หลักฐานของภาวะโลกร้อนที่มนุษย์สร้างขึ้นได้มาถึง 'มาตรฐานทองคำ': พวกเขาทำเช่นนี้ได้อย่างไร?

ข้อความนี้ในบทความของ Reuter จาก 25.02.2019 ขณะนี้มีอยู่ทั่วข่าว:

หลักฐานของภาวะโลกร้อนที่มนุษย์สร้างขึ้นได้รับความนิยม 'มาตรฐานทองคำ'

[นักวิทยาศาสตร์] กล่าวว่าความมั่นใจว่ากิจกรรมของมนุษย์กำลังเพิ่มความร้อนที่พื้นผิวโลกได้ถึงระดับ "ห้าซิกม่า" ซึ่งเป็นมาตรวัดทางสถิติซึ่งหมายความว่ามีโอกาสเพียงหนึ่งในล้านเท่านั้นที่สัญญาณจะปรากฏขึ้นหากมี ไม่มีภาวะโลกร้อน

ฉันเชื่อว่านี่หมายถึงบทความนี้"ฉลองครบรอบสามเหตุการณ์สำคัญในวิทยาศาสตร์การเปลี่ยนแปลงสภาพภูมิอากาศ"ซึ่งมีพล็อตซึ่งแสดงแผนผังด้านล่าง (เป็นภาพร่างเพราะฉันไม่สามารถหาภาพโอเพนซอร์สสำหรับต้นฉบับที่คล้ายกัน พบรูปภาพฟรีที่นี่ ) บทความอื่นจากกลุ่มการวิจัยเดียวกันซึ่งดูเหมือนว่าจะเป็นแหล่งต้นฉบับมากกว่าอยู่ที่นี่ (แต่ใช้นัยสำคัญ 1% แทน $5\sigma$ )

พล็อตนำเสนอการวัดจากกลุ่มวิจัยที่แตกต่างกันสามกลุ่ม ได้แก่ ระบบตรวจจับระยะไกล, ศูนย์สำหรับการใช้งานและการวิจัยดาวเทียมและมหาวิทยาลัยอลาบามาที่ Huntsville

พล็อตแสดงเส้นโค้งสัญญาณที่เพิ่มขึ้นสามเส้นต่ออัตราส่วนสัญญาณรบกวนเป็นฟังก์ชันของแนวโน้มความยาว

$5\sigma$

$^{\dagger}$ $5\sigma$

$5 \sigma$

$^\dagger$

— Sextus Empiricus
แหล่งที่มา

5 σ

$5\sigma$

σ

$\sigma$

5 σ

$5\sigma$

5 σ

$5\sigma$

คำถามคือจำนวนของเอฟเฟ็กต์ทั้งสามนี้มีอยู่ในกรณีของบทความภาวะโลกร้อนที่มนุษย์สร้างขึ้นนี้ ฉันคิดว่ามันเป็นสิ่งสำคัญที่จะต้องทำให้เรื่องนี้ชัดเจนขึ้น เป็นเรื่องธรรมดามากที่จะใส่ตัวเลขลงในการโต้เถียงเพื่อให้ได้เสียงที่เข้มงวดและคนส่วนใหญ่หยุดตั้งคำถาม

— Sextus Empiricus

คุณเคยเห็นคำวิจารณ์นี้: judithcurry.com/2019/03/01/… ?

— Robert Long

บังเอิญฉันอ่านเอกสารเหล่านี้เมื่อสองสามวันก่อนและตอนนี้สังเกตเห็นความโปรดปรานใหม่ของคุณ ตอนนี้ฉันอาจจะเขียนอะไรสักอย่าง

— อะมีบาพูดว่า Reinstate Monica

คำตอบ:

มันไม่ได้เกี่ยวกับการทดสอบทางสถิติเสมอไป นอกจากนี้ยังอาจเกี่ยวกับทฤษฎีสารสนเทศ

คำ5σคือสิ่งที่มันบอกว่ามันคือ: อัตราส่วนของ "สัญญาณ" ต่อ "เสียง" ในการทดสอบสมมติฐานเรามีการประมาณค่าพารามิเตอร์การกระจายและข้อผิดพลาดมาตรฐานของการประมาณการ อย่างแรกคือ "สัญญาณ" ที่สองคือ "สัญญาณรบกวน" และอัตราส่วนของสถิติและข้อผิดพลาดมาตรฐานคือสถิติ z, สถิติ t- สถิติ F- สถิติคุณตั้งชื่อมัน

อย่างไรก็ตามอัตราส่วนสัญญาณต่อเสียงมีประโยชน์ทุกที่ที่เรารับ / รับรู้ข้อมูลผ่านเสียงรบกวน เป็นลิงค์ที่อ้างถึงอธิบาย

อัตราส่วนสัญญาณต่อเสียงรบกวน (มักจะย่อ SNR หรือ S / N) เป็นมาตรการที่ใช้ในวิทยาศาสตร์และวิศวกรรมเพื่อวัดปริมาณสัญญาณที่เสียหายจากเสียง

ในกรณีของเรา "สัญญาณ" คือการเปลี่ยนแปลงจริงที่วัดได้ในอุณหภูมิของชั้นบรรยากาศบางส่วนและ "เสียง" เป็นคำทำนายของการเปลี่ยนแปลงจากการจำลองโดยไม่มีอิทธิพลของมนุษย์ที่รู้จักกัน มันจึงเกิดขึ้นที่การจำลองเหล่านี้ทำนายอุณหภูมิคงที่ไม่มากก็น้อยด้วยค่าเบี่ยงเบนมาตรฐานที่แน่นอนσ

ตอนนี้กลับไปที่สถิติ สถิติการทดสอบทั้งหมด (z, t, F) เป็นอัตราส่วนของค่าประมาณของข้อผิดพลาดมาตรฐาน ดังนั้นเมื่อเรานักสถิติได้ยินสิ่งต่าง ๆ เช่น S / N เราคิดว่าสถิติ z และจัดให้มีความน่าจะเป็น นักอุตุนิยมวิทยาเห็นได้ชัดว่าไม่ทำเช่นนี้ (ไม่มีการเอ่ยถึงความน่าจะเป็นที่ใดก็ได้ในบทความ ) พวกเขาพบว่าการเปลี่ยนแปลงนั้นใหญ่กว่าที่คาดไว้ประมาณสามถึงแปดเท่า S / N คือ3σถึง8σ

สิ่งที่บทความรายงานคือพวกเขาทำแบบจำลองสองประเภท: แบบที่มีอิทธิพลของมนุษย์ที่เป็นที่รู้จักซึ่งรวมอยู่ในแบบจำลองและส่วนอื่น ๆ ที่ไม่รวมถึงอิทธิพลของมนุษย์ที่เป็นที่รู้จัก การจำลองครั้งแรกนั้นคล้ายคลึงกับข้อมูลดาวเทียมจริงที่วัดได้ในขณะที่การจำลองครั้งที่สองได้ถูกปิดลง หากเป็นไปได้หรือไม่พวกเขาจะไม่พูดอย่างชัดเจนและไม่สนใจ

เพื่อตอบคำถามอื่น ๆ พวกเขาไม่ได้ทำการทดลองเลยพวกเขาจำลองสถานการณ์ตามแบบจำลองของพวกเขา ดังนั้นจึงไม่มีสมมติฐานว่างที่ชัดเจนยกเว้นสิ่งที่ชัดเจนว่าการเปลี่ยนแปลงนั้นคล้ายกับที่คาดไว้ (S / N คือ 1)

ขนาดผลกระทบของสัญญาณคือความแตกต่างระหว่างข้อมูลจริงและการจำลอง เป็นสัญญาณที่ใหญ่กว่าที่คาดไว้ 5 เท่า (คาดการณ์ความแปรปรวนของอุณหภูมิได้ห้าเท่า) ดูเหมือนว่าเสียงจะลดลงเนื่องจากปริมาณและความแม่นยำในการวัด

ตรงกันข้ามกับความคาดหวังของเราจาก "นักวิทยาศาสตร์ที่แท้จริง" ไม่มีแบบจำลองทางสถิติที่เราสามารถพูดคุยได้ดังนั้นคำถามเกี่ยวกับสมมติฐานที่ทำนั้นไม่มีความหมาย สมมติฐานเดียวคือโมเดลของพวกเขาช่วยให้พวกเขาทำนายสภาพภูมิอากาศ สิ่งนี้ใช้ได้เช่นเดียวกับที่บอกว่าแบบจำลองที่ใช้สำหรับการพยากรณ์อากาศนั้นมั่นคง

มีสามเส้นโค้งมากขึ้นแล้ว พวกเขาเป็นผลการจำลองจากแบบจำลองที่แตกต่างกัน พวกเขาจะต้องแตกต่างกัน และใช่มีสัญญาณรบกวนที่แตกต่างกัน สัญญาณที่แตกต่างกันคือชุดการวัดที่แตกต่างกันซึ่งมีข้อผิดพลาดในการวัดและควรแตกต่างกัน สิ่งนี้หมายความว่าอย่างไรเกี่ยวกับการตีความ? การตีความความน่าจะเป็นของ S / N นั้นไม่ใช่สิ่งที่ดี อย่างไรก็ตามความถูกต้องภายนอกของการค้นพบนั้นเป็นไปในทางที่ถูกต้อง พวกเขาเพียง แต่ยืนยันว่าการเปลี่ยนแปลงสภาพภูมิอากาศในช่วงเวลาระหว่างปี 2522-2554 เทียบได้กับสถานการณ์จำลองเมื่ออิทธิพลของมนุษย์ที่เป็นที่รู้จักนั้นมีสัดส่วนและใหญ่กว่าห้าเท่าของที่คำนวณโดยการจำลองเมื่อปัจจัยที่เป็นที่รู้จักของมนุษย์

เหลือคำถามอีกหนึ่งข้อ หากนักอุตุนิยมวิทยาจะขอให้นักสถิติสร้างแบบจำลองมันควรจะเป็นอย่างไร ในความคิดของฉันมีอะไรบางอย่างในแนวของการเคลื่อนไหว Brownian

— Nino Rode
แหล่งที่มา

ดังนั้นสิ่งที่ก่อให้เกิด "สัญญาณ" ลักษณะของ "เสียง" คืออะไรและกระบวนการที่มองไม่เห็นที่เราอาจนำมารวมกันคืออะไร?

— Josh

Sory @Josh ฉันกดปุ่มส่งก่อนกำหนด ตอนนี้คุณสามารถอ่านคำตอบทั้งหมดของฉัน แร่ยิ่งน้อยลง "สัญญาณ" คือการวัดจริงและ "เสียง" เป็นผลของการจำลองเมื่อปัจจัยมนุษย์ที่เป็นที่รู้จักถูกแยกออกจากแบบจำลอง และในความคิดของฉันนี้เป็น unstatistical มาก ...

— Nino Rode

n σ

$n\sigma$

@NinoRode บางทีฉันอาจจะพลาดบางสิ่งบางอย่าง แต่เนื่องจากรูปแบบ "สัญญาณรบกวน" ที่ไม่มีอิทธิพลของมนุษย์ผิดพลาดอย่างเห็นได้ชัดเนื่องจากความจริงที่ว่าอุณหภูมิเฉลี่ยสูงขึ้นจากการวัดเชิงประจักษ์รุ่นนั้นมีพื้นฐานที่เกี่ยวข้องอย่างไร เนื่องจากเป็นที่เข้าใจกันว่าอุณหภูมิมีความผันผวนเนื่องจากกระบวนการทางธรรมชาติ ( en.wikipedia.org/wiki/Little_Ice_Age ) นอกเหนือไปจาก anthropogenic สิ่งที่เป็นพื้นฐานสำหรับการสันนิษฐานว่าแบบจำลอง "เสียง" ควรมีอุณหภูมิที่ศูนย์เฉลี่ยเพิ่มขึ้น ระยะเวลาการวิเคราะห์?

— Josh

@Scott ปัญหาเกี่ยวกับการ์ตูนที่ฉลาดคือไม่มีเสียงดังในซีรีย์เวลาเนื่องจากการวัดที่มีแนวโน้มว่าจะไม่ได้รับการปรับปรุงให้ดีพอที่จะกำหนดว่าอุณหภูมิในศตวรรษใดหรือไม่นับปีที่เฉพาะเจาะจง ดังนั้นมันจึงดูราบรื่นและค่อยเป็นค่อยไปจนกระทั่งการมาถึงของอุปกรณ์การวัดที่ทันสมัย ในกลศาสตร์ของไหลนี่ก็เหมือนกับการเปรียบเทียบการสังเกตการณ์สนามความเร็วกับเรย์โนลด์สโดยเฉลี่ย มันไม่ใช่การเปรียบเทียบที่เหมาะสม เว้นแต่คุณจะคิดว่ามีความผันผวนของอุณหภูมิโลกเป็นศูนย์จนกระทั่ง Greta Thunberg เกิด :)

— Josh

Caveat: ฉันไม่ใช่ผู้เชี่ยวชาญด้านอุตุนิยมวิทยานี่ไม่ใช่สาขาของฉัน โปรดจำไว้ในใจ ยินดีต้อนรับการแก้ไข

ตัวเลขที่คุณอ้างถึงมาจากรายงานล่าสุดของSanter และคณะ 2019 ฉลองครบรอบสามเหตุการณ์สำคัญในด้านวิทยาศาสตร์การเปลี่ยนแปลงภูมิอากาศจากธรรมชาติเปลี่ยนแปลงสภาพภูมิอากาศ มันไม่ใช่งานวิจัย แต่เป็นความคิดเห็นสั้น ๆ รูปนี้เป็นการปรับปรุงแบบง่าย ๆ ของตัวเลขที่คล้ายกันจากกระดาษScienceก่อนหน้าของผู้เขียนคนเดียวกันคือSanter et al 2018 มนุษย์มีอิทธิพลต่อวงจรตามฤดูกาลของอุณหภูมิ นี่คือตัวเลข 2019:

และนี่คือตัวเลข 2018; พาเนล A สอดคล้องกับรูป 2019:

ที่นี่ฉันจะพยายามอธิบายการวิเคราะห์ทางสถิติที่อยู่เบื้องหลังตัวเลขสุดท้ายนี้ (ทั้งสี่พาเนล) วิทยาศาสตร์กระดาษคือการเข้าถึงเปิดและสามารถอ่านได้ค่อนข้าง; รายละเอียดทางสถิติจะซ่อนอยู่ในวัสดุเสริมตามปกติ ก่อนที่จะพูดคุยเกี่ยวกับสถิติเช่นนี้เราต้องพูดสองสามคำเกี่ยวกับข้อมูลเชิงสังเกตการณ์และแบบจำลอง (แบบจำลองสภาพภูมิอากาศ) ที่ใช้ที่นี่

1. ข้อมูล

ตัวย่อ RSS, UAH, และ STAR หมายถึงการสร้างอุณหภูมิ tropospheric จากการตรวจวัดดาวเทียม อุณหภูมิ tropospheric ได้รับการตรวจสอบตั้งแต่ปี 1979 โดยใช้อากาศดาวเทียม: ดูวิกิพีเดียในการวัดอุณหภูมิ MSU น่าเสียดายที่ดาวเทียมไม่ได้วัดอุณหภูมิโดยตรง พวกเขาวัดอย่างอื่นซึ่งสามารถสรุปอุณหภูมิได้ ยิ่งไปกว่านั้นพวกเขายังได้รับความทุกข์ทรมานจากปัญหาอคติและการสอบเทียบที่หลากหลายขึ้นอยู่กับเวลา ทำให้การสร้างอุณหภูมิจริงเป็นปัญหาที่ยากขึ้น กลุ่มวิจัยหลายแห่งทำการฟื้นฟูขึ้นใหม่ตามวิธีการที่ต่างกันบ้างและได้ผลลัพธ์สุดท้ายที่แตกต่างกันบ้าง RSS, UAH, และ STAR เป็นสิ่งก่อสร้างเหล่านี้ เพื่ออ้างถึง Wikipedia

ดาวเทียมไม่ได้วัดอุณหภูมิ พวกเขาวัดความกระจ่างในแถบความยาวคลื่นต่างๆซึ่งจะต้องมีการคว่ำทางคณิตศาสตร์เพื่อให้ได้การอนุมานทางอ้อมของอุณหภูมิ โปรไฟล์อุณหภูมิที่ได้ขึ้นอยู่กับรายละเอียดของวิธีการที่ใช้ในการรับอุณหภูมิจากการแผ่รังสี เป็นผลให้กลุ่มต่าง ๆ ที่วิเคราะห์ข้อมูลดาวเทียมได้รับแนวโน้มอุณหภูมิที่แตกต่างกัน กลุ่มคนเหล่านี้ ได้แก่ Remote Sensing Systems (RSS) และ University of Alabama ใน Huntsville (UAH) ซีรีส์ดาวเทียมนั้นไม่เหมือนกันทั้งหมด - บันทึกถูกสร้างขึ้นจากชุดของดาวเทียมที่มีเครื่องมือที่คล้ายกัน แต่ไม่เหมือนกัน เซ็นเซอร์เสื่อมสภาพเมื่อเวลาผ่านไปและการแก้ไขเป็นสิ่งจำเป็นสำหรับการดริฟท์ดาวเทียมในวงโคจร

มีการถกเถียงกันมากมายเกี่ยวกับการสร้างใหม่ที่มีความน่าเชื่อถือมากกว่า แต่ละกลุ่มอัปเดตอัลกอริทึมของพวกเขาเป็นระยะ ๆ เปลี่ยนชุดเวลาที่สร้างใหม่ทั้งหมด นี่คือเหตุผลที่ตัวอย่างเช่น RSS v3.3 แตกต่างจาก RSS v4.0 ในรูปด้านบน โดยรวม, AFAIK มันเป็นที่ยอมรับทั้งในด้านที่ประมาณการของอุณหภูมิพื้นผิวโลกที่มีมากขึ้นได้อย่างแม่นยำกว่าการตรวจวัดสัญญาณดาวเทียม ไม่ว่าในกรณีใด ๆ สิ่งที่สำคัญสำหรับคำถามนี้ก็คือมีการประมาณอุณหภูมิของทรอปิสเฟียร์ที่ได้รับการแก้ไขเชิงพื้นที่ตั้งแต่ปี 1979 จนถึงปัจจุบัน - เช่นเป็นฟังก์ชั่นของละติจูดลองจิจูดและเวลา

$T(\mathbf x, t)$

2. แบบจำลอง

มีแบบจำลองสภาพภูมิอากาศต่าง ๆ ที่สามารถเรียกใช้เพื่อจำลองอุณหภูมิ tropospheric (ยังเป็นฟังก์ชันของละติจูดลองจิจูดและเวลา) แบบจำลองเหล่านี้มีความเข้มข้นของคาร์บอนไดออกไซด์กิจกรรมภูเขาไฟการฉายรังสีจากแสงอาทิตย์ความเข้มข้นของละอองลอยและอิทธิพลภายนอกอื่น ๆ อีกมากมายเช่นอินพุตและผลิตอุณหภูมิเป็นเอาต์พุต โมเดลเหล่านี้สามารถใช้งานได้ในช่วงเวลาเดียวกัน (2522 - ปัจจุบัน) โดยใช้อิทธิพลจากภายนอกที่วัดได้จริง จากนั้นเอาต์พุตสามารถเป็นค่าเฉลี่ยเพื่อรับเอาท์พุทโมเดลเฉลี่ย

เราสามารถเรียกใช้แบบจำลองเหล่านี้ได้โดยไม่ต้องป้อนปัจจัยมนุษย์ (ก๊าซเรือนกระจก, ละออง, ฯลฯ ) เพื่อรับทราบแนวคิดของการทำนายแบบไม่ใช้มนุษย์ โปรดทราบว่าปัจจัยอื่น ๆ ทั้งหมด (แสงอาทิตย์ / ภูเขาไฟ / ฯลฯ ) มีความผันผวนรอบค่าเฉลี่ยของพวกเขาดังนั้นเอาท์พุทแบบที่ไม่ต่อต้านมนุษย์เป็นแบบคงที่จากการก่อสร้าง กล่าวอีกนัยหนึ่งแบบจำลองไม่อนุญาตให้ภูมิอากาศเปลี่ยนแปลงตามธรรมชาติโดยไม่มีสาเหตุภายนอกใด ๆ

$M(\mathbf x,t)$ $N(\mathbf x, t)$

$z$

$T(\mathbf x, t)$ $M(\mathbf x, t)$ $N(\mathbf x, t)$

$T(\mathbf x, i)$ $M(\mathbf x, i)$ $N(\mathbf x, i)$ $i$

ค่าเฉลี่ยรายปี: อุณหภูมิเฉลี่ยตลอดทั้งปี
รอบฤดูกาลประจำปี: อุณหภูมิฤดูร้อนลบอุณหภูมิฤดูหนาว
$\mathbf x$ $i$
รอบฤดูกาลประจำปีที่มีค่าเฉลี่ยทั่วโลกลบออกเช่นเดียวกับ (2) แต่ลบค่าเฉลี่ยทั่วโลกอีกครั้ง

$M(\mathbf x, i)$ $F(\mathbf x)$

$T(\mathbf x, i)$ $F(\mathbf x)$

Z (i) = \sum_{x} T (x, i) F (x),

$Z(i) = \sum_\mathbf x T(\mathbf x, i) F(\mathbf x),$

β

$\beta$

z

$z$

W (i) = \sum_{x} N (x, i) F (x),

$W(i) = \sum_\mathbf x N(\mathbf x, i) F(\mathbf x),$

β_{n o i s e}

$\beta_\mathrm{noise}$

β_{n o i s e}

$\beta_\mathrm{noise}$

z

$z$ -สถิติ:

z = \frac{β}{{Var}^{1 / 2} [β_{n o i s e}]} .

$z = \frac{\beta}{\operatorname{Var}^{1/2}[\beta_\mathrm{noise}]}.$

$z$

4. ความคิดเห็นบางอย่าง

ลายนิ้วมือแรก (แผง A) คือ IMHO ที่น่ารำคาญที่สุด มันก็หมายความว่าอุณหภูมิที่สังเกตได้จะเพิ่มขึ้นแบบ monotonically ในขณะที่อุณหภูมิภายใต้สมมติฐานว่างไม่ได้ ฉันไม่คิดว่าจะต้องใช้เครื่องจักรที่ซับซ้อนทั้งหมดเพื่อทำข้อสรุปนี้ อนุกรมเวลาอุณหภูมิโลก (ค่าตัวแปร RSS) ที่ต่ำลงมีลักษณะดังนี้:

และชัดเจนว่ามีแนวโน้มที่สำคัญมากที่นี่ ฉันไม่คิดว่าจะมีใครต้องการโมเดลใด ๆ เพื่อดูสิ่งนั้น

$z$

— อะมีบาพูดว่า Reinstate Monica
แหล่งที่มา

(+1) นี่เป็นคำตอบที่ยอดเยี่ยม! หากคุณไม่เป็นไรคุณสามารถขยายขั้นตอน "PCA ข้ามเวลา" ได้หรือไม่? ฉันไม่เข้าใจความคิดเบื้องหลังการทำ PCA ที่นั่นแทนที่จะวิเคราะห์แต่ละมิติแยกกัน

— mkt - Reinstate Monica

β_{noise}

$\beta_{\text {noise}}$

N (x, i)

$N(x,i)$

F (x)

$F(x)$

T (x, i)

$T(x,i)$

F (x)

$F(x)$

N (x, 2019)

$N(x, 2019)$

ใช่สิ่งนี้สามารถพูดคุยได้จากทุกมุม ฉันมักเป็นการส่วนตัวโดยไม่ต้องตัดสินอะไรมากเกี่ยวกับด้านใด ๆ แต่ฉันชอบข้อโต้แย้งที่ชัดเจนและชัดเจน การรายงานเกี่ยวกับสภาพอากาศในปัจจุบันนั้นคลุมเครือมาก

— Sextus Empiricus

F (x)

$F(x)$