Human Influence On The Atmosphere and Surface - En.id

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.
com
manusian Pengaruh pada Atmosfer dan Permukaan

35
36 3.3.1 Suhu
SUBJEK
37
38 3.3.1.1 Suhu Permukaan
39
40 Perubahan suhu permukaan adalah aspek iklim yang paling banyak dialami oleh komunitas peneliti iklim
41 kepercayaan atas Laporan Penilaian IPCC sebelumnya. Keyakinan ini berasal dari ketersediaan yang lebih lama
42 catatan pengamatan dibandingkan dengan indikator lain, respons yang besar terhadap pemaksaan antropogenik
dibandingkan dengan
43 variabilitas dalam rata-rata global, dan pemahaman teoretis yang kuat tentang termodinamika kunci yang
mendorongnya
44 perubahan (Collins et al., 2010; Shepherd, 2014). AR5 menilai bahwa sangat mungkin bahwa manusia
45 aktivitas telah menyebabkan lebih dari setengah peningkatan suhu permukaan rata-rata global yang diamati dari
tahun 1951
46 hingga 2010, dan hampir pasti bahwa variabilitas internal saja tidak dapat menjelaskan global yang diamati
47 pemanasan sejak 1951 (Bindoff et al., 2013). AR5 juga menilai dengan keyakinan yang sangat tinggi bahwa
iklim
48 model mereproduksi fitur umum dari peningkatan suhu permukaan rata-rata tahunan skala global lebih
49 1850-2011 dan dengan keyakinan tinggi bahwa model mereproduksi global dan belahan bumi utara (NH)
50 variabilitas suhu pada berbagai skala waktu (Flato et al., 2013). Bagian ini menilai
51 kinerja model CMIP6 generasi baru (lihat Tabel AII.5) dalam mensimulasikan pola, tren, dan
52 variabilitas suhu permukaan, dan bukti dari studi deteksi dan atribusi manusia
53 pengaruh pada perubahan skala besar dalam suhu permukaan.
54
55 Evaluasi model
1 Agar sesuai untuk mendeteksi dan menghubungkan pengaruh manusia pada suhu permukaan rata-rata global,
iklim
2 model perlu mewakili, berdasarkan prinsip-prinsip fisik, baik respons suhu permukaan terhadap eksternal
3 kekuatan dan variabilitas internal dalam suhu permukaan selama berbagai skala waktu. Bagian ini menilai
4 kinerja aspek-aspek tersebut dalam model iklim CMIP6 generasi terbaru. Lihat Bagian 3.8 untuk evaluasi
5 pada skala benua, Bab 10 untuk evaluasi model dalam konteks informasi iklim regional, dan
6 Atlas untuk penilaian kinerja model wilayah demi wilayah.
7
8 Rekonstruksi suhu masa lalu dari proksi paleoklimat (Kotak Lintas-Bab 2.1, Bagian 2.3.1.1)
9 telah digunakan untuk mengevaluasi model pola perubahan suhu iklim masa lalu. AR5 menemukan bahwa
CMIP5
10 (Taylor et al., 2012) model mampu mereproduksi pola suhu skala besar selama Last
MENGE
11 Glacial Maximum (LGM) (Flato et al., 2013) dan mensimulasikan amplifikasi kutub yang secara luas konsisten
dengan
12 rekonstruksi untuk periode hangat (Pliosen dan Eosen) dan dingin (LGM) (Masson-Delmotte et al., 2013a).
13 Sejak AR5, pemahaman yang lebih baik tentang proksi suhu dan ketidakpastiannya dan dalam beberapa kasus
14 pemaksaan yang diterapkan pada simulasi model telah menghasilkan kesepakatan yang lebih baik antara model
DIT
dan rekonstruksi selama a
15 berbagai iklim masa lalu. Untuk periode hangat Pliosen dan Eosen, pemahaman tentang ketidakpastian di
VERSI:
16 proksi suhu (Hollis et al., 2019; McClymont et al., 2020) dan kondisi batas yang digunakan dalam
17 simulasi iklim (Haywood et al., 2016; Lunt et al., 2017) telah meningkat, dan beberapa model sekarang setuju
18 lebih baik dengan proksi suhu untuk periode waktu ini dibandingkan dengan model yang dinilai dalam AR5 (Zhu
et al.,
KAPAN
19 2019; Haywood dkk., 2020; Lunt dkk., 2021) (Bagian 7.4.4.1.2; 7.4.4.2.2; Lintas Bab Kotak 2.4). Untuk
20 Last Interglacial (LIG), peningkatan resolusi temporal proksi suhu (Capron et al., 2017) dan lebih baik
21 apresiasi pentingnya pemaksaan air tawar (Stone et al., 2016) telah mengklarifikasi alasan di balik
22 inkonsistensi model-data yang jelas. Respons suhu LIG regional yang disimulasikan oleh CMIP6 berada dalam
23 rentang ketidakpastian respons suhu yang direkonstruksi, kecuali di daerah di mana perubahan yang belum
terselesaikan
24 dalam sirkulasi laut regional, air lelehan, atau perubahan vegetasi dapat menyebabkan ketidakcocokan model
(Otto-Bliesner
TER
25 dkk., 2021). Untuk LGM, ansambel CMIP5 dan CMIP6 mirip dengan permukaan laut baru
26 rekonstruksi proksi suhu (SST) dan suhu udara permukaan (SAT) (Cleator et al., 2020; Tierney et
27 al., 2020b) (Gambar 3.2a). Simulasi CMIP6 LGM yang sangat dingin oleh CESM2.1 adalah pengecualian yang
terkait dengan
AKHI
28 Sensitivitas Iklim Keseimbangan (ECS) yang tinggi dari model tersebut (Bagian 7.5.6) (Kageyama et al., 2021a;
DITERIMA
Zhu et
29 al., 2021). Gambar 3.2a mengilustrasikan berbagai respons suhu LGM global yang disimulasikan di keduanya
30 ansambel. Model CMIP6 cenderung meremehkan pendinginan di darat, tetapi lebih setuju dengan samudera
R
31 rekonstruksi. Untuk pertengahan Holosen, bias regional yang ditemukan dalam simulasi CMIP5 mirip dengan
yang
32 dalam simulasi pra-industri dan sejarah (Harrison et al., 2015; Ackerley et al., 2017), menunjukkan
K
33 penyebab. Model CMIP5 meremehkan pemanasan Arktik di pertengahan Holosen (Yoshimori dan Suzuki, 2019).
34 model CMIP6 mensimulasikan pendinginan pertengahan lintang, subtropis, dan tropis dibandingkan dengan pra-
industri,wdisini
35 proksi suhu menunjukkan pemanasan (Brierley et al., 2020; Kaufman et al., 2020; lihat juga Bagian
SUBJEKE
36 2.3.1.1.2), meskipun memperhitungkan efek musiman dalam proxy dapat mengurangi perbedaan (Bova et al.,
37 2021). Selama milenium terakhir, anomali suhu yang direkonstruksi dan disimulasikan, variabilitas internal,
38 dan respons paksa sangat sesuai di benua NH, tetapi statistik tersebut sangat tidak setuju di Selatan
39 Hemisphere (SH), di mana model tampaknya melebih-lebihkan respons (HALAMAN 2k-PMIP3, 2015). Itu
40 ketidaksepakatan sebagian dijelaskan oleh rendahnya kualitas rekonstruksi di SH, tetapi model dan/atau
41 kesalahan pemaksaan juga dapat berkontribusi (Neukom et al., 2018). Gambar 3.2b menunjukkan bahwa kontras
pemanasan darat/laut
42 berperilaku koheren dalam simulasi model di beberapa periode, dengan sedikit non-linier dalam pemanasan lahan
43 karena kontribusi yang lebih kecil dari tutupan salju terhadap respons suhu di iklim yang lebih hangat. Berbasis
metrik
44 penilaian simulasi model paleoklimat dilakukan di Bagian 3.8.2.
45
46
47 [MULAI GAMBAR 3.2 DI SINI]
48
49 Gambar 3.2: Perubahan suhu permukaan untuk paleoklimat yang berbeda. (a) Perbandingan antara yang
direkonstruksi dan
50 model anomali suhu permukaan untuk Maksimum Glasial Terakhir di atas daratan dan lautan di
51 Tropis (30 ° LU sampai 30 ° S). Rekonstruksi berbasis lahan berasal dari Cleator et al., (2020). Berbasis laut
52 rekonstruksi berasal dari Tierney et al. (2020). Poin model dihitung sebagai perbedaan antara Last
53 Simulasi kontrol maksimum dan pra-industri Glasial dari ansambel PMIP3 dan PMIP4, diambil sampelnya di
54 titik data rekonstruksi. (b) Kontras darat-laut dalam perubahan suhu permukaan rata-rata global untuk
55 paleoklimat yang berbeda. Persilangan menunjukkan simulasi model individu dari CMIP5 dan CMIP6
56 ansambel. Simbol yang diisi menunjukkan sarana ansambel dan nilai yang dinilai. Akronimnya adalah LGM Last
Glacial
1 Maksimum, LIG Inter Glasial Terakhir, MPWP Pertengahan Pliosen Periode Hangat, Iklim Eosen Awal
EECO
2 Optimal. (c) Panel atas menunjukkan deret waktu gaya radiasi vulkanik, dalam W m 2, seperti yang
digunakan dalam
3 CMIP5 (Gao et al., 2008; Crowley dan Unterman, 2013; lihat juga Schmidt et al., 2011) dan CMIP6 ( 850
4 BCE hingga 1900 CE dari Toohey dan Sigl (2017), 1850-2015 dari Luo (2018)). Pemaksaan telah
5 menghitungulated dari kedalaman optik aerosol stratosfer pada 550 nm ditunjukkan pada Gambar 2.2.Lpertunjukan panel
ower
6 deret waktu anomali suhu permukaan rata-rata global, dalam K, sehubungan dengan 1850-1900 untuk CMIP5
7 dan CMIP6 melewati 1000 simulasi dan simulasi kelanjutan historisnya. Simulasi diwarnai
8 menurut dataset pemaksaan radiasi vulkanik yang mereka gunakan. Rekonstruksi median suhu oleh
9 PAGES 2k Consortium (2019) ditampilkan dalam warna hitam, interval kepercayaan 5-95% dengan garis
abu-abu dan
10 amplop abu-abu menunjukkan persentil 1, 5, 15, 25, 35, 45, 55, 65, 75, 85, 95, dan 99. Semua data di kedua panel
MENGE
11 adalah band-passed, di mana frekuensi lebih lama dari 20 tahun telah dipertahankan. Detail lebih lanjut tentang
data
12 sumber dan pemrosesan tersedia di tabel data bab (Tabel 3.SM.1).
13
14 [AKHIR GAMBAR 3.2 DI SINI]
15
16
DIT
diamati
VERSI:
17 Untuk periode sejarah, AR5 menilai dengan keyakinan yang sangat tinggi bahwa model CMIP5 direproduksi
18 pola suhu permukaan rata-rata skala besar, meskipun kesalahan beberapa derajat muncul di daerah tinggi,
19 seperti Himalaya dan Antartika, dekat tepi es laut di Atlantik Utara, dan di upwelling
KAPAN
20 wilayah. Penilaian ini diperbarui di sini untuk simulasi CMIP6. Gambar 3.3 menunjukkan rata-rata tahunan
21 suhu udara permukaan pada 2 m untuk sarana multi-model CMIP5 dan CMIP6, keduanya dibandingkan dengan
ERA5
22 analisis ulang (lihat Bagian 1.5.2) untuk periode 1995-2014. Distribusi bias serupa di CMIP5 dan
23 model CMIP6, sebagaimana telah dicatat oleh beberapa penelitian (Crueger et al., 2018; Găinuşă-Bogdan et al.,
2018;
24 Kuhlbrodt dkk., 2018; Lauer et al., 2018). Bias suhu Arktik tampaknya lebih luas di keduanya
25 ensemble dari yang dinilai pada saat AR5. Penyebab mendasar dari bias suhu tetap ada
26 sulit dipahami, dengan kesalahan dalam awan (Lauer et al., 2018), sirkulasi laut (Kuhlbrodt et al., 2018), angin
(Lauer et al., 2018),
TER
27 et al., 2018), dan anggaran energi permukaan (Hourdin et al., 2015; Séférian et al., 2016; Găinuşă-Bogdan et al.,
28 2018) menjadi kandidat yang sering dikutip. Peningkatan resolusi horizontal menunjukkan janji penurunan long-
DITERIMA
29 bias berdiri pada suhu permukaan di wilayah yang luas (Bock et al., 2020). Panel e dan f dari Gambar 3.3
AKHI
30 menunjukkan bahwa bias dalam Proyek Interkomparasi Model Resolusi Tinggi rata-rata (HighResMIP, Haarsma
et al.,
31 2016) model (lihat juga Tabel AII.6) lebih kecil daripada rata-rata resolusi rendah yang sesuai
32 versi dari model yang sama yang mensimulasikan periode yang sama (lihat juga Bagian 3.8.2.2). Namun, biasnya
K R
33 pengurangan sederhana (Palmer dan Stevens, 2019). Selain itu, bias jumlah model yang terbatas
34 berpartisipasi dalam HighResMIP tidak sepenuhnya mewakili bias CMIP6 secara keseluruhan, terutama di
35 Samudra Selatan, seperti yang ditunjukkan dengan membandingkan panel b dan f pada Gambar 3.3.
36
37
SUBJEKE
39
40 Gambar 3.3: Suhu udara rata-rata permukaan tahunan (2 m) (°C) untuk periode 1995–2014. (a) Multi-model
41 (ensemble) mean dibangun dengan satu realisasi eksperimen historis CMIP6 dari masing-masing model.
42 (b) Bias rata-rata multi-model, didefinisikan sebagai perbedaan antara rata-rata multi-model CMIP6 dan
43 klimatologi generasi kelima ECMWF analisis ulang atmosfer iklim global (ERA5).
44 (c) Rerata multi-model dari kesalahan akar kuadrat rata-rata dihitung selama semua bulan secara terpisah dan
dirata-rata
45 sehubungan dengan klimatologi dari ERA5. (d) Bias multi-model-mean sebagai perbedaan antara
46 CMIP6 multi-model mean dan klimatologi dari ERA5. Juga ditampilkan adalah bias rata-rata multi-model
47 sebagai perbedaan antara mean multi-model dari (e) resolusi tinggi dan (f) resolusi rendah
48 simulasi empat model HighResMIP dan klimatologi dari ERA5. Ketidakpastian diwakili
49 menggunakan pendekatan lanjutan: Tidak ada hamparan menunjukkan wilayah dengan sinyal kuat, di mana 66%
model
50 menunjukkan perubahan lebih besar dari ambang variabilitas dan 80% dari semua model setuju pada tanda
perubahan;
51 garis diagonal menunjukkan wilayah tanpa perubahan atau tanpa sinyal kuat, di mana <66% model menunjukkan
a
52 perubahan lebih besar dari ambang variabilitas; garis bersilangan menunjukkan daerah dengan sinyal yang
bertentangan,
53 di mana 66% model menunjukkan perubahan lebih besar dari ambang variabilitas dan <80% dari semua model
setuju
54 tanda perubahan. Untuk informasi lebih lanjut tentang pendekatan lanjutan, silakan merujuk ke Kotak Lintas Bab
55 Atlas.1. Titik di panel e) menandai area di mana bias dalam versi resolusi tinggi dari HighResMIP
56 model lebih rendah di setidaknya 3 dari 4 model daripada di versi resolusi rendah yang sesuai. Lebih jauh
57 rincian tentang sumber dan pemrosesan data tersedia di tabel data bab (Tabel 3.SM.1).
58
2
3
4 AR5 dinilai dengan keyakinan yang sangat tinggi bahwa model mereproduksi sejarah umum peningkatan
global-
5 skala suhu permukaan rata-rata tahunan sejak tahun 1850, meskipun AR5 juga melaporkan bahwa
6 pengurangan laju pemanasan selama periode 1998-2012 tidak direproduksi oleh model (Flato et al.,
7 2013) (lihat Lintas Bab Kotak 3.1). Gambar 3.2c dan Gambar 3.4 menunjukkan deret waktu anomali per
tahun
8 dan suhu permukaan rata-rata global yang disimulasikan oleh model CMIP5 dan CMIP6 selama milenium
terakhir
9 dan periode 1850 hingga 2020, masing-masing, dengan baseline ditetapkan ke 1850-1900 (lihat Bagian
1.4.1). Seperti juga
MENGE
10 ditunjukkan oleh Gambar 3.4, penyebaran suhu absolut simulasi besar (Palmer dan Stevens, 2019).
11 Tetapi diskusi didasarkan pada deret waktu anomali suhu dan bukan suhu absolut karena
12 fokusnya adalah pada evaluasi simulasi perubahan iklim dalam model-model ini, dan juga karena anomali-
anomalinya
DIT
13 lebih terdistribusi secara seragam dan lebih mudah dihilangkan musimnya untuk mengisolasi tren jangka panjang
(lihat Bagian
14 1.4.1). Model CMIP6 secara luas mereproduksi variasi suhu permukaan selama milenium terakhir, termasuk
15 pendinginan yang mengikuti periode vulkanisme intens (keyakinan sedang) (Gambar 3.2c). Simulasi GMST
VERSI:
16 anomali berada dalam kisaran ketidakpastian rekonstruksi suhu (kepercayaan sedang) karena
17 sekitar tahun 1300, kecuali untuk beberapa periode singkat segera setelah letusan gunung berapi besar, untuk
18 simulasi yang didorong oleh kumpulan data pemaksaan yang berbeda tidak setuju (Gambar 3.2c). Sebelum tahun
1300, lebih besar
KAPAN
19 ketidaksepakatan antara model dan rekonstruksi suhu dapat diharapkan karena memaksa dan
20 rekonstruksi suhu semakin tidak pasti di masa lalu, tetapi penyebab spesifiknya belum
21 diidentifikasi secara meyakinkan (Ljungqvist et al., 2019; PAGES 2k Consortium, 2019) (kepercayaan sedang).
Untuk
22 periode sejarah, hasil untuk CMIP6 yang ditunjukkan pada Gambar 3.4 menunjukkan bahwa sejarah kualitatif
permukaan
23 peningkatan suhu direproduksi dengan baik, termasuk peningkatan laju pemanasan yang dimulai pada 1960-an
dan
24 pendinginan sementara yang mengikuti letusan gunung berapi besar.
25
TER
26 Meskipun hampir semua grup pemodelan CMIP6 melaporkan peningkatan dalam kemampuan model mereka
untuk mensimulasikan
DITERIMA
27 iklim saat ini dibandingkan dengan versi CMIP5 (Gettelman et al., 2019; Golaz et al., 2019; Mauritsen et al.,
AKHI
28 2019; Swart dkk., 2019; Voldoire dkk., 2019b; Wu dkk., 2019c; Bock dkk., 2020; Boucher dkk., 2020a;
29 Dunne et al., 2020), tidak serta merta berarti simulasi tren suhu juga meningkat
30 (Bock et al., 2020; Fasullo et al., 2020). Ansambel multi-model CMIP6 mencakup pemanasan yang diamati
31 dan mean multi-model melacak pengamatan tersebut dalam 0,2°C selama sebagian besar periode sejarah.
K R
32 Gambar 3.4 menegaskan temuan Papalexiou et al. (2020), yang disorot berdasarkan 29 model CMIP6
33 bahwa kebanyakan model meniru periode pemanasan lambat antara tahun 1942 dan 1975 dan akhir abad kedua
puluh
34 pemanasan (1975–2014). Rata-rata multi-model CMIP6 lebih dingin selama periode 1980-2000 daripada
keduanya
E
35 observasi dan CMIP5 (Bock et al., 2020; Flynn dan Mauritsen, 2020; Gillett et al., 2021; Gambar 3.4).
36 Bias beberapa persepuluh derajat dalam beberapa model CMIP6 selama periode tersebut mungkin disebabkan
oleh perkiraan yang terlalu tinggi
37 dalam pemaksaan radiasi aerosol (Andrews et al., 2020; Dittus et al., 2020; Flynn dan Mauritsen, 2020) (lihat
juga
38 Bagian 6.3.5, Gambar 6.8, dan Bagian 7.3.3). Papalexiou dkk. (2020), Stolpe dkk. (2020) dan Tokarska et al.
SUBJEK
39 (2020) semua melaporkan bahwa model CMIP6 rata-rata melebih-lebihkan pemanasan dari tahun 1970-an atau
1980-an hingga
40 tahun 2010, meskipun kesimpulan kuantitatif bergantung pada dataset observasional mana yang dibandingkan
(lihat
41 juga Tabel 2.4). Namun, Gambar 3.4, yang mencakup lebih banyak model daripada yang tersedia untuk itu
42 studi, menunjukkan bahwa rata-rata model CMIP6 melacak pemanasan yang lebih baik daripada model CMIP5
setelahnya
43 tahun 2000. Multi-model CMIP6 berarti pemanasan GSAT antara 1850-1900 dan 2010-2019 dan
44 kisaran 5-95% terkait adalah 1,09°C (0,66 hingga 1,64°C). Cross-Bab Box 2.3 menilai pemanasan GSAT selama
45 periode yang sama pada 1,06°C (0,88 hingga 1,21°C). Jadi beberapa model CMIP6 mensimulasikan pemanasan
yang lebih kecil dari
46 menilai rentang pengamatan, dan model CMIP6 lainnya mensimulasikan pemanasan yang lebih besar. Itu
melebih-lebihkan
47 pemanasan mungkin merupakan gejala awal dari perkiraan sensitivitas iklim ekuilibrium (ECS) yang terlalu
tinggi di beberapa CMIP6
48 model (Meehl et al., 2020; Schlund et al., 2020) (lihat juga Bagian 7.5.6), dan memiliki implikasi untuk
49 proyeksi perubahan GSAT (lihat Bab 4) (Liang et al., 2020; Nijsse et al., 2020; Tokarska et al., 2020;
50 Ribes dkk., 2021). Dalam beberapa model, ECS yang besar dan tekanan aerosol yang kuat menyebabkan terlalu
besar mid-20th
Pendinginan abad ke-51 diikuti dengan perkiraan tingkat pemanasan yang terlalu tinggi di akhir 20 thsenury ketika
emisi aerosol
52 penurunan (Golaz et al., 2019; Flynn dan Mauritsen, 2020). Bias suhu didorong oleh kedua model
53 fisika dan pemaksaan yang ditentukan, yang merupakan tantangan untuk pengembangan model.
54
55 Chylek dkk. (2020) berpendapat bahwa model CMIP5 melebih-lebihkan respons suhu terhadap letusan gunung
berapi.
1 Lehner dkk. (2016), Rypdal (2018) dan Stolpe dkk. (2020) arahkan ke efek kompensasi yang terlewatkan pada
2 perubahan suhu permukaan yang terkait dengan El-Nino Southern Oscillation (ENSO) atau Atlantik
3 Osilasi Multidekadal (AMO). Pandangan alternatif melihat respons ENSO dan AMO itu sebagai ekspresi
4 perubahan umpan balik iklim yang didorong oleh pola geografis perubahan SPL (Andrews et al., 2018).
5 Setidaknya satu model mampu mereproduksi efek pola seperti itu (Gregory dan Andrews, 2016). Kesalahan
dalam
6 pemaksaan vulkanik yang ditentukan dalam simulasi, termasuk untuk CMIP6 (Rieger et al., 2020), juga
memperkenalkan
7 perbedaan dengan respon suhu yang diamati, terlepas dari kualitas model fisika. Di dalam
8 Selain itu, perbandingan respons suhu yang dimodelkan terhadap letusan besar selama milenium terakhir
hingga
9 rekonstruksi suhu berdasarkan lingkaran pohon menunjukkan kesepakatan yang jauh lebih baik (Lücke et al.,
MENGE
2019; Zhu et al.,
10 2020a) dibandingkan dengan perbandingan rekonstruksi proksi multi-suhu tahunan yang ditunjukkan pada
Gambar 3.2c. Ini
11 pertimbangan, dan Gambar 3.2c dan 3.4, menunjukkan bahwa model CMIP6 tidak secara sistematis melebih-
lebihkan
13
DIT
12 pendinginan yang mengikuti letusan gunung berapi besar (lihat juga Lintas Bab Kotak 4.1).
14 Saat menafsirkan simulasi model perubahan suhu historis, penting untuk diingat bahwa
15 beberapa model disetel untuk mewakili tren yang diamati dalam suhu permukaan rata-rata global selama
VERSI:
16 periode sejarah (Hourdin et al., 2017). Pada Gambar 3.4 model CMIP6 yang didokumentasikan untuk disetel ke
17 mereproduksi pemanasan yang diamati, biasanya dengan menyetel tekanan aerosol atau faktor-faktor yang
memengaruhi ECS model,
18 ditandai dengan tanda bintang. Penyetelan model seperti itu dapat sangat memengaruhi proyeksi suhunya
KAPAN
19 (Mauritsen dan Roeckner, 2020). Namun, Bock et al. (2020) melaporkan bahwa tidak ada statistik
20 perbedaan yang signifikan dalam multi-model mean GSAT antara model yang telah disetel berdasarkan
21 mengamati pemanasan dibandingkan dengan mereka yang tidak. Selain itu, hanya dua dari tiga belas model yang
digunakan untuk
22 simulasi DAMIP yang menjadi dasar studi atribusi CMIP6 disetel ke arah pemanasan historis
23 (Bock et al., 2020; Gillett et al., 2021). Selanjutnya, penyetelan dilakukan pada jumlah rata-rata global, jadi tidak
24 secara substansial mengubah pola respons spatio-temporal di mana banyak atribusi berbasis regresi
25 studi didasarkan (Bock et al., 2020). Oleh karena itu, kami menilai dengan keyakinan tinggi bahwa penyetelan
kecil
TER
26 jumlah model CMIP6 untuk pemanasan yang diamati tidak secara substansial mempengaruhi hasil atribusi yang
dinilai
DITERIMA
27 dalam bab ini.
AKHI
28
29
31
R
32 Gambar 3.4: Deret waktu yang diamati dan disimulasikan dari anomali di udara dekat permukaan rata-rata
tahunan dan global
K
33 suhu (GSAT). Semua anomali adalah perbedaan dari rata-rata waktu 1850-1900 setiap individu
34 seri waktu. Periode referensi 1850-1900 ditandai dengan bayangan abu-abu. (a) Simulasi tunggal dari
35 model CMIP6 (garis tipis) dan mean multi-model (garis merah tebal). Data observasi (hitam pekat
36 garis) adalah HadCRUT5, dan merupakan suhu permukaan campuran (suhu udara 2 m di atas darat dan laut
37 suhu permukaan di atas lautan). Semua model telah diambil sampelnya menggunakan HadCRUT5
E
38 topeng data observasi. Garis vertikal menunjukkan sejarah letusan gunung berapi yang besar. model CMIP6 yang
39 ditandai dengan tanda bintang disetel untuk mereproduksi pemanasan yang diamati secara langsung, atau tidak
langsung dengan
SUBJEK
40 menyetel sensitivitas iklim keseimbangan. Inset: GSAT untuk setiap model selama periode referensi, tidak
tertutup
41 untuk setiap pengamatan. (B). Sarana multi-model dari ansambel CMIP5 (garis biru) dan CMIP6 (garis merah)
dan
42 terkait 5 hingga 95 rentang persentil (wilayah berbayang). Data pengamatan adalah HadCRUT5, Berkeley Earth,
43 NOAAGlobalTemp-Interim dan Kadow et al. (2020). Masking dilakukan seperti pada (a). Sejarah CMIP6
44 simulasi diperpanjang dengan simulasi SSP2-4.5 untuk periode 2015-2020 dan simulasi CMIP5 adalah
45 diperpanjang dengan simulasi RCP4.5 untuk periode 2006-2020. Semua anggota ansambel yang tersedia
digunakan
46 (lihat Bagian 3.2). Sarana dan persentil multi-model dihitung hanya dari simulasi
47 tersedia untuk seluruh rentang waktu (1850-2020). Gambar diperbarui dari Bock et al. (2020), Angka mereka 1
48 dan 2. / CC BY4.0https://creativecommons.org/licenses/by/4.0/.Further detail tentang sumber data dan
49 pemrosesan tersedia di tabel data bab (Tabel 3.SM.1).
50
52
53
54 Ketergantungan studi deteksi dan atribusi pada model iklim (lihat Bagian 3.2) mensyaratkan bahwa:
55 model mensimulasikan statistik realistis variabilitas internal pada rentang waktu multi-dekade. Perkiraan yang
salah
56 variabilitas dalam model akan mempengaruhi keyakinan kesimpulan dari deteksi dan atribusi. AR5
57 menemukan bahwa model CMIP5 mensimulasikan variabilitas realistis dalam suhu permukaan rata-rata global
pada waktu dekade
1, dengan variabilitas pada skala waktu multi-dekade menjadi lebih sulit untuk dievaluasi karena pendeknya
2 catatan observasi (Flato et al., 2013). Sejak AR5, pekerjaan baru telah mencirikan kontribusi dari
3 variabilitas di wilayah laut yang berbeda dengan variabilitas SST, dengan mode variabilitas tropis seperti ENSO
dominan
4 pada skala waktu 5 hingga 10 tahun, sementara skala waktu yang lebih lama melihat varians maxima
bergerak ke arah kutub
5 Samudra Atlantik Utara, Pasifik Utara, dan Selatan (Monselesan et al., 2015). Namun, mungkin ada
6 saling ketergantungan dua arah yang cukup besar antara ENSO dan variabilitas suhu permukaan laut di
berbagai
7 cekungan (Kumar et al., 2014; Cai et al., 2019), dan pengaruh ENSO terhadap variabilitas suhu permukaan
global
8 mungkin tidak terbatas hanya pada rentang waktu dekade (Triacca et al., 2014). Studi berdasarkan ansambel
MENGE
besar
9 20thNSh 21STsenSimulasi perubahan iklim memastikan bahwa variabilitas internal memiliki pengaruh yang
substansial
10 tentang tren pemanasan global selama periode yang lebih pendek dari 30-40 tahun (Kay et al., 2015; Dai dan
Bloecker, 2019).
DIT
11 Meskipun Pasifik khatulistiwa tampaknya menjadi sumber utama variabilitas internal pada skala waktu dekade,
12 Brown dkk. (2016) mengaitkan keragaman dalam model konveksi samudera, es laut, dan anggaran energi di
13 wilayah lintang untuk keragaman keseluruhan dalam variabilitas internal yang dimodelkan.
14
15 Ketertarikan pada variabilitas internal sejak publikasi AR5 sebagian berasal dari pentingnya dalam
VERSI:
16 memahami pemanasan suhu permukaan global yang lebih lambat selama awal 21 STsenury (lihat Cross-Bab
17 Kotak 3.1). Bukti yang sebagian besar berasal dari studi paleo beragam tentang apakah model CMIP5
meremehkan
18 variabilitas dekade dan multi-dekad dalam suhu rata-rata global. Schurer dkk. (2013) ditemukan baik
KAPAN
19 kesepakatan antara variabilitas internal yang berasal dari rekonstruksi paleo, diperkirakan sebagai fraksi dari
20 varians yang tidak dijelaskan oleh respons paksa, dan variabilitas yang dimodelkan, meskipun subset dari CMIP5
21 model yang mereka gunakan mungkin telah dikaitkan dengan variabilitas yang lebih besar daripada ansambel
CMIP5 lengkap. HALAMAN 2k
22 Consortium (2019) menemukan bahwa tren 51 tahun terbesar di kedua rekonstruksi suhu rata-rata global
23 dan simulasi iklim yang sepenuhnya dipaksakan selama periode 850 hingga 1850 hampir identik. Zhu dkk.
(2019a)
24 menunjukkan kesepakatan dalam spektrum temporal yang dimodelkan dan direkonstruksi dari suhu permukaan
global pada
25 rentang waktu tahunan hingga multi-milenial. Namun, mereka menyarankan bahwa variabilitas dekade-ke-seratus
sebagian
TER
26 dipaksa oleh perubahan orbit lambat yang mendahului milenium terakhir. Hal ini sesuai dengan Gebbie dan
Huybers
27 (2019), yang menunjukkan bahwa laut dalam tidak seimbang selama periode tersebut. Laepple dan Huybers
AKHI
28 (2014) menemukan kesepakatan yang baik antara variabilitas suhu laut dekaden yang dimodelkan dan diturunkan
dari proxy,
DITERIMA
29 tetapi meremehkan varians oleh model dengan setidaknya faktor sepuluh pada rentang waktu seratus tahun
karena model
R
30 meremehkan perbedaan antara periode hangat dan dingin pada milenium terakhir. Parson dkk. (2020)
31 menemukan bahwa beberapa model CMIP6 menunjukkan variabilitas multidecadal yang jauh lebih tinggi dalam
GSAT daripada model CMIP5,
32 dengan indikasi bahwa variabilitas dalam model ini juga lebih tinggi dibandingkan dengan rekonstruksi proksi.
CMIP6
K
33 model tidak boleh diremehkan oleh model CMIP5 variabilitas dalam mode dekade ke multidekadal
34 variabilitas, seperti variabilitas dekadal Pasifik (Bagian 3.7.6) (England et al., 2014; Thompson et al.,
35 2014; Schurer et al., 2015) dan Atlantic Multidecadal Variability (AMV, yang mungkin sebagian dipaksakan,
lihat
E
36 Bagian 3.7.7) tetapi penilaian ini dibatasi oleh sedikitnya jumlah studi yang tersedia. Untuk SH, Hegerl et
37 al. (2018) menemukan contoh variabilitas internal di awal 20 thsenury lebih besar dari yang dimodelkan, tapi
38 menunjukkan bahwa bisa menjadi masalah observasional. Friedman dkk. (2020) menemukan bias pada SST
SUBJEK
interhemispheric
39 kontras dalam beberapa model yang mungkin konsisten dengan pendinginan yang diremehkan setelah awal
20thsenury
40 letusan atau variabilitas dekadal Pasifik yang diremehkan, tetapi bisa juga karena pemisahan yang tidak sempurna
41 antara variabilitas internal dan sinyal paksa dalam pengamatan. Gambar 3.2c, diperbarui dari HALAMAN 2k
42 Consortium (2019), membandingkan suhu yang dimodelkan dengan rekonstruksi selama milenium terakhir. Ini
menunjukkan
43 bahwa model mereproduksi variabilitas yang diamati dengan baik, setidaknya untuk rentang waktu antara 20 dan
50 tahun itu
44 rekonstruksi paleo biasanya diselesaikan dan yang diwakili oleh gambar tersebut. Singkatnya, variabilitas GMST
dekadal
45 yang disimulasikan dalam model CMIP6 mencakup kisaran variabilitas dekadal residual dalam rekonstruksi skala
besar
46 (bukti sedang, persetujuan rendah).
47
48 Selain itu, literatur baru menunjukkan bahwa pemaksaan antropogenik itu sendiri dapat meningkat atau menurun
secara lokal
49 variabilitas suhu permukaan (Screen et al., 2014; Qian dan Zhang, 2015; Brown et al., 2017; Park et al.
50 al., 2018; Santer dkk., 2018; Weller et al., 2020). Studi tersebut menyiratkan keterbatasan dalam penggunaan pra-
industri
51 simulasi kontrol untuk mengukur peran variabilitas paksa selama periode sejarah. Beberapa baru-baru ini
52 studi atribusi (Gillett et al., 2021; Ribes et al., 2021) telah memperkirakan variabilitas dari ansambel
53 simulasi paksa sebagai gantinya, yang diharapkan dapat menyelesaikan perubahan variabilitas semacam itu.
54
55 Gambar 3.5 menunjukkan standar deviasi suhu permukaan rata-rata zona dalam kontrol pra-industri CMIP6
1 simulasi dan dataset suhu yang diamati. Hasil konsisten dengan yang didasarkan pada model CMIP5,
2 yang menunjukkan penyebaran model terbesar dimana variabilitasnya juga besar, di daerah tropis dan
menengah hingga tinggi.
3 garis lintang (Flato et al., 2013). Variabilitas yang dimodelkan berada dalam faktor dua dari variabilitas yang
diamati di sebagian besar
4 dunia. Perkiraan yang terlalu tinggi dari variabilitas garis lintang tinggi dalam model dibandingkan dengan
pengamatan mungkin
5 karena interpolasi dan pengisian data di wilayah lintang tinggi yang jarang dalam produk pengamatan
6 ditampilkan di sini (Jones, 2016).
7
8
MENGE
10
11 Gambar 3.5: Standar deviasi suhu udara dekat permukaan rata-rata zona rata-rata tahunan. Ini adalah
12 ditampilkan untuk empat set data suhu yang diamati (HadCRUT5, Berkeley Earth,
13 NOAAGlobalTemp-Interim dan Kadow et al. (2020), untuk tahun 1995-2014) dan 59 CMIP6 sebelum
14 simulasi kontrol industri (satu anggota ensemble per model, 65 tahun) (setelah Jones et al., 2013). Untuk
VERSI:DIT
15 warna garis lihat legenda Gambar 3.4. Selain itu, mean multi-model (merah) dan standar deviasi
16 (bayangan abu-abu) ditampilkan. Dataset observasional dan model dihentikan dengan menghapus least-
17 kuadrat tren kuadrat. Rincian lebih lanjut tentang sumber dan pemrosesan data tersedia di bab data
18 tabel (Tabel 3.SM.1).
19
21
22 KAPAN
23 Paragraf sebelumnya mengambil pandangan ansambel rata-rata kinerja model, tetapi model individu tidak setuju
24 tentang variabilitas yang tidak dipaksakan. Gambar 3.6 mengilustrasikan perbedaan besar dalam variabilitas
GSAT dalam CMIP6 yang tidak dipaksakan
TER
25 simulasi kontrol pra-industri, mengikuti metode Parsons et al. (2020). Suhu permukaan dalam
26 kondisi pra-industri sangat bervariasi dalam sepuluh model yang disorot pada Gambar 3.6a, dan beberapa
27 model secara substansial melebihi variabilitas yang terlihat pada model CMIP5 (Parsons et al., 2020). Gambar
3.6b menunjukkan
28 bahwa distribusi tren pemanasan yang disimulasikan oleh model CMIP6 dalam simulasi historis jelas
DITERIMA
dari lima yang paling
AKHI
29 berbeda dari yang disimulasikan dalam simulasi piControl yang tidak dipaksakan. Tetap saja, variabilitas paksa
30 model variabel mendekati setengah yang diamati selama periode sejarah di bawah paksaan antropogenik
31 kondisi (Gambar 3.6c) (Parsons et al., 2020; Ribes et al., 2021). Untuk Pusat Nasional de la Recherche
R
32 model Météorologique (CNRM), yang termasuk paling bervariasi, variabilitas frekuensi rendah yang besar adalah
33 dikaitkan dengan Variabilitas Multidecadal Atlantik simulasi yang kuat (Séférian et al., 2019; Voldoire et al.,
K
34 2019b), yang sulit dibantah karena catatan pengamatan yang singkat (Cassou et al., 2018;
35 Bagian 3.7.7). Tapi, yang terpenting, pola variabilitas suhu disimulasikan bahkan oleh yang paling bervariasi
36 model berbeda dari pola perubahan suhu paksa (Parsons et al., 2020). Diambil bersama-sama, ini
37 diskusi dan Gambar 3.2, 3.5 dan 3.6 menunjukkan bahwa statistik variabilitas internal dalam model
E
membandingkan
38 baik dalam banyak kasus untuk perkiraan pengamatan dan rekonstruksi proksi suhu, meskipun beberapa CMIP6
39 model tampaknya memiliki variabilitas multidecadal yang lebih tinggi daripada model CMIP5 atau rekonstruksi
SUBJEK
proxy. Kapan
40 digunakan dalam studi atribusi, model dengan variabilitas yang ditaksir terlalu tinggi akan meningkatkan estimasi
ketidakpastian dan
41 membuat hasil secara statistik konservatif.
42
43
45
46 Gambar 3.6: Simulasi variabilitas internal suhu udara permukaan global (GSAT) versus perubahan yang diamati.
47 (a) Deret waktu 5 tahun berjalan rata-rata anomali GSAT di 45 CMIP6 kontrol pra-industri (tidak dipaksakan)
48 simulasi. 10 model paling bervariasi dalam hal GSAT rata-rata berjalan 5 tahun diwarnai menurut
49 ke legenda pada Gambar 3.4. (b) Histogram perubahan GSAT dalam simulasi historis CMIP6 (diperpanjang
50 dengan simulasi SSP2-4.5) dari tahun 1850-1900 hingga 2010-2019 ditunjukkan oleh bayangan merah muda di
(c), dan GSAT
51 perubahan dari rata-rata 51 tahun pertama menjadi rata-rata 20 tahun terakhir dari segmen yang tumpang tindih
selama 170 tahun
52 simulasi kontrol pra-industri yang ditunjukkan pada (a) ditunjukkan oleh bayangan biru. Perubahan GMT
53 dataset pengamatan untuk periode yang sama ditandai dengan garis vertikal hitam. (c) Diamati GMST
54 deret waktu anomali relatif terhadap rata-rata 1850-1900. Garis hitam mewakili sarana berjalan 5 tahun
55 sementara garis abu-abu menunjukkan deret waktu tahunan tanpa filter. Rincian lebih lanjut tentang sumber dan
pemrosesan data adalah
56 tersedia dalam tabel data bab (Tabel 3.SM.1).
57
2
3
4 Singkatnya, ada keyakinan tinggi bahwa model CMIP6 mereproduksi permukaan rata-rata skala besar
yang diamati
5 pola suhu dan variabilitas internal serta pendahulunya CMIP5, tetapi dengan sedikit bukti untuk
6 bias berkurang. Model CMIP6 juga mereproduksi perubahan GSAT historis yang serupa dengan CMIP5
7 rekan (kepercayaan sedang). Namun, terlepas dari ketidaksempurnaan model, ada kepercayaan diri yang
sangat tinggi
8 yang bias dalam tren suhu permukaan dan variabilitas yang disimulasikan oleh ansambel CMIP5 dan CMIP6
adalah
9 cukup kecil untuk mendukung deteksi dan atribusi pemanasan yang disebabkan oleh manusia.
10
11 Deteksi dan atribusi
MENGE
12 Melihat periode sebelum rekaman instrumental, AR5 menilai dengan keyakinan tinggi bahwa 20 th
Pemanasan suhu permukaan rata-rata tahunan abad ke-13 membalikkan tren pendinginan 5000 tahun di NH
menengah ke atas
DIT
14 garis lintang yang disebabkan oleh gaya orbital, dan menghubungkan pembalikan dengan gaya antropogenik
dengan keyakinan tinggi
15 (lihat juga Bagian 2.3.1.1). Sejak AR5, respons gabungan terhadap pemaksaan solar, vulkanik, dan gas rumah
kaca
VERSI:
16 terdeteksi di semua benua NH (HALAMAN 2k-PMIP3, 2015) selama periode 864 hingga 1840. Sebaliknya,
17 efek pemaksaan tersebut tidak terdeteksi di SH (Neukom et al., 2018). Suhu global dan NH
18 perubahan dari rekonstruksi selama periode ini sebagian besar disebabkan oleh pemaksaan vulkanik (Schurer et
al.,
KAPAN
19 2014a; McGregor dkk., 2015; Otto-Bliesner dkk., 2016; Konsorsium HALAMAN 2k, 2019; Buntgen dkk.,
20 2020), dengan peran yang lebih kecil untuk perubahan pemaksaan rumah kaca, dan pemaksaan matahari
memainkan peran kecil (Schurer
21 dkk., 2014b; Konsorsium HALAMAN 2k, 2019).
22
23 Berfokus sekarang pada pemanasan selama periode sejarah, AR5 menilai bahwa sangat mungkin bahwa manusia
Pengaruh 24 adalah penyebab dominan dari pemanasan yang diamati sejak pertengahan 20 THsenury, dan itu adalah
25 hampir pasti bahwa pemanasan selama periode yang sama tidak dapat dijelaskan oleh variabilitas internal saja.
Sejak
TER
26 AR5 banyak studi atribusi baru tentang perubahan suhu permukaan global telah berfokus pada metodologi
27 uang muka (lihat juga Bagian 3.2). Kemajuan tersebut termasuk akuntansi yang lebih baik untuk observasional
DITERIMA
dan model
AKHI
28 ketidakpastian, dan variabilitas internal (Ribes dan Terray, 2013; Hannart, 2016; Ribes et al., 2017; Schurer et
29 al., 2018); merumuskan masalah atribusi dalam kerangka kontrafaktual (Hannart dan Naveau, 2018);
30 dan mengurangi ketergantungan atribusi pada ketidakpastian dalam sensitivitas dan pemaksaan iklim (Otto et al.,
31 2015; Haustein dkk., 2017, 2019). Studi sekarang menjelaskan ketidakpastian dalam statistik internal
R
32 variabilitas, baik secara eksplisit (Hannart, 2016; Hannart dan Naveau, 2018; Ribes et al., 2021) maupun secara
implisit
K
33 (Ribes and Terray, 2013; Schurer et al., 2018; Gillett et al., 2021), dengan demikian mengatasi kekhawatiran
tentang over-
34 kesimpulan atribusi yang meyakinkan. Memperhitungkan ketidakpastian pengamatan meningkatkan kisaran
pemanasan
E
35 disebabkan oleh gas rumah kaca hanya 10 hingga 30% (Jones dan Kennedy, 2017; Schurer et al., 2018). Ketika
36 beberapa studi atribusi memperkirakan perubahan yang dapat diatribusikan dalam GSAT yang lengkap secara
global (Schurer et al., 2018;
37 Gillett dkk., 2021; Ribes et al., 2021), yang lain mengaitkan perubahan dalam GMST observasional, tetapi ini
SUBJEK
membuat sedikit
38 perbedaan kesimpulan atribusi (Schurer et al., 2018). Selain itu, berdasarkan sintesis observasional
39 dan bukti pemodelan, Cross-Chapter Box 2.3 menilai bahwa estimasi terbaik saat ini dari faktor penskalaan
40 antara GMST dan GSAT adalah satu, dan oleh karena itu studi atribusi GMST dan GSAT diperlakukan di sini
41 bersama-sama dalam menurunkan rentang pemanasan yang dinilai. Studi juga semakin memvalidasi multi-model
mereka
42 pendekatan menggunakan uji model yang tidak sempurna (Schurer et al., 2018; Gillett et al., 2021; Ribes et al.,
2021).
43 Teknik alternatif, murni berdasarkan pendekatan statistik atau ekonometrik, tanpa memerlukan iklim
44 pemodelan, juga telah diterapkan (Estrada et al., 2013; Stern dan Kaufmann, 2014; Dergiades et al., 2016)
45 dan mencocokkan hasil metode berbasis fisik. Rentang yang lebih besar dari teknik atribusi dan
46 perbaikan pada teknik tersebut meningkatkan kepercayaan pada hasil dibandingkan dengan AR5.
47
48 Sebaliknya, penelitian yang diterbitkan sejak AR5 menunjukkan bahwa membatasi kontribusi terpisah dari
49 perubahan gas rumah kaca dan perubahan aerosol terhadap perubahan suhu yang diamati tetap menantang.
50 Atribusi pemanasan untuk pemaksaan gas rumah kaca dibuat sedini akhir 19 THsenury (Schurer et
51 al., 2014b; Owens dkk., 2017; Konsorsium HALAMAN 2k, 2019). Hegerl dkk. (2019) menemukan bahwa
vulkanisme
52 mendinginkan suhu global sekitar 0,1°C antara tahun 1870 dan 1910, kemudian kurangnya aktivitas vulkanik
menghangat
53 suhu sekitar 0,1°C antara tahun 1910 dan 1950, dengan suhu pendinginan aerosol sepanjang 20 th
54 abad, terutama antara 1950 dan 1980 ketika kisaran perkiraan pendinginan aerosol sekitar 0,1 to
55 0,5°C. Jones dkk. (2016a) mengaitkan pemanasan 0,87 hingga 1,22°C per abad selama periode 1906 hingga 2005
1 untuk gas rumah kaca, sebagian diimbangi oleh pendinginan 0,54 hingga 0,22°C per abad yang dikaitkan
dengan aerosol. Tetapi
2 mereka juga menemukan bahwa deteksi gas rumah kaca atau sinyal aerosol sering gagal, karena ketidakpastian
3 dalam pola model perubahan dan variabilitas internal. Titik tersebut diilustrasikan oleh Gambar 3.7, yang
menunjukkan
4 koefisien regresi sidik jari dua dan tiga arah untuk 13 model CMIP6 dan yang sesuai
5 rentang pemanasan yang dapat diatribusikan, diturunkan menggunakan HadCRUT4 (Gillett et al., 2021).
Koefisien regresi dengan an
6 rentang ketidakpastian yang mencakup nol berarti deteksi gagal. Model dengan koefisien regresi
7 secara signifikan kurang dari 1 secara signifikan memprediksi respons suhu terhadap pemaksaan yang
sesuai.
8 Sebaliknya, model dengan koefisien regresi secara signifikan lebih besar dari 1 memprediksi respons
MENGE
terhadap
9 paksaan ini. Sementara perkiraan pemanasan yang disebabkan oleh pengaruh antropogenik diturunkan dengan
menggunakan individu
10 model umumnya konsisten, perkiraan pemanasan yang disebabkan oleh gas rumah kaca dan aerosol
11 secara terpisah berdasarkan model individu tidak semuanya konsisten, dan deteksi pengaruh aerosol lebih gagal
menggunakan multi-model
DIT
12 lebih sering daripada gas rumah kaca. Oleh karena itu, hasil penelitian terbaru menekankan perlunya
13 berarti untuk lebih membatasi perkiraan perubahan GSAT yang disebabkan oleh gas rumah kaca dan pemaksaan
aerosol
14 (Schurer et al., 2018; Gillett et al., 2021; Ribes et al., 2021).
15
16
VERSI:
18
KAPAN
19 Gambar 3.7: Koefisien regresi dan perkiraan pemanasan yang terkait untuk masing-masing CMIP6
20 model. Panel atas menunjukkan koefisien regresi berdasarkan regresi dua arah (kiri) dan tiga arah
21 regresi (kanan), dari rata-rata rata-rata global yang diamati selama 5 tahun dan suhu permukaan campuran
22 (HadCRUT4) ke pola respons model individu, dan mean multi-model, diberi label 'Multi'.
23 Antropogenik, alami, gas rumah kaca, dan antropogenik lainnya (aerosol, ozon, perubahan penggunaan lahan)
24 koefisien regresi ditampilkan. Koefisien regresi adalah faktor penskalaan yang digunakan model
TER
25 tanggapan harus dikalikan dengan pengamatan yang paling cocok. Koefisien regresi konsisten dengan satu
26 menunjukkan respons besarnya yang konsisten dalam pengamatan dan model, dan koefisien regresi
27 yang tidak konsisten dengan nol menunjukkan respons yang dapat dideteksi terhadap gaya yang bersangkutan.
Panel bawah menunjukkan
28 perkiraan yang sesuai dengan pengamatan terbatas dari pemanasan yang dapat diatribusikan di GSAT yang
AKHI
lengkap secara global
DITERIMA
29 untuk periode 2010-2019, relatif terhadap 1850-1900, dan garis hitam horizontal menunjukkan perkiraan
30 mengamati pemanasan di GSAT untuk periode ini. Gambar diadaptasi dari Gillett et al. (2021), Perpanjangan
mereka
31 Data Gambar 3. Rincian lebih lanjut tentang sumber dan pengolahan data tersedia di tabel data bab (Tabel
R
32 3.SM.1).
33
K
35
36
37 Gambar 3.8 membandingkan tren yang dapat diatribusikan dalam GSAT yang lengkap secara global untuk
periode 2010-2019 dibandingkan dengan
E
38 1850-1900 dari tiga studi deteksi dan atribusi, dua di antaranya menggunakan sarana multi-model CMIP6 (Gillett
39 dkk., 2021; Ribes et al., 2021), dan perkiraan berdasarkan kekuatan radiasi efektif yang dinilai dan transien
SUBJEK
40 dan sensitivitas iklim keseimbangan (lihat Bagian 7.3.5.3). Periode referensi 1850-1900 digunakan untuk menilai
41 perubahan suhu yang dapat diatribusikan karena ini adalah saat awal pencatatan suhu permukaan grid dimulai,
42 ini adalah saat simulasi historis CMIP6 dimulai, ini adalah periode dasar paling awal yang digunakan dalam
atribusi
43 literatur, dan ini adalah periode referensi yang digunakan dalam IPCC SR1.5 dan laporan sebelumnya. Namun
perlu dicatat
44 bahwa Cross-Bab Kotak 1.2 menilai dengan keyakinan sedang bahwa ada pemanasan antropogenik dengan
45 kemungkinan kisaran 0,0 °C-0,2 °C antara 1750 dan 1850-1900. Gambar 3.8 juga menunjukkan perubahan
GSAT
46 disimulasikan secara langsung sebagai respons terhadap pemaksaan ini dalam tiga belas model CMIP6. Meskipun
mereka berbeda
47 metodologi dan input dataset, tiga pendekatan atribusi menghasilkan hasil yang sangat mirip, dengan
48 rentang pemanasan yang disebabkan oleh antropogenik yang mencakup pemanasan yang diamati, dan yang
disebabkan oleh alam
49 pemanasan mendekati nol. Pemanasan yang didorong oleh peningkatan gas rumah kaca sebagian diimbangi oleh
pendinginan
50 karena agen pemaksa antropogenik lainnya, sebagian besar aerosol, meskipun ketidakpastian dalam kontribusi ini
adalah
51 lebih besar dari ketidakpastian dalam pemanasan antropogenik bersih, seperti yang dibahas di atas. Perkiraan
berdasarkan
52 pemahaman fisik tentang pemaksaan dan ECS yang dibuat oleh Bab 7 mendekati perkiraan dari studi atribusi,
53 meskipun merupakan produk dari pendekatan yang berbeda. Perjanjian ini meningkatkan kepercayaan pada
besarnya dan
54 penyebab pemanasan suhu permukaan yang dapat diatribusikan.
55
56
2
3 Gambar 3.8: Kontribusi yang dinilai terhadap pemanasan yang diamati, dan bukti pendukung. Pertunjukan
band berbayang
4 menilai kemungkinan rentang perubahan suhu di GSAT, 2010-2019 relatif terhadap 1850-1900, yang
disebabkan oleh
5 pengaruh bersih manusia, gas rumah kaca yang tercampur dengan baik, paksaan manusia lainnya (aerosol,
ozon, dan tata guna lahan
6 perubahan), kekuatan alami, dan variabilitas internal, dan kisaran 5-95% dari pemanasan yang diamati.
Pertunjukan bar
7 Rentang 5-95% berdasarkan (kiri ke kanan) Haustein et al. (2017), Gillett dkk. (2021) dan Ribes et al. (2021),
8 dan persilangan menunjukkan perkiraan terbaik yang terkait. Tidak ada rentang 5-95% yang disediakan untuk
Haustein et al.
9 (2017) gas rumah kaca atau kontribusi tenaga manusia lainnya. Ribes dkk. (2021) hasilnya adalah
MENGE
10 diperbarui menggunakan deret waktu pemaksaan alami yang direvisi, dan Haustein et al. (2017) hasil diperbarui
11 menggunakan HadCRUT5. Perkiraan dan rentang terbaik Bab 7 diturunkan menggunakan deret waktu
pemaksaan yang dinilai
12 dan model keseimbangan energi dua lapis seperti yang dijelaskan dalam Bagian 7.3.5.3. Simbol berwarna
menunjukkan
DIT
13 tanggapan simulasi terhadap gaya yang terkait di masing-masing model yang ditunjukkan. Detail lebih lanjut
tentang data
14 sumber dan pemrosesan tersedia di tabel data bab (Tabel 3.SM.1).
15
17
18
VERSI:
19 AR5 menemukan kepercayaan diri yang tinggi untuk peran utama pemaksaan antropogenik dalam mendorong
pemanasan pada masing-masing
KAPAN
20 benua yang berpenghuni, kecuali Afrika di mana mereka hanya menemukan kepercayaan sedang karena data
yang terbatas
21 ketersediaan (Bindoff et al., 2013). Pada skala hemispheric, Friedman et al. (2020) dan Bonfils et al. (2020)
22 mendeteksi respons yang dipaksakan secara antropogenik dari kontras antar belahan bumi dalam perubahan suhu
permukaan,
23 yang memiliki evolusi waktu yang kompleks tetapi menunjukkan pendinginan NH lebih dari SH sampai sekitar
tahun 1975 tetapi
24 kemudian pemanasan setelah itu. Bonfils dkk. (2020) mengaitkan pembalikan NH dengan kombinasi
pengurangan aerosol
25 pemaksaan dan gas rumah kaca menyebabkan pemanasan massa tanah NH. Friedman dkk. (2020) menemukan
bahwa CMIP5
TER
26 model mensimulasikan tanda kontras antar-belahan bumi yang benar ketika dipaksa dengan semua gaya tetapi
27 meremehkan besarnya. Gambar 3.9 menunjukkan perubahan suhu permukaan global pada CMIP6 all-forcing dan
28 simulasi alami saja secara global, dirata-ratakan di atas benua, dan secara terpisah di atas permukaan daratan dan
lautan.
AKHI
29 Simulasi all-forcing mencakup perubahan suhu yang diamati untuk semua wilayah, sementara hanya alami
30 simulasi gagal melakukannya dalam beberapa dekade terakhir kecuali di Antartika, berdasarkan cara tahunan
DITERIMA
yang ditunjukkan. Seperti yang dinyatakan
31 di atas, pemanasan dihasilkan dari pengimbangan sebagian pemanasan rumah kaca dengan pendinginan aerosol.
R
Offset itu adalah
32 lebih kuat di atas daratan daripada di lautan. Secara regional, model menunjukkan berbagai kemungkinan respons
suhu terhadap
33 pemaksaan gas rumah kaca dan aerosol, yang memperumit atribusi pemaksaan tunggal. Diskusi lebih detail
K
34 dari atribusi regional dapat ditemukan di Bagian 10.4. Di atas permukaan tanah global, Chan dan Wu (2015)
menggunakan
35 simulasi CMIP5 untuk mengaitkan tren pemanasan 0,3 (2,5%–97,5% interval kepercayaan: 0,2–0,36) °C per
36 dekade untuk pemaksaan antropogenik, dengan pemaksaan alami hanya menyumbang 0,05 (0,02–0,06) °C per
E
dekade.
37 Akuntansi untuk sumber ketidakpastian tanpa sampel dan ketersediaan hanya satu studi, hasilnya
SUBJEK
38 menunjukkan bahwa kemungkinan besar pengaruh manusia adalah pendorong utama pemanasan di daratan.
39
40
42
43 Gambar 3.9: Anomali suhu udara dekat permukaan rata-rata tahunan global, darat, laut, dan benua di
44 model dan pengamatan CMIP6. Deret waktu ditampilkan untuk antropogenik historis CMIP6 dan
45 simulasi alami (coklat), alami saja (hijau), hanya gas rumah kaca (abu-abu) dan aerosol (biru)
46 (sarana multi-model ditampilkan sebagai garis tebal, dan rentang berbayang antara 5 THNSd persentil ke-95) dan
untuk
47 HadCRUT5 (hitam). Semua model telah diambil sampelnya menggunakan topeng data observasional
HadCRUT5.
48 Anomali suhu ditunjukkan relatif terhadap 1950-2010 untuk Antartika dan relatif terhadap 1850–1900 untuk
49 benua lainnya. Simulasi sejarah CMIP6 diperluas dengan simulasi skenario SSP2-4.5. Semua
50 anggota ansambel yang tersedia digunakan (lihat Bagian 3.2). Wilayah didefinisikan oleh Iturbide et al. (2020).
51 Rincian lebih lanjut tentang sumber dan pemrosesan data tersedia di tabel data bab (Tabel 3.SM.1).
52
54
55
56 Singkatnya, sejak publikasi AR5, literatur baru telah muncul yang menjelaskan lebih baik
57 ketidakpastian metodologis dan model iklim dalam studi atribusi (Ribes et al., 2017; Hannart and
1 Naveau, 2018) dan menyimpulkan bahwa pemanasan antropogenik kira-kira sama dengan pemanasan yang
diamati lebih
2 periode 1951-2010. IPCC SR1.5 mencapai kesimpulan yang sama untuk 2017 relatif terhadap 1850-1900
berbasis
3 tentang pemanasan antropogenik dan ketidakpastian terkait yang dihitung menggunakan metode Haustein et al.
4 (2017). Selain itu, pemahaman yang lebih baik tentang penyebab perlambatan nyata dalam pemanasan selama
5 awal 21STsenury dan perbedaan tren pemanasan yang disimulasikan dan diamati selama periode ini
6 (Kotak Lintas Bab 3.1) semakin meningkatkan kepercayaan diri kita dalam penilaian antropogenik yang
dominan
7 kontribusi terhadap pemanasan yang diamati. Dalam menurunkan penilaian kami, pertimbangan ini
seimbang terhadap
8 literatur baru yang menimbulkan pertanyaan tentang kemampuan beberapa model untuk mensimulasikan
MENGE
variabilitas di permukaan
9 suhu pada rentang skala waktu (Laepple dan Huybers, 2014; Parsons et al., 2017; Friedman et al.,
10 2020), dan temuan bahwa beberapa model CMIP6 menunjukkan variabilitas internal multidecadal yang jauh lebih
tinggi
11 dari yang terlihat di CMIP5, yang masih harus dipahami sepenuhnya (Parsons et al., 2020; Ribes et al., 2021).
DIT
12 Selanjutnya, ketidakpastian dalam simulasi interaksi aerosol-awan masih besar (Bagian 7.3.3.2.2), menghasilkan
13 respons spasial yang sangat beragam dari model iklim yang berbeda terhadap pemaksaan aerosol dan perbedaan
dalam sejarah
14 evolusi suhu rata-rata global dan pendinginan yang didiagnosis disebabkan aerosol (Gambar 3.8). Lebih-lebih
lagi,
15 seperti generasi sebelumnya dari simulasi model berpasangan, simulasi CMIP6 pemaksaan historis dan tunggal
16 mengikuti desain eksperimental umum (Eyring et al., 2016a; Gillett et al., 2016b) dan dengan demikian semua
didorong oleh
bukanlah
VERSI:
17 kumpulan gaya yang sama, meskipun gaya-gaya ini tidak pasti. Oleh karena itu, memaksakan ketidakpastian
18 secara langsung diperhitungkan di sebagian besar studi evaluasi atribusi dan model yang dinilai di sini, meskipun
ini
KAPAN
Keterbatasan 19 sampai batas tertentu dapat diatasi dengan membandingkan dengan ansambel multi-model generasi
sebelumnya atau
20 studi model individu menggunakan set kekuatan yang berbeda.
21
22 Perkiraan terbaik IPCC SR1.5 dan kemungkinan kisaran pemanasan GMST yang disebabkan oleh antropogenik
adalah 1,0±0,2°C
23 tahun 2017 sehubungan dengan periode 1850-1900. Di sini, perkiraan terbaik dinyatakan dalam GSAT dan adalah
24 dihitung sebagai rata-rata dari tiga perkiraan yang ditunjukkan pada Gambar 3.9, menghasilkan nilai 1,07°C.
Rentang untuk
25 pemanasan GSAT yang dapat diatribusikan diperoleh dengan mencari rentang terkecil dengan presisi 0,1°C yang
membentang
TER
26 semua 5-95% berkisar dari studi atribusi yang ditunjukkan pada Gambar 3.9. Rentang ini kemudian dinilai
sebagai
27 mungkin daripada sangat mungkin karena studi mungkin meremehkan pentingnya struktur
AKHI
28 keterbatasan model iklim, yang mungkin tidak mewakili semua kemungkinan sumber variabilitas internal;
menggunakan
29 model iklim yang terlalu sederhana, yang mungkin meremehkan peran variabilitas internal; atau meremehkan
DITERIMA R
model
30 ketidakpastian, terutama ketika menggunakan ansambel model dengan ukuran terbatas dan model yang saling
bergantung, misalnya
31 melalui kesalahan umum dalam pemaksaan di seluruh model, seperti yang dibahas di atas. Ini mengarah ke
kisaran yang mungkin untuk
32 pemanasan yang disebabkan oleh antropogenik pada tahun 2010-2019 relatif terhadap 1850-1900 sebesar 0,8
hingga 1,3°C dalam hal GSAT.
K
33 Akibatnya, kisaran itu mencakup perkiraan terbaik dan kisaran yang sangat mungkin dari pemanasan GSAT yang
diamati dari
34 1,06 °C [0,88 hingga 1,21 °C] selama periode yang sama (Bab Silang Kotak 2.3). Ada keyakinan sedang bahwa
35 perkiraan terbaik dan kemungkinan kisaran pemanasan yang dapat diatribusikan yang dinyatakan dalam GMST
E
sama dengan yang untuk
36 GSAT (Kotak Lintas Bab 2.3). Mengulangi proses untuk periode waktu lain menghasilkan perkiraan terbaik dan
37 kemungkinan rentang yang tercantum dalam Tabel 3.1. Perubahan GSAT yang disebabkan oleh kekuatan alam
adalah 0,1 hingga 0,1°C. Kemungkinan
38 kisaran pemanasan GSAT yang disebabkan oleh gas rumah kaca dinilai dengan cara yang sama yaitu 1,0 hingga
2,0°C
SUBJEK
39 sedangkan perubahan GSAT yang disebabkan oleh aerosol, ozon, dan perubahan tata guna lahan adalah 0,8
hingga 0,0°C. Kemajuan dalam
40 teknik atribusi memungkinkan kemajuan penting dalam menghubungkan pemanasan suhu permukaan yang
diamati
41 sejak 1850-1900, bukan sejak 1951 seperti yang dilakukan di AR5.
42
43
44 [MULAI TABEL 3.1 DI SINI]
45
46 Tabel 3.1: Perkiraan pemanasan di GSAT yang disebabkan oleh pengaruh manusia untuk periode yang berbeda
dalam °C, semuanya relatif terhadap
47 periode dasar 1850-1900. Rentang ketidakpastian adalah rentang 5-95% untuk studi individual dan rentang
kemungkinan untuk
48 penilaian. Hasil yang ditunjukkan pada tabel menggunakan metode yang dijelaskan dalam tiga studi yang
ditunjukkan, tetapi
49 diterapkan pada periode tambahan dan tren pemanasan. Ribes dkk. (2021) hasil diperbarui menggunakan a
50 dikoreksi deret waktu pemaksaan alami, dan Haustein et al. (2017) hasil diperbarui untuk menggunakan
HadCRUT5.
51
1986-2005 1995-2014 2006-2015 2010-2019 Watingkat
2010-2019
Ribes dkk. (2021) 0,65 (0,52 – 0,82 (0,69 – 0,94 (0,81 – 1,03 (0,89 – 0,23 (0,18 –
0.77) 0.94) 1.08) 1.17) 0,29)
Gillett dan lain-lain. 0,63 (0,32 – 0,84 (0,63 – 0,98 (0,74 – 1,11 (0,92 – 0,36 (0,30 –
(2021) 0.94) 1.06) 1.22) 1.30) 0.41)
Haustein dkk. 0,73 (0,58 – 0,88 (0,75 – 0,98 (0,87 – 1,06 (0,94 – 0,23 (0,19 –
(2017) 0.82) 0.98) 1.10) 1.22) 0.35)
penilaianT 0,68 (0,3 – 0,85 (0,6 – 1,1) 0,97 (0,7 – 1,3) 1,07 (0,8 – 1,3) 0,2 (0,1 – 0,3)
1.0)
1
2 [AKHIR TABEL 3.1 DI SINI]
3
4
5 IPCC AR5 menilai kisaran kemungkinan kontribusi variabilitas internal terhadap pemanasan GMST menjadi
6 0,1 hingga 0,1°C selama periode 1951-2010. Sejak itu, beberapa penelitian telah meremehkan kontribusi dari
7 mode variabilitas internal hingga variabilitas suhu global, seringkali dengan memperdebatkan komponen
MENGE
paksa untuk
8 mode internal tersebut (Mann et al., 2014; Folland et al., 2018; Haustein et al., 2019; Liguori et al., 2020).
9 Hausstein dkk. (2017) menemukan interval kepercayaan 5-95% dari 0,09 hingga +0,12 °C untuk kontribusi
VERSI:DIT
internal
10 variabilitas pemanasan antara 1850–1879 dan 2017. Ribes et al. (2021) menyiratkan kontribusi internal
11 variabilitas 0,02 ± 0,16°C terhadap pemanasan antara 2010-2019 dan 1850-1900, dengan asumsi kemerdekaan
12 antara kesalahan dalam pengamatan dan dalam perkiraan respons paksa. Berdasarkan studi ini, tapi
KAPAN
13 memungkinkan sumber kesalahan tanpa sampel, kami menilai kisaran kemungkinan kontribusi variabilitas
internal
14 hingga pemanasan GSAT antara 2010-2019 dan 1850-1900 menjadi 0.2 hingga 0.2°C.
15
16 IPCC SR1.5 memberikan kemungkinan kisaran untuk tingkat pemanasan yang disebabkan manusia dari 0,1°C
hingga 0,3°C per dekade di
17 2017, dengan perkiraan terbaik 0,2°C per dekade (Allen et al., 2018). Tabel 3.1 mencantumkan perkiraan
18 tingkat pemanasan antropogenik yang disebabkan selama periode 2010-2019 oleh tiga studi yang mendukung
19 penilaian pemanasan GSAT (Haustein et al., 2017; Gillett et al., 2021; Ribes et al., 2021). Perkiraan dari
TER
20 Hausstein dkk. (2017), berdasarkan pemanasan yang diamati, dan Ribes et al. (2021), berdasarkan simulasi
CMIP6
21 dibatasi oleh pemanasan yang diamati, sesuai. Gillet dkk. (2021), juga berdasarkan model CMIP6,
22 sesuai dengan tingkat pemanasan yang disebabkan oleh antropogenik yang lebih besar, karena tingkat pemanasan
AKHI
yang lebih kecil dikaitkan
23 untuk pemaksaan alami daripada di Ribes et al. (2021). Ketidaksepakatan ini tidak mendukung penurunan
DITERIMA
ketidakpastian
24 dibandingkan dengan penilaian SR1.5. Jadi kisaran pemanasan suhu permukaan yang disebabkan oleh
antropogenik
dekade.
26 R
25 tingkat 0,1°C hingga 0,3°C per dekade sekali lagi dinilai kemungkinannya, dengan perkiraan terbaik 0,2°C per
K
27
28 3.3.1.2 Suhu Udara Atas
29
30 Bab 2 menilai bahwa troposfer telah menghangat setidaknya sejak tahun 1950-an, sehingga dapat dipastikan
bahwa
E
31 stratosfer telah mendingin, dan ada keyakinan sedang bahwa troposfer atas di daerah tropis memiliki
32 menghangat lebih cepat daripada dekat-permukaan setidaknya sejak 2001 (Bagian 2.3.1.2). AR5 menilai bahwa
troposfer
SUBJEK
33 kekuatan antropogenik, yang didominasi oleh gas rumah kaca, kemungkinan berkontribusi pada pemanasan
34 sejak tahun 1961 dan bahwa kekuatan antropogenik, yang didominasi oleh penipisan lapisan ozon akibat ozon-
35 zat yang menipis, kemungkinan besar berkontribusi pada pendinginan stratosfer bawah sejak 1979. Sejak
36 AR5, pemahaman tentang ketidakpastian pengamatan di radiosonde dan data satelit telah meningkat dengan
37 lebih banyak data yang tersedia dan cakupan yang lebih lama, dan perbedaan antara model dan pengamatan di
daerah tropis
38 atmosfer telah diselidiki lebih lanjut.
39
40 Suhu troposfer
41 AR5 menilai dengan keyakinan rendah bahwa sebagian besar, meskipun tidak semua, CMIP3 (Meehl et al., 2007)
dan CMIP5
42 (Taylor et al., 2012) model melebih-lebihkan tren pemanasan yang diamati di troposfer tropis selama
43 satelit periode 1979-2012, dan sepertiga hingga setengah dari perbedaan ini disebabkan oleh perkiraan SST yang
terlalu tinggi.
44 tren selama periode ini (Flato et al., 2013). Sejak AR5, studi tambahan berdasarkan CMIP5 dan CMIP6
45 model menunjukkan bahwa bias pemanasan dalam suhu troposfer ini tetap ada. Studi terbaru telah menyelidiki
46 peran ketidakpastian pengamatan, respons model terhadap kekuatan eksternal, pengaruh waktu
47 periode dipertimbangkan, dan peran bias dalam tren SST dalam berkontribusi terhadap bias ini.
48
49 Beberapa penelitian sejak AR5 terus menunjukkan ketidakkonsistenan antara simulasi dan pengamatan
1 tren suhu di troposfer tropis, dengan model yang mensimulasikan lebih banyak pemanasan daripada
pengamatan
2 (Mitchell et al., 2013, 2020, Santer et al., 2017a, 2017b; McKitrick dan Christy, 2018; Po-Chedley et al.,
3 2021). Santer dkk. (2017b) menggunakan pengambilan satelit yang diperbarui dan ditingkatkan untuk
menyelidiki kinerja model
4 dalam mensimulasikan tren tropis menengah ke atas troposfer, dan menghilangkan pengaruh stratosfer
5 pendinginan dengan regresi. Faktor-faktor ini ditemukan untuk mengurangi ukuran perbedaan di
menengah ke atas
6 tren suhu troposfer antara model dan pengamatan selama era satelit, tetapi perbedaan
7 tetap. Santer dkk. (2017a) menemukan bahwa selama akhir 20 thsenury, perbedaan antara simulasi
8 dan tren suhu troposfer menengah ke atas yang diturunkan dari satelit konsisten dengan variabilitas internal,
9 sementara selama sebagian besar awal 21STsenury, pemanasan troposfer yang disimulasikan secara
signifikan lebih besar dari
setelah tahun 2000

MENGE
10 diamati, yang berhubungan dengan kekurangan sistematis dalam beberapa kekuatan eksternal yang digunakan
11 dalam model CMIP5. Namun, dalam CMIP6, perbedaan antara troposfer atas yang disimulasikan dan diamati
12 tren suhu tetap ada meskipun perkiraan pemaksaan diperbarui (Mitchell et al., 2020). Gambar 3.10 menunjukkan
DIT
bahwa
13 model CMIP6 yang dipaksakan oleh gabungan kekuatan antropogenik dan alami melebih-lebihkan tren suhu
14 dibandingkan dengan data radiosonde (Haimberger et al., 2012) di seluruh troposfer tropis (Mitchell et al.,
15 2020). Selama periode 1979-2014, model lebih konsisten dengan pengamatan di troposfer bawah,
VERSI:
16 dan paling tidak konsisten di troposfer atas sekitar 200 hPa, di mana bias melebihi 0,1°C per dekade. Beberapa
17 studi menggunakan model CMIP6 menunjukkan bahwa perbedaan sensitivitas iklim mungkin menjadi faktor
penting
18 berkontribusi pada perbedaan antara tren suhu troposfer yang disimulasikan dan diamati
KAPAN
19 (McKitrick dan Christy, 2020; Po-Chedley et al., 2021), meskipun sulit untuk menguraikan pengaruh
20 sensitivitas iklim, perubahan tekanan aerosol dan variabilitas internal dalam berkontribusi terhadap troposfer
21 bias pemanasan (Po-Chedley et al., 2021). Studi lain menemukan bahwa tidak adanya hipotesis negatif
22 umpan balik awan tropis dapat menjelaskan setengah dari bias pemanasan troposfer atas dalam satu model
(Mauritsen
23 dan Stevens, 2015).
24
TER
25 Mitchell dkk. (2013) dan Mitchell et al. (2020) menemukan perbedaan yang lebih kecil di troposfer tropis
26 tren suhu dalam model yang dipaksakan dengan SST yang diamati (lihat juga Gambar 3.10a), dan model CMIP5
dan
27 pengamatan ditemukan konsisten di bawah 150 hPa jika dilihat dari segi rasio suhu
AKHI
28 tren lebih tinggi dari yang ada di permukaan (Mitchell et al., 2013). Flannaghan dkk. (2014) dan Tuel (2019)
menunjukkan
DITERIMA
29 bahwa sebagian besar perbedaan suhu troposfer antara model CMIP5 dan tren berbasis satelit
30 selama periode 1970-2018 disebabkan oleh perbedaan masing-masing dalam tren pemanasan SPL di wilayah
R
dalam
31 konveksi, dan Po-Chedley et al. (2021) menunjukkan bahwa model CMIP6 dengan simulasi SST yang lebih
realistis dalam
32 Pasifik tengah dan timur menunjukkan kinerja yang lebih baik daripada model lainnya. Meskipun bias sistematis
masih
K
33 tetap, ini menunjukkan bahwa bias dalam pemanasan suhu troposfer dalam model sebagian terkait dengan
permukaan
34 bias pemanasan suhu, terutama di troposfer bawah.
35
E
36 Singkatnya, penelitian terus menemukan bahwa simulasi model CMIP5 dan CMIP6 lebih hangat daripada
37 pengamatan di troposfer tengah dan atas tropis selama periode 1979-2014 (Mitchell et al., 2013,
38 2020, Santer dkk., 2017a, 2017b; Suárez-Gutiérrez dkk., 2017; McKitrick dan Christy, 2018), dan itu
SUBJEK
39 pemanasan permukaan yang terlalu tinggi sebagian bertanggung jawab (Mitchell et al., 2013; Po-Chedley et al.,
2021). Beberapa
40 studi menunjukkan kesalahan pemaksaan dalam simulasi CMIP5 di awal 21 STsenury sebagai kontributor
mungkin
41 (Mitchell et al., 2013; Sherwood dan Nishant, 2015; Santer et al., 2017a), tetapi simulasi CMIP6 menggunakan
42 perkiraan memaksa diperbarui namun umumnya masih hangat lebih dari pengamatan. Meskipun akuntansi untuk
internal
43 variabilitas dan kesalahan pengamatan residual dapat mendamaikan model dengan pengamatan sampai batas
tertentu (Suárez-
44 Gutiérrez dkk., 2017; Mitchell et al., 2020), beberapa penelitian menunjukkan bahwa sensitivitas iklim juga
berperan
45 (Mauritsen dan Stevens, 2015; McKitrick dan Christy, 2020; Po-Chedley dkk., 2021). Oleh karena itu, kami
menilai dengan
46 keyakinan sedang bahwa model CMIP5 dan CMIP6 terus melebih-lebihkan pemanasan yang diamati di bagian
atas
47 troposfer tropis selama periode 1979-2014 setidaknya 0,1°C per dekade, sebagian karena
48 melebih-lebihkan pola tren SPL tropis selama periode ini.
49
50
52
53 Gambar 3.10: Tren suhu rata-rata tropis yang diamati dan disimulasikan melalui atmosfer. Vertikal
54 profil tren suhu di daerah tropis (20°S-20°LU) selama tiga periode: (a) 1979-2014 (b) 1979-1997
55 (era penipisan ozon) (c) 1998-2014 (era stabilisasi ozon). Garis hitam menunjukkan tren di RICH
1 1.7 (garis putus-putus panjang) dan RAOBCORE 1.7 (putus-putus) radiosonde dataset (Haimberger et al., 2012),
dan dalam
2 ERA5/5.1 analisis ulang (padat). Amplop abu-abu berpusat pada tren RICH 1.7, tetapi menunjukkan
ketidakpastian
3 berdasarkan 32 anggota RICH-obs versi 1.5.1 dari kumpulan data, yang menggunakan versi 1.7.3 dari RICH
4 perangkat lunak tetapi dengan parameter versi 1.5.1. ERA5 digunakan sebagai referensi untuk
menghitung
5 penyesuaian antara 2010 dan 2019, dan ERA-Interim digunakan untuk tahun-tahun sebelumnya. Garis merah
menunjukkan
6 tren dalam simulasi sejarah CMIP6 dari satu realisasi 60 model. Garis biru menunjukkan tren di 46
7 model CMIP6 yang menggunakan suhu permukaan laut (SST) yang ditentukan, bukan simulasi. Gambar
adalah
8 diadaptasi dari Mitchell et al. (2020), Gambar 1. Rincian lebih lanjut tentang sumber dan pemrosesan data
adalah
MENGE
9 tersedia dalam tabel data bab (Tabel 3.SM.1).
10
12
DIT
13
14 AR5 menilai kemungkinan bahwa kekuatan antropogenik, yang didominasi oleh gas rumah kaca, berkontribusi
pada
15 pemanasan troposfer sejak tahun 1961 (Bindoff et al., 2013). Sejak itu, ada kemajuan lebih lanjut dalam
16 mendeteksi dan menghubungkan perubahan suhu troposfer. Mitchell dkk. (2020) menggunakan model CMIP6
VERSI:
untuk
17 menemukan bahwa pendorong utama perubahan suhu troposfer adalah gas rumah kaca. Deteksi sebelumnya
18 pengaruh antropogenik pada pemanasan troposfer mungkin telah melebih-lebihkan ketidakpastian: Pallotta dan
Santer
19 (2020) menemukan bahwa model iklim CMIP5 melebih-lebihkan variabilitas alami yang diamati dalam rata-rata
global
KAPAN
20 suhu troposfer pada rentang waktu 5-20 tahun. Namun demikian, Santer et al. (2019) menemukan bahwa
stokastik
21 ketidakpastian lebih besar untuk pemanasan troposfer (8-15 tahun) daripada pendinginan stratosfer (1-3 tahun)
karena
22 kebisingan yang lebih besar dan waktu pemulihan yang lebih lambat dari letusan Pinatubo di troposfer. Waktu
deteksi
23 sinyal antropogenik dalam pemanasan troposfer dapat dipengaruhi oleh kedua model sensitivitas iklim
24 dan respon model untuk memaksa aerosol. Pemaksaan vulkanik juga penting, sebagai model yang tidak
mempertimbangkan
25 pengaruh letusan gunung berapi di awal 21STsenury melebih-lebihkan pemanasan troposfer yang diamati
TER
26 sejak 1998 (Santer et al., 2014). Perubahan amplitudo siklus musiman suhu troposfer
27 juga telah dikaitkan dengan pengaruh manusia. Santer dkk. (2018) menemukan bahwa data satelit dan iklim
28 model yang didorong oleh pemaksaan antropogenik menunjukkan peningkatan amplitudo yang konsisten di garis
lintang tengah di keduanya
30
DITERIMAAKHI
29 belahan bumi, amplitudo menurun pada lintang tinggi di SH, dan perubahan kecil di daerah tropis.
31 Singkatnya, studi ini mengkonfirmasi peran dominan aktivitas manusia dalam tren suhu troposfer.
32 Oleh karena itu, kami menilai bahwa sangat mungkin bahwa pemaksaan antropogenik, yang didominasi oleh gas
R
rumah kaca, adalah
33 pendorong utama pemanasan troposfer sejak 1979.
34
35 Suhu stratosfer
K
36 AR5 menyimpulkan bahwa model CMIP5 mensimulasikan evolusi yang umumnya realistis dari stratosfer bawah
37 suhu (Bindoff et al., 2013; Flato et al., 2013), yang lebih baik daripada model CMIP3, sebagian
E
38 karena umumnya mencakup konsentrasi ozon yang bervariasi terhadap waktu, tidak seperti banyak model
CMIP3.
39 Meskipun demikian, tercatat bahwa ada kecenderungan simulasi untuk meremehkan stratosfer
SUBJEK
40 pendinginan dibandingkan dengan pengamatan. Bindoff dkk. (2013) menyimpulkan bahwa sangat mungkin
bahwa antropogenik
41 pemaksaan, didominasi oleh penipisan ozon stratosfer oleh reaksi kimia yang melibatkan spesies jejak yang
dikenal sebagai
42 zat perusak ozon (BPO), telah berkontribusi pada pendinginan stratosfer bawah sejak 1979.
43 Peningkatan gas rumah kaca menyebabkan pemanasan dekat permukaan tetapi pendinginan suhu stratosfer.
44
45 Untuk stratosfer yang lebih rendah, perdebatan telah berlangsung sejak AR5 antara studi yang menemukan model
itu
46 meremehkan pendinginan suhu stratosfer (Santer et al., 2017b), sebagian karena
47 meremehkan penipisan ozon stratosfer (Eyring et al., 2013; Young et al., 2013), dan studi menemukan
48 bahwa tren suhu stratosfer yang lebih rendah berada dalam kisaran tren yang diamati (Young et al., 2013;
49 Maycock et al., 2018). Data pengamatan yang berbeda dan periode waktu yang berbeda menjelaskan
perbedaannya
50 kesimpulan. Aquila dkk. (2016) menggunakan model iklim-kimia paksa dengan SST yang ditentukan untuk
menyelidiki
51 pengaruh kekuatan yang berbeda pada perubahan suhu stratosfer global. Mereka menemukan bahwa di bagian
bawah
52 stratosfer, tren pendinginan yang disimulasikan karena peningkatan gas rumah kaca kira-kira konstan selama
53 era satelit, sementara perubahan konsentrasi ODS memperkuat tren pendinginan stratosfer selama era
54 peningkatan penipisan ozon hingga pertengahan 1990-an, dengan tren suhu yang mendatar selama
55 periode berikutnya di mana ozon stratosfer telah stabil (Bagian 2.2.5.2). Mitchell dkk. (2020)
56 menunjukkan bahwa sementara model mensimulasikan tren realistis di suhu stratosfer tropis yang lebih rendah
secara keseluruhan
1 periode 1979-2014 jika dibandingkan dengan data radiosonde, mereka cenderung melebih-lebihkan tren
pendinginan selama
2 era penipisan ozon (1979-1997) dan meremehkannya selama era pemulihan ozon (1998-2014) (Gambar 3.10b
3 dan 3.10c). Mereka berspekulasi bahwa ketidaksepakatan itu disebabkan oleh representasi ozon stratosfer
yang buruk
4 memaksa.
5
6 Perubahan suhu stratosfer atas tidak dinilai dalam konteks atribusi atau evaluasi model
7 di AR5, tetapi ini adalah area di mana ada kemajuan yang cukup besar selama beberapa tahun terakhir (lihat
Bagian
8 2.3.1.2.1). Perubahan suhu simulasi dalam model kimia-iklim menunjukkan konsistensi yang baik dengan
9 kumpulan data yang diproses ulang dari NOAA STAR tetapi kurang konsisten dengan catatan UK Met
MENGE
Office yang direvisi
10 (Karpechko et al., 2018b). Yang terakhir masih menunjukkan pendinginan yang lebih kuat daripada yang
disimulasikan dalam model iklim kimia
11 (Maycock et al., 2018). Analisis ulang, yang mengasimilasi kumpulan data AMSU dan SSU, menunjukkan
12 pendinginan stratosfer dari 1979 hingga 2009 sekitar 3°C pada 5 hPa dan 4°C pada 1 hPa yang sesuai dengan
2014). Mitchell
DIT
13 pendinginan dalam simulasi dengan SST yang ditentukan dan menggunakan pemaksaan CMIP5 (Simmons et al.,
14 (2016) menggunakan teknik sidik jari optimal reguler untuk melakukan analisis atribusi pertengahan tahunan
15 hingga suhu stratosfer atas sebagai respons terhadap gaya eksternal. Mereka menemukan bahwa pemaksaan
antropogenik
VERSI:
16 telah menyebabkan pendinginan sekitar 2-3°C di stratosfer atas selama periode 1979-2015, dengan
17 gas rumah kaca menyumbang dua pertiga dari perubahan ini dan penipisan ozon menyumbang sepertiga. Mereka
18 temukan perubahan suhu stratosfer atas yang besar sebagai respons terhadap kekuatan vulkanik (0,4-0,6 °C untuk
Gunung
KAPAN
19 Pinatubo) tetapi perubahan itu masih lebih kecil dari sinyal stratosfer bawah. Aquila dkk. (2016) menemukan
bahwa
20 pendinginan stratosfer tengah dan atas setelah 1979 terutama disebabkan oleh perubahan gas rumah kaca
21 konsentrasi. Letusan gunung berapi dan siklus matahari tidak ditemukan mempengaruhi stratosfer jangka panjang
22 tren suhu tetapi memiliki pengaruh jangka pendek.
23
24 Singkatnya, berdasarkan pembaruan terbaru untuk pengamatan satelit suhu stratosfer, kami menilai bahwa
TER
25 tren simulasi dan pengamatan suhu rata-rata global melalui kedalaman stratosfer lebih banyak
26 konsisten dibandingkan berdasarkan kumpulan data sebelumnya, tetapi beberapa perbedaan tetap ada
(kepercayaan sedang). Studi
27 diterbitkan sejak AR5 meningkatkan kepercayaan kami pada respons suhu stratosfer yang disimulasikan terhadap
DITERIMAAKHI
28 gas rumah kaca dan perubahan ozon, dan mendukung penilaian bahwa sangat mungkin bahwa stratosfer
29 penipisan ozon karena zat perusak ozon adalah pendorong utama pendinginan bagian bawah
30 stratosfer antara 1979 dan pertengahan 1990-an, seperti yang diharapkan dari pemahaman fisik. Demikian pula,
direvisi
R
31 pengamatan dan studi baru mendukung penilaian bahwa sangat mungkin bahwa pemaksaan antropogenik,
32 baik dari peningkatan konsentrasi gas rumah kaca dan penipisan ozon stratosfer akibat ozon-
K
33 zat yang menipis, adalah pendorong utama pendinginan stratosfer atas sejak 1979.
34
35
36 [MULAI KOTAK LINTAS-BAB 3.1 DI SINI]
SUBJEKE
37
38 Lintas Bab Kotak 3.1: Pemanasan Permukaan Global di Awal Abad 21
39
40 Kontributor: Christophe Cassou (Prancis), Yu Kosaka (Jepang), John Fyfe (Kanada), Nathan Gillett (Kanada),
41 Edward Hawkins (Inggris), Blair Trewin (Australia)
42
43 AR5 menemukan bahwa laju peningkatan suhu permukaan rata-rata global (GMST) yang disimpulkan dari
pengamatan
44 selama periode 1998-2012 lebih rendah dari laju peningkatan selama periode 1951-2012, dan lebih rendah dari
45 peningkatan rata-rata ansambel dalam simulasi historis dari model iklim CMIP5 yang diperluas oleh skenario
RCP
46 simulasi setelah tahun 2005 (Flato et al., 2013). Perlambatan pemanasan global permukaan yang nyata ini
dibandingkan
47 hingga tingkat 62 tahun dinilai dengan keyakinan sedang disebabkan dalam ukuran yang kira-kira sama oleh a
48 kontribusi pendinginan dari variabilitas internal dan tren penurunan kekuatan eksternal (terutama terkait
49 dengan pemaksaan matahari dan vulkanik) di AR5 berdasarkan penilaian ahli (Flato et al., 2013). Di AR5 itu
50 menilai bahwa hampir semua simulasi CMIP5 tidak mereproduksi pemanasan lambat yang diamati, dan bahwa
ada
51 adalah keyakinan sedang bahwa perbedaan tren dari rata-rata ansambel CMIP5 adalah pada tingkat yang
substansial
52 disebabkan oleh variabilitas internal dengan kemungkinan kontribusi dari kesalahan pemaksaan dan
ketidakpastian respons model.
53 Kotak Lintas Bab ini menilai temuan baru dari produk observasional dan statistik dan fisik
54 model tren selama periode 1998-2012 dipertimbangkan dalam AR5.
55
1 Pengamatan yang diperbarui dan analisis ulang kumpulan data dan perbandingan dengan simulasi model
2 Sejak AR5, ada pembaruan versi dan rilis baru dari sebagian besar kumpulan data GMST observasional
3 (Kotak Lintas Bab 2.3). Semua produk yang diperbarui sekarang tersedia secara konsisten menemukan tren
positif yang lebih kuat
4 untuk 1998-2012 daripada yang dinilai di AR5 (Cowtan and Way, 2014; Karl et al., 2015; Hausfather et
al.,
5 2017; Medhaug dkk., 2017; Simmons dkk., 2017; Risbey dkk., 2018). Simmon dkk. (2017) melaporkan bahwa
6 tren GMST 1998-2012 dalam kumpulan data pengamatan dan analisis ulang yang diperbarui yang tersedia pada
rentang waktu tersebut
7 dari 0,06 °C hingga 0,14 °C per dekade, dibandingkan dengan rata-rata 0,05 °C per dekade seperti yang
dilaporkan dalam AR5,
8 sementara produk data terbaru yang dilaporkan dalam Bab 2 Tabel 2.4 menunjukkan GMST atau rata-rata
global udara dekat permukaan
MENGE
9 tren suhu (GSAT) selama periode tersebut berkisar antara 0,12°C hingga 0,14°C per dekade. Tren terendah di
10 Simmons dkk. (2017) dari HadCRUT4, sekarang digantikan oleh HadCRUT5, yang menunjukkan tren 0,12 C
11 per dekade. Revisi ke atas terutama disebabkan oleh peningkatan set data suhu permukaan laut (SST) dan
12 pengisian suhu permukaan di lokasi dengan catatan yang hilang dalam produk pengamatan, terutama di
DIT
13 Arktik (lihat Kotak Lintas Bab 2.3 untuk rinciannya).
14
15 Dengan pembaruan ini, semua tren yang diamati yang dinilai di sini berada dalam 10 th-90thpersentiljangkauan e
VERSI:
16 tren simulasi dalam simulasi CMIP5 dan CMIP6 (Kotak Lintas Bab 3.1, Gambar 1a). Hasil ini adalah
17 tidak peka terhadap apakah model GSAT (berdasarkan suhu udara permukaan) atau GMST (berdasarkan
campuran
18 suhu udara permukaan di atas daratan dan es laut dan SST di atas lautan terbuka) digunakan, dan untuk apakah
KAPAN
19 masking dengan cakupan data observasional diterapkan. Oleh karena itu, tren yang diamati pada tahun 1998-2012
adalah
20 konsisten dengan ansambel tren multi-model CMIP5 atau CMIP6 selama periode yang sama (tinggi
21 percaya diri).
22
23 Variabilitas internal
24 Semua tren GMST dan GSAT berbasis observasi lebih rendah dari rata-rata multi-model GMST dan GSAT
TER
25 tren CMIP5 dan CMIP6 untuk 1998-2012 (Kotak Lintas Bab 3.1, Gambar 1a). Ini menunjukkan
26 kemungkinan kontribusi pendinginan dari variabilitas internal selama periode ini. Ini didukung oleh inisialisasi
27 decadal hindcast, yang menjelaskan fase mode variabilitas multidecadal (Bagian 3.7.6 dan
DITERIMA
28 3.7.7), dan yang mereproduksi lebih baik tren SST dan GSAT rata-rata global yang diamati daripada historis yang
AKHI
tidak diinisialisasi
29 simulasi (Guemas et al., 2013; Meehl et al., 2014).
30
31 Studi sejak AR5 mengidentifikasi Pacific Decadal Variability (PDV) sebagai mode utama variabilitas terkait
R
32 dengan fluktuasi GSAT dekadal yang tidak dipaksakan, dengan pengaruh tambahan dari Variabilitas
Multidekadal Atlantik
K
33 (Brown et al., 2015; Dai et al., 2015; Steinman et al., 2015; Pasini et al., 2017; Lampiran IV.2.6, IV.2.7). PDV
34 transisi dari fase positif (seperti El Nio) ke fase negatif (seperti La Niña) selama periode pemanasan yang lambat
35 (Gambar 3.39f, Lintas Bab Kotak 3.1, Gambar 1c). Model ansambel anggota yang menangkap yang diamati
36 pemanasan dekade yang lebih lambat di bawah pemaksaan sementara, dan segmen waktu dari simulasi model
E
yang menunjukkan dekade
37 GSAT menurun di bawah pemaksaan radiasi tetap, juga menampilkan tren PDV negatif (Maher et al., 2014;
SUBJEK
Meehl
38 dkk., 2011, 2013, 2014; Middlemas dan Clement, 2016; Cross-Bab Kotak 3.1, Gambar 1d), menyarankan
39 pengaruh PDV. Ini dikonfirmasi oleh model statistik dengan hubungan PDV-GSAT yang diperkirakan dari:
40 observasi dan simulasi model (Schmidt et al., 2014; Meehl et al., 2016b; Hu dan Fedorov, 2017),
41 anggota ansambel terpilih dan segmen waktu dari simulasi model di mana PDV secara kebetulan berevolusi
42 fase dengan pengamatan selama periode pemanasan yang lambat (Huber dan Knutti, 2014; Risbey et al., 2014),
dan
43 percobaan model gabungan di mana evolusi PDV dibatasi untuk mengikuti pengamatan (Kosaka dan
44 Xie, 2013, 2016; Inggris dkk., 2014; Watanabe dkk., 2014; Delworth dkk., 2015). Bagian dari tren PDV
45 mungkin didorong oleh aerosol antropogenik (Smith et al., 2016); namun, hasil ini bergantung pada model, dan
46 PDV yang digerakkan secara internal mendominasi sinyal PDV paksa dalam ansambel multi-model CMIP6
(Bagian
47 3.7.6). Perlu dicatat juga bahwa ada ketidakpastian besar dalam besarnya pengaruh PDV pada GSAT
48 di seluruh model (Deser et al., 2017a; Wang et al., 2017a) dan di antara studi yang dikutip di atas. Sebagai
tambahan
49 PDV, kontribusi terhadap tren pengurangan pemanasan dari atmosfer Belahan Bumi Utara musim dingin
50 variabilitas internal, terutama terkait dengan tren menuju fase negatif dari Cincin Utara
51 Mode/Osilasi Atlantik Utara (Lampiran IV.2.1; Guan et al., 2015; Saffioti et al., 2015; Iles dan Hegerl,
52 2017) atau pola Cold Ocean-Warm Land (Molteni et al., 2017; Yang et al., 2020) telah disarankan,
53 menyebabkan pendinginan benua regional di sebagian besar Eurasia dan Amerika Utara (Li et al., 2015; Deser
54 dkk., 2017; Gan dkk., 2019; Lintas Bab Kotak 3.1, Gambar 1c).
55
1 Variasi tren GSAT dekaden yang didorong secara internal seperti itu tidak unik untuk periode 1998-2012
(Bagian
2 1.4.2.1; Sukacita, 2014; Roberts dkk., 2015; Dai dan Blocker, 2019). Karena sifat internal
3 variabilitas, perubahan suhu permukaan selama periode 1998-2012 bervariasi secara regional dan musiman
4 (Trenberth et al., 2014; Zang et al., 2019; Cross-Bab Kotak 3.1, Gambar 1c). Selanjutnya, tidak ada
5 perlambatan peningkatan kejadian ekstrem panas di atas daratan (Seneviratne et al., 2014). Dengan
demikian,
6 pelambatan peningkatan GSAT yang didorong secara internal tidak sesuai dengan pelambatan pemanasan di
mana-mana
7 permukaan bumi.
8
9 Pemaksaan yang diperbarui
MENGE
10 simulasi historis CMIP5 yang didorong oleh variasi pemaksaan yang diamati berakhir pada tahun 2005 dan
diperpanjang dengan
11 Simulasi skenario RCP untuk perbandingan model-observasi di luar tanggal tersebut. Posting studi AR5
berdasarkan
12 pemaksaan eksternal yang diperbarui menunjukkan bahwa meskipun tidak ada efek bersih dari aerosol
DIT
antropogenik yang diperbarui ditemukan di GSAT
13 tren (Murphy, 2013; Gettelman et al., 2015; Oudar et al., 2018), pemaksaan alami oleh aktivitas vulkanik sedang
14 letusan di 21STsenury (Haywood et al., 2014; Ridley et al., 2014; Santer et al., 2014) dan berkepanjangan
15 radiasi matahari minimum sekitar tahun 2009 dibandingkan dengan siklus normal 11 tahun (Lean, 2018)
menghasilkan negatif
VERSI:
16 kontribusi untuk memaksa radiasi, yang hilang di CMIP5 (Gambar 2.2). Ini menjelaskan bagian dari
17 perbedaan antara tren yang diamati dan CMIP5, seperti yang ditunjukkan berdasarkan simulasi EMIC (Huber dan
Knutti,
18 2014; Ridley et al., 2014), model statistik dan matematika (Schmidt et al., 2014; Lean, 2018), dan
KAPAN
19 model iklim berbasis proses (Santer et al., 2014). Namun, dalam studi model iklim tunggal oleh Thorne et
20 al. (2015), memperbarui sebagian besar kekuatan (konsentrasi gas rumah kaca, radiasi matahari, dan gunung
berapi dan
21 aerosol antropogenik) yang tersedia saat penelitian dilakukan tidak membuat perbedaan yang signifikan dengan
tahun 1998-2012
22 tren GMST dari yang diperoleh dengan pemaksaan CMIP5 asli. Potensi meremehkan gunung berapi
23 pemaksaan (negatif) mungkin berperan (Outten et al., 2015). Dalam mean ensemble multi-model,
24 Tren GMST 1998-2012 hampir sama di CMIP5 dan CMIP6 (Cross-Chapter Box 3.1, Gambar 1a),
TER
25 menyarankan kompensasi dengan respons iklim transien yang lebih tinggi dan sensitivitas iklim keseimbangan di
26 CMIP6 daripada CMIP5 (Bagian 7.5.6). Untuk meringkas, sementara ada keyakinan sedang bahwa pemaksaan
alami
DITERIMA
27 yang hilang di CMIP5 berkontribusi pada perbedaan tren GMST yang diamati dan disimulasikan,
AKHI
28 kepercayaan tetap rendah dalam kontribusi kuantitatif pembaruan paksa bersih.
29
30 Anggaran energi dan redistribusi panas
31 Awal 21STsenpemanasan yang lebih lambat diamati pada suhu atmosfer, tetapi kapasitas panas
K R
32 atmosfer sangat kecil dibandingkan dengan lautan. Meskipun ada ketidakpastian yang nyata di antara
33 produk pengamatan (Su et al., 2017a) dan kualitas pengamatan berubah seiring waktu, panas laut global
34 konten terus meningkat selama periode pemanasan permukaan yang lebih lambat (kepercayaan sangat tinggi),
dengan kecepatan
35 konsisten dengan simulasi historis CMIP5 dan CMIP6 (Bagian 2.3.3.1, 3.5.1.3 dan 7.2.2.2). Ada
E
36 keyakinan yang tinggi bahwa ketidakseimbangan energi bumi lebih besar pada tahun 2000-an dibandingkan pada
periode 1985-1999
SUBJEK
37 (Bagian 7.2.2.1), konsisten dengan percepatan penyerapan panas laut dalam dua dekade terakhir (Bagian 3.5.1.3).
38 Variabilitas dekaden internal terutama terkait dengan redistribusi panas dalam sistem iklim (Yan et
39 al., 2016c; Drijfhout, 2018) sedangkan anomali radiasi bagian atas atmosfer terkait lemah (Palmer
40 dan McNeall, 2014). Redistribusi panas di 350 m teratas Samudra Hindia dan Pasifik telah ditemukan untuk
41 menjadi kontributor utama untuk mengurangi pemanasan permukaan selama periode pemanasan permukaan yang
lebih lambat (Lee et al.,
42 2015; Nieves dkk., 2015; Liu et al., 2016a), konsisten dengan tanda tangan simulasi PDV (England et al.,
43 2014; Maher dkk., 2018a; Gastineau dkk., 2019). Di bawah 700 m, peningkatan penyerapan panas lebih lambat
44 periode pemanasan permukaan diamati terutama di Atlantik Utara dan Samudra Selatan (Chen dan Tung,
45 2014), meskipun apakah ini merupakan respons terhadap pemaksaan atau tanda unik dari pemanasan GMST yang
lambat telah
46 telah dipertanyakan (Liu et al., 2016b).
47
48 Ringkasan dan implikasi
49 Dengan kumpulan dan pemaksaan data GMST berbasis observasi yang diperbarui, metode analisis yang
ditingkatkan, pemodelan baru
50 bukti dan pemahaman yang lebih dalam tentang mekanisme, ada keyakinan yang sangat tinggi bahwa GMST
lebih lambat dan
51 Peningkatan GSAT yang disimpulkan dari pengamatan pada periode 1998-2012 merupakan peristiwa sementara
yang disebabkan oleh
52 variabilitas internal dan paksaan alami yang sebagian mengimbangi tren pemanasan antropogenik selama periode
ini.
53 Kandungan panas laut global terus meningkat selama periode ini, dan perlambatan hanya terlihat jelas
54 di atmosfer dan di permukaan (kepercayaan sangat tinggi). Mempertimbangkan semua sumber ketidakpastian, itu
adalah
55 tidak mungkin untuk secara kuat mengidentifikasi satu penyebab perlambatan awal tahun 2000-an (Hedemann et
al., 2017; Power et al.
1 al., 2017); melainkan harus ditafsirkan karena kombinasi beberapa faktor (Huber dan Knutti, 2014;
2 Schmidt dkk., 2014; Medhaug et al., 2017).
3
4 Peristiwa El Niño besar pada 2014-2016 menghasilkan rekor GMST tahunan selama tiga tahun
berturut-turut dengan luar biasa
5 pelepasan panas kuat dari Samudra Pasifik Barat Laut (Yin et al., 2018), yang menandai
berakhirnya
6 periode pemanasan yang lebih lambat (Hu dan Fedorov, 2017; Su et al., 2017b; Cha et al., 2018).
Periode 5 tahun terakhir
7 (2016-2020) adalah periode 5 tahun terpanas dalam rekor instrumental hingga 2020 (kepercayaan
MENGE
tinggi). Ini cepat
8 pemanasan disertai dengan pergeseran PDV menuju fase positifnya (Su et al., 2017b; Cha et al.,
2018). A
9 tingkat pemanasan yang lebih tinggi setelah periode 1998-2012 konsisten dengan prediksi di
AR5 Kotak 9.2
diinisialisasi
DIT
10 (Flato et al., 2013) dan dengan sistem prediksi statistik (Sévellec dan Drijfhout, 2018). Dekadal yang
11 prediksi menunjukkan tren GMST yang lebih tinggi di awal 2020-an dibandingkan dengan simulasi
yang tidak diinisialisasi (Thoma et
12 al., 2015; Meehl et al., 2016c).
13
14 Sementara beberapa penelitian terbaru menemukan bahwa variabilitas GSAT dekadenil internal
mungkin menjadi lebih lemah di bawah GSAT
15 pemanasan, sebagian terkait dengan pengurangan amplitudo PDV (Bagian 4.5.3.5; Brown et al.,
2017),
16 pelemahan kecil di bawah kisaran pemanasan yang realistis. Letusan gunung berapi yang besar akan
VERSI:
mendingin untuk sementara
17 GSAT (Kotak Lintas Bab 4.1). Dengan demikian, ada kepercayaan yang sangat tinggi yang
mengurangi dan meningkatkan GMST dan
18 tren GSAT pada rentang waktu dekade akan terus terjadi di 21 STsenury (Meehl et al., 2013; Roberts
et al
KAPAN
19 al., 2015; Medhaug dan Drange, 2016). Namun, variasi dekaden internal atau vulkanik yang
dipaksakan dalam
20 Tren GSAT memiliki sedikit pengaruh terhadap pemanasan seratus tahun (England et al., 2015;
Cross-Bab Box 4.1).
21
22
23 [MULAI KOTAK LINTAS BAB 3.1, GAMBAR 1 DI SINI]
24
25 Lintas Bab Kotak 3.1, Gambar 1: Tren pemanasan global permukaan selama 15 tahun untuk 1998-
2012 dan 2012-2026. (a, b)
dalam sejarah
TER
26 tren GSAT dan GMST untuk 1998-2012 (a) dan 2012-2026 (b). Histogram didasarkan pada GSAT
27 simulasi CMIP6 (arsir merah, diperluas oleh SSP2-4.5) dan CMIP5 (arsir abu-abu; diperluas oleh
RCP4.5). Diisi dan
AKHI
28 berlian terbuka di bagian atas masing-masing mewakili sarana ansambel multi-model tren GSAT dan
GMST. Diagonal
29 baris menunjukkan histogram HadCRUT5.0.1.0. Segitiga di bagian atas (a) mewakili tren GMST
Berkeley Earth,
30 GISTEMP, Kadow dkk. (2020) dan NOAAGlobalTemp-Interim, dan tren GSAT ERA5. CMIP6 yang
R
dipilih
DITERIMA
31 anggota yang tren 1998-2012 lebih rendah dari tren rata-rata HadCRUT5.0.1.0 ditandai dengan
bayangan ungu (a)
32 dan (b). Dalam (a), model GMST dan GSAT, dan ERA5 GSAT disamarkan agar sesuai dengan
cakupan data HadCRUT. (cd) Tren
33 peta suhu dekat permukaan tahunan untuk 1998-2012 berdasarkan rata-rata HadCRUT5.0.1.0 (c) dan
permukaan komposit
K
34 tren suhu udara simulasi CMIP6 sub-sampel (d) yang termasuk dalam area naungan ungu di (a).
Dalam (c), silang
35 tanda menunjukkan tren yang tidak signifikan pada tingkat 10% berdasarkan uji-t dengan korelasi
serial diperhitungkan.
36 Ukuran ensemble yang digunakan untuk masing-masing histogram dan komposit tren ditunjukkan di
kanan atas masing-masing panel
sama, sehingga E
37 (a,b,d). Anggota ansambel model dibobot dengan kebalikan dari ukuran ansambel dari model yang
38 model individu memiliki bobot yang sama. Rincian lebih lanjut tentang sumber dan pemrosesan data
tersedia di bab data
39 tabel (Tabel 3.SM.1).

Human Influence On The Atmosphere and Surface - En.id

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Human Influence On The Atmosphere and Surface - En.id

Diunggah oleh

Hak Cipta:

Format Tersedia

Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

manusian Pengaruh pada Atmosfer dan Permukaan

setelah tahun 2000

Anda mungkin juga menyukai