Giải thích Mauna Loa Tăng CO2 do tác động của con người và tự nhiên – Tăng theo điều đó?

Từ Blog Sự nóng lên Toàn cầu của Tiến sĩ Roy Spencer

Ngày 9 tháng 4 năm 2022 bởi Roy W. Spencer, Ph. D.

TÓM LƯỢC

Cách thích hợp để tìm kiếm mối quan hệ nhân quả giữa dữ liệu chuỗi thời gian (ví dụ: giữa CO2 và nhiệt độ trong khí quyển) được thảo luận. Mặc dù chỉ phân tích thống kê không có khả năng cung cấp “bằng chứng” về nguyên nhân, nhưng việc sử dụng ‘phương trình tổng thể’ được chỉ ra để tránh những cạm bẫy phổ biến. Phân tích mối tương quan giữa các tàn tích tự nhiên và con người với sự thay đổi hàng năm của Mauna Loa CO2 cho thấy vai trò của việc tăng nhiệt độ toàn cầu, ít nhất giải thích một phần những thay đổi quan sát được trong CO2, nhưng phân tích thống kê thuần túy không thể làm giảm mức độ. Một mô hình dựa trên thống kê sử dụng tác động của con người và tự nhiên cho thấy ~ 15% sự gia tăng CO2 là do các yếu tố tự nhiên, với sự phù hợp tuyệt vời giữa mô hình và các quan sát cho sự suy thoái liên quan đến COVID-19 trong hoạt động kinh tế toàn cầu vào năm 2020.

Giới thiệu

Kỷ lục về nồng độ CO2 trong khí quyển tại Mauna Loa, Hawaii kể từ năm 1959 là kỷ lục liên tục dài nhất mà chúng tôi có được về nồng độ CO2 trong khí quyển thực tế (không phải suy luận). Tôi đã đến thăm phòng thí nghiệm nơi các phép đo được thực hiện và nhận được một chuyến tham quan cơ sở và giải thích về các thủ tục của họ.

Vị trí địa lý khá tốt để có được ước tính hàng năm về nồng độ CO2 toàn cầu vì nó được loại bỏ phần lớn khỏi các nguồn do con người gây ra tại địa phương và ở độ cao đủ cao mà sự trộn lẫn đáng kể trong quá trình vận chuyển khối lượng không khí đã xảy ra, làm dịu những thay đổi đột ngột do, ví dụ: vận chuyển ngược dòng của các nguồn khí thải lớn ở Trung Quốc. Các phép đo gần như liên tục và các quy trình đã được phát triển để loại trừ dữ liệu được coi là bị ảnh hưởng bởi các quá trình núi lửa hoặc con người tại địa phương.

Hầu hết các nhà nghiên cứu coi sự gia tăng ổn định của Mauna Loa CO2 kể từ năm 1959 là hoàn toàn do phát thải khí nhà kính do con người gây ra, chủ yếu là do đốt nhiên liệu hóa thạch. Tôi sẽ không đi sâu vào bằng chứng về nguồn gốc do con người gây ra ở đây (ví dụ: sự giảm oxy trong khí quyển và sự thay đổi các đồng vị carbon trong khí quyển theo thời gian). Thay vào đó, tôi sẽ giải quyết bằng chứng cho một số phần của sự gia tăng CO2 là có nguồn gốc tự nhiên. Tôi sẽ sử dụng phân tích dữ liệu thực nghiệm cho việc này. Kết quả sẽ không chắc chắn; Tôi chủ yếu đang cố gắng cho thấy khó khăn như thế nào để xác định nguyên nhân và kết quả chỉ từ phân tích dữ liệu thống kê có sẵn.

Suy ra nguyên nhân từ “Phương trình chính”

Nhiều quá trình trong vật lý có thể được giải quyết bằng một số dạng “phương trình chủ“, Là một phương trình vi phân đơn giản với đạo hàm theo thời gian của một biến (phụ thuộc) có liên quan đến một số tổ hợp của các biến (độc lập) khác được cho là gây ra những thay đổi trong biến phụ thuộc. Dạng phương trình này được sử dụng rộng rãi để mô tả tốc độ thay đổi theo thời gian của nhiều quá trình vật lý, chẳng hạn như được thực hiện trong các mô hình dự báo thời tiết và mô hình khí hậu.

Trong trường hợp dữ liệu CO2 của Mauna Loa, Hình 1 cho thấy sự khác biệt giữa dữ liệu thô (Hình 1a) và sự thay đổi CO2 hàng năm có liên quan hơn về mặt vật lý (Hình 1b).

Nếu ai đó tin rằng sự thay đổi hàng năm của CO2 trong khí quyển chỉ là do tác động của con người, thì chúng ta có thể viết:

dCO2 / dt ~ Anthro

điều đó đơn giản có nghĩa là sự thay đổi hàng năm của CO2 (dCO2 / dt, Hình 1b) là một hàm của (do) lượng phát thải do con người gây ra hàng năm theo thời gian (Anthro

Vì vậy, rõ ràng có những quá trình tự nhiên tại nơi làm việc bên cạnh nguồn nhân tạo. Cũng lưu ý rằng những biến động tự nhiên đó lớn hơn nhiều so với mức giảm ~ 6% lượng khí thải từ năm 2019 đến năm 2020 do suy thoái kinh tế COVID-19, một điểm đã được nhấn mạnh trong một nghiên cứu gần đây đã tuyên bố rằng các quan sát CO2 từ vệ tinh kết hợp với mô hình vận chuyển CO2 toàn cầu đã có thể xác định mức giảm phát thải CO2 nhỏ.

Vì vậy, nếu bạn nghĩ rằng cũng có những nguyên nhân tự nhiên gây ra sự thay đổi CO2 hàng năm, bạn có thể viết,

dCO2 / dt ~ Anthro

điều này sẽ ước tính những gì mà các nhà lập mô hình chu trình carbon sử dụng, vì người ta biết rằng El Nino và La Nina (cũng như các phương thức biến đổi khí hậu tự nhiên khác) cũng tác động đến sự thay đổi hàng năm về nồng độ CO2.

Hoặc, nếu bạn cho rằng sự thay đổi hàng năm chỉ do nhiệt độ bề mặt biển, bạn có thể viết,

dCO2 / dt ~ SST (i),

và sau đó, bạn có thể tương quan những thay đổi hàng năm của CO2 với tập dữ liệu về SST trung bình hàng năm.

Hoặc, nếu bạn cho rằng nguyên nhân là theo hướng ngược lại, với sự thay đổi của CO2 gây ra thay đổi hàng năm trong thuế TTĐB, bạn có thể viết:

dSST / dt ~ CO2

trong trường hợp đó, bạn có thể tương quan những thay đổi hàng năm của thuế TTĐB với nồng độ CO2.

Ngoài việc phương trình tổng thể có cơ sở trong các quá trình vật lý, nó tránh được vấn đề xu hướng tuyến tính trong hai tập dữ liệu bị gán nhầm thành mối quan hệ nguyên nhân và kết quả. Bất kỳ chuỗi thời gian nào của dữ liệu chỉ có xu hướng tuyến tính đều tương quan hoàn hảo với mọi chuỗi thời gian khác chỉ có xu hướng tuyến tính, tuy nhiên mối tương quan hoàn hảo đó không cho chúng ta biết gì về quan hệ nhân quả.

Nhưng khi chúng ta sử dụng đạo hàm theo thời gian của dữ liệu, thì chỉ những biến động từ một xu hướng tuyến tính có tương quan với một biến khác, mang lại một số hy vọng về việc suy ra quan hệ nhân quả. Nếu bạn thắc mắc về tuyên bố đó, hãy tưởng tượng rằng Mauna Loa CO2 đã tăng lên với chính xác 2 ppm mỗi năm, hàng năm (thay vì các biến thể như trong Hình 1b). Điều này sẽ tạo ra một xu hướng tuyến tính, không có độ lệch so với xu hướng đó. Nhưng trong trường hợp đó, các thay đổi hàng năm đều là 2 ppm / năm, và vì không có sự thay đổi nào trong các dữ liệu đó nên chúng không thể tương quan với bất kỳ điều gì, bởi vì không có phương sai nào cần giải thích. Do đó, bằng cách sử dụng phương trình chính, chúng ta tránh suy ra nguyên nhân và kết quả từ các xu hướng tuyến tính trong tập dữ liệu.

Bây giờ, thao tác dữ liệu này không đảm bảo chúng ta có thể suy ra nhân quả, bởi vì với một bộ dữ liệu hạn chế (63 năm trong trường hợp dữ liệu Mauna Loa CO2), bạn có thể mong đợi nhận được một số tương quan khác 0 ngay cả khi không có mối quan hệ nhân quả nào tồn tại . Sử dụng ‘phương trình tổng thể’ chỉ giúp chúng ta tiến gần hơn đến việc suy ra nhân quả.

Mối tương quan của dCO2 / dt với các hành vi tiềm năng khác nhau

Tương quan trễ của dữ liệu dCO2 / dt trong Hình 1b với các ước tính về lượng khí thải CO2 do con người gây ra trên toàn cầu và với nhiều chỉ báo khí hậu tự nhiên, được thể hiện trong Hình 3.

Điều đầu tiên chúng tôi nhận thấy là mối tương quan cao nhất đạt được với bộ dữ liệu nhiệt độ bề mặt, (SST nhiệt đới hoặc đất toàn cầu + HadCRUT4 đại dương). Điều này cho thấy ít nhất một số vai trò đối với việc tăng nhiệt độ bề mặt gây ra tăng CO2, đặc biệt là vì nếu tôi xoay chuyển nguyên nhân (tương quan dSST / dt với CO2), tôi nhận được một mối tương quan rất thấp, 0,05.

Tiếp theo, chúng ta thấy rằng ước tính hàng năm về lượng phát thải CO2 do con người gây ra trên toàn cầu cũng có mối tương quan cao với dCO2 / dt. Bạn có thể tự hỏi, nếu IPCC là đúng và tất cả sự gia tăng CO2 là do con người phát thải, tại sao nó không có mối tương quan cao nhất? Câu trả lời có thể đơn giản là tiếng ồn trong dữ liệu, đặc biệt khi xem xét ước tính lượng khí thải từ Trung Quốc (quốc gia phát thải lớn nhất) là khá không chắc chắn.

Vai trò của các vụ phun trào núi lửa lớn trong hồ sơ CO2 Mauna Loa đang được quan tâm đáng kể. Khi sự truyền ánh sáng mặt trời trong khí quyển bị giảm từ một vụ phun trào núi lửa lớn (El Chichon năm 1983, và đặc biệt là Pinatubo năm 1991), tác động lên CO2 trong khí quyển là làm giảm tốc độ gia tăng. Điều này được cho là kết quả của bức xạ bầu trời phân tán, khuếch tán thâm nhập sâu hơn vào các tán thực vật và gây ra tăng cường quang hợp và do đó làm giảm CO2 trong khí quyển.

Mô hình hồi quy của Mauna Loa CO2

Tại thời điểm này, chúng ta có thể chọn bất kỳ số hạng bắt buộc nào trong Hình 3 mà chúng ta muốn và thực hiện hồi quy tuyến tính đối với dCO2 / dt để có được mô hình thống kê của bản ghi Mauna Loa CO2.Â

Ví dụ: nếu tôi chỉ sử dụng thuật ngữ do con người tạo ra, thì mô hình hồi quy là:

dCO2 / dt = 0,491 * Anthro

với 57,8% phương sai giải thích.

Hãy xem những thuật ngữ hồi quy đó có nghĩa là gì. Trung bình, mức tăng CO2 Mauna Loa hàng năm bằng 49,1% tổng lượng phát thải toàn cầu (tính theo ppm / năm) cộng với hằng số hồi quy là 0,181 ppm / năm. Nếu mô hình là hoàn hảo (chỉ phát thải do con người gây ra trên toàn cầu mới gây ra sự gia tăng CO2 và chúng ta biết chính xác lượng phát thải hàng năm đó và Mauna Loa CO2 là một ước tính hoàn hảo về CO2 toàn cầu), hằng số hồi quy 0,181 sẽ là 0,00. Thay vào đó, các ước tính lượng phát thải của con người không hoàn toàn nắm bắt được sự gia tăng CO2 trong khí quyển, và do đó, “hệ số fudge” 0,181 ppm / năm có hiệu lực được đưa vào mỗi năm bởi hồi quy để giải thích cho sự không hoàn hảo trong mô hình. Không biết có bao nhiêu phần trăm “sự không hoàn hảo” của mô hình do thiếu các thuật ngữ nguồn (ví dụ El Nino và La Nina hoặc SST) so với nhiễu trong dữ liệu.

Bằng cách sử dụng các thuật ngữ bổ sung trong hồi quy, chúng ta có thể phù hợp hơn với dữ liệu Mauna Loa. Ví dụ: tôi đã chọn một mô hình hồi quy bao gồm bốn số hạng, thay vì một: Anthro, MEI, IOD và truyền khí quyển Mauna Loa. Trong trường hợp đó, tôi có thể cải thiện phương sai được giải thích của mô hình hồi quy từ 57,8% lên 82,3%. Kết quả được thể hiện trong Hình 4.

Trong trường hợp này, sai lệch đáng kể duy nhất của mô hình so với các quan sát là do núi lửa El Chichon và Pinatubo, vì sự kiện Pinatubo gây ra sự giảm CO2 trong khí quyển lớn hơn nhiều so với El Chichon, mặc dù các núi lửa tạo ra mức giảm truyền năng lượng mặt trời rất giống nhau các phép đo tại Mauna Loa.

Trong trường hợp này, vai trò của phát thải do con người giảm 15% so với mô hình hồi quy chỉ do con người gây ra. Điều này cho thấy (nhưng không chứng minh) vai trò hạn chế của các yếu tố tự nhiên góp phần làm tăng nồng độ CO2.

Sự phù hợp của mô hình với các quan sát trong COVID-19 năm 2020 là rất gần, chỉ có chênh lệch 0,02 ppm giữa mô hình và các quan sát, so với mức giảm ước tính 0,24 ppm trong tổng lượng phát thải do con người gây ra từ năm 2019 đến năm 2020.

Kết luận

Dữ liệu CO2 của Mauna Loa cần được chuyển đổi thành các thay đổi hàng năm trước khi được so sánh theo kinh nghiệm với các biến khác để phân tích các cơ chế nhân quả có thể có. Thực tế, điều này sử dụng ‘phương trình chủ’ (một phương trình vi phân theo thời gian), là cơ sở của nhiều phương pháp điều trị dựa trên vật lý của các hệ thống vật lý. Trên thực tế, nó loại bỏ xu hướng tuyến tính trong biến phụ thuộc khỏi phân tích tương quan và bản thân các xu hướng không có ích lợi gì trong việc xác định nguyên nhân – kết quả từ các phân tích thống kê thuần túy.

Khi dữ liệu CO2 được phân tích theo cách này, các mối tương quan lớn nhất được tìm thấy với sự thay đổi nhiệt độ bề mặt toàn cầu (hoặc nhiệt đới) và lượng phát thải do con người ước tính hàng năm. Thật kỳ lạ, sự đảo ngược hướng quan hệ nhân quả giữa nhiệt độ bề mặt và CO2 (những thay đổi hàng năm trong thuế TTĐB [dSST/dt] gây ra bởi sự gia tăng CO2) tạo ra một mối tương quan rất thấp.

Sử dụng mô hình hồi quy có một thuật ngữ nguồn do con người gây ra và ba thuật ngữ cưỡng bức tự nhiên, người ta nhận thấy mức độ thống nhất cao giữa mô hình và các quan sát, bao gồm cả trong COVID-19 năm 2020 khi lượng khí thải CO2 toàn cầu giảm khoảng 6%.