Om klimatscenariotjänsten: Oceanografi

Sam Fredriksson, forskare inom oceanografi, berättar om hur du kan använda klimatscenariotjänstens delar om oceanografi.

Dessa sidor presenterar hur havsområden i Sveriges närhet påverkas av klimatförändringar under 2000-talet. Visningstjänsten bygger på återanalyser samt scenarier från regionala klimatmodeller drivna av flera olika globala klimatmodeller. Den horisontella upplösningen i de regionala modellerna är ca 2 sjömil (ca 3,7 km) för den del av modellerna som beskriver havet. Vid beräkningar med klimatmodeller används antaganden om framtida förändringar i atmosfären och havet. Klimatmodeller hanterar samverkan mellan de fysikaliska processerna i atmosfären, på marken och i havet.

Resultat från beräkningar med klimatmodeller har här vidarebearbetats och visualiserats. Resultat visas för havsområden i Sveriges närhet för perioden 1975–2100. Klimatmodellberäkningarna som presenteras kommer från delvis olika modeller beroende på vilka variabler som visas. Östersjöns fysiska (temperatur och salthalt i ytvattnet) och biogeokemiska (löst oorganiskt kväve och fosfor i ytvattnet samt löst syrehalt i bottenvattnet) variabler kommer från körningar med modellen RCO-SCOBI (Saraiva et al. 2019 a,b). Östersjöns is kommer från NEMO-Nordic som är en kopplad is-havsmodell (Pemberton et al. 2017, Höglund et al. 2017). Slutligen kommer Västerhavets fysiska variabler från körningar med den kopplade modellen RCA4-NEMO (Gröger et al. 2019). 

Framtida förändringar för varje klimatindikator presenteras i en övergripande karta över för havsområden i Sveriges närhet. Förändringen presenteras också bassängvis efter HELCOM:s indelning i havsbassänger. Slutligen presenteras förändringen årsvis som en tidsserie tillsammans med  historiska värden som är framtagna genom återanalys vilka tar hänsyn till observerade värden. För biogeokemiska indikatorer presenteras än så länge inte återanalysdata, men kommer att inkluderas när en metod har tagits fram för att kompensera för kända problem med dessa data, till exempel för höga koncentrationer av löst oorganiskt kväve i Rigabukten.

För att få robusta resultat i jämförelsen med historiska värden är det viktigt att det finns flera observationspunkter i varje havsområde som studeras. Havsbassängerna (enligt HELCOM) är därför samlade i totalt tre större havsområden: Västerhavet, Egentliga Östersjön och Bottniska viken. Indelningen och användandet av dessa större havsområden är generellt vedertaget. För gränsdragning mellan havsområden kan det finnas olika indelningar av bassänger beroende på syfte med indelningen. Detta gäller särskilt området innefattande Öresund, Bälthavet och Kiel- och Mecklenburgbukten där det för vissa indikatorer kan finnas stora gradienter. Visningstjänsten följer den fördelning som beskrivs i Havs- och vattenmyndighetens föreskrifter HVMFS 2012:18 (enligt havsmiljöförordningen) som införlivar havsmiljödirektivet (Marine Strategy Framework Directive ,MSFD) i Sverige.

Klimatmodeller

För att beräkna klimatet i framtiden används klimatmodeller. Dessa innehåller 3-dimensionella beskrivningar av atmosfären, landytan, hav, sjöar och is. I modellerna är atmosfären och havet uppdelade i tredimensionella rutnät längs med jordytan, upp i luften och ner i havet. För att få bra resultat behöver modellen ta hänsyn till hela atmosfären och havet, det vill säga runt hela jorden. Sådana modeller kallas globala klimatmodeller. I varje punkt i rutnätet beräknas utvecklingen över tid för olika meteorologiska och oceanografiska parametrar.

Klimatmodeller skapar oerhört mycket information och kräver därför mycket datorkraft vilket innebär att antalet rutor i det tredimensionella rutnätet måste begränsas. I en global klimatmodell blir därför rutnätet ofta ganska glest, vilket leder till att detaljrikedomen blir låg på regional skala. I regionala klimatmodeller läggs rutnätet istället över ett mindre område, till exempel Europa. På så sätt kan högre detaljrikedom uppnås för ett mindre område utan att det krävs alltför mycket datorkraft.

Det som händer utanför beräkningsområdet i en regional klimatmodell styrs av resultatet från en global klimatmodell. På så sätt tar en regional klimatmodell hänsyn även till förändringar som sker utanför dess område. För klimatscenariotjänsten har en regional klimatmodell för atmosfären och flera regionala klimatmodeller för havet använts för att beskriva den regionala effekten från flera olika globala modeller. I kustområden kräver havet en högre upplösning än atmosfären. Här används ca 3,7 x 3,7 km upplösning för havet (storleken på horisontella rutnätet i havet) medan det användes ca 25 x 25 km upplösning för atmosfären (storleken på rutorna i rutnätet över landytan). 

Förklaring till rutnät (grid) över jorden i oceanografiska sammanhang
Figur. En global modell krävs för att simulera klimatet. Genom att bara modellera en del av jorden i en regional modell kan högre detaljnoggrannhet fås, men denna behöver data från en global modell. Ytterligare beräkningar och modellering kan behövas, till exempel beräkning av indikatorer, havsströmmar eller modellering av konnektivitet mm.

Högupplöst klimatmodellering är alltså mycket resurskrävande, men genom så kallad nedskalning kan både mer detaljer och bättre resultat uppnås. Den högre upplösningen ger i sig fler datapunkter vilket ger mer detaljerade resultat och kan också beskriva klimatologiska processer bättre. Detta gäller framför allt korta och lokala händelser, eftersom modeller med hög upplösning beskriver dessa bättre än modeller med låg upplösning.

Nederbörd i allmänhet och extrem nederbörd i synnerhet är exempel på något som förbättras med högre upplösning. Nederbörden kan variera mycket både i tid rum. Det beskrivs bättre av en modell med hög upplösning (Rummukainen, 2010; Rummukainen, 2016). I havet är hög upplösning dessutom nödvändigt för att kunna beskriva flödet i sund, som t.ex. Öresund och Stora Bält, som är viktiga för Östersjöns klimat och miljö.

Utsläppsscenarier

Modellberäkningar av klimatet baseras på utsläppsscenarier (eller strålningsscenarier). Utsläppsscenarier är antaganden om framtida utsläpp av växthusgaser. De baseras på antaganden om den framtida utvecklingen av världens ekonomi, befolkningstillväxt, globalisering, omställning till miljövänlig teknik med mera. Allt detta påverkar hur stora utsläppen av växthusgaser blir, vilket i sin tur påverkar växthuseffekten.

Ett mått på hur växthuseffekten förändras i framtiden är strålningsdrivning, som mäts i effekt per kvadratmeter (W/m2). Ju mer utsläpp av växthusgaser desto mer strålningsdrivning. Sådana scenarier kallas RCP-scenarier (Representative Concentration Pathways (Moss et al., 2010; van Vuuren et al., 2011)).

I denna analys används två scenarier:

  • RCP4,5: Strategier för reducerade växthusgasutsläpp medför att strålningsdrivningen stabiliseras vid 4,5 W/m² före år 2100 (används i IPCC, AR5).
  • RCP8,5: Ökande växthusgasutsläpp medför att strålningsdrivningen når 8,5 W/m² år 2100 (används i IPCC, AR5).

För meteorologiska och hydrologiska indikatorer presenteras även RCP2,6 som är det strålningsscenario som ligger närmast ambitionerna i Klimatavtalet från Paris. För oceanografiska indikatorer finns ingen komplett analys för RCP2,6 där samtliga indikatorer ingår för alla svenska hav och analyserad med samma havsmodell, varför RCP2,6 saknas i visningstjänsten.

Klimatscenarier

Ett klimatscenario skapas av en kombination av utsläpps- eller strålningsscenario, global klimatmodell, regional klimatmodell samt vald tidsperiod. Se tabellen i avsnittet om ensembler för mer information om de klimatmodeller som använts.

Beräkningarna med de regionala modellerna startar 1975 och perioden 1976–2005 används som referens för hur klimatet förändras. Resultaten för framtiden visar alltså avvikelsen från medelvärdet för 1976–2005. 

Eftersom resultatet från beräkningarna ges i ett tredimensionellt rutnät finns det svårigheter att direkt jämföra modellresultat med observationer. Observationer ger förhållandet på en viss plats, medan modellen ger medelvärdet för hela beräkningsrutan. Beskrivningen av observerat klimat i denna tjänst baseras på återanalysdata i ett tredimensionellt rutnät (en slags kombination av modell och observationsdata) och är därför lättare att jämföra med klimatmodelldata.

Näringsämnesscenarier

För biogeokemiska indikatorer har även olika näringsämnesscenarier använts i tillägg till klimatscenarierna. Dessa är : 

  • Bas: Motsvarar att inga ytterligare åtgärder görs, jämfört med idag, för att minska utsläppen från exempelvis jordbruk och vattenrening. Klimatförändringarna medför dock successivt ökande tillförsel av näring. Mängden näringsämnen som når Östersjön beror därför endast på klimatets påverkan på avrinningen.
  • Låg: Motsvarar en reducering av tillförsel av näringsämnen som därmed år 2020 nått ner till den nivå som motsvarar det Östersjöländerna kommit överens om inom samarbetet i HELCOM, den så kallade Baltic Sea Action Plan (HELCOM, 2007, 2013).
  • Hög: Motsvarar en ökning av koncentrationerna av näringsämnen i vattentillflödet och från atmosfären, som representerar förändringar i t.ex. folkökning, jordbruk. Belastningen av näringsämnen till havet påverkas således både av livsstil samt av klimatförändringens påverkan på avrinningen från land. 

Observationsbaserade data  

Förutom data från regionala klimatmodeller innehåller tjänsten även jämförbara tidsserier som baseras på observationer. För att kunna jämföra observationsdata med data från klimatmodeller används observationerna i en regional återanalys som  har utförts på SMHI för Copernicus Marine Service (CMEMS ).

Återanalysen är en historisk beräkning av havet i en tredimensionellt rutnät av havet , med hänsyn taget till information från oceanografiska observationer, både vid ytan och i djupet. Fördelen med att använda återanalysen är att klimatvariabeln antar realistiska värden med hjälp av observationsdata. CMEMS återanalys utförs med den kopplade fysisk-biogeokemiska modellen NEMO-SCOBI och har samma upplösning som de regionala klimatmodellerna för havet.  

För biogeokemiska indikatorer presenteras än så länge inte återanalysdata, men kommer att inkluderas när en metod har tagits fram för att kompensera för kända problem med dessa data, t.ex. för höga koncentrationer av löst oorganiskt kväve i Rigabukten. Denna analys kan hämtas ned från Copernicus’ marina tjänst (CMEMS ).

Scenarier är inte prognoser

De resultat som presenteras från beräkningar med klimatmodeller kallas klimatscenarier och är inte prognoser. Klimatscenarier baseras på antaganden om framtidens utsläpp och halter av växthusgaser och representerar vädrets och havets statistiska beteende över en längre tid - det vill säga klimatet. En väder- eller havsprognos däremot ger information om vad som kommer att hända under de närmaste dygnen.

Indikatorer

Oceanografiska och biogeokemiska indikatorer är kvantitativa mått som baseras på observerade mätvärden och/eller data beräknade med modeller. SMHI använder indikatorer som ett grundläggande verktyg för att analysera tillståndet i miljön samt för att åskådliggöra och kommunicera förändringar. Vanligen har en indikator en enhet.

Definitioner av indikatorerna

Namn     Definition      Enhet
Yttemperatur Medeltemperatur i de översta 0-9 m °C
Ytsalthalt

Medelsalthalt i de översta 0-9 m

PSU

Max isutbredning Maximal utbredning under ett isår (sept.-aug.), maximal area under ett isår (sept.-aug.) över tid i linjeplot

%, km2

Istjocklek Medel istjocklek (jan.-april), medel isvolym (jan.-april) över tid i linjeplot

m, km3

Bottensyrehalt Medelsyrehalt vid botten, medel bottenarea med syrebrist (< 2ml/l) över tid i linjeplot ml/l, km2
Ytkvävehalt (DIN) Medelhalt av DIN (nitrat + ammonium) i de översta 0-9 m (Dec.-feb.)* µmol/l
Ytfosforhalt (DIP) Medelhalt av DIP (fosfat) i de översta 0-9 m (Dec.-feb.)*

µmol/l

*Ytkvävehalt (DIN) och ytfosforhalt (DIP) presenteras endast för säsongen december-februari eftersom det är den koncentrationen som till stor del påverkar algblomningen under resten av året.

Referensperiod 

För att beskriva dagens tillstånd (klimat och näringsämnestillförsel) i havet används en 30-års period, 1976-2005. Perioden skall vara tillräckligt lång för att naturlig variabilitet inte skall påverka i alltför stor utsträckning. Perioden 1976-2005 valdes i de underliggande projekten eftersom det var denna tid som hade senast tillgängliga drivdata (randvillkor) till modellerna då analyserna genomfördes.

Beräkning av ”slutet av seklet” 

Slutet av seklet benämns 2071-2100 för att få en likformighet mellan de ingående disciplinerna meterologi, hydrologi och oceanografi. De oceanografiska beräkningarna sträcker sig dock inte fram till sista december 2100 utan till sista december 2099 för flertalet modeller och 2097 för en. I praktiken är det emellertid ett mindre problem om några ensemblemedlemmar inte täcker hela tidsperioden eftersom det endast är ett fåtal år som saknas av ensemblemedlemmarna och detta antas ge en marginell påverkan på ensemblemedelvärdet för 2071-2100.

Om ensembler

 

Resultatens robusthet

Robusthet betyder här hur säker eller osäker klimatförändringssignalen är. Eftersom resultaten baseras på flera olika simuleringar med klimatmodeller går det att göra statistiska analyser av hur robusta (dvs. tillförlitliga) resultaten är. Här används två mått på robusthet: andel modeller som samt standardavvikelsen.

Andel modeller som ger ökning är ett mått på hur stor del av ensemblen som är överens om en förändring visar ökning eller minskning. Ju större andel av modellerna i ensemblen som pekar åt samma håll, desto mer robust resultat. Om exempelvis samtliga modeller visar att temperaturen ökar är det ett säkert resultat. Det är också ett säkert resultat om samtliga modeller visar en minskning. Om modellerna däremot fördelar sig förhållandevis jämnt mellan ökning och minskning är resultatet inte robust. Ett exempel visas i den vänstra figuren nedan. Mörkgröna färger betyder att de flesta modeller är överens om en ökning. Utanför till exempel Norges kust är andelen modeller som ger ökning 100 %, en robust signal. Lila färger betyder att de flesta modeller inte ger en ökning. I delar av Finland ger till exempel inga modeller ökning (0 % ger ökning), också det en robust signal.

Ett annat mått på resultatens robusthet är standardavvikelsen. Den visar hur stor spridningen är mellan de ingående modellerna. Om spridningen är stor är standardavvikelsen stor, om spridningen är liten är standardavviken liten. Värdet på en standardavvikelse betyder att ca 68 % av modellerna håller sig inom detta värde. I exemplet till höger nedan är spridningen förhållandevis liten i södra Sverige och större i norra Finland. Enskilda gridpunkter avviker från den generella mönstret. Det betyder vanligtvis att en, eller ett par, modeller avviker från de flesta andra, till exempel genom att ha en starkare klimatförändringssignal. Det kan orsakas av att beskrivningen av gridrutan kan vara olika i olika modeller. I en modell kan gridrutan vara täck av vatten, i en annan av land. Effekten är tydligast längs kuster och i sjörika områden.

Isindikatorer har inga figurer för robusthet och standardavvikelse på grund av att endast två medlemmar ingår i ensemblen.

Två Sverikekartor där den vänstar visar robusthet och den högra standardavvikelse.
Figurtext: Robusthet (vänster) är ett mått på hur många modeller i ensemblen som ger ökning, 100 % betyder att alla modeller ger ökning, 0 % betyder att inga modeller ger ökning. Standardavvikelse (höger) visar hur stor spridningen är mellan medlemmarna i ensemblen. Högre värden betyder större spridning. Förstora Bild

Uppdateringar

Här ges plats för att beskriva uppdateringar som gjorts.

Referenser

Groger, M., Arneborg, L., Dieterich, C., Hoglund, A., Meier, H. E. M. Summer hydrographic changes in the Baltic Sea, Kattegat and Skagerrak projected in an ensemble of climate scenarios downscaled with a coupled regional ocean-sea ice-atmosphere model. Climate Dynamics 53(3) DOI: 10.1007/s00382-019-04908-9

HELCOM (2007) Toward a Baltic Sea unaffected by eutrophication. Background document to Helcom Ministerial Meeting.Tech. rep. Helsinki Commission, Krakow, Poland

HELCOM (2013) Summary report on the development of revised Maximum Allowable Inputs (MAI) and updated Country Allocated Reduction Targets (CART) of the Baltic Sea Action Plan. Tech. rep, Helsinki Commission, Copenhagen, Denmark

Höglund, A., Pemberton, P., Hordoir, R., & Schimanke, S. (2017). Ice conditions for maritime traffic in the Baltic Sea in future climate. Boreal Environ. Res, 22, 245-265.

Kjellström, E., Nikulin, G., Strandberg, G., Christensen, O. B., Jacob, D., Keuler, K., Lenderink, G., van Meijgaard, E., Schär, C., Somot, S., Sørland, S. L., Teichmann, C., and Vautard, R., 2018: European climate change at global mean temperature increases of 1.5 and 2 °C above pre-industrial conditions as simulated by the EURO-CORDEX regional climate models, Earth Syst. Dynam., 9, 459–478, 803 https://doi.org/10.5194/esd-9-459-2018.

Moss, R. H. et al. 2010: The next generation of scenarios for climate change  research and assessment. Nature, Vol 463, 11 February 2010,  doi:10.1038/nature08823.

Pemberton, P., Löptien, U., Hordoir, R., Höglund, A., Schimanke, S., Axell, L., & Haapala, J. (2017). Sea-ice evaluation of NEMO-Nordic 1.0: a NEMO–LIM3. 6-based ocean–sea-ice model setup for the North Sea and Baltic Sea. Geoscientific Model Development, 10(8), 3105-3123.

Rummukainen M., 2010: State-of-the-art with regional climate models. WIREs Clim Change 2010, 1:82–96, doi:10.1002/wcc.8.

Rummukainen, M. 2016: Added value in regional climate modeling, WIREs Clim Change 2016, 7:145–159. doi: 10.1002/wcc.378.

Saraiva, S., et al. (2019). "Uncertainties in Projections of the Baltic Sea Ecosystem Driven by an Ensemble of Global Climate Models." Frontiers in Earth Science 6

Saraiva, S., et al. (2019). "Baltic Sea ecosystem response to various nutrient load scenarios in present and future climates." Climate Dynamics 52(5-6): 3369-3387.

Sørland, S. L., Schär, C., Lüthi, D. and Kjellström E., 2018: Bias patterns and climate change signals in GCM-RCM model chains, Environ. Res. Lett., 13, 074017, https://doi.org/10.1088/1748-9326/aacc7.

van Vuuren, D. P. et al., 2011: The representative concentration pathways: an overview, Climatic Change (2011) 109:5–31, DOI 10.1007/s10584-011-0148-z