CRU – stacje wiejskie i miejskie

W ostatnich dniach udało mi się przerobić program do gridowania danych CRU tak, aby rozróżniał stacje położone na terenach słabo zaludnionych od stacji położonych na terenach gęsto zaludnionych. W ten sposób mogłem określić charakter trendów dla stacji o różnym stopniu zaludnienia, a więc odpowiedzieć na pytanie – czy rzeczywiście obserwowane ocieplenie klimatu spowodowane jest tylko i wyłącznie istnieniem Miejskich Wysp Ciepła? Czy jest to jednak zjawisko rzeczywiste, na które urbanizacja wpłynęła w stopniu niewielkim, lub w ogóle?

Przypomnijmy, że jednym z argumentów sceptyków Globalnego Ocieplenia była teza, iż w zasadzie żadnego ocieplenia nie ma, a obserwowany wzrost temperatury jest spowodowany rozwojem miast. Przebiegać to miało w ten sposób, iż stacje położone pierwotnie na peryferiach miast, zostały w przeciągu dziesięcioleci wchłonięte przez rozrastające się aglomeracje. Z uwagi na rozwój urbanistyki, w bezpośrednim otoczeniu stacji meteorologicznej pojawić się miał efekt Miejskiej Wyspy Ciepła (UHI), który odbić się miał na pomiarach, powodując pojawienie się w nich „sztucznego ocieplenia”.

Efekt Miejskiej Wyspy Ciepła jest oczywiście realny, powstają jednak ważne pytania:

• Ile stacji w serii danych należy do stacji „wiejskich” (rural), a ile do „miejskich” (urban)?
• Jakie są rzeczywiste różnice w trendach dla stacji „wiejskich” i „miejskich”?
• Największe ocieplenie obserwowano po roku 1980. Czy wzrost urbanizacji pomiędzy rokiem 1980 a 2010 był aż tak duży, by bieżące ocieplenie tłumaczyć tym właśnie zjawiskiem?
• Jak zdefiniować stację „miejską” i „wiejską”?

Zacznijmy od ostatniego pytania. Dr Roy Spencer zauważył, że efekt UHI pojawia się już przy stosunkowo niskim stopniu zaludnienia. Należy tu zwrócić uwagę, że w swoich obliczeniach Spencer nie zbadał wpływu UHI na trend, a jedynie częściowo oszacował wielkość UHI w zależności od gęstości zaludnienia. Z obliczeń Spencera wynika, iż już przy gęstości zaludnienia = 20 osób / km^2 obserwuje się ocieplenie rzędu 0.6 stopnia w stosunku do stacji z niemal zerowym zaludnieniem. Przy zaludnieniu rzędu 5 osób / km^2 wielkość UHI szacowana jest u Spencera na około 0.35 stopnia. Dopiero przy gęstości zaludnienia poniżej 1-2 osoby / km^2 efekt UHI zanika.

Z wyliczeń tych wynika, że za stacje „wiejskie” należałoby uznać takie, których gęstość zaludnienia nie przekracza 2 osoby / km^2, lub mniej. Powstaje konkluzja, że wg Spencera efekt UHI był znaczny już w latach 30-ych.

Jakie są więc rzeczywiste różnice pomiędzy stacjami „wiejskimi” i „miejskimi”? I czy możemy to zbadać? A może inny istnieje proces, który można wiązać z antropogenicznym ociepleniem?

W 2006 roku de Laat i Maurellis opublikowali pracę [1] w której podtrzymują konkluzje ze swojej poprzedniej pracy, iż trendy mierzone na stacjach, oraz przez satelitarne pomiary temperatury dolnej troposfery są wyższe w regionach silnie zindustrializowanych:

„In de Laat and Maurellis (2004; hereafter Paper I), we showed that temperature trends at the surface and in the troposphere are spatially correlated with anthropogenic industrial CO2 emissions. More specifically, temperature trends from satellite and in situ surface measurements, when compared to the CO2 emissions for the period 1979–2001, showed that near-surface temperature trends are higher on average for regions with higher industrial CO2 emissions. In contrast to our findings for the measurements, ‘business-as-usual’ climate model simulations of surface temperature changes due to increased GHG concentrations (used for IPCC (2001)) showed no such increase in trends for regions with higher emissions.”

Krótko mówiąc Laat i Maurellis twierdzą, iż trendy temperatury są wyższe w rejonach o zwiększonej emisji CO2, czego nie przewidywał model klimatyczny używany przez IPCC. I wcale nie chodziło im o to, że to emisja CO2 jest powodem tych zwyżek.

Jak widzimy na wykresach powyżej, istnieje zasadnicza różnica w wyliczonych trendach dla miejsc w których emisja CO2 przyjęła wartości powyżej zadanego progu (linia czerwona) i miejsc, dla których emisja progu nie przekroczyła (linia niebieska).

Należy zwrócić uwagę, że praca de Laat i Maurellisa wcale nie dowodzi wpływu UHI na trendy temperatur. Wręcz przeciwnie, autorzy konkludują, że:

„Finally, we point out that it seems unreasonable to assume that the ‘classical’ urban heat island (different heating due to different land cover) is the cause of the enhanced surface warming over industrialized regions since the area coverage of urbanized regions is far too small to explain the spatial extent of the regional temperature trend enhancements discussed in this paper.”

Za taki stan rzeczy obarczają oni głownie emisję ciepła pochodzenia antropogenicznego. Powołując się na symulacje dokonane przez Blocka sugerują oni wpływ tego efektu wykraczający po za skalę lokalną. Problem polega na tym, że nawet jeśli Laat i Maurellis mają rację, nie wiemy dokładnie jaka jest różnica w emisji ciepła odpadowego dziś w stosunku do 70-tych i 80-tych, od kiedy nastąpiło znaczące ocieplenia.

Z tezami Laat & Maurellis polemizuje Gavin A. Schmidt w [2].  Zwraca on uwagę na to, że mamy znaczące dowody na ocieplanie się również oceanów, gdzie o żadnej emisji ciepła odpadowego nie może być mowy. Sugeruje on również, że zaproponowany proces, mający odpowiadać za różnice w trendach, jest niewystarczający do ich wyjaśnienia, a modele klimatyczne pokazywały różne trendy w zależności od symulacji:

„There is a similar variance in trends at any one grid box over the same period seen in individual simulations in climate models ensembles. For instance, in an ensemble of 20th Century simulations with the Goddard Institute of Space Studies (GISS) ModelE-R at the grid point centered on 37.5 °E, 50 °N (in Eurasia, picked at random), trends go from −0.17 to 0.5 °C/decade in five ensemble members with identical forcing over the same 1979–2001 period (Hansen et al., 2007).”

Dalej Schmidt stwierdza, iż istnieje przestrzenna skala, poniżej której nie jest możliwe przyporządkowanie określonego trendu krótkoterminowego do danego wymuszenia. I dalej:

For the late 20th Century,attribution of trends is possible at the continental level,but not generally at smaller scales (IDAG, 2005; Zhanget al., 2006). Thus, it might be expected that correlations based on regional patterns that are less than continental in extent will exhibit a great deal of variability and will not be particularly useful in detecting and attribut ing climate change nor in detecting potential problems inspecific datasets.

Stąd porównanie dokonane przez de Laat nie ma większego sensu. Wreszcie Schmidt pokazuje wyniki czterech wiązek modelu dla danego gridboxa i wykazuje, że są one skrajnie różne, a jedna z nich dokładnie pokrywa się z oczekiwaniami. Oznacza to, że wybór wyników modelu dokonany przez de Laat i Maurellis może być dyskusyjny.

Co to dla nas oznacza? Jakkolwiek Shmidt uznał tezy de Laat za nieuzasadnione, a sami autorzy [1] wiążą zaobserwowany przez nich efekt z emisją ciepła pochodzenia antropogenicznego, a nie z różnicą nagrzewania się terenów wiejskich i zurbanizowanych, wydaje się że powinniśmy zaobserwować wykazane przez nich różnice badając trendy dla stacji o różnym stopniu zaludnienia.

Po pierwsze sprawdziłem bazę EDGAR [3], której używali de Laat i Maurellis. Dane z bazy EDGAR dla 2005 wyglądają następująco:

Jak widać największe emisje CO2 występują w Chinach, Europie i na wschodnim wybrzeżu Stanów Zjednoczonych. Trendy wyliczone z danych CRU wyglądają dla tych regionów następująco:

Widać więc wyraźny trend wzrostowy w rejonach o największej emisji CO2. Co jednak z regionami o niewielkiej emisji CO2? To na przykład Mongolia, północna Kanada i zachodnie regiony Australii.

Widzimy tu podobne, a w niektórych przypadkach nawet silniejsze trendy rosnące. Oczywiście o ile jeśli chodzi o tereny emitujące sporo CO2, wybrałem te najbardziej widoczne, a jeśli chodzi o tereny nie emitujące dużej ilości CO2 wybrałem je „na oko”. I oczywiście można mi tu zarzucić, że wybrałem je tendencyjnie. Niestety nie wiem, jakie kryteria przyjął de Laat i nie mogę dokładnie powtórzyć jego wyników. Być może ktoś mi tu pomoże i wskaże, które gridboxy serii CRU  mam ująć.

Trendy temperatury w zależności od gęstości zaludnienia

Uaktualniona wersja mojego programu dodaje do plików z anomaliami informację o gęstości zaludnienia w oparciu o bazę GPW v3. Z uwagi na problemy z obróbką 2-gigabajtowego pliku tekstowego zawierającego dane o gęstości zaludnienia na siatce 30”, wybrałem mniejszy plik zawierający dane na siatce 2.5′. Fragment danych nałożony na Google Maps wygląda następująco:

Dzięki temu mogę później nakazać aplikacji dodawanie do serii tylko tych stacji, które posiadają gęstość zaludnienia w zadanym przedziale. W oparciu o obliczenia dr Spencera wybrałem kilka przedziałów:

• Stacje „skrajnie wiejskie”, gdzie gęstość zaludnienia wynosi 0-1 osoby / km^2
• Stacje „wiejskie”, gdzie gęstość zaludnienia to 0-5 osoby / km^2
• Stacje   z gęstością zaludnienia 0-10 osoby / km^2
• Stacje miejskie z gęstością zaludnienia przekraczającą 2000 osób / km^2

W wynikach wyjątkowo istotna okazała się ilość stacji przypadających na dany przedział. Okazało się, że stacji silnie zurbanizowanych (>2000/km^2) jest stosunkowo mało. Pod koniec 2009 roku było ich jedynie 101, co stanowiło około 9% wszystkich stacji. Stacji „skrajnie wiejskich” było 142, a więc więcej od miejskich – było to około 12% całości. Stacje „wiejskie”, a więc takie na których gęstość zaludnienia wynosiła od 0 do 5 osób / km^2 stanowiły 22% całości (246), a stacje z gęstością zaludnienia od 0 do 10 osób, nieco ponad 25% (286).

Z moich wcześniejszych obliczeń wynika, że usunięcie nawet sporej ilości stacji nie wpływa znacząco na trendy. W obliczeniach dane ze stacji o danej gęstości zaludnienia zostały naniesione na siatkę (grid), a następnie wyliczyłem tzw. Land Index. Szczegóły tych działań opisałem szerzej tutaj. To wyklucza możliwość zafałszowania wyników, gdyby przypadkiem stacje należące do danego przedziału były położone blisko siebie.

Rozkład danych nie jest jednak idealny. Stacje z najmniejszą liczbą zaludnienia (0-1km) występują w miejscach kojarzonych z największym przyrostem temperatury (np. Kanada, czy Syberia), w związku z czym możemy odpowiedzieć sobie na pytanie, silny wzrost temperatury w tych regionach jest związany z urbanizacją, czy nie.

Powyższe obrazy przedstawiają stan pokrycia gridboxami dla serii danych CRU wykorzystujących tylko stacje z gęstością zaludnienia poniżej 1 osoby / km^2. Jak widzimy, nie pojawia się tu żaden gridbox z Europy, po za północną Skandynawią. Lepiej pokryty jest obszar syberyjski, częściowo Kanada, oraz wschodnia część Stanów Zjednoczonych. Odpowiada to faktycznej gęstości zaludnienia świata.

Jak więc wyglądają trendy dla stacji z różnych przedziałów gęstości zaludnienia?

Na powyższym wykresie widzimy wysoką zgodność danych. Rozbieżność przed rokiem 1900 wynika z wyjątkowo słabego pokrycia globu danymi – za dane z roku 1880 odpowiada jedynie 8 gridboxów w przypadku przedziału 0-1 osób na km^2. Inną sprawą jest okres lat 40-tych. Tu być może za rozbieżność częściowo odpowiada II wojna światowa, co ciekawe stacje miejskie są tu znacznie chłodniejsze od „wiejskich” – sprawa warta jest bliższego zbadania.

Zbliżając dane na lata po 1980:

Stacje gęsto zaludnione okazują się cieplejsze od mało zaludnionych, ale różnica ta jest niewielka. Co najciekawsze, wykres reprezentujący wszystkie stacje znajduje się najniżej, wskazując na fakt, że anomalie pomierzone dla całego zbioru stacji są niższe od anomalii pomierzonych zarówno tylko dla stacji słabo zaludnionych, jak i stacji miejskich. Może to oznaczać, że ocieplający wpływ stacji gęsto zaludnionych, nie dość że niewielki, to dodatkowo ma znikomy wpływ na ogólny trend.

Powyższy wykres pokazuje nam, że stacji gęsto zaludnionych jest mało w stosunku do ilości stacji mało zaludnionych. Mimo, że różnica ta mocno maleje w latach 90-tych (słynny spadek ilości stacji), na wykresie temperatur nie widzimy wzrostu rozbieżności pomiędzy temperaturami na stacjach należących do różnych przedziałów gęstości zaludnienia. Daje nam to kolejne potwierdzenie, że anomalie temperatury nie są tu zależne od gęstości zaludnienia. Jedyna rozbieżność, jaka się pojawia w ostatnich latach, to różnica pomiędzy stacjami z dużą gęstością zaludnienia, a resztą stacji pojawiająca się po roku 1998 a zanikająca w okolicach roku 2005. Warto w tym miejscu zauważyć, że średnia odchylenie temperatury od normy w latach 2001-2009 dla stacji bardzo słabo zaludnionych wynosiło +0.85, a dla wszystkich stacji +0.75. Oznacza to, że stacje z gęstością zaludnienia < 1 osoba / km^2 były generalnie cieplejsze od reszty stacji. Powodem takiego stanu rzeczy jest zapewne  niewielka ilość stacji wziętych do analizy.

Obejrzyjmy sobie dane z uwzględnieniem SST – a więc dane globalne:

Tu różnica objawia się jedynie wtedy, gdy dodamy wszystkie stacje naziemne. Jest to spowodowane faktem, że w momencie wycinania stacji lądowych, SST stawało się głównym źródłem danych mającym największy wpływ na średnią globalną, stąd dodanie wszystkich danych z szybciej ocieplających się lądów spowodowało rozbieżność w wykresach. Interesująca jest natomiast inna sprawa. Do lat 80-tych, mimo dodania wszystkich stacji lądowych, dane nie rozbiegały się znacznie. W 1982 obserwujemy początek stałej, rosnącej rozbieżności. Podobną historię pokazują dane GISS, tutaj jednak różnice występują również przed rokiem 1940. Wg. GISS przed rokiem 1940 lądy były również cieplejsze od oceanów, jednak w latach 1915-1945 ocean ocieplał się znacznie szybciej, niż lądy. W latach 1947-1978 nastąpiło zrównanie anomalii lądów i oceanów, a po tym czasie obserwujemy rozbieżność odnotowaną także powyżej. Tym razem jednak to lądy podlegają szybszemu ocieplaniu, niż oceany.

Tak naprawdę, rzeczywisty stan różnicy możemy obejrzeć jedynie po całkowitym odseparowaniu danych SST od danych lądowych. Do tego celu przygotowałem dwie serie danych – SST i LAND INDEX w oparciu o dane CRU:

Ponieważ, jak pokazałem wcześniej, nie można obarczać efektu UHI za wzrost tych różnic, wynikać on może z tego, że od końca lat 70-tych – początku lat 80-tych  antropogeniczny wpływ na zmiany temperatur globalnych okazał się najsilniejszy.

Wnioski

• Nie zaobserwowano znaczących różnic w przebiegu temperatur dla stacji o zróżnicowanej gęstości zaludnienia, jakkolwiek krzywe regresji wskazują na silniejszy trend wzrostowy dla stacji gęsto zaludnionych, różnice te są nieduże i wskazują na silne ocieplenie również stacji słabo zaludnionych
• Fakt, iż średnia temperatura wszystkich stacji jest niższa od stacji słabo zaludnionych wskazuje na to, że większe znaczenie od UHI posiada dobór stacji ze względu na położenie geograficzne, gdyż nie wszystkie regiony świata ocieplają się równomiernie, a w niektórych obserwujemy nawet brak trendu, lub ochłodzenie.
• Po roku 1980 obserwujemy znaczny wzrost średniej  temperatury globalnej. Odmiennie, niż do tej pory, lądy ocieplają się szybciej, niż ocean. Obserwowany od lat 80-tych wzrost różnic pomiędzy odchyleniem temperatury dla oceanów i lądów osiągnął skalę nie obserwowaną dotąd w latach 1860-1980.
• Badania przeprowadzone przez de Laat & Maurellis są nie wystarczające do wyciągnięcia wniosków o wpływie ciepła odpadowego na trendy temperatur. Dodatkowo nie da się wyjaśnić wzrostu różnic w temperaturach ocean – ląd wzrostem industrializacji w latach 1980-2010.

Źródła:

[1] De Laat, A., & Maurellis, A. (2006). Evidence for influence of anthropogenic surface processes on lower tropospheric and surface temperature trends International Journal of Climatology, 26 (7), 897-913 DOI: 10.1002/joc.1292

[2] Schmidt, G. (2009). Spurious correlations between recent warming and indices of local economic activity International Journal of Climatology, 29 (14), 2041-2048 DOI: 10.1002/joc.1831

[3] European Commission, Joint Research Centre (JRC)/Netherlands Environmental Assessment Agency (PBL). Emission Database for Global Atmospheric Research (EDGAR), release version 4.0. http://edgar.jrc.ec.europa.eu, 2009