Temperatuur reconstructie door Mann et al.

Assistant Professor aan de universiteit van Yale (1998) Houdt zich bezig met: Paleoklimatologie Statistische klimatologie Detectie klimaatverandering Klimaatmodellering Theoretisch en empirisch onderzoek naar variabiliteit van het klimaat: “Global-scale temperature patterns and climate forcing over the past six centuries” (Mann, Bradley, Hughes) Michael E. Mann (1965)

Is de huidige hoge temperatuur uniek over de laatste eeuwen of is het eerder voorgekomen? Natuurlijke variabiliteit Antropogene invloeden Verdrag van Kyoto (1997) Betrouwbaarheid reconstructie Belang temperatuur reconstructie

Gebruik van meerdere soorten gegevens om tot een reconstructie te komen Belang Multi-proxy: Grotere nauwkeurigheid Globale reconstructie Lange tijdschaal Multi-proxy

Grootschalige instrumentele data (vanaf 1900) Proxy data: Boomringen Koraal Ijskernen Sediment (uit meren) Historische instrumentele data Niet gebruikt: pollen, oceaan sediment etc. Data

Instrumentele data (vanaf 1854)

Proxy data Verspreiding proxy data tot 1820 (rood), 1800 (blauw-groen), 1750 (groen), 1600 (blauw) en 1400 (zwart).

Wiskundige methode om datasets samen te vatten in een aantal ‘principal components’. De eerste ‘principal components’ (PC’s) representeren de belangrijkste patronen (trends) uit de datasets. Deze PC’s houden mogelijk verband met fysische processen. Afweging: zoveel mogelijke variantie verklaren met zo min mogelijk PC’s. Principle Component Analysis (1)

Methode (algemeen): Verzamel data Haal het gemiddelde eraf Stel de covariantiematrix op Bepaal de eigenvectoren/eigenwaarden Kies de PC’s uit die je wilt behouden Maak een nieuwe dataset met de gekozen eigenvectoren Principal Component Analysis (2)

Gebruik door Mann, Bradley en Hughes: 1.Samenvatten datasets van boomringen in een aantal PC’s 2.Ontdekken van dominante patronen van variabiliteit in instrumentele temperatuurdata ( ) Principal Component Analysis (3)

PCA op instrumentele data ( ) Eerste vijf PC’s: 93% verklaarde variantie in globale gemiddelde temperatuur variaties, 85% voor het NH, 67% voor de NINO-box PC#1: Globale opwarming laatste eeuw PC#2: Dominante El Nino gerelateerde variatie PC#3: Variabiliteit in Atlantisch gebied (jaarlijks tot 10 jaarlijks) PC#4: El Nino en (sub)tropische Atlantische variatie (tientallen jaren) PC#5: Variabiliteit in het gehele Atlantische gebied (tientallen jaren) Multiproxy calibration (1)

EOF#1 en PC#1

EOF#2 en PC#2

EOF#3 en PC#3

EOF#4 en PC#4

EOF#5 en PC#5

Aannames: 1.De proxy indicatoren ( ) zijn lineair gerelateerd aan de instrumentele ‘trainings’ patronen 2.Ook schaarse, wijdverspreide data van lange proxy en instrumentele data kunnen worden gebruikt om patronen terug te vinden 3.Patronen van variabiliteit in het multiproxy netwerk hebben parallellen in de (kortere) instrumentele data Multiproxy calibration (2)

Verschillende methodes voor standaardisatie: Gestandaardiseerd over bepaalde periode Gestandaardiseerd over het geheel Mann et al. Gestandaardiseerd over vanwege inhomogeniteit van de data Calibreer (‘train’) de proxy indicatoren m.b.v. deze patronen (hoe??) Multiproxy calibration (3)