Ilmastomallien epävarmuudet – kuinka tunnistaa ja taklata ne

Ilmastonmuutoksen vaikutusten ennustaminen ja niiden ymmärtäminen paikallisella tasolla on tärkeää riskien arvioinnin ja varautumisen näkökulmasta. Muutoksia ilmastossa ei kuitenkaan voida ennustaa täsmällisesti, mutta on olemassa erilaisia työkaluja, jotka auttavat mallintamaan tulevaisuuden skenaarioita. Vaikka tällaiseen mallintamiseen liittyy aina epävarmuustekijöitä, ne tarjoavat tärkeää tietoa tehokkaan alueellisen päätöksenteon ja sopeutumisen tueksi.

CLIMATE-hankkeen julkaiseman raportin ensimmäinen osa Uses of Climate Model Data and Citizen science käsittelee ilmastomallien käyttöä tulevaisuuden ilmaston ennustamisessa. Raportti pureutuu ennen kaikkea ilmastomallien epävarmuuksiin ja mahdollisuuksiin Uudenmaan ja Helsingin seudun esimerkkien kautta. Raportin tavoitteena on selventää missä nykyiset ilmastomallit onnistuvat, mitä heikkouksia niillä on ja mitä nämä epävarmuudet merkitsevät sopeutumisen kannalta. Raportin osuuden on kirjoittanut Ilmatieteen laitos HSY:n toimeksiannosta.

Ilmastomallien perusteet ja käytetyt aineistot

CLIMATE-hankkeen julkaisemassa raportissa tarkastellaan erilaisia ilmastomalleja, kuten Euro-CORDEX ja HCLIM, jotka tuottavat ennusteita lämpötilasta, sademäärästä ja säiden ääri-ilmiöistä. Mallien tuottamia tuloksia verrataan historiallisiin havaintoaineistoihin, kuten ERA5-uusanalyysiin, jotta mallien kyky kuvata todellista ilmastoa voidaan arvioida. Mallien tarkkuutta voidaan parantaa erilaisilla tilastollisilla harhakorjausmenetelmillä.

Epävarmuudet ilmastomalleissa

Ilmastomallien epävarmuudet johtuvat useista eri tekijöistä:

• Ilmaston luonnollinen vaihtelu: Ilmasto on monimutkainen ilmiö, johon vaikuttavat monet eri tekijät.
  
  
• Mallien rakenteelliset erot ja rajoitteet: Ilmastoskenaarioita tuottavat mallit ovat rakenteiltaan ja lähtöoletuksiltaan erilaisia, mikä johtaa niiden tuottamien tulosten vaihteluun.
  
  
• Päästökehitys: Kasvihuonekaasupäästöjen globaali kehitys on epävarmaa ja päästöarviot vaikuttavat mallien tarjoamiin tuloksiin.
  
  
• Aikajänne: Lyhyen aikavälin ennusteet ovat alttiimpia luonnollisille vaihteluille. Pitkän aikavälin ennusteisiin vaikuttaa puolestaan globaalien päästöjen kehitys.
  
  
• Alueellinen tarkkuus: Epävarmuudet kasvavat mitä pienempi tarkasteltava alue on.

Epävarmuudet malleissa eivät tarkoita, että tulokset tai käytetyt työkalut olisivat huonoja.  Tulevaisuuden skenaarioiden mallintamiseen liittyy aina jonkinlaisia epävarmuuksia, varsinkin silloin kun mallinnetaan ilmaston kaltaisia monimutkaisia kokonaisuuksia. Näiden ymmärtäminen on kuitenkin tärkeää, jotta tulokset tukisivat alueellista päätöksentekoa ja ilmastonmuutokseen varautumista mahdollisimman hyvin.

Harhojen korjaus

Ilmastomalleissa on useita tunnistettuja harhoja, jotka voivat ali- tai yliarvioida muutoksia. Mallien tuottamat ilmastoennusteet voivat olla liian kylmiä, lämpimiä, kuivia tai kosteita verrattuna toteutuneisiin havaintoihin. Näiden harhojen korjausmenetelmät, kuten kvantiilikorjaus (quantile mapping), parantavat mallien kykyä kuvata ilmastoa ja tekevät tuloksista realistisempia.

Yleisesti ottaen harhankorjausmenetelmät toimivat hyvin keskiarvojen korjaamisessa (esimerkiksi keskilämpötilojen kehittyminen), mutta niiden luotettavuus heikkenee äärimmäisten sääilmiöiden ennustamisessa. Tämä johtuu siitä, että sääilmiöiden ääripäissä havaintoaineistoa on tyypillisesti vähän. Lisäksi joissain ilmastomalleissa oletetaan, että mallin ja havaintojen välinen suhde pysyy muuttumattomana ajan myötä. Tämä ei välttämättä päde muuttuvassa ilmastossa, mikä voi heikentää harhakorjauksen luotettavuutta äärimmäisten sääilmiöiden osalta.

Rankkasateet erityisen vaikeita mallintaa

CLIMATE-hankkeen raportti keskittyy keskilämpötilan ja sademäärän muutosten mallintamiseen sekä rankkasateiden esiintymistiheyteen ja voimakkuuteen Helsingin seudun ja Uudenmaan alueita esimerkkeinä käyttäen.

• Lämpötila: Mallit ennustavat Helsingin seudulle lämpötilan nousua kaikissa kuukausissa. Keskilämpötilan muutoksen epävarmuus on suurimmillaan talvi- ja kevätkuukausina. Lämpötilan nousun suuruus vaihtelee mallista ja kuukaudesta riippuen.
  
  
• Sademäärä: Mallit ovat yleensä liian kosteita verrattuna havaintoihin. Kausivaihtelut eivät aina vastaa todellisuutta, ja mallien kyky kuvata esimerkiksi kevään kuivuutta tai kesän sadekuuroja vaihtelee.
  
  
• Äärimmäiset sadeilmiöt: Rankkasateet ovat erityisen vaikeita mallinnettavia niiden paikallisuuden ja harvinaisuuden vuoksi. Korkeamman resoluution mallit (esim. HCLIM) pystyvät tunnistamaan paikallisia rankkasateita paremmin, mutta niiden satunnaisuus ja harvinaisuus tuovat epävarmuutta arvioihin. Harhojen korjausmenetelmät eivät ole yhtä luotettavia ääripäiden osalta, ja tulevaisuuden ennusteissa epävarmuus kasvaa.

Tieto osaksi päätöksentekoa

Ilmastomallien tuottama data on tärkeää, kun arvioidaan alueellisia ilmastoriskejä ja suunnitellaan paikallisia varautumistoimia. Monimutkaisen ilmastotiedon integrointi päätöksentekoon on kuitenkin haastavaa. Pitkät aikajänteet ja malleihin liittyvät epävarmuudet eivät aina vastaa päätöksentekijöiden tarpeita, ja tekniset resurssit voivat rajoittaa datan käyttöönottoa. Tämä voi pahimmillaan johtaa tiedon vähättelyyn tai jopa sen sivuuttamiseen.

Ilmastodataan liittyviä epävarmuuksia voidaan hallita:

• Käyttämällä useita ja paikallisesti hyviksi havaittuja malleja
• Soveltamalla harhakorjausta huolella
• Keskittämällä huomio kehityssuuntiin ja todennäköisiin vaihteluväleihin, ei yksittäisiin arvoihin

Johtopäätöksenä voidaan sanoa, että mallinnuksen avulla voidaan tuottaa erittäin tärkeää tietoa ilmastoskenaarioista. Mallit eroavat toisistaan toimintalogiikaltaan ja lähtöarvoiltaan mikä luonnollisesti vaikuttaa lopputuloksiin. Epävarmuuksien systemaattinen tunnistaminen ja harhankorjausmenetelmien hyödyntäminen mahdollistavat, että päätöksenteon tueksi tuotettu tieto on riittävän luotettavaa ja antaa realistisen pohjan alueellisten ilmastoriskien arviointiin sekä varautumistoimien suunnitteluun. 

Tutustu englanninkieliseen raporttiin (pdf)