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).
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
En ensemble är en samling olika beräkningar av det framtida klimatet. Beräkningarna kan till exempel skilja sig åt med avseende på val av klimatmodell eller utsläpps- och strålningsscenario eller näringsämnesscenario. En beräkning som ingår i en ensemble kallas för en ensemblemedlem. Inom oceanografi ingår, som komplement till klimatscenarierna, även näringsämnesscenarier.
En ensemble ger en bra överblick av spridningen mellan de olika klimat- och näringsämnesscenarierna och belyser osäkerheter förknippade med att simulera det framtida tillståndet. Ensemblen ger därmed ett mått på resultatens tillförlitlighet. Om många scenarier ger liknande resultat ökar den relativa tillförlitligheten jämfört med om de skulle peka åt olika håll.
En typ av ensembler innehåller medlemmar som är beräknade med olika globala och/eller regionala klimatmodeller men med samma utsläpps- eller strålningsscenario. Skillnader i resultat beror då på att de olika klimatmodellerna beskriver de fysikaliska processerna i det simulerade klimatsystemet på olika sätt. Så är t.ex. fallet med temperaturen på vintern. Nederbörden på sommaren styrs framför allt av lokal molnbildning, då är valet av regionalmodell det som är viktigast för det simulerade klimatet (Kjellström et al., 2018; Sørland et al., 2018). Något som i sin tur kan påverka vindens effekt på havet och tillrinningen av sötvatten till havet. Det är med andra ord inte enkelt att välja vilka klimatmodeller som ska ingå i en ensemble. En modell kan prestera bra över vissa delar av världen och sämre över andra. En annan modell kanske beskriver temperatur bra och nederbörd mindre bra. Det finns alltså ett värde i att ha stora ensembler eftersom de bättre beskriver tillförlitligheten i resultaten. I praktiken styrs valet av ensemble till stor del av hur många och vilka modellsimuleringar som är praktiskt möjliga att göra.
Utöver mänsklig påverkan på klimatet har klimatsystemet en egen naturlig variabilitet. Dessa naturliga svängningar från år till år, eller från ett årtionde till ett annat, försvårar analysen av beräknade klimatscenarier. Det gäller speciellt när förändringar i klimatet på kortare tidsskalor studeras. År 2100 beräknas klimatförändringarna jämfört med idag vara så stora att trender är tydliga även om värdena varierar kraftigt från år till år. Klimatets naturliga variation kan med dagens kunskap inte förutsägas exakt (för till exempel ett visst datum). Däremot kan den naturliga variabiliteten studeras genom att göra en ensemble av flera klimatscenarier utifrån ett strålningsscenario men med olika startvärden. Vid seklets slut beror osäkerheten främst av vilken global klimatmodell, vilket strålningsscenario och för biogeokemiska indikatorer vilket näringsämnesscenario som valts.
I en ensemblesammanställning ger spridningen i resultaten en uppfattning om hur tillförlitliga dessa resultat är. Beroende på vilken sorts ensemble som tagits fram går det också att studera betydelsen av val av klimatmodell respektive startvärden.
I denna tjänst visas två mått på robusthet och spridning: andel modeller som ger ökning samt standardavvikelse.
Andelen modeller som ger ökning visar hur stor del av modellensemblen som ger en ökning på valt index. Om många modeller är överens om att något ökar (eller minskar) är det ett robust resultat, om modellerna är oense är det ett mindre robust resultat.
Standardavvikelsen är ett mått på spridningen mellan modeller. Även om alla modeller ger en ökning kan ökningen vara olika stor i olika modeller. Om skillnaden mellan modeller är stor är standardavvikelsen stor, om skillnaden är liten är standardavvikelsen liten. Standardavvikelsen kan också jämföras med storleken på förändringen. Om förändringen är liten jämfört med standardavvikelsen är storleken på förändringen inte robust.
Antalet modeller och scenarier som används inom en ensemble är delvis beroende på under vilken tidsperiod klimatet ska studeras. Generellt kan sägas att ju närmare i tiden (några decennier) och ju extremare situationer en fråga berör desto större är behovet av ett stort underlag av olika kombinationer av modeller och modellers starttillstånd. Om frågan istället berör ett längre tidsperspektiv (sekel) så ökar behovet av fler scenarier (som representerar olika möjliga världsutvecklingar).
Principen är att använda så många modellsimuleringar som möjligt, eftersom mer data ger ett bättre statistiskt underlag. Det kan också vara önskvärt med ensembler som inte förlitar sig för mycket på enskilda modeller. Då annars vissa modeller får oproportionerligt stor betydelse. Det kan också vara önskvärt att ensemblerna för de olika RCP:erna är något så när jämförbara. Utbudet av simuleringar för RCP8,5 är betydligt större än för de andra RCP:erna. Det finns också modellkombinationer som bara körts för en eller två RCP:er. Eftersom vi vill ha så stora ensembler som möjligt får vi acceptera att RCP-ensemblerna inte innehåller exakt samma modeller. Globalmodeller som körts med ett fåtal regionalmodeller och för bara en RCP har valts bort för att inte bidra till skevheten mellan och inom ensembler. Ensembler i visningstjänsten utgår från de simuleringar som utförts i samband med tidigare forskningsprojekt. För indikatorerna syre, löst oorganiskt fosfor och kväve har data från projekt BalticApp använts där modellen RCO-SCOBI användes (Saraiva 2019a,b). För att kunna se eventuell samverkan med indikatorerna temperatur och salthalt är även data för dessa indikatorer hämtade från samma modell. Denna modell innefattar dock inte Västerhavet. Därför har data för detta område för indikatorer temperatur och salinitet hämtats från modell RCA4-NEMO (Gröger et al. 2019). I gränsen mellan Västerhavet och Egentliga Östersjön kan därför vissa skillnader i resultaten ses. Avseende isindikatorerna har analyserna utförts med hjälp av NEMO-NORDIC i projekt STORMWINDS (Pemberton et al. 2017, Höglund et al. 2017). Trots skillnader i modeller har en så konsistent ensemblesammansättning avseende globala klimatmodeller (GMCs) som möjligt eftersträvats, se nedanstående tabell.
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.
Uppdateringar
Här ges plats för att beskriva uppdateringar som gjorts.