26703715 مشاوره آموزشی رایگان

26703715 مشاوره آموزشی رایگان

الگوهای ظهوریافته‌ی تغییرات اقلیمی

Gavin Schmidt

The emergent patterns of climate change

You can't understand climate change in pieces, says climate scientist Gavin Schmidt. It's the whole, or it's nothing. In this illuminating talk, he explains how he studies the big picture of climate change with mesmerizing models that illustrate the endlessly complex interactions of small-scale environmental events.


تگ های مرتبط :

Climate Change, Environment, Science
ما در یک محیط خیلی پیچیده زندگی می کنیم: پیچیدگی و خاصیت پویایی و الگوهای شواهد از عکس های ماهواره ای، از ویدیوها. حتی می توانید از پنجره خود به بیرون نگاه کنید و آن را ببینید این بی نهایت پیچیده است، ولی به نوعی آشنا است، ولی الگوها تکرار می شوند، اما تکرار آنها دقیق نیست. یک چالش عظیم برای فهمیدن وجود دارد. الگوهایی که شما می بینید در تمامی مقیاس های گوناگون وجود دارند، اما نمی توان آن را خرد کرد و گفت، " اجازه دهید تا اقلیم کوچکتری ایجاد کنم." من نمی توانم از محصولات عادی اقلیم گرایی استفاده کنم
تا یک چیز کوچک و کوچکتر برای مطالعه در آزمایشگاه داشته باشم و بگویم " اوه، این چیزی است که حالا می فهمم." یا باید کامل باشد یا اصلا نباشد. مقیاس های متفاوتی که این نوع الگو ها به شما می دهند در اندازه، تفاوت های زیادی دارند تقریبا ۱۴ نوع قدرت و بزرگی از ذرات ریز میکروسکوپی که هسته تشکیل ابرها هستند تا اندازه خود سیاره زمین، از ۱۰ به توان منفی ۶ تا ۱۰ به توان ۸، که ۱۴ نوع قدرت فضایی هستند. در زمان، از میلی ثانیه تا هزاران سال،
دوباره حدود ۱۴ نوع اندازه هستند. این به چه معنی است؟ اگر به این فکر کنید که چطور می توانید این چیز ها را محاسبه کنید، می توانید چیزی که می بینید را در نظر بگیرید، خوب من می خواهم آن را خرد کنم در اندازه جعبه های کوچکی، و این نتیجه ی فیزیک است، درسته؟ و اگر درباره مدل آب و هوایی فکر کنید، در ۵ اندازه وجود دارد، از اندازه سیاره تا چندین کیلومتر، و مقیاس زمان از چندین دقیقه تا ۱۰ روز یا حتی یک ماه هستند. ما به چیزی بیش از این علاقه داریم.
ما به اقلیم علاقه مند هستیم. این مربوط به سال ها است، هزاران سال، و ما به مقایس های کوچک تری نیاز داریم. چیزهایی که نمی توانبم حل کنیم، آن پردازش های زیر- مقیاسی را، باید به صورت تقریبی در نظر بگیریم. این یک چالش عظیم است. مدل های اقلیمی در دهه ۱۹۹۰ حتی تکه های کوچک تری از آن گرفتند، فقط در حدود ۳ اندازه و بزرگی بودند. و مدل های اقلیمی در دهه ۲۰۱۰، تقریبا همان چیزی که حالا با آن کار می کنیم، چهار نوع اندازه دارند. ما به ۱۴ نوع اندازه نیاز داریم،
و ما در حال افزایش ظرفیت های خود در شبیه سازی آنها با سرعت یک اندازه اضافه به ازای هر دهه هستیم. یک اندازه جدید در فضا ۱۰ هزار برابر محاسبات بیشتر است. و ما در حال اضافه کردن چیزها و سوالات بیشتر به این مدل های گوناگون هستیم. خوب یک مدل اقلیمی به چه شکل است؟ این یک مدل اقلیمی قدیمی است،‌ مسلما، یک برگه منگنه شده و یک خط کد فرترن(زبان برنامه نویسی). ما دیگر از برگه های پانچ شده استفاده نمی کنیم. ولی هنوز ازبرنامه فرترن استفاده می کنیم. ایده های نو ظهور مثل C (زبان برنامه نویسی)
واقعا تاثیر شگرفی بر روی جامعه مدل سازی اقلیمی نداشته اند. اما ما چگونه آن را انجام می دهیم؟ ما چطور از آن پیچیدگی که شما دیدید به یک خط کد برنامه رسیدیم؟ ما آن را قدم به قدم انجام می دهیم. این تصویر یک دریای یخ است که در حال پرواز از روی قطب شمال گرفته شده است ما می توانیم به تمام معادلات گوناگون که در رشد یخ یا آب شدن آن، یا تغییر شکل آن نگاه کنیم. می توانیم به سیلاب‌ها نگاه کنیم. می توانیم به سرعت تبدیل برف به یخ نگاه کنیم و آن را تبدیل به کد برنامه کنیم.
می توانیم همه آن را در قالب یک کد قرار دهیم. این مدل ها در حدود یک میلیون خط کد در زمان حال هستند، و هر ساله ده ها هزار خط کد به آنها افزوده می شود. پس شما می توانید به آن تکه نگاه کنید، ولی می توانید به تکه های دیگر نیز نگاه کنید. چه اتفاقی می افتد وقتی شما ابر دارید؟ چه اتفاقی می افتد وفتی ابرها شکل می گیرند، وقتی پراکنده می شوند، وقتی تمام می شوند؟ آن یک تکه دیگر است. چه اتفاقی می افتد وقتی ما تابش عبوری خورشید از جو را داریم، که جذب و بازتاب می شود؟
ما می توانیم هر یک از این تکه های کوچک را تبدیل به کد کنیم. تکه های دیگری وجود دارد: بادها امواج اقیانوس ها را تغییر می دهند. می توانیم درباره نقش پوشش گیاهی در انتقال آب از خاک و همچنین به جو صحبت کنیم. و هر یک از این عناصر گوناگون می تواند جمع شود و درون یک سیستم قرار داده شود. هر یک از این تکه ها به کل اضافه می شود. و شما چیزی مثل این دارید. شما یک نمایش زیبا از رویدادهای داخل سیستم اقلیمی دارید، که هر یک از آنها الگوهای ظهوریافته‌ای که می توانید ببینید،
در اقیانوس جنوبی چرخش می کند، گردباد گرمسیری در خلیج مکزیک، و دو نمونه دیگری که در زمان نزدیکی شاهد آنها در اقیانوس آرام خواهیم بود، رودخانه های آب های جَوی، همه آن خواص ظهوریافته‌ای که از ارتباط بین پردازش های مقیاس کوچکی که ذکر کردم حاصل می شوند. هیچ کدی وجود ندارد که بگوید "یک تکان در اقیانوس جنوبی بخور" هیچ کدی وجود ندارد که بگوید "دو گردباد گرمسیری سالیانه دارد" همه اینها برآیند ویژگیهای ظهوریافته‌ هستند. همه اینها خیلی خوب هستند. عالی هستند اما چیزی که واقعا می خواهیم بدانیم این است
وقتی ما به سیستم ضربه می زنیم، چه اتفاقی برای این ویژگی های ظهوریافته می افتد؟ وقتی چیزی تغییر می کند، چه اتفاقی برای آن ویژگی ها رخ می دهد. و روش های زیادی برای ضربه به سیستم وجود دارد. در مدار های زمین لرزش هایی وجود دارد با قدمت بیش از صدها هزار سال که اقلیم را تغییر می دهند. تغییراتی در چرخه های خورشیدی وجود دارند، که هر ۱۱ سال و بیشتر اقلیم را تغییر می دهند. آتشفشان های عظیم که فعالیت می کنند و اقلیم را تغییر میدهند. تغییرات با سوختن زیست توده، دود با ذرات افشانه ها، همه آنها اقلیم را تغییر می دهند.
سوراخ اوزون اقلیم را تغییر داده است. جنگل زدایی با تغییر خواص سطحی و با تغییر نحوه تبخیر و جابجایی آن در سیستم باعث تغییر می شود. آب های تغلیظ شده در موتور جت ها با ایجاد ابرهایی که قبلا وجود نداشتند، باعث تغییر و البته گازهای گلخانه ای باعث تغییر می شوند. هر یک از این روش های گوناگون یک هدف برای ما فراهم می کنند تا بسنجیم که آیا چیزی درباره این سیستم درک می کنیم. پس ما می توانیم به مدل مهارتی نگاه کنیم.
حالا من آگاهانه از کلمه "مهارتی" استفاده می کنم چون مدل های غلط یا درست نیستند، همیشه غلط هستند. آنها همیشه تقریبی هستند. سوالی که باید بپرسید این است که آیا یک مدل اطلاعات بیشتری از قبل به شما می دهد یا خیر؟ اگر به این صورت است،‌ پس مهارتی هست. این تاثیر سوراخ اوزون بر فشار سطح دریا، فشار بالا و پایین، در اطراف اقیانوس جنوبی و قطب شمال است. این اطلاعات مشاهده شده اند. این اطلاعات مدل سازی شده اند. یک تطبیق خوب وجود دارد چون ما فیزیکی که دما را در اتمسفر
کنترل می کند و کاری که با بادها در اطراف اقیانوس جنوبی می کند را متوجه می شویم. می توانیم به مثال های دیگری نگاه کنیم. فوران آتشفشان کوه پینتابو در سال ۱۹۹۱ مقدار زیادی از افشانه ها ذرات ریز، را وارد اتمسفر کرد. این تعادل تابش کل سیاره را بر هم میزند. انرژی کمتری نسبت به قبل وارد زمین می شد، و این باعث خنک شدن سیاره شد، و آن خط های سبز و قرمز، آنها اختلافاتی هستند بین انتظارات ما و چیزهایی که واقعا اتفاق افتاد. مدل مهارتی است،
نه فقط در تعریف جهانی بلکه در الگوهای منطقه ای من می توانستم به چندین مثال دیگر اشاره کنم: مهارت مرتبط با چرخه های خورشیدی، که اوزون داخل اتمسفر را تغییر می دهد؛ مهارت مربوط به تغییرات محورها در طول ۶ هزار سال. ما می توانیم به آنها نگاه کنیم ولی مدل ها مهارتی هستند. این مدل ها در پاسخ به بستر های یخ ۲۰ هزار سال قبل نیز مهارتی هستند. این مدل های برای بررسی روند قرن بیستم در طول دهه ها کارایی دارند. مدل ها در مدل سازی طغیان های
دریچه های اقیانوس اطلس شمالی در ۸ هزار سال گذشته موفق هستند. و ما می توانیم یک تطابق خوب برای اطلاعات پیدا کنیم. هر یک از این هدف های گوناگون، هر یک از این ارزیابی های گوناگون، ما را به سمت گسترده تر کردن این مدل های نزدیک می کند. همچنین ما را به سمت شرایط پیچیده تر که سوالات جالب و جالب تری می پرسیم نزدیک تر می کنند، مثل، چگونه گرد و خاک صحرای بزرگ آفریقا، که می توانید در قسمت نارنجی ببینید، با گردباد های گرمسیری در اقیانوس اطلس تعامل دارند؟ چگونه افشانه های آلی حاصل سوخت زیست توده،
که در نقاط قرمز می بینید، با ابرها و الگوهای بارشی تداخل دارند؟ چگونه آلودگی، که می توانید در باریکی های سفید آلودگی سولفات در اروپا است را ببینید، چگونه آنها دمای سطح و نور خورشید که روی زمین می گیرید را تغییر دهند؟ می توانیم در سر تا سر جهان به این نگاه کنیم. می توانیم به آلودگی در چین نگاه کنیم. می توانیم به تاثیر طوفان ها بر ذرات نمک در جو نگاه کنیم. می توانیم ترکیب همه این چیزهای گوناگون را به صورت یکجا ببینیم، و می توانیم سوالات خیلی جالب تری بپرسیم.
چگونه آلودگی هوا و اقلیم همزمان وجود دارند؟ آیا می توانیم چیزهایی را تغییر دهیم که بر آلودگی هوا و اقلیم همزمان تاثیر دارند؟ پاسخ "بله" هست. خُب این تاریخ قرن بیستم است تصویر اولی مدل است. آب و هوا کمی متفاوت است نسبت به چیزی که واقعا اتفاق افتاد. دومین تصویر مشاهدات هستند. ما از سال ۱۹۳۰ نگاه می‌کنیم. تغییر پذیری وجود دارد و چیزهایی در حال رویدادن هستند، ولی به نوعی دربه هم‌ریخته و مخطل هستند. وقتی نزدیک دهه ۱۹۷۰ می شوید، به شروع تغییرات نزدیک می شوید.
آنها در حال شبیه هم شدن هستند، و وقتی به دهه ۲۰۰۰ می رسید، شما در حال مشاهده الگوهای گرم شدن زمین هستید، هم در مشاهدات و هم در مدل ها. ما می دانیم که چه چیز های در قرن بیستم اتفاق افتاد. درسته؟‌ می دانیم که هوا گرم تر شده است. می دانیم که کجا گرم تر شده است ولی وقتی از مدل های می پرسید چرا این اتفاق افتاده، و می گویید خوب بله،‌ درسته، در حقیقت این به خاطر دی اکسید کربن است که ما در جو وارد کردیم. ما تا به امروز یک تطابق خیلی خوب داریم. ولی یک دلیل کلیدی وجود دارد که ما به مدل ها نگاه می کنیم،
و آن به خاطر این عبارتی که اینجا وجود دارد است. چون اگر ما مشاهدات آینده را داشتیم، ما مسلما بیشتر از مدل ها به آنها اعتماد می کردیم، ولی متاسفانه، مشاهدات آینده در حال حاضر در دسترس نیستند. پس وقتی به آینده می رویم تفاوتی وجود دارد. آینده نادانسته است، آینده نا معلوم است، ولی گزینه هایی وجود دارند. اینها گزینه هایی هستند که ما داریم. می توانیم کارهایی کنیم که تولید دی اکسید کربن به جو را کاهش می دهنیم. این مهمترین هست. می توانیم کارهای بیشتری کنیم تا آن را در حقیقت کاهش دهیم
تا در پایان قرن، خیلی بیشتر از چیزی که اکنون وجود دارد نباشد. یا می توانیم آن را به سرنوشت خود رها کنیم و نگرش همیشگی خود ادامه دهیم. تفاوت بین این گزینه ها با نگاه کردن به مدل های قابل پاسخ نیست. یک سخن بزرگ از شرود روولند هست برنده جایزه نوبل که منجر به تخلیه اوزون از جو شد، در زمان دریافت جایزه نوبل گفت، او این سوال را پرسید: "فایده توسعه دادن یک علم برای انجام پیش بینی ها چیست،
«اگر در نهایت، تمام چیزی که تمایل داریم انجام دهیم این است» که کنار بایستیم و منتظر بمانیم تا آنها به حقیقت بپیوندد؟" مدل های مهارتی هستند، ولی کاری که با اطلاعات به دست آمده از آنها انجام دهیم کاملا در دستان خودتان است. سپاسگزارم. (
We live in a very complex environment: complexity and dynamism and patterns of evidence from satellite photographs, from videos. You can even see it outside your window. It's endlessly complex, but somehow familiar, but the patterns kind of repeat, but they never repeat exactly. It's a huge challenge to understand. The patterns that you see are there at all of the different scales, but you can't chop it into one little bit and say, "Oh, well let me just make a smaller climate."
I can't use the normal products of reductionism to get a smaller and smaller thing that I can study in a laboratory and say, "Oh, now that's something I now understand." It's the whole or it's nothing. The different scales that give you these kinds of patterns range over an enormous range of magnitude, roughly 14 orders of magnitude, from the small microscopic particles that seed clouds to the size of the planet itself, from 10 to the minus six to 10 to the eight,
14 orders of spatial magnitude. In time, from milliseconds to millennia, again around 14 orders of magnitude. What does that mean? Okay, well if you think about how you can calculate these things, you can take what you can see, okay, I'm going to chop it up into lots of little boxes, and that's the result of physics, right? And if I think about a weather model, that spans about five orders of magnitude, from the planet to a few kilometers, and the time scale
from a few minutes to 10 days, maybe a month. We're interested in more than that. We're interested in the climate. That's years, that's millennia, and we need to go to even smaller scales. The stuff that we can't resolve, the sub-scale processes, we need to approximate in some way. That is a huge challenge. Climate models in the 1990s took an even smaller chunk of that, only about three orders of magnitude. Climate models in the 2010s, kind of what we're working with now,
four orders of magnitude. We have 14 to go, and we're increasing our capability of simulating those at about one extra order of magnitude every decade. One extra order of magnitude in space is 10,000 times more calculations. And we keep adding more things, more questions to these different models. So what does a climate model look like? This is an old climate model, admittedly, a punch card, a single line of Fortran code. We no longer use punch cards.
We do still use Fortran. New-fangled ideas like C really haven't had a big impact on the climate modeling community. But how do we go about doing it? How do we go from that complexity that you saw to a line of code? We do it one piece at a time. This is a picture of sea ice taken flying over the Arctic. We can look at all of the different equations that go into making the ice grow or melt or change shape. We can look at the fluxes.
We can look at the rate at which snow turns to ice, and we can code that. We can encapsulate that in code. These models are around a million lines of code at this point, and growing by tens of thousands of lines of code every year. So you can look at that piece, but you can look at the other pieces too. What happens when you have clouds? What happens when clouds form, when they dissipate, when they rain out? That's another piece. What happens when we have radiation
coming from the sun, going through the atmosphere, being absorbed and reflected? We can code each of those very small pieces as well. There are other pieces: the winds changing the ocean currents. We can talk about the role of vegetation in transporting water from the soils back into the atmosphere. And each of these different elements we can encapsulate and put into a system. Each of those pieces ends up adding to the whole. And you get something like this. You get a beautiful representation
of what's going on in the climate system, where each and every one of those emergent patterns that you can see, the swirls in the Southern Ocean, the tropical cyclone in the Gulf of Mexico, and there's two more that are going to pop up in the Pacific at any point now, those rivers of atmospheric water, all of those are emergent properties that come from the interactions of all of those small-scale processes I mentioned. There's no code that says, "Do a wiggle in the Southern Ocean."
There's no code that says, "Have two tropical cyclones that spin around each other." All of those things are emergent properties. This is all very good. This is all great. But what we really want to know is what happens to these emergent properties when we kick the system? When something changes, what happens to those properties? And there's lots of different ways to kick the system. There are wobbles in the Earth's orbit over hundreds of thousands of years that change the climate. There are changes in the solar cycles,
every 11 years and longer, that change the climate. Big volcanoes go off and change the climate. Changes in biomass burning, in smoke, in aerosol particles, all of those things change the climate. The ozone hole changed the climate. Deforestation changes the climate by changing the surface properties and how water is evaporated and moved around in the system. Contrails change the climate by creating clouds where there were none before, and of course greenhouse gases change the system.
Each of these different kicks provides us with a target to evaluate whether we understand something about this system. So we can go to look at what model skill is. Now I use the word "skill" advisedly: Models are not right or wrong; they're always wrong. They're always approximations. The question you have to ask is whether a model tells you more information than you would have had otherwise. If it does, it's skillful. This is the impact of the ozone hole
on sea level pressure, so low pressure, high pressures, around the southern oceans, around Antarctica. This is observed data. This is modeled data. There's a good match because we understand the physics that controls the temperatures in the stratosphere and what that does to the winds around the southern oceans. We can look at other examples. The eruption of Mount Pinatubo in 1991 put an enormous amount of aerosols, small particles, into the stratosphere.
That changed the radiation balance of the whole planet. There was less energy coming in than there was before, so that cooled the planet, and those red lines and those green lines, those are the differences between what we expected and what actually happened. The models are skillful, not just in the global mean, but also in the regional patterns. I could go through a dozen more examples: the skill associated with solar cycles, changing the ozone in the stratosphere; the skill associated with orbital changes
over 6,000 years. We can look at that too, and the models are skillful. The models are skillful in response to the ice sheets 20,000 years ago. The models are skillful when it comes to the 20th-century trends over the decades. Models are successful at modeling lake outbursts into the North Atlantic 8,000 years ago. And we can get a good match to the data. Each of these different targets, each of these different evaluations, leads us to add more scope
to these models, and leads us to more and more complex situations that we can ask more and more interesting questions, like, how does dust from the Sahara, that you can see in the orange, interact with tropical cyclones in the Atlantic? How do organic aerosols from biomass burning, which you can see in the red dots, intersect with clouds and rainfall patterns? How does pollution, which you can see in the white wisps of sulfate pollution in Europe, how does that affect the temperatures at the surface
and the sunlight that you get at the surface? We can look at this across the world. We can look at the pollution from China. We can look at the impacts of storms on sea salt particles in the atmosphere. We can see the combination of all of these different things happening all at once, and we can ask much more interesting questions. How do air pollution and climate coexist? Can we change things that affect air pollution and climate at the same time? The answer is yes.
So this is a history of the 20th century. The first one is the model. The weather is a little bit different to what actually happened. The second one are the observations. And we're going through the 1930s. There's variability, there are things going on, but it's all kind of in the noise. As you get towards the 1970s, things are going to start to change. They're going to start to look more similar, and by the time you get to the 2000s, you're already seeing the patterns of global warming,
both in the observations and in the model. We know what happened over the 20th century. Right? We know that it's gotten warmer. We know where it's gotten warmer. And if you ask the models why did that happen, and you say, okay, well, yes, basically it's because of the carbon dioxide we put into the atmosphere. We have a very good match up until the present day. But there's one key reason why we look at models, and that's because of this phrase here. Because if we had observations of the future,
we obviously would trust them more than models, But unfortunately, observations of the future are not available at this time. So when we go out into the future, there's a difference. The future is unknown, the future is uncertain, and there are choices. Here are the choices that we have. We can do some work to mitigate the emissions of carbon dioxide into the atmosphere. That's the top one. We can do more work to really bring it down so that by the end of the century,
it's not much more than there is now. Or we can just leave it to fate and continue on with a business-as-usual type of attitude. The differences between these choices can't be answered by looking at models. There's a great phrase that Sherwood Rowland, who won the Nobel Prize for the chemistry that led to ozone depletion, when he was accepting his Nobel Prize, he asked this question: "What is the use of having developed a science well enough to make predictions if, in the end,
all we're willing to do is stand around and wait for them to come true?" The models are skillful, but what we do with the information from those models is totally up to you. Thank you. (Applause)