající další soubory dat , ale nejsou uvedeny v hlavní části dokumentu a jsou obsaženy v příloze A.2 , příloze A.3 a příloze A.4 . Všechna použitá data jsou k dispozici online zdarma a související odkazy jsou uvedeny v sekci Dostupnost dat.

4. Zkoumání maximálního časového rozpětí, které moderní data umožňují

Nejdelší časová řada systematických měření [CO ₂ ] je na Mauna Loa, která začala v roce 1958. Globální teplota ve 2 m série reanalýz NCEP/NCAR sahá až do roku 1948 a umožňuje tak studium T -[CO ₂ ] vztah za období 1958–2022 (dvě další dekády údajů ve srovnání s údaji studovanými v [ 7 ]).

Jak je vidět v tabulce 1 , poskytlo to lepší charakteristiky než případ UAH/Mauna Loa zkoumaný v [ 7 ]: maximální vzájemná korelace $r_{y x} (h_{c}) = 0.56$ proti 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 směrovostí $Δ T \to Δ l n [{C O}_{2}]$ , zatímco možná kauzalita $Δ l n [{C O}_{2}] \to Δ T$ 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 ; $Δ T \to Δ l n [{C O}_{2}]$ ; potenciálně kauzální systém) a #4 ( vpravo ; $Δ l n [{C O}_{2}] \to Δ T$ ; potenciálně antikauzální systém).

5. Zkoumání možného vlivu sezónnosti

Abychom obohatili naše výsledky a také ověřili, zda sezónnost, jak se odráží v různých fázích [CO ₂ ] časových řad v různých zeměpisných šířkách, může změnit nebo případně zvrátit zjištěný kauzální vztah, provedli jsme další analýzu s jižním pólem [CO ₂ ] měření, které začalo v roce 1975.

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 směrovostí $Δ T \to Δ l n [{C O}_{2}]$ , přičemž opět možná kauzalita $Δ l n [{C O}_{2}] \to Δ T$ 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 ; $Δ T \to Δ l n [{C O}_{2}]$ ; potenciálně kauzální systém) a #15 ( vpravo ; $Δ l n [{C O}_{2}] \to Δ T$ ; potenciálně antikauzální systém).

Shrneme-li dvě případové studie v části 4 a části 5 — a podobně jako v [ 7 ] — poznamenáváme, že:

Systém T -[CO ₂ ] se zdá být potenciálně kauzální (jednosměrný) ve směru $Δ T \to Δ l n [{C O}_{2}]$ spíše než kauzální příčina slepice nebo vejce.

Všechny charakteristické časové prodlevy ( $h_{c}, μ_{h}, h_{1 / 2}$ ) jsou pozitivní ve směru $Δ T \to Δ l n [{C O}_{2}]$ (v rozmezí od asi 7 do asi 10 měsíců) a negativní ve směru $Δ l n [{C O}_{2}] \to Δ T$ .

Vysvětlený poměr rozptylu je větší ve směru $Δ T \to Δ l n [{C O}_{2}]$ (asi o 1/3) než ve směru $Δ l n [{C O}_{2}] \to Δ T$ (asi 1/5).

6. Na časovém měřítku platnosti výsledků

Celkově jsou naše výsledky v tomto dokumentu ty, které umožňují dostupná data v časových obdobích a časových osách vyřešených těmito daty – více než 6 desetiletí v měsíčním měřítku. Co by se stalo jindy – nebo kdyby soubory dat byly delší a vyřešily by střední nebo dokonce delší časové horizonty – nemůžeme říci. Klimatický systém je příliš složitý na to, aby umožňoval ukvapená zobecnění.

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 ( $c_{y x} (h) : = c o v [\underline{y} (t + h), \underline{x} (t)]$ ) pro zpoždění $h$ , souvisí s autokovarianční funkcí $\underline{x}$ , $c_{x x} (h) : = c o v [\underline{x} (t + h), \underline{x} (t)]$ , od:

$? ? ? (ℎ) = \int - \infty \infty ? (?) ? ? ? (ℎ - ?) d ?$

(7)

Tím pádem, $c_{y x} (h)$ lze odhadnout z IRF a empirického $c_{x x} (h)$ z dat. Obrázek 4 ukazuje funkce autokorelace a vzájemné korelace (což jsou kovariance standardizované standardními odchylkami). Pro $Δ T \to Δ l n [{C O}_{2}]$ 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, $Δ l n [{C O}_{2}] \to Δ T$ , (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 je $Δ T \to Δ l n [{C O}_{2}]$ .

Obrázek 4. ( Levý sloupec ) Empirická autokorelační funkce pro období 1958–2021 a pro měsíční časovou os ( horní ) NCEP/NCAR $Δ T$ časové řady a ( nižší ) $Δ l n [{C O}_{2}]$ 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.

Posledním pozorováním na obrázku 4 je výskyt šesti vrcholů za 20 let, což lze interpretovat jako kvaziperiodické chování s průměrnou periodou 3,33 let, tj. značně odlišné od ročního. To však neodráží periodicitu, ale spíše antiperzistenci způsobenou diferenciační operací, která nutně vede k některým negativním autokorelacím [ 23 ].

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 $(x_{2} - x_{1}) + (x_{3} - x_{2}) + \dots + (x_{k + 1} - x_{k}) = x_{k + 1} - x_{1}$ ). 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 směru $Δ T \to Δ l n [{C O}_{2}]$ , a je opět mnohem vyšší než ve směru $Δ l n [{C O}_{2}] \to Δ T$ . 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 : $Δ T \to Δ l n [{C O}_{2}]$ (potenciálně kauzální systém); že jo : $Δ l n [{C O}_{2}] \to Δ T$ (potenciálně antikauzální systém).

Charakteristickým vzorem je, že s rostoucím časovým krokem roste i nejpravější ordináta IRF, $g_{20}$ . Toto chování, tj. rostoucí končetina $g_{j}$ za určitým časovým zpožděním, byl vysvětlen v [ 7 ] a je artefaktem nedostatečného (malého) okna časového zpoždění pro stanovení IRF. To naznačuje, že vyšší $J$ 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 $g_{j}$ že původně algoritmus produkoval pro zápor $j$ . Pravý panel je ekvivalentní tomu na obrázku 5 (vlevo dole), ale nechává produkovat optimalizační algoritmus $g_{j}$ za negativní $j$ , 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 směr $Δ T \to Δ l n [{C O}_{2}]$ .

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 kauzality $Δ T \to Δ l n [{C O}_{2}]$ a pro rozdílový časový krok 1 rok ( vlevo , odpovídá obrázku 2 , vlevo) a 16 let ( vpravo , odpovídá obrázku 5 , vlevo dole).

Odpověď však nemusí být nutně kladná. Vysvětlený rozptyl 0,31 je spojen s 21 souřadnicí IRF, zatímco rozptyl 0,325 je spojen s 41 souřadnicí IRF. Je rozumné přijmout 20 dalších parametrů pro zvýšení vysvětleného rozptylu 0,015?

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 $- 20$ na 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 směr $Δ T \to Δ l n [{C O}_{2}]$ . Nejnižší nenulové zpoždění každého IRF je vyznačeno na pravém horním konci jeho křivky.

Obrázek 8. Vysvětlený rozptyl a medián IRF jako funkce nejnižšího nenulového zpoždění IRF na obrázku 7 pro zkoumání části 7. Obr .

Je zřejmé, že výsledkem tohoto zkoumání je spíše jednosměrná než HOE potenciální kauzalita, protože vysvětlený rozptyl dosahuje svého maxima, když je nejnižší $j$ je 0.

8. Porovnání pozorovacích dat s výsledky modelu

Zkoumání kauzality v systémech, které lze izolovat od okolí, je obecně založeno na experimentech. Ty se obvykle provádějí v laboratořích a předpokládají kontrolní akce (zásahy) ze strany experimentátora. Bez takového zásahu se dlouho mělo za to, že nemůžeme říci, co co způsobuje (Strotz a Wold, 1960 [ 24 ]). Ve složitých systémech, jako je klimatický systém Země, je experimentování nemožné. Přesto je rozšířený názor, že klimatické modely jsou věrnými reprezentacemi klimatického systému, a proto nabízejí možnost tzv. in silico experimentování (Hannart et al. [ 25 ]). Dále bylo tvrzeno (Hannart a Naveau [ 26 ]), že „ experimentace in silico [je] jedinou možností “ a že „ vzrůstající realismus modelů klimatického systému činí takový přístup in silico přijatelným “. Taková tvrzení jsou epistemologicky problematická. Hypotetická „kauzalita“, která je začleněna do jakéhokoli modelu, zejména komplexního systému, nemusí být nutně totožná s přirozenou kauzalitou. Navíc byla zpochybněna shoda výstupů klimatických modelů s realitou (např. [ 27 , 28 , 29 , 30 , 31 ]).

Naše metodika může pomoci s tímto epistemologickým problémem dvěma způsoby. Za prvé, poskytuje jinou možnost testování kauzality, což ukazuje, že takzvané experimentování in silico není jedinou možností, jak se tvrdí. Za druhé, může dodatečně testovat, zda skutečně existuje realismus v reprezentaci kauzality klimatického systému klimatickými modely. Jak již bylo uvedeno v úvodu, naše metodologie, bez ohledu na detekci kauzality jako takové, může definovat typ analýzy dat, která by mohla osvětlit výkonnost modelování porovnáním pozorovaných dat s výsledky modelu. To je užitečné zejména v případě modelování klimatu. Jinými slovy, mohlo by to pomoci při ověřování nebo falšování obecně přijímané teorie, která je začleněna do klimatických modelů.

Konkrétně můžeme otestovat, zda jsou výsledky klimatického modelu v souladu se zjištěními naší analýzy kauzality T -[CO ₂ ], která je založena na měřeních. K tomuto účelu používáme výstupy klimatických modelů, jak je uvedeno v části 3 , v případových studiích #16 až #23 podrobně uvedených v tabulce 1 . Číselné výsledky naší analýzy jsou uvedeny v tabulce 1 a grafická zobrazení IRF jsou uvedena na obrázku 9 pro případy, ve kterých není použito omezení drsnosti, a na obrázku 10 pro případy, ve kterých je použito omezení drsnosti.

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 ; $Δ T \to Δ l n [{C O}_{2}]$ ) a #17 ( vpravo ; $Δ l n [{C O}_{2}] \to Δ T$ ); dolní řada : období 1850–2021 — případové studie č. 18 ( vlevo ; $Δ T \to Δ l n [{C O}_{2}]$ ) a #19 ( vpravo ; $Δ l n [{C O}_{2}] \to Δ T$ ).

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 ; $Δ T \to Δ l n [{C O}_{2}]$ ) a #21 ( vpravo ; $Δ l n [{C O}_{2}] \to Δ T$ ); dolní řada : období 1850–2021 — případové studie č. 22 ( vlevo ; $Δ T \to Δ l n [{C O}_{2}]$ ) a #23 ( vpravo ; $Δ l n [{C O}_{2}] \to Δ T$ ).

Bohužel a na rozdíl od časových řad měření [CO _{2 ], které jsou k dispozici v měsíčním měřítku, jsou datové řady SSP2 [CO}₂ ] poskytovány v ročním měřítku. Případové studie č. 16 až #23 proto musely být prováděny v ročním měřítku. Pokud bychom provedli analýzu za období 1958–2021, jako v případových studiích č. 3 a č. 4 (teplota reanalýzy NCEP/NCAR ve 2 m; a časová řada Mauna Loa [CO ₂ ]), bylo by ročních údajů příliš málo na to, aby podpora odhadu IRF (63 datových hodnot k odhadu 41 koeficientů). Proto jsme v případových studiích #16 až #23 prodloužili období zpět do roku 1850, který je pokryt výstupy klimatického modelu. Prováděli jsme samostatné analýzy pro období 1850–2100 (celé období pokryté klimatickými modely) a 1850–2021 (pouze minulost).

Výsledky těchto případových studií nám umožňují učinit následující pozorování.

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 výjimkou $h_{1 / 2}$ v případech #17 a #21).

Ve všech případech jsou zpoždění ve směru negativní $Δ T \to Δ l n [{C O}_{2}]$ a pozitivním směrem $Δ l n [{C O}_{2}] \to Δ T$ , což naznačuje kauzalitu HOE s hlavním směrem $Δ l n [{C O}_{2}] \to Δ T$ .

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 je $Δ l n [{C O}_{2}] \to Δ T$ , vysvětlený rozptyl je působivě nízký (10–15 %) v tomto směru a působivě vysoký (dosahující 90 %) v opačném směru, $Δ T \to Δ l n [{C O}_{2}]$ .

Lze namítnout, že hlavní výsledek této analýzy, tj. bod 4 výše, může být ovlivněn rozdílem ve sledovaných obdobích, tj. 1958–2021 pro reálná měření a 1850–2021 pro výstupy modelu. Abychom prozkoumali, zda je původem různé chování časové období nebo dynamika systému (skutečná vs. modelovaná), provedli jsme další analýzu, graficky znázorněnou na obrázku 11 a obrázku 12 .

Obrázek 11. Empirické funkce vzájemné korelace pro měsíční a roční časové osy (souvislé čáry v modré barvě bez značek a červené čáry s kroužky v daném pořadí) pro soubory dat uvedené v každém panelu. Ve všech panelech je graf pro měsíční měřítko grafem dat NCEP/NCAR pro T a Mauna Loa pro [CO ₂ ] za období 1958–2021. V levém horním panelu je také zobrazena funkce vzájemné korelace rekonstruovaná z IRF a funkce autokorelace pomocí diskretizované verze rovnice (7) (přerušovaná čára).

Obrázek 12. Empirické funkce autokorelace pro měsíční a roční časové osy (souvislé čáry v modré barvě bez značek a červené čáry s kroužky v daném pořadí) pro soubory dat uvedené v každém panelu. Ve všech panelech je graf pro měsíční měřítko grafem dat NCEP/NCAR pro T a Mauna Loa pro [CO ₂ ] za období 1958–2021.

Levý horní panel na obrázku 11 je podobný jako na obrázku 4 (vpravo nahoře), kde jsme navíc vynesli empirickou vzájemnou korelační funkci pro stejná data, ale zprůměrovaná v ročním měřítku. To poměrně dobře souhlasí s empirickou funkcí na měsíčním měřítku, která poskytuje základ pro následující srovnání.

Empirická vzájemná korelační funkce na měsíčním měřítku je zkopírována do všech ostatních panelů na obrázku 11 a slouží jako základ pro srovnání. V pravém horním panelu, kde jsme nahradili časovou řadu Mauna Loa pro [CO ₂ ] časovou řadou CMIP6 pro stejné období, 1958–2021, při zachování časové řady NCEP/NCAR pro T , stále existuje shoda roční s měsíčními vzájemnými korelacemi. Když však také nahradíme časovou řadu NCEP/NCAR pro T řadou CMIP6 (vlevo dole), oba grafy se oddělí. Decoupling je ještě výraznější, pokud se podíváme do delšího období 1850–2021 (pravý dolní panel).

Podobná pozorování lze provést o autokorelacích na obrázku 12. Obr . Konkrétně autokorelace T podle CMIP6 se odděluje od skutečné pro obě období 1958–2021 a 1850–2021, přičemž obě posledně jmenované se od sebe podstatně neliší. Tato pozorování nám umožňují tvrdit, že hlavní příčina neshod souvisí spíše s problémy s modelováním dynamiky systému než s časovým obdobím studie.

9. Diskuse a další výsledky

Mainstreamový předpoklad kauzálního směru [CO ₂ ] → T tvoří přesvědčivý příběh, protože vše je obviňováno z jediné příčiny, z lidských emisí CO ₂ . Ve skutečnosti je to populární vyprávění po celá desetiletí. Popularita však nutně neznamená správnost a zde jsme uvedli pádné argumenty proti tomuto předpokladu. Vzhledem k tomu, že jsme určili atmosférickou teplotu jako příčinu a koncentraci CO ₂ v atmosféře jako následek, můžeme být v pokušení položit si otázku: Co je příčinou moderního nárůstu teploty? Zdá se, že na tuto otázku je mnohem obtížnější odpovědět, protože již nemůžeme vše přisuzovat žádnému jedinému agentovi.

Netvrdíme, že máme odpověď na tuto otázku, jejíž studie je daleko nad rámec článku. Nevěříme ani tomu, že mainstreamová klimatická teorie, která se zaměřuje na lidské emise CO ₂ jako hlavní příčinu a vše ostatní považuje za zpětnou vazbu jediné hlavní příčiny, nemůže vysvětlit to, co se stalo na Zemi za 4,5 miliardy let měnícího se klimatu.

Nicméně jako vedlejší produkt v přílohách tohoto dokumentu uvádíme několik údajů o následujícím:

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 ).

Z hlediska uhlíkového cyklu (bod 1 výše) se na něm podílí několik fyzikálních, chemických, biochemických a lidských procesů. Lidské emise CO ₂ způsobené spalováním fosilních paliv se od počátku průmyslového věku značně zvýšily. Globální nárůst teploty však začal po Malém ledovém období, v době, kdy byly lidské emise CO ₂ velmi nízké. Abychom tento problém osvětlili, zkoumáme problematiku emisí CO ₂ vs. teplota atmosféry dále v doplňkových informacích , kde poskytujeme důkazy, že spolu nesouvisejí. Odplyňování z moře je také někdy v literatuře zdůrazňováno mezi mechanismy souvisejícími s klimatem. Na druhou stranu je role biosféry a biochemických reakcí často bagatelizována spolu s existencí komplexních interakcí a zpětné vazby. Tuto roli lze shrnout do následujících bodů, podrobně prozkoumat a kvantifikovat v příloze A.1 .

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 ].

Vyšší koncentrace CO ₂ v atmosféře navíc činí biosféru produktivnější prostřednictvím tzv. uhlíkového fertilizačního efektu, což má za následek ekologizaci Země [ 34 , 35 ], tedy zesílení uhlíkového cyklu, k němuž přispívá i člověk prostřednictvím plodin. a řízení využití půdy [ 36 ].

Kromě biosféry existují další faktory, které periodicky i neperiodicky řídí klima Země. Orbitální parametry zemské revoluce se kvazicyklicky mění v mnohatisíciletém měřítku (variace v excentricitě, axiálním sklonu a precesi zemské oběžné dráhy), jak je interpretuje Milanković [ 37 , 38 , 39 , 40 , 41 ], a změny v geometrie oběžné dráhy ovlivňuje množství slunečního záření. Mezi neperiodické faktory proměnlivosti klimatu Země patří sopečné erupce a srážky s velkými mimozemskými objekty, např. asteroidy. Důležitým hybatelem klimatu je voda ve svých třech fázích [ 33 ]. Dalším zjevným faktorem je sluneční aktivita (včetně slunečních cyklů) a (ne)rovnováha slunečního záření na Zemi (např. změny albeda; viz [ 33 ] a Příloha A.2 ). Zejména nedávná studie [ 42 ], která vyhodnotila 20 let přímého pozorování energetické nerovnováhy ze satelitů obíhajících Zemi, ukázala, že pozorované globální změny se z velké části objevují v důsledku snížení množství slunečního záření rozptýleného zemskou atmosférou.

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 $T \to [{C O}_{2}]$ směr.

Obrázek 13. Schéma zkoumaných možných kauzálních souvislostí v klimatickém systému s vyznačenými typy potenciální kauzality, HOE nebo jednosměrné, a jejím směrem. Jiné procesy, které zde nebyly zkoumány, mohou být vnitřní nebo vnější.

Zkoumané procesy v dodatcích jsou vnitřními procesy klimatického systému. Další procesy ovlivňující T , zde nezkoumané, by mohly být také vnější (např. sluneční a astronomické [ 43 , 44 ] a geologické [ 45 , 46 , 47 , 48 , 49 ]). Obecně platí, že ve složitých systémech identifikovaná kauzální souvislost, i když poskytuje určité vysvětlení jevu, vyvolává další otázky, např. co způsobilo změnu v identifikované příčině atd. Kauzální vazby ve složitých systémech mohou tvořit nekonečné sekvence. . Z tohoto důvodu je naivní očekávat úplné odpovědi na problémy související se složitými systémy nebo předpokládat, že složitý systém je v permanentní rovnováze a že je zapotřebí vnějšího činitele, který jej „vykopne“ z rovnováhy a vyvolá změnu. Přesto zkoumání jediné příčinné souvislosti mezi dvěma procesy, na které se zaměřuje tento článek, poskytuje užitečné informace s možnými významnými vědeckými, technickými, praktickými, epistemologickými a filozofickými důsledky. Těmi se tento dokument nezabývá. Čtenáře zajímající se o epistemologické a filozofické aspekty kauzality odkazujeme na Koutsoyiannis et al. [ 6 ], zatímco zájemce o trvalé změny ve složitých systémech odkazujeme na Koutsoyiannise [ 50 , 51 ].

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 rozptylu $Δ l n [{C O}_{2}]$ . 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 směrem $Δ T \to Δ l n [{C O}_{2}]$ , odhadujeme $Δ l n [{C O}_{2}]$ tak jako

$Δ l n ⎡⎣⎢⎢ C O 2 ⎤⎦⎥⎥ = \sum ? = 0 20 ? ? Δ ? ? - ? + ? ?$

(8)

a postoupíme o krok dále, za předpokladu, že průměr $μ_{v}$ také závisí na minulé teplotě, zprůměrované v časovém měřítku m , tzn.

$? ? = ? (? ? - ? 0)$

(9)

kde $T_{m}$ je průměrná teplota předchozích m let, a $α$ a $T_{0}$ jsou konstanty (parametry). Takový jednoduchý lineární vztah podporují výše uvedené body související s produktivitou biosféry. Rovnice (9) bude mít za následek záporné hodnoty $μ_{v}$ -li $T_{m} < T_{0}$ a jinak pozitivní.

Přehodnocením IRF souřadnic $g_{j}$ současně s parametry rovnice (9) najdeme upravenou verzi IRF zakreslenou na obrázku 14. Obr . Optimalizované doplňkové parametry jsou $m = 4$ (roky), $α = 0.0034, T_{0} = 285.84 K$ . Podobně jako v [ 6 ] jsme k provedení optimalizace použili běžný tabulkový software, který přidal dva parametry α a $T_{0}$ na neznámé souřadnice $g_{j}$ IRF a provedení (nelineární) optimalizace pro všechny neznámé ( $m$ byla nalezena metodou pokus-omyl). Grafické srovnání skutečnosti $Δ l n [{C O}_{2}]$ a $[{C O}_{2}]$ s těmi simulovanými modelem rovnic (8) a (9) je uveden na obrázku 15. Obr . Vysvětlený rozptyl pro $Δ l n [{C O}_{2}]$ byla drasticky zvýšena z 34 % na 55,5 % a to pro $[{C O}_{2}]$ je působivých 99,9 %.

Obrázek 14. Modifikovaná IRF pro teplotu-koncentraci CO ₂ na základě teploty opakované analýzy NCEP/NCAR ve 2 mauna Loa, v tomto pořadí, podobně jako na obrázku 2, ale s IRF souřadnicemi současně optimalizovanými s parametry rovnice (9).

Obrázek 15. Porovnání skutečného $Δ l n [{C O}_{2}]$ ( horní ) a $[{C O}_{2}]$ ( 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:

$Δ l n ⎡⎣⎢⎢ C O 2 ⎤⎦⎥⎥ = \sum ? = 0 20 ? ? Δ ? ? - ? + ? ?, ? ? = 0,00076 ? 0,67 ? - 0,2 ? / K, ? ? = 0,0034 (? 4 / K - 285,84)$

(10)

(kde K je jednotka kelvinů).

Zdůrazňujeme však, že nevyužíváme působivého výsledku vysvětleného rozptylu 99,9 % k tvrzení, že jsme postavili slušný model, i když tento model hračky je přesný (na spodním panelu na obrázku 15 je simulovaná křivka nerozeznatelné od skutečného) a šetrné (modelový výraz v (10) obsahuje pouze 5 přizpůsobených parametrů). Raději zdůrazňujeme skutečnost, že nesmírně složitý klimatický systém s sebou nese vysokou nejistotu a jeho studium potřebuje spolehlivá data, která poskytují základ pro modelování a testování hypotéz.

10. Závěry

S odkazem na body 1–7 Úvodu stanovující rozsah příspěvku lze výsledky našich analýz shrnout následovně.

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 $T \to l n [{C O}_{2}]$ 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 .

Celkově se stochastický pojem kauzálního systému, založený na konceptu funkce impulsní odezvy, ukázal jako velmi účinný při studiu náročných problémů kauzality. Zásadní charakteristikou naší metodiky je její přímé využití dat jako takových, na rozdíl od jiných metodologií, které jsou založeny na nejistých odhadech autokorelačních funkcí nebo na nejistějším nástroji mocninového spektra, tj. Fourierově transformaci autokorelační funkce. . Metodika má potenciál pro další pokrok, jak jsme zde poprvé uvedli (např. asymetrické okno časové prodlevy, definice typu analýzy dat, která se má použít při hodnocení výkonnosti modelování, a rozšíření jejího rozsahu od detekce možné kauzality na sestavení podrobnějšího modelu).

Doplňkové materiály

Následující podpůrné informace lze stáhnout na adrese: https://www.mdpi.com/article/10.3390/sci5030035/s1 : Část SI1, Další analýza chování klimatických modelů; Oddíl SI2, O korelacích teploty s emisemi CO _{2 .}

Autorské příspěvky

Konceptualizace, DK; metodika, DK, CO, ZWK a AC; software, DK; validace, DK, CO, ZWK a AC; formální analýza, DK, CO, ZWK a AC; vyšetřování, DK, CO, ZWK a AC; správa dat, DK; psaní – příprava původního návrhu, DK, CO, ZWK a AC; psaní – recenze a úpravy, DK, CO, ZWK a AC; vizualizace, DK; dohled, DK, CO, ZWK a AC; administrace projektu, DK Všichni autoři si přečetli a souhlasí s publikovanou verzí rukopisu.

Financování

Tento výzkum nezískal žádné externí financování, ale byl motivován vědeckou zvědavostí autorů.

Prohlášení institucionální revizní komise

Nelze použít.

Prohlášení o informovaném souhlasu

Nelze použít.

Prohlášení o dostupnosti dat

Všechna data použitá v novinách jsou k dispozici online zdarma. Teplotní časové řady NCEP/NCAR a časové řady Mauna Loa CO ₂ jsou snadno dostupné v měsíčním měřítku z platformy climexp ( http://climexp.knmi.nl/ (přístup 1. ledna 2023), konkrétně z http:/ /climexp.knmi.nl/data/inair_0-360E_-90-90N_n.dat a http://climexp.knmi.nl/getindices.cgi?WMO=CDIACData/maunaloa_f&STATION=Mauna_Loa_CO2 (přístup 1. ledna The South 202 Údaje o koncentraci CO ₂ na pólu poskytuje Globální monitorovací laboratoř amerického Národního úřadu pro oceán a atmosféru (NOAA) na adrese https://gml.noaa.gov/dv/data/index.php?parameter_name=Carbon%2BDioxide&site=SPO ( přístupné dne 1. ledna 2023). Získaná data jsou „Měsíční průměry“ pro typ „Baňka“ a „Insitu“ Časové řady CO ₂ používané v klimatických modelech byly staženy z https://gmd.copernicus.org/articles/ . 13/3571/2020/gmd-13-3571-2020-supplement.zip (přístup k 1. lednu 2023), údaje ze sloupce „Svět CO ₂ ppm“ na kartách „T2 – Rok historie) ; 1750 až 2014“ a „T5—SSP2-4.5“ byly načteny. Výstupy klimatického modelu byly staženy z platformy climexp, http://climexp.knmi.nl/selectfield_cmip6.cgi (přístup 1. ledna 2023); konkrétně z „Měsíčního scénáře CMIP6 běží“ byly prostřednictvím platformy odvozeny globálně zprůměrované časové řady „CMIP6 průměr přes všechny členy“ a „UKESM1-0-LL f2“. Data CERES byla stažena z https://ceres-tool.larc.nasa.gov/ord-tool/jsp/SSF1degEd41Selection.jsp (přístup 17. března 2023). Údaje SOI byly staženy z https://www.ncdc.noaa.gov/teleconnections/enso/indicators/soi/ (přístup 17. března 2023). Údaje o měsíční průměrné globální teplotě horního oceánu byly staženy z http://climexp.knmi.nl/getindices.cgi?WMO=NODCData/temp100_global&STATION=global_upper_ocean_mean_temperature (přístup 17. března 2023).

Poděkování

Bereme na vědomí množství komentářů k našim dřívějším článkům [ 2 , 6 , 7 ]. Ačkoli se málokdo zabýval metodologií, zvýšili naši důvěru v naše výsledky. Bereme na vědomí také připomínky v pěti recenzích ve dvou kolech recenzního řízení tohoto příspěvku, které vyvolaly rozšíření studie přidáním příloh , které nebyly obsaženy v původní verzi, a jejich diskuzí v těle příspěvku. Věříme, že revidovaná verze je úplnější.

Střet zájmů

Autoři neprohlašují žádný střet zájmů.

Příloha A

Příloha A.1. Poznámky o cyklu uhlíku a jeho závislosti na teplotě

Cyklus uhlíku je typicky prezentován jako systém se složkami, které jsou v trvalé rovnováze, s výjimkou poruch způsobených antropickými aktivitami. Například nedávná (2022) komplexní studie Friedlingsteina et al. [ 52 ] na svém obrázku 2 ukazuje absolutní rovnováhu v pozemské i námořní části Země, přičemž vstupy a výstupy si vzájemně odpovídají (±130 Gt C/rok pro pozemskou část a ±80 Gt C/rok pro námořní část), na kterou působí lidská porucha (9,6 ± 0,5 Gt C/rok z emisí CO ₂ z fosilních paliv a 1,2 ± 0,7 Gt C/rok ze změn ve využívání půdy) a následně rozdělena do několika složek. Toto znázornění je zavádějící, chybí zde velké změny (řádově) v historickém vývoji množství CO ₂ v zemské atmosféře. Jiný přístup a vysvětlení nedávno poskytl Stallinga [ 53 ], podle kterého lidé do systému atmosféra-oceán přidávají 38 Gt za rok, což je množství ekvivalentní 10,4 Gt C/rok.

Zde sledujeme účet IPCC [ 32 ] v jeho nedávné (2021) hodnotící zprávě (AR6). Jeho schéma (obrázek 5.12 v této zprávě) nezakrývá (a) nerovnováhu v různých částech Země a (b) skutečnost, že přirozené vstupy a výstupy uhlíku v atmosféře se v průběhu času mění – i když schéma IPCC implicitně předpokládá že „přirozený“ je rozpočet, ke kterému došlo v předindustriálním věku (1750) a že jakákoli změna, ke které došlo od té doby, je antropogenní. Je zajímavé, že v alternativním pohledu Hansena a kol. [ 54 ] civilizace vždy produkovala skleníkové plyny a aerosoly a lidé pravděpodobně přispěli k jejich nárůstu za posledních 6 000 let, což vedlo ke klimatickým vlivům.

Na základě znázornění IPCC jsme na obrázku A1 shrnuli informace uvedené ve schématu IPCC, pokud jde o roční uhlíkovou bilanci. Když je vidět na celém obrázku, lidské emise způsobené spalováním fosilních paliv (9,4 Gt C/rok včetně výroby cementu) tvoří malou část (4 %) celkového přítoku CO ₂ do atmosféry.

Obrázek A1. Roční uhlíková bilance v zemské atmosféře v Gt C/rok na základě odhadů IPCC [ 32 ]. Zůstatek 5,1 Gt C/rok je roční akumulace uhlíku (ve formě CO ₂ ) v atmosféře.

Největší část přítoků je způsobena dýcháním biosféry, tj. biochemickou reakcí, při níž živé organismy přeměňují organickou hmotu (např. glukózu) na CO ₂ , přičemž uvolňují energii a spotřebovávají molekulární kyslík [ 32 ]. Jak je vidět na obrázku A1 (a v několika publikacích, např. [ 55 ]), dýchání se v posledních letech zvýšilo, hlavním důvodem je zvýšená teplota. Fotosyntéza, biochemický proces, který odstraňuje CO ₂ z atmosféry, produkující sacharidy v rostlinách, řasách a bakteriích pomocí energie světla [ 32 ], se také zvýšila, což má za následek ekologizaci Země [ 34 , 35 , 36 ] v důsledku zvýšená koncentrace CO ₂ v atmosféře , která je potravou rostlin.

Není obtížné kvantifikovat zvýšení dýchání v důsledku zvýšení teploty. Mechanismus je v chemii znám již více než století. Rychlost chemické reakce $k_{T}$ při teplotě T je rostoucí funkce T daná Arrheniovou rovnicí [ 56 ]:

$? ? = ? zk (- ? ? * ?)$

(A1)

kde A a a jsou volné parametry a $R_{*}$ 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 $T_{0}$ a po dělení (A1) získáme:

$? ? ? 0 = zk (- ? ? * (1 ? - 1 ? 0))$

(A2)

Logaritmy a nastavení $Δ T : = T - T_{0}$ shledáváme

$ln (? ? ? 0) = - ? ? * (1 ? - 1 ? 0) = ? ? * ? 0 (1 - ? 0 ?) = ? ? * ? 0 (Δ ? ? 0 + Δ ?) = ? ? * ? 0 ⎛⎝⎜⎜ Δ ? ? 0 - (Δ ? ? 0) 2 + (Δ ? ? 0) 3 - \dots ⎞⎠⎟⎟$

(A3)

a za předpokladu, že $Δ T / T_{0}$ je malý (pozn. $T_{0}$ je řádově 300 K, zatímco typické hodnoty $Δ T$ je řádově 1–10 K). Můžeme zanedbat všechny termíny nad rámec prvního řádu a najít:

$? ? ? ? 0 = zk ⎛⎝⎜⎜ ? ? * ? 2 0 Δ ? ⎞⎠⎟⎟ = ⎛⎝⎜⎜ zk ⎛⎝⎜⎜ ? ? * ? 2 0 ⎞⎠⎟⎟ ⎞⎠⎟⎟ Δ ? = ? Δ ? 1 = ? Δ ? / 10 10$

(A4)

kde

$? 1 : = zk ⎛⎝⎜⎜ ? ? * ? 2 0 ⎞⎠⎟⎟, ? 10 : = ? 101$

(A5)

Všimněte si, že obojí $Q_{1}$ a $Q_{10}$ jsou bezrozměrná čísla > 1. Exponenciální výraz, ve kterém $Q_{10}$ je povýšen k moci $Δ T / 10$ je známý jako $Q_{10}$ model [ 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 $[E B O D] = [B O D] {(1.07)}^{T - 20}$ , což je obdoba (A4), kde je referenční teplota $T_{0} =$ 20 °C a $Q_{1} = 1.07$ ( $Q_{10} = 2.0)$ . 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 zvýšení $Δ T =$ 1,69 °C pro pozemní a 0,78 °C pro námořní část za období 65 let.

Nyní literatura uvádí reprezentativní průměr $Q_{10}$ hodnoty 3,05 pro pozemské dýchání [ 57 ] a 4,07 pro námořní dýchání [ 59 ]. Li $R_{B}$ a $R_{E}$ označují rychlost dýchání na začátku a na konci 65letého období a $Δ R : = R_{E} - R_{B}$ , pak podle (A4),

$? E ? B = ? Δ ? / 10 10$

(A6)

a tudíž

$Δ ? = ? E ⎛⎝⎜⎜⎜ 1 - 1 ? Δ ? / 10 10 ⎞⎠⎟⎟⎟$

(A7)

Obrázek A2. Vývoj globální teploty země (pozemské) a moře (moře) ve vzdálenosti 2 m od datové sady NCEP/NCAR Reanalysis získané z platformy ClimExp a výsledné sklony lineárních trendů.

Pro výše uvedené hodnoty $Q_{10}$ a $Δ T$ , výraz v závorkách je 0,172 pro pozemní část a 0,104 pro námořní část. Vynásobením těchto hodnot $R_{E}$ hodnoty uvedené na obrázku A1 , tj. 136,7 a 77,6 Gt C/rok, v tomto pořadí $Δ R = 23.5$ a 8,1 Gt C/rok, tj. celkové globální zvýšení rychlosti dýchání o $Δ R = 31.6$ Gt 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 o $0.004 \times 340 = 1.4$ W/ ^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).

Obrázek A3. Časová řada albedo TOA (souvislá čára), jak je poskytuje NASA’s Clouds a Earth’s Radiant Energy System (CERES), spolu s lineárním trendem (přerušovaná čára).

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 ( $- Δ α$ ) tak, aby měla pozitivní korelaci s teplotními rozdíly ( $Δ T$ ). Stanovený IRF naznačuje potenciální příčinu HOE s hlavním směrem $α \to T$ a časové prodlevy 1–3 měsíce. Vysvětlený rozptyl je však malý, 13 %.

Tabulka A1. Souhrnné indexy případových studií souvisejících s albedem. Data jsou na měsíčním časovém horizontu a časový krok diferenciace je 1 rok; vysvětlení symbolů viz tabulka 1 .

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 ; $- Δ α \to Δ T]$ 😉 a #25 ( vpravo ; $Δ T \to - Δ α$ ).

Příloha A.3. Zkoumání kauzality mezi El Niño, atmosférickou teplotou a CO ₂

Druhým procesem, o kterém je známo, že globálně ovlivňuje teplotu atmosféry, je El Niño–Southern Oscilation (ENSO) ( podrobnosti viz [ 12 , 61 ] a nedávná studie Kundzewicze et al. [ 62 ]). ENSO je spojena s nepravidelnými změnami povrchové teploty moře a tlaku vzduchu nad tropickým Tichým oceánem. V klimatických studiích se používá několik indexů spojených s ENSO, z nichž nejoblíbenější je index jižní oscilace US NOAA (SOI), jehož časová řada je vynesena na obrázku A5 .

Obrázek A5. Časová řada SOI (souvislá čára) spolu s klouzavým (zarovnaným vpravo) 10letým průměrem (přerušovaná čára). Negativní a pozitivní hodnoty označují fázi El Niño a La Niña.

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 $- Δ S O I$ (jako v případě albeda).

Výsledky jsou uvedeny v tabulce A2 , obrázku A6 a obrázku A7 . Hlavní směry jsou $S O I \to T$ a $S O I \to [{C O}_{2}]$ . 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.

Tabulka A2. Souhrnné indexy případových studií souvisejících s ENSO. Data jsou na měsíčním časovém horizontu a časový krok diferenciace je 1 rok; vysvětlení symbolů viz tabulka 1 .

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 ; $- Δ S O I \to Δ T]$ 😉 a #27 ( vpravo ; $Δ T \to - Δ S O I$ ).

Obrázek A7. IRF pro ENSO–[CO ₂ ] založené na časové řadě SOI a Mauna Loa – případové studie č. 28 ( vlevo ; $- Δ S O I \to Δ l n [{C O}_{2}]]$ 😉 a #29 ( vpravo ; $Δ l n [{C O}_{2}] \to - Δ S O I$ ).

Příloha A.4. Zkoumání kauzality mezi obsahem tepla oceánu, atmosférickou teplotou a _CO2

Třetím procesem zkoumaným v souvislosti s T i [CO ₂ ] je tepelný obsah oceánu horní vrstvy. To je nepřímo reprezentováno údaji o střední teplotě horního oceánu vrstvy 0–100 m [ 63 ] (OMT0–100), známé také jako Vertically Averaged Temperature Anomaly (vrstva 0–100 m) [ 64 ]. Ty jsou založeny na historických datech o teplotě oceánu, datech z batytermografu a Argo datech [ 65 ] a jsou zpřístupněny v časovém horizontu tří měsíců Národním oceánografickým datovým střediskem US NOAA [ 64 ] a také platformou ClimExp, která jsme použili ke stažení dat. Časová řada počínaje rokem 1955 je vynesena na obrázku A8 .

Obrázek A8. Časová řada OMT0–100 (souvislá čára) spolu s klouzavým (zarovnaným vpravo) 10letým průměrem (přerušovaná čára).

Výsledky stochastických analýz jsou uvedeny v tabulce A3 , obrázku A9 a obrázku A10 . Hlavní směry jsou OMT0–100 $\to T$ a OMT0–100 $\to [{C O}_{2}]$ 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.

Tabulka A3. Souhrnné indexy případových studií souvisejících s OMT0–100. Data jsou na tříměsíčním časovém horizontu a časový krok diferenciace je 1 rok; vysvětlení symbolů viz tabulka 1 .

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 $\to Δ T]$ 😉 a #31 ( vpravo ; $Δ T \to$ 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 $\to Δ l n [{C O}_{2}]]$ 😉 a #33 ( vpravo ; $Δ l n [{C O}_{2}] \to$ ΔOMT0–100).

Příloha A.5. Poznámky o vztahu T -[CO ₂ ] na velkých časových úsecích

Zatímco rozsahem této studie je moderní období pokryté spolehlivými měřeními koncentrace CO ₂ (asi šest desetiletí), může být užitečné odkázat na studie, které používaly paleoklimatické proxy k posouzení vztahu T -[CO ₂ ] v mnohem delších časových úsecích. Berner a Kothavala [ 66 ] studovali celé fanerozoikum (posledních 530 milionů let) a tvrdili, že „ z dlouhodobého hlediska skutečně existuje korelace mezi CO ₂a paleoteplotou “, zatímco jejich obrázek 13 ukazuje, že atmosférický [CO ₂ ] byl mnohem vyšší (až 27krát) než ten současný po většinu doby během fanerozoika. Zdůraznili také, že „ je důležité vzít v úvahu VŠECHNY faktory ovlivňující CO2 _při modelování dlouhodobého uhlíkového cyklu a nesoustředit se [na] pouze jednu příčinu “. Na druhou stranu Veizer a spol. [ 67 ] předložili důkazy pro oddělení atmosférického CO ₂ a globálního klimatu během fanerozoika, zpochybnili roli (parciálního tlaku) CO ₂ jako hlavní hnací síly minulých globálních (dlouhodobých) klimatických změn, alespoň během dvou čtyři hlavní chladné klimatické režimy fanerozoika.

Několik studií, založených na paleoklimatických rekonstrukcích a většinou ledových jádrech Vostok [ 68 , 69 ] pokrývajících posledních ~400 tisíc let, identifikovalo změnu T jako příčinu a změnu v [CO ₂ ] jako následek, s odhady časové zpoždění se pohybuje od 50 do 1000 let v závislosti na časovém období a konkrétní studii [ 23 , 70 , 71 , 72 ]. Tvrzení, že koncentrace CO ₂ vede (tj. záporné zpoždění), nebyla v těchto studiích obecně vznesena. Maximálně se hledalo tvrzení o synchronizaci na základě toho, že odhadovaná kladná zpoždění jsou často v rozsahu 95 % nejistoty [ 73 ], zatímco v jednom z nich [ 72 ] bylo tvrzeno, že „ krátký náskok CO ₂nelze vyloučit nadměrnou teplotu “.

Synchronizace byla také prohlášena za poslední deglaciální oteplení v jiné studii Parrenina et al. [ 74 ], kteří uvedli, že nenašli žádnou významnou asynchronii mezi teplotou v Antarktidě a atmosférou [CO ₂ ]. Za stejné období byla provedena další studie Shakuna et al. [ 75 ] poskytl různé vztahy mezi předstihem a zpožděním pro severní a jižní polokouli. Obecně se zdá, že tato otázka zůstává kontroverzní, jak dokládá například nedávná zpráva (2021) od NOAA (v rámci Paleo Perspectives [ 76 ]), která uvádí: „ I když se může zdát jednoduché určit příčinu a vlivu mezi oxidem uhličitým a klimatem , od kterého ke změně dochází jako první , […] zůstává určení příčiny a následku nesmírně obtížné .

Na druhou stranu přesvědčivé vysvětlení, proč z dlouhodobého hlediska vede změna teploty a následuje koncentrace CO ₂ , podal Roe [ 40 ], který prokázal, že ve čtvrtohorách jde spíše o vliv Milankovićových cyklů. než koncentrace CO ₂ v atmosféře , což vysvětluje proces zalednění. Konkrétně zjistil, že „ změny atmosférického CO2 _zřejmězpožďují rychlost změny globálního objemu ledu. To implikuje pouze sekundární roli CO ₂– variací, které produkují slabší radiační sílu než orbitálně vyvolané změny v letním oslunění – při řízení změn v globálním objemu ledu. “

Ledová jádra Vostok pokrývající posledních ~400 tisíc let byla také zkoumána použitím stejné metody jako v tomto článku Koutsoyiannisem et al. [ 7 ], kteří došli k závěru, že „ kauzální vztah koncentrace atmosférického T a CO ₂, jak byl získán pomocí proxy dat, se zdá být typu HOE s hlavním směrem T → [CO ₂] “, stejně jako v záznamech moderní období, ale s mnohem větším časovým zpožděním, řádově 1000 let.

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).

Zdroj