Migliorare i modelli climatici globali

A causa di una comprensione incompleta della fisica dei modelli climatici, i gruppi di modellazione climatica di tutto il mondo rappresentano i processi climatici in modi diversi nei loro modelli. Questo porta a differenze e incertezze nelle proiezioni del clima del futuro.

Per migliorare la precisione delle previsioni stagionali, il progetto CLIMITS (“Performance and usefulness of climate predictions: Beyond current limitations”), finanziato dall’UE, ha applicato diversi modelli di previsione insieme riducendo le ambiguità dei singoli modelli. Per raggiungere i suoi obiettivi, ha impiegato il metodo dell’insieme multi modello (MME) – ovvero l’uso di molti modelli diversi per generare una previsione.

I partner del progetto hanno integrato due sistemi di previsione stagionale (SPS) MME che erano stati sviluppati separatamente dalla comunità di previsione climatica europea (ENSEMBLES) e della regione Asia-Pacifico (CliPAS/APCC). Sono state poi valutate tutte le possibili combinazioni multi-modello trovate associando 5 modelli di ENSEMBLES e 11 di CliPAS/APCC.

Questa associazione ha portato alla creazione del cosiddetto grande MME ENSEMBLES-CliPAS/APCC. Il grande MME migliora di molto le previsioni climatiche rispetto alle stime precedenti. In seguito a una valutazione delle associazioni di SPS, è stato rilevato che il raggruppamento di SPS ottimale è con i modelli di ENSEMBLES e CliPAS/APCC.

È stato valutato il legame tra prestazioni ed errori del grande MME. Le prestazioni sono state ulteriormente valutate nelle regioni euro-mediterranea e asiatica, esaminando per esempio la capacità di prevedere irregolarità durante il monsone estivo indiano e l’estate boreale. I risultati mostrano che associare SPS di fonti indipendenti di MME è una buona strategia per superare gli attuali limiti delle previsioni stagionali.

CLIMITS ha mostrato i limiti delle prestazioni delle previsioni MME della comunità della previsione climatica di Asia - Pacifico ed Europa attualmente disponibili. I risultati dovrebbero aiutare le organizzazioni che si occupano dei dati climatici a sviluppare metodi di MME dedicati alla fornitura di previsioni stagionali superiori che daranno agli utenti informazioni più affidabili.