Improving climate projections using “intelligent” ensembles
Improving climate projections using “intelligent” ensembles
French Title: Améliorer les projections climatiques en utilisant des ensembles « intelligents »
Previously Published Material: Some of the work mentioned in the abstract is under review in Atmospheric Chemistry and Physics. The majority of findings in this presentation are new work building on that previous work.
Abstract ID#: 33882
English Abstract:
Recent changes in the climate system have led to growing concern, especially in communities which are highly vulnerable to resource shortages and weather extremes. There is an urgent need for better climate information to develop solutions and strategies for adapting to a changing climate. Climate models provide excellent tools for studying the current state of climate and making future projections. However, these models are subject to biases created by structural uncertainties. Performance metrics—or the systematic determination of model biases—succinctly quantify aspects of climate model behavior. Efforts to standardize climate model experiments and collect simulation data—such as the Coupled Model Intercomparison Project (CMIP)—provide the means to directly compare and assess model performance. Performance metrics have been used to show that some models reproduce present-day climate better than others. Simulation data from multiple models are often used to add value to projections by creating a consensus projection from the model ensemble, in which each model is given an equal weight. It has been shown that the ensemble mean generally outperforms any single model. It is possible to use unequal weights to produce ensemble means, in which models are weighted based on performance (called “intelligent” ensembles). Can performance metrics be used to improve climate projections? Previous work introduced a framework for comparing the utility of model performance metrics, showing that the best metrics are related to the variance of top-of-atmosphere outgoing longwave radiation. These metrics improve present-day climate simulations of Earth’s energy budget using the “intelligent” ensemble method. The current project identifies several approaches for testing whether performance metrics can be applied to future simulations to create “intelligent” ensemble-mean climate projections. It is shown that certain performance metrics test key climate processes in the models, and that these metrics can be used to evaluate model quality in both current and future climate states. This information will be used to produce new consensus projections and provide communities with improved climate projections for urgent decision-making.
French Abstract:
De récents changements dans le système climatique ont généré une inquiétude grandissante, et il y a un besoin urgent de meilleure information concernant des solutions et des stratégies pour mieux s’adapter à un climat changeant. Les modèles climatiques sont un outil excellent pour étudier l’état actuel du climat et pour faire des projections dans le futur. Cependant, ces modèles sont soumis à des biais créés par des incertitudes structurelles. Des métriques de performance—ou un moyen systématique de déterminer les biais d’un modèle—quantifient succinctement les aspects du comportement d’un modèle climatique. Le Coupled Model Intercomparison Project (CMIP) permet de comparer et d’évaluer la performance des modèles directement. Des métriques de performance ont permis de démontrer que certains modèles reproduisent le climat actuel mieux que d’autres. Plusieurs modèles sont généralement utilisées pour améliorer les projections en créant un consensus de projection pour l’ensemble des modèles où chaque modèle se voit attribué un poids égal. Il a été démontré que la moyenne de l’ensemble a généralement une meilleure performance que n’importe quel modèle individuel. Il est possible d’utiliser des poids non-égaux pour produire la moyenne de l’ensemble où le poids de chaque modèle est basé sur sa performance (appelés ensembles « intelligents »). Des travaux antérieurs ont produit une infrastructure permettant de comparer les métriques de performance d’un modèle, démontrant que les meilleures métriques sont associées à l’énergie infrarouge sortante à ondes longues. Ces métriques améliorent les simulations du budget d’énergie de la Terre pour le climat actuel. Ce projet identifie plusieurs approches qui permettent d’évaluer si des métriques de performance peuvent être appliquées dans de futures simulations pour créer des projections de climat basées sur des moyennes d’ensembles « intelligents ». Il est démontré que certaines métriques de performance déterminent des processus climatiques clés dans les modèles, et que ces métriques peuvent être utilisées pour évaluer la qualité d’un modèle pour des états présents et futurs. Cette information va être utilisée pour produire de nouveaux consensus de projection et donner aux communautés de meilleures projections climatiques pour des décisions urgentes.