Bài đăng của khách mời Willis Eschenbach
“Cây gậy khúc côn cầu” mang tính biểu tượng đơn giản là không chịu chết. Nó được tạo ra lần đầu tiên bởi Mann, Bradley và Hughes trong bài báo năm 1998 của họ Các mô hình nhiệt độ và áp lực khí hậu trên quy mô toàn cầu trong sáu thế kỷ qua (sau đây gọi là “MBH98”).
Hình 1. Đồ thị gậy khúc côn cầu gốc
MBH98 tuyên bố chứng minh rằng sau một thời gian dài có rất ít thay đổi, thế giới đột nhiên bắt đầu nóng lên và nóng lên nhanh chóng.
Trở lại vài thập kỷ trước, Steve McIntyre ở Kiểm toán khí hậu làm công việc của người nông dân trong việc phát hiện hàng loạt lỗi trong MBH98. Và vào thời điểm đó, ai đó, có thể là Steve nhưng có lẽ không phải, đã lưu ý rằng quy trình gây tò mò (và không chính xác về mặt toán học) được sử dụng trong MBH98 có thể chủ động khai thác gậy khúc côn cầu để thoát khỏi tiếng ồn đỏ.
Bất chấp tất cả những điều đó, MBH đã được kế thừa bởi nhiều nghiên cứu mà tôi gọi là “hockalikes”, những nghiên cứu được cho là đã tìm thấy một cây gậy khúc côn cầu một cách độc lập trong hồ sơ lịch sử và do đó được cho là hỗ trợ và xác nhận cây gậy khúc côn cầu MBH98 ban đầu.
Tất nhiên, những điều này lặp lại nhiều lỗi tương tự như McIntyre và những người khác đã vạch trần. Đây là hình ảnh tiền từ bài viết của tôi Giết nó bằng lửatrong đó đã phân tích nỗ lực của Mann năm 2008 nhằm phục hồi gậy khúc côn cầu (M2008).
Hình 2. Biểu đồ cụm cây cho thấy các nhóm tương tự trong các đại diện của hockalike M2008
Lưu ý rằng hình dạng gậy khúc côn cầu chỉ phụ thuộc vào một số nhóm proxy.
Bây giờ, điều tôi nhận ra cách đây vài ngày là mặc dù tôi tin rằng phép toán sai MBH98 có thể khai thác gậy khúc côn cầu nhờ tiếng ồn đỏ, nhưng bản thân tôi chưa bao giờ thử nó. Và hơn thế nữa, tôi chưa bao giờ thử nó với phép toán đơn giản hơn, tính trung bình thẳng thay vì phương pháp thành phần chính không tập trung của MBH98. Về cơ bản đây là sổ ghi chép trong phòng thí nghiệm của tôi từ cuộc điều tra đó.
Hokkalikes mở rộng nhất trong số này liên quan đến tập dữ liệu PAGES, đã có ba lần xuất hiện—PAGES2017, PAGES2019 và PAGES2K. PAGES2K bắt đầu vào năm 1 sau Công nguyên và chứa hơn 600 bản ghi proxy. Sau đây là một số bản dựng lại PAGES2K, từ một bài báo trên Nature quảng bá cho tuyên bố rằng có “Sự thay đổi đa thập kỷ nhất quán trong việc tái tạo và mô phỏng nhiệt độ toàn cầu trong Kỷ nguyên chung“
Hình 3. Một số bản dựng lại lịch sử sử dụng bộ dữ liệu PAGES2K.
Bây giờ, như Hình 3 cho thấy, đúng là một số nghiên cứu khác nhau được thực hiện bởi các đội khác nhau đã mang lại những hình dạng gậy khúc côn cầu rất giống nhau. Mặc dù điều này dường như gây ấn tượng mạnh với các nhà khoa học, nhưng bài đăng này sẽ cho thấy lý do tại sao điều đó vừa đúng vừa vô nghĩa.
Để làm được điều đó, trước tiên chúng ta cần hiểu các bước trong quá trình tạo ra các bản tái tạo nhiệt độ lịch sử dựa trên proxy. “Proxy” là một số phép đo sự khác biệt trong một số biến có thể đo lường được thay đổi theo nhiệt độ. Ví dụ, nói chung khi trời ấm hơn, cả cây cối và san hô đều phát triển nhanh hơn. Do đó, chúng ta có thể phân tích chiều rộng của các vòng năm của chúng như một proxy cho nhiệt độ xung quanh. Các proxy nhiệt độ khác là các đồng vị trong lõi băng, tốc độ trầm tích trong hồ, nhũ đá, tỷ lệ magiê/canxi trong vỏ sò, v.v.
Quá trình tạo tập dữ liệu lịch sử dựa trên proxy diễn ra như sau:
- Thu thập một số proxy.
- Loại bỏ những thứ không “nhạy cảm với nhiệt độ”. Các proxy nhạy cảm với nhiệt độ có thể được xác định bằng cách xem liệu chúng có khác nhau về bước khóa chung (hoặc chống bước khóa) với quan sát nhiệt độ lịch sử hay không (tương quan cao).
- Chúng có thể có tương quan tích cực (cả nhiệt độ và proxy đều tăng/giảm cùng nhau) hoặc tương quan tiêu cực (khi cái này tăng thì cái kia giảm). Cả hai đều nhạy cảm với nhiệt độ và do đó, đều hữu ích. Vì vậy, chúng ta chỉ cần lật qua các proxy có tương quan âm.
- Sử dụng một số phương pháp toán học, đơn giản hoặc phức tạp, để trung bình tất cả hoặc một số tập hợp con của các proxy riêng lẻ.
- Tuyên bố thành công.
Có vẻ như là một ý tưởng hợp lý. Tìm các proxy nhạy cảm với nhiệt độ và tính trung bình chúng theo cách nào đó để tái tạo lại quá khứ. Vậy… có gì mà không thích?
Để bắt đầu, đây là mô tả từ bài báo công bố PAGES2K, có tựa đề Cơ sở dữ liệu đa proxy toàn cầu để tái tạo nhiệt độ của Kỷ nguyên chung.
Việc tái tạo khí hậu có thể tái tạo của Kỷ nguyên chung (1 CN đến nay) là chìa khóa để đặt sự nóng lên của thời đại công nghiệp vào bối cảnh biến đổi khí hậu tự nhiên.
Ở đây chúng tôi trình bày cơ sở dữ liệu có nguồn gốc từ cộng đồng về các bản ghi proxy nhạy cảm với nhiệt độ từ sáng kiến PAGES2k. Cơ sở dữ liệu tập hợp 692 hồ sơ từ 648 địa điểm, bao gồm tất cả các khu vực lục địa và các lưu vực đại dương lớn. Các hồ sơ được lấy từ cây cối, băng, trầm tích, san hô, đá phiến, bằng chứng tài liệu và các tài liệu lưu trữ khác. Chúng có chiều dài từ 50 đến 2000 năm, với trung bình là 547 năm, trong khi độ phân giải thời gian dao động từ hai tuần một lần đến một trăm năm. Gần một nửa chuỗi thời gian proxy có mối tương quan đáng kể với nhiệt độ bề mặt HadCRUT4.2 trong giai đoạn 1850–2014.
Vậy là PAGES2K đã hoàn thành bước đầu tiên trong việc tạo dựng lại nhiệt độ dựa trên proxy. Họ đã tập hợp một loạt proxy và lưu ý rằng khoảng một nửa trong số chúng “nhạy cảm với nhiệt độ” dựa trên sự phù hợp của chúng với nhiệt độ bề mặt HadCRUT.
Một lần nữa… có gì không thích chứ?
Để chứng minh điều không thích, tôi đã tạo ra các nhóm gồm 692 “pseudoproxies” để khớp với kích thước của tập dữ liệu PAGES2K. Đây là các “chuỗi thời gian” mô phỏng được tạo ngẫu nhiên bắt đầu từ Năm 1, để khớp với độ dài của PAGES2K. Tôi đã tạo ra chúng sao cho tự tương quan của chúng gần giống với tự tương quan của các bản ghi nhiệt độ, khá cao. Theo cách đó, chúng “giống như thật”, khớp tốt với các bản ghi nhiệt độ thực tế. Sau đây là mười bản đầu tiên của một lô ngẫu nhiên.
Hình 4. Các proxy giả được tạo ngẫu nhiên có khả năng tự tương quan cao, còn được gọi là “nhiễu đỏ”.
Như bạn có thể thấy, tất cả chúng đều có thể đại diện hợp lý cho lịch sử nhiệt độ hai thiên niên kỷ của một số hành tinh tưởng tượng. Mối tương quan của chúng với các quan sát nhiệt độ tốt như thế nào? Hình 4 cho thấy dữ liệu đó.
Hình 5. Mối tương quan của 692 phép thử ngẫu nhiên với các quan sát nhiệt độ hiện đại của Berkeley Earth.
Đây là điều chúng ta mong đợi, với khoảng một nửa các đại diện giả có mối tương quan tích cực với dữ liệu nhiệt độ quan sát, một nửa còn lại có mối tương quan tiêu cực và hầu hết các đại diện không có mối tương quan mạnh với nhiệt độ.
Và đây là mức trung bình của tất cả các proxy giả.
Hình 6. Trung bình, 692 pseudoproxies. Đường màu đỏ cho thấy sự bắt đầu của bản ghi công cụ Berkeley Earth. Lưu ý rằng không có gậy khúc côn cầu—ngược lại, trong trường hợp này, để tránh làm sai lệch kết quả của tôi, tôi đã chọn một loạt pseudoproxies có mức trung bình là xuống vào cuối gần đây. Cũng không có bất kỳ xu hướng đáng kể nào trong dữ liệu tổng thể.
Được rồi, vậy là chúng tôi đã có các proxy và chúng tôi đã tính toán mối tương quan của từng proxy với bản ghi công cụ. Sau đó, làm theo Bước 3 trong quy trình đã nêu ở trên, tôi lật qua các proxy có mối tương quan nghịch với bản ghi công cụ. Điều đó có nghĩa là tất cả các proxy đều có mối tương quan tích cực với dữ liệu của Berkeley Earth.
Lúc này, tôi định xem giá trị trung bình sẽ như thế nào nếu tôi chỉ chọn các pseudoproxies có mối tương quan cao với hồ sơ công cụ, chẳng hạn như 0,5 trở lên… nhưng trước đó, không vì lý do cụ thể nào, tôi nghĩ mình sẽ xem giá trị trung bình đơn giản của toàn bộ tập dữ liệu. Tôi thực sự sửng sốt.
Hình 7. Giá trị trung bình của tất cả các giả proxy sau khi chỉ cần lật ngược (đảo ngược) các giả proxy có tương quan âm với dữ liệu công cụ.
ẦM!
Ở đây, chúng ta có thể thấy lý do tại sao tất cả các phương pháp tính trung bình khác nhau đều mang lại cùng một “bản ghi lịch sử”… bởi vì quy trình được liệt kê ở trên chủ động khai thác gậy khúc côn cầu trong tiếng ồn đỏ ngẫu nhiên.
Một chi tiết thú vị của Hình 7 là có một sự sụt giảm mạnh ở mức trung bình trước khi bắt đầu giai đoạn được sử dụng cho mối tương quan. Tôi cho rằng điều này là do để có được mức tăng lớn như vậy, trước tiên bạn cần phải đi xuống một điểm thấp.
Và mức giảm này trước năm 1850 rất đáng quan tâm vì bạn có thể thấy nó trong cả Bảng A và Bảng B của các bản tái tạo PAGES2K được hiển thị trong Hình 3 ở trên…
Một lưu ý nữa là quy trình này đã tạo ra xu hướng giảm nhẹ từ đầu đến mức giảm mạnh vào khoảng năm 1775. Tôi cho rằng đó là do quy trình ưu tiên các tập dữ liệu hình chữ “U”, nhưng này, đó chỉ là ý kiến của tôi thôi.
Trong mọi trường hợp, xu hướng giảm nhẹ là tác động thực sự của quy trình. Chúng tôi biết điều đó vì không có xu hướng giảm trong toàn bộ tập dữ liệu. Chúng tôi cũng biết đó là một tác động thực sự vì một lý do quan trọng hơn—chúng tôi thấy xu hướng giảm nhẹ tương tự trong Gậy khúc côn cầu MBH ban đầu ở Hình 1 và cả trong Bảng “a” của Hình 2.
Cuối cùng, tại sao lại có quá ít sự thay đổi ở “tay cầm” của cây gậy khúc côn cầu? Nhiệt độ trong quá khứ có thực sự ổn định như vậy không?
Không. Đó là một hiện vật khác. Cán gậy khúc côn cầu chỉ là trung bình của một số lượng lớn các tập dữ liệu nhiễu đỏ ngẫu nhiên. Khi bạn tính trung bình một loạt các tập dữ liệu nhiễu đỏ ngẫu nhiên, bạn có được một đường thẳng.
Tiếp tục, suy nghĩ tiếp theo của tôi là, tôi phải làm xáo trộn các pseudoproxies bao nhiêu để tạo ra được một cây gậy khúc côn cầu có thể nhìn thấy được?
Để điều tra điều đó, tôi đã lấy cùng một tập dữ liệu gốc. Tuy nhiên, trong trường hợp này, tôi chỉ đảo ngược 40 proxy, những proxy có tương quan âm lớn nhất. Vì vậy, tôi chỉ đảo ngược các tín hiệu âm mạnh nhất và để lại phần còn lại của các proxy có tương quan âm là nhiễu đỏ không bị ảnh hưởng. Đây là kết quả đó.
Hình 8. Giá trị trung bình của tất cả các giả proxy sau khi lật ngược các giả proxy có bốn mươi mối tương quan âm hàng đầu với dữ liệu công cụ.
Lưu ý rằng ít hơn sáu phần trăm (bốn mươi) các đại diện giả bị lật ngược và cả bốn đặc điểm của gậy khúc côn cầu đều đã thấy rõ—biến thể giảm ở “tay cầm” của gậy khúc côn cầu, xu hướng giảm nhẹ xuống năm 1775, giảm mạnh xuống năm 1850 và “lưỡi” gậy khúc côn cầu gần như thẳng đứng từ năm 1850 trở đi.
Còn ở đầu kia, nơi chúng ta chỉ chọn những dữ liệu có mối tương quan mạnh nhất thì sao? Đây là giá trị trung bình của chỉ một phần tư dữ liệu trên cùng (176 pseudoproxies) được đo bằng mối tương quan của chúng với nhiệt độ quan sát.
Hình 8. Trung bình của chỉ một phần tư dữ liệu trên cùng, những dữ liệu có mối tương quan tốt nhất với dữ liệu của Berkeley Earth.
Cũng vậy. Tay cầm thẳng trên gậy khúc côn cầu. Giảm chậm xuống 1775. Giảm mạnh. Lưỡi gậy khúc côn cầu thẳng đứng sau đó.
Cuối cùng, sau khi suy nghĩ, tôi nhận ra mình đã xem xét các kịch bản tốt nhất… nhưng còn kịch bản tệ nhất thì sao? Vậy đây là một nửa các pseudoproxies có mối tương quan tệ nhất với nhiệt độ quan sát.
Hình 9. Giá trị trung bình của chỉ một nửa dữ liệu dưới cùng, là dữ liệu có mối tương quan tệ nhất với dữ liệu Berkeley Earth.
Mặc dù chỉ sử dụng một nửa số phép đại diện giả có mối tương quan kém nhất với nhiệt độ, tức là những phép đại diện có mối tương quan là 0,22 hoặc thấp hơn, chúng ta vẫn nhận được câu chuyện tương tự như trước—cán gậy khúc côn cầu thẳng, độ giảm nhẹ tương tự xuống năm 1775, độ giảm mạnh tương tự xuống năm 1850 và lưỡi gậy khúc côn cầu thẳng đứng tương tự sau năm 1850.
Bây giờ, có một điểm thú vị và dễ bị bỏ qua trong đồ họa ở trên. Trong khi hình dạng vẫn giữ nguyên, thì tương quan càng lớn, lưỡi gậy khúc côn cầu càng cao. Các quy trình khác nhau đã thay đổi đầu lưỡi gậy từ ~0,1 với chỉ 40 lần lật, thành ~1,5 khi sử dụng các pseudoproxies có tương quan tệ nhất, thành ~0,3 khi tất cả các pseudoproxies được lật, thành khoảng ~0,7 khi chỉ sử dụng các pseudoproxies có tương quan tốt nhất. Vì vậy tất cả chúng đều cho thấy hình dạng “cây gậy khúc côn cầu” giống hệt nhau, và chúng chỉ khác nhau về kích thước của lưỡi kiếm. Tò mò.
Tôi đã nêu ở trên rằng bài đăng này sẽ chỉ ra lý do tại sao việc nhiều nghiên cứu đều đưa ra kết quả về gậy khúc côn cầu vừa đúng vừa vô nghĩa.
Lý do khá rõ ràng trong các số liệu trên—bất kể điều tra viên làm gì, vì tất cả họ đều sử dụng một số biến thể của quy trình tiêu chuẩn mà tôi đã liệt kê ở đầu bài đăng, họ chắc chắn sẽ nhận được một cây gậy khúc côn cầu. Không thể thoát khỏi nó. Quy trình đó chắc chắn và rất hiệu quả trong việc khai thác gậy khúc côn cầu từ tiếng ồn đỏ ngẫu nhiên.
Ở đây, một buổi tối mùa hè dài buồn tẻ, với tiếng cười trẻ thơ vang ra ngoài khung cửa sổ đang mở. Tôi có niềm vui lớn khi được sống với tôi vị hôn phu cũ xinh đẹpcon gái chúng tôi và chồng cô ấy, một đứa cháu gái “Gần năm giờ rồi, bố ơi!” và một đứa cháu trai đang hướng tới ba.
Có âm thanh nào đáng yêu hơn tiếng cười của họ?
Chúc mọi điều tốt đẹp nhất,
w.
Thông thường: Khi bình luận hãy trích dẫn chính xác những từ mà bạn đang thảo luận. Tôi có thể bảo vệ lời nói của mình, nhưng tôi không thể bảo vệ cách giải thích lời nói của bạn. Và nếu bạn muốn cho thấy tôi sai, hãy xem Làm thế nào để chứng minh Willis sai.
Có liên quan
