Kurzmitteilung: Ein Fahrplan zu glaubwürdigen Projektionen des Beitrags der Eisschilde zum Meeresspiegel

Kurzbeschreibung

Die exakte Vorhersage des Massenverlustes von Eisschilden ist von entscheidender gesellschaftlicher Bedeutung. Trotz der jüngsten Verbesserungen in Eisschildmodellen deutet unsere Analyse eines aktuellen Versuchs, den Beitrag Grönlands zum zukünftigen Meeresspiegel zu projizieren, darauf hin, dass nur wenige Modelle den historischen Massenverlust genau reproduzieren und dass sie viel zu zuversichtlich in Bezug auf die Streuung der vorhergesagten Ergebnisse erscheinen. Die Unfähigkeit der Modelle, historische Beobachtungen zu reproduzieren, lässt Zweifel an der Fähigkeit der Modelle aufkommen, den Massenverlust zu prognostizieren. Hier schlagen wir vor, dass der zukünftige Beitrag Grönlands zum Meeresspiegel deutlich höher sein könnte als in dieser Studie angegeben. Wir schlagen einen Fahrplan vor, der eine realistischere Berücksichtigung der mit solchen Vorhersagen verbundenen Unsicherheiten ermöglicht, sowie einen formalen Prozess, bei dem Beobachtungen von Massenänderungen zur Verfeinerung von Vorhersagen von Massenänderungen verwendet werden. Abschließend stellen wir fest, dass enorme staatliche Investitionen und Planungen, die 10 bis 100 Millionen Menschen betreffen, auf der Arbeit von mehreren Dutzend Wissenschaftlern beruhen, die in erheblichem Umfang ehrenamtlich tätig sind. Um das Ziel glaubwürdiger Projektionen des Beitrags der Eisschilde zum Meeresspiegel zu erreichen, sind wir der festen Überzeugung, dass die Investitionen in die Forschung dem Ausmaß der Herausforderung angemessen sein müssen.

Wie man zitiert. Aschwanden, A., Bartholomaus, T. C., Brinkerhoff, D. J., und Truffer, M.: Brief communication: A roadmap towards credible projections of ice sheet contribution to sea-level, The Cryosphere Discuss. [preprint], https://doi.org/10.5194/tc-2021-175, in review, 2021.

Vorhersagen zum Meeresspiegelanstieg durch den Verlust von Eisschilden

Der globale Meeresspiegel stieg im 20. Jahrhundert mehr als dreimal so schnell wie zu jedem anderen Zeitpunkt in den letzten 2.000 Jahren (Kopp et al, 2016). In den letzten Jahrzehnten war der Massenverlust des grönländischen Eisschildes der am schnellsten wachsende Beitrag zu diesem Anstieg (Chen et al., 2017; Rietbroek et al., 2016). Es wird erwartet, dass sich der durch die globale Erwärmung angetriebene Meeresspiegelanstieg im kommenden Jahrhundert fortsetzen und im Jahr 2100 möglicherweise 14-322 Millionen Menschen pro Jahr überfluten und die jährliche globale Bruttoinlandsproduktion um bis zu 9 % reduzieren (Hinkel et al., 2014).
Um die Planung für die zu erwartenden Schäden und deren Abmilderung zu unterstützen, wird der Zwischenstaatliche Ausschuss für Klimaänderungen (IPCC) für den Rest des 21. Jahrhunderts eine neue Reihe von Projektionen für den Anstieg des Meeresspiegels vorlegen: den sechsten Sachstandsbericht (AR6).
Eine effektive Planung für den kommenden Meeresspiegelanstieg erfordert, dass diese Schätzungen genau sind, aber auch, dass sie begleitet werden von eine vertretbare Einschätzung der Unsicherheit (Moon et al., 2020).
In jüngster Zeit hat sich die Gemeinschaft der globalen Eisschildmodellierer in einer weitgehend freiwilligen Anstrengung zusammengefunden, um den AR6 zu unterstützen und den Bedarf an Projektionen der Eisschildveränderung und des damit einhergehenden Beitrags zum Meeresspiegel zu decken.

Dieser Versuch, der Ice Sheet Model Intercomparison for CMIP Phase 6 (ISMIP6) (Nowicki et al., 2016; Seroussi et al., 2020; Goelzer et al., 2020), stellt die bisher beeindruckendste Zusammenstellung von Modellen, Anfangsbedingungen und Randbedingungen auf dem neuesten Stand der Technik dar.

Durch großzügige Zusammenarbeit und Führung trugen 21 Gruppen aus der ganzen Welt 37 verschiedene Modelle der Veränderung des grönländischen und antarktischen Eisschildes durch eine Reihe von Kern- und optionalen Experimenten sowie entsprechende historische Simulationen bei. ISMIP6 produzierte probabilistische Verteilungen des projizierten Meeresspiegelbeitrags unter der frequentistischen Annahme, dass bei genügend unabhängigen Schätzungen des Meeresspiegelbeitrags (d.h. verschiedene Modelle und Experimente) die Stichprobenverteilung des Meeresspiegelbeitrags 3 der wahren Verteilung nahe kommt. Implizit ist in diesem Ansatz die Annahme enthalten, dass das Ensemble der Eisschildmodelle den Bereich des potentiellen Meeresspiegelbeitrags perfekt und ohne Verzerrung abdeckt. Diese ISMIP6-Verteilung wurde seitdem als Grundlage für die Konsensschätzung des IPCC AR6 zum Beitrag der Eisschilde zum Meeresspiegel angenommen. Wir glauben jedoch, dass diese Ergebnisse möglicherweise nicht genau sind, und dass die begleitenden Unsicherheiten nicht die wahre Breite der Unsicherheiten widerspiegeln, die mit der Veränderung der Eisschilde verbunden sind. Wir argumentieren daher, dass bei ihrer praktischen Anwendung und bei der Entscheidungsfindung große Sorgfalt walten sollte.
Unsere Skepsis gegenüber den ISMIP6-Projektionen basiert auf der Prämisse, dass genaue Vorhersagen über den Beitrag der Kryosphäre Beitrag der Kryosphäre zum Meeresspiegel erfordern, dass die Modelle:

1. Vollständige Charakterisierung der Unsicherheiten in der Modellstruktur, den Parametern, den Anfangsbedingungen und den Randbedingungen.
2. Erzielen Sie Simulationen, die mit den Beobachtungen innerhalb der Beobachtungsunsicherheiten übereinstimmen.

Wenn der erste Punkt nicht erfüllt ist, dann werden die Vorhersageunsicherheiten wahrscheinlich unterschätzt. Wenn die zweite Bedingung nicht erfüllt ist, dann wird die Verteilung der Modellvorhersagen wahrscheinlich relativ zur Realität verzerrt sein. Unsere Sorge, dass das ISMIP6-Ensemble keine der beiden Bedingungen erfüllt, wird durch den Vergleich von Simulationen des Massenverlustes des Grönland-Eisschildes mit drei unabhängigen Beobachtungen des Massenverlustes (Wiese et al., 2020; Mouginot et al., 2019; The IMBIE Team, 2019) (siehe Methoden für Details). Es ergibt sich ein klares Bild (Abbildung 1): Erstens unterschätzen die meisten Simulationen den rezenten (2008-2020) Massenverlust. Tatsächlich liegt die beobachtete Aufzeichnung des Massenverlustes außerhalb des 90%-Glaubwürdigkeitsintervalls der ISMIP6-Experimente, was gegen unsere zweite Anforderung verstößt. Eine Unterschätzung des jüngsten Massenverlustes führt wahrscheinlich auch zu einer Unterschätzung des Massenverlustes im Jahr 2100. Zweitens sind die Beobachtungen und das Ensemble disjunkt, was bedeutet, dass die Modellunsicherheit sowohl jetzt als auch in der Zukunft unterschätzt wird, was einen Verstoß gegen unsere erste Bedingung darstellt. Und schließlich ist das 90%-Glaubwürdigkeitsintervall der historischen Simulationen breiter als das der Projektionen.
In dem Bestreben, zukünftige Bemühungen zu lenken, stellen wir das Problem der Eisschildsimulation durch eine probabilistische Linse neu dar und bewerten, wie sich unsere beiden obigen Bedingungen auf diese Sichtweise beziehen. Anschließend skizzieren wir einen Weg nach vorne, um den potenziellen Beitrag der Eisschilde zum Meeresspiegel im kommenden Jahrhundert robust zu charakterisieren.

Quantifizierung von Unsicherheiten

Für das praktische Problem der Vorhersage des Beitrags der Eisschilde zum Meeresspiegel halten wir es für sinnvoll, einen probabilistischen Rahmen anzunehmen. In diesem Rahmen versuchen wir, eine Glaubwürdigkeitsgrenze (z. B. 90 %) für Vorhersagen festzulegen und den Bereich zu bestimmen, zwischen dem der Beitrag zum Meeresspiegel mit dieser vorausgesetzten Wahrscheinlichkeit liegen wird. Ein solches Intervall kann leicht aus einer Wahrscheinlichkeitsdichtefunktion (PDF) für den Beitrag der Kryosphäre zum globalen Meeresspiegel konstruiert werden, und daher ist dies die Funktion, die Experimente, die den Beitrag zum Meeresspiegel quantifizieren wollen, korrekt charakterisieren müssen. Wir schreiben diese prädiktive Verteilung als

P(∆z|F), (1)

wobei ∆z der Beitrag des Meeresspiegels ist und F die Klimaforcings (d.h. die Treibhausgasemissionen) repräsentiert, ausgedrückt als z.B. Repräsentative Konzentrationspfade (RCP) oder Gemeinsame Sozioökonomische Pfade, die ebenfalls durch ihre eigene PDF charakterisiert werden sollten. In dieser kurzen Mitteilung gehen wir nicht auf die Unsicherheit im Forcing F (Team et al., 2010) ein, sondern konzentrieren uns auf die Unsicherheiten, die sich allein aus den Eisschildmodellen ergeben.
Während die Interpretation von P(∆z|F) einfach ist, stellt seine genaue Konstruktion eine große wissenschaftliche Herausforderung dar. Der Standardansatz besteht darin, Computerprogramme laufen zu lassen, die mathematische Gleichungen annähernd lösen, die unser bestes Verständnis der Eisschildphysik beschreiben. Im besten Fall, wenn alle Facetten eines physikalischen Systems bekannt sind (einschließlich der Anfangs- und Randbedingungen), die Gleichungen, die diese Systeme beschreiben, vollständig und deterministisch sind und der Mechanismus der Lösung perfekt ist, dann kann die Unsicherheit in den Verteilungszusammenbrüchen und dem Beitrag zum Meeresspiegel, P(∆z|F), mit einem einzigen Modelllauf charakterisiert werden. In der Praxis verkomplizieren verschiedene Arten von Unsicherheiten das Problem und führen zu Verzerrungen und Varianz in den Vorhersagen. Im Folgenden werden diese verschiedenen Kategorien von Unsicherheiten im Zusammenhang mit dem Problem des Meeresspiegelbeitrags diskutiert.

Modellunsicherheit

Die Gleichungen, die zur Beschreibung der physikalischen Prozesse in Modellen verwendet werden, sind immer eine Idealisierung der Realität. In der Tat unterliegen alle Modelle einem gewissen Grad an Modellfehlern; einige physikalische Prozesse werden unvollständig dargestellt, während andere gänzlich weggelassen werden. So werden z. B. die Auswirkungen der subglazialen Hydrologie auf die Basalbewegung (z. B. Bueler und van Pelt, 2015) oder die Auswirkung der Eismelange (Amundson und Truffer, 2010; Joughin et al., 2020) und des Eisbergkalbens (Amaral et al., 2020) auf die Terminusposition in numerischen Eisschildmodellen nur unzureichend dargestellt, was zu einer potenziell großen Modellunsicherheit führt (manchmal auch als strukturelle Unsicherheit bezeichnet). Andererseits führt das Weglassen von Reibungsspannungen durch Wind über einer Eisschildoberfläche zu einem fehlerhaften Modell, wobei der resultierende Fehler vernachlässigbar ist. Leider ist die Bewertung der nicht zu vernachlässigenden Faktoren für die Unzulänglichkeit des Modells ein langer und mühsamer Prozess. Die verschiedenen Entscheidungen, die Modellierer in dieser Hinsicht treffen, führen zu einer implizit definierten Wahrscheinlichkeitsverteilung P(M), wobei ein bestimmtes Modell M eine Zufallsstichprobe aus dieser Verteilung ist.

Ein solcher Modellfehler wirkt sich auf die Verteilung über den Meeresspiegelbeitrag aus, da die Monte-Carlo-Approximation dieses Integrals außerordentlich anspruchsvoll ist, weil die Ziehung einer einzigen Stichprobe aus P(M) die Entwicklung eines neuen und (angeblich) unabhängigen Eisschildmodells erfordert, ein Aufwand, der Jahre dauern kann. Da jedoch viele Eisschildmodelle parallel entwickelt wurden, ist es jetzt möglich, durch Modellvergleiche wie ISMIP6 und CMIP6 zu versuchen, die obige Verteilung anzunähern.

Unsicherheit des Anfangszustands

Vorhersagen des Verhaltens von Eisschilden auf der Dekaden- bis Jahrhundertskala sind empfindlich gegenüber dem Anfangszustand, ähnlich wie bei numerischen Wettervorhersagen (Vaughan und Arthern, 2007; Aschwanden et al., 2013; Aðalgeirsdóttir et al., 2014). Leider reichen Beobachtungen allein nicht aus, um einen Anfangszustand (Satz aller Anfangsbedingungen) zu definieren, was die Verwendung von Datenassimilation erforderlich macht, um spärliche Beobachtungsdaten mit Modellen unterschiedlicher Komplexität zu kombinieren.
Ähnlich wie die Modellunsicherheit wirkt sich die Unsicherheit des Anfangszustands I auf die Verteilung über den Beitrag zum Meeresspiegel aus, wobei I ein Anfangszustand ist.

Die Details variieren von Modell zu Modell, beinhalten aber im Allgemeinen Anfangsbedingungen für die Erhaltung der Masse (Eisdicke und -ausdehnung), des Impulses (Basalspannungsverteilung) und der Energie (Temperatur oder Enthalpie).

Parametrische Unsicherheit

Aufgrund von rechnerischen und konzeptionellen Einschränkungen gibt es Grenzen für den Detaillierungsgrad, mit dem Prozesse in Eisschildmodellen simuliert werden können, die den Beitrag zum Meeresspiegel vorhersagen. Beispielsweise sind die Bruchprozesse, die an der Kalbungsfront eines marinen Eisschildes auftreten, komplexer, als sie vernünftig erfasst werden können. Daraus ergeben sich die Parameter k = {k1,…, kN }, wobei N die Anzahl der Parameter ist. Bei diesen Parametern handelt es sich um explizite numerische Werte, die als Brücke zwischen nicht simulierten kleinräumigen Prozessen und ihren integrierten Effekten auf einer praktischen Berechnungsskala dienen. Leider gibt es im Allgemeinen keine genauen numerischen Werte für solche Parameter. Dieser Mangel an Wissen führt zu parametrischer Unsicherheit, z.B. können unterschiedliche Werte der Wärmeleitfähigkeit im Firn zu unterschiedlichen Vorhersagen des Meeresspiegelbeitrags unter parametrischer Unsicherheit führen, wobei P(k) die Wahrscheinlichkeitsverteilung über die Parameterwerte eines gegebenen Modells ist, die wir als unabhängig vom Szenario annehmen. Aschwanden et al. (2019) bewerten die obige Gleichung näherungsweise mit Hilfe von Monte-Carlo-Simulationen, was rechnerisch anspruchsvoll, aber konzeptionell einfach ist: Ziehen Sie eine große Anzahl von Parameterwerten aus P(k) und berechnen Sie den Beitrag zum Meeresspiegel für jede Probe.

Aleatorische Unsicherheit

Eisschildmodelle sind zusätzlich mit einer aleatorischen Unsicherheit behaftet, d.h. sie unterliegen irreduzibel zufälligen Prozessen, insbesondere der chaotischen Dynamik, die sowohl in den atmosphärischen als auch in den ozeanischen Antriebskräften vorhanden ist. Die Vorhersageverteilung unter dieser Art von Unsicherheit kann wie folgt zerlegt werden: f repräsentiert eine spezifische Realisierung eines zufälligen Antriebs und P(f|F) ist die Wahrscheinlichkeitsverteilung unter Szenario F. Aufgrund der relativ langsamen Reaktionszeit der Kryosphäre auf solche Antriebe trägt die aleatorische Unsicherheit oft nur wenig zur Varianz der Vorhersage des Meeresspiegelbeitrags über praktische Zeitskalen von Jahrzehnten bis Jahrhunderten bei. Wenn diese Einflüsse jedoch mit einer kritischen glaziologischen Instabilität wie der Marine Ice Sheet Instability (Mercer, 1978) interagieren, hat die aleatorische Unsicherheit die Tendenz, einen “fetten Schweif” zu erzeugen, der die Eisschildentwicklung in Richtung extremerer Massenverlustszenarien verzerrt (Robel et al., 2019). Während nur wenige Studien die Verteilung über die Reaktionen der Eisschilde auf die aleatorische Unsicherheit charakterisiert haben und ihr Einfluss nicht genau bekannt ist, kann die Monte-Carlo-Simulation verwendet werden, um die Auswirkungen dieser Art von Unsicherheit zu verstehen, wenn mehrere Realisierungen der Antriebsfaktoren verfügbar sind.

Bewertung des ISMIP6-Ensembles durch die probabilistische Linse

Die Reaktion eines Eisschildes auf einen gegebenen Antrieb F kann mit Erdsystemmodellen direkt abgeschätzt werden. Gegenwärtig jedoch
Erdsystemmodelle mit eingebauten interaktiven Eisschilden stecken jedoch noch in den Kinderschuhen (Vizcaino, 2014) und sind noch nicht in der Lage, Eisschildprozesse wie z. B. die Migration der Grundlinie mit der notwendigen Auflösung aufzulösen, was Zwischenschritte erfordert. Ein gängiger Ansatz, der von Goelzer et al. (2020) verfolgt wird, beinhaltet allgemeine Zirkulationsmodelle, um zu berechnen, wie das globale Klima auf einen gegebenen Antrieb F reagiert, regionale Klimamodelle, um die globale Klimaantwort auf die Eisschild-Skala herunterzuskalieren, und Prozessmodelle und Parametrisierungen (z. B. Oberflächen-Energiebilanzmodelle, Kalbungsmodelle oder Frontalablation-Modelle), um eine Schnittstelle zu den Eisschildmodellen zu bilden.
Um die gewaltige Aufgabe der Abschätzung der Reaktion des Eisschildes auf verschiedene Antriebe zu einer überschaubaren Gemeinschaftsarbeit zu machen, war ein gewisses Maß an Standardisierung, Rationalisierung und Vereinfachung notwendig. Der ISMIP6-Lenkungsausschuss und seine Arbeitsgruppen bereiteten Datensätze vor, die von einzelnen Modellierungsgruppen verwendet werden konnten, einschließlich, aber nicht beschränkt auf die Vorbereitung ozeanischer (Slater et al., 2020) und atmosphärischer (Barthel et al., 2020) Randbedingungen. Um einer Vielzahl von Modellierungsgruppen die Teilnahme zu ermöglichen, mussten Zugeständnisse gemacht werden, was zu einem experimentellen Aufbau führte, der nicht immer die Fortschritte in der Modellierungspraxis seit dem Sea-level Response to Ice Sheet Evolution (SeaRISE Bindschadler et al., 2013; Nowicki et al., 2013) Projekt widerspiegelt, einschließlich Kalbung und Frontalablation. Diese praktischen Einschränkungen tragen zu einer unvollständigen Charakterisierung der Unsicherheiten bei. Hier betrachten wir die Unsicherheiten innerhalb des experimentellen Protokolls von Goelzer et al. (2020) durch den oben skizzierten probabilistischen Rahmen.

Unvollständige Berücksichtigung der Unsicherheit

ISMIP6 integriert über die Modellunsicherheiten, einschließlich der Modelle der Eisschilddynamik, der Oberflächenmassenbilanz und der Position der Eisfront. Die ISMIP6-Vorhersageverteilung integriert jedoch nicht über die Unsicherheit der Parameter. Jede Gruppe entschied sich für den besten Parametersatz für ihre Simulationen. Das bedeutet, dass jedes Modell eine Punktschätzung beisteuert, die aus einem einzigen “besten” Modelllauf zum größeren Ensemble besteht. Obwohl die Parameter, die zu diesem “besten” Lauf führen, oft sehr unsicher sind, wird diese Unsicherheit daher im Multi-Modell-Ensemble ignoriert, was zu einer unterschätzten Varianz führt. Obwohl es schwierig ist, das Ausmaß dieser Unterschätzung abzuschätzen, schlagen Aschwanden et al. (2019) vor, dass die parametrische Unsicherheit (Interquartilsbereich) im Jahr 2100 0,3 bzw. 12,9 cm SLE für RCP 2.6 bzw. 8.5 beträgt, was größer ist als die Modellunsicherheit, die von den ISMIP6-Experimenten vorgeschlagen wird (0,8 bzw. 3,4 cm SLE). Nimmt man die Schätzung von Aschwanden et al. (2019) für die parametrische Unsicherheit als vernünftig an, dann wird die Varianz in der Vorhersageverteilung von ISMIP6 in Bezug auf die 150 reale Varianz stark unterschätzt. Beim Vergleich von Modellvorhersagen mit Beobachtungen, wie in Abbildung 1, hat dies den Effekt, dass die Fehlanpassung zwischen modellierten Vorhersagen der Modellunsicherheit zugeschrieben wird, obwohl parametrische oder aleatorische Unsicherheit genauso wahrscheinlich der Schuldige sein kann.
Zusätzliche Unsicherheit ergibt sich aus den Anfangsbedingungen der Modelle. Eine Stärke des ISMIP6-Protokolls war die Unabhängigkeit der verschiedenen Modellierungsgruppen bei der Auswahl ihres Modellinitialisierungsprotokolls. Ein unbeabsichtigtes Ergebnis dieses Protokolls ist jedoch, dass die Simulationen jeder Modellgruppe mit einem deutlich unterschiedlichen Eisschild beginnen; zum Beispiel variierte die anfängliche Eisschildausdehnung zwischen den Modellen um bis zu 17% (Goelzer et al., 2020). Angesichts der starken Kontrolle der subglazialen Topographie über den Gletscherrückgang (Catania et al., 2018) ist es unwahrscheinlich, dass sich diese simulierten Eisschilde so verhalten, wie es der moderne grönländische Eisschild tut oder tun wird.

Eine verzerrte Stichprobe über Modelle

Die implizite Hypothese, die bei der Berücksichtigung von Modellfehlern mit einem Ensemble-Ansatz aufgestellt wird, ist, dass jedes Modell eine unabhängige Stichprobe aus P(M) ist, wobei der Modus von P(M) der wahre datenerzeugende Prozess (d. h. die Realität) ist. Die im Ensemble enthaltenen Modelle sind jedoch wahrscheinlich nicht unabhängig: Sie teilen viele kritische Merkmale wie numerische Methoden, Parametrisierungen und eine gemeinsame Nichtberücksichtigung von potenziell wichtigen physikalischen Prozessen, die noch nicht entdeckt worden sind. Wir weisen ausdrücklich darauf hin, dass dies keine methodische Kritik ist: Es handelt sich um eine Herausforderung, die generell in der Wissenschaft besteht, wobei analoge Situationen die bei der Klimamodellierung auftreten (Qian et al., 2016). Wir weisen auch darauf hin, dass solche Verzerrungen auch durch falsch spezifizierte Verteilungen von Parametern und Antriebskräften entstehen können. Nichtsdestotrotz bleibt die Herausforderung real, ebenso wie ihre potenzielle Auswirkung auf die Genauigkeit und Unsicherheit von Meeresspiegelanstiegsprojektionen. Wie in Abbildung 1 gezeigt, sind die Ensemble-Vorhersagen relativ zu den gegenwärtigen Beobachtungen des Massenverlustes stark verzerrt. Während eine genaue Reproduktion der beobachteten Massenänderung nicht das Ziel von Goelzer et al. (2020) war, war es eine glaubwürdige Projektion der zukünftigen Massenänderung. Es gibt keinen Grund zu glauben, dass das Ensemble in seinen zukünftigen Vorhersagen nicht verzerrt bleibt.

Ein Weg nach vorn

Obwohl wir die Ergebnisse von ISMIP6 und der nachgelagerten Analyse nicht für geeignet halten, um sie als Konsensschätzung für den Beitrag der Eisschilde zum Meeresspiegel im nächsten Jahrhundert zu verwenden, bleibt es eine leistungsfähige Blaupause für die kollaborativen Bemühungen, die die Eisschild-Modellierungsgemeinschaft zu erreichen vermag. Aufbauend auf dem Multi-Modell-Ensembling-Ansatz von ISMIP6 bieten wir im Folgenden Vorschläge an, wie man Unsicherheiten noch vollständiger berücksichtigen kann.

Berücksichtigung aller Quellen der Unsicherheit

Während Modellierungsbemühungen aleatorische (Robel et al., 2019), parametrische (Aschwanden et al., 2019), Anfangszustands- (Aðalgeirsdóttir et al., 2014) und Modellunsicherheiten (Goelzer et al., 2020) unabhängig voneinander erfasst haben, muss eine effektive Projektion des Beitrags der Eisschilde zum Meeresspiegel dies gleichzeitig durch annähernde Berechnungen tun.

Um dies zu erreichen, stellen wir uns ein Multi-Modell-Ensemble vor, das dem ISMIP6-Ensemble ähnlich ist, wobei jedoch jedes Modell ein Ensemble von Simulationen mit zufälligen Parameterwerten beisteuert, die aus Konsensschätzungen der Unsicherheiten im Zusammenhang mit der parametrisch definierten Physik stammen (vgl. Aschwanden et al., 2019), und mit zufälligen Klima- und Ozeanantrieben, die in Zusammenarbeit mit den jeweiligen Modellierungsgemeinschaften entwickelt wurden (vgl. Robel et al., 2019). Wir gehen davon aus, dass eine solche Anstrengung eine Verteilung der Meeresspiegelprojektionen ergeben wird, die viel breiter und damit unsicherer ist als die, die in den jüngsten Meeresspiegelanstiegsprojektionen (IPCC, 2019) dargestellt wird. Wir sind jedoch der Meinung, dass unsere Gemeinschaft nur durch die Modellierung dessen, was als “unwahrscheinliche” Projektionen angesehen werden kann, die a priori Varianz in den Projektionen der numerischen Eisschildmodelle genau quantifizieren kann.

Konditionierung von Simulationen auf Beobachtungen

Während die Berücksichtigung aller Unsicherheitsquellen zu einer Prioritätsverteilung über Modellprojektionen führt, die die aktuellen Grenzen unseres wissenschaftlichen Verständnisses angemessen berücksichtigt, wird dadurch das Problem der inhärenten Verzerrungen in den erfassten Antriebsfaktoren, Parametern und Modellen nicht gemildert. Wissenschaftler können der projizierten Verteilung Spezifität und Wert hinzufügen, indem sie zusätzliche Informationen nutzen, wie z. B. die in Abbildung 1 dargestellten Beobachtungen. Um beide Probleme gleichzeitig anzugehen, plädieren wir dafür, Ensemble-Vorhersagen auf relevante Beobachtungen zu konditionieren. Eine Möglichkeit, dies zu tun, ist das Bayes’sche Theorem (oft Bayes’sche Kalibrierung genannt), das besagt, dass, wenn O ein Satz von Beobachtungen ist, P(O|∆z,F) die Wahrscheinlichkeit ist, dass eine Simulation, die mit der Vorhersage des Meeresspiegelbeitrags ∆z verbunden ist, mit den Beobachtungen übereinstimmt, und P(∆z|F,O) die posteriore Vorhersageverteilung des Meeresspiegels ist, die man sich als das vorherige Ensemble (Gl. 6), gefiltert durch relevante Daten, vorstellen kann.
Alle Eisschildmodelle führen diese Kalibrierung bereits für bestimmte Teilmengen verfügbarer Beobachtungen durch, z. B. durch Kalibrierung der basalen Traktion oder anderer Parameter, um beobachtete Oberflächengeschwindigkeiten oder Eisgeometrien innerhalb der Beobachtungsunsicherheit zu erhalten. Im Wesentlichen plädieren wir dafür, dass die bestehende Kalibrierung für parametrische Unsicherheiten aus dem Zuständigkeitsbereich einzelner Modelle herausgenommen und zu einem expliziten Schritt bei der Bewertung von Eismodell-Ensembles wird.
Für die Zwecke der Projektion von Eismassenänderungen argumentieren wir, dass die wichtigsten Beobachtungen, auf denen die Prioritätsverteilung basieren sollte, die Messungen der Massenänderungen selbst sind (Aschwanden et al., 2013; ðalgeirsdóttir et al., 2014). Die Konditionierung auf Beobachtungen erfordert auch eine sorgfältige Berücksichtigung der komplizierten Beziehung zwischen den Zeitskalen der Variabilität in der Modellphysik, den Antrieben und der Beobachtungsunsicherheit; die geeignete Zeitskala, über die die Simulationen eine Übereinstimmung mit den Beobachtungen zeigen müssen, ist (noch) nicht bekannt. Je weiter man in der Zeit zurückgeht, desto spärlicher werden die räumlichen und zeitlichen Beobachtungen, und desto größer sind die damit verbundenen Unsicherheiten. Nichtsdestotrotz sind jetzt zuverlässige Beobachtungen von Massenveränderungen auf der dekadischen Zeitskala verfügbar (siehe Abbildung 1), was die Wahrscheinlichkeit verringert, dass Modelle fälschlicherweise an kurzfristige Schwankungen der Wetter- und Ozeanbedingungen angepasst werden. Glücklicherweise wächst der Datensatz an detaillierten, genauen Beobachtungen kontinuierlich und wird bald eine Klimatologie (30 Jahre) umfassen.
Indem man die große Bandbreite potenzieller a priori Unsicherheiten in Modellprojektionen berücksichtigt und dann nur denjenigen Modellen Vorhersagekraft zuschreibt, die ihre Fähigkeit zur Reproduktion von Beobachtungen unter Beweis stellen, ist der Weg zu realistischen Verteilungen des Meeresspiegelbeitrags im nächsten Jahrhundert zum Greifen nahe. Ohne eine große, aber realistische Streuung der Modellergebnisse könnte es durchaus möglich sein, dass nach der Anpassung an die Beobachtungen eine unzureichende Anzahl von Modellen übrig bleibt.

Komplementäre Bemühungen

Projektionen, die mit numerischen “High-Fidelity”-Modellen erstellt werden, sind rechenintensiv und die Erstellung von Ensemblesimulationen ausreichender Größe ist durch die Verfügbarkeit von Rechenressourcen begrenzt. Das Training von Ersatzmodellen (“Emulatoren”) mit der Ausgabe der High-Fidelity-Modelle kann helfen, die Wahrscheinlichkeitsverteilungsfunktionen des Meeresspiegelbeitrags besser zu charakterisieren.
Es ist erwähnenswert, dass jüngste Bemühungen ISMIP6 als Basis für weitere Analysen verwendet haben, insbesondere durch das Training eines Surrogatmodells auf dem ISMIP6- und GlacierMIP-Output, das effektiv als Interpolant fungiert ( Edwards et al., 2021). Während dieser Interpolant ein effektives Werkzeug ist, um die prädiktive Verteilung des Meeresspiegelbeitrags als Funktion der Zeit und des Klimaszenarios, wie sie von ISMIP6 quantifiziert wird, zu ermitteln, erbt er die gleichen Herausforderungen wie sein Vorgänger, nämlich das Fehlen der Berücksichtigung aller Arten von Unsicherheit und eines Mechanismus zur Korrektur von Verzerrungen.
Moderne Methoden des maschinellen Lernens sind vielversprechend, um etablierte numerische Forschungswerkzeuge in der Erdsystemwissenschaft im Allgemeinen und der Eisschildmodellierung im Besonderen zu ergänzen (Reichstein et al., 2019; Edwards et al., 2019; Brinkerhoff et al., 2021; Edwards et al., 2021; Jouvet et al., 2021). Wenn numerische und statistische Modelle sorgfältig und geschickt mit strukturiertem Expertenurteil gepaart werden (Bamber et al., 2019), sind glaubwürdige Projektionen des Beitrags der Eisschilde zum Meeresspiegel in Reichweite.

Die Herausforderung annehmen

Die potenziellen wirtschaftlichen Auswirkungen des steigenden Meeresspiegels wurden auf über eine Billion US$ geschätzt (Diaz und Moore, 2017). In ähnlicher Weise erwägt die US-Regierung, Billionen von US$ zu investieren, um sich auf den weiteren Klimawandel vorzubereiten und ihn abzuwenden (Blumer, 2020), während andere große Volkswirtschaften der Welt ähnliche Verpflichtungen in Betracht ziehen. Im Gegensatz zu diesen schwindelerregenden Zahlen bleibt die aktuelle Finanzierung für die Forschung im Zusammenhang mit dem Anstieg des Meeresspiegels dürftig. Im Jahr 2019 hat die U.S. National Science Foundation 123 Mio. $ für die vom Office of Polar Programs finanzierte Forschung bereitgestellt (National Science Foundation, 2021), von denen nur ein kleiner Teil die Projektion des Meeresspiegelanstiegs unterstützt. Während einer ISMIP6-Planung im September 2018 wurden die teilnehmenden Modellierungsgruppen befragt, wie viele Simulationen sie zur Unterstützung der Projektion des Beitrags der Eisschilde zum Meeresspiegelanstieg durchführen könnten. Mehrere Gruppen, von denen keine eine Finanzierung zur Unterstützung dieser Simulationen erhielt, schätzten, dass sie 5-10 Simulationen im Rahmen ihrer bestehenden Verpflichtungen durchführen könnten. Diese Bemühungen sind stark unterfinanziert, um ihre Aufgabe zu erfüllen, und dennoch hängen Millionen von Leben und Billionen von Dollars von einer genauen, zuverlässigen Antwort ab.
Es ist unverantwortlich, dass die einzige wissenschaftliche Grundlage für den Beitrag der Eisschilde zum Meeresspiegel aus einer im Wesentlichen ehrenamtlichen Arbeit stammt. Angesichts der mangelnden Investitionen ist es kein Wunder, dass die Validierung der Massenänderung der Eisschilde so stark von den Beobachtungen abweicht (Abb. 1). Wir brauchen dringend zuverlässigere Abschätzungen der potenziellen Auswirkungen des Meeresspiegelanstiegs, was eine bewusste Bemühung um die Quantifizierung und anschließende systematische Reduzierung der Unsicherheiten einschließt. Die Modellierung von Eisschilden hat sich, wie die Klimamodellierung vor ihr, aus den Bemühungen um die Beantwortung grundlegender wissenschaftlicher Fragen entwickelt. Trotz großer Fortschritte bei den Fähigkeiten von Eisschildmodellen und der zunehmenden Wertschätzung für die Bedeutung ihrer Projektionen ist das Finanzierungsmodell mit bescheidenen Zuschüssen für wissenschaftliche Grundlagenforschung und inkrementeller Modellentwicklung auf dem Weg dahin unverändert geblieben. Internationale Regierungen unterstützen direkt die Entwicklung, Wartung und den Betrieb der Erdsystemmodelle, die als Grundlage für CMIP6 dienen (Eyring et al., 2016), und diese finanzielle Unterstützung hat zu einer Reihe von Modellen beigetragen, die nun überzeugend die beobachtete Klimavariabilität reproduzieren (Jones et al., 2013). Es ist an der Zeit, die Modellierung von Eisschilden in ähnlicher Weise auf ein operationelles Niveau zu bringen und sie mit der Finanzierung zu unterstützen, die das Problem verdient.
Die ehrgeizige Charakterisierung von Unsicherheiten und Ensemble-Konditionierung, die wir vorschlagen, erfordert eine massive internationale und behördenübergreifende Anstrengung sowohl bei der Modellentwicklung als auch bei verbesserten Beobachtungsmöglichkeiten. Ähnlich wie amerikanische Forscher, die Feldarbeit in der Antarktis durchführen, im Jahr 2019 von $292 Mio. an Investitionen in professionelle Einrichtungen und operative und logistische Unterstützung profitierten (National Science Foundation, 2021), fordern wir professionelle Unterstützung für die weitgehend kom255 putationalen Bemühungen zur Meeresspiegelprojektion. Diese Ressourcen, in Form von engagierten Entwicklern und Hochleistungsrechenzeit, werden die Wissenschaftler entlasten, um die Grundlagenforschung fortzusetzen, während die globale Gemeinschaft die angewandte Wissenschaft (d.h. zuverlässige Meeresspiegelprojektionen) erhält, die sie benötigt.

Die letzten zwei Jahrzehnte haben gezeigt, dass Eisschilde viel schneller auf das Klima reagieren als bisher angenommen (Zwally et al., 2002; Rignot und Kanagaratnam, 2006; Joughin et al., 2014). Die Untersuchung von Gletschern und Eisschilden hat sich von einer wissenschaftlichen Randerscheinung zu einer zentralen Frage von großer weltwirtschaftlicher Bedeutung entwickelt. Als Reaktion auf COVID-19 flossen 18 Milliarden US$ von der US-Regierung zur Finanzierung der Impfstoffentwicklung ( Tozzi et al., 2020). Eine angemessene Mittelausstattung ist möglich. Die aufkommende Bedrohung durch den Meeresspiegelanstieg ist zwar weniger abrupt als die von COVID-19, aber es sind ähnlich ernsthafte Anstrengungen erforderlich, um die Unsicherheiten bei den Meeresspiegelprognosen zu verringern.

Datenverfügbarkeit

Wir haben die von ISMIP6 erstellten skalaren Zeitreihen für den grönländischen Eisschild von Zenodo mit digitalem Objektidentifikator von https://doi.org/10.5281/zenodo.3939037 heruntergeladen (letzter Zugriff: November 2020). Die Daten sind aufgeteilt in einen historischen Zeitraum (vor 2015) und den Projektionszeitraum (2015-2100). Die Wahl des Startdatums der historischen Simulation wurde den einzelnen Modellierungsgruppen überlassen und reicht von 1961 bis 2008. Daher haben wir für unsere Analyse nur historische Simulationen aus den Jahren 2008-2014 und Projektionen aus den Jahren 2015-2020 verwendet, was insgesamt 20 einzigartige historische Simulationen und 165 Projektionen ergibt. Für die Projektionen haben wir die Version verwendet, bei der die Kontrollsimulation entfernt wurde (H. Goelzer, pers. Mitt., November 2020).
Die Entfernung der Kontrollsimulation dient dazu, die nicht erzwungene Modelldrift und den Massenverlust zu berücksichtigen, der durch die nicht-gleichgewichtigen Eisschildbedingungen zu Beginn der Simulationen verursacht wurde. Der festgelegte Meeresspiegelanstieg wird schätzungsweise 6 mm zum simulierten Meeresspiegelanstieg bis zum Jahr 2100 beitragen (Price et al., 2011; Goelzer et al., 2020) und hat daher nur einen geringen Einfluss auf die geringe Verzerrung des jüngsten, simulierten Massenverlustes.
Für die Beobachtungen verwendeten wir die folgenden Datensätze: den Massenverlust aus GRACE und GRACE-FO JPL RL06Mv2 Mascon Solution von 2002 bis 2020 (Wiese et al., 2020), eine Rekonstruktion basierend auf einer umfassenden Erhebung von Dicke, Oberflächenhöhe, Geschwindigkeit und Oberflächenmassenbilanz von 1972 bis 2018 Mouginot et al. (2019) und eine Konsensschätzung mit mehreren Methoden (The IMBIE Team, 2019).
Die Analyse wurde mithilfe eines Jupyter-Notebooks durchgeführt, das unter https://github.com/aaschwanden/ismip6-ipcc verfügbar ist.