Origini della variabilità multi-decennale nei riscaldamenti stratosferici improvvisi

Origini della variabilità multi-decennale nei riscaldamenti stratosferici improvvisi
Oscar Dimdore-Miles^1, Lesley Gray^1,2, e Scott Osprey^1,2
^1Dipartimento di Fisica, Fisica Atmosferica, Oceanica e Planetaria, Università di Oxford, Oxford, OX1 3PU, Regno Unito
^2Centro Nazionale per le Scienze Atmosferiche, Oxford, OX1 3PU, Regno Unito
Corrispondenza: Oscar Dimdore-Miles (oscar.dimdore-miles@physics.ox.ac.uk)
Ricevuto: 30 ottobre 2020 – In discussione: 10 novembre 2020
Rivisto: 3 febbraio 2021 – Accettato: 9 febbraio 2021 – Pubblicato: 15 marzo 2021

Abstract. I riscaldamenti stratosferici improvvisi (SSW) sono gravi perturbazioni del vortice polare stratosferico dell’emisfero nord (NH) e si verificano in media circa sei volte per decennio nei registri basati su osservazioni. Tuttavia, in questi registri si osservano intervalli di frequenze di SSW significativamente più alte e più basse, suggerendo la possibilità di variazioni di bassa frequenza nell’occorrenza degli eventi. Una migliore comprensione dei fattori che influenzano questa variabilità decennale può aiutare a migliorare la prevedibilità del clima di superficie delle medie latitudini NH, attraverso il collegamento stratosfera-troposfera. In questo lavoro, la variabilità multi-decennale degli eventi SSW viene esaminata in una simulazione pre-industriale di 1000 anni di un modello climatico globale accoppiato. Utilizzando un metodo di decomposizione spettrale wavelet, mostriamo che gli eventi di interruzione (intervalli di un decennio o più senza SSW) e gli eventi SSW consecutivi (intervalli prolungati con almeno un SSW in ogni anno) variano su scale temporali multi-decennali di periodi tra 60 e 90 anni. Segnali su queste scale temporali sono presenti per circa 450 anni della simulazione. Indaghiamo la possibile fonte di questi segnali a lungo termine e scopriamo che l’impatto diretto della variabilità delle temperature superficiali del mare tropicale, così come il Bassopiano delle Aleutine associato, possono spiegare solo una piccola parte della variabilità degli SSW. Invece, la principale influenza sulla variabilità a lungo termine degli SSW è associata alla variabilità a lungo termine nell’ampiezza dell’oscillazione quasi-biennale stratosferica (QBO). L’influenza della QBO è coerente con la ben nota relazione di Holton–Tan, con intervalli di interruzione degli SSW associati a periodi estesi di fasi QBO occidentali particolarmente forti e profonde. I risultati supportano studi recenti che hanno evidenziato il ruolo della coerenza verticale nella QBO quando si considera l’accoppiamento tra la QBO, il vortice polare e la circolazione troposferica.

1 Introduzione
Gli eventi maggiori di riscaldamento stratosferico improvviso (SSW) comportano una significativa interruzione del vortice polare stratosferico dell’emisfero nord (NH) e rappresentano la più grande modalità di variabilità interannuale nella stratosfera dell’inverno boreale (Butler et al., 2017; Baldwin et al., 2021). Essi sono associati a uno spostamento equatoriale e a una decelerazione del flusso a getto dell’Atlantico Nord (Kidston et al., 2015), fasi negative dell’Oscillazione del Nord Atlantico (NAO) (Baldwin e Dunkerton, 2001) così come a ondate di freddo in Eurasia e Nord America (Thompson, 2003; Lehtonen e Karpechko, 2016; Tomassini et al., 2012; Kretschmer et al., 2018). Gli SSW svolgono inoltre un ruolo chiave nelle previsioni stagionali a sub-stagionali (Domeisen et al., 2020a, b). Nei dataset di rianalisi, gli SSW si verificano con una frequenza media di 0.6 eventi per inverno, ma questa varia notevolmente nel corso dei record (Butler et al., 2015), suggerendo la possibilità di una variabilità su scale temporali molto più lunghe. Ad esempio, studi osservazionali hanno notato una pausa negli anni ’90 quando si sono verificati pochissimi eventi maggiori di SSW (Butler et al., 2015; Pawson e Naujokat, 1999; Shindell et al., 1999). Questo intervallo è stimato essere il più lungo dal 1850 (Domeisen, 2019). In contrasto, l’inizio del XXI secolo ha mostrato un numero notevole di inverni consecutivi contenenti eventi SSW (Manney et al., 2005).
Nonostante un significativo corpo di lavoro volto a comprendere la natura degli SSW e i loro impatti sul clima di superficie delle medie latitudini, la variabilità della loro occorrenza su scale temporali decennali a multi-decennali non è ben compresa. La variabilità stratosferica multi-decennale è stata considerata nel contesto di segnali di riscaldamento antropogenico forzato nei modelli climatici globali (GCM). Ad esempio, Garfinkel et al. (2017) hanno analizzato le variazioni decennali nella forza del vortice polare in un insieme di simulazioni storiche e hanno proposto che una pausa osservata nel riscaldamento superficiale eurasiatico fosse probabilmente dovuta alla variabilità nella forza del vortice di metà inverno. Allo stesso modo, Cohen et al. (2009) hanno trovato variazioni decennali nella forzatura delle onde planetarie del vortice in una serie di modelli del Progetto di Interconfronto di Modelli Accoppiati fase 3 (CMIP3) così come nell’analisi del National Centers for Environmental Prediction – National Center for Atmospheric Research (NCEP–NCAR). Essi suggeriscono che queste fluttuazioni portino a una modulazione del segnale di riscaldamento globale nelle temperature superficiali di fine inverno boreale. Se la variabilità del vortice fosse stata forzata dalle concentrazioni di gas serra o fosse sorta attraverso variabilità interna in questi studi non è stato completamente stabilito, ma Garfinkel et al. (2015) hanno utilizzato un sottoinsieme delle simulazioni analizzate in Garfinkel et al. (2017) e hanno collegato una tendenza decennale (1980-2009) nella forza del vortice di fine inverno alla variabilità della temperatura superficiale del mare (SST). D’altra parte, Seviour (2017) ha analizzato le variazioni osservate tra il 1980 e il 2016 e ha concluso che la variabilità del vortice era principalmente generata internamente.

Schimanke et al. (2011) hanno osservato variazioni su scala multi-decennale nella frequenza degli SSW con periodi di circa 52 anni in un’integrazione di un modello climatico globale (GCM) su più secoli e hanno dimostrato una variabilità coerente in altre parti del sistema climatico, incluse l’attività delle onde planetarie che si propagano verticalmente, la copertura nevosa eurasiatica e le temperature superficiali del mare (SST) dell’Atlantico. Tuttavia, nonostante forniscano alcune indicazioni di variabilità guidata esternamente, i risultati di questo studio non sono conclusivi, poiché il GCM utilizzato (EGMAM: ECHO-G con Modello dell’Atmosfera Media) mostra un significativo bias nel tasso medio di SSW rispetto alle rianalisi (due eventi per decennio). Questo significa che i loro risultati potrebbero non essere pienamente rappresentativi della stratosfera osservata, e gli autori notano che sono necessarie ulteriori simulazioni per comprendere questa variabilità. Manzini et al. (2012) hanno esplorato le cause della variabilità con periodi di 20 anni in una simulazione con SST preindustriali prescritte. Propongono che, dato che le condizioni al contorno nelle simulazioni sono fisse, tale variabilità deve essere generata internamente. Butchart et al. (2000) suggeriscono che la variabilità decennale nella forza del vortice, così come la frequenza degli SSW, possa originarsi dai feedback causati dalla natura non lineare della dinamica stratosferica dell’inverno boreale. Entrambi i lavori mostrano che questi segnali indotti internamente influenzano significativamente la variabilità del clima di superficie delle medie latitudini, forzando segnali di periodo simile nella NAO e nelle SST dell’Atlantico Nord.

Una regione spesso considerata negli studi sulla variabilità della forza del vortice è la stratosfera equatoriale. Il meccanismo primario di accoppiamento tra queste regioni si verifica tra l’oscillazione quasi-biennale (QBO) e il vortice. Un’associazione tra la fase della QBO e la forza del vortice polare è stata proposta per la prima volta da Holton e Tan (1980) e Holton e Tan (1982), che hanno scoperto che il vortice polare mostrava un rafforzamento quando la QBO vicino al livello di 50 hPa era nella sua fase occidentale (QBO-W) rispetto alla sua fase orientale (QBO-E). Questo legame, solitamente denominato effetto Holton-Tan (HT), è stato riportato in studi successivi con osservazioni più complete così come in studi di modellazione utilizzando GCM, incluso il Modello del Met Office Hadley Centre versione 2 (HadGEM2) (Watson e Gray, 2014) e altri modelli del Met Office (Garfinkel et al., 2018) basati sui predecessori del modello considerato in questo studio. Altri studi di modellazione riportano anche un effetto HT (Baldwin e Dunkerton, 1991; Pascoe et al., 2005; Lu et al., 2008). È stata proposta una serie di meccanismi fisici per spiegare l’accoppiamento osservato tra la QBO e il vortice polare stratosferico che coinvolge un’influenza della QBO sulla propagazione delle onde nella stratosfera invernale (Baldwin et al., 2001). La QBO è tipicamente definita dal vento zonale medio equatoriale (ZMZW) a un singolo livello nella media stratosfera. Il livello di 50 hPa è comunemente usato per gli studi osservazionali dell’NH (Baldwin et al., 2001; Baldwin e Dunkerton, 1998), ma alcuni studi hanno anche evidenziato l’importanza di caratterizzare la struttura verticale della QBO (Fraedrich et al., 1993; Wallace et al., 1993; Baldwin e Dunkerton, 1998; Dunkerton, 2017; Gray et al., 2018; Andrews et al., 2019). In uno studio basato su osservazioni, Gray et al. (2018) hanno trovato un’associazione rafforzata tra la QBO e il vortice polare quando si utilizza una metrica che incorpora la coerenza verticale dei venti equatoriali tramite funzioni ortogonali empiriche (Schenzinger, 2016). In uno studio basato su modelli, Andrews et al. (2019) hanno introdotto una metodologia simile ma più semplice definendo la QBO come la media ZMZW tra due livelli verticali, che seleziona preferenzialmente intervalli temporali che mostrano una fase QBO verticalmente coerente tra i livelli specificati. Questi studi suggeriscono l’importanza delle metriche verticali della QBO quando si considera l’accoppiamento QBO-vortice, anche se i meccanismi di influenza non sono ben compresi.

La variabilità su scala decennale e multi-decennale nella QBO e nella relazione HT è stata anch’essa esaminata. Sono state rilevate chiare variazioni nel periodo della QBO e nei tempi di transizione di fase (Pascoe et al., 2005; Anstey e Shepherd, 2008; Yang e Yu, 2016). Queste possono essere collegate a variazioni nel grado di “stallo” della discesa di fase della QBO, che può causare una direzione del vento più o meno persistente a un dato livello. Un certo numero di studi ha anche notato la natura transitoria della forza della relazione HT (Lu et al., 2008, 2014; Anstey e Shepherd, 2008; Osprey et al., 2010). Lu et al. (2008, 2014) osservano che la guida d’onda di media latitudine è modulata dalla forma del vortice, cosicché le onde planetarie sono deviate ulteriormente verso l’equatore quando il vortice è insolitamente forte e largo, e ciò potrebbe ridurre temporaneamente l’influenza della QBO sul vortice.

La variabilità del vortice è stata anche strettamente associata a variazioni nel clima superficiale invernale che possono determinare la forza della guida d’onda troposferica di media latitudine. Tra le più notevoli di queste vi è il sistema di bassa pressione climatologico sulle Isole Aleutine nel Mare di Bering – la Bassa delle Aleutine (AL). È stato dimostrato che l’intensità dell’AL modula la propagazione verticale delle onde planetarie nella regione del vortice (Woo et al., 2015; Garfinkel et al., 2010; Manzini et al., 2006). L’effetto è stato riscontrato sia in rianalisi (Hu e Guan, 2018) sia in studi di modellazione (Kren et al., 2016; Kang e Tziperman, 2017; Taguchi e Hartmann, 2006). L’AL è un indicatore chiave della variabilità climatica del Pacifico con teleconnessioni sia al clima tropicale che a quello di media latitudine (Tsuyoshi e Shingo, 1989; Trenberth e Hurrell, 1994; Zhang et al., 1997), e varia significativamente su tempi decennali e multi-decennali. Overland et al. (1999) notano che i valori medi decennali della pressione a livello del mare (SLP) sulla regione dell’AL mostrano fluttuazioni fino al 35% della media climatologica. Studi successivi confermano la presenza di queste fluttuazioni decennali: Sugimoto e Hanawa (2009) e Minobe (1999) mostrano fluttuazioni ventennali nell’intensità e nel centro di azione dell’AL, mentre Raible et al. (2005) propongono un trend di 50-60 anni nell’intensità dell’AL, suggerendo l’esistenza di una variabilità su scale temporali ancora più lunghe.

Ulteriori caratteristiche superficiali collegate alla variabilità del vortice coinvolgono le SST tropicali. Ad esempio, le anomalie delle SST sulla regione orientale del Pacifico associate all’El Niño-Oscillazione Meridionale (ENSO) sono state dimostrate di indurre una risposta circolatoria del vortice stratosferico attraverso un percorso che coinvolge l’AL (Domeisen et al., 2019). Una fase positiva dell’ENSO è associata ad un approfondimento dell’AL che promuove una forzatura d’onda planetaria più forte dell’atmosfera media. Questa teleconnessione è stata ampiamente riscontrata in studi basati su osservazioni (Garfinkel e Hartmann, 2008; Ineson e Scaife, 2009; Smith e Kushner, 2012) così come in studi di modellazione (Bell et al., 2009; Domeisen et al., 2014; Manzini et al., 2006; Richter et al., 2015). Tuttavia, è stato anche dimostrato che la robustezza di questa connessione può variare tra gli eventi ENSO (Deser et al., 2017; Iza et al., 2016) e tra i decenni (Osprey et al., 2019), suggerendo elementi di non stazionarietà nella teleconnessione. Le SST in altre regioni tropicali mostrano anche coerenza con il vortice. Rao e Ren (2017) mostrano che le SST dell’Atlantico tropicale inducono una risposta del vortice anche se è molto variabile nel corso della stagione, mentre Fletcher e Kushner (2011), Fletcher e Kushner (2013) e Rao e Ren (2015) propongono una connessione con l’Oceano Indiano tropicale (TIO). Anomalie positive delle SST del TIO portano a una riduzione della forza dell’AL che indebolisce la forzatura dell’onda di Rossby del vortice, un effetto opposto alla connessione ENSO-vortice dove le anomalie positive delle SST portano a un indebolimento del vortice.

Altri forzamenti superficiali sono stati dimostrati di modulare la variabilità del vortice attraverso alterazioni dell’attività delle onde stazionarie troposferiche. Ad esempio, è stata dimostrata una connessione tra la copertura nevosa eurasiatica di ottobre e il vortice di metà inverno nei dati osservazionali e nei modelli (Garfinkel et al., 2020; Cohen et al., 2007), sebbene Henderson et al. (2018) evidenziano che molti dei processi sottostanti a questa connessione non sono ben compresi. L’estensione del ghiaccio marino nelle regioni di Kara e Barents è stata proposta come influenza sulla forzatura delle onde planetarie del vortice tramite modifiche nei flussi di calore oceano-atmosfera (Kim e Kim, 2020; Nakamura et al., 2016). L’influenza risultante sulla frequenza degli SSW forma la base di un percorso proposto in cui l’aumento della riduzione del ghiaccio marino porta a un’Oscillazione Artica (AO) negativa e a gravi condizioni meteorologiche invernali nell’emisfero nord. Infine, Hirota et al. (2018) hanno proposto che le variazioni della frazione di ghiaccio marino artico possano modulare la forza della relazione Holton–Tan, e la perdita di ghiaccio marino è stata anche collegata all’evento di interruzione della QBO del 2016 (Labe et al., 2019).

Sebbene sia stato applicato un notevole sforzo nel caratterizzare gli SSW e i loro meccanismi sottostanti, vi è una scarsa comprensione dei periodi di interruzione (come quello degli anni ’90) e degli anni di eventi consecutivi (inizi–metà anni 2000), principalmente a causa del breve record di osservazioni affidabili così come delle complessità e della natura spesso non stazionaria delle molteplici teleconnessioni osservate. Sono necessarie serie temporali molto più lunghe per identificare e comprendere con successo la fonte della variabilità su scala decennale e multi-decennale. Nel frattempo, l’analisi della variabilità e delle teleconnessioni in lunghe simulazioni di modelli climatici può aiutare a comprendere questi processi.

In questo lavoro, analizziamo la variabilità a lungo termine del vortice polare stratosferico in una simulazione pre-industriale (piControl) di 1000 anni del Modello del Sistema Terra del Regno Unito (UKESM). L’assenza di forzanti esterni come l’aumento dei gas serra, le variazioni vulcaniche e solari ci permette di esaminare le fonti di variabilità a lungo termine che sono generate internamente all’interno del sistema climatico. Identifichiamo intervalli contenenti tassi alti e bassi di SSW e analizziamo la loro variabilità, con un focus su scale multi-decennali. Una migliore comprensione e rappresentazione della variabilità stratosferica aiuterà a migliorare le previsioni del tempo e del clima di superficie invernale dell’emisfero nord (Kidston et al., 2015; Gray et al., 2020). Una varietà di tecniche viene impiegata per esaminare le associazioni con quelle parti del sistema climatico note per avere una memoria a lungo termine, in particolare le SST tropicali e la Bassa delle Aleutine correlata. In particolare, viene utilizzata una decomposizione spettrale wavelet e un’analisi del cross-spettro per superare alcune delle difficoltà con i segnali non stazionari che possono sorgere. Indaghiamo anche le interazioni tra il vortice polare e la QBO come potenziale fonte di variabilità guidata internamente. Quest’ultimo rivela una fonte di variabilità su scala multi-decennale associata all’ampiezza e alla profondità verticale della QBO. Il documento è strutturato come segue: la Sezione 2 illustra il GCM utilizzato nell’indagine, il metodo di analisi spettrale (analisi wavelet) e gli indici climatici rilevanti. La Sezione 3 presenta i risultati dall’analisi. La Sezione 4 discute i risultati e conclude il documento.

2 Metodologia
2.1 Configurazione del modello
La prima versione del Modello del Sistema Terra del Regno Unito (UKESM) rappresenta la configurazione più recente del Met Office Unified Model (UM) (Mulcahy et al., 2018). UKESM è un modello accoppiato che risolve la stratosfera, l’oceano, l’atmosfera, la terra e il ghiaccio marino. La componente atmosferica è GA7.1 con 85 livelli verticali dalla superficie fino a 85 km, 35 dei quali sono sopra i 18 km (Walters et al., 2019; Williams et al., 2018). Il modello viene eseguito a una risoluzione orizzontale N96 (circa 135 km vicino all’Equatore). Il modello oceanico utilizzato è GO6.0 (Storkey et al., 2018), che contiene 75 livelli e funziona con una risoluzione orizzontale di 1°. I processi di superficie terrestre e ghiaccio marino sono rappresentati rispettivamente dai modelli Joint UK Land Environment Simulator (JULES) (GL7.0; Walters et al., 2019) e Los Alamos Sea Ice Model (CICE) Ridley et al. (GSI8.1; 2018), mentre la biochimica oceanica è aggiunta attraverso il Modello di Dinamica degli Ecosistemi, Utilizzo dei nutrienti, Sequestro e Acidificazione (MEDUSA) (Yool et al., 2013). UKESM include anche uno schema di chimica completamente interattivo tramite l’accoppiamento con il modello UK Chemistry and Aerosols (UKCA; Mulcahy et al., 2018). Utilizziamo una simulazione di controllo pre-industriale (PI) di 1000 anni di UKESM presentata al CMIP6 che è stata avviata per raggiungere l’equilibrio iniziale del modello seguendo il metodo delineato in Yool et al. (2020). Questa esecuzione è forzata utilizzando i valori pre-industriali del CMIP6 per le concentrazioni di principali gas serra (GHG) (media globale di 284.317 ppm di CO2, 808.25 ppb di CH4, 273.02 ppb di N2O). Sebbene non ci siano eruzioni vulcaniche nella simulazione, gli aerosol vulcanici stratosferici di sfondo sono impostati ai valori climatologici tra il 1850 e il 2014 stimati dai prodotti satellitari e altre simulazioni di modelli (Menary et al., 2018). Scegliamo un controllo PI per questa analisi per esaminare la variabilità interna degli SSW su scale temporali multi-decennali. Per verificare che il modello riproduca le caratteristiche rilevanti del sistema climatico, lo confrontiamo con il dataset di rianalisi ERA-Interim (Dee et al., 2011).

2.2 Analisi di regressione lineare

Utilizziamo una tecnica di regressione lineare multipla per fornire una stima dei contributi relativi alla variabilità degli SSW provenienti dalla QBO, dall’ENSO e dalla Bassa delle Aleutine, seguendo il metodo descritto da Krzywinski (2015). Modelliamo una serie temporale di SSW di lunghezza n che denotiamo con y come una combinazione lineare degli indici QBO, ENSO e della Bassa delle Aleutine, dove ogni termine è moltiplicato per un coefficiente corrispondente più un termine costante. Calcoliamo la migliore stima per ciascun coefficiente utilizzando un stimatore dei minimi quadrati ordinari, il quale minimizza la somma degli errori quadrati tra la previsione e la serie temporale reale rispetto a ciascun coefficiente.

Possiamo confrontare la grandezza stimata del coefficiente per ciascun indice per analizzare i rispettivi contributi alla variabilità degli SSW. Possiamo anche calcolare gli intervalli di errore standard per le stime dei coefficienti. L’errore standard su un valore stimato di un vero coefficiente è calcolato utilizzando la radice quadrata del rapporto tra la somma dei quadrati dei residui e il prodotto del numero di gradi di libertà per l’elemento diagonale della matrice risultante dall’inversione del prodotto della matrice trasposta di predittori per se stessa. La somma dei quadrati dei residui misura la somma delle deviazioni al quadrato dei valori previsti dal valore medio y.

Definiamo anche i livelli di significatività per i coefficienti stimati utilizzando una statistica t con gradi di libertà pari al numero di osservazioni meno il numero di predittori, per testare l’ipotesi nulla che il coefficiente stimato sia uguale a zero. La statistica t è data dal rapporto tra il coefficiente stimato e il suo errore standard.

2.3 Analisi Wavelet

Per studiare la possibile variabilità multi-decennale nella frequenza degli SSW, utilizziamo un metodo di analisi wavelet basato sul lavoro di Torrence e Compo (1998). Questo tipo di analisi permette di esaminare serie temporali che mostrano potere spettrale non stazionario su più frequenze, offrendo un vantaggio significativo rispetto ai metodi tradizionali di analisi spettrale Fourier.

L’analisi wavelet trasforma una serie temporale uniforme in un processo che coinvolge la convoluzione della serie con una versione scalata e traslata di una funzione wavelet. Questo metodo permette di variare la scala e tradurre lungo la scala temporale per indicare l’ampiezza dei segnali a diverse scale e la loro variazione nel tempo.

Torrence e Compo (1998) suggeriscono un approccio per variare la scala come un aumento nelle potenze di 2, e la scala più breve risolvibile di un segnale corrisponde alla scala più lunga, con una risoluzione di scala definita. Si raccomanda l’uso di una wavelet di Morlet, una funzione oscillante avvolta da una gaussiana, per analizzare i segnali nelle serie temporali climatiche. Questa forma di wavelet è particolarmente efficace nel rilevare comportamenti comuni nelle variazioni delle serie temporali legate al clima della Terra, come variazioni nel periodo e nell’ampiezza dei segnali, cambiamenti improvvisi di periodicità e alcuni tipi di cambiamenti rapidi nelle serie temporali.

L’analisi wavelet è computazionalmente più rapida quando eseguita nello spazio di Fourier discreto. Grazie al teorema della convoluzione, la trasformazione si riduce a una moltiplicazione. L’energia dei segnali in una serie temporale come funzione del periodo del segnale e del tempo discretizzato è indicata dallo spettro di potenza wavelet, che mostra la forza relativa dei segnali.

Per confrontare direttamente gli spettri di diversi indici, normalizziamo tutti gli spettri per la varianza della serie temporale corrispondente. Definiamo anche un intervallo di confidenza per il potere wavelet osservato in un dato periodo e tempo per una serie, assumendo uno spettro di fondo medio corrispondente a quello di un processo di rumore rosso del primo ordine, modellato da un processo autoregressivo. Questo processo può essere utilizzato per definire un intervallo di confidenza del 95% per qualsiasi potere osservato.

2.3.1 Spettri Cross-Wavelet

Lo spettro cross-wavelet di due serie temporali, x e y, con gli associati spettri wavelet, fornisce una misura della potenza coincidente (stesso periodo nello stesso momento) tra le serie. Questo è ottenuto considerando la potenza combinata dei due spettri wavelet, dove uno è il coniugato complesso dell’altro. L’argomento complesso di questa combinazione fornisce la differenza di fase locale tra i segnali nelle due serie temporali nello spazio frequenza-tempo. La relazione di fase tra le due serie temporali può essere rappresentata da un vettore che sottende un angolo rappresentante la differenza di fase: in tutti i grafici degli spettri incrociati, le frecce a destra (a sinistra) indicano segnali che sono in fase e correlati (anticorrelati).

Le frecce verticali indicano una relazione di fase di π/2 tra le serie temporali, cosicché l’evoluzione di una è correlata con il tasso di cambiamento dell’altra. Come per gli spettri di potenza individuali, definiamo un intervallo di confidenza entro cui una potenza incrociata di maggiore ampiezza è considerata significativa (intervalli di confidenza > 95%) confrontando la potenza esibita dalle serie reali con un processo teorico di rumore rosso. La potenza incrociata di due tali processi AR1 è distribuita teoricamente in modo tale che la probabilità di ottenere una potenza incrociata superiore a un insieme di processi di rumore rosso è data da una specifica formula di probabilità.

Questa formula implica che l’intervallo di confidenza, definito da una certa probabilità p (ad esempio, 95% di confidenza), e i gradi di libertà per uno spettro wavelet reale, insieme con lo spettro teorico di Fourier del processo AR1 per un dato numero d’onda, possono essere espressi tramite una relazione che coinvolge l’auto-correlazione del processo e la formula specifica che determina la probabilità di superare un certo livello di potenza incrociata.

2.4 Trasformata di Hilbert

Utilizziamo un metodo di elaborazione dei segnali noto come trasformata di Hilbert per calcolare l’ampiezza di fase istantanea di una serie temporale della QBO. La trasformata di Hilbert di una serie temporale può essere espressa come la convoluzione della serie con una funzione specifica legata all’inverso del tempo. Ciò denota la serie trasformata, dove il simbolo denota una convoluzione e il tempo è discretizzato.

Inversamente, la serie temporale originale può essere recuperata utilizzando una trasformata inversa. Un segnale complesso, che consiste nella serie temporale originale e nella sua trasformata, è noto come il segnale analitico di x e può essere utilizzato per calcolare un’ampiezza di fase istantanea del segnale.

Il segnale x(t) può essere espresso come una combinazione della serie temporale originale e della sua trasformata immaginaria. Questa rappresentazione consente di calcolare l’ampiezza istantanea del segnale e l’angolo di fase istantaneo, che è una misura della progressione del segnale attraverso un ciclo in un dato istante t.

2.5 Diagnostica del modello
Utilizziamo la definizione di un evento SSW da Butler et al. (2015). Un evento viene registrato quando il ZMZW a 60° N sul livello di 10 hPa passa da occidentale a orientale durante i mesi invernali dell’emisfero nord (novembre-marzo). Il giorno in cui avviene questa inversione è denominato come data centrale. Dopo questa data, il ZMZW deve tornare occidentale per un periodo di almeno 10 giorni consecutivi (che corrisponde approssimativamente alla scala temporale radiativa della media stratosfera) prima che possa essere registrato un altro evento. Se, dopo la data centrale, il ZMZW non ritorna a regime occidentale per almeno 20 giorni consecutivi prima della fine di aprile, il riscaldamento viene classificato come un riscaldamento finale. Mentre registriamo tutti gli eventi nell’inverno esteso (novembre-marzo) per un’analisi iniziale dei tassi medi di SSW, utilizziamo i riscaldamenti di metà-fine inverno (dicembre-marzo) per la nostra analisi della variabilità pluri-decennale e dell’interazione con altre variabili climatiche (questa scelta è trattata nella Sez. 3.1).
Analizziamo la variabilità delle SST tropicali in quattro regioni identificate da Scaife et al. (2017) come chiave per influenzare la propagazione delle onde di Rossby e le interazioni con i venti stratosferici. Le regioni sono definite come l’Atlantico tropicale, il Pacifico orientale tropicale, il Pacifico occidentale tropicale e l’Oceano Indiano tropicale. Inoltre, calcoliamo un indice Niño 3.4 come l’anomalia SST nella regione 5° S–5° N, 170–120° O, seguendo Trenberth e Stepaniak (2001). Utilizziamo un indice per tracciare l’intensità del sistema di bassa pressione delle Aleutine basato sul metodo di Chen et al. (2020) come la proiezione della prima componente principale delle anomalie della pressione media al livello del mare (MSLP) invernale, media sulla regione 20–70° N, 120–240° E.
Impieghiamo un metodo basato sulla funzione ortogonale empirica (EOF) piuttosto che una media fissa per permettere il fatto che il centro del modello AL potrebbe non allinearsi bene con le osservazioni. L’intervallo mensile utilizzato per gli studi sulle teleconnessioni AL-vortice varia leggermente, con Overland et al. (1999) che utilizza sia gennaio-febbraio sia novembre-marzo, mentre Hu e Guan (2018) utilizzano una metrica di inverno nucleo (dicembre-febbraio). A meno che non sia diversamente specificato, utilizziamo lo stesso intervallo mensile della nostra definizione di SSW (dicembre-marzo); per tutte le analisi, sono stati effettuati test per verificare che i risultati non fossero eccessivamente sensibili alla scelta. Un indice per l’Oscillazione Decadale del Pacifico (PDO) è stato determinato seguendo la metodologia di Mantua et al. (1997) utilizzando la principale componente principale delle anomalie SST del bacino del Pacifico (120–240° E) a nord del 20° N. Infine, un indice QBO è stato definito mediante una varietà di misure (vedi Sez. 3 per ulteriori discussioni), utilizzando la media mensile del ZMZW tra le latitudini ±5° a vari livelli di pressione stratosferica (15, 20, 30, 50, 70 hPa) così come due indici “QBO profondo” calcolati prendendo la media del ZMZW tra 15–30 hPa (come in Andrews et al., 2019) e tra 20–50 hPa per identificare le fasi QBO che mostrano venti dello stesso segno su un’estensione verticale relativamente ampia.

3 Risultati
3.1 Modi di variabilità stratosferica
Iniziamo analizzando la rappresentazione dei modi di variabilità stratosferica nella simulazione piControl dell’UKESM. Come descritto nella Sez. 1, il vortice stratosferico polare invernale mostra una notevole variabilità. In alcuni anni, i venti occidentali del vortice sono relativamente forti e non disturbati, mentre in altri anni il vortice è indebolito da disturbi ondulatori che, nei casi estremi, possono portare a SSW. Il tasso medio di SSW da novembre a marzo su tutto il periodo di 1000 anni della simulazione UKESM è di 0,54 eventi per inverno. Ciò rappresenta una lieve sottostima rispetto a ERA-Interim (0,62 eventi per inverno tra il 1979 e il 2019) ma è entro 1 errore standard dalle osservazioni. Il modello rappresenta adeguatamente la distribuzione stagionale dei SSW rispetto al set di dati di rianalisi, come mostrato nella Fig. 1, ma mostra troppi eventi di riscaldamento a novembre (non mostrato) e una sottostimazione dei tassi di riscaldamento di gennaio e febbraio (vedi Andrews et al., 2020 e Menary et al., 2018 per ulteriori dettagli). Questo bias è ben noto e relativamente comune nei GCM (Charlton et al., 2007; Ayarzagüena et al., 2020). D’altra parte, notiamo che la validazione di questa simulazione di controllo preindustriale con i dati di ERA-Interim non è ottimale. Le dimensioni del campione dei dati di ERA-Interim e del modello sono molto diverse e potrebbero generare differenze nelle distribuzioni (Horan e Reichler, 2017), e i tassi di SSW di ERA-Interim potrebbero essere influenzati da forzanti antropogeniche, il cui impatto non è ben compreso (Ayarzagüena et al., 2020). In tutte le analisi presentate nelle sezioni seguenti, sono stati eseguiti test per garantire che i risultati non siano sensibili all’inclusione o all’esclusione dei tassi di SSW di novembre.
Il modello mostra una variabilità nella frequenza dei SSW paragonabile alle osservazioni, includendo sia gli intervalli di hiatus che quelli consecutivi di SSW. La Figura 2 mostra un intervallo campione di 40 anni della forza del vento zonale del vortice polare dalla simulazione UKESM confrontato con un intervallo di lunghezza simile dalla rianalisi ERA-Interim. Un intervallo esteso di principalmente anomalie occidentali che indica un vortice rafforzato e l’assenza di SSW può essere osservato verso la fine dell’intervallo di 40 anni, simile agli anni ’90 in ERA-Interim quando solo due eventi SSW sono stati registrati nel decennio. La simulazione contiene otto tali intervalli di hiatus con almeno 10 anni consecutivi senza SSW, il più lungo dei quali dura 16 anni. D’altra parte, la simulazione contiene solo due intervalli nei quali 10 anni consecutivi mostrano almeno un SSW. Tuttavia, se l’ampiezza dell’intervallo di soglia per identificare gli intervalli di hiatus e SSW consecutivi è ridotta da 10 a 5 anni, allora si trovano nove intervalli consecutivi di SSW e 25 intervalli di hiatus.

Queste statistiche indicano che l’UKESM è capace non solo di riprodurre le caratteristiche dello stato medio degli eventi SSW, ma anche le variazioni su scala decennale del tasso di SSW, sottolineando la sua idoneità per questo studio.

Il secondo principale modo di variabilità stratosferica è l’QBO alle latitudini equatoriali, che è presente durante tutto l’anno. La Figura 3 mostra la serie temporale dei venti equatoriali da un intervallo campione di 40 anni della simulazione confrontata con il dataset ERA-Interim. Il periodo medio dell’oscillazione è più lungo di quello osservato, di circa 38 mesi rispetto ai 28 mesi di ERA-Interim (Kawatani, 2016). Di conseguenza, le zone di taglio verticale discendono meno rapidamente di quanto osservato. C’è anche un pregiudizio di westerly ai livelli bassi, dove la fase QBO-E non si estende abbastanza in profondità nella stratosfera inferiore, che è un bias comune in molti modelli (Bushell et al., 2020). Le zone di taglio discendenti appaiono anche più regolari di quanto osservato, ma c’è comunque qualche evidenza di variazioni su scala decennale, ad esempio nel grado di stallo a 30 hPa, sebbene non sia così pronunciato come nelle osservazioni.

Ci sono prove di un accoppiamento tra i due principali modi di variabilità stratosferica nel modello, che dà origine a una relazione Holton–Tan (Anstey et al., 2020). La Figura 4 mostra sezioni trasversali di altezza-latitude delle differenze dei venti zonali invernali NH tra compositi QBO-E–QBO-W definiti a vari livelli equatoriali. La familiare struttura a pancake di differenze alternanti easterly/westerly è presente alle latitudini equatoriali, indicativa della fase QBO, ma c’è anche una risposta alle alte latitudini. In buon accordo con le osservazioni, l’ampiezza di risposta più grande alle alte latitudini si vede quando il QBO è definito a 50 hPa, con una forza del vortice polare anomamente più debole nei QBO-E rispetto agli anni QBO-W. Livelli superiori (15 e 20 hPa) mostrano poco significativo accoppiamento QBO-vortice. Per confronto, mostriamo anche nella Figura 4 la risposta composita differente per compositi QBO selezionati sulla base dei venti QBO medi su una maggiore profondità dell’atmosfera equatoriale (15–30 e 20–50 hPa). Notiamo che mentre questa definizione QBO selezionerà alcuni degli stessi anni delle definizioni composite a livello singolo, è specificamente progettata per identificare solo le fasi QBO che hanno una coerenza verticale estesa, seguendo Gray et al. (2018) e Andrews et al. (2019), quindi le differenze compositive risultanti nella Figura 4 non saranno necessariamente una media delle corrispondenti differenze a livello singolo.

Interessantemente, il QBO profondo 15–30 hPa seleziona anni che esibiscono non solo un vortice polare più debole in QBO-E ma anche un getto troposferico subtropicale più debole (vedi 200 hPa, 30–40° N). Questo risultato in una risposta più coerente nella troposfera delle medie latitudini e alla superficie, in eccellente accordo con i risultati di Gray et al. (2018) e Andrews et al. (2019).

La presenza della relazione Holton–Tan è vista anche nella frequenza modellata degli SSW (Figura 5). Tassi significativamente più elevati sono osservati nei inverni QBO-E rispetto ai QBO-W. È anche notevole l’asimmetria nell’abbondanza degli inverni QBO-E e QBO-W – quasi il doppio degli inverni QBO-E sono osservati rispetto ai QBO-W sotto tutte le definizioni di fase (Fig. 5, legende). Questo suggerisce un elemento di blocco di fase tra il QBO e il ciclo stagionale, possibilmente associato con variazioni stagionali nella forza dell’upwelling equatoriale medio o della forzatura delle onde planetarie a medie latitudini in inverno (Pascoe et al., 2005; Gruzdev e Bezverkhny, 2000; Rajendran et al., 2015), risultando in transizioni di fase QBO che avvengono preferibilmente in certi mesi.

La Figura 1 mostra il tasso di eventi di riscaldamento stratosferico improvviso (SSW) per stagione invernale dell’emisfero nord (NH), suddivisi per mese, utilizzando i dati della simulazione UKESM piControl e del dataset ERA-Interim. I mesi analizzati sono dicembre, gennaio, febbraio e marzo. Le barre blu rappresentano i dati di UKESM, mentre quelle arancioni rappresentano i dati di ERA-Interim.

I dati evidenziano che il numero di eventi SSW varia nei diversi mesi per entrambi i dataset. In particolare, si osserva un picco di eventi in gennaio e febbraio per ERA-Interim, mentre per UKESM, il picco più alto si verifica in febbraio, con un numero leggermente inferiore di eventi in gennaio. UKESM mostra anche un aumento degli eventi SSW in dicembre rispetto a ERA-Interim, ma entrambi mostrano una diminuzione in marzo.

Le barre di errore visualizzate sui grafici sono derivati da un metodo di bootstrap di ricampionamento. In questo metodo, selezioni casuali di 50 anni sono scelte dai dati di SSW, e il tasso di SSW viene registrato per costruire una distribuzione di probabilità (PDF) degli eventi per stagione. In totale, 10.000 tali ricampionamenti sono effettuati, e i valori percentili 97,5 e 2,5 sono utilizzati come limiti di errore. Questi limiti di errore aiutano a comprendere la variabilità e l’incertezza associata con il calcolo dei tassi di SSW per i dati raccolti e simulati.

3.2 Analisi di regressione
Successivamente, impieghiamo un’analisi di regressione multi-lineare per misurare i contributi relativi alla serie temporale degli SSW per anno (come nella Figura 2) da parte del QBO, ENSO e AL. I risultati di questa analisi sono riassunti nella Tabella 1. Sono stati effettuati esperimenti di sensibilità per identificare gli intervalli medi ottimali (ritardi) per ciascun indice: l’indice QBO profondo da 15–30 hPa e gli indici Niño 3.4 sono stati definiti utilizzando le medie di inizio inverno (settembre-novembre), mentre l’indice AL è stato definito utilizzando le medie di dicembre-marzo. I coefficienti sono tutti significativi al livello del 95%, ma sono relativamente piccoli, e il punteggio R² è solo 0,047, indicando che queste variabili spiegano solo una piccola parte della variabilità nella serie temporale degli SSW.

Sebbene i risultati di questo approccio di regressione multi-lineare siano facili da interpretare, l’approccio non affronta direttamente il problema posto in questo studio, quello della variabilità multidecennale degli SSW e delle sue origini, per due motivi principali. In primo luogo, l’analisi di regressione assume la stazionarietà; ovvero fornisce una misura dei contributi stazionari alla variabilità e metterà in evidenza solo i segnali che sono relativamente persistenti per tutta la simulazione. In secondo luogo, analizza la variabilità nella serie temporale a tutte le scale temporali contemporaneamente, così che i risultati sono dominati dalle scale temporali con variazioni di ampiezza maggiore. Questo significa che i risultati nella Tabella 1 sono molto probabilmente dominati dalle scale temporali più brevi (interannuali) e qualsiasi variazione di piccola ampiezza a scale temporali più lunghe non sarà rivelata. Quest’ultimo punto può essere affrontato in una certa misura attraverso lo smoothing o il filtraggio della serie temporale, come discusso nella sezione successiva, ma ciò richiede una conoscenza preliminare delle frequenze di interesse. Un approccio alternativo e superiore a questo problema impiega l’analisi wavelet, descritta più approfonditamente nella sezione successiva, che esamina successivamente gli intervalli di frequenza per identificare la presenza di segnali, evitando così la dominanza di una particolare frequenza e esamina anche l’evoluzione temporale del segnale in modo che anche i segnali non stazionari possano essere identificati.

La Figura 2 presenta quattro pannelli: (a) e (b) mostrano l’anomalia annuale media del Vento Zonale Medio Zonale (ZMZW) di dicembre-marzo dalla media climatologica a 60°N basata su un campione di 40 anni dalla simulazione di controllo preindustriale di UKESM (a) e dal dataset ERA-Interim tra il 1979 e il 2018 (b). I pannelli (c) e (d) mostrano la serie temporale degli eventi SSW (Sudden Stratospheric Warming) registrati per stagione invernale nei rispettivi dataset.

1. Pannelli (a) e (b) – Anomalia del Vento Zonale Medio Zonale (ZMZW):
   • Questi grafici visualizzano le anomalie del vento zonale durante il periodo da dicembre a marzo per ogni anno della serie. Le anomalie sono rappresentate tramite mappe di colore, dove le tonalità di blu indicano anomalie negative (venti più deboli o direzioni opposte al normale) e le tonalità di rosso indicano anomalie positive (venti più forti).
   • Nel pannello (a), le anomalie provengono dalla simulazione UKESM, mentre nel pannello (b) sono tratte dalle osservazioni ERA-Interim.
   • Le anomalie sono visualizzate a varie altitudini stratosferiche, rappresentate sull’asse verticale, che varia da 100 hPa (parte bassa della stratosfera) a circa 10 hPa (vicino alla sommità della stratosfera).
2. Pannelli (c) e (d) – Serie temporale degli eventi SSW per stagione invernale:
   • Questi grafici a barre illustrano il numero di eventi SSW registrati ogni inverno nei rispettivi dataset. Ogni barra rappresenta il numero di eventi SSW in un specifico inverno, evidenziando la variabilità interannuale degli eventi.
   • Il pannello (c) utilizza dati da UKESM, mentre il pannello (d) utilizza dati da ERA-Interim.
   • Si osserva la differenza nella frequenza degli eventi SSW tra i due dataset, con alcuni anni che mostrano un numero significativamente elevato di eventi rispetto ad altri.

In conclusione, la Figura 2 fornisce una comparazione tra le simulazioni del modello UKESM e le osservazioni reali (ERA-Interim) per quanto concerne le anomalie del vento zonale e la frequenza degli eventi SSW, offrendo una valutazione della capacità del modello di replicare i pattern stratosferici e la loro variabilità stagionale.

La Figura 3 illustra il Vento Zonale Medio Zonale (ZMZW) medio tra le latitudini 5°S e 5°N, basato su un campione di 40 anni dalla simulazione di controllo pre-industriale di UKESM (a) e dal dataset ERA-Interim tra il 1979 e il 2018 (b). I grafici sono suddivisi in due pannelli distinti:

1. Pannello (a) – UKESM: Questo pannello visualizza le variazioni del ZMZW nel modello UKESM. L’asse orizzontale mostra il numero dell’anno nel campione di 40 anni, mentre l’asse verticale rappresenta la pressione atmosferica in hPa su una scala logaritmica, dalla superficie fino alla stratosfera superiore.
2. Pannello (b) – ERA-Interim: Similmente al pannello (a), questo grafico utilizza dati reali osservati dal dataset ERA-Interim per il periodo specificato. L’asse orizzontale è marcato con gli anni reali dal 1979 al 2018.

In entrambi i pannelli, le anomalie di velocità del vento sono rappresentate attraverso una scala di colori da blu a rosso. Le tonalità di blu indicano anomalie negative (venti verso ovest), mentre le tonalità di rosso rappresentano anomalie positive (venti verso est), mostrando la variabilità stagionale e interannuale del ZMZW.

Le linee orizzontali tracciate nei grafici indicano i livelli di 15 e 30 hPa, che sono rilevanti perché definiscono l’intervallo di pressione per il calcolo della metrica “deep QBO” utilizzata da Andrews et al. (2019). Questa metrica si focalizza su un segnale coerente attraverso questi strati specifici della stratosfera, evidenziando l’importanza di tali livelli nella valutazione del comportamento dell’Oscillazione Quasi-Biennale.

Questi pannelli forniscono una rappresentazione visiva fondamentale delle differenze e delle similitudini tra i dati modellati (UKESM) e i dati osservati (ERA-Interim) concernenti i pattern del vento zonale equatoriale, essenziali per studi sulla dinamica atmosferica e le sue implicazioni climatiche.

La Tabella 1 riassume i risultati dell’analisi di regressione degli eventi di riscaldamento stratosferico improvviso (SSW) per le serie temporali invernali dell’emisfero nord (NH). La tabella presenta tre variabili di regressione, i coefficienti e i valori p associati, che indicano la significatività statistica delle variabili nel modello di regressione.

Ecco i dettagli delle variabili e dei loro effetti:

1. Niño 3.4
   • Coefficiente: 0.1625 ± 0.035
   • p-value: 0.0002
   • Questo risultato mostra una correlazione positiva significativa tra un aumento nelle temperature superficiali dell’oceano nella regione Niño 3.4 e la frequenza degli SSW. Il valore p molto basso conferma che questa associazione è statisticamente significativa.
2. AL (Aleutian Low)
   • Coefficiente: -0.0927 ± 0.04
   • p-value: 0.048
   • Questo indice mostra un’associazione negativa con gli SSW. Il segno negativo del coefficiente indica che un’intensificazione dell’AL è legata a una riduzione della frequenza degli SSW. Il valore p indica una significatività statistica, sebbene sia meno marcata rispetto a quella per il Niño 3.4.
3. Deep QBO
   • Coefficiente: -0.1993 ± 0.03
   • p-value: 0.0001
   • Il QBO profondo, che misura le variazioni nei venti stratosferici equatoriali, ha un effetto negativo significativo sugli SSW. Un coefficiente negativo qui suggerisce che una fase est del QBO è fortemente correlata con una diminuzione degli eventi di riscaldamento stratosferico.

In conclusione, la Tabella 1 fornisce un’analisi quantitativa di come specifiche variabili climatiche influenzino la frequenza degli SSW durante l’inverno nell’emisfero nord, contribuendo a una migliore comprensione delle dinamiche atmosferiche che regolano tali eventi.

3.3 Variabilità a lungo termine del vortice polare Un’analisi più completa della variabilità a lungo termine degli SSW può essere effettuata utilizzando l’approccio dello spettro di potenza wavelet. Contiamo il numero di SSW in ogni stagione invernale (dicembre-marzo) e calcoliamo lo spettro di potenza wavelet corrispondente, mostrato in Fig. 6. Come descritto sopra, l’analisi evidenzia la presenza di potenza nel segnale in funzione della frequenza (periodo in anni, lungo l’asse y) e in funzione del tempo (anno di simulazione lungo l’asse x). Come previsto, si osserva un segnale intermittente ma relativamente persistente con un periodo di circa 2-4 anni per tutta la simulazione, corrispondente al periodo del QBO che supporta la presenza di una relazione di Holton-Tan tra il QBO e il vortice polare nel modello. Il cosiddetto “spettro di potenza globale” (cioè la media temporale dello spettro wavelet) mostrato a destra della Fig. 6 indica che il segnale è al confine del 95% di significatività statistica. Altri segnali con periodi vicini ai 20-30 anni sono altrettanto intermittenti e si manifestano come un picco nello spettro medio temporale che si trova anch’esso vicino al confine del 95% di significatività. La caratteristica più persistente della serie appare a periodi tra circa 60-90 anni nell’intervallo tra 400-800 anni. Questa caratteristica mostra significatività statistica (basata sui confronti tra la potenza nello spettro e quella di un processo AR1 con la stessa struttura di autocorrelazione della serie analizzata) per circa 350 anni della simulazione di 1000 anni ma non supera la soglia di significatività per gli spettri medi temporali. Esiste una possibile limitazione di questa metodologia wavelet dovuta alla natura discreta delle serie temporali analizzate (i punti temporali assumono valori 0, 1 e/o 2). Il wavelet di Morlet è una funzione continua, e di conseguenza, la convoluzione con una serie altamente discretizzata può causare aliasing nelle caratteristiche degli spettri wavelet risultanti. Questa limitazione deve essere considerata quando si traggono conclusioni dagli spettri wavelet e viene discussa ulteriormente di seguito. Lo scopo di questo studio è focalizzato sulle variazioni temporali a lungo termine per comprendere la fonte di variabilità caratterizzata da intervalli di stallo (nessun SSW per un periodo esteso) e intervalli di eventi consecutivi (almeno un SSW ogni anno per un periodo esteso). Applichiamo quindi un filtro passa-basso alla serie temporale degli SSW per stagione utilizzando una finestra mobile di 5 anni ed esaminiamo le caratteristiche spettrali di questa serie lisciata (che d’ora in poi chiameremo SSW5 anni).

Questa mediazione è simile alla pratica standard di lisciare i dati giornalieri per eliminare il rumore associato alle variazioni meteorologiche quotidiane, isolando così i tempi più lunghi delle stagioni. Riduce anche l’impatto della discretizzazione della serie temporale diminuendo la possibilità di introdurre caratteristiche spettrali spurie nello spettro di potenza wavelet, che altrimenti potrebbero emergere analizzando la serie temporale non lisciata.

Lo spettro di potenza wavelet degli anni SSW5 (Fig. 7) condivide molte delle caratteristiche degli spettri delle serie non lisciate (Fig. 6), ma ora i segnali di periodo più lungo sono più chiaramente evidenti, come previsto. Lo spettro wavelet degli anni SSW5 mostra due ampie regioni di massimi statisticamente significativi corrispondenti a periodi di segnale di circa 20–30 anni e circa 60–90 anni, ma con una significatività aumentata sia localmente che nella media temporale. Ad esempio, la caratteristica attorno al periodo di 90 anni appare significativa per 450 anni negli anni SSW5 rispetto ai 350 anni prima del lisciamento. Una possibile spiegazione per questo aumento risiede nella nostra definizione del livello di significatività sulla potenza, che dipende dall’autocorrelazione di ordine uno della serie temporale. Introdurre una finestra di mediazione di 5 anni aumenterà l’autocorrelazione, potenzialmente portando a un livello di significatività meno rigido. Tuttavia, ciò è improbabile perché il livello di significatività è costruito utilizzando un processo di rumore rosso con la stessa autocorrelazione della serie. Questo significa che per gli anni SSW5, la soglia per il livello di confidenza del 95% aumenta con l’aumentare del periodo più ripidamente rispetto al caso non lisciato, e tuttavia la potenza esibita in quei lunghi periodi negli anni SSW5 raggiunge comunque una significatività statistica superiore. Ciò indica che il lisciamento ha potenziato la visibilità di un segnale reale nella serie temporale degli anni SSW5 che era meno visibile nella serie temporale non lisciata. Come controllo di robustezza, includiamo anche lo spettro wavelet degli anni SSW5 includendo gli eventi SSW di novembre (Appendice Fig. A1). Appare simile allo spettro mostrato nella Fig. 7, in particolare sui tempi di circa 60-90 anni con una potenza persistente per circa 450 anni della simulazione in questi periodi.

La Figura 4 illustra le differenze composite di ZMZW (Vento Zonale Medio Zonale) tra le fasi QBO est e QBO ovest, valutate nei mesi di settembre-ottobre a vari livelli atmosferici, nonché utilizzando la metrica del QBO profondo. La fase del QBO è definita come nella Figura 1, ossia lo ZMZW equatoriale di settembre-novembre con un’intensità superiore a 5 m/s.

Ogni pannello nella figura rappresenta un livello di pressione specifico, indicato nel titolo di ciascun pannello (15 hPa, 20 hPa, 30 hPa, 50 hPa per i primi quattro pannelli da sinistra a destra nella parte superiore e i metrici profondi del QBO per i pannelli inferiori). Le differenze sono visualizzate con ombreggiature colorate:

• Il rosso indica aree dove la fase QBO est presenta venti più forti rispetto alla fase QBO ovest.
• Il blu indica aree dove la fase QBO ovest presenta venti più forti rispetto alla fase QBO est.

Le aree colorate mostrano differenze che sono statisticamente significative al di sopra del livello di confidenza del 95% sotto un test t di Student a due code. Le linee di contorno rappresentano la distribuzione delle velocità del vento zonale medie, con i contorni neri per valori positivi e quelli bianchi per valori negativi, aiutando a visualizzare la struttura complessiva dei venti zonali a ogni livello.

La scala di colore verticale a destra di ciascun pannello quantifica le velocità del vento in metri al secondo (m/s), facilitando la comprensione dell’entità delle differenze tra le fasi del QBO.

Questa figura è cruciale per analizzare come le variazioni nelle fasi del QBO influenzano la distribuzione e l’intensità dei venti zonali a diversi livelli nell’atmosfera durante i mesi di dicembre-marzo, offrendo una visione dettagliata dell’impatto del QBO sul clima globale.

La Figura 5 presenta il numero di Sudden Stratospheric Warmings (SSW) per stagione invernale per gli anni che mostrano le condizioni QBO-E (Quasi-Biennial Oscillation East phase) e QBO-W (Quasi-Biennial Oscillation West phase) durante i mesi di inizio inverno (settembre-novembre). I dati sono suddivisi per diversi livelli di pressione e una metrica profonda nei pannelli (a), (b) e (c).

1. Pannello (a) – QBO a 50 hPa:
   • Le barre colorate rappresentano la fase QBO-E (blu) e QBO-W (rosso) nei mesi di dicembre, gennaio, febbraio e marzo.
   • Le cifre tra parentesi indicano il numero totale di inverni analizzati per ciascuna fase QBO.
2. Pannello (b) – QBO a 30 hPa:
   • Analogamente al pannello (a), ma con i dati raccolti a 30 hPa.
   • Mostra i mesi da dicembre a marzo con il numero di inverni per ciascuna fase.
3. Pannello (c) – Metrica Deep QBO:
   • Basato su una media verticale tra 15 e 30 hPa come definito in Andrews et al. (2019).
   • Visualizza i dati da dicembre a marzo, con il numero di SSW per ogni fase QBO e il totale degli inverni analizzati.

Barre di errore:

• Presenti in tutti i pannelli, queste barre sono calcolate con un metodo di bootstrap come illustrato nella Figura 1, indicando l’incertezza delle stime.

Significato:

• Le barre blu e rosse mostrano le medie stagionali di SSW durante le fasi QBO-E e QBO-W.
• L’analisi aiuta a comprendere come la frequenza di SSW varia nei mesi invernali in relazione alla fase del QBO, evidenziando l’influenza della QBO sulla dinamica climatica e meteorologica stratosferica durante l’inverno.

Questa visualizzazione è fondamentale per studiare l’impatto della fase QBO sull’incidenza di eventi di riscaldamento stratosferico improvviso, cruciali per la comprensione delle dinamiche del clima invernale.

La Figura 6 presenta un’analisi dettagliata degli eventi di riscaldamento stratosferico improvviso (SSW) per stagione da dicembre a marzo nel modello UKESM, utilizzando la trasformazione wavelet per esplorare la variabilità temporale e la significatività statistica degli eventi nel tempo.

1. Pannello (a) – Eventi SSW per stagione (Dicembre-Marzo):
   • Mostra una rappresentazione visiva della frequenza degli eventi SSW per ogni stagione invernale lungo un asse temporale che va da 0 a 1000 anni. Ogni barra verticale indica il numero di eventi SSW osservati in quella stagione, illustrando visivamente la frequenza degli eventi.
2. Pannello (b) – Wavelet di Morlet nel dominio temporale:
   • Illustra il profilo della wavelet di Morlet usata per la trasformazione wavelet nel pannello (c). Questo grafico mostra come la wavelet sia centrata e decada nel tempo, evidenziando la metodologia di analisi temporale usata.
3. Pannello (c) – Spettro di potenza wavelet della serie temporale:
   • Visualizza lo spettro di potenza wavelet, evidenziando le variazioni di potenza nella serie temporale degli eventi SSW. Le aree ombreggiate indicano la zona al di fuori del “cono di influenza”, dove gli effetti di bordo sono significativi. I contorni gialli rappresentano il livello di confidenza del 95%, assumendo un rumore di fondo medio AR1 di tipo “rumore rosso”.
4. Pannello (d) – Spettro di potenza globale:
   • Mostra lo spettro di potenza globale, la potenza wavelet media su tutta la simulazione (linea blu) confrontata con lo spettro di confidenza globale al 95% (linea tratteggiata rossa). Questo pannello aiuta a identificare le frequenze e i periodi in cui la potenza della serie temporale supera il livello di rumore di fondo, indicando periodicità o ciclicità statisticamente significative nella frequenza degli eventi SSW.

Questa figura è cruciale per comprendere come la frequenza degli eventi SSW vari nel tempo e per identificare eventuali modelli o cicli significativi all’interno della serie temporale lunga 1000 anni, offrendo intuizioni preziose sulla variabilità climatica e sui meccanismi sottostanti che influenzano la dinamica della stratosfera.

La Figura 7 presenta un’analisi dettagliata degli eventi SSW (Sudden Stratospheric Warmings) nel modello UKESM, con una particolare attenzione al trattamento lisciato dei dati per evidenziare le tendenze e cicli a lungo termine.

1. Pannello (a) – Eventi SSW stagionali lisciati:
   • Mostra il numero di eventi SSW ogni stagione invernale (dicembre-marzo), lisciati usando una media mobile di 5 anni. Questo lisciamento è progettato per ridurre la variabilità a breve termine e enfatizzare le tendenze a lungo termine nei dati degli eventi SSW.
2. Pannello (b) – Wavelet di Morlet nel dominio temporale:
   • Il profilo temporale della wavelet di Morlet utilizzata per la trasformazione dei dati nel pannello (a) è mostrato qui. La wavelet di Morlet è una funzione ideale per l’analisi delle serie temporali non stazionarie perché permette una buona localizzazione sia nel tempo che nella frequenza.
3. Pannello (c) – Spettro di potenza wavelet della serie temporale lisciata:
   • Illustra lo spettro di potenza wavelet per la serie temporale degli eventi SSW lisciata. Le aree ombreggiate rappresentano il “cono di influenza”, fuori dal quale gli effetti di bordo sono significativi e la potenza non è considerata affidabile. I contorni gialli indicano il livello di confidenza del 95%, basato su un rumore di fondo AR1 di tipo “rumore rosso”, che segnala le aree dove la potenza è statisticamente significativa.
4. Pannello (d) – Spettro di potenza globale:
   • Questo pannello mostra lo spettro di potenza globale, ovvero la media della potenza wavelet su tutta la simulazione, confrontata con lo spettro di confidenza globale al 95% (linea tratteggiata rossa). Questa comparazione evidenzia i periodi in cui la frequenza o l’intensità degli eventi SSW è significativamente superiore a quella attesa dal rumore di fondo.

Questa figura è fondamentale per comprendere la periodicità e la frequenza degli eventi SSW su un lungo arco temporale, fornendo intuizioni preziose su come questi eventi influenzano e sono influenzati dai cambiamenti climatici e dalla variabilità atmosferica. Il metodo di lisciamento adottato enfatizza le tendenze a lungo termine, rendendo i pattern di variazione degli eventi SSW più evidenti e interpretabili.

3.4 Forzature di superficie della variabilità del vortice polare In assenza di meccanismi di forzatura esterni come i gas serra o le forzature da aerosol antropogenici, la presenza di variabilità a lungo termine come la periodicità di 60-90 anni osservata negli anni SSW5 (Fig. 7) suggerisce una fonte di variabilità interna a lungo termine all’interno del sistema climatico.

Il più evidente potenziale motore di tale variabilità su scala temporale lunga è l’oceano, a causa del suo elevato grado di inerzia termica. Lavori precedenti hanno identificato un’accoppiamento tra le SST tropicali e il vortice polare, come la relazione con le condizioni ENSO (vedi Sez. 1). Il modello mostra una connessione attesa tra ENSO e il vortice su scale temporali interannuali indicata dai risultati dell’analisi di regressione (Tabella 1) e dai compositi ZMZW per gli inverni di El Niño e La Niña (Fig. A2). La Figura 8a mostra lo spettro di potenza wavelet per l’indice Niño 3.4 di settembre-novembre lisciato su 5 anni così come lo spettro di potenza incrociato con gli anni SSW5. Usiamo l’indice ENSO dell’inizio dell’inverno dell’emisfero nord per catturare la risposta ritardata del vortice a questa modalità di variabilità. L’indice ENSO varia lentamente quindi è probabile che rimanga nello stesso stato tra l’inizio e la metà dell’inverno. Lisciamo anche l’indice ENSO ai fini del calcolo dello spettro incrociato con gli anni SSW5. (Lo spettro dell’indice Niño 3.4 non lisciato è fornito nella Fig. A3 e mostra una potenza significativa nell’intervallo di periodo atteso di 4-7 anni; Santoso et al., 2017.) L’indice Niño 3.4 lisciato mostra una potenza intermittente a periodi intorno ai 16 anni che appare significativa nello spettro globale. Mostra anche un piccolo segnale coincidente con la variabilità di 90 anni negli anni SSW5; tuttavia, questa caratteristica persiste solo per circa 100 anni della simulazione. Gli spettri incrociati tra le due serie (Fig. 8b) rivelano che la coincidenza nei segnali al periodo di 90 anni, sebbene significativa secondo il nostro test, è marginalmente prominente ma copre solo una piccola proporzione dei segnali significativi negli anni SSW5. Questo suggerisce che ci possa essere un certo contributo da parte di ENSO alla variabilità SSW osservata, ma è solo marginalmente significativo e da solo non può spiegare il segnale negli anni SSW5 che persiste per 450 anni. La fonte di questo segnale ENSO a periodi di 90 anni non è chiara, sebbene lo spettro PDO condivida alcune delle stesse caratteristiche sulla scala temporale di 90 anni (Fig. A4), il che è coerente con i risultati di Newman et al. (2016), che hanno proposto il PDO come versione a passa basso di ENSO. Nell’interesse della completezza, esploriamo anche la variabilità a lungo termine di altre regioni oceaniche tropicali e le loro potenziali teleconnessioni con il vortice polare. Quattro ulteriori regioni tropicali sono state selezionate in base a quelle identificate da Scaife et al. (2017) e descritte nella Sez. 2. Sebbene tutte e quattro le regioni mostrino alcuni elementi di variabilità pluridecennale (Fig. A5), in particolare l’Atlantico tropicale con un picco di circa 140 anni per 700 anni della simulazione, nessuno degli spettri mostra una variabilità che coincide bene con quella degli anni SSW5.

C’è una certa sovrapposizione degli spettri dell’Atlantico e del Pacifico orientale tropicale con le regioni di periodicità significativa intorno ai 60-90 anni nello spettro degli anni SSW5 ma, come per l’indice Niño 3.4, le sovrapposizioni e la potenza incrociata tra le serie (Figure A3 e A4) sono minime e non possono spiegare ragionevolmente il segnale del vortice, soprattutto il segnale del periodo di circa 90 anni che persiste negli anni SSW5 per circa 450 anni (Figure A3 e A4, contorni verdi).

La forza dell’AL è stata utilizzata anche come indicatore del forcing delle onde troposferiche e della sua influenza sul vortice polare (Woo et al., 2015). Pertanto, è stata eseguita un’analisi simile di wavelet e spettro incrociato utilizzando un indice basato sulla forza dell’AL modelizzato nell’inverno dell’emisfero nord (dicembre-marzo) (vedi Sez. 2 per i dettagli). Lo spettro di potenza wavelet per l’indice AL lisciato su 5 anni (Figura 9a) mostra elementi di segnali periodici con potenza massima corrispondente a un periodo di circa 55 anni (tra 40-60 anni), ma con una sovrapposizione abbastanza minima con le regioni racchiuse dal livello di confidenza del 95% nell’analisi wavelet corrispondente di SSW (contorni verdi). Gli indici AL derivati dai diversi mesi invernali mostrano schemi spettrali simili (non mostrati).

L’analisi dello spettro incrociato tra AL e anni SSW5 (Figura 9b) evidenzia questa regione relativamente piccola di sovrapposizione nell’intervallo tra gli anni 400-500. Tuttavia, la relazione di fase, indicata dalle frecce in quella regione di sovrapposizione, è difficile da interpretare. Il meccanismo fisico proposto di accoppiamento tra l’AL e il vortice (Woo et al., 2015) coinvolge un’associazione tra un AL più profondo (cioè una pressione più bassa e quindi un’anomalia negativa) con una frequenza aumentata degli SSW. Questa correlazione negativa dovrebbe risultare in frecce che puntano a sinistra se la relazione fosse presente. Al contrario, le frecce verso l’alto nella Figura 9b indicano una differenza di fase di π/2 tra gli indici in questi periodi di 60 anni, suggerendo che i picchi nelle variazioni degli anni SSW5 sono associati con i tassi massimi di cambiamento dell’indice AL nello stesso periodo.

Come con Niño 3.4, gli spettri dell’AL condividono alcune caratteristiche con quelli del PDO (Figura A4). Ciò è coerente con gli studi su queste modalità di variabilità che trovano una correlazione significativa del PDO e AL (Mantua et al., 1997; Rodionov et al., 2005), così come gli studi che esaminano l’influenza del PDO sulla forza del vortice attraverso un percorso che coinvolge l’AL e l’ENSO (Rao et al., 2019). Nonostante questo possibile percorso, l’intervallo di tempo relativamente breve di sovrapposizione tra i segnali AL e SSW5 anni al periodo di 60 anni, l’assenza di un segnale significativo intorno al periodo di 90 anni, insieme alle relazioni di fase inconsistenti, portano alla conclusione che il forcing dell’AL è improbabile che sia il principale motore della variabilità a lungo termine negli anni SSW5. Infatti, l’esame dello spettro incrociato tra l’AL non lisciato e gli indici SSW (Figura A7) mostra pochi indizi di una relazione coerente tra i due indici a qualsiasi scala temporale. Infine, mentre i risultati della regressione degli indici non lisciati danno un coefficiente significativo per l’AL (Tabella 1), la sua grandezza è piccola rispetto a quella di Niño 3.4 e del QBO profondo, l’incertezza sul coefficiente è grande e il valore p associato è vicino al confine di significatività del 95%. La debole relazione tra l’AL e gli SSW è inaspettata a causa dell’influenza ben riconosciuta dell’AL sul flusso delle onde planetarie nella troposfera superiore (Woo et al., 2015). Per affrontare questo, analizziamo anche una metrica AL valutata come la media ponderata per area su una scatola raccomandata da Garfinkel et al. (2012), che ha utilizzato una regione precursore degli SSW a un’altezza di 500 hPa definita tra 52,5-72,5°N, 165-195°E. Tuttavia, troviamo una correlazione inferiore tra questa misura e la nostra serie temporale di SSW rispetto alla metrica basata su EOF originale e agli SSW (r = -0.21 per l’AL basato su EOF e r = -0.13 per l’AL basato su scatola).

3.5 Interazioni QBO-vortice

Nonostante alcuni segnali coincidenti tra le SST tropicali, gli anni AL e SSW, la variabilità a lungo termine di questi indici superficiali non è in grado di spiegare completamente i segnali multi-decennali nella frequenza degli SSW. Una possibile fonte aggiuntiva di variabilità a lungo termine generata internamente potrebbe risiedere nella stratosfera. Alcuni studi hanno notato variazioni relativamente a lungo termine nella forza della relazione di Holton–Tan (Lu et al., 2008, 2014; Osprey et al., 2010), sebbene la causa di queste variazioni non sia ben compresa. Per indagare ciò, la Figura 10 mostra lo spettro di potenza wavelet dei venti QBO di inizio inverno (settembre-novembre) valutati a livelli selezionati. Poiché il QBO evolve relativamente lentamente, l’utilizzo dei venti mediati tra settembre e novembre fornisce una rappresentazione ragionevole del QBO e consente anche di valutare la relazione ritardata stagionale tra il QBO e la successiva occorrenza di un SSW. È presente un segnale chiaro tra i 2 e i 4 anni per la maggior parte della simulazione, come previsto, ma non vi è potenza prominente in periodi più lunghi, confermando che non vi è una variabilità significativa a lungo termine nella periodicità dei venti QBO che potrebbe spiegare le variazioni a lungo termine negli anni SSW5 tramite la relazione di Holton–Tan. Mentre la tecnica di analisi wavelet è in grado di isolare e rivelare molto bene le modulazioni di frequenza, è meno adatta per esaminare le modulazioni di ampiezza che sono chiaramente evidenti in alcune delle serie temporali degli indici QBO. Ad esempio, le serie temporali QBO sia a 20 hPa che profonde (15–30 hPa) mostrano variazioni multi-decennali nell’ampiezza della fase occidentale, mentre le ampiezze della fase orientale sono relativamente uniformi nel tempo. Analogamente, le serie temporali a 50 e 30 hPa mostrano una modulazione di ampiezza prevalentemente nella fase orientale. Questa modulazione di ampiezza può essere evidenziata effettuando la trasformata di Hilbert di ciascuna serie temporale QBO (Fig. 11a–f). L’analisi wavelet delle serie temporali QBO trasformate mostra ora un potere significativo su scale temporali multi-decennali (Fig. 11g–l). In particolare, le serie temporali QBO a 20 hPa e profonde mostrano segnali coincidenti nel tempo e su periodi simili (60–90 anni) a quelli osservati negli anni SSW5. D’altra parte, gli indici QBO basati sui venti equatoriali a 50 o 30 hPa mostrano una potenza minima in questi periodi, nonostante mostrino una forte relazione HT intrastagionale (Fig. 4). Dato che l’indice QBO profondo (15–30 hPa) mostra sia variabilità su scala multi-decennale sia un forte accoppiamento HT intrastagionale, continuiamo ulteriori analisi delle interazioni QBO-SSW utilizzando l’indice 15–30 hPa. L’analisi wavelet dell’indice di modulazione dell’ampiezza QBO profonda (15–30 hPa) liscia su 5 anni (Fig. 12a) migliora la chiarezza della periodicità a lungo termine, mostrando una potenza statisticamente significativa a circa 90 anni nell’intervallo tra 500-800 anni. La potenza incrociata tra gli anni SSW5 e questo indice di modulazione dell’ampiezza QBO (Fig. 12b) coincide estremamente bene con i segnali osservati negli anni SSW5 a circa 90 anni. Ci sono anche caratteristiche coincidenti su altre scale temporali, sebbene la caratteristica tra gli anni 450-550 a periodi di 60 anni sia meno ben catturata. Le frecce di relazione di fase nella regione principale della variabilità a lungo termine (periodi intorno ai 90 anni nell’intervallo 450-800 anni) puntano in gran parte a sinistra (spostamento di fase π), indicando che i segnali sono approssimativamente in anti-fase (la leggera inclinazione verso il basso delle frecce suggerisce una piccola deviazione da questa relazione a zero ritardo e viene discussa di seguito). La relazione in anti-fase è coerente con la relazione HT in cui un’anomalia QBO occidentale (positiva) corrisponde a una riduzione nella frequenza degli SSW.

Nelle discussioni precedenti, abbiamo collegato la variabilità a lungo termine nella frequenza degli SSW all’esistenza di periodi prolungati di stasi, durante i quali il vortice è relativamente indisturbato senza eventi SSW (Fig. 2). L’analisi del cross-spettro con la modulazione dell’ampiezza del QBO profondo suggerisce una possibile interpretazione fisica che coinvolge la relazione di Holton–Tan variante su tempi più lunghi, in cui una serie di anni consecutivi che mostrano un QBO occidentale profondo di grande ampiezza all’inizio dell’inverno porta a una serie di inverni con una ridotta frequenza di SSW, ossia un periodo di stasi. Corrispondentemente, una serie di anni con QBO orientale profondo di grande ampiezza porterebbe a una serie di anni con eventi consecutivi. Abbiamo verificato i risultati delle analisi wavelet descritte sopra ripetendo la regressione multilineare (Tabella 1) ma utilizzando il QBO, l’ENSO e gli indici AL smussati su 5 anni per misurare i loro contributi relativi alla serie temporale degli anni SSW5 smussata su 5 anni. I coefficienti di regressione per l’ampiezza del QBO profondo e l’AL rimangono significativi al livello del 95%, sebbene il contributo dell’AL rimanga piccolo e vicino al confine di significatività. Il coefficiente per Niño 3.4 non è significativo, suggerendo che la connessione tra ENSO e la variabilità del vortice è dominata da scale temporali inferiori ai 5 anni. Se isoliamo ulteriormente i segnali multi-decennali filtrando Fourier ogni serie temporale, in modo che siano mantenute solo le periodicità superiori ai 60 anni, il coefficiente di Niño 3.4 è vicino a 0, mentre il segnale dell’ampiezza del QBO profondo è vicino a -0.2. Questo è coerente con la nostra analisi wavelet che suggerisce un ruolo dominante per le variazioni dell’ampiezza del QBO su queste lunghe scale temporali. Il coefficiente dell’AL rimane significativo ma inferiore a quello del QBO (e fuori dagli intervalli di errore). Per completezza, abbiamo ripetuto l’analisi di regressione utilizzando un indice PDO smussato su 5 anni invece dell’AL, ma non c’è stata una variazione significativa nei coefficienti (non mostrato). Questo è coerente con il fatto che gli indici AL e PDO mostrano spettri simili e c’è una alta correlazione tra di loro (-0.45 non filtrato e -0.68 filtrato), come trovato anche da Mantua et al. (1997) e Rodionov et al. (2005).

Per chiarire ulteriormente il ruolo del QBO, notiamo che un esame della Figura 10 mostra che la maggior parte della variabilità dell’ampiezza a lungo termine nell’indice QBO profondo da 15–30 hPa si trova nell’ampiezza della fase occidentale (l’ampiezza della fase orientale è relativamente costante nel tempo). Inoltre, come notato in precedenza, la simulazione mostra più intervalli di stasi che intervalli di eventi consecutivi, il che suggerisce che la variabilità a lungo termine osservata possa derivare principalmente dalla fase occidentale del QBO. Per esplorare questa ipotesi, isoliamo gli intervalli di stasi SSW modificando la serie temporale degli anni SSW5 nel modo seguente. Tutti i tassi di SSW superiori a 0,54 eventi per stagione (la media climatologica) sono reimpostati a 0,54, eliminando così la variabilità negli intervalli di 5 anni che mostrano tassi di SSW anomamente elevati. La Figura 13 mostra il cross-spettro di potenza tra questa serie temporale modificata degli anni SSW5 e la serie temporale dell’ampiezza del QBO profondo. Mantiene una potenza di cross significativa nella parte di potenza significativa degli anni SSW5 (contorni verdi in Fig. 13) rispetto alla Fig. 12b, in cui viene utilizzata l’intera serie temporale, e mostra anche una relazione di fase significativamente più vicina all’anti-fase (ossia, puntando a sinistra). Questo è un ulteriore supporto che la relazione QBO-SSW profonda su queste lunghe scale temporali nel modello sorge principalmente dai periodi di stasi SSW.

Una domanda ovvia è se questa sensibilità ai westerlies profondi del QBO che troviamo nel modello sia presente anche nell’atmosfera reale. L’esame del dataset ERA-Interim mostra un supporto limitato. Alcuni inverni negli anni ’90 sono caratterizzati da venti equatoriali settembre-novembre anomalamente occidentali che sono coerenti verticalmente tra i livelli di 15 e 30 hPa. Tuttavia, questo effetto è intermittente e non copre l’intero intervallo degli anni ’90 durante i quali gli SSW erano marcatamente assenti nel record osservazionale (non mostrato). D’altra parte, una mini stasi che era presente a metà degli anni 2010 è associata a 3 anni di anomalia westerly profonda nel QBO. Nel complesso, è chiaro che la relazione, se presente nell’atmosfera reale, è probabilmente offuscata da altri fattori tra cui l’aumento dei gas serra e le eruzioni vulcaniche, e il dataset osservazionale è troppo breve per fornire una validazione utile per queste variazioni su lunga scala temporale.

La figura 8 si compone di due sezioni principali, entrambe legate all’Indice Niño 3.4 e al suo impatto sugli anni di Sudden Stratospheric Warming (SSW):

Parte (a) – Serie Temporale e Analisi Wavelet del Niño 3.4

• In Alto: Mostra la serie temporale del Niño 3.4 da settembre a novembre, rappresentata da una linea blu per la temperatura e una rossa per l’indice SOI.
• In Basso a Sinistra: Presenta lo spettro di potenza wavelet del Niño 3.4. Le aree colorate rappresentano la potenza wavelet con contorni gialli che indicano il livello di significatività del 95% rispetto a un processo autoregressivo di tipo AR1. Questo grafico evidenzia le periodicità significative nella serie temporale.
• In Basso a Destra: Visualizza lo spettro di potenza wavelet globale in blu con un livello di confidenza del 95% indicato dalla linea tratteggiata rossa, rivelando le frequenze dominanti nell’intera serie temporale.

Parte (b) – Spettri Incrociati tra gli Anni di SSW5 e l’Indice Niño 3.4

• In Alto: Esibisce la correlazione tra la serie temporale del Niño 3.4 e quella degli anni SSW5.
• In Basso: Illustra lo spettro di potenza incrociato. L’ombreggiatura segnala il potere incrociato, i contorni gialli mostrano l’intervallo di confidenza del 95%, e le frecce indicano l’angolo di fase relativo tra i segnali nelle serie temporali:
  • Frecce a destra: Indicano che i segnali sono in fase.
  • Frecce verticali verso l’alto: Segnalano uno sfasamento di π/2 con gli SSW che precedono.
  • Frecce a sinistra: Mostrano che i segnali sono completamente sfasati di π (opposti).
  • Frecce verticali verso il basso: Indicano che Niño 3.4 precede, sfasato di π/2.
• I contorni verdi su entrambi gli spettri rappresentano gli intervalli di confidenza del 95% per lo spettro di potenza wavelet degli anni SSW5, sottolineando dove la correlazione tra Niño 3.4 e SSW è statisticamente significativa.

In sintesi, la figura 8 offre un’analisi dettagliata della correlazione tra le variazioni nell’indice Niño 3.4 e la frequenza degli eventi SSW, evidenziando sia la variabilità temporale che la significatività statistica delle correlazioni osservate.

La figura 9 analizza le relazioni temporali e di frequenza tra l’indice Aleutian Low (AL) e gli anni di Sudden Stratospheric Warming (SSW), focalizzandosi sul periodo da dicembre a marzo e lisciando i dati con una finestra di 5 anni. Questa figura è suddivisa in due parti principali, (a) e (b).

Parte (a) – Serie Temporale e Analisi Wavelet dell’Aleutian Low

• In Alto: Viene presentata la serie temporale dell’indice AL, mostrando le variazioni stagionali e annuali che indicano le fluttuazioni nella pressione atmosferica bassa nella regione Aleut.
• In Basso a Sinistra: Questa sezione mostra lo spettro di potenza wavelet dell’indice AL. Le aree colorate indicano la potenza del segnale nel tempo, con contorni gialli che rappresentano il livello di significatività del 95% rispetto a un processo AR1. Questo grafico evidenzia le periodicità statisticamente significative nell’indice.
• In Basso a Destra: Rappresenta lo spettro di potenza wavelet globale, tracciato in blu, con un livello di confidenza del 95% mostrato dalla linea tratteggiata rossa. Questa parte sottolinea le frequenze dominanti nella serie temporale dell’indice AL.

Parte (b) – Spettro di Potenza Incrociata tra AL e gli Anni SSW5

• In Alto: Mostra la correlazione temporale tra le serie temporali dell’indice AL e degli anni SSW5, illustrando come queste due variabili si influenzano reciprocamente nel tempo.
• In Basso: È illustrato lo spettro di potenza incrociato tra AL e gli anni SSW5. L’ombreggiatura segnala la potenza incrociata, mentre i contorni gialli indicano l’intervallo di confidenza del 95%. Le frecce denotano l’angolo di fase relativo tra i segnali:
  • Frecce a destra: Segnali in fase.
  • Frecce verticali verso l’alto: Sfasamento di π/2 con gli SSW che precedono.
  • Frecce a sinistra: Sfasamento completo di π.
  • Frecce verticali verso il basso: L’indice AL precede con uno sfasamento di π/2.
• I contorni verdi sugli spettri rappresentano gli intervalli di confidenza del 95% per lo spettro di potenza wavelet degli anni SSW5, indicando le aree dove la correlazione tra AL e SSW è statisticamente significativa.

In sintesi, la figura 9 fornisce un’analisi dettagliata su come le variazioni dell’indice Aleutian Low durante i mesi invernali possano essere correlate con la frequenza degli eventi di riscaldamento stratosferico improvviso, evidenziando la significatività statistica e le dinamiche temporali tra questi fenomeni atmosferici.

La figura 10 è articolata in due serie principali di pannelli, analizzando le variazioni della Zonal Mean Zonal Wind (ZMZW) nella fascia equatoriale (da 5°S a 5°N) per i mesi di settembre a novembre. L’analisi si concentra sui cambiamenti nei venti zonali a diversi livelli di pressione atmosferica.

Pannelli (a-f) – Serie Temporali di ZMZW a Diversi Livelli di Pressione

• Pannelli (a) 15 hPa e (b) 20 hPa: Presentano le serie temporali della ZMZW a queste specifiche altezze stratosferiche. Questi grafici illustrano le fluttuazioni dei venti zonali più in alto nella stratosfera.
• Pannelli (c) 30 hPa e (d) 50 hPa: Analoghi ai primi due, mostrano la ZMZW a livelli inferiori nella stratosfera, evidenziando come i venti zonali variano con la quota.
• Pannelli (e) e (f) Deep QBO (15-30 hPa e 20-50 hPa): Questi pannelli espongono le serie temporali medie del QBO profondo, aggregando i dati dei livelli di pressione tra 15 e 30 hPa e tra 20 e 50 hPa, rispettivamente. Sono utili per osservare le variazioni temporali dei venti zonali medi in questi intervalli di pressione.

Pannelli (g-l) – Spettri di Potenza Wavelet delle Serie Temporali

• Pannelli (g) 15 hPa, (h) 20 hPa, e (i) 30 hPa: Mostrano lo spettro di potenza wavelet per le serie temporali corrispondenti ai pannelli (a-c). Questi spettri indicano le aree di maggior variabilità di potenza nel tempo per i rispettivi livelli di pressione.
• Pannelli (j), (k) e (l) Deep QBO (15-30 hPa e 20-50 hPa): Forniscono lo spettro di potenza wavelet per le serie temporali dei pannelli (e) e (f). La colorazione rappresenta la potenza wavelet e i contorni gialli segnalano regioni di potenza significativa oltre il 95% dell’intervallo di confidenza, rispetto a un processo AR1 di fondo.

Significato Complessivo

La figura 10 è cruciale per comprendere come i venti zonali medi variano su diversi livelli di pressione nell’atmosfera equatoriale e come questi cambiamenti possono essere analizzati attraverso la potenza wavelet per identificare periodi di variabilità significativa. Questa analisi aiuta a interpretare la dinamica del QBO e la sua variabilità stagionale a diversi livelli di altitudine nella stratosfera.

La tabella 2 presenta i risultati di una analisi di regressione multi-lineare riguardante gli anni caratterizzati da Sudden Stratospheric Warming (SSW). I dettagli di ciascuna variabile nella regressione sono i seguenti:

1. Niño 3.4:
   • Coefficiente: -0.0127 ± 0.032
   • p-value: 0.688
   • Interpretazione: Il coefficiente negativo suggerisce una relazione inversa tra l’indice Niño 3.4 e la frequenza degli SSW. Tuttavia, il p-value di 0.688 indica che questa relazione non è statisticamente significativa, suggerendo che Niño 3.4 non ha un impatto rilevante sulla frequenza degli SSW.
2. AL (Aleutian Low):
   • Coefficiente: -0.072 ± 0.021
   • p-value: 0.046
   • Interpretazione: Il coefficiente negativo per l’indice del Basso Aleutino indica che un aumento nell’intensità di questo indice è associato a una riduzione nella frequenza degli SSW. Con un p-value di 0.046, questa relazione è considerata statisticamente significativa al 5%, implicando che variazioni nel Basso Aleutino possono essere predittori affidabili degli anni SSW.
3. Deep QBO amplitude (Ampiezza profonda del QBO):
   • Coefficiente: -0.124 ± 0.031
   • p-value: 0.0001
   • Interpretazione: Il coefficiente molto negativo evidenzia una forte relazione inversa tra l’ampiezza del QBO profondo e la frequenza degli SSW, con un p-value estremamente basso di 0.0001, indicando una correlazione statisticamente molto significativa. Questo sottolinea che un aumento nell’ampiezza del QBO profondo è strettamente correlato a una diminuzione significativa nella frequenza degli eventi SSW.

In sintesi, tra le variabili analizzate, l’ampiezza del QBO profondo e l’indice del Basso Aleutino emergono come predittori significativi della frequenza degli eventi di riscaldamento stratosferico improvviso, con il QBO profondo che mostra la correlazione più forte e significativa.

La figura 11 è organizzata per mostrare due tipi di analisi relative alla Zonal Mean Zonal Wind (ZMZW) durante i mesi di settembre a novembre, misurata tra le latitudini 5°S e 5°N. La figura è divisa in due gruppi principali di pannelli: (a-f) per le ampiezze di Hilbert e (g-l) per gli spettri di potenza wavelet.

Pannelli (a-f) – Ampiezza di Hilbert della ZMZW

Questi pannelli visualizzano l’ampiezza di Hilbert della ZMZW a diversi livelli di pressione:

• Pannello (a) 15 hPa
• Pannello (b) 20 hPa
• Pannello (c) 30 hPa
• Pannello (d) 50 hPa
• Pannello (e) Deep QBO 15-30 hPa
• Pannello (f) Deep QBO 20-50 hPa

L’ampiezza di Hilbert è utilizzata qui per mostrare l’inviluppo del segnale, evidenziando l’intensità del flusso zonale a queste quote specifiche. Ogni grafico rappresenta la variazione temporale dell’ampiezza della ZMZW, fornendo una visione chiara dell’intensità dei venti zonali medi equatoriali su un arco temporale esteso.

Pannelli (g-l) – Spettri di Potenza Wavelet

Questi pannelli mostrano gli spettri di potenza wavelet delle serie temporali corrispondenti ai pannelli (a-c):

• Pannello (g) 15 hPa
• Pannello (h) 20 hPa
• Pannello (i) 30 hPa
• Pannello (j) 50 hPa
• Pannello (k) Deep QBO 15-30 hPa
• Pannello (l) Deep QBO 20-50 hPa

Gli spettri di potenza wavelet sono impiegati per analizzare la variazione temporale delle frequenze all’interno delle serie di dati. La colorazione indica la potenza del wavelet, mostrando l’intensità delle variazioni nel tempo. I contorni gialli segnalano le regioni dove la potenza è statisticamente significativa al 95% rispetto a un processo autoregressivo di primo ordine (AR1), identificando i periodi e le scale temporali dove le fluttuazioni sono più pronunciate e di potenziale interesse per ulteriori analisi climatologiche.

In conclusione, la figura 11 offre una rappresentazione dettagliata delle fluttuazioni e dell’intensità della ZMZW all’equatore, illustrando sia le variazioni dell’ampiezza che la frequenza di tali variazioni nel tempo attraverso l’uso di misurazioni dirette e analisi wavelet. Questi dati sono essenziali per comprendere in modo più approfondito la dinamica dei venti equatoriali e il loro impatto sul clima globale.

La figura 12 analizza l’ampiezza del QBO profondo (da 15 a 30 hPa) per i mesi di settembre a novembre, utilizzando una finestra di smoothing di 5 anni, e la sua relazione con gli anni di riscaldamento stratosferico improvviso (SSW). La figura è divisa in due pannelli principali, (a) e (b):

Pannello (a) – Serie Temporale e Spettro di Potenza Wavelet dell’Ampiezza del QBO Profondo

• In Alto: Mostra la serie temporale dell’ampiezza del QBO profondo, indicata con una linea blu che rappresenta i valori dell’ampiezza nel tempo, sovrapposta a una linea verde che rappresenta una media mobile su 5 anni per lisciare le fluttuazioni a breve termine.
• In Basso: Presenta lo spettro di potenza wavelet dell’ampiezza del QBO profondo. Le aree colorate indicano il potere wavelet (intensità delle variazioni nel tempo a diverse scale temporali), con contorni gialli che segnalano le regioni di potenza significativa al di sopra del 95% dell’intervallo di confidenza rispetto a un processo AR1. Questo spettro evidenzia le principali periodicità presenti nei dati, mostrando dove e quando l’ampiezza del QBO mostra variazioni importanti.

Pannello (b) – Spettro di Potenza Incrociato tra l’Ampiezza del QBO Profondo e gli Anni SSW

• In Alto: Si vede la correlazione tra la serie temporale dell’ampiezza del QBO profondo e la serie temporale degli anni SSW5, visualizzate come linee sovrapposte per mostrare la relazione temporale diretta.
• In Basso: Illustra lo spettro di potenza incrociato. L’ombreggiatura indica la potenza incrociata, che mostra l’intensità della correlazione tra le due serie temporali a varie scale temporali. I contorni gialli indicano le regioni dove la potenza incrociata è significativamente alta (oltre il 95% di confidenza). Le frecce nere mostrano l’angolo di fase relativo tra i segnali in serie temporali: frecce a destra indicano che i segnali sono in fase, frecce a sinistra indicano che sono in opposizione di fase, e le altre direzioni indicano varie fasi intermedie. I contorni verdi rappresentano gli intervalli di confidenza del 95% per la potenza dello spettro wavelet degli anni SSW5.

In sintesi, la figura 12 fornisce un’analisi dettagliata di come le variazioni nell’ampiezza del QBO profondo si correlano temporalmente e in frequenza con gli eventi di riscaldamento stratosferico improvviso, suggerendo periodi specifici in cui questi due fenomeni mostrano associazioni significative. Questa analisi può aiutare a comprendere meglio come variazioni in alta atmosfera possano influenzare o essere correlate con fenomeni meteorologici significativi come gli SSW.

La Tabella 3 fornisce un riassunto dei risultati di un’analisi di regressione multi-lineare su una versione filtrata tramite Fourier degli anni SSW5, conservando solo la potenza corrispondente a periodi superiori a 60 anni. Questa analisi mira a identificare le relazioni a lungo termine tra variabili climatiche e la frequenza degli eventi di riscaldamento stratosferico improvviso (SSW). Ecco i dettagli di ciascuna variabile nella regressione:

1. Niño 3.4:
   • Coefficiente: circa +0.01
   • p-value: circa 1
   • Interpretazione: Il coefficiente per Niño 3.4 è molto vicino a zero e il p-value è 1, indicando che non c’è una relazione statisticamente significativa tra l’indice Niño 3.4 e la frequenza degli anni SSW5 su scale temporali superiori ai 60 anni. Questo suggerisce che l’indice Niño 3.4 non ha un impatto apprezzabile sulla frequenza di questi eventi quando si considerano solo le fluttuazioni a lungo termine.
2. AL (Aleutian Low):
   • Coefficiente: -0.0794 ± 0.03
   • p-value: 0.042
   • Interpretazione: Il coefficiente negativo indica una relazione inversa tra l’intensità dell’Aleutian Low e la frequenza degli anni SSW5, suggerendo che un aumento dell’intensità dell’AL è associato a una diminuzione della frequenza degli SSW su scale temporali superiori a 60 anni. Il p-value di 0.042 significa che questa relazione è statisticamente significativa, confermando che l’AL può essere un fattore influente sulla frequenza degli SSW a lungo termine.
3. Deep QBO Amplitude (Ampiezza profonda del QBO):
   • Coefficiente: -0.199 ± 0.01
   • p-value: 0.00003
   • Interpretazione: Il coefficiente negativo molto marcato indica una forte relazione inversa tra l’ampiezza del QBO profondo e la frequenza degli SSW, con un p-value estremamente basso che conferma una significatività statistica molto alta. Questo suggerisce che un incremento dell’ampiezza del QBO profondo è fortemente correlato a una riduzione nella frequenza degli SSW, evidenziando l’importanza del QBO come fattore di controllo significativo nella dinamica degli SSW su periodi temporali lunghi.

In sintesi, i risultati indicano che mentre Niño 3.4 non sembra influenzare gli anni SSW5 quando si considerano solo le fluttuazioni a lungo termine, sia l’Aleutian Low che l’ampiezza del QBO profondo hanno un impatto significativo, con il QBO che mostra l’influenza più forte.

La figura 13 analizza la relazione tra le ampiezze del QBO profondo nei mesi di settembre a novembre e la frequenza degli eventi di riscaldamento stratosferico improvviso (SSW), con una particolare attenzione alla variabilità nelle stagioni con bassi tassi di SSW. La figura è divisa in due parti principali, (a) e (b):

Pannello (a) – Serie Temporali

• In Alto: Mostra due serie temporali sovrapposte. La linea blu rappresenta gli anni di SSW5, ma con una modifica significativa: tutti i tassi di SSW superiori alla media climatologica (0.54 eventi per stagione) sono stati impostati a questa media, eliminando così la variabilità negli intervalli con alta frequenza di SSW. Questo è fatto per isolare e studiare più chiaramente l’impatto del QBO sulle stagioni con minori frequenze di SSW. La linea rossa rappresenta l’indice di ampiezza del QBO profondo (15–30 hPa) misurato durante settembre-novembre, lisciato con una finestra di 5 anni. Questo lisciamento aiuta a visualizzare meglio le tendenze a lungo termine e riduce il rumore a breve termine nelle serie temporali.

Pannello (b) – Spettro di Potenza Cross-Wavelet

• In Basso: Illustra lo spettro di potenza cross-wavelet tra le due serie temporali mostrate in alto. Questo tipo di analisi aiuta a identificare dove e quando ci sono correlazioni significative tra le fluttuazioni nella frequenza degli SSW e l’ampiezza del QBO. Le aree colorate indicano il livello di potenza condivisa tra le serie temporali, con i contorni gialli che segnalano regioni di potenza significativa statisticamente al di sopra del 95% dell’intervallo di confidenza rispetto a un processo di fondo AR1. Le frecce indicano la fase relativa tra le serie temporali in ogni punto:
  • Frecce a destra: Segnali in fase, indicando che i picchi e le valli nelle serie temporali coincidono.
  • Frecce a sinistra: Segnali completamente in opposizione di fase, suggerendo che i picchi in una serie corrispondono a valli nell’altra e viceversa.
  • Altre direzioni: Indicano varie fasi intermedie tra i due segnali.

In sintesi, la figura 13 fornisce una vista dettagliata su come l’ampiezza del QBO profondo possa essere correlata con gli anni di bassa frequenza di SSW, offrendo una prospettiva su potenziali meccanismi di interazione o influenza tra questi fenomeni atmosferici. Questa analisi può essere particolarmente utile per capire meglio come variazioni atmosferiche a grande scala influenzano la dinamica del riscaldamento stratosferico.

4 Riassunto e discussione

In questo studio, abbiamo esaminato la variabilità nell’apparizione di interruzioni e intervalli di SSW consecutivi in una simulazione di controllo pre-industriale di 1000 anni del Modello del Sistema Terrestre del Regno Unito. Sebbene ci sia molta evidenza osservativa dell’impatto dei SSW sul meteo e sul clima troposferico sottostante, la loro variabilità su scala pluri-decennale e i meccanismi di forzamento associati non sono ben compresi a causa della brevità del record osservativo. L’analisi di lunghe simulazioni di modelli climatici è attualmente l’unico strumento disponibile per comprendere questa variabilità.

Abbiamo trovato una variabilità decennale e pluri-decennale realistica nel modello, con intervalli di pausa di 10 anni o più nei quali non si sono verificati SSW, simili al record osservato di SSW negli anni ’90 e anche intervalli di periodi di eventi consecutivi in cui si è verificato almeno un SSW ogni anno, come osservato nei primi anni 2000. È stata riscontrata una rappresentazione lisciata su 5 anni della frequenza degli SSW (SSW a 5 anni) che variava periodicamente per circa 450 anni della simulazione di 1000 anni con massimi nella potenza del wavelet corrispondenti a una periodicità di circa 60-90 anni.

Una possibile fonte tropicale di SST di questa variabilità a lungo termine è stata indagata. Analisi del wavelet e spettro incrociato sono state eseguite utilizzando una varietà di diversi indici di SST tropicali, incluso l’indice Niño 3.4, e anche un indice della forza dell’AL che è collegato al forzamento delle onde planetarie di grande scala della stratosfera invernale. Sebbene tutti questi indici mostrassero una variabilità a lungo termine, alcuni dei quali si sovrapponevano alla periodicità e agli intervalli temporali osservati nello spettro degli SSW a 5 anni, nessuno di essi poteva spiegare completamente l’intervallo esteso di 450 anni di potenza significativa a 60-90 anni visto nello spettro degli SSW a 5 anni. La debole relazione tra l’AL e l’occorrenza degli SSW è inaspettata, e modificare la metrica utilizzando una misura di SLP media di area non ha rivelato una connessione più forte. Ulteriori analisi della relazione AL-SSW nella simulazione sarebbero utili per esplorare se l’AL mostri una connessione con la forza media del vortice anche se non c’è una connessione evidente con l’occorrenza degli SSW.

Una seconda possibile fonte di variabilità a lungo termine che coinvolge variazioni nel QBO è stata anch’essa indagata. È stata considerata una gamma di indici del QBO, inclusa l’approccio standard di utilizzo dei venti equatoriali a un livello di pressione specificato, ad es. 50 hPa, e anche un indice di “QBO profondo” che prende la media dei venti QBO tra 15-30 hPa, progettato per catturare il grado di coerenza verticale nei venti del QBO.

Un’analisi wavelet diretta di questi indici QBO rivela nessuna potenza a periodicità più lunga di 2–4 anni. Tuttavia, sebbene non vi sia evidentemente variabilità a lungo termine nella frequenza del QBO, un’esame visivo delle serie temporali del QBO mostra chiaramente la presenza di variabilità a lungo termine nelle ampiezze del QBO. Una misura di questa modulazione di ampiezza è stata estratta applicando la trasformata di Hilbert all’indice QBO. L’analisi wavelet delle variazioni di ampiezza dalla trasformata di Hilbert degli indici QBO ha mostrato una periodicità a lungo termine corrispondente a quella vista nell’analisi wavelet degli SSW a 5 anni. In particolare, l’indice QBO profondo ha mostrato segnali significativi coincidenti con quelli degli SSW a 5 anni corrispondenti a periodicità di circa 90 anni. Questa sovrapposizione ha spiegato quasi tutti i 450 anni di variabilità degli SSW presenti sulla scala temporale di 90 anni. L’analisi di regressione degli indici levigati e filtrati a 5 anni ha confermato il contributo dell’ampiezza del QBO profondo alla variabilità degli SSW su scale temporali superiori ai 60 anni.

La nostra analisi ha quindi rivelato una relazione inaspettata tra la forza e la coerenza verticale del QBO e la variabilità a lungo termine nella frequenza degli SSW. La relazione si è dimostrata particolarmente sensibile alla fase ovest del QBO. Periodi prolungati di fasi ovest profonde del QBO erano associati a periodi di pausa con pochi o nessun SSW, in linea con la relazione di Holton-Tan. Sebbene questo risultato appaia convincente, è da notare che il modello ha mostrato alcuni bias nel suo QBO associati al periodo e al tasso di discesa delle zone di taglio. Il periodo esteso di quasi 3 anni potrebbe introdurre un elemento di sincronizzazione di fase tra il QBO e il ciclo stagionale, facendo sì che i mesi invernali si verifichino preferenzialmente in una fase del QBO rispetto all’altra. Questo potrebbe influenzare l’accoppiamento QBO-vortice. Tuttavia, questi bias sono comuni nei moderni GCM, e Rao et al. (2020) mostrano che la rappresentazione dell’effetto HT nel UKESM è migliore rispetto alla maggior parte dei principali GCM presentati a CMIP6, indicando che questo piControl rimane uno degli strumenti più efficaci per studiare la variabilità pluri-decennale nella stratosfera. Lavori recenti hanno anche mostrato un grande grado di variabilità tra i modelli nelle rappresentazioni del QBO così come degli SSW, quindi è possibile che il risultato di questo studio sia dipendente dal modello. È necessaria un’ulteriore analisi di lunghe simulazioni da diversi modelli per verificare questi risultati. Combinando i risultati di tutte queste analisi, la nostra conclusione complessiva è che la variabilità pluri-decennale nella frequenza degli SSW nel UKESM è principalmente attribuibile alla variabilità a lungo termine nell’accoppiamento QBO-SSW, in particolare a periodicità di circa 90 anni e, in misura minore, dalla variabilità nell’intensità del Minimo delle Aleutine a periodicità di circa 60 anni, anche se la coerenza con i segnali dell’AL è molto meno persistente rispetto al QBO. Data l’osservata incidenza degli SSW sul meteo e clima troposferico sottostante, una migliore comprensione della fonte e dei meccanismi della variabilità a lungo termine nelle interazioni QBO-SSW è probabilmente utile per migliorare le previsioni meteorologiche stagionali e le previsioni climatiche decennali.

La natura precisa dei meccanismi di interazione QBO-SSW non è ancora completamente compresa (Anstey e Shepherd, 2014). Mentre l’importanza delle interazioni onda-flusso medio è ampiamente riconosciuta, sono necessari ulteriori studi per esplorare la rilevanza e l’utilità dell’indice QBO profondo evidenziato in questo studio, che identifica una fase QBO verticalmente coerente. Sembra essere particolarmente rilevante per le interazioni QBO-SSW a lungo termine durante la fase QBOW. È anche necessaria un’ulteriore esplorazione della fonte della variabilità a lungo termine nell’ampiezza della fase QBO-W.

Sebbene un’influenza diretta delle SST tropicali sulla variabilità a lungo termine nella frequenza degli SSW non sia stata supportata da questo studio, potrebbe comunque esserci una teleconnessione importante tramite il QBO in cui le SST influenzano il QBO che successivamente influisce sulla frequenza degli SSW tramite la relazione di Holton-Tan. Un’indagine iniziale attraverso l’analisi dello spettro incrociato dell’indice QBO profondo con ENSO e selezionati indici di SST mostra un certo contributo da ciascuna delle regioni (Fig. A6 e A7), non sorprendentemente a causa della fonte tropicale delle onde equatoriali che sono note per guidare il QBO.

Un esame più approfondito della natura precisa del forzamento della fase QBO-W nel modello, in termini di forzamento delle onde di Kelvin e gravità, sarebbe utile (ma è al di fuori dell’ambito di questo studio). Le analisi di serie temporali come quelle presentate qui possono evidenziare associazioni tra modi di variabilità ma sono meno in grado di determinare la causalità. Ove possibile, abbiamo selezionato indici che confermano una causalità ben nota nella stagione, come un indice QBO di inizio inverno confrontato con un indice SSW di metà inverno, ma determinare la causalità su tempi più lunghi è difficile e richiederebbe esperimenti di modelli climatici ben progettati. Il sistema climatico è estremamente complesso, con molte interazioni diverse tra modi di variabilità. Il sistema climatico è anche chiaramente non stazionario, come evidente nella nostra simulazione dove l’interazione QBO-SSW mostra potenza a periodicità di 60-90 anni per 450 anni ma è assente nella prima metà della simulazione.

Mentre questa complessità significa che è estremamente difficile districare le influenze o attribuire la causalità, una migliore comprensione dei singoli collegamenti in questo sistema complesso, come la relazione tra il QBO e gli SSW, contribuirà comunque a una migliore comprensione dell’intero sistema complesso.

Appendix A: Appendix A

La Figura A1 rappresenta un’analisi wavelet di eventi di riscaldamento stratosferico improvviso (SSW) su una serie temporale, utilizzando dati modellizzati (UKESM). Qui ti spiego i diversi pannelli della figura:Pannello (a): Mostra il numero di eventi SSW per stagione da novembre a marzo ogni anno, levigati utilizzando una media mobile di 5 anni. Questo grafico lineare ti permette di osservare le fluttuazioni nel numero di eventi SSW su base stagionale nel corso del tempo.

Pannello (b): Illustra la wavelet di Morlet utilizzata per la trasformazione wavelet nel dominio del tempo. Questa è una rappresentazione della funzione wavelet, caratterizzata da una forma ondulata che si attenua ai lati, utile per l’analisi delle serie temporali per la sua efficacia nel bilanciare la risoluzione temporale e frequenziale.

Pannello (c): Presenta lo spettro di potenza wavelet della serie temporale mostrata nel pannello (a). L’asse verticale rappresenta il periodo (in anni), mentre l’asse orizzontale rappresenta il numero dell’anno all’interno della simulazione. Le aree tratteggiate indicano le zone al di fuori del “cono di influenza“, dove gli effetti di bordo sono significativi e i risultati possono essere meno affidabili. I contorni gialli rappresentano il livello di confidenza del 95%, assumendo un rumore di fondo rosso AR1. Le aree colorate indicano la potenza del segnale, con tonalità più calde che indicano una maggiore potenza.

Pannello (d): Mostra lo spettro di potenza globale, che è la potenza wavelet media su tutta la simulazione, e lo spettro di confidenza globale al 95%. Questo grafico è cruciale per identificare le frequenze più dominanti nella serie temporale su tutta la durata della simulazione.

In sintesi, questa figura è fondamentale per esaminare la variabilità temporale e la frequenza degli eventi SSW nel modello UKESM, mettendo in evidenza la loro distribuzione periodica e intensità su un arco temporale di un millennio simulato. Questa analisi può aiutare a comprendere come gli eventi come gli SSW possano variare significativamente su scale temporali decennali o secolari.

La Figura A2 illustra le anomalie composite del vento zonale medio (ZMZW) a dicembre-marzo durante le fasi positive (El Niño) e negative (La Niña) dell’indice Niño 3.4, valutato nei mesi di settembre-novembre. Ecco i dettagli dei componenti della figura:

• El Niño (pannello di sinistra): Mostra le anomalie del vento zonale medio durante gli eventi El Niño, caratterizzati da anomalie positive della temperatura superficiale del mare (SST) superiori a 1 K nel settore Niño 3.4. Le aree colorate in rosso e blu indicano anomalie significative del vento zonale al di sopra del livello di confidenza del 95% secondo un test t di Student a due code. Il blu rappresenta un’accelerazione del vento zonale, mentre il rosso una decelerazione.
• La Niña (pannello di destra): Visualizza le anomalie del vento zonale medio durante gli eventi La Niña, caratterizzati da anomalie negative della temperatura superficiale del mare (SST) inferiori a -1 K nel settore Niño 3.4. Similmente al pannello di sinistra, le aree in rosso e blu rappresentano anomalie significative del vento zonale. Anche qui, il blu indica un’accelerazione del vento zonale e il rosso una decelerazione.

Entrambi i pannelli rappresentano i dati in funzione della latitudine (asse x, che va da -90 a 90 gradi) e della pressione atmosferica in pascal (asse y, logaritmica, che mostra valori da circa 1000 a 10 hPa, coprendo quindi dalle basse alle alte quote atmosferiche). Le linee di contorno nere servono a delineare le zone di pressione atmosferica costante.

La figura mette in evidenza come El Niño e La Niña influenzino diversamente la circolazione atmosferica, mostrando pattern opposti di anomalie dei venti zonali che si estendono su diverse latitudini e quote, un risultato importante per comprendere l’impatto di questi fenomeni sul clima globale.

La Figura A3 presenta una serie di analisi relative all’indice Niño 3.4 ottenuto da una simulazione di controllo pre-industriale (piControl) effettuata con il modello UKESM. Ecco una spiegazione dettagliata dei vari pannelli:

• Pannello (a): Mostra l’indice Niño 3.4 da settembre a novembre per ogni anno della simulazione. L’indice Niño 3.4 misura le anomalie della temperatura superficiale del mare nell’area centrale del Pacifico e è un indicatore chiave delle fasi El Niño e La Niña. Il grafico visualizza le fluttuazioni dell’indice nel tempo, con valori positivi che indicano condizioni El Niño e valori negativi condizioni La Niña.
• Pannello (b): Illustra la wavelet di Morlet utilizzata per la trasformazione wavelet nel dominio del tempo. Questa wavelet è particolarmente adatta per analizzare dati temporali perché bilancia bene la risoluzione temporale con quella in frequenza, permettendo una precisa localizzazione di variazioni di potenza nel tempo e nella frequenza.
• Pannello (c): Rappresenta lo spettro di potenza wavelet della serie temporale mostrata nel pannello (a). L’asse verticale indica il periodo in anni, mentre l’asse orizzontale rappresenta il numero dell’anno all’interno della simulazione. Le aree con tratteggio indicano zone al di fuori del “cono di influenza“, dove gli effetti di bordo sono significativi e i risultati potrebbero non essere affidabili. I contorni gialli mostrano il livello di confidenza del 95%, calcolato assumendo un rumore di fondo rosso di tipo AR1. Le zone colorate indicano livelli di potenza significativi, con tonalità più intense che denotano maggiore energia a quelle frequenze.
• Pannello (d): Mostra lo spettro di potenza globale, che è la media della potenza wavelet calcolata su tutta la durata della simulazione. Questo spettro è accompagnato dallo spettro di confidenza globale al 95%, rappresentato dalla linea tratteggiata rossa. La curva blu evidenzia come varia la potenza media rispetto alle diverse frequenze o periodi.

In sintesi, questa figura analizza la variabilità temporale e la frequenza dell’indice Niño 3.4 nel modello UKESM, evidenziando come l’indice fluttui nel tempo e quali periodi di oscillazione siano più significativi nella simulazione, offrendo una visione complessiva dell’impatto di El Niño e La Niña nel modello climatico.

La Figura A4 presenta due analisi complesse legate alla Pacific Decadal Oscillation (PDO) e alla loro relazione con gli eventi di riscaldamento stratosferico improvviso (SSW) su scala quinquennale (SSW5 years). Ecco una spiegazione dettagliata di ciascun pannello nella figura:

Pannello (a) – PDO

• Top: Mostra la serie temporale della PDO da settembre a novembre per ogni anno della simulazione. La PDO è un indice che misura le variazioni di temperatura del Pacifico che persistono per decenni. Le fluttuazioni nell’indice, qui rappresentate dalla linea blu, mostrano periodi di valori positivi e negativi che indicano fasi diverse della PDO.
• Bottom left: Presenta lo spettro di potenza wavelet della serie temporale PDO. L’asse verticale mostra il periodo in anni, e l’asse orizzontale il numero dell’anno nella simulazione. Le aree colorate indicano la potenza del segnale a varie frequenze e periodi, con contorni gialli che rappresentano il livello di significatività del 95% rispetto a un processo AR1 (rumore rosso autoregressivo di primo ordine).
• Bottom right: Mostra lo spettro di potenza wavelet globale (in blu) della serie temporale PDO, con una linea tratteggiata rossa che indica il livello di confidenza del 95%. Questo grafico aggrega la potenza di tutte le frequenze nel tempo per mostrare le frequenze dominanti lungo tutta la simulazione.

Pannello (b) – Spettro incrociato tra PDO e SSW5 years

• Top: Rappresenta le serie temporali del PDO e degli SSW5 years sovrapposte. Questo grafico mostra come variano nel tempo rispetto l’una all’altra, suggerendo visivamente correlazioni o patterns di fase.
• Bottom: Illustra lo spettro di potenza incrociato tra PDO e SSW5 years. Anche qui, l’asse verticale rappresenta il periodo mentre quello orizzontale il numero dell’anno. Le aree colorate indicano il potere incrociato, con contorni gialli che delineano un intervallo di confidenza del 95%. Gli arrows mostrano l’angolo di fase relativo tra i segnali, indicando come le fasi delle due serie temporali si correlano o si oppongono nel tempo. I contorni verdi rappresentano gli intervalli di confidenza del 95% per lo spettro di potenza wavelet degli SSW5 years, offrendo un riferimento per confrontare la significatività delle correlazioni trovate.

In sintesi, la Figura A4 esamina le relazioni temporali e di frequenza tra la PDO e gli eventi SSW quinquennali, evidenziando come questi fenomeni possano essere correlati o influenzati reciprocamente su varie scale temporali, il che è cruciale per la comprensione delle dinamiche climatiche e atmosferiche a lungo termine.

La Figura A5 mostra le serie temporali delle anomalie della temperatura superficiale del mare (SST) e i corrispondenti spettri di potenza wavelet per diverse regioni tropicali durante i mesi di settembre a novembre. Ogni pannello rappresenta una regione oceanica specifica e fornisce dettagli sulla variabilità temporale delle anomalie SST e sulla loro significatività statistica. Ecco una spiegazione dettagliata di ciascun pannello:

Pannello (a) – Atlantico Tropicale

• Serie Temporali: Mostra le anomalie SST nel tropicale Atlantico (5° S–5° N, 60° W–0°).
• Spettro di Potenza Wavelet: Visualizza la variabilità periodica delle anomalie SST nel tempo. Le aree colorate rappresentano la potenza del segnale a vari periodi, con i contorni gialli che indicano un livello di confidenza del 95% rispetto a un processo di rumore rosso di tipo AR1.

Pannello (b) – Pacifico Orientale Tropicale

• Serie Temporali: Presenta le anomalie SST nel Pacifico orientale tropicale (5° S–1° N, 160–270° E).
• Spettro di Potenza Wavelet: Analizza la potenza temporale delle anomalie SST con contorni gialli che mostrano dove la potenza supera il 95% di confidenza rispetto al rumore rosso AR1.

Pannello (c) – Oceano Indiano Tropicale

• Serie Temporali: Mostra le anomalie SST nell’Oceano Indiano tropicale (5° S–10° N, 45–100° E).
• Spettro di Potenza Wavelet: Rappresenta la variabilità temporale delle anomalie SST. I contorni gialli segnalano i livelli di potenza che superano la soglia di significatività del 95%.

Pannello (d) – Pacifico Occidentale Tropicale

• Serie Temporali: Presenta le anomalie SST nel Pacifico occidentale tropicale (5° S–25° N, 110–140° E).
• Spettro di Potenza Wavelet: Simile agli altri pannelli, mostra la variabilità delle anomalie SST e la loro significatività statistica.

Significato Generale

Le aree colorate nei pannelli mostrano la potenza delle anomalie SST a vari periodi, mentre i contorni gialli indicano quando la potenza è statisticamente significativa rispetto a un fondo di rumore rosso. I contorni verdi nei pannelli rappresentano i livelli di confidenza del 95% per lo spettro di potenza degli anni SSW5, offrendo un confronto diretto con la potenza delle anomalie SST.

Queste analisi sono utili per comprendere come le variazioni della temperatura superficiale del mare nelle regioni tropicali mostrano periodicità e correlazioni potenziali con altri fenomeni climatici come gli eventi di riscaldamento stratosferico improvviso quinquennali, contribuendo così alla nostra comprensione delle dinamiche climatiche globali.

La Figura A6 mostra gli spettri di potenza incrociata tra le anomalie della temperatura superficiale del mare (SST) nei mesi di settembre-novembre in diverse regioni tropicali e gli eventi di riscaldamento stratosferico improvviso su scala quinquennale (SSW5 years). Gli spettri di potenza incrociata analizzano come le variazioni in una regione influenzano o sono correlate con le variazioni in un’altra, in questo caso tra la temperatura superficiale del mare e gli eventi SSW. Ecco una spiegazione dettagliata dei pannelli:

Pannelli e Analisi:

Ogni pannello corrisponde a una regione tropicale specifica e visualizza le interazioni tra la temperatura del mare e gli eventi SSW:

• Pannello superiore sinistro: Cross-power tra le anomalie SST dell’Atlantico Tropicale (5° S–5° N, 60–0° W) e SSW5 years.
• Pannello superiore destro: Cross-power tra le anomalie SST del Pacifico Orientale Tropicale (5° S–1° N, 160–270° E) e SSW5 years.
• Pannello inferiore sinistro: Cross-power tra le anomalie SST del Pacifico Occidentale Tropicale (5° S–25° N, 110–140° E) e SSW5 years.
• Pannello inferiore destro: Cross-power tra le anomalie SST dell’Oceano Indiano Tropicale (5° S–10° N, 45–100° E) e SSW5 years.

Elementi Comuni nei Pannelli:

• Asse Verticale (Periodo in anni): Mostra vari periodi di tempo, indicando a quali scale temporali le correlazioni sono più forti.
• Asse Orizzontale (Numero dell’anno): Rappresenta il numero degli anni all’interno della simulazione, fornendo un contesto temporale per le interazioni osservate.
• Contorni Colorati: Rappresentano la potenza del segnale incrociato tra SST e SSW5 years, con tonalità più intense che indicano una maggiore correlazione o influenza reciproca.
• Contorni Gialli: Indicano il livello di confidenza del 95%, segnalando dove le correlazioni sono statisticamente significative rispetto a un rumore di fondo tipo AR1.
• Frecce: Mostrano l’angolo di fase relativo tra i segnali, indicando come le variazioni SST e gli eventi SSW si influenzano reciprocamente nel tempo (ad esempio, se una precede l’altra).

Significato dell’Analisi:

Questa figura fornisce una comprensione visiva di come le anomalie della temperatura del mare in diverse regioni possano essere collegate agli eventi SSW, che sono significativi per capire le interazioni climatiche su scala globale. Le frecce e i contorni colorati aiutano a identificare i periodi e le regioni dove queste interazioni sono particolarmente forti o deboli, offrendo intuizioni su come i fenomeni climatici tropicali possano influenzare o essere influenzati da cambiamenti nella stratosfera.

La Figura A7 analizza la relazione tra l’Indice del Minimo delle Aleutine da dicembre a marzo e gli eventi di riscaldamento stratosferico improvviso (SSW) per ogni inverno nell’emisfero nord, utilizzando due metodi distinti di visualizzazione dati:

Pannello (a) – Serie temporali

• Serie Temporali dell’Indice del Minimo delle Aleutine: Mostrata in rosso, rappresenta l’intensità del Minimo delle Aleutine da dicembre a marzo per ogni anno della serie. Valori più alti dell’indice indicano un Aleutian Low più intenso o più profondo, il che può influenzare i pattern climatici in varie parti del mondo, specialmente relativi al clima invernale nell’emisfero nord.
• Serie Temporali degli SSW per Inverno: Mostrata in blu, indica il numero di eventi SSW che si verificano ogni inverno. Gli SSW sono fenomeni significativi in cui la temperatura nella stratosfera polare aumenta rapidamente, portando a possibili ripercussioni sul tempo atmosferico a latitudini medie e basse.

Pannello (b) – Spettro di potenza incrociato (Cross-Wavelet)

• Spettro di Potenza Incrociato: Questa visualizzazione mostra la potenza wavelet incrociata tra le due serie temporali, indicando periodi e frequenze in cui gli indici mostrano una significativa co-variazione nel tempo.
• Contorni e Colorazione: Le aree colorate rappresentano la potenza del segnale a vari periodi, con contorni gialli che indicano dove la potenza è statisticamente significativa al livello del 95%, suggerendo forti interazioni tra le due serie in quei periodi.
• Frecce: Indicano l’angolo di fase relativo tra le due serie temporali. Le frecce puntano verso destra quando le serie sono in fase (i.e., i picchi di un fenomeno corrispondono ai picchi dell’altro), verso sinistra quando sono in opposizione di fase, verso l’alto quando il Minimo delle Aleutine precede gli SSW, e verso il basso quando gli SSW precedono il Minimo delle Aleutine.

Interpretazione

La figura mostra come l’intensità del Minimo delle Aleutine potrebbe essere correlata con la frequenza degli eventi SSW, evidenziando periodi specifici in cui questa relazione è più forte. Questo tipo di analisi è cruciale per comprendere meglio come le dinamiche atmosferiche a grande scala influenzino la variabilità del clima a livello globale, specialmente per quanto riguarda gli eventi estremi e la loro prevedibilità.

La Figura A8 presenta un’analisi dettagliata dell’interazione tra l’indice Niño 3.4 e l’ampiezza del Quasi-Biennial Oscillation (QBO) profondo, con particolare attenzione ai mesi di settembre a novembre. Ecco la spiegazione dei diversi componenti della figura:

Pannello (a) – Serie temporali

• Indice Niño 3.4: Mostrato in blu, rappresenta la media dell’indice Niño 3.4 nei mesi di settembre a novembre per ogni anno. L’indice Niño 3.4 è un indicatore delle condizioni oceaniche e atmosferiche nel Pacifico centrale ed è spesso associato con gli eventi El Niño e La Niña, che influenzano i pattern meteorologici globali.
• Ampiezza del QBO profondo: Mostrata in rosso, rappresenta l’ampiezza del QBO profondo, misurata tramite la trasformata di Hilbert, e levigata con una finestra di 5 anni. Il QBO profondo descrive variazioni nel vento equatoriale a quote più elevate dell’atmosfera e può influenzare la struttura della stratosfera e i pattern meteorologici.

Pannello (b) – Spettro di potenza incrociato (Cross-Wavelet)

• Spettro di Potenza Incrociato: Questo grafico mostra l’analisi wavelet incrociata tra le due serie temporali sopra descritte. L’analisi evidenzia come l’interazione tra l’indice Niño 3.4 e l’ampiezza del QBO profondo varia nel tempo e nelle frequenze.
• Colorazione: Le aree colorate rappresentano la potenza del segnale incrociato tra le due serie temporali, dove tonalità più intense indicano una maggiore interazione o correlazione.
• Contorni Verdi: Indicano il livello di confidenza del 95%, mostrando le regioni in cui l’interazione è statisticamente significativa.
• Frecce: Illustrano la fase relativa tra le due serie temporali; le frecce che puntano a destra indicano che le serie sono in fase (i.e., oscillano insieme), mentre le frecce che puntano a sinistra indicano che sono in opposizione di fase. Le frecce verso l’alto o verso il basso indicano che una serie precede l’altra in termini di tempo.

Significato dell’Analisi

Questo tipo di analisi è particolarmente utile per comprendere come l’interazione tra i fenomeni oceanici e atmosferici equatoriali, come il Niño 3.4 e il QBO, possano essere correlati e influenzarsi reciprocamente. Comprendere queste dinamiche può aiutare a prevedere meglio gli effetti complessivi sui pattern climatici globali, soprattutto durante i mesi critici che possono determinare la gravità degli eventi meteorologici stagionali. La figura A8 fornisce quindi importanti informazioni per i climatologi e i meteorologi nel tentativo di modellare e prevedere cambiamenti climatici e meteorologici.

La Figura A9 fornisce un’analisi dettagliata delle interazioni tra l’ampiezza modulata del Quasi-Biennial Oscillation (QBO) profondo e le anomalie della temperatura superficiale del mare (SST) nei diversi bacini tropicali durante i mesi di settembre a novembre. L’analisi è presentata tramite spettri di potenza incrociati che visualizzano le interazioni nel tempo e nelle frequenze tra queste due variabili climatiche. Ecco una spiegazione dei quattro pannelli presenti nella figura:

Descrizione dei Pannelli:

Ogni pannello rappresenta un confronto tra l’ampiezza del QBO profondo e le SST in un diverso bacino tropicale:

• Pannello superiore sinistro: QBO Amplitude vs. Tropical Atlantic SST.
• Pannello superiore destro: QBO Amplitude vs. Tropical East Pacific SST.
• Pannello inferiore sinistro: QBO Amplitude vs. Tropical West Pacific SST.
• Pannello inferiore destro: QBO Amplitude vs. Tropical Indian Ocean SST.

Elementi Comuni nei Pannelli:

• Asse Verticale (Periodo in anni): Indica vari periodi di tempo, rivelando a quali scale temporali le interazioni tra QBO e SST sono più evidenti.
• Asse Orizzontale (Numero dell’anno): Mostra l’arco temporale dell’analisi, con numeri che indicano gli anni specifici della simulazione o del dataset osservato.
• Colorazione e Contorni: Le aree colorate mostrano la potenza del segnale incrociato, cioè le frequenze a cui le interazioni tra QBO e SST sono più forti. I contorni gialli indicano aree dove la potenza del segnale è statisticamente significativa al livello del 95% rispetto a un rumore di fondo, suggerendo correlazioni forti e potenzialmente importanti dal punto di vista climatico.
• Frecce: Illustrano la fase relativa tra le serie di QBO e SST. Le frecce che puntano verso destra indicano che le serie sono in fase (i.e., variano insieme nel tempo), mentre quelle che puntano a sinistra indicano che sono in opposizione di fase. Frecce che puntano verso l’alto o verso il basso indicano che una serie tende a precedere l’altra.

Interpretazione e Implicazioni:

Questa analisi è cruciale per comprendere come le oscillazioni biennali quasi periodiche dell’atmosfera, rappresentate qui dall’ampiezza del QBO, possano interagire con e influenzare le temperature superficiali del mare nei diversi bacini tropicali. Queste interazioni possono avere implicazioni significative per la comprensione dei pattern climatici stagionali e dei fenomeni meteorologici estremi, come uragani e periodi di siccità o pioggia eccessiva, dato il ruolo che le SST giocano nel modulare l’atmosfera sopra di esse. La figura A9 aiuta quindi i climatologi e meteorologi a identificare e studiare questi legami per migliorare le previsioni meteorologiche e climatiche.

https://wcd.copernicus.org/articles/2/205/2021