On the use and misuse of climate change projections in international development

Hannah Nissan, Lisa Goddard, Erin Coughlan de Perez, John Furlow, Walter Baethgen, Madeleine C. Thomson, Simon J. Mason

https://wires.onlinelibrary.wiley.com/doi/10.1002/wcc.579

Die Zuverlässigkeit probabilistischer Klimaprojektionen ist unbekannt. Im Gegensatz zu Wettervorhersagen, für die wir viele vergangene Testfälle haben, können Klimaprojektionen nicht kalibriert werden (Knutti et al., 2010; Stainforth, Allen, Tredger, & Smith, 2007; Tebaldi & Knutti, 2007). Stattdessen werden die Wahrscheinlichkeiten aus den relativen Häufigkeiten geschätzt, mit denen verschiedene Ergebnisse innerhalb eines Ensembles aus mehreren Modellen und Simulationen auftreten. Da diese Methode der Ableitung von Wahrscheinlichkeiten jedoch für den größten Teil des Globus unzuverlässig ist ..., sollte von der Sammlung von Modellen, die zu den zukünftigen Klimaprojektionen des IPCC beitragen, nicht erwartet werden, dass sie den wahren Unsicherheitsbereich auf sinnvolle oder quantitative Weise darstellen.

Vielmehr ist dieses "Ensemble der Möglichkeiten" (Stainforth et al., 2007) einfach der Querschnitt der verfügbaren Modelle und Simulationen. Jeder Modelllauf stellt eine "beste Schätzung" des zukünftigen Klimas dar, so dass die Streuung eines Multimodel-Ensembles nicht die wahre Breite der Unsicherheit erfassen kann und auch nie sollte (Allen & Ingram, 2002; Hazeleger et al., 2015; Mote, Brekke, Duffy, & Maurer, 2011; Tang, Dessai, Tang, & Dessai, 2012). Die Wahrscheinlichkeit von Ergebnissen, die außerhalb der Ensemble-Spanne liegen, kann nicht geschätzt werden. Außerdem haben Modelle viele Komponenten gemeinsam und können nicht als voneinander unabhängig betrachtet werden (Stainforth et al., 2007).

Daher sollte eine Modellübereinstimmung nur dann Vertrauen vermitteln, wenn sie durch ein Verständnis der wissenschaftlichen Gründe für ein bestimmtes Ergebnis unterstützt wird (Frigg, Smith, & Stainforth, 2015; Hewitson et al., 2014; Palmer, Doblas-Reyes, Weisheimer, & Rodwell, 2008).

Knutti et al. 2010

Challenges in combining projections from multiple climate models

Knutti, R., Furrer, R., Tebaldi, C., Cermak, J., Meehl, G. A.,

Journal of Climate, 23(10), 2739–2758 (2010). 

https://doi.org/10.1175/2009JCLI3361.1

1. Einleitung

Da inzwischen feststeht, dass der Klimawandel der letzten 50 Jahre größtenteils auf den menschlichen Einfluss durch die Verbrennung fossiler Brennstoffe zurückzuführen ist (Solomon et al. 2007), wächst die Besorgnis über künftige Klimaveränderungen, die weitaus größer sein könnten als die beobachteten, und die Aufmerksamkeit richtet sich zunehmend auf Projektionen von Klimamodellen in der Hoffnung auf richtungsweisende Informationen über die zu erwartenden Veränderungen und auf Orientierungshilfen für geeignete Eindämmungs- und Anpassungsmaßnahmen. Der Grad des Vertrauens, den wir in Modellergebnisse setzen, hängt jedoch im Wesentlichen davon ab, ob wir die Unsicherheit der Vorhersage quantifizieren und zeigen können, dass die Ergebnisse nicht stark von den Modellannahmen abhängen. Da es keine direkte Überprüfung der Vorhersagen künftiger Veränderungen gibt, müssen die Zuverlässigkeit der Modelle und ihre Unsicherheiten indirekt durch das Verständnis der Prozesse und die Bewertung der Modelle in Bezug auf das vergangene und gegenwärtige Klima bewertet werden.

Unsicherheiten bei Zukunftsprojektionen stammen aus unterschiedlichen Quellen und werden in verschiedenen Phasen des Modellierungsprozesses eingeführt. Unsicherheiten bei den Antriebsfaktoren (die sich in unterschiedlichen wirtschaftlichen und gesellschaftlichen Entwicklungen und politischen Entscheidungen widerspiegeln) werden häufig umgangen, indem man sich auf (spezifische) Projektionen konzentriert, d. h. auf Vorhersagen, die von einem angenommenen Szenario abhängen (z. B. Nakicenovic und Swart 2000). Anfangs- und Randbedingungen sind für langfristige Klimaprojektionen meist von geringer Bedeutung. 

Der bei weitem größte Beitrag zur Unsicherheit ergibt sich aus der Tatsache, dass Klimamodelle unvollkommen sind und ihre Vorhersagen daher unsicher sind. Dieser Beitrag kann weiter unterteilt werden in 

1. Modellunsicherheit aufgrund eines begrenzten theoretischen Verständnisses (Unfähigkeit, einen Prozess überhaupt zu verstehen, z. B. wie Aerosole die Wolkenbildung beeinflussen), 
2. Unsicherheit bei den Modellparametern und 
3. strukturelle Modellunsicherheit (Unfähigkeit, einen bekannten Prozess im Modell genau zu beschreiben). 

Die parametrische Unsicherheit 2 ergibt sich aus der Tatsache, dass bei vielen kleinräumigen Prozessen in Modellen deren großräumige Auswirkungen empirisch beschrieben und nicht gelöst werden müssen und dass die Werte in diesen Parametrisierungen nicht immer gut eingeschränkt und in der realen Welt nicht direkt beobachtbar sind. 

Strukturelle Unsicherheit 3 (manchmal auch als Unzulänglichkeit des Modells bezeichnet) bedeutet, dass das Modell mit keinem Parametersatz perfekt mit den Beobachtungen übereinstimmt (z. B. Sanderson et al. 2008), weil bestimmte Prozesse fehlen oder im Modell nur angenähert werden [siehe z. B. Stainforth et al. (2007) und Knutti (2008a) für eine ausführlichere Diskussion].