Copertura nuvolosa e temperatura globale

Posted By Franco Zavatti

Un recente lavoro di O.M. Pokrovsky (2019) analizza la relazione tra temperatura globale e copertura nuvolosa. Per la copertura nuvolosa usa i dati ISCCP (alcune informazioni anche in Rossow e Schiffer,1991) e come serie di temperatura globale HadCRUT4 (terra+oceano).

 L’articolo è in russo e il sommario in inglese recita:

Cloud Changes in the Period of Global Warming: the Results of the International Satellite Project
O. M. Pokrovsky
Russian State Hydrometeorological University, St. Petersburg
E-mail: pokrov_06@mail.ru

The results of analysis of climatic series of global and regional cloudiness for 1983–2009. Data were obtained in the framework of the international satellite project ISCCP. The technology of statistical time series analysis including smoothing algorithm and wavelet analysis is described. Both methods are intended for the analysis of non-stationary series. The results of the analysis show that both global and regional cloudiness show a decrease of 2–6%. The greatest decrease is observed in the tropics and over the oceans. Over land, the decrease is minimal. The correlation coefficient between the global cloud series on the one hand and the global air and ocean surface temperature series on the other hand reaches values (–0.84) — (–0.86). The coefficient of determination that characterizes the accuracy of the regression for the prediction of global temperature changes based on data on changes in the lower cloud, in this case is 0.316.Keywords: cloudiness, ISCCP data, climate change, global and regional scale, climate series analysis, linear and nonlinear trends, wavelet analysis.     Il testo completo dell’articolo è disponibile nel sito di supporto

In questo post uso i dati annuali sia della copertura nuvolosa (che chiamerò anche GCC, o Global Cloud Cover) derivati dalla figura 1 dell’articolo, che delle temperature globali HadCRUT4 e NOAA. L’intervallo temporale è definito da GCC ed è compreso tra il 1983 e il 2009 (27 anni).

Fig.1: valori annuali della copertura nuvolosa globale (GCC), in percentuale. Non ho digitalizzato le barre di errore.

Nella figura successiva i dati digitalizzati di GCC e il loro spettro LOMB.

Fig.2: GCC digitalizzata e spettro LOMB. I valori originali sono a passo costante, per cui avrei potuto usare lo spettro MEM, ma l’incertezza nella digitalizzazione ha generato un passo “quasi” costante e quindi ho usato LOMB. La linea verde-mare è il fit lineare da cui ho calcolato la serie detrended richiesta dal calcolo dello spettro.

La figura 2 mostra alcune caratteristiche che vale la pena sottolineare:

1. La percentuale di copertura nuvolosa (GCC) è diminuita visibilmente dal 1986 al 2000 e dal 2001 è aumentata rispetto al 2000 per poi restare grossolanamente costante fino al 2009 (fine serie).
2. Una situazione di quasi costanza dal 2001 al 2009 ricorda la pausa nelle temperature globali (questa è una mia posizione: altri fanno iniziare la pausa dal 1998).
3. Sappiamo che la copertura nuvolosa è un fattore importante nella regolazione della temperatura: grosso modo, una maggiore copertura significa temperatura più bassa e viceversa. Questa relazione inversa verrà verifica in seguito.
4. Dallo spettro, nel quadro inferiore, si vede che la copertura non è casuale e che esistono almeno due ciclicità, 8-10 anni e 4 anni, durante le quali la GCC si ripeterebbe con caratteristiche simili. Poi, il gruppo attorno a 0.9-1.3 anni mostrerebbe una variazione annuale -e una semestrale a 0.5 anni- che legherebbe la GCC a fattori astronomici (rivoluzione della Terra attorno al Sole) e forse di circolazione emisferica.
5. La serie lunga solo 27 anni non permette di dettagliare meglio quanto può essere dedotto dallo spettro.

Ora posso confrontare le serie a due a due e verificare la similitudine tra i due andamenti. Successivamente mostrerò gli spettri e le funzioni di cross-correlazione (CCF) per misurare la concordanza tra le serie con un’accuratezza maggiore rispetto alla semplice ispezione visuale.

Fig.3: Confronto tra GCC (invertita) e temperature globali HadCRUT4 (terra+oceano) sullo stesso intervallo temporale 1983-2009.

Da notare in questa figura come la pausa coincida nei due casi ma anche come la salita delle temperature tra il 1983 e il 1999 sia ben descritta dalla copertura nuvolosa. A titolo di ulteriore esempio ho confrontato la GCC anche con i dati annuali NOAA, come si vede in figura 4.

Fig.4: Confronto tra GCC (invertita) e Temperature globali NOAA (terra+oceano) sullo stesso intervallo temporale 1983-2009.

Anche in questo caso la pausa coincide nelle due serie e, di nuovo, la salita delle temperature è ben rappresentata dalla pendenza della copertura nuvolosa tra il 1983 e il 1999.

Il confronto successivo è tra gli spettri delle tre serie:

Fig.5: Confronto tra gli spettri di GCC, HadCRUT4 e NOAA. La potenza di entrambe le temperature è stata moltiplicata per 35 in modo da rendere la figura più leggibile. Gli spettri MEM non mostrano le frequenze maggiori di 0.5 (i periodi minori di 2 anni) per evitare problemi con l’intervallo di frequenza di Nyquist che deve essere compreso tra 0 e 0.5 in frequenza.

I tre spettri mostrano essenzialmente le stesse caratteristiche (massimi tra 7.5 e 8.5 anni e a 4 anni oltre al debole picco a ~2.5 anni) cioè mostrano che i dati non sono soltanto esteticamente legati come appare dalle due figure precedenti, ma hanno in comune periodicità che potremmo immaginare legate a caratteristiche fisiche di entrambe le grandezze.

Si può confrontare lo spettro di GCC con l’analisi wavelet mostrata nella figura 5 di Pokrovsky, 2019: il gruppo di periodi a circa 1 anno esiste su tutto l’intervallo analizzato; il periodo di 4 anni si osserva fino al 1992, diventa più debole fino a circa il 2001 per poi scomparire. Il massimo che nello spettro LOMB è a circa 9 anni, nella wavelet parte da 8 e supera i 32 anni, sempre con le potenze più elevate della scala wavelet (con una estensione di 27 anni io non ho ritenuto accettabili periodi superiori a 20 anni).

Considero questo confronto una conferma dello spettro LOMB di figura 5.

Per finire questa analisi su più piani, mostro la funzione di cross-correzione (CCF) tra la copertuta nuvolosa ed entrambe le serie di temperatura globale:

Fig.6: Funzione di cross-correlazione tra copertura nuvolosa e le due serie di temperatura. La CCF a lag zero, cioè il coefficiente di correlazione di Pearson, vale tra -0.7 e -0.8, mentre in Pokrovsky 2019 viene dato un valore più elevato (-0.84/-0.86). Credo che quest’ultimo valore sia stato calcolato dalle serie mensili che io non ho disponibili e che permettono una migliore risoluzione spaziale.

La figura 6 ci mostra una correlazione, il che non significa che le grandezze siano fisicamente legate (cioè che siano variabili aleatorie dipendenti), ma le caratteristiche mostrate (soprattutto gli spettri) suggeriscono in modo indipendente che una relazione fisica deve esistere tra copertura nuvolosa e temperatura globale.

Credo che come chiusura si potrebbe usare questa frase:

Scusate, non la ricordo più, com’è quella storia che dice che la temperatura dipende in modo esclusivo dalla CO2? Potreste ricordarmela? Grazie.

I dati di questo post sono disponibili nel sito di supporto.

Bibliografia

• Pokrovsky O.M.: Cloud Changes in the Period of Global Warming: the Results of the International Satellite Project. Russian Academy of Sciences, September 5, 2019. https://doi.org/10.31857/S0205-9614201913-13   https://journals.eco-vector.com/0205-9614/article/view/11444
• Rossow W.B., Schiffer R.A.: ISCCP cloud data products, Bull. Amer. Meteor. Soc.,72, 2–20, 1991. https://pubs.giss.nasa.gov/docs/1991/1991_Rossow_ro05000n.pdf

Fonte:  ClimateMonitor