Traduzido do Inglês para o Português - www.onlinedoctranslator.

com

1JULY2015 S ANDE RS NA ETAL . 5171

Uma democracia representativa para reduzir a interdependência em um conjunto multimodelo

BENJAMINEMANDERSON
Centro Nacional de Pesquisa Atmosférica,* Boulder, Colorado

RETOKNUTTI
Institute for Atmospheric and Climate Science, ETH, Zurique, Suíça

PÉTERCALDWELL
Laboratório Nacional Lawrence Livermore, Livermore, Califórnia

(Manuscrito recebido em 22 de maio de 2014, na forma final em 6 de março de 2015)

ABSTRATO

A coleção de modelos do sistema terrestre disponíveis no arquivo da fase 5 do CMIP (CMIP5)

representa, pelo menos até certo ponto, uma amostra de incerteza da evolução climática futura. A
presença de código duplicado, bem como dados compartilhados de força e validação nos vários modelos
no arquivo, levanta pelo menos três problemas potenciais: vieses na média e na variância, a
superestimação do tamanho da amostra e o potencial de correlações espúrias surgirem no arquivar
devido à replicação do modelo. Evidências analíticas são apresentadas para demonstrar que a
distribuição de modelos no arquivo CMIP5 não é consistente com uma amostra aleatória, e um esquema
de ponderação é proposto para reduzir alguns aspectos da codependência de modelos no ensemble. Um
método é proposto para selecionar diversos e hábeis subconjuntos de modelos no arquivo,

1. Introdução
Os modelos atuais do sistema terrestre (ESMs) são um grande
testemunho do pensamento científico colaborativo. Milhões de
linhas de código de computador representam o ápice da
compreensão das intrincadas interações acopladas dos sistemas
terrestres, oceanos, criosfera e atmosfera. Ao contrário dos
modelos atmosféricos mais simples do passado, poucas pessoas
(se houver) agora entendem os modelos em sua totalidade e,
portanto, os próprios modelos tornaram-se veículos de um
consenso científico que usamos para
Indica conteúdo de Acesso Aberto.
* O Centro Nacional de Pesquisa Atmosférica é patrocinado
pela National Science Foundation.
Endereço do autor correspondente:Benjamin Sanderson, Centro
Nacional de Pesquisa Atmosférica, 1850 Mesa Mesa Dr., Boulder, CO
80305.
E-mail: bsander@ucar.edu
projetam climas futuros e não podem ser validados diretamente nas
próximas décadas. Para algumas partes, como a representação das
equações de fluxo de fluido, o entendimento é maduro e, portanto,
(relativamente) incontroverso. No entanto, outros componentes,
como o efeito de uma mudança climática na dinâmica do
ecossistema, são suficientemente complexos para que qualquer
código computacional inevitavelmente faça aproximações
significativas para representar o comportamento geral do sistema de
qualquer maneira tratável.
Um determinado modelo é, portanto, mais do que um
programa de computador; é uma coleção de axiomas e crenças
sobre quais processos podem ser importantes para avaliar como
nosso ambiente pode mudar e como esses processos devem ser
representados e, como tal, cada modelo é uma entidade
autoconsistente. O desafio surge, no entanto, quando se deseja
combinar os resultados de muitos modelos para obter uma
compreensão mais abrangente das incertezas presentes em sua
implementação individual. Dado um conjunto de modelos do
sistema climático, avaliar o valor de adicionar outro modelo
requer claramente uma consideração sobre se o modelo é
adequado para o propósito (por exemplo, a validade de seus
axiomas, dados forçados e

DOI: 10.1175/JCLI-D-14-00362.1

- 2015 Sociedade Meteorológica Americana

Não autenticado | Transferido em 22/03/11 14:54 UTC
5172 DIÁRIO DE CLI MAT E
protocolos de sintonia). Também argumentaríamos que é
importante avaliar se o modelo fornece novas informações: para
medir o quão independente o novo modelo é daqueles do
conjunto original. Em um caso extremo, adicionar uma duplicata
exata de um modelo já no conjunto não agregaria valor; em vez
disso, influenciaria qualquer combinação de resultados do
modelo para os resultados do modelo duplicado (Caldwell et ai.
2014).
Fase 5 do Projeto de Intercomparação de Modelos
Acoplados (CMIP5;Taylor et ai. 2012) é o maior arquivo de
dados climáticos que o mundo viu até hoje. Esses conjuntos
multimodelo (MMEs) têm sido muitas vezes referidos como
"conjuntos de oportunidade" (Tebaldi e Knutti 2007) porque
a gama de modelos representa uma amostra das escolhas
sistemáticas que os desenvolvedores enfrentam ao
representar o sistema climático na forma de código de
computador. No entanto, como já foi referido (Knutti 2010),
esta amostra está longe de ser perfeita.
Primeiro, os modelos disponíveis podem variar em sua capacidade
de resolver certos processos que podem ser observados no sistema
terrestre. Para qualquer processo, um pesquisador pode encontrar
observações relevantes para classificar modelos para seus
propósitos, mas a saída dos ESMs é dimensionalmente alta o
suficiente para que seja improvável que qualquer classificação seja
universal.Santer et ai. 2009). Ao contrário dos modelos de previsão
do tempo, os ESMs raramente podem ser validados fora da amostra
e, portanto, existe o risco de que os componentes empíricos dos
ESMs possam ser calibrados usando as únicas observações
disponíveis; embora esta possa ser uma abordagem pragmática,
deixa poucas oportunidades para avaliar e contrastar o desempenho
do modelo (Sanderson e Knutti 2012).
Um segundo problema reside na falta de independência dos
modelos, onde a independência não é entendida em um sentido
estatístico, mas em um sentido mais amplo de modelos
compartilhando ideias para parametrizações e simplificações ou
compartilhando código de computador real e, portanto, sendo
tendenciosos de maneiras semelhantes em relação à realidade. . No
momento da escrita, 61 modelos estão listados no banco de dados
Earth System Grid. Isso não significa necessariamente que cada um
desses modelos forneça uma estimativa independente das mudanças
climáticas futuras. De fato, algumas dessas codependências são
triviais e podem ser explicadas considerando modelos apresentados
com diferentes resoluções (por exemplo, MPI-ESM-MR e MPI-ESM-LR;
verKnutti et ai. 2013). A maioria das instituições também produz
variantes de modelo com uma variedade de configurações
diferentes, com opções para química atmosférica interativa ou ciclo
do carbono (por exemplo, CMCC-CESM e CMCC-CM). Finalmente,
diferentes instituições podem compartilhar componentes do modelo:
por exemplo, o modelo FIO-ESM compartilha seu código de
atmosfera, oceano, gelo marinho e superfície terrestre com o CCSM4,
mas adiciona uma parametrização de ondas oceânicas de superfície.
A replicação de submodelos é comum em todo o ensemble: por
exemplo, nos modelos considerados para
VOLUME28
deste estudo, mais de 25% usam alguma variante do Modelo de
Atmosfera Comunitária (CAM3, CAM3.5, CAM4 ou CAM5) para
representar processos atmosféricos. O GFDL Modular Ocean
Model é igualmente popular (MOM2.2, MOM4.0 e MOM4.1).
tabela 1mostra uma ampla ilustração dos componentes do
modelo compartilhado nos modelos CMIP5 considerados para
este estudo.
Essa extensa replicação de modelos no CMIP5 e seus
predecessores não é um problema em si; na verdade, parece
natural copiar peças bem-sucedidas e desenvolver o
trabalho de outras, e requer um esforço enorme para
desenvolver componentes de modelo inteiramente novos.
Assim, cada instituição, compreensivelmente, concentra-se
em certos aspectos, mas copia outros componentes. No
entanto, a replicação do modelo apresenta vários problemas
para a análise do conjunto de modelos. A primeira é
simplesmente uma questão de representação: os relatórios
de avaliação do Painel Intergovernamental sobre Mudanças
Climáticas (IPCC) muitas vezes usaram a média multimodelo
dos conjuntos CMIP para representar uma visão consensual
de projeções de modelos de clima futuro, mas claramente
essa média será tendenciosa para modelos que são
altamente replicados dentro do conjunto. De forma similar,
Tebaldi et ai. 2011;Knutti e Seduma-ce 2013), mas, se os
modelos forem altamente replicados dentro do ensemble,
tal concordância torna-se menos significativa.
Outra questão reside no possível efeito de modelos
replicados em estudos que tentam restringir aspectos das
mudanças climáticas futuras. Se um pesquisador descobre
uma correlação entre uma quantidade observável e algum
parâmetro climático desconhecido em um conjunto
multimodelo (por exemplo,Fasullo e Trenberth 2012;Qu e
Hall 2013), a significância estatística dessa correlação seria
inflada se alguns pontos fossem repetidos. Este argumento
é desenvolvido emCaldwell et ai. (2014), que mostram que,
embora uma abordagem de mineração de dados produza
correlações mais fortes entre sensibilidade climática e
campos potencialmente observáveis do que se esperaria
ver por acaso no CMIP5, isso pode ser atribuído em parte às
codependências do modelo.
Este é o segundo de uma série de artigos que examinam a
interdependência nos conjuntos do CMIP. DentroSanderson et ai.
(2015), desenvolvemos uma métrica de distância que permitiu que
modelos e observações fossem representados como pontos em um
espaço multidimensional. Em seguida, mostramos que as
propriedades do modelo podem ser interpoladas dentro desse
espaço, permitindo uma reamostragem das propriedades do modelo
de uma maneira menos sensível à replicação do modelo e levando
em consideração uma medida de desempenho na reprodução de
observações. No entanto, a abordagem de Sanderson et ai. (2015)
também é incapaz de fornecer variações espaciais e temporais
completas nas quantidades. Por exemplo,
Não autenticado | Transferido em 22/03/11 14:54 UTC
1JULY2015 S ANDE RS NA ETAL .
um agricultor pode não querer uma estimativa da mudança na
precipitação média, mas um conjunto de verões representativos com
informações espaciais e temporais completas e os dados correspondentes
de temperatura, sol e vento. Para esses casos, pode ser melhor usar a
saída do modelo bruto ou corrigido diretamente, mas isso requer a
seleção de um conjunto de modelos a serem usados.
Foi proposto anteriormente que subconjuntos de
conjuntos maiores podem produzir resultados
estatisticamente mais robustos; Evans et ai. (2013)
investigaram esse conceito usando subconjuntos de um
conjunto multifísico de modelos de previsão do tempo.
Talvez a abordagem mais simples para conseguir isso
seja usar um único modelo de cada instituição, mas há
vários problemas com isso. Em primeiro lugar, embora
muitas vezes haja semelhanças entre os modelos
publicados por instituições únicas, uma abordagem tão
grosseira eliminaria casos em que modelos
significativamente diferentes foram produzidos pelo
mesmo grupo. Há vários exemplos deste último caso: os
modelos GISS-E2, por exemplo, são publicados com dois
oceanos estruturalmente diferentes. Além disso, vários
grupos [National Science Foundation (NSF)–DOE–NCAR
(CESM), GFDL e Met Office (UKMO), entre outros]
publicam tanto um modelo “bleeding edge” quanto um
modelo legado para o arquivo, onde pode haver
mudanças estruturais significativas entre os
lançamentos.
Pode-se argumentar que muitos desses problemas podem ser
considerados por meio de uma consideração cuidadosa das
linhagens de modelos, documentando as parametrizações
básicas compartilhadas por diferentes modelos ou avaliando a
fração de código comum entre os diferentes modelos. Isso, no
entanto, seria um empreendimento considerável, e os
resultados exigiriam uma compreensão abrangente do código
de cada modelo. Em primeiro lugar, embora alguns modelos
documentem e publiquem sua base de código na íntegra antes
de enviar as simulações ao arquivo do CMIP, essa prática está
longe de ser universal. Um modelo poderia, em teoria, ser
definido resumindo as parametrizações, seus valores e outras
suposições estruturais que foram empregadas nesse modelo,
mas avaliar a importância relativa de cada uma dessas
parametrizações em termos de climatologia do modelo ou
resposta a forçamentos externos exigiria uma boa intuição
prévia das relações entre as parametrizações e o processo a ser
estudado, o que pode ser possível em alguns, mas não
necessariamente em todos os casos. Essa abordagem
claramente valeria a pena e poderia ajudar muito na
interpretação das diferenças nas projeções das mudanças
climáticas, mas seria um empreendimento monumental.
Uma abordagem alternativa é utilizar a saída dos
próprios modelos para estabelecer codependências. Esta
abordagem foi demonstrada com alguma promessa por
5173
Masson e Knutti (2011,2013), que usou distâncias intermodelo
derivadas de padrões espaciais de temperatura climatológica e
precipitação para estabelecer um agrupamento hierárquico de
modelos que se assemelha a uma árvore mostrando relações
estruturais que se poderia esperar ao considerar linhagens de
modelos. Conforme observado emMasson e Knutti (2011)e
Sanderson et ai. (2015), a distribuição das distâncias
intermodelos mostra uma estrutura reconhecível, com modelos
da mesma instituição e modelos com herança comum
geralmente exibindo padrões semelhantes de viés de estado
médio. No entanto, os estudos mencionados não estabeleceram
nenhuma avaliação quantitativa da distância intermodelo, que
tentamos abordar aqui.
Para tanto, formalizamos uma abordagem para usar informações
de similaridade de modelos para selecionar modelos com base em
sua habilidade e independência. Isso não elimina a interdependência
do modelo, mas nos permite selecionar um subconjunto de modelos
onde os exemplos mais evidentes de replicação de modelo não estão
mais presentes. Dentroseção 2a, estabelecemos um método para
identificar vizinhos próximos em um conjunto de modelos climáticos.
Dentroseção 2d, usamos informações de similaridade de modelo
para produzir um esquema de ponderação que leva em conta tanto a
habilidade do modelo quanto a interdependência do modelo.Seção
2emostra como esta estrutura pode ser usada para selecionar um
subconjunto de modelos de um arquivo de modelos climáticos.
Finalmente,seção 3bdemonstra este método usando o arquivo
multimodelo CMIP5.
2. Método
uma. Processando a saída do modelo
Neste estudo, como em nosso artigo que acompanha (
Sanderson et ai. 2015), produzimos uma matriz de distâncias
intermodelo em um espaço EOF derivado da produção
climatológica média de 30 anos da simulação histórica de
cada modelo realizada para CMIP5. Os detalhes da
construção da matriz de distâncias são idênticos aos de
Sanderson et ai. (2015). Usamos os experimentos históricos
e RCP8.5 e as simulações de membros do conjunto CMIP5
em cada caso. No caso especial do CCSM4, também
consideramos a sensibilidade da técnica à variabilidade
interna, repetindo a análise com todas as simulações
disponíveis no arquivo CMIP5 (por exemplo, r1i1p1, r1i2p1,
r1i2p2, r2i1p1, r3i1p1, r4i1p1, r5i1p1 e r6i1p1 para as
execuções históricas e r1i1p1, r2i1p1, r3i1p1, r4i1p1, r5i1p1
e r6i1p1 para as simulações RCP8.5).
Os dados de entrada para este estudo são processados e
usados para conduzir uma análise EOF de forma
semelhante a Sanderson et ai. (2015). Pequenas diferenças
nas distâncias intermodelos ocorrem porque o estudo
anterior considera os modelos CMIP3 e CMIP5, o que altera
ligeiramente a forma exata dos EOFs. Para cada modelo, um
Não autenticado | Transferido em 22/03/11 14:54 UTC
 TCAPAZ1. Componentes do submodelo para os 38 modelos CMIP5 considerados neste estudo. Expansões de acrônimos de modelo comum, componente de modelo e conjunto de dados estão disponíveis emhttp://www.
ametsoc.org/PubsAcronymList.
5174

Modelo Atmosfera Terra oceano Gelo Fonte

NemESM1-ME CAM4 CLM4 Coordenada Isopícnica de Miami CICE https://verc.enes.org/ISENES2/
Modelo Oceânico (MICOM)– models/earthsystem-models/
Modelo de Hamburgo do ncc/noresm
Ciclo do Carbono Oceânico
(HAMOCC)
NemESM1-M CAM4 CLM4 MICOM–HAMOCC CICE https://verc.enes.org/ISENES2/
models/earthsystem-models/
ncc/noresm
RM-CGCM3 MRI-AGCM3 HAL MRI-COM3 — http://www.mri-jma.go.jp/Publish/
Técnico/DADOS/VOL_64/
index_en.html
MPI-ESM-MR ECHAM6 JSBACH MPI-OM — http://www.mpimet.mpg.de/en/
science/models/mpi-esm.html
MPI-ESM-LR ECHAM6 JSBACH MPI-OM — https://verc.enes.org/models/
earthsystem-models/mpi-m/
mpi-esm
MIROC5 FRCGC-AGCM Mínimo Avançado COCO Bitz–Lipscomb Watanabe et ai. (2010)
Tratamentos de Superfície
Interação e
Escoamento (MATSIRO)
DIÁRIO DE CLI MAT E

MIROC-ESM-CHEM FRCGC-AGCM MATSIRO COCO Bitz–Lipscomb http://www.wcrp-climate.org/

wgcm/WGCM15/presentations/
21Oct/KIMOTO_Japan.pdf
MIROC-ESM FRCGC-AGCM MATSIRO COCO Bitz–Lipscomb http://www.wcrp-climate.org/
wgcm/WGCM15/presentations/
21Oct/KIMOTO_Japan.pdf
IPSL-CM5B-LR LMDZ (CM4) ORQUÍDEA NEMO-OPA NEMO-LIM http://icmc.ipsl.fr/index.php/
icmc-models/icmc-ipsl-cm5
IPSL-CM5A-MR LMDZ ORQUÍDEA NEMO-OPA NEMO-LIM http://icmc.ipsl.fr/index.php/
icmc-models/icmc-ipsl-cm5
IPSL-CM5A-LR LMDZ ORQUÍDEA NEMO-OPA NEMO-LIM http://icmc.ipsl.fr/index.php/
icmc-models/icmc-ipsl-cm5
INM-CM4.0 INM-CM INM-CM INM-CM INM-CM Volodin et al. (2010)
FGOALS-g2 Atmosférico do ponto de grade CLM3 LICOM2 CICE4 (LASG) Li et ai. (2013)
Modelo de IAP-LSAG,
versão 2.0 (GAMIL 2.0)
HadGEM2-ES HadGAM2 (N96L38) Representação de cima para baixo HadGOM2 — http://cms.ncas.ac.uk/wiki/UM/
de folhagem interativa Configurações/HadGEM2
e Flora Incluindo
Dinâmica
(TRIFIDE)
VOLUME28

Não autenticado | Transferido em 22/03/11 14:54 UTC

 TCAPAZ1. (Contínuo)

Modelo Atmosfera Terra oceano Gelo Fonte

1JULY2015

HadGEM2-CC HadGAM2(N96L60) TRIFFID HadGOM2 — http://cms.ncas.ac.uk/wiki/UM/

Configurações/HadGEM2
HadGEM2-AO HadGAM2 (N96L38) MOISÉS2 HadGOM2 — http://cms.ncas.ac.uk/wiki/UM/
Configurações/HadGEM2
GISS-E2-R GISS GISS modelo do oceano Russell modelo do oceano Russell http://data.giss.nasa.gov/modelE/
ar5/
GISS-E2-H GISS GISS HYCOM HYCOM http://data.giss.nasa.gov/modelE/
ar5/
GFDL-ESM2M GFDL AM2.1 LM3 MOM4.1 Simulador de gelo marinho (SIS) http://cms.ncas.ac.uk/wiki/UM/
Configurações/HadGEM2
GFDL-ESM2G GFDL AM2.1 LM3 OURO SIS http://www.gfdl.noaa.gov/earth-
modelo de sistema
GFDL CM3 GFDL AM3 LM3 MOM4.1 SIS http://www.gfdl.noaa.gov/earth-
modelo de sistema
FIO-ESM CAM3.5 CLM3 POP2 CICE4 http://www.wcrp-climate.org/wgcm/
WGCM15/presentations/21Oct/
WANG_WGCM.pdf
CanESM2 AGCM4 Superfície de terra canadense NCAR — Yang e Saenko (2012)
Esquema (CLASSE)
CSIRO Mk3.6.0 Gordon CSIRO Atmosfera–Biosfera MOM2.2 SIS Jeffrey et ai. (2013)
Troca de Terras (CABLE)
CNRM-CM5 ARPEGE-Clima ISBA NEMO-OPA Experimental global http://www.cnrm-game.fr/spip.php?
S ANDE RS NA ETAL .

Chumbos e gelo marinho artigo126&lang5pt

para atmosfera e oceano
(SORVETE)
CMCC-CMS ECHAM5 Superfície Interativa OPA8.2 LIM http://www.wcrp-climate.org/wgcm/
Vegetação terrestre WGCM16/Bellucci_CMCC.pdf
(SILVA)
CMCC-CM ECHAM5 SILVA OPA8.2 LIM http://www.cmcc.it/models/cmcc-cm
CMCC-CESM ECHAM5 SILVA OPA8.2 LIM http://www.cmcc.it/models/cmcc-cm
CESM1(CAM5) CAM5 CLM4 POP2 CICE4 https://www2.cesm.ucar.edu/models
CESM1 (BGC) CAM4 CLM4 POP2 CICE4 https://www2.cesm .ucar.edu/models
CCSM4 CAM4 CLM4 POP2 CICE4 https://www2.cesm.ucar.edu/models
BNU-ESM CAM3.5 CLM (BNU) MOM4.1 CICE4.1 http://www.wcrp-climate.org/wgcm/
WGCM15/presentations/21Oct/
WANG_WGCM.pdf
BCC_CSM1.1(m) BCC_AGCM2.1 CLM3 MOM4 SIS Wu et ai. (2014) Wu et al.
BCC_CSM1.1 BCC_AGCM2.1 CLM3 MOM4 GFDL SIS (2014) https://wiki.csiro.au/
ACESSO 1.3 UKMO GA1.0 CABO versão 1.8 MOM4.1 CICE4.1 display/
ACESSO/Início
ACESSO 1.0 HadGEM2 r1.1 MOISÉS MOM4.1 CICE4.1 http://www.cawcr.gov.au/
publicações/relatórios técnicos/
CTR_059.pdf
5175

Não autenticado | Transferido em 22/03/11 14:54 UTC

5176 DIÁRIO DE CLI MAT E
TCAPAZ2. Conjuntos de dados observacionais usados como observações ao longo do estudo.
Campo Fonte
TAS HadCRUT3
RP GPCP
RSUT CERES EBAF
RLUT CERES EBAF
T Sonda Infravermelha Atmosférica (AIRS)*
RH AIRS*
* Os dados usados neste esforço foram adquiridos como parte das atividades da Diretoria de Missões Científicas da NASA e são arquivados e
distribuídos pelo Centro de Serviços de Informações e Dados Goddard Earth Sciences (GES) (DISC).
número de variáveis diagnósticas quadriculadas mensais são
consideradas para representar a climatologia do modelo. Para
cada modelo disponível nos conjuntos CMIP3 e CMIP5, as
climatologias mensais são obtidas a partir de uma única
simulação histórica pela média dos campos médios mensais
para o período 1970-2000. Os dados são obtidos para cinco
campos bidimensionais [temperatura do ar de superfície (TAS),
precipitação total (PR), fluxo radiativo de ondas curtas de saída
no topo da atmosfera (RSUT), fluxo de saída no topo da
atmosfera de ondas longas (RLUT) e mar pressão de nível (PSL)]
e dois campos tridimensionais [temperatura atmosférica (T)e
umidade relativa (UR)]. Campos tridimensionais são calculados
por zona. As climatologias médias mensais observacionais
correspondentes são obtidas pela média dos anos disponíveis
para cada tipo de campo, conforme mostrado emmesa 2.
Os dados de cada modelo e conjunto de dados são regrididos
em um 2,58por 3,758grade de latitude-longitude e campos
verticais zonais são regrididos em uma grade de 2,58grade de
latitude em 17 níveis de pressão. Para cada variável, os valores
são ponderados por área. Os campos resolvidos verticalmente
também são ponderados pela diferença de pressão entre a parte
superior e inferior do nível correspondente. Para concatenar de
maneira útil o campo multivariado para análise EOF, as variáveis
devem ser normalizadas para cada uma para representar uma
quantidade semelhante de variância no conjunto multimodelo.
Normalizamos cada campo observável usando valores obtidos
das observações. Para campos bidimensionais, calculamos a
variância mensal das células da grade tropical e tomamos a
média sobre os trópicos para obter um único fator de
normalização para cada variável. Para campos tridimensionais,
tomamos a variância mensal de campos com média zonal nos
trópicos entre 700 e 400 hPa e então calculamos a média das
variâncias no domínio espacial para obter o fator de
normalização. Os fatores de normalização são calculados apenas
a partir das observações, e os campos de cada modelo são
divididos pelo mesmo fator (mostrado emmesa 2). Cada campo
é então reformulado em um único vetor. Se algum elemento do
vetor em qualquer modelo único ou nas observações estiver
faltando, esses elementos específicos serão removidos de todos
os modelos. Cada vetor de campo é
VOLUME28
Referência Anos Normalização global
Brohan et ai. (2006) 1970–2000 2,09K
Adler et al. (2003) 1979–2001 30,1Wm22
NASA (2011) 2000-05 25,8 Wm22
NASA (2011) 2000-05 3,32 milímetros dia21
Aumann et ai. (2003) 2002-10 0,28K
Aumann et al. (2003) 2002-10 12,12%
então normalizado pelo número de elementos restantes, e
os campos 2D e 3D são concatenados em um único
comprimento vetorialn (Onden5358 248 quando todos os
campos são utilizados). Cada um dosmvetores é combinado
para formar uma matrizX20c(Tamanhomporn,Ondemé 36,
compreendendo 36 vetores de modelo CMIP5). O valor
médio do conjunto é calculado pela média dosmlinhas da
matriz, e isso é subtraído de cada linha para produzir a
matriz de anomaliaDX20c, de tal modo que
DX20c5X20c2X20c. (1)
A análise também é repetida com vários subconjuntos
diferentes de todo o conjunto de variáveis. Nesses casos,
a matrizDX20cé formado usando apenas esse subconjunto
e a análise continua da mesma maneira.
O processo é repetido para produzir uma matriz
semelhante para representar a mudança climática entre a
simulação histórica (1970–2000) e a simulação RCP8.5 (2070–
2100). Nesta segunda análise, a anomalia entre os dois
períodos de 30 anos é tomada para formar a matriz DX21c. A
análise futura também é repetida com vários subconjuntos
diferentes de todo o conjunto de variáveis. Nesses casos, a
matrizDX21cé formado usando apenas esse subconjunto e a
análise continua da mesma maneira.
b. Análise do componente principal
Conduzimos uma análise de componentes principais na matriz
resultante formada pela combinação dos vetores climatológicos de
cada modelo participante, de modo que as cargas EOF definam umt-
espaço dimensional (ondeté o comprimento de truncamento da
análise de componentes principais) em que as distâncias euclidianas
intermodelo e observação-modelo podem ser definidas. O uso do
pré-filtro EOF combina campos que são trivialmente correlacionados
(ou seja, células de grade adjacentes) em um único modo. Os
resultados da análise mudam de maneira sutil com o comprimento
de truncamento, e discutimos essa sensibilidade mais adiante na
subseção emseção 3c, mas para a análise inicial usamos um
comprimento de truncamento det59. Esse comprimento de
truncamento fornece efetivamente graus de liberdade suficientes
para
Não autenticado | Transferido em 22/03/11 14:54 UTC
1JULY2015 S ANDE RS NA ETAL . 5177

representam algumas diferenças sutis entre modelos os dados são processados da mesma forma que para o
relacionados na métrica de distância resultante, mas não caso multimodelo para criar umnicpornmatriz,X20cice
tantas a ponto de introduzir ruído aleatório excessivo no X21c
ic. Em seguida, tomamos anomalias da média do conjunto

cálculo. CMIP5,
O PCA em qualquerDXpode ser realizado por decomposição
de valor singular e truncado paratmodos, tal que ic 5X20c
DX20c ic 2X20ce (8)

DX20c5você20ceu20c(V20c)T (2) ic 5X21c

DX21c ic 2X21c. (9)

para o caso atual (20c) e Estes também podem ser projetados emV20ceV20cformar
evocê21c
(ic)(Tamanhonicport).A distancia
(ic)
vetores de carregamentovocê20c

DX21c5você21ceu21c(V21c)T (3) entre os membros do conjunto de condições iniciais podem ser

calculados como antes para o caso multimodelo.
para o caso futuro (21c). ovocê20cevocê21c(tamanhomport) são
matrizes de carregamentos de modelo,V20ceV21c(tamanhonpor c. Formando conjuntos aleatórios
t)são padrões espaciais de variabilidade do conjunto, eeu20c Para comparar as distâncias entre modelos no arquivo CMIP5
eeu21c(tamanhotport)são matrizes diagonais que com as distâncias esperadas ao acaso, criamos um conjunto de
representam as variâncias associadas a cada modo. 105matrizes de dados aleatórios com as mesmas dimensões que
As distâncias intermodelo podem então ser medidas em um você20cevocê21c(Ondemé 36). Cada distribuição aleatória
sentido euclidiano nas matrizes de carregamentovocê20cevocê21c, representa distâncias entre pontos para todas as combinações
de modo que as distâncias entre dois modeloseuejpode ser possíveis de paresmpontos (703 distâncias neste caso). Nossos
expresso como resultados não são sensíveis a aumentar ainda mais o número
( ) 1/2
de casos aleatórios.
t
deu Cada linha de uma dessas matrizes aleatórias é
j5-[você20c(eu, eu)2você20c(j, l)]2
20c
(4)
eu51 preenchida com desenhos de uma PDF Gaussiana com
variância igual à das linhas devocê20cevocê21c(todas as linhas
para os dias atuais e têm variância igual em cada caso). Como resultado, os dados
nessas matrizes aleatórias são independentes nas direções
( ) 1/2
t correspondentes ao número EOF e ao modelo
deu j5-[você21c(eu, eu)2você21c(j, l)]2
21c
(5) número. Desejamos matrizes com uma dimensão de modelo
eu51
independente para testar a probabilidade de que a saída do
CMIP5 tenha sido extraída de um conjunto de modelos
para o futuro. Distâncias modelo-observaçãod20ceu(obs)este
independentes. Ter independência na direção do campo é
obviamente só podem ser calculados para o caso atual são
apropriado porque as colunas devocê20cevocê21csão
criados usando um vetor climatológico de um conjunto de
independentes por construção.
dados observacionaisX(obs)preparados da mesma forma
Nossa suposição de que ot-a distribuição normal dimensional
íon comoX20c,
é representativa de um conjunto independente de projeções
climáticas está sujeita a algumas ressalvas; Nós estamos
(obs)n5X(obs)2X20c,
DX20c (6) assumindo efetivamente que uma distribuição normal de
modelos no espaço definido porvocê20couvocê21cé plausível
OndeX20cé a média multimodelo deX20c, com comprimenton. Este e que não há partes desse espaço que possam representar
vetor de anomalia observacional pode ser projetado emV20cpara um estado climático não físico. Existem algumas
formar um vetor de carregamento observacionalvocê(obs) justificativas para essa suposição; as distribuições aleatórias
(comprimentot).A distância entre cada modelo e as são comparadas com as matrizes de carregamentovocê20c
observações pode ser calculada de forma semelhante, evocê21c, que são conjuntos de bases ortogonais definidos
( ) 1/2 pela variabilidade multimodelo. Como tal, estamos
t assumindo que, se houver relações físicas entre as variáveis
deu(obs)
20c
(eu)5-[você20c(eu, eu)2você20c (obs)(eu)]2 . (7)
eu51
nos dados de saída do modelo (por exemplo, entre células
adjacentes da grade ou entre a temperatura da superfície e
Finalmente, calculamos a variabilidade esperada em a radiação de onda longa de saída), qualquer correlação
um conjunto de condição inicial (ic) tomandonic58 entre elas seria representada como um único modo na
(histórico) ounic56 (futuros) membros CCSM4 ensemble análise EOF. Assim, quaisquer relações lineares que existam
para simulação histórica e RCP8.5. Em cada caso, nos dados originais são efetivamente

Não autenticado | Transferido em 22/03/11 14:54 UTC

5178 DIÁRIO DE CLI MAT E
preservado no conjunto aleatório também. No
entanto, uma forte relação não linear entre duas
variáveis no arquivo CMIP5 não pode ser
representada em um único modo EOF e pode ser
representada em dois ou mais modos. Nesse caso,
haveria algum espaço que deveria estar fisicamente
fora dos limites. Assim, usando dados normalmente
distribuídos para definir os conjuntos aleatórios e sua
escala de comprimento associada para distâncias
entre pontos, assumimos que a variabilidade
multimodelo pode ser adequadamente descrita por
um conjunto de base linear. Embora se pudesse
considerar projetar uma amostra aleatória que
ajustasse uma distribuição de alta dimensão ao
conjunto existente para levar em conta as relações
não lineares entre os modos, o aumento da
complexidade, a falta de amostras no conjunto
original,
d. Ponderação para exclusividade
Nesta seção, procuramos usar as relações derivadas emseção
2bpara definir um esquema de ponderação que efetivamente
reduza o peso de pares de modelos intimamente relacionados
ao conjunto, que podemos avaliar usando os valores esperados
para distâncias próximas nos conjuntos aleatórios propostos em
seção 2c. Nosso esquema também deve fornecer a capacidade
de reduzir o peso dos modelos que exibem baixa fidelidade em
uma métrica desejável.
Os casos limites de tal esquema são fáceis de definir.
Consideramos os modelos, como antes, representados
como pontos em um espaço definido pelos carregamentos
do modelo em uma análise EOF de conjunto. No caso
extremo, se a distância entre dois modelos for exatamente
zero, então os modelos são considerados idênticos e cada
membro do par deve receber metade do peso que eles
teriam (equivalentemente, uma afirmação de que adicionar
um modelo idêntico a um modelo existente membro do
conjunto não deve alterar os resultados).
Propomos uma forma funcional simples para similaridade de
modelos que satisfaça os requisitos para um determinado par de
modelos (eu j),separados por uma distânciadeu20c
j oud21c
eu j,
2 !3
d20c 2
eu j 5e
eu j) 5exp 42
S(d20c
Dvocê
2 !3
d21c 2
eu j
eu j) 5exp42
S(d21c 5,
Dvocê
OndeDvocêé um parâmetro livre, um ''raio de similaridade'', de modo
que pares de modelos separados por menos que esse valor são
considerados semelhantes. A distância é elevada ao quadrado de
modo que a métrica tende à unidade para valores -Dvocê. O menor
VOLUME28
valor razoável paraDvocêseria a distância esperada entre dois
modelos idênticos exibindo diferentes realizações de
variabilidade interna do modelo, dado que isso representa um
caso em que a estrutura do modelo é idêntica. ComoDvocêé
aumentado a partir desse valor, pares de modelos cada vez mais
distantes são considerados semelhantes. No caso extremo,
comoDvocêaproxima as maiores distâncias entre pontos
(ou seja, os maiores valores ded20ceu j oud21c eu j)no conjunto,
então apenas os modelos com os maiores vieses
exibiriam um valor deSde perto da unidade e todos os
outros membros seriam reduzidos.
Dentroseção 2c, derivamosDvocêempiricamente, considerando
os vizinhos mais próximos que se esperaria encontrar por acaso
em umt-distribuição normal dimensional de população igual,
variância e dimensionalidade comoVOCÊ.Isso é alcançado na
prática considerando as distribuições geradas aleatoriamente a
partir doseção 2a. Nós definimosDvocêpara ser o percentil 50 das
distâncias do vizinho mais próximo nos 105conjuntos gerados
aleatoriamente.
Pode-se assim obter um valor para a repetição
efetiva do modeloeuno conjunto,
m
Rvocê(eu)20c511-S(d20ceu j) e (12)
j6¼eu
m
Rvocê(eu)21c511-S(d21ceu j), (13)
j6¼eu
para os casos passados e futuros, respectivamente, ondemé o
número total de modelos. Propomos então uma ponderação de
unicidade para o modeloeutomando o inverso do número de
modelos semelhantes aeu,
Wvocê(eu)20c5 [Rvocê(eu)20c]21e (14)
Wvocê(eu)21c5 [Rvocê(eu)21c]21. (15)
para os casos passados e futuros, respectivamente. Se
desejado, um esquema de ponderação também pode
considerar a qualidade do modelo; um modelo deve receber
cada vez menos peso quanto mais longe o modelo estiver do
ponto que representa as observações no espaço EOF. No
caso limite, o peso do modelo deve tender a zero, pois a
distância do modelo às observações tende ao infinito. Esses
(10)
atributos são satisfeitos pela seguinte construção para Wq, a
ponderação da qualidade do modelo:
2 ! 32
(11) d20c
Wq(eu)5exp42
eu(obs)
5, (16)
Dq
Onded20c
eu(obs)é a distância euclidiana entre o EOF
carregando para o modeloeue o carregamento da climatologia
observada projetada no mesmo conjunto de base EOF. este
Não autenticado | Transferido em 22/03/11 14:54 UTC
1JULY2015 S ANDE RS NA ETAL .
é calculado apenas para os dados históricos onde as
observações estão disponíveis. O parâmetroDqé um ''raio de
qualidade do modelo'' e é um parâmetro livre no esquema
de ponderação. ComoDq/1',entãoWq/1 para todos os
modelos, e a ponderação de qualidade não tem efeito
diferenciador. Como o valor deDqé reduzido, os modelos
mais próximos das observações são cada vez mais
ponderados. O menor valor razoável paraDqseria o menor
viés observacional visto no conjunto [ou seja, min(deu(obs))].
No caso extremo comoDq/0, a maior parte do peso é
colocada no único modelo com melhor desempenho.
Para explorar a sensibilidade a este parâmetro, consideramos
dois valores paraDq: uma escolha ''ampla'' ondeDqé igual à
distância intermodelo média no conjunto CMIP5 e uma escolha
''estreita'' que é metade desse valor. ExpressandoDqem termos
de variância CMIP tem a desvantagem de que a própria variância
pode ser influenciada tanto pela qualidade do modelo quanto
pela reprodução, mas esta decisão é uma questão de
praticidade. Apresentamos os valores deDqtão subjetiva,
efetivamente como uma afirmação de que a habilidade relativa,
em vez de qualquer medida absoluta, deve definir se aceitamos
ou rejeitamos um modelo. Com efeito, o caso amplo descreve
uma situação em que apenas os modelos com os maiores vieses
no conjunto são reduzidos, enquanto no caso estreito é feita
uma distinção entre os desempenhos "médio" e "melhor". Pode
ser desejável deixar a variabilidade interna ou natural definir Dq,
mas, como mostramos emseção 3a, isso levaria a uma
situação onded20ceu(obs)-Dqpara todoseu,que, dada a Eq.
(16), colocaria a maior parte do peso no modelo com
o menor valor ded20c eu(obs).
e. Eliminando modelos interdependentes
Se o objetivo do pesquisador é simplesmente produzir uma
média multimodelo que seja menos suscetível ao viés pela
replicação do modelo, então simplesmente ponderar cada
modelo pelo valor apropriado deWvocêbastaria. Essa abordagem
pode ser usada diretamente para calcular uma estimativa
central de projeções multimodelo combinadas.
No entanto, alguns problemas associados à codependência
do modelo não podem ser resolvidos apenas pela ponderação.
Por exemplo, o viés potencial associado às previsões baseadas
em regressão de parâmetros climáticos desconhecidos só pode
ser resolvido removendo os modelos interdependentes. Isto
pode ser conseguido de uma forma puramente estatística (ver
Caldwell et ai. 2014), mas a interpretação de tais construções
nem sempre é intuitiva.
Propomos aqui uma abordagem menos formal que deve ser
prontamente reproduzível para uma variedade de propósitos
onde se deseja remover as co-dependências mais flagrantes do
modelo. Nosso método é uma eliminação de modelo passo a
passo, onde os modelos com as maiores codependências são
removidos primeiro.
5179
A abordagem mais simples aqui seria remover recursivamente um
membro do par próximo mais próximo até que o ensemble restante
esteja em conformidade com uma distribuição aleatória plausível no
n-espaço EOF dimensional. Uma vez que modelos melhores são
replicados mais, no entanto, tal abordagem elimina
preferencialmente os modelos agrupados mais próximos das
observações, enquanto os modelos com grandes vieses seriam
preservados. Isso tem um efeito prejudicial significativo sobre o
desempenho médio do conjunto restante. Em vez disso, propomos
uma estratégia que considera tanto o desempenho do modelo
quanto a independência do modelo ao criar um subconjunto de
ensemble.
Primeiro, introduzimos uma quantidade em massa que descreve
as características do conjunto, o "índice de qualidade do conjunto
independente",
m
S20c 5-W20c (i)wq(eu)e (17)
m você
eu
m
S21c 5-W21c (i)wq(eu), (18)
m você
eu
para casos históricos e futuros, ondeW20cvocê, Wvocê
21c
, eWq
são descritos emseção 2dcomo os pesos de modelo
individuais correspondentes ao modeloeu.Usar o produto
dos dois pesos é uma decisão subjetiva, e outras formas
funcionais poderiam ser exploradas. No entanto, como
demonstramos agora, essa simples combinação dos pesos
de exclusividade e qualidade atende aos nossos objetivos de
remover a influência de modelos exatamente replicados e
de modelos muito ruins.
Isso pode ser ilustrado da seguinte forma para a simulação
histórica: Se um modelo independente for adicionado ao
parecer,W20c
você(eu)é igual a 1 para o modeloeue entaoSmvai aumentar
pelo índice de qualidade do modeloWq(eu).O aumento é grande para
um modelo de alto desempenho e se aproxima de zero para um
modelo muito ruim. No entanto, se dois modelos idênticoseuejsão
adicionados ao conjunto juntos,W20c você(eu)eW20cvocê(j)cada
igual a 0,5, e assimSNainda só aumentará emWq(eu).
Se começarmos com umN-ensemble de membros,
eliminamos um único membro considerando a pontuação
máxima de qualidade de ensemble possível para cada
combinação deN21 membros. O modelo excluídojé
removido do conjunto e o processo é repetido até que um
critério de parada apropriado seja alcançado. Podemos
avaliar o número efetivo de modelos restantes em qualquer
ponto considerando o ''número de modelos efetivos'', tanto
para casos históricos quanto para casos futuros,
m
nef
20c
5-W20c (eu)e (19)
você
eu
m
nef
21c
5-Wvocê 21c
(eu), (20)
eu
Não autenticado | Transferido em 22/03/11 14:54 UTC
5180 DIÁRIO DE CLI MAT E
com cada um representando a soma dos pesos de
exclusividade para os modelos restantes no conjunto.
A abordagem delineada aqui é quantitativa, mas
subjetiva, com vários parâmetros livres. Para demonstrar
sua utilidade, consideramos um estudo de caso do conjunto
CMIP5, onde podemos demonstrar objetivamente que
podemos usar o algoritmo para produzir um subconjunto de
modelos CMIP5 que fornece diversidade de modelo
comparável, desempenho médio aprimorado do modelo e
replicação reduzida do modelo em comparação para a
amostra do modelo original.
3. Resultados
uma. Propriedades do conjunto CMIP5
O conjunto de dados inicial do qual tiramos nossa
conclusão é a matriz de distâncias pareadas entre modelos
no arquivo CMIP5,d20ced21c, que são calculados a partir de
você20cevocê21cmatrizes. Esta matriz é representada
graficamente emFigura 1para o caso de todas as variáveis
usando ambos os campos climatológicos atuais calculados
de 1970 a 2000 em simulações históricas e as anomalias
desses campos na simulação RCP8.5 entre 2070 e 2100. Em
ambos os casos, a estrutura reconhecível relacionada à
genealogia do modelo é visível no campo de distância
intermodelo.
Podemos comparar, em um sentido geral, a distribuição de
distâncias nas matrizes com o que se poderia esperar de uma
distribuição puramente aleatória. As distribuições para a matriz
derivada de CMIP5 e as distribuições aleatórias são plotadas em
Figs. 2a,bpara um número de escolhas de variáveis diferentes.
As distribuições aleatórias têm a mesma variância que as
distribuições CMIP5 originais por design porque cada
dimensão dos pseudoconjuntos aleatórios é normalmente
distribuída com a mesma variância do caso CMIP5 original
em cada dimensão devocê20cevocê21c. Como consideramos
um grande número de ensembles pseudo-aleatórios
normalmente distribuídos, podemos produzir as melhores
estimativas e intervalos de confiança para a distribuição das
distâncias intermodelos que se esperaria se os modelos
fossem normalmente distribuídos no espaço definido por
você20ce você21c. Se a distribuição CMIP5 estiver fora dessa
faixa, isso implica que os modelos em CMIP5 são
distribuídos de forma não normal no espaço.
Descobrimos que existem alguns desvios significativos na
distribuição CMIP5 do que se esperaria em um caso
puramente aleatório. Primeiro, há um número de pares de
modelos que estão mais próximos uns dos outros no espaço
EOF do que nunca ocorre por acaso nas amostras aleatórias
(menos de 50% da distância média entre pontos esperada
para o caso aleatório). No entanto, há também a ausência de
VOLUME28
modelos em distâncias intermediárias (entre 50 e 90% da
distância interponto média), em relação às distribuições
aleatórias. Isso indica que a distribuição de modelos CMIP5
no espaço EOF tem uma distribuição bastante heterogênea
e agrupada, com famílias de modelos intimamente
relacionados próximos, mas com vazios significativos entre
os agrupamentos de modelos. Essas características são
especialmente claras no caso futuro, onde as distâncias são
medidas em termos de anomalias (2070-2100) do estado
médio climático (1970-2000). Também mostramos o
histograma das distâncias intermodelo na condição inicial
do conjunto CCSM4, demonstrando que as distâncias
intermodelo resultantes apenas da variabilidade interna do
modelo são uma ordem de magnitude menor do que as
distâncias intermodel médias vistas no arquivo CMIP5.
Os pares de modelos responsáveis podem ser plotados
explicitamente. Figura 3amostra pares de modelos que estão mais
próximos do que as distâncias esperadas do vizinho mais próximo nas
distribuições aleatórias, usando todas as variáveis. Muitas dessas
amostras correspondem a modelos idênticos da mesma instituição
submetidos em uma resolução diferente (por exemplo, IPSL-CM5A-MR/LR
e MPI-ESM-LR/MR). Outros pares de modelos referem-se a mudanças na
configuração do modelo que não influenciam o conjunto de diagnósticos
atmosféricos considerados aqui (por exemplo, HadGEM2-AO e HadGEM2-
ES compartilham os mesmos modelos de atmosfera, oceano e gelo, mas o
primeiro carece de tratamento do ciclo do carbono , que tem pouco efeito
nessas simulações orientadas à concentração). Finalmente, existem alguns
casos em que os modelos de duas instituições compartilham uma grande
fração da base de código, e isso se reflete em sua proximidade no espaço
EOF (por exemplo, HadGEM2-AO e ACCESS1.0 ou FIO-ESM e BNU-ESM).
Vários outros pares de modelos são plotados com linhas pontilhadas.
Estes, em menor grau, ainda ocorrem mais próximos do que se poderia
esperar por acaso (para os modelos unidos por uma linha preta, um
desses pares seria esperado por acaso em um conjunto de 36 membros).
Essas conexões também podem estar relacionadas a componentes
comuns do modelo (por exemplo, NorESM e CCSM4 compartilham a
atmosfera e a superfície terrestre, e MPI-ESM e CMCC-CSM5 compartilham
o código atmosférico). Também incluímos o ponto observacional na
mesma análise em e MPI-ESM e CMCC-CSM5 compartilham o código
atmosférico). Também incluímos o ponto observacional na mesma análise
em e MPI-ESM e CMCC-CSM5 compartilham o código atmosférico).
Também incluímos o ponto observacional na mesma análise emFig. 3a, o
que mostra que nenhum dos modelos do arquivo CMIP5 é considerado
mais próximo das observações do que seria esperado por acaso. Na parte
posterior do estudo, onde removemos modelos semelhantes do arquivo,
isso nos dá alguma confiança de que modelos semelhantes não estão
sendo removidos porque todos estão convergindo para o clima
"verdadeiro". Podemos repetir a análise para mudanças futuras nas
mesmas variáveis (Fig. 3b), que mostram uma relação próxima
semelhante ao caso atual. O uso de campos específicos produz
relacionamentos semelhantes (mas não idênticos) (Figs. 3c–e). O caso de
todas as variáveis mostra
Não autenticado | Transferido em 22/03/11 14:54 UTC
1JULY2015 S ANDE RS NA ETAL . 5181

FIG. 1. Uma representação gráfica da matriz de distância intermodelo para CMIP5 calculada para ALL
usando (a) campos climatológicos médios mensais de 1970-2000 (conforme definido emmesa 2) e (b)
mudanças nos campos mencionados entre 1970-2000 e 2070-2100. Cada linha e coluna de (a), (b)
representa um único modelo climático (ou observação). Cada caixa representa uma combinação de pares,
onde as cores quentes indicam uma distância maior. As distâncias são medidas como uma fração da
distância média entre modelos no CMIP5.

Não autenticado | Transferido em 22/03/11 14:54 UTC

5182 DIÁRIO DE CLI MAT E VOLUME28

FIG. 2. Histogramas de distâncias euclidianas do intermodelo CMIP5 no espaço de carregamento EOF

derivados de (a) campos climatológicos médios mensais de 1970-2000 (conforme definido emmesa 2) e
(b) mudanças nos campos acima mencionados entre 1970-2000 e 2070-2100, em comparação com uma
amostra de 105histogramas calculados a partir de distribuições amostradas aleatoriamente. As barras
cinzas mostram o histograma de distâncias intermodelo no conjunto CMIP5 em um espaço EOF
construído com todas as variáveis disponíveis, enquanto outras cores mostram distâncias construídas
com apenas um subconjunto de variáveis: TAS, TOA fluxos de ondas curtas e longas, PR e TQ. As barras
amarelas indicam a distribuição usando todas as variáveis do conjunto de condições iniciais do CCSM4.
Os gráficos de caixa e bigode mostram o intervalo de valores de bin observados nas distribuições
aleatórias mostrando os percentis 10, 50 e 90 da distribuição.

que todos os relacionamentos próximos seriam esperados de uma
perspectiva genealógica. No entanto, quando se usa variáveis
únicas (principalmente PR), existem alguns resultados inesperados
(por exemplo, MIROC e CAM5 são considerados próximos).
Atribuímos isso à dificuldade de representar a variabilidade da
precipitação intermodelo em um modelo de baixa dimensão.
conjunto de base (embora modelos de diferentes centros possam,
em alguns casos, compartilhar parametrizações).
b. Eliminação do modelo passo a passo
Existem vários argumentos para apoiar a hipótese
de que o conjunto CMIP5 é enviesado pela inclusão

Não autenticado | Transferido em 22/03/11 14:54 UTC

1JULY2015 S ANDE RS NA ETAL . 5183

FIG. 3. Uma ilustração de distâncias intermodelo e observação-modelo em um espaço EOF definido por (a) climatologia simulada de 1970-2000 para
ALL e (b) a anomalia entre 1970-2000 e 2070-2100 sob o cenário RCP8.5 para ALL. Os gráficos são repetidos para variáveis individuais: (c) fluxos de
ondas curtas e longas do TOA, (d) precipitação e (e) temperatura do ar na superfície. As linhas intermodelo ilustram onde a distância intermodelo é
inferior a 50% (pontilhado) ou 90% (sólido) das distâncias interponto mais próximas em uma distribuição gerada aleatoriamente com a mesma
dimensionalidade, variância e população.

de componentes comuns: alguns dos quais são apresentados
com mais frequência do que outros. Pode-se fazer este
argumento a partir de uma consideração dos próprios modelos
(verseção 1etabela 1) ou examinando a distribuição espacial de
modelos em dimensões ortogonais derivadas da saída do
modelo. Propusemos um método de remoção de modelo que
maximiza uma métrica que reflete tanto
diversidade e fidelidade do modelo. O processo de eliminação
do modelo iterativo é ilustrado para o conjunto CMIP5 em Fig. 4.
O gráfico mostra a retirada consecutiva de modelos do
conjunto de 36 considerados neste estudo até que um único
modelo permaneça. O processo é demonstrado pela
eliminação de modelos interdependentes julgados pelo

Não autenticado | Transferido em 22/03/11 14:54 UTC

5184 DIÁRIO DE CLI MAT E VOLUME28

FIG. 4. Uma ilustração do procedimento de eliminação de modelo passo a passo descrito emseção 2eaplicado aos 36 modelos
do conjunto CMIP5, usando informações de similaridade de modelos da climatologia atual (1970-2000) para ALL e o amplo raio de
qualidade. O conjunto completo de modelos é mostrado no eixo esquerdo e a ordem de remoção do modelo é mostrada ao
longo do eixo inferior, com o modelo mais à esquerda removido primeiro. Se o número de modelos efetivosnefdiminui em menos
de 0,5, então o modelo removido é mostrado se fundindo com seu vizinho mais próximo no espaço EOF. Se o número de modelos
efetivos diminuir em mais de 0,5, a linha termina, indicando a remoção daquela família de modelos do conjunto. O
sombreamento de fundo indica se a menor distância entre pontos no espaço EOF usando o arquivo restante é inferior a 90%
(cinza claro), 50% (cinza médio) ou 10% (cinza escuro) de distribuições puramente aleatórias da mesma população, variância, e
dimensionalidade.

simulação da climatologia atual. Os pesos de qualidade do
modeloWqsão obtidos usando a climatologia do estado
médio dos modelos em comparação com as observações. A
exclusividade do modelo é calculada como emseção 2eapós
cada iteração.
Demonstramos a sequência de remoção do modelo em Fig. 4(para
semelhanças atuais, todas as variáveis e um amplo raio de
qualidade). As figuras mostram a ordem em que os modelos são
removidos do arquivo para obter a máxima qualidade independente
do conjunto. Se o modelo removido estiver mais próximo do queD
você(uma função do número de modelos restantes) para qualquer
outro modelo restante, então esse modelo é mostrado para se fundir
com seu modelo mais próximo.
vizinho. No entanto, se o modelo for mais do queDvocêde
qualquer outro modelo, a ramificação do modelo é mostrada
como terminando no diagrama.
Ainda não discutimos completamente um ponto apropriado para
parar de cortar modelos. Esta questão é, em última análise, subjetiva,
e a conclusão é um pouco dependente das necessidades específicas
do pesquisador. No entanto,Fig. 5 mostra algumas características de
mudança do ensemble restante à medida que o tamanho do
ensemble é reduzido, e isso pode ser usado para recomendar
subconjuntos de ensemble para diferentes cenários. Em essência,
uma primeira fase de eliminação de modelos apenas remove dados
redundantes e uma segunda fase melhora as características do
conjunto por

Não autenticado | Transferido em 22/03/11 14:54 UTC

1JULY2015 S ANDE RS NA ETAL .
FIG. 5. Gráficos ilustrando a eliminação do modelo passo a passo
seguindo o procedimento emseção 2e. Os cálculos são conduzidos
usando métricas de similaridade de modelo derivadas tanto da
climatologia atual quanto de mudanças climáticas futuras sob
RCP8.5. (a) O número de modelos efetivos em função do número de
modelos efetivos restantes no conjunto. O corte percentual é a
fração das distâncias do vizinho mais próximo vistas em conjuntos
puramente aleatórios usados para definir o raio de similaridadeDvocê
na Eq.(10). (b) A distância do vizinho mais próximo em função do
número de modelos restantes. Para comparação, os percentis 10, 50
e 90 das distâncias do vizinho mais próximo em conjuntos
puramente aleatórios da mesma dimensionalidade e variância são
mostrados. (c) RMSE das médias multimodelo ponderadas e não
ponderadas em função dos modelos restantes.
5185
removendo modelos pobres e parcialmente redundantes. Ir
além disso potencialmente piora a representação do viés da
média do conjunto.
Figura 5amostra comonefvaria conforme os modelos são
removidos do arquivo conforme descrito emseção 2e. O número
real depende da escolha deDvocê, o raio de semelhança. Duas
opções deDvocêsão ilustrados, usando o percentil 50 das
distâncias do vizinho mais próximo no conjunto de 105conjuntos
aleatórios (como foi usado emseção 2d) ou, para comparação, o
percentil 90. Usando todos os modelos no arquivo,nefé 15,5
usando o maior valor paraDvocêou 22,5 usando o menor valor
(usando as atuais métricas de similaridade da climatologia). A
remoção dos primeiros 10 modelos tem pouco efeito sobrenef
(especialmente usando o maior valor deDvocê). A remoção dos
modelos restantes resulta em uma diminuição monotônica danef
.
Como foi indicado porFig. 5a, a maioria das eliminações
do modelo inicial tem pouco efeito sobrenef.Figura 4mostra
que muitas das remoções iniciais representam modelos (de
CCSM4 a CESM1(BGC), de HadGEM2-ES a HadGEM2-AO e de
GFDL-ESM2M a GFDL-ESM2G) que são em grande parte
estruturalmente idênticos, pelo menos em termos de sua
longa duração -termo climatologia atmosférica, diferindo
apenas na presença de um ciclo de carbono ativo que não
influenciaria os diagnósticos utilizados neste estudo. Assim,
é em grande parte aleatório qual membro do par é
eliminado. Neste regime, há uma forte relação inversa entre
os pesos de qualidade do modelo (Wq) e pesos de
exclusividade (Wvocê), como mostrado emFig. 6a.
A segunda ampla classe de eliminações são os modelos
com fortes conexões, muitas vezes das mesmas instituições,
mas com alguns componentes diferentes. Nesses casos, o
modelo com maior ponderação de qualidade de valor (Wq) é
geralmente preservado (por exemplo, GISS-E2-H e GISS-E2-
R, que diferem em seus componentes oceânicos). Neste
regime, a relação inversa entre o peso de qualidade do
modelo e os pesos de singularidade é mais fraca (Fig. 6b),
pois as duplicatas claras já foram removidas. Observe que os
pesos de exclusividade agora se referem à exclusividade no
subconjunto restante e não no arquivo CMIP5 completo.
Os estágios finais de remoção (aproximadamente os 20
modelos finais) resultam em uma redução no número de
modelos efetivos, ilustrado pelo término do caminho do
modelo. Como mostrado emFig. 5b, neste regime, a
distribuição das distâncias intermodelos é agora consistente
com o que se poderia esperar de uma amostra puramente
aleatória. Cada família de modelos intimamente
relacionados é agora representada, em grande parte, por
seu próprio "campeão". Figura 6cmostra que quando restam
apenas 10 modelos, a relação entreWvocêeWqé bastante
fraco, com todos os modelos restantes tendo pesos de
exclusividade comparáveis.
Não autenticado | Transferido em 22/03/11 14:54 UTC
5186 DIÁRIO DE CLI MAT E VOLUME28

FIG. 6. Um gráfico demonstrando como os pesos de exclusividade do modelo e os pesos de qualidade do

modelo mudam à medida que os modelos são eliminados na sequência mostrada emFig. 4, para (a) 36, (b) 20 e
(c) 10 modelos restantes.

Não autenticado | Transferido em 22/03/11 14:54 UTC

1JULY2015 S ANDE RS NA ETAL . 5187

Nosso julgamento de valor para um critério de parada

apropriado é, portanto, dependente da aplicação. Se desejar
remover apenas modelos quase idênticos, deve-se parar de
aparar quando o número de modelos efetivosnef
começa a diminuir significativamente. No entanto, se se deseja
produzir a simulação de média de conjunto de melhor
desempenho do estado médio, é mais lógico remover também
os modelos de pior desempenho, de modo que o erro RMSE da
média de subconjunto seja minimizado.

c. Sensibilidade às escolhas iniciais

O algoritmo descrito emseção 2erequer várias suposições e

exploramos a sensibilidade dos resultados a essas escolhas
nesta seção.Figura 7mostra os modelos que são retidos na
análise com uma gama de diferentes opções iniciais de variáveis
e parâmetros. Em cada caso, a análise é repetida e há uma
remoção gradual dos modelos com base na maximização do
índice de qualidade do conjunto. Em cada linha do gráfico,
mostramos quais modelos permanecem quando a menor
distância entre pontos no arquivo restante é maior que 50%
(símbolos não preenchidos) ou 10% (símbolos preenchidos) de
distribuições puramente aleatórias da mesma população,
variância e dimensionalidade (regiões marcadas por
sombreamento cinza médio e cinza escuro emFig. 4). Assim,
podemos explorar a sensibilidade dos modelos retidos às nossas
suposições iniciais.
Primeiro, há a escolha de quais variáveis são usadas para
FIG. 7. Um gráfico mostrando subconjuntos sugeridos de CMIP5 com
derivar a matriz de distância intermodelo. Para resolver isso,
pontuações de qualidade do modelo e codependências derivadas de
repetimos a análise com uma variedade de campos várias maneiras. Cada linha na figura repete a análise levando aFig. 4com
individuais, bem como o exemplo multivariado discutido na suposições diferentes. São plotados os modelos restantes onde a menor
seção anterior. A análise é repetida para temperatura e distância interponto no espaço EOF usando o arquivo restante é maior que
umidade média zonal (TQ), PR em grade, fluxos de ondas 10% (símbolos não preenchidos) ou 50% (símbolos preenchidos) de
distribuições puramente aleatórias da mesma população, variância e
curtas e ondas longas no topo da atmosfera em grade (TOA),
dimensionalidade (regiões marcadas por sombreamento cinza médio e
TAS em grade e todas as variáveis combinadas (ALL). Em cinza escuro emFig. 4). A análise é conduzida com TQ, PR em grade, fluxos
segundo lugar, exploramos o raio da qualidade do modeloD de ondas curtas e longas de TOA em grade, TAS em grade e todas as
qintroduzido na Eq.(16). A análise é repetida para dois variáveis combinadas. O parâmetroDq, o raio da qualidade do modelo, é
valores, um valor amplo ondeDqé igual à distância definido como amplo ou estreito (o último aumenta o papel das métricas
de qualidade do modelo na eliminação do modelo). A variável Wvocê, a
intermodelo média no conjunto CMIP5 e uma escolha
ponderação de exclusividade do modelo, é mostrada calculada com os
estreita que é metade desse valor. O último caso estreito dados futuros do RCP8.5 ou os dados atuais. Os números na parte inferior
aumenta efetivamente o papel da métrica de qualidade do do gráfico indicam o número de modelos retidos para as duas condições
modelo, de modo que os modelos com uma pontuação de em que a distância mínima entre modelos restante é maior que o 10º ou
qualidade baixa são removidos mais cedo no algoritmo, ao 50º percentil das menores distâncias aleatórias entre modelos.

contrário do caso amplo, onde os modelos altamente

interdependentes são removidos primeiro. Por fim,
construímos os pesos de unicidade do modeloWvocêusando
as distâncias intermodelo derivadas da média de 30 anos de
1970-2000 dados atuais no caso "presente", mas use a
anomalia entre 2070-2100 e 1970-2000 para o caso "futuro".
Descobrimos que a escolha da variável tem pouco impacto na
escolha final dos subconjuntos do modelo. Embora em alguns
casos a escolha do modelo de uma determinada instituição
possa mudar, o número total de modelos retidos é semelhante
para cada uma das opções de variáveis. O uso do raio estreito de
a qualidade do modelo, no entanto, diminui significativamente o
número de modelos retidos em relação ao valor amplo. Isso
pode ser explicado considerando que o ajuste estreito aumenta
a razão da ponderação da qualidade do modelo para modelos
próximos às observações e aqueles distantes. No regime
estreito, a pontuação de qualidade do conjunto é melhor
maximizada removendo-se os modelos com desempenho
insatisfatório no início da análise; assim, após a remoção dos
modelos restantes interdependentes,

Não autenticado | Transferido em 22/03/11 14:54 UTC

5188 DIÁRIO DE CLI MAT E VOLUME28

o número de modelos únicos restantes é menor do que

no caso largo.

EOFESCOLHAS DE TRUNCAMENTO
Algumas decisões subjetivas são necessárias na
interpretação e posterior utilização do PCA realizado em
seção 2a, e discutimos isso mais detalhadamente aqui.
Em estudos anteriores comoMasson e Knutti (2011), as
distâncias intermodelo foram calculadas sem o estágio
PCA, simplesmente calculando as distâncias no espaço
definido pelas matrizes de anomaliaDX20ceDX21c. Para os
propósitos deste estudo, e seus estudos
complementares (Sanderson et ai. 2015), é necessário
diminuir a dimensionalidade (e codependência) dos
dados para estabelecer expectativas prévias de
distâncias próximas.
Neste estudo, assim como emSanderson et ai. (2015), as
distâncias entre modelos são calculadas com o conjunto
truncado de nove modos. A matriz de distância intermodelo
resultante calculada comvocê20ctruncado para nove modos tem
uma correlação de 0,93 com a matriz que seria calculada usando
a matriz de campo completoDX20c, mas usar o conjunto de base
ortogonal nos permite formar matrizes aleatórias com as quais
comparar os resultados (Figura 2).
Para valores menores det,apenas os principais padrões de
diferença de modelo são mantidos, o que resulta em
grandes distâncias entre modelos entre diferentes famílias
FIG. 8. Como emFig. 7, mas mostrando subconjuntos sugeridos de
de modelos (por exemplo, modelos CESM1 e GFDL) e
CMIP5 com diferentes comprimentos de truncamento para a análise EOF.
distâncias muito pequenas entre modelos na mesma família
São plotados os modelos restantes onde a menor distância interponto no
[por exemplo, CESM1(CAM5) e CESM1(CAM4) ]. Com tão espaço EOF usando o arquivo restante é maior que 50% (símbolos não
poucos graus de liberdade, distâncias intermodelo muito preenchidos) ou 10% (símbolos preenchidos) de distribuições puramente
pequenas não podem ser descartadas por acaso nos aleatórias da mesma população, variância e dimensionalidade (regiões
marcadas por sombreamento cinza médio e cinza escuro emFig. 4).
ensembles aleatórios e, portanto, nenhum modelo pode ser
excluído do ensemble (verFig. 8para valores de truncamento
de 3 ou menos). A análise produz resultados muito (QT;R50,42 não truncado) estão cada vez mais mal
semelhantes, e o número mínimo de modelos retidos, para correlacionados com o caso multivariado de campo completo.
valores detentre 8 e 12 (ver Fig. 8), com relativamente pouca Isso implica que alguns campos, como a temperatura da
sensibilidade à escolha variável (não mostrada). Para valores superfície, possuem informações suficientes para tornar
detde 15 ou mais, os modos de ordem superior representam desnecessária uma abordagem multivariada.
cada vez mais diferenças sutis e muitas vezes ruidosas entre Com um comprimento de truncamento de 9, que usamos para a
os modelos no arquivo, o que infla a distância entre os maior parte deste estudo, a matriz de distância resultante
vizinhos próximos no conjunto. Assim, mais uma vez vemos permanece altamente correlacionada com a matriz de distância de
menos modelos descartados. campo completo, mas a influência de campos e modelos covariantes
Para testar a sensibilidade da matriz de distância intermodelo é reduzida [ver Caldwell et ai. (2014)para uma extensa discussão
à escolha da variável, também repetimos a análise EOF com sobre essas questões].
vários subconjuntos diferentes de variáveis diagnósticas. A
d. Desempenho médio do conjunto
correlação resultante depende significativamente de qual
variável exata é retida. As distâncias entre modelos calculadas Os resultados deseção 3bsugerem que eliminar os
usando apenas TAS em grade são altamente correlacionadas modelos interdependentes mais fortes para deixar uma
com o caso multivariado (R50,95 não truncado). Fluxos radiativos distribuição plausivelmente aleatória deixaria entre 10 e 25
no topo da atmosfera (RAD; R50,85 não truncado), PR (R50,66 dos 36 modelos CMIP5 considerados aqui (dependendo das
não truncado) e temperatura e umidade verticais médias por escolhas de variáveis e parâmetros). Aparar o conjunto
zona para seu subconjunto mais independente não piora o

Não autenticado | Transferido em 22/03/11 14:54 UTC

1JULY2015 S ANDE RS NA ETAL .
a fidelidade do resultado da média climatológica, e remover os
outliers de pior desempenho (modelos com grandes vieses)
pode realmente melhorá-lo, como mostramos nesta seção.
Podemos primeiro examinar como a média multimodelo
da climatologia atual se compara com as observações.Figura
5cconsidera os erros quadráticos médios (RMSEs) de várias
médias multimodelo ponderadas e não ponderadas
calculadas usando os mesmos vetores multivariados de
estado climático descritos emseção 2ae as observações
listadasmesa 2. Ilustramos isso usando o caso ALL, com o
amplo raio de qualidade do modelo e as distâncias
intermodelo derivadas atuais. Também comparamos com o
RMSE médio visto quando uma amostra completamente
aleatória (sem reposição) do mesmo tamanho é tomada, em
comparação com a técnica detalhada descrita emseção 3b.
Se considerarmos apenas a extremidade esquerda do gráfico,
onde todos os 36 modelos são retidos, ponderar os modelos por
singularidade na verdade aumenta o RMSE. Isso é em grande
parte esperado – como vimos emFig. 6aque os modelos de
melhor desempenho têm os menores pesos de exclusividade.
Também sugere que uma média do conjunto CMIP5 já é
fracamente ponderada em relação aos modelos de melhor
desempenho. Se ponderarmos explicitamente a média do
modelo em relação aos modelos mais próximos das observações
no espaço EOF, o RMSE pode ser reduzido significativamente.
À medida que os primeiros 10 modelos (altamente
interdependentes) são removidos do arquivo, o RMSE médio
simples aumenta ligeiramente, enquanto o RMSE de sorteio
aleatório permanece constante, provavelmente porque os
modelos de alto desempenho têm menos representação quando
as duplicatas são removidas. A média ponderada de unicidade
também se torna mais semelhante ao caso da média simples (
vocêWagora é mais consistente em todo o conjunto). Entre 28 e
12 modelos restantes, o RMSE simples diminui
significativamente; quando restam 20 modelos, o subconjunto
supera o RMSE da amostra aleatória. Os valores de RMSE mais
baixos ocorrem com entre 12 e 5 modelos restantes. A remoção
de quaisquer outros modelos aumenta o RMSE da média
multimodelo simples. Com 5 ou menos modelos restantes, todos
os modelos têm um alto valor de ambosWvocêe Wq, portanto,
ponderar por exclusividade ou qualidade tem pouco efeito. Em
todos os casos, qualquer remoção adicional de modelos (abaixo
de 5) aumenta significativamente o RMSE, um fato
provavelmente atribuível à desigualdade de Cauchy-Schwartz (
Annan e Hargreaves 2011).
4. Discussão e conclusões
O presente estudo considera como se pode remover possíveis
vieses que possam surgir de componentes compartilhados no
arquivo CMIP5 de modelos climáticos e seus predecessores.
Também propomos alguns diagnósticos simples
5189
que pode ser usado para identificar modelos interdependentes
usando a saída de diagnóstico do modelo e uma estratégia possível
para escolher um subconjunto de modelo para manter a diversidade
do modelo sem replicação e incorporar informações de qualidade do
modelo nessa decisão.
Este estudo representa uma prova de conceito; a escolha dos
diagnósticos usados neste estudo é, obviamente, arbitrária, até
certo ponto, embora os resultados de quais modelos são
interdependentes pareçam ser relativamente resilientes a mudanças
na variável e no período de tempo (verFig. 3;Pennell e Reichler 2011;
Knutti et ai. 2013). No entanto, assumimos que a climatologia do
estado médio de um modelo pode ser usada para avaliar sua
habilidade e independência. Claramente, se nosso objetivo final é
avaliar a plausibilidade das simulações futuras de um modelo, então
a simulação do estado médio não é uma avaliação perfeita da
habilidade do modelo, embora possa ser argumentado que é uma
condição necessária e, como tal, uma estratégia de ponderação
baseada em climatologia atual pode ser justificada na ausência de
qualquer informação adicional.
Certamente, qual modelo exibe a pontuação de qualidade
mais alta depende muito das métricas específicas nas quais o
pesquisador pode estar interessado.Santer et ai. 2009), e está
muito além do escopo deste estudo realizar uma comparação
exaustiva de possíveis métricas do modelo. Neste estudo,
focamos principalmente na saída de diagnóstico do modelo
atmosférico, e nossos resultados são, portanto, mais sensíveis
ao componente comum nesse modelo. Como tal, os resultados
deste estudo devem ser interpretados como ilustrativos de um
método potencial para reduzir a interdependência dos modelos
de efeitos e não como uma lista prescritiva de modelos que
devem ser utilizados para estudos futuros. A maioria dos
estudos baseados no CMIP5 poderia facilmente usar tal
estrutura, mas os julgamentos de valor de futuros
pesquisadores devem ser incorporados na escolha da métrica
usada para avaliar a similaridade e a qualidade do modelo.
Avaliamos a probabilidade de modelos próximos
ocorrerem por acaso usando um grande número de
distribuições aleatórias da mesma dimensionalidade que
o conjunto ortogonal truncado de cargas EOF que
derivamos do conjunto original. A amostra aleatória não
é uma proxy para o espaço que pode ser alcançado pelo
clima real; em vez disso, é uma proxy para a distribuição
de modelos representados em um conjunto de base
ortogonal definido pela variabilidade multimodelo. Como
tal, estamos assumindo que, se houver relações físicas
entre as variáveis nos dados de saída do modelo (por
exemplo, entre a temperatura da superfície e a radiação
de onda longa de saída), qualquer correlação entre elas
seria representada como um único modo na análise
EOF . No entanto, se houver uma forte relação não linear
entre duas variáveis no arquivo CMIP5,
Não autenticado | Transferido em 22/03/11 14:54 UTC
5190 DIÁRIO DE CLI MAT E
pode ser representado em dois ou mais modos. Neste caso,
então a distribuição de modelos no espaço poderia ser mais
complexa do que uma simples Gaussiana. Pode-se imaginar
projetar uma amostra aleatória que ajustasse uma
distribuição de alta dimensão ao conjunto CMIP5 para dar
conta de tais não linearidades, mas o aumento da
complexidade, a falta de amostras no conjunto original e a
parametrização necessária de tal distribuição significam que
isso é impraticável.
Também assumimos, ao extrair amostras aleatórias usando a
variância definida pelo ensemble original, que nenhum dos
membros do CMIP5 pode ser descartado a priori. Pode-se
imaginar uma situação em que um modelo arbitrariamente
pobre fosse incluído no conjunto que aumentaria a variância
representada em cada modo, de modo que quaisquer modelos
realistas parecessem auto-semelhantes e seriam reduzidos pela
ponderação de exclusividade. Portanto, o método só faz sentido
se houver algum nível de confiança básica de que nenhum dos
modelos no arquivo é completamente não representativo do
sistema verdadeiro. No entanto, argumentaríamos que isso é
verdade para qualquer análise que use o arquivo CMIP5 e que
mesmo uma média multimodelo simples está sujeita a uma
verificação de sanidade dos modelos participantes.
Ressalvas à parte, este estudo ilustra algumas características
interessantes do arquivo CMIP5 e possíveis problemas que
podem surgir ao tratar esse arquivo como uma amostra
aleatória de possíveis modelos climáticos. Existe uma extensa
replicação do código do modelo no arquivo, principalmente
dentro das instituições, mas também em alguns casos entre
instituições (vertabela 1). Isso não deve surpreender: um rápido
exame da composição AOGCM nos modelos CMIP5 indica que
alguns componentes individuais são usados por mais de 25%
do arquivo. No entanto, mostramos neste estudo (por exemplo,
Masson e Knutti 2011) que muitas dessas semelhanças podem
ser identificadas também por meio de uma simples análise do
resultado do modelo. Uma discussão mais detalhada dos
componentes do modelo compartilhado é fornecida no material
suplementar doKnutti et ai. (2013).
As semelhanças na saída de diagnóstico nem sempre são
previsíveis a partir da consideração apenas da construção do modelo.
Pode-se encontrar exemplos de casos com alterações significativas
na base de código, mas com pequenas alterações na semelhança
diagnóstica. Por exemplo, CCSM4 e CESM1(CAM5) têm esquemas de
aerossóis, dinâmicas e microfísica de nuvens significativamente
diferentes, e ainda assim nossos resultados mostram os dois
modelos como fortemente relacionados ao considerar a distribuição
de distâncias entre modelos. Isso indica que as estratégias de ajuste
e os componentes não atmosféricos podem desempenhar um papel
significativo na similaridade do modelo de diagnóstico, mesmo
quando a saída atmosférica é usada principalmente para avaliar a
distância entre os modelos. Isso implica que, embora a saída de
diagnóstico seja um indicador útil de
VOLUME28
semelhanças de modelo, essas semelhanças podem não ser uma
função apenas do código compartilhado. O Climateprediction.net (
Stainforth et ai. 2005) e Quantificando a Incerteza nas Previsões do
Modelo (QUMP;Murphy et ai. 2007), por exemplo, mostram que uma
diversidade considerável no comportamento do modelo é alcançável
por meio da perturbação de parâmetros sozinho com uma base de
código idêntica.
Existem vários fatores adicionais possíveis que podem
influenciar a semelhança diagnóstica. Primeiro, a tendência
de várias gerações de modelos de uma única instituição
exibirem fortes semelhanças, apesar das extensas
mudanças nos componentes do modelo [ver Fig. 2 em
Sanderson e Knutti (2012)com referência aos modelos NSF–
DOE–NCAR CESM, GFDL ou Hadley Center] indica que alguns
elementos de calibração de modelo tendem a agrupar
modelos de um determinado centro de modelagem. As
razões para esse agrupamento têm vários candidatos
possíveis que podem estar na política institucional ou no
foco regional (as instituições podem estar mais preocupadas
com o desempenho de seu modelo no clima da região).
Métricas padrão usadas para avaliar o desempenho do
modelo durante o processo de desenvolvimento do modelo
ou conjuntos de dados observacionais preferidos também
podem variar de instituição para instituição. Em segundo
lugar, os modelos raramente alteram todos os componentes
ao mesmo tempo, então postulamos que avaliar quando um
modelo é “novo” é uma questão subjetiva. Finalmente, o
protocolo CMIP5 permite alguma flexibilidade na forma
como os modelos implementam forças externas, de modo
que grupos diferentes, mesmo com modelos idênticos,
Knutti et ai. (2013)ver relações semelhantes em simulações
de controle, mas não se pode excluir a possibilidade de que
as próprias simulações de controle também possam incluir
suposições comuns sobre condições de contorno.
Em resumo, confirmamos os argumentos anteriores de que
os modelos não são independentes, alguns são essencialmente
duplicados, e o número efetivo de modelos independentes
baseados neste método é menos da metade do número real de
modelos, consistente com estudos anteriores (Jun et ai. 2008;
Annan e Hargreaves 2011;Sanderson e Knutti 2012). Alguns
modelos estão mais próximos das observações do que outros (
Gleckler et ai. 2008;Knutti e Seduma-ce 2013). Acreditamos que
nosso método e resultados não dependem fortemente da
maneira como se interpreta o conjunto como "centrado na
verdade" (Knutti 2010), ''indistinguível da verdade'' (Annan e
Hargreaves 2011;Rougier et ai. 2013), ou nenhum (Sanderson e
Knutti 2012;Bispo e Abramowitz 2013). Pode-se imaginar um
conjunto hipotético seguindo qualquer uma dessas estruturas;
duplicando alguns de seus membros, o viés seria introduzido na
distribuição do conjunto. Ao avaliar o desempenho do nosso
subconjunto de conjuntos em termos de
Não autenticado | Transferido em 22/03/11 14:54 UTC
1JULY2015 S ANDE RS NA ETAL .
desempenho médio do conjunto, não defendemos
necessariamente um conjunto centrado na verdade, pois a
média do conjunto também seria a melhor estimativa de
mudança futura no caso indistinguível.
É claro que existem diferentes maneiras de explicar o
desempenho e a interdependência do modelo. No jornal
complementar (Sanderson et ai. 2015), propusemos um
método para produzir estimativas probabilísticas que são
amplamente insensíveis a duplicatas do modelo e podem
considerar o desempenho do modelo. No entanto, quando
são necessários dados de alta dimensão e/ou campos
espacial e temporalmente consistentes (por exemplo, para
modelos de impacto), um método totalmente probabilístico
torna-se difícil e pode até dificultar o desenvolvimento de
análises de impacto tratáveis (Dessai e Hulme 2004).Bispo e
Abramowitz (2013)também propõem uma técnica alternativa
onde os modelos no arquivo estão sujeitos a uma
transformação linear, onde a média ponderada dos modelos
transformados é calculada para ser otimamente próxima de
um clima observado. Essa transformação e ponderação
podem então ser extrapoladas para projeções futuras. Este
método tem a vantagem de que os modelos transformados
resultantes possuem erros independentes e ponderam as
projeções futuras por habilidade climatológica. No entanto,
os modelos transformados não são fisicamente auto-
consistentes e existe o potencial de as simulações serem
superajustadas aos dados históricos de uma maneira que
poderia resultar em projeções futuras com excesso de
confiança. Em comparação, o método que apresentamos
aqui preserva um subconjunto de modelos físicos
autoconsistentes (para projeções atuais e futuras);
Assim, propomos que há uma utilidade significativa em
abranger a incerteza potencial no clima futuro,
representando a propagação com um subconjunto
apropriado de modelos. Este estudo apresenta pesos que
avaliam a singularidade do modelo e a fidelidade da
climatologia do modelo. Descobrimos que os dois estavam
inversamente relacionados, de modo que os modelos com
as melhores simulações do clima atual também eram menos
exclusivos. Uma parte disso é possivelmente devido ao fato
de que os modelos foram calibrados pelas observações e,
portanto, parecerão se agrupar em torno dessas
observações (e entre si). No entanto, um exame mais
detalhado revela que uma grande fração da falta de
exclusividade dos modelos de alta pontuação pode ser
explicada por outros modelos que duplicaram parte ou todo
o seu código. Quando essas duplicatas são removidas,
Essa propriedade do ensemble é claramente, até certo ponto,
contingente à escolha das métricas usadas, mas levanta uma
propriedade potencialmente interessante do ensemble; os
modelos com melhor desempenho também podem ser os mais
5191
promíscuo. Esta situação implica que o conjunto como um todo
já está fortemente ponderado para os modelos de melhor
desempenho. Mostramos que, se os modelos são ponderados
para recompensar sua singularidade, então o RMSE da média do
conjunto é aumentado. Assim, por meio de um mecanismo de
seleção quase natural, a comunidade climática criou um
conjunto de modelos que já enfatizou seus membros
climatologicamente com melhor desempenho. Em outras
palavras, confiar na democracia modelo é, até certo ponto,
aumentar o peso das estruturas de modelo qualificadas sem
pensar deliberadamente sobre isso ou discuti-lo, pelo
mecanismo de duplicação de código bem comprovado.
Isso pode ser visto como um argumento em favor
da manutenção de todo o conjunto ao realizar uma
análise e pelo menos alguma justificativa de que o
resultado médio multimodelo é uma melhor
estimativa defensável. No entanto, é na melhor das
hipóteses uma propriedade acidental que não é
garantida para permanecer em conjuntos futuros e
pode não ser visível para perguntas ou métricas mais
específicas. Se um modelo é extensivamente
duplicado não é uma função pura de sua qualidade
ou fidelidade. Um submodelo com código-fonte
aberto e poucas restrições ao seu uso tem maior
probabilidade de ser utilizado por outro grupo do que
outro modelo com política de código-fonte fechado.
No entanto, um modelo que é usado em conjunto por
um grande número de grupos também tem um
grande pool de desenvolvimento investido na
melhoria desse modelo. A duplicação dentro das
instituições depende também do financiamento e dos
recursos computacionais disponíveis.
Permanece também a questão de saber se o conjunto original
do CMIP5 é suficiente para avaliar a incerteza sistemática em
futuras mudanças climáticas. Esta questão poderia facilmente
formar um estudo em si, mas nossos resultados são um pouco
informativos neste assunto. Primeiro, o número de modelos
verdadeiramente independentes no arquivo é significativamente
menor do que o número de modelos enviados, quando medido
pela saída do modelo. Portanto, adicionar outro modelo ao
arquivo existente tem mais valor se os desenvolvedores
introduzirem novos componentes e suposições. É verdade que
explorar diferentes configurações de componentes existentes
por meio de troca de submodelos ou perturbação de
parâmetros pode certamente modificar o comportamento do
modelo, e argumentaríamos que tais experimentos deveriam
continuar para explorar completamente as incertezas inerentes
ao conjunto de modelos existente.
No entanto, essa incerteza está condicionada ao número
de modelos independentes disponíveis para nós e
estabelecer se o conjunto atual é suficiente é uma questão
que pode não ser útil, porque não há um espaço
conveniente no qual as suposições sistemáticas do modelo
Não autenticado | Transferido em 22/03/11 14:54 UTC
5192 DIÁRIO DE CLI MAT E
pode ser definido. Por exemplo, o conjunto CMIP5 atual pode ter
nesquemas de convecção fundamentalmente diferentes, cada
um com suas próprias vantagens e vieses, mas ninguém
argumentaria que isso constituía um "conjunto completo". Onde
há aproximação e parametrização, existem maneiras
potencialmente ilimitadas de lidar com isso. Porque ninguém
pode saber o comportamento do (n11)º modelo, a questão da
adequação do conjunto não pode ser respondida em sentido
estrito. Dentro do conjunto que temos, podemos experimentar
de forma tratável com subconjuntos para avaliar quantos
modelos são necessários para ter confiança na distribuição das
mudanças climáticas futuras formadas pelo conjunto completo,
mas nunca podemos saber se o (n11) o modelo adotará
diferentes premissas ou resolverá um novo processo para
colocar sua projeção fora da distribuição existente.
Argumentamos que uma consideração conjunta da similaridade
do modelo e das métricas de qualidade permite ao pesquisador fazer
uso de uma amostra de simulações mais quantitativamente
defensável disponível nos arquivos do CMIP, seja por meio de
ponderação ou por eliminação de modelo (em si, uma forma extrema
de ponderação) para produzir uma melhor estimativa de projeções
de modelos combinados. Nossa abordagem para alcançar isso pode
ser controlada com um pequeno número de parâmetros subjetivos,
mas claramente definidos, que podem potencialmente mitigar
alguns dos problemas de amostragem arbitrários que surgem ao
confiar na democracia do modelo e podem ser adaptados a questões
específicas, escolhendo métricas e conjuntos de dados apropriados.
Deve-se notar nesta discussão que o arquivo CMIP5 não é
uma representação completa do espaço de incerteza para as
projeções GCM. Em vez disso, é uma coleção dos melhores
modelos possíveis pretendidos: as iterações finais de seus
respectivos processos de ajuste à medida que os
desenvolvedores do modelo calibram suas escolhas de
parametrização para melhor representar as propriedades
climáticas observadas que eles consideram mais importantes,
embora possa haver outras configurações aceitáveis (Mauritsen
et ai. 2012). Claramente, essas escolhas e alvos irão variar de
modelo para modelo, mas o fato de que há implicitamente um
número quase infinito de configurações de parâmetros
rejeitados para cada modelo deve ser lembrado ao tentar
interpretar o significado da disseminação de simulações no
arquivo. Em um sentido prático, ignoramos essas configurações
rejeitadas porque não temos acesso a elas. Além disso, há
algumas evidências que sugerem que a diversidade de modelos
que se pode atingir por mudanças estruturais excede
significativamente a de mudanças de parâmetros em conjuntos
de parâmetros perturbados atualmente disponíveis (Yokohata et
ai. 2013). No entanto, deve-se lembrar que tanto o conjunto
CMIP5 (e, por definição, nossos subconjuntos desse conjunto) já
é um subconjunto de todas as configurações de modelo
possíveis que foram escolhidas pelos desenvolvedores do
modelo.
VOLUME28
Existem alguns casos em que argumentaríamos que é
essencial eliminar modelos interdependentes, como quando
uma correlação encontrada no conjunto multimodelo é usada
como uma restrição em um parâmetro climático [ou seja, para
sensibilidade climática emFasullo e Trenberth (2012)ou para
feedbacks de albedo de superfície de alta latitude emHall e Qu
(2006)]. A presença de modelos intimamente relacionados ou
mesmo idênticos no arquivo tenderia a inflar artificialmente a
significância de qualquer correlação simplesmente porque
modelos idênticos exibiriam valores semelhantes tanto para o
preditor quanto para a quantidade desconhecida.Caldwell et ai.
2014). Remover os óbvios modelos interdependentes mostrados
neste estudo certamente seria melhor do que avaliar uma
correlação baseada em todo o arquivo, mas um método para
alcançar isso em sentido estatístico estrito é apresentado em
Caldwell et ai. (2014).
Existe o perigo de que, à medida que os modelos melhorem, os
melhores modelos tenham o potencial de convergir para o
verdadeiro estado climático, o que pode levar à sua eliminação se os
modelos interdependentes forem removidos. Nós mostramos emFig.
3 que é improvável que seja o caso do CMIP5, dado que nenhum dos
modelos está próximo o suficiente das observações para ser
influenciado pela ponderação de unicidade. No entanto, pode-se
imaginar que se um pequeno grupo de modelos fizer um avanço real
que remova um viés sistemático de longa data (por exemplo, quando
alguns modelos começam a resolver explicitamente a convecção),
seria necessário aceitar um nível mais alto de similaridade entre os
modelos de melhor desempenho (ou seja, a ponderação de
exclusividadevocêWnão poderia mais ser independente da
ponderação da habilidadevocês).
Propor um subconjunto de modelos a serem considerados para
uma análise menos tendenciosa pode ser visto como excessivamente
prescritivo, mas nosso objetivo não é focar no conjunto exato de
modelos que devem ser usados para estudos futuros, mas sim
estabelecer uma estrutura na qual os pesquisadores possam fazer
sua seleção com base nas métricas que são mais relevantes para sua
pergunta. Poderíamos argumentar que, embora a coleção de
modelos decorrentes do “conjunto de oportunidades” seja muitas
vezes vista como sacrossanta, a política democrática de um modelo,
um voto não é mais lógica na árvore genealógica cada vez mais
complexa de modelos disponíveis ao pesquisador. Um subconjunto
de 10 a 20 modelos razoavelmente independentes e com bom
desempenho para os critérios considerados relevantes
provavelmente será mais habilidoso do que o conjunto completo.
Dar peso igual a todos os modelos que completaram uma simulação
de interesse é, ainda que implicitamente, adotar um esquema de
ponderação que recompensa os componentes do modelo que são
altamente replicados. Esse esquema de ponderação pode
fortuitamente ter a propriedade de recompensar os componentes
mais qualificados, mas, argumentaríamos, essa propriedade deve ser
demonstrada e a decisão de como incorporá-la deve ser tomada
conscientemente.
Não autenticado | Transferido em 22/03/11 14:54 UTC
1JULY2015 S ANDE RS NA ETAL .
Agradecimentos.Reconhecemos o Grupo de Trabalho
sobre Modelagem Acoplada do Programa Mundial de
Pesquisa Climática, que é responsável pelo CMIP, e
agradecemos aos grupos de modelagem climática por
produzir e disponibilizar seus resultados de modelo. Para o
CMIP, o Programa de Diagnóstico e Intercomparação de
Modelos Climáticos do Departamento de Energia dos EUA
fornece suporte de coordenação e desenvolvimento liderado
de infraestrutura de software em parceria com a
Organização Global para Portais de Ciência do Sistema
Terrestre. Partes deste estudo foram apoiadas pelo Office of
Science (BER), Departamento de Energia dos EUA, Acordo
Cooperativo DE-FC02-97ER62402. Também gostaríamos de
agradecer aos nossos revisores anônimos por seus
comentários extensos e perspicazes.
REFERÊNCIAS
Adler, R. e Coautores, 2003: A Versão 2 Global Pre-
projeto de climatologia de precipitação (GPCP) análise mensal
de precipitação (1979-presente).J. Hydrometeor.,4,1147-1167,
doi:10.1175/1525-7541(2003)004,1147:TVGPCP.2.0.CO;2. Annan,
J. e J. Hargreaves, 2011: Entendendo o CMIP3
conjunto multimodelo.J. Clima,24,4529–4538, doi:
10.1175/2011JCLI3873.1.
Aumann, HH, e Coautores, 2003: AIRS/AMSU/HSB no
Missão Aqua: Design, objetivos científicos, produtos de dados e
sistemas de processamento.Trans. IEEE Geosci. Sensor Remoto,41,
253-264, doi:10.1109/TGRS.2002.808356.
Bishop, CH e G. Abramowitz, 2013: Modelo climático de-
pendência e o paradigma replicar da Terra.Clima Din.,41 (3–4),
885–900, doi:10.1007/s00382-012-1610-y.
Brohan, P., J. Kennedy, I. Harris, S. Tett e P. Jones, 2006: Un-
estimativas de certeza em mudanças de temperatura observadas regionais
e globais: Um novo conjunto de dados de 1850.J. Geophys. Res.,111,
D12106, doi:10.1029/2005JD006548.
Caldwell, PM, CS Bretherton, MD Zelinka, SA Klein,
BD Santer e BM Sanderson, 2014: Significado estatístico de
preditores de sensibilidade climática obtidos por mineração
de dados.Geophys. Res. Lett.,41,1803-1808, doi:10.1002/
2014GL059205.
Dessai, S. e M. Hulme, 2004: A política de adaptação climática
precisa de probabilidades?Política Climática,4,107-128, doi:10.1080/
14693062.2004.9685515.
Evans, JP, F. Ji, G. Abramowitz, and M. Ekström, 2013: Opti-
escolhendo mal os pequenos membros do ensemble para produzir
simulações climáticas robustas.Ambiente. Res. Lett.,8,044050, doi:10.1088/
1748-9326/8/4/044050.
Fasullo, JT e KE Trenberth, 2012: Um futuro menos nebuloso: O
papel da subsidência subtropical na sensibilidade climática.Ciência,
338,792-794, doi:10.1126/ciência.1227465.
Gleckler, P., K. Taylor e C. Doutriaux, 2008: Performance
métricas para modelos climáticos.J. Geophys. Res.,113,D06104,
doi:10.1029/2007JD008972.
Hall, A. e X. Qu, 2006: Usando o ciclo sazonal atual
para restringir o feedback do albedo da neve em futuras
mudanças climáticas.Geophys. Res. Lett.,33,L03502, doi:10.1029/
2005GL025127.
Jeffrey, M., L. Rotstayn, M. Collier, S. Dravitzki, C. Hamalainen,
C. Moeseneder, K. Wong e J. Syktus, 2013: Austrália
5193
Submissão CMIP5 usando o modelo CSIRO-Mk3.6.Aust.
Meteoro. Oceanogr. J.,63,1-13.
Jun, M., R. Knutti e DW Nychka, 2008: Autovalor local
análise de erros do modelo climático CMIP3.Nos digam,60A,
992-1000, doi:10.1111/j.1600-0870.2008.00356.x.
Knutti, R., 2010: O fim da democracia modelo?Mudança Climática,
102 (3–4), 395–404, doi:10.1007/s10584-010-9800-2.
— — e J. Seduma-cek, 2013: Robustez e incertezas nas novas projeções do
modelo climático CMIP5.Nat. Das Alterações Climáticas,
3,369-373, doi:10.1038/nclimate1716.
— — , D. Masson e A. Gettelman, 2013: Genealogia do modelo
climático: Geração CMIP5 e como chegamos lá.Geophys.
Res. Lett.,40,1194-1199, doi:10.1002/grl.50256.
Li, L., e Coautores, 2013: The Flexible Global Ocean-
Modelo do Sistema Atmosfera-Terra, grid-point versão 2:
FGOALS-g2.Av. Atmos. Sci.,30,543-560, doi:10.1007/
s00376-012-2140-6.
Masson, D. e R. Knutti, 2011: genealogia do modelo climático.Geo-
física Res. Lett.,38,L08703, doi:10.1029/2011GL046864.
— — , e ——, 2013: Triagem de preditores, calibração e restrições
observacionais em conjuntos de modelos climáticos: Uma
ilustração usando sensibilidade climática.J. Clima,26,887-898,
doi:10.1175/JCLI-D-11-00540.1.
Mauritsen, T., e Coautores, 2012: Ajustando o clima de uma
modelo.J. Av. Modelo. Sistema Terra,4,M00A01, doi:
10.1029/2012MS000154.
Murphy, J., B. Booth, M. Collins, G. Harris, D. Sexton e
M. Webb, 2007: Uma metodologia para previsões probabilísticas
de mudanças climáticas regionais a partir de conjuntos físicos
perturbados.Philos. Trans.,365A,1993-2028, doi:10.1098/
rsta.2007.2077.
NASA, 2011: conjuntos de dados CERES EBAF, Langley Research Center,
acessado em 2011. [Disponível online emhttp://ceres.larc.nasa.gov/
products.php?product=EBAF-TOA.]
Pennell, C. e T. Reichler, 2011: Sobre o número efetivo de
modelos climáticos.J. Clima,24,2358–2367, doi:
10.1175/2010JCLI3814.1.
Qu, X. e A. Hall, 2013: Sobre a propagação persistente em neve-
feedback de albedo.Clima Din.,42,69-81, doi:10.1007/
s00382-013-1774-0.
Rougier, J., M. Goldstein e L. House, 2013: Segunda ordem
análise de permutabilidade para conjuntos multimodelo.
J. Amer. Estado. Associação,108,852-863, doi:10.1080/
01621459.2013.802963.
Sanderson, BM e R. Knutti, 2012: Sobre a interpretação de
conjuntos de modelos climáticos restritos.Geophys. Res. Lett.,39,
L16708, doi:10.1029/2012GL052665.
— — , — — e P. Caldwell, 2015: Abordando a interdependência em um
conjunto multimodelo por interpolação das propriedades do modelo.
J. Clima,doi:10.1175/JCLI-D-14-00361.1, na imprensa.
Santer, B., e Coautores, 2009: Incorporando a qualidade do modelo in-
formação em estudos de detecção e atribuição de mudanças
climáticas. Proc. Nacional Acad. Sci. EUA,106,14 778–14 783, doi:
10.1073/pnas.0901736106.
Stainforth, DA e Coautores, 2005: Incerteza nas previsões
da resposta climática ao aumento dos níveis de gases de efeito estufa.
Natureza,433,403-406, doi:10.1038/natureza03301.
Taylor, KE, RJ Stouffer e GA Meehl, 2012: Uma visão geral da
CMIP5 e o desenho do experimento.Touro. Amer. Meteoro. Soc.,
93,485-498, doi:10.1175/BAMS-D-11-00094.1.
Tebaldi, C. e R. Knutti, 2007: O uso do modelo multimodelo
semble em projeções climáticas probabilísticas.Philos. Trans. Roy.
Soc.,365A,2053-2075, doi:10.1098/rsta.2007.2076.
Não autenticado | Transferido em 22/03/11 14:54 UTC
5194 DIÁRIO DE CLI MAT E
— — , JM Arblaster e R. Knutti, 2011: Acordo de modelo de mapeamento
sobre projeções climáticas futuras.Geophys. Res. Lett.,
38,L23701, doi:10.1029/2011GL049863.
Volodin, EM, NA Dianskii, AV Gusev, 2010: Simulando
clima atual com o modelo acoplado INMCM4.0 das circulações
gerais atmosférica e oceânica.Izv. Atmos. Física Oceânica,46,
414-431, doi:10.1134/S000143381004002X. Watanabe, M., e
Coautores, 2010: Simulação climática melhorada
por MIROC5: Estados médios, variabilidade e sensibilidade climática.
J. Clima,23,6312-6335, doi:10.1175/2010JCLI3679.1.
VOLUME28
Wu, T. e Coautores, 2014: Uma visão geral do clima do BCC
desenvolvimento de modelo de sistema e aplicação para estudos de
mudanças climáticas.J. Meteoro. Res.,28,34-56, doi:10.1007/
s13351-014-3041-7.
Yang, D., e OA Saenko, 2012: Transporte de calor oceânico e seus
mudança projetada no CanESM2.J. Clima,25,8148-8163, doi:
10.1175/JCLI-D-11-00715.1.
Yokohata, T. e Coautores, 2013: Confiabilidade e importância de
diversidade estrutural de conjuntos de modelos climáticos.Clima Din.,
41 (9–10), 2745–2763, doi:10.1007/s00382-013-1733-9.
Não autenticado | Transferido em 22/03/11 14:54 UTC