Sheng Wu1,2, Emanuele Di Lorenzo1 , Yingying Zhao3, Matthew Newman4, Zhengyu Liu5 Antonietta Capotondi4,6, Daoxun Sun3, Samantha Stevenson7 & Yonggang Liu2,8
In questo studio Wu, Di Lorenzo e colleghi affrontano un nodo classico (e oggi sempre più “spinoso”) della dinamica climatica del Pacifico: la PDO è un pattern statistico molto robusto nelle SST del Nord Pacifico, ma la sua “fisica” è composita e la sua risposta al riscaldamento globale non è banale da isolare. Proprio perché la PDO nasce come primo EOF delle anomalie di SST (definizione resa popolare già negli anni ’90, anche per le ricadute ecosistemiche e socio-economiche) il rischio è scambiarla per un singolo modo dinamico, quando invece può emergere come combinazione di processi diversi e talvolta concorrenti.
L’idea centrale del lavoro è usare i Linear Inverse Models (LIM) per passare da una descrizione “puramente statistica” della PDO a una decomposizione dinamica in costituenti con significato fisico. I LIM, nella tradizione avviata da Penland e Sardeshmukh, rappresentano l’evoluzione di un vettore di anomalie come un sistema lineare stocasticamente forzato, permettendo di identificare autovalori/autovettori (modi) con tempi caratteristici, smorzamenti e strutture spaziali interpretabili. Su questa base gli autori separano tre contributi alla PDO: (1) un modo KOE legato al dominio Kuroshio–Oyashio Extension, (2) un modo NP–CP che connette Nord Pacifico e Pacifico tropicale centrale (quindi intrinsecamente “ponte” tropici–extratropici), e (3) un contributo ENSO che porta variabilità più alta frequenza dentro la firma PDO.
Un risultato molto utile (anche “operativamente”, quando si interpretano serie relativamente brevi) è la quantificazione della non stazionarietà apparente indotta dalla variabilità interna: su finestre di ~85 anni l’importanza relativa di KOE, NP–CP ed ENSO può cambiare parecchio da una realizzazione all’altra, al punto che gli autori stimano servano almeno ~300 anni per ottenere stime stazionarie robuste delle frazioni di contributo e dei periodi caratteristici. Nelle osservazioni, su quel campione, trovano contributi medi nell’ordine di KOE ~0,31; NP–CP ~0,53; ENSO ~0,16, ma mostrano anche che su orizzonti abbastanza lunghi la convergenza tende verso una ripartizione in cui NP–CP pesa circa metà e KOE/ENSO circa un quarto ciascuno. Questo punto si incastra bene con la lettura “emergente” della PDO: non un singolo oscillatore, ma un’integrazione (reddening) della forzante atmosferica più una componente dinamica oceanica e una quota di teleconnessioni tropicali, come discusso sia nella sintesi moderna sulla variabilità decadale del Pacifico sia nella rilettura di Newman et al. sulla natura composita della PDO.
La parte “da modelli” è altrettanto interessante perché separa bias di struttura da bias di peso relativo: addestrando LIM su grandi ensemble e su CMIP6, gli autori mostrano che molti modelli riproducono una variabilità complessiva comparabile, ma hanno distorsioni sistematiche nelle strutture spaziali dei modi KOE e NP–CP; in pratica la PDO simulata tende a essere più “localizzata” sul KOE e meno efficiente nel rappresentare la teleconnessione tropici–Nord Pacifico, un problema già evidenziato in letteratura quando si tenta di rimuovere/isolaredinamiche tropicali dal segnale nordpacifico o quando si confrontano meccanismi di PDV tra modelli e osservazioni.
Infine, sul futuro: sotto riscaldamento globale (CMIP6 SSP5-8.5) il lavoro trova un aumento della quota ENSO e una diminuzione della quota KOE, con spostamento dello spettro della PDO verso frequenze più alte e quindi una riduzione della scala temporale (PDO “più rapida”). La logica fisica è lineare ma potente: se cresce il contributo di un costituente con periodicità tipica breve (ENSO, pochi anni), l’indice composito “PDO” eredita più energia a quelle frequenze e perde parte della componente più lenta legata al KOE; gli autori mostrano numeri esemplificativi (ad esempio ENSO che aumenta sensibilmente e KOE che cala, con picchi spettrali che dal range ~25–30 anni tendono verso valori attorno a ~12 anni nei CMIP6), e rafforzano la robustezza estendendo con LIM le serie oltre gli 85 anni disponibili nei segmenti storici/proiezioni. Questo quadro è coerente con studi precedenti che discutono cambiamenti di ampiezza/scala temporale della PDO e impatti del forcing antropico, incluso il ruolo del KOE nella modulazione del segnale decadale e la possibilità di una PDO meno “lenta” e/o meno prevedibile in un clima più caldo.
La Pacific Decadal Oscillation (PDO) è spesso trattata come “la” variabile di riferimento della variabilità interna decadale del Pacifico settentrionale, perché sintetizza in un unico indice un’impronta spaziale ricorrente delle anomalie di SST a nord di ~20°N (tipicamente definita come EOF principale, spesso dopo rimozione del segnale medio globale). In questo senso, la posta in gioco è duplice: da un lato la PDO condiziona la statistica degli estremi e la dinamica ecosistemica nel bacino circum-pacifico (dalle marine heatwaves, alla modulazione dell’attività ciclonica tropicale, fino a segnali biogeochimici come la produttività fitoplanctonica); dall’altro lato, proprio perché il Pacifico tropicale ed extratropicale possono “pacemakerare” la temperatura media globale su finestre decennali, la PDO (e i pattern a essa affini come IPO/PDV) è stata chiamata in causa nel modulare fasi di accelerazione o rallentamento del trend di GMST, inclusa la discussione sul cosiddetto warming slowdown di fine anni ’90–inizio 2010.
Il problema scientifico—che nel testo che mi hai incollato emerge in modo molto onesto—è che la PDO non è un “oscillatore” unico con una sola causa. La letteratura degli ultimi due decenni converge su un’idea chiave: gran parte del segnale a bassa frequenza nelle SST extratropicali può essere interpretato, in prima approssimazione, come risposta oceanica integrata a una forzante atmosferica intrinsecamente rumorosa (stocastica), che il mixed layer filtra e “arrossa”, amplificando le componenti a lunga scala. Ma questa lettura non esaurisce la fisica del Nord Pacifico: lungo la fascia del Kuroshio–Oyashio Extension (KOE/KE) e nelle regioni di forte gradiente termico e intensa attività mesoscalare entrano in gioco processi dinamici oceanici (aggiustamenti via onde di Rossby, variazioni di trasporto e convergenza di calore, feedback tra corrente, fronti e flussi aria–mare) che possono imprimere tempi caratteristici propri e strutture spaziali non riducibili al solo “imprinting” atmosferico.
A complicare ulteriormente la diagnosi c’è il fatto che la PDO, pur essendo definita nel Nord Pacifico, ha una firma che spesso appare “ENSO-like”: non perché sia ENSO, ma perché le teleconnessioni tropicali possono proiettare in modo efficiente sul Pacifico settentrionale tramite l’atmospheric bridge (modulando venti, flussi turbolenti, bilancio radiativo e profondità del mixed layer), e queste forzanti, una volta integrate dall’oceano extratropicale, possono assumere un aspetto decadale anche se originate su tempi interannuali. In parallelo, esiste un filone robusto che mostra come anche forzanti remote—ad esempio dall’Atlantico—possano contribuire a parte della varianza della PDO/PDV attraverso catene di teleconnessione atmosferiche e accoppiamento oceano–atmosfera, aggiungendo un ulteriore livello di non-località e potenziale non stazionarietà. Il risultato pratico è che, con serie osservate relativamente corte (un secolo scarso per molti prodotti affidabili), discriminare “quanto” della PDO provenga da (i) integrazione stocastica dell’atmosfera, (ii) dinamica oceanica regionale KOE/gyre, (iii) forzanti tropicali ENSO e (iv) contributi remoti inter-bacino, diventa un problema di attribuzione che soffre di campionamento limitato e di forte variabilità interna.
È esattamente qui che il paper di Wu, Di Lorenzo e colleghi colloca il proprio contributo metodologico: usare i Linear Inverse Models (LIM) come “microscopio dinamico” empirico per scomporre un indice statistico (PDO) in costituenti con significato dinamico e tempi caratteristici, e per generare grandi ensemble coerenti con le covarianze osservate. I LIM, nella formulazione classica, rappresentano l’evoluzione di un vettore di anomalie come sistema lineare stocasticamente forzato: stimando l’operatore lineare e la struttura del rumore dai dati, si possono ricavare modi, tassi di smorzamento/crescita e scale temporali, oltre a produrre integrazioni “cheap” per costruire distribuzioni ensemble e valutare la sensibilità ai periodi di campionamento. Questa famiglia di approcci è stata usata in climatologia proprio perché, pur nella sua linearità, riesce spesso a riprodurre aspetti essenziali della risposta accoppiata e a fornire skill previsivo competitivo per alcune variabili, oltre a essere molto trasparente nell’interpretazione rispetto a un GCM.
Nel lavoro specifico, la decomposizione LIM porta a tre “costituenti” della PDO: un modo legato al KOE, un modo North Pacific–Central Tropical Pacific (NP–CP) che cattura la connessione extratropici–tropici centrali, e un contributo ENSO più direttamente riconducibile alla variabilità tropicale. La cosa importante—anche per “mettere ordine” quando si discute di PDO in un clima che cambia—è che gli autori mostrano quanto la stima delle importanze relative possa fluttuare su finestre di ~85 anni per pura variabilità interna, e che per ottenere stime stazionarie robuste servano ordini di grandezza temporali più lunghi (nell’analisi parlano di almeno alcuni secoli). Questo messaggio è perfettamente coerente con la lettura “PDO come superposizione” e con l’avvertenza—rimarcata da Newman e colleghi—che la PDO spesso rappresenta in larga parte una risposta dell’oceano alla variabilità atmosferica e quindi va maneggiata con cautela quando la si usa come “forzante” unidirezionale di altri fenomeni.
Per evitare di confondere differenze fisiche reali con artefatti di campionamento o con divergenze strutturali tra modelli, il paper costruisce un confronto su tre “sistemi” concettuali: (i) un sistema stocastico osservazionale basato su LIM e forzato da rumore (grande ensemble LIM), (ii) un sistema in cui i membri ensemble condividono la stessa fisica ma differiscono per condizioni iniziali e sono soggetti a forcing antropico storico (CESM Large Ensemble), e (iii) un sistema multi-modello in cui la fisica cambia tra modelli pur sotto forcing storico coerente (CMIP6). Questa triade è molto ben pensata perché separa, almeno in parte, tre sorgenti di incertezza: variabilità interna (i), sensibilità alle condizioni iniziali con fisica fissata (ii), e spread strutturale dovuto alla diversa rappresentazione dei processi (iii). In più, l’estensione allo scenario SSP5–8.5 permette di interrogare non solo “se” cambia la PDO, ma “quale pezzo” del mosaico (KOE vs NP–CP vs ENSO) cambia e come questo si traduca in tempi caratteristici e prevedibilità.
Il punto d’arrivo—già anticipato nell’abstract che avevi tradotto—è che, nei modelli e sotto riscaldamento, tende a emergere una maggiore dominanza del contributo ENSO e una riduzione dell’influenza KOE, con conseguente accorciamento della scala temporale effettiva della PDO. Questo è in linea con un filone più ampio che indaga come la PDO risponda al forcing antropico in termini di ampiezza, periodo e struttura spaziale, e con il fatto che bias nella rappresentazione di KOE e delle interazioni tropici–extratropici possono alterare la partizione dei meccanismi nei GCM. In altre parole: più che chiedersi “la PDO aumenta o diminuisce?”, la domanda utile diventa “quale combinazione di processi stiamo chiamando PDO in un clima più caldo?”, e i LIM forniscono un linguaggio operativo per rispondere, perché permettono di confrontare in modo diretto costituenti dinamici tra osservazioni e modelli, invece di confrontare soltanto un EOF che per sua natura può rimescolare contributi diversi.
Dynamical constituents of PDO in observation
In questa sottosezione gli autori costruiscono il “caso di riferimento” osservativo applicando i Linear Inverse Models (LIM) alle SST osservate (HadISST) nel periodo 1920–2014, così da ottenere una scomposizione della PDO non solo come pattern di varianza, ma come combinazione di costituenti dinamici con scale temporali e impronte spaziali distinguibili. La scelta di HadISST è coerente con il suo impiego standard nella diagnostica climatica globale (campi mensili completi di SST e ghiaccio marino) e con l’uso frequente di questo dataset come baseline per confronti modello–osservazioni.
Un passaggio metodologico cruciale è il detrending “dinamico”: invece di sottrarre semplicemente una retta o la media globale, le anomalie di SST (SSTa) vengono “depurate” rimuovendo la proiezione tempo-variabile sul modo stazionario meno smorzato a periodo infinito, che nel lavoro assume un’impronta di riscaldamento globale con configurazione “La Niña-like”. In pratica, questo step mira a isolare meglio la variabilità interna della PDO rispetto al segnale forzato, un tema molto discusso perché la PDO, essendo definita come EOF/indice nel Nord Pacifico, può essere contaminata dal riscaldamento di fondo se non si separa adeguatamente la componente forzata.
Per separare in modo esplicito contributi tropicali ed extratropicali, gli autori costruiscono un sistema LIM usando le SSTa del Pacifico tropicale (20°S–20°N) e del Nord Pacifico (21°N–60°N) e lavorano nello spazio delle componenti principali (PC) di queste due regioni. Da qui stimano l’operatore lineare del LIM e ricavano autovettori e autovettori aggiunti (adjoint), che consentono proiezioni coerenti e l’identificazione di autonomi dinamici (eigenmodes) ordinabili per scala di decadimento e-folding. Questo impianto si colloca nella tradizione LIM di Penland & Sardeshmukh, dove il sistema climatico (o un suo sottospazio) è trattato come dinamica lineare stocasticamente forzata, utile sia per diagnosi meccanicistiche sia per generare ensemble sintetici.
A questo punto entra in gioco la PDO “classica”: l’indice PDO è definito come PC1 delle SST nel Nord Pacifico (20°N–60°N), e viene decomposto proiettandolo sui modi dinamici dominanti a bassa frequenza. Il risultato è una scomposizione in tre costituenti: (i) il modo Kuroshio–Oyashio Extension (KOE), con massima proiezione nella regione del KOE ma con footprint che si estende a scala di bacino; (ii) il modo North Pacific–Central Tropical Pacific (NP-CP), che esplicita un legame tropici–extratropici; (iii) un modo ENSO, più confinato al Pacifico tropicale e con scala tipicamente interannuale. Questa tripartizione è perfettamente allineata con la sintesi recente sulla variabilità decadale pacifica che identifica proprio KOE e NP-CP come “mattoni dinamici” fondamentali dietro i modi statistici di PDV/PDO.
La cosa forte (e quantitativamente molto pulita) è che la PDO osservata viene ricostruita quasi integralmente come combinazione lineare delle tre serie temporali modali: la correlazione ricostruzione-osservato arriva a r = 0,97, e i pesi (definiti dalla covarianza tra ciascun modo e l’indice PDO) attribuiscono importanze relative pari a 0,31 (KOE), 0,53 (NP-CP) e 0,16 (ENSO). L’analisi wavelet, inoltre, mostra che la ricostruzione cattura non solo l’ampiezza, ma anche i principali periodi dominanti e gli shift di fase della PDO osservata: quindi, nella lettura degli autori, la PDO non è “un oggetto unico”, ma l’esito di una combinazione di dinamiche regionali del KOE, accoppiamenti tropici–extratropici e contributi ENSO-like.
Dal punto di vista fisico, le differenze spazio-temporali tra i tre modi sono coerenti con la letteratura. Il KOE mode è diagnosticato come modo stazionario (autovalore reale), cioè più vicino a una variazione “a stato” che a un’oscillazione propagante; la sua interpretazione si collega naturalmente alla dinamica della Kuroshio Extension, dove la variabilità decadale del getto, della ricircolazione e dell’attività vorticosa è ben documentata e spesso indicizzata con metriche dedicate (KE index), mostrando regime shifts e fluttuazioni su scale pluriennali-decadali. Il lavoro sottolinea però un limite importante: su ~85 anni effettivi (1920–2014) è difficile risolvere in modo robusto una potenziale componente multidecadale del KOE, già suggerita in analisi con campioni più lunghi o con strumenti che aumentano la separabilità delle scale.
Il NP-CP mode, invece, carica sia sul Nord Pacifico sia sul Pacifico tropicale centrale e viene interpretato come espressione dell’accoppiamento bidirezionale tropici–extratropici con scala tipicamente decadale. Qui il collegamento naturale è con le teleconnessioni atmosferiche e con l’idea di “ponte” (atmospheric bridge), per cui anomalie ENSO (o ENSO-like) modulano la circolazione e i flussi superficiali extratropicali, imprimendo alle SST nordpacifiche un segnale che l’oceano può integrare e “reddenare” verso frequenze più basse. In parallelo, le connessioni inter-bacino e i canali combinati atmosfera-oceano (bridge/tunnel) sono un’altra via plausibile con cui segnali remoti possono alimentare una parte del contenuto decadale, rendendo la PDO un oggetto intrinsecamente non-locale.
Il modo ENSO emerge con impronta tropicale netta e scala interannuale, ma gli autori fanno una precisazione metodologica importante: usando meno gradi di libertà nella costruzione del LIM-PDO rispetto ad alcuni lavori precedenti, questo “ENSO mode” potrebbe inglobare più sottocomponenti legate alla diversità ENSO (EP vs CP) e alle fasi di decadimento, cioè una combinazione compressa di modi che in spazi di stato più ricchi possono separarsi meglio. Questa osservazione è utile perché ricorda che la scomposizione modale dipende anche dalla scelta del sottospazio e che “un modo ENSO” nel LIM può essere un contenitore di famiglie dinamiche, non necessariamente un singolo archetipico El Niño.
In sintesi, la sottosezione costruisce un punto fermo: nella finestra osservativa moderna la PDO è riproducibile quasi perfettamente come combinazione di KOE + NP-CP + ENSO, con una dominanza del termine NP-CP nel bilancio di varianza dell’indice, e con un chiaro messaggio di cautela sul campionamento (85 anni) quando si tenta di stimare componenti multidecadali e pesi “stazionari”. È un’impostazione che, invece di discutere la PDO come indice monolitico, mette direttamente al centro i meccanismi — e questo, quando si passa alle differenze tra ensemble e alle proiezioni SSP5-8.5, diventa il vero vantaggio diagnostico dell’approccio LIM.
Discrepancies in the PDO patterns between observations and models
Qui gli autori mettono nero su bianco un punto che, nella pratica, spesso viene “intuìto” ma raramente quantificato in modo così pulito: la differenza tra il pattern PDO osservato e quello simulato da modelli (sia in un grande ensemble di un singolo modello, sia nel multi-modello) non sembra spiegabile solo come effetto di variabilità interna e campionamento limitato, ma presenta una firma compatibile con bias strutturali di modello. Lo strumento scelto per sintetizzare questa diagnosi è il diagramma di Taylor, che condensa in un colpo d’occhio correlazione spaziale, ampiezza (deviazione standard) e errore quadratico medio centrato tra pattern.
Il benchmark è l’osservazione (HadISST), un dataset “standard” per le SST globali usato proprio perché offre campi mensili completi e coerenti nel lungo periodo, pur con le inevitabili incertezze storiche. Nel Taylor diagram la stella nera rappresenta quel riferimento: più i punti (pattern simulati) si avvicinano alla stella, più riproducono contemporaneamente forma e ampiezza del pattern osservato. Il risultato riportato è piuttosto diagnostico: i membri del LIM large ensemble (LIM-LE) stanno, nel complesso, molto più vicini all’osservazione rispetto ai membri di CESM-LE e delle simulazioni storiche CMIP6, e persino le medie d’ensemble (CESM-LEM e CMIP6-MME) pur migliorando rispetto ai singoli membri restano sensibilmente più distanti del LIM-LEM. Nel ragionamento degli autori, questo implica che lo scarto modello-osservazione è statisticamente “robusto” e che non basta dire “eh, ma l’osservazione è una sola realizzazione”: se un sistema stocastico costruito a partire dalle statistiche osservate (SOS/LIM-LE) genera un ventaglio di pattern che abbraccia bene l’OBS, mentre i modelli climatici no, allora la radice del problema è verosimilmente una combinazione di processi mal rappresentati o mal bilanciati nei modelli.
Fisicamente, la differenza di impronta non è un dettaglio estetico: nella fase positiva osservata la PDO mostra il classico assetto con anomalia fredda nel Nord Pacifico centrale e anomalie calde lungo la costa occidentale del Nord America, con un’estensione verso latitudini più basse; questa geometria è coerente con la lettura “PDO come risposta (in parte) integrata a forzante atmosferica e teleconnessioni”, dove la circolazione (es. Aleutian Low/NPI) e i flussi aria-mare imprimono e “arrossano” il segnale nel mixed layer. Nel lavoro, infatti, il SOS (che usa operatore evolutivo e covarianza del rumore diagnosticati dall’OBS) cattura bene questa struttura, e la media LIM-LE la riproduce in modo molto vicino.
La parte davvero istruttiva arriva quando si nota dove finiscono i massimi/minimi nei modelli: in CESM-LE e CMIP6-HIS, la lobo negativa del pattern PDO tende a collocarsi più vicino alla regione Kuroshio–Oyashio Extension (KOE). Questo “trasloco” suggerisce che, nella miscela di processi che i modelli stanno proiettando sull’indice PDO, pesa troppo (o in modo distorto) la dinamica/frontogenesi del margine occidentale e del sistema Kuroshio Extension rispetto alla componente più basin-scale/teleconnessa che domina il benchmark osservativo. E qui la letteratura di contesto aiuta a interpretare il perché: la Kuroshio Extension è una delle aree a più forte gradiente termico e intensa variabilità a bassa frequenza del Pacifico nord-occidentale, con oscillazioni decadali del getto, della ricircolazione e dell’attività vorticosa forzate dal vento e mediate anche da onde di Rossby, e con potenziali feedback aria-mare. Se un modello non rappresenta bene (i) posizione e intensità del fronte, (ii) mesoscale eddy field e mixing, (iii) risposta atmosferica locale e storm-track, è facile che la varianza decadale si “ancori” in modo eccessivo al KOE e che il pattern PDO risulti westward-shifted o comunque sbilanciato. In effetti lavori recenti discutono esplicitamente bias di spostamento/ancoraggio del pattern PDO simulato, e mostrano come questi bias possano essere comuni e persistenti.
Infine, la grande dispersione tra modelli CMIP6 (e persino tra membri di CESM-LE) che gli autori evidenziano è un messaggio importante: non è solo “rumore”, ma un indizio che, a parità di forcing antropico storico, il processo dominante che alimenta la PDO può cambiare tra sistemi (SDA) e tra realizzazioni con fisica fissata (SSA), cioè può cambiare il bilancio relativo tra contributi KOE-centrati, tropici-extratropici e ENSO-like. È esattamente il tipo di problema per cui una decomposizione dinamica via LIM diventa utile: non ti costringe a discutere soltanto “l’EOF1”, ma ti obbliga a chiederti quale fisica stia effettivamente costruendo quel pattern nei diversi mondi (osservato, single-model ensemble, multi-model).
La Figura 1 mostra, in modo molto “dimostrativo”, che l’indice PDO osservato può essere interpretato come una combinazione di pochi costituenti dinamici estratti con un Linear Inverse Model (LIM) applicato alle SST osservate (HadISST, 1920–2014). L’idea di fondo del LIM è rappresentare l’evoluzione delle anomalie (qui SSTa in Pacifico tropicale e Nord Pacifico) come un sistema lineare stocasticamente forzato, da cui si ricavano autovettori/modi con scale temporali (e-folding) e strutture spaziali coerenti; questo approccio nasce nella letteratura LIM classica e viene spesso usato per separare “mattoni dinamici” all’interno di indici che, per costruzione EOF, sono statisticamente robusti ma fisicamente compositi.
Nei pannelli (a–f) la figura affianca, per ciascun costituente, una serie temporale (a, c, e) e il relativo pattern spaziale(b, d, f). Il primo modo, KOE, concentra la propria impronta nella regione della Kuroshio–Oyashio Extension ma con un footprint che si propaga a scala di bacino nel Nord Pacifico (b): è coerente con l’idea che il settore del Kuroshio Extension sia un “motore” di variabilità decadale legata a spostamenti/intensità del getto oceanico, recircolazioni e attività mesoscalare, spesso forzati dal vento e mediati anche da aggiustamenti via onde di Rossby. La letteratura sul KE mostra infatti fluttuazioni decadali marcate e legami con l’atmosfera sovrastante, quindi non è sorprendente che un costituente “KOE-centrico” emerga quando si cerca una base dinamica per la PDO.
Il secondo modo, NP-CP, è quello più “interessante” dal punto di vista meccanicistico perché mette in evidenza un ponte tra Nord Pacifico e Pacifico tropicale centrale (d): la struttura suggerisce una teleconnessione tropici–extratropici e (come dicono gli autori) una forma di accoppiamento bidirezionale che tende a vivere su scale decadali. Qui il legame con i meccanismi noti di comunicazione ENSO→extratropici è immediato: l’ENSO modula la circolazione atmosferica e i flussi aria–mare alle medie latitudini tramite l’“atmospheric bridge”, e l’oceano extratropicale può integrare e “reddenare” quel forcing, spostando potenza verso frequenze più basse. In più, la prospettiva del seasonal footprinting mechanism aiuta a capire come segnali tropicali e subtropicali possano lasciare una “impronta” stagionalmente mediata che poi alimenta variabilità persistente nel Pacifico nord-orientale/centrale.
Il terzo modo, ENSO, è più confinato ai tropici (f) e rappresenta la componente tipicamente interannuale; nel pannello (e) lo si vede bene nella variabilità più rapida rispetto agli altri due costituenti. Un punto metodologico importante (esplicitato nel testo del paper) è che, scegliendo un numero più ridotto di gradi di libertà nello spazio delle PC, questo “ENSO mode” può inglobare una combinazione di sottotipi ENSO (EP/CP e fasi di decadimento) invece di separarli in modi distinti: quindi la figura non sta dicendo “c’è un solo ENSO”, ma che esiste un contributo tropicale a firma ENSO che entra nella ricetta della PDO.
La parte quantitativamente più forte è nei pannelli (g) e (h): la PDO ricostruita (RePDO) e la PDO osservata risultano quasi sovrapposte, con correlazione ~0,97 secondo gli autori. In pratica, tre sole serie modali riescono a riprodurre la traiettoria dell’indice PDO su quasi un secolo. I pesi “RI” (Relative Importance) riportati nei pannelli dei tre costituenti sono la traduzione operativa di questa idea: misurano quanta parte della PDO (in senso di covarianza con l’indice) è attribuibile a ciascun costituente. Il fatto che NP-CP pesi di più (RI=0,53) rispetto a KOE (0,31) e ENSO (0,16) è un risultato concettualmente in linea con la visione moderna della PDO come fenomeno emergente da più processi, non come singolo oscillatore autonomo: nella sintesi “PDO Revisited” questo concetto è centrale, perché la PDO viene interpretata come combinazione di risposta oceanica a forcing atmosferico, dinamica oceanica regionale e teleconnessioni tropicali.
I pannelli (i) e (j) aggiungono un controllo “spettrale-temporale”: lo spettro wavelet della RePDO replica quello della PDO osservata, indicando che la ricostruzione non cattura solo la forma della serie, ma anche la distribuzione della potenza nel tempo e i principali intervalli di periodo (e i cambi di fase) su cui la PDO si manifesta. La linea tratteggiata del cone of influence ricorda un aspetto tecnico fondamentale: vicino ai bordi della serie, la wavelet soffre effetti di bordo e la stima della potenza è meno affidabile, motivo per cui l’interpretazione deve concentrarsi sulle regioni fuori dal cono. Questo tipo di diagnostica è standard nella climatologia delle scale decadali e rimanda direttamente alla trattazione classica di Torrence & Compo.
Nel complesso, la Figura 1 va letta come un messaggio molto preciso: l’indice PDO osservato è spiegabile, con alta fedeltà, come somma di (i) una componente legata alla variabilità del Kuroshio Extension (dinamica occidentale di bacino), (ii) una componente tropici–extratropici che domina il bilancio (NP-CP) e (iii) una componente ENSO più rapida e tropicale. Questo settaggio è cruciale per il seguito del paper: se un modello climatico sbilancia o distorce uno di questi tre “ingredienti” (per esempio ancorando eccessivamente la variabilità al KOE o indebolendo l’accoppiamento tropici–extratropici), allora non cambia solo l’indice, ma cambia proprio il pattern e la fisica che la PDO rappresenta.
La Figura 2 è costruita per separare due piani che spesso vengono confusi quando si confronta la PDO tra osservazioni e modelli: (i) quanto i pattern simulati assomigliano a quello osservato (forma e ampiezza) e (ii) perché differiscono, cioè quale parte della “ricetta dinamica” (KOE, NP-CP, ENSO) risulta distorta nei diversi sistemi. Il riferimento osservativo (stella nera) è calcolato su HadISST, un dataset ampiamente usato per analisi di variabilità a scala di bacino.
Il pannello (a) usa un diagramma di Taylor, che condensa in un unico grafico tre statistiche tra pattern: correlazione spaziale, deviazione standard (ampiezza) e errore quadratico medio centrato; la geometria del diagramma è pensata proprio per visualizzare simultaneamente somiglianza di forma (correlazione) e “forza” del pattern (deviazione standard). In questa figura la stella nera è il benchmark (OBS): se un punto (un membro o un modello) cade vicino alla stella, significa che riproduce bene sia l’ampiezza sia la struttura spaziale del pattern PDO. I punti blu (LIM-LE) risultano molto più compatti e vicini al riferimento rispetto ai punti verdi (CESM-LE) e gialli (CMIP6 storico): è un passaggio chiave, perché il LIM-LE è un “grande ensemble osservazionale” costruito diagnosticando operatore dinamico e covarianza del rumore dalle osservazioni, quindi serve a campionare quanta variabilità interna e quanta fluttuazione di pattern ci si può aspettare a parità di fisica statistica osservata. Se i modelli fisici (CESM-LE e soprattutto il multi-modello CMIP6) si collocano sistematicamente più lontani della nube LIM-LE, l’interpretazione naturale è che una parte dello scarto non è attribuibile solo a “una singola realizzazione osservativa”, ma include una componente di bias modellistico. Questo ragionamento è rafforzato dal fatto che le stelle di media d’ensemble (LIM-LEM, CESM-LEM, CMIP6-MME) migliorano rispetto ai singoli membri (perché la media attenua il rumore interno) ma non “collassano” tutte sul punto osservato: segno che rimane un errore sistematico anche dopo averaging. Il rombo nero (ERSST) è un controllo importante: mostra che, cambiando prodotto SST osservativo, il benchmark si sposta ma resta nello stesso “intorno”, cioè non si tratta di un riferimento arbitrario; ERSSTv5 è infatti un altro dataset di riferimento molto usato per studi di variabilità climatica su larga scala.
I pannelli di pattern PDO (b, c, g, k, o) ti fanno vedere “dove” nasce la distanza nel Taylor diagram. In (b) il pattern osservato mostra la classica configurazione nordpacifica con un nucleo di anomalia di segno opposto nel Pacifico centrale e un segnale opposto lungo il margine orientale e verso latitudini più basse. In (c) la media LIM-LE replica molto bene questa geometria (coerente col fatto che il LIM è diagnosticato dall’OBS). Nei sistemi modellistici, invece, compaiono due segnali ricorrenti: (1) una tendenza a modificare la collocazione del nucleo principale nel Nord Pacifico (spesso più “ancorato” o spostato verso il settore occidentale/KOE rispetto all’osservato) e (2) una maggiore evidenza del contributo tropicale “ENSO-like” nel pattern medio, che rende la PDO modellistica più “contaminata” dalla struttura equatoriale rispetto a quanto emerge nel benchmark osservativo. Questa seconda caratteristica è particolarmente visibile quando si confrontano i pannelli storici (k) con quelli in SSP585 (o), dove il segnale equatoriale appare più marcato nel multimodello, coerentemente con l’idea (sviluppata nel paper) che sotto riscaldamento aumenti il peso relativo della componente ENSO nella PDO.
La parte destra della figura è la vera diagnostica meccanicistica: invece di fermarsi al pattern PDO, mostra gli autovettori (eigenmodes) dei tre costituenti dinamici che nel LIM ricostruiscono la PDO (KOE, NP-CP, ENSO) e li confronta tra sistemi. Nei pannelli KOE (d, h, l, p) si vede che nei casi “osservazione-consistente” (prima riga) il modo è relativamente confinato e coerente con la variabilità del settore Kuroshio–Oyashio/KE, mentre passando a CESM-LE e CMIP6 la struttura tende a diventare più debole e/o più spostata, suggerendo che la rappresentazione del pacchetto di processi KOE (fronti, eddies, mixing, interazione aria-mare locale) cambia in modo sistematico tra modelli. Nei pannelli NP-CP (e, i, m, q) l’elemento essenziale è la “cerniera” tropici–extratropici: se questo modo cambia forma o intensità nei modelli, cambia automaticamente anche quanto la PDO risulta un prodotto di teleconnessione e accoppiamento a scala di bacino. Nei pannelli ENSO (f, j, n, r) la struttura equatoriale resta la più riconoscibile in tutte le righe, ma tende a emergere con maggiore enfasi nella riga SSP585 (r), che è esattamente ciò che ci si aspetta se l’ENSO contribution diventa più dominante nella decomposizione futura. Questo modo di leggere la figura è molto in linea con la visione “PDO come fenomeno composito” consolidata nella letteratura: l’indice PDO non è un oscillatore singolo, ma un’emergenza statistico-dinamica che integra forcing atmosferico, dinamica oceanica extratropicale e connessioni tropicali.
Il punto fisico che sta sotto (e che rende la Figura 2 più di un semplice confronto grafico) è che il settore KOE/KE è uno dei luoghi più difficili da simulare in un GCM “standard” per via di gradienti SST intensi, variabilità mesoscalare eddy-driven e forte sensibilità a mixing e risoluzione: piccoli errori nella posizione del fronte, nell’eddy field o nella rappresentazione dello scambio verticale possono spostare il massimo di variabilità e quindi “tirare” il pattern PDO verso ovest, rendendolo più KOE-centrico. Studi osservativi e dinamici sul KOE mostrano quanto mesoscale eddies e fronti governino la variabilità locale e il suo imprint sulle SST. Parallelamente, lavori su configurazioni a risoluzione più alta o su valutazioni di bias indicano che la risoluzione/modellistica dell’oceano influisce in modo sostanziale sui bias SST e sulla climatologia nel Pacifico nord-occidentale, cioè esattamente il tipo di errore che poi si riflette in un pattern PDO “spostato”.
Quindi, letta tutta insieme, la Figura 2 ti dice tre cose operative: primo, il LIM-LE fornisce una stima empirica di quanta variabilità di pattern ci si può aspettare senza cambiare “la fisica” osservata, e i modelli spesso escono da quell’inviluppo; secondo, le differenze non sono uniformi ma si concentrano in una distorsione della componente extratropicale (KOE e/o NP-CP) e in una diversa proiezione della componente tropicale (ENSO) nel pattern PDO; terzo, nello scenario SSP585 (che in CMIP6 rappresenta la traiettoria ad alto forcing radiativo) il multimodello suggerisce un’ulteriore riorganizzazione dei contributi, coerente con l’idea che cambino i pesi relativi dei costituenti e quindi anche la “natura” della PDO stessa nel clima futuro.
Dynamical constituents of PDO in three different systems
In questa sottosezione gli autori fanno un passo metodologico decisivo: invece di limitarsi a dire che “la PDO dei modelli è diversa da quella osservata”, applicano la stessa scomposizione LIM (KOE, NP-CP, ENSO) a tre famiglie di sistemi molto diverse tra loro — LIM-LE (fisica/statistica diagnosticata dalle osservazioni e forzante stocastica), CESM-LE (stessa fisica di modello, forzante antropica storica, spread da condizioni iniziali) e CMIP6-HIS (fisiche diverse tra modelli, forzante storica coerente) — così da capire se le discrepanze emergono perché cambia la “miscela” dei processi o perché cambia la forma dei singoli ingredienti. Prima della decomposizione viene rimosso anche il contributo di trend di riscaldamento globale con impronta “El Niño-like”, un’operazione concettualmente in linea con la letteratura che distingue tra variabilità interna e segnale forzato quando si analizzano modi decadali basati su SST.
Il primo risultato (quasi “di controllo qualità”) è che la ricostruzione della PDO come combinazione dei tre costituenti funziona in modo ragionevole in tutti i sistemi: per quasi tutti i membri la correlazione tra PDO ricostruita e PDO originale supera 0,5 e in molti casi si avvicina a 0,9; la media d’ensemble delle correlazioni è ~0,8 per LIM-LE, CESM-LE e CMIP6-HIS. È un punto importante perché stabilisce che la decomposizione è informativa anche nei modelli: non è un artefatto che vale solo nelle osservazioni. Inoltre, l’analisi wavelet sui singoli membri suggerisce che la ricostruzione cattura non solo l’andamento medio, ma anche i principali periodi e gli shift di fase della PDO “originale”, cioè la struttura tempo-frequenza che in climatologia si usa proprio per diagnosticare la variabilità non stazionaria (e gli effetti di bordo tramite cone of influence).
Il secondo risultato è più sostanziale: anche a parità di tecnica di scomposizione, l’importanza relativa di KOE, NP-CP ed ENSO può variare moltissimo tra realizzazioni. Questo vale persino nel LIM-LE, dove l’operatore dinamico e la covarianza del rumore sono “osservazione-consistenti”: alcuni membri risultano più dominati da KOE, altri da NP-CP, altri mostrano un contributo ENSO più marcato. In termini fisici, è un modo elegante per ribadire un concetto classico: su scale decadali, l’oceano può agire da integratore di forzante atmosferica stocastica, generando ampia variabilità “di campionamento” (red-noise) nella distribuzione di potenza e nelle teleconnessioni apparenti, anche senza cambiare la fisica di base.
Lo stesso vale per i periodi caratteristici dei tre costituenti: KOE tende a mostrare un comportamento molto lento (periodo infinito o superiore alla finestra di 85 anni), ENSO resta confinato su scale interannuali (<10 anni), mentre l’NP-CP è quello che esibisce la dispersione più ampia nei periodi dominanti. Quest’ultimo dettaglio è altamente diagnostico: se il modo che rappresenta la teleconnessione tropici–extratropici è quello più variabile in scala temporale, allora anche la “quantità di PDO” che appare come fenomeno decadale può dipendere fortemente da come (e quanto) il ponte tropicale riesce a proiettarsi e a essere integrato dal Nord Pacifico in una data realizzazione. Questo è coerente con la letteratura sulle teleconnessioni, dove l’efficacia dell’“atmospheric bridge” e dei canali oceano-atmosfera può variare con lo stato medio e con la variabilità interna, modulando la persistenza delle anomalie extratropicali.
A questo punto gli autori legano in modo diretto la scomposizione al problema “modelli vs osservazioni” visto in Fig. 2: anche se, mediamente, i pesi relativi dei tre costituenti nei modelli non sono incompatibili con quelli osservati, le differenze di pattern dei costituenti (non solo la loro ampiezza) possono spiegare perché la PDO simulata risulti spesso “spostata” o distorta. In particolare, nelle medie CESM-LEM e CMIP6-MME storico, la variabilità associata sia al modo KOE sia al modo NP-CP tende a massimizzare in prossimità della regione Kuroshio-Oyashio Extension, mentre nelle osservazioni l’NP-CP mostra ampiezze più bilanciate tra settore KOE e regione equatoriale. Tradotto: nei modelli la PDO tende a essere più “KOE-centrica” e meno sostenuta da una teleconnessione tropici–extratropici robusta, cioè un quadro coerente con studi che, usando approcci LIM/multivariati, trovano interazioni tropici-extratropici più deboli nei CMIP6 rispetto alle osservazioni.
Questa lettura ha anche una base fisica plausibile: la regione del Kuroshio Extension è un hotspot di gradienti SST, fronti, eddy-mixing e feedback aria-mare; piccoli errori modellistici nella climatologia dei fronti, nella separazione della corrente o nella rappresentazione del mesoscale possono alterare dove si concentra la varianza a bassa frequenza, con effetti a cascata sul pattern PDO e sulla sua decomposizione. Il fatto che i modelli “tirino” parte della variabilità verso il settore KOE non è quindi sorprendente, ed è coerente con la letteratura che documenta sia la forte variabilità stagionale-decadale del KE sia la sensibilità dei bias in quella regione a risoluzione e fisica oceanica.
L’ultimo messaggio, forse il più importante sul piano statistico, riguarda la lunghezza dei dati: gli autori mostrano che estendendo artificialmente il LIM-LE da 85 anni a centinaia fino a 1000 anni, la qualità della ricostruzione cresce rapidamente e, soprattutto, la stima dei pesi relativi converge. Già a ~300 anni la dispersione tra membri si riduce molto e le medie d’ensemble diventano stabili: il modo NP-CP tende a contribuire circa metà della PDO, mentre KOE ed ENSO circa un quarto ciascuno; i periodi tipici risultano dell’ordine di ~30–50 anni per NP-CP e ~2–8 anni per ENSO. Questa conclusione è perfettamente compatibile con ciò che sappiamo sul campionamento della variabilità interna: su finestre di pochi decenni (o anche un secolo) le stime di varianza/persistenza e perfino i pattern medi possono essere fortemente condizionati dalla realizzazione, motivo per cui i large ensembles sono diventati lo strumento standard per quantificare l’incertezza da variabilità interna.
La Figura 3 mette a fuoco un aspetto spesso sottovalutato quando si discute di PDO: anche se la PDO viene definita come “modo dominante” del Nord Pacifico (in senso EOF/statistico), la sua interpretazione dinamica dipende moltissimo da quale realizzazione del clima stai guardando e da quanto è lunga la serie temporale. In pratica, gli autori mostrano che la PDO è un oggetto “emergente” dalla combinazione di più processi (KOE, NP-CP, ENSO), e che la miscela può cambiare parecchio pur senza cambiare il forcing esterno o la fisica di base del sistema. Questa visione è coerente con la sintesi moderna della PDO come pattern composito e non come oscillatore unico.
Nei pannelli (a–c) vedi le proprietà “medie” (con barre di errore = dispersione tra membri/modelli) per tre famiglie: LIM-LEM (media del LIM large ensemble), CESM-LEM (media del CESM large ensemble) e CMIP6-MME HIS(media multimodello storico). Il pannello (a) (“Correlation between RePDO and PDO”) dice quanto bene la PDO originale di ciascun sistema viene ricostruita dalla somma dei tre costituenti dinamici. Il fatto che la correlazione media sia ~0.8 in tutti e tre i casi indica che la decomposizione LIM è informativa anche nei modelli, non solo nelle osservazioni; allo stesso tempo, è inferiore al caso osservativo molto alto (≈0.97 in Fig. 1), segnalando che nei modelli la PDO è “spiegabile” dagli stessi ingredienti, ma con una coerenza inferiore (più rumore o diversa organizzazione dei modi).
Il pannello (b) (“Relative importance”) è quello che cambia la prospettiva: non chiede più se la ricostruzione funziona, ma quale costituente pesa di più nella PDO di quel sistema. Le barre impilate mostrano le frazioni attribuite a KOE(blu), NP-CP (rosso) ed ENSO (giallo). Le due linee tratteggiate sono riferimenti osservativi importanti: la linea più bassa rappresenta l’importanza relativa del solo KOE nelle osservazioni; la linea più alta rappresenta la somma KOE+NP-CP osservata (cioè quanta parte della PDO osservata è spiegata dai due modi “extratropici/teleconnessi” senza ENSO). La lettura fisica è che, anche quando le medie d’ensemble possono sembrare “ragionevoli”, la vera storia è nello spread: se in un sistema i membri oscillano tra una PDO dominata da KOE e una dominata da NP-CP, allora la PDO non sta descrivendo sempre lo stesso equilibrio di processi. Questa è esattamente la cautela che la letteratura sulla variabilità interna impone quando si tenta di attribuire meccanismi a fenomeni decadali usando finestre temporali corte o una singola realizzazione osservativa.
Il pannello (c) (“Periods”) aggiunge la dimensione tempo-scala: ENSO resta interannuale (pochi anni, <10), KOErisulta lentissimo (periodo “infinito” o comunque >85 anni, cioè oltre la finestra considerata), mentre NP-CP cade su scale decadali ma con la dispersione più grande. Questo è un risultato molto coerente con la fisica: il contributo ENSO è quello tipicamente interannuale; la componente KOE è associata a dinamiche molto lente del settore Kuroshio Extension/gyre e a processi di aggiustamento oceanico; la componente NP-CP, essendo un ponte tropici-extratropici, è la più sensibile a quanto efficacemente operano teleconnessioni e “atmospheric bridge”, e quindi può “migrare” tra bande decadali diverse a seconda della realizzazione.
I pannelli (d, f, h) scendono al livello di singolo membro/modello e fanno vedere la dispersione della correlazione RePDO–PDO: nel LIM-LE (d) cambiando solo la forzante stocastica (rumore) ottieni membri con ricostruzioni eccellenti e altri più modeste; nel CESM-LE (f) cambiando solo le condizioni iniziali (stesso modello, stesso forcing storico) lo spread resta grande; nel CMIP6 (h) allo spread da variabilità interna si somma quello “strutturale” perché i modelli hanno fisiche diverse. Questo è un esempio quasi didattico del concetto di Hasselmann: l’oceano può integrare una forzante atmosferica rumorosa producendo variabilità a bassa frequenza (“red noise”), e con serie finite le proprietà stimate possono cambiare molto tra realizzazioni.
Infine, i pannelli (e, g, i) sono il colpo di grazia all’idea di una PDO “unica”: mostrano, per ciascun membro/modello, come si ripartisce l’importanza relativa tra KOE, NP-CP ed ENSO. È qui che si vede che due membri dello stesso ensemble possono avere una PDO con ricetta completamente diversa (ad esempio fortemente NP-CP-dominata vs più KOE-dominata), pur essendo entrambi compatibili con la stessa fisica di base. E nel CMIP6 questo si amplifica perché alcuni modelli tendono a produrre teleconnessioni tropici-extratropici più deboli o configurazioni più “KOE-centriche”, in linea con lavori che hanno già evidenziato differenze sistematiche tra modelli e osservazioni nelle interazioni tropici-extratropici nel Pacifico.
Se devo riassumere il messaggio della Figura 3 in una frase “operativa”: su ~85 anni (ordine della finestra osservativa moderna) puoi ricostruire la PDO con tre costituenti in modo spesso buono, ma la stima di pesi e periodi non è stabileperché la PDO cambia composizione tra realizzazioni; quindi, quando confronti osservazioni e modelli, una parte delle differenze è inevitabile variabilità interna, ma un’altra parte può emergere come bias strutturale proprio perché i modelli “spostano” l’equilibrio tra KOE e NP-CP (e la loro impronta) rispetto a quanto suggerito dal sistema osservativo.
Implication for PDO in future projections
In questa sottosezione gli autori collegano in modo diretto la decomposizione dinamica della PDO (KOE, NP-CP, ENSO) alla domanda “che cosa succede alla PDO in un clima più caldo?”. Applicando lo stesso schema LIM alle proiezioni CMIP6 in SSP585, emerge innanzitutto un cambiamento nell’impronta spaziale della PDO media multimodello: il segnale di SST lungo la fascia equatoriale cresce in modo evidente, cioè la PDO proiettata tende a mostrare una componente tropicale più marcata rispetto allo storico.
Questa riorganizzazione è coerente con ciò che si osserva nei pesi relativi dei costituenti: nella media CMIP6 gli autori trovano un aumento del contributo del modo ENSO (dal ~23% nello storico a ~35% in SSP585) e, in parallelo, una riduzione del peso del modo KOE, mentre il contributo NP-CP rimane quasi invariato. L’interpretazione fisica è molto chiara: se cresce la quota “tropicale” (più alta frequenza) e diminuisce la quota associata alla dinamica lenta del settore Kuroshio–Oyashio/KE, allora la PDO non solo cambia pattern, ma tende anche a spostare la propria potenza spettrale verso periodi più brevi, con un passaggio dei picchi da ~25–30 anni a valori dell’ordine di ~12 anni nel multimodello SSP585. Un’idea del genere non è isolata: studi precedenti hanno mostrato che, sotto riscaldamento globale, la variabilità decadale del Nord Pacifico può indebolirsi e “accelerare”, anche perché la dinamica oceanica che sostiene le scale decadali (incluse le onde di Rossby barocline) può diventare più rapida in un oceano più stratificato/caldo, favorendo una traslazione verso frequenze più alte.
Il passaggio metodologico più importante, però, è la discussione sulla robustezza statistica: gli autori riconoscono che usare finestre di soli ~85 anni (storico e futuro) è spesso insufficiente per “risolvere davvero” la variabilità decadale, perché su serie corte la stima di periodi e contributi relativi può essere fortemente condizionata dalla variabilità interna. Questo punto è pienamente in linea con la teoria dei modelli stocastici del clima: un oceano che integra forcing atmosferico rumoroso produce spettri “rossi” e, su campioni finiti, l’incertezza sulle proprietà a bassa frequenza resta elevata. Per mitigare la limitazione, gli autori costruiscono un LIM-PDO per ciascun modello e lo estendono a 300 annisia per lo storico sia per SSP585; così facendo, la risposta dei pesi relativi diventa più stabile e il segnale “ENSO su / KOE giù” risulta ancora più netto: ENSO cresce circa dal 25% al 41%, mentre KOE scende circa dal 42% al 26%. In questo quadro, l’accorciamento del periodo caratteristico della PDO in clima futuro non è presentato come un artefatto di finestra temporale, ma come conseguenza dinamica della nuova “miscela” dei costituenti: meno contributo dal comparto lento extratropicale legato al KOE, più contributo dal comparto tropicale ENSO-like. È anche coerente con lavori che, su CMIP e configurazioni d’ensemble, riportano un generale shift a periodi più brevi e un indebolimento della variabilità decadale in scenari più caldi, spesso interpretati in termini di maggiore smorzamento termico delle SST e/o cambiamenti nella forzante atmosferica stocastica.
La Figura 4 serve a rispondere a una domanda molto concreta: quanto è “affidabile” la scomposizione dinamica della PDO quando il LIM viene addestrato con serie temporali di lunghezza diversa? In un Linear Inverse Model la PDO non viene trattata come un’unica entità monolitica, ma come il risultato emergente di pochi costituenti dinamici (qui tre) che rappresentano famiglie di processi fisici distinti: un contributo legato alla regione Kuroshio–Oyashio Extension (KOE), uno legato alla variabilità del Pacifico settentrionale/centrale (NP-CP) e uno che incapsula la forzante tropicale interannuale associata a ENSO. Il punto chiave è che questi “mattoni” sono stimati statisticamente dal LIM e, come qualunque stima statistica, diventano più stabili e meno sensibili al rumore interno man mano che cresce il campione disponibile. Nel pannello (a) lo si vede in modo netto: con 85 anni la correlazione tra la ricostruzione LIM-LE e la PDO di riferimento è più bassa e soprattutto più incerta tra i membri dell’ensemble (barre di errore ampie), segnale tipico di campionamento insufficiente quando si vuole diagnosticare un fenomeno decadale/interdecadale. Passando a 200–300 anni la correlazione sale rapidamente verso valori molto elevati e poi tende a saturare, indicando che oltre una certa soglia l’informazione aggiuntiva serve più a rifinire che a cambiare la sostanza: il modello ha “imparato” una struttura dinamica robusta e riproducibile. La linea tratteggiata, che rappresenta il risultato ricavato dal dataset osservativo, è il benchmark: la convergenza delle curve del LIM-LE verso quel livello suggerisce che l’analisi diventa coerente con l’osservato solo quando la lunghezza del record è sufficiente a separare i segnali decadali dal rumore e dalle fluttuazioni interne a bassa frequenza che, su periodi brevi, possono mimare o distorcere la PDO. Il pannello (b) aggiunge un’informazione più “fisica” che puramente statistica: non basta ricostruire bene la PDO, bisogna anche capire quali processi pesano di più nel comporla. Qui la “relative importance” quantifica quanto ciascun costituente contribuisce alla varianza/energia del modo PDO ricostruito. Con dataset brevi la ripartizione può essere sbilanciata e instabile, perché un singolo episodio o una sequenza di anni particolarmente anomala può sovra-enfatizzare un processo rispetto a un altro; all’aumentare della lunghezza, invece, la gerarchia tende a consolidarsi. È in questo senso che la figura suggerisce una morale metodologica: con pochi decenni si rischia di sovrainterpretare la PDO come dominata da dinamiche regionali extratropicali (ad esempio legate alla KOE o al forcing aleutinico), mentre con serie lunghe emerge più chiaramente un contributo importante e persistente del dominio NP-CP e, in modo più moderato ma stabile, della componente ENSO, che agisce come sorgente di variabilità ad alta frequenza capace di proiettarsi sul Pacifico settentrionale tramite teleconnessioni atmosferiche e feedback oceano-atmosfera. Il pannello (c), infine, è quello che “mette in scala” temporalmente i tre costituenti: ENSO rimane confinato su periodi di pochi anni, coerenti con la sua natura interannuale, mentre il costituente NP-CP mostra periodi tipicamente decadali-interdecadali (dell’ordine di alcune decine d’anni), che sono proprio la firma temporale che ci aspettiamo per la PDO quando questa è interpretata come integrazione lenta di forzanti atmosferiche, propagazione di onde di Rossby oceaniche e memorie del sistema superficiale/subsuperficiale. Anche qui la lezione del campionamento è centrale: stimare un periodo “da PDO” con un record di 85 anni significa avere, nella migliore delle ipotesi, pochissimi cicli indipendenti, quindi un’incertezza inevitabilmente grande e una forte dipendenza dalla fase in cui il record inizia e finisce; con 300–1000 anni, invece, la stima dei periodi si stabilizza e le barre di errore si riducono, mostrando che la dinamica caratteristica non è un artefatto di un particolare tratto temporale ma una proprietà robusta del sistema nel contesto del modello. Nel complesso, la figura non sta solo dicendo “più dati è meglio”: sta mostrando come la PDO, essendo un modo statistico emergente e composito, può cambiare volto quando la si diagnostica su record brevi, e come la decomposizione in costituenti dinamici diventi davvero interpretabile fisicamente soltanto quando la lunghezza della serie consente di separare correttamente scale interannuali, decadali e interdecadali, limitando aliasing, variabilità interna a bassa frequenza e instabilità della stima delle covarianze su cui si fonda il LIM.
Discussione
Nel valutare i meccanismi fisici della PDO (Pacific Decadal Oscillation) bisogna partire da un limite strutturale: l’osservazione diretta del Pacifico settentrionale ci offre, di fatto, un’unica realizzazione storica utile e relativamente breve rispetto alle scale decadali–interdecadali di interesse. Questo significa che molte delle “caratteristiche” che attribuiamo alla PDO osservata possono essere contaminate da campionamento insufficiente, variabilità interna a bassa frequenza e coincidenze di fase tra processi diversi, un tema discusso da tempo nella letteratura sulla variabilità climatica dell’oceano (ad esempio, lavori classici su variabilità stocastica e memoria oceanica come Frankignoul & Hasselmann e riflessioni metodologiche sul problema delle serie troppo corte per la dinamica decadale; in parallelo, le sintesi moderne sulla PDO sottolineano quanto sia delicato separare forzanti tropicali, feedback extratropicali e rumore atmosferico integrato dall’oceano). Per aggirare questo vincolo, molti studi hanno utilizzato modelli climatici come “laboratorio” per aumentare le realizzazioni e testare ipotesi meccanicistiche; tuttavia, da almeno due decenni è noto che la PDO simulata può differire in modo sistematico da quella osservata, sia nella struttura spaziale sia nelle teleconnessioni e nei feedback che la sostengono, e che tali differenze non sono semplici dettagli, ma segnali di processi fisici rappresentati in modo incompleto (un tema ricorrente nelle valutazioni CMIP e nelle review sulla PDO e sulle teleconnessioni ENSO–North Pacific, da Mantua et al. fino alle sintesi più recenti in ambito ENSO/PDO e variabilità del Pacifico).
In questo quadro, l’idea di scomporre la PDO in tre costituenti dinamici — un contributo legato alla Kuroshio–Oyashio Extension (KOE), uno associato alla variabilità del Pacifico nord/centrale (NP-CP, spesso concettualmente vicino a modalità tipo NPGO/Victoria Mode nella letteratura: Di Lorenzo et al.; Capotondi e collaboratori; Taguchi e altri studi sul ruolo delle correnti e delle onde oceaniche), e una componente legata alla forzante tropicale ENSO — ha un valore diagnostico molto pratico: non ci si limita a dire “il modello sbaglia la PDO”, ma si tenta di capire dove sbaglia, cioè se l’errore nasce dal peso relativo dei processi o dal modo in cui quei processi si manifestano nello spazio e si trasmettono attraverso l’atmosfera e l’oceano. Il punto che emerge dal testo che hai riportato è sottile ma decisivo: la discrepanza modello–osservazioni sembra derivare soprattutto dalla rappresentazione dei pattern KOE e NP-CP (quindi dalla geometria delle anomalie e dai loro legami dinamici), più che da un semplice errore nella “percentuale” con cui quei contributi partecipano alla PDO. Questo è coerente con una famiglia ampia di risultati: molti modelli tendono a sottostimare alcune teleconnessioni tropici–extratropici (ad esempio attraverso una risposta atmosferica non perfettamente realistica ai forcing tropicali, o una propagazione/strutturazione delle onde planetarie meno efficace), mentre possono amplificare segnali locali in regioni di forte gradiente oceanico come la KOE, dove il coupling con l’atmosfera, la posizione del jet e l’Aleutian Low, la variabilità della corrente e la dinamica di mesoscala sono notoriamente difficili da rappresentare (qui si innestano studi specifici su KE variability e sulla sensibilità a risoluzione e parameterizzazioni: Qiu & Chen e la letteratura sul Kuroshio Extension; oltre a lavori su Aleutian Low forcing e risposta SST nel Nord Pacifico: Deser, Alexander e altri). Inoltre, l’eventuale comparsa nei modelli di “modi” non osservati è un ulteriore campanello d’allarme: può indicare processi numerici o parametrici che introducono gradi di libertà artificiali o che spostano l’energia di variabilità su strutture non supportate dall’osservazione, e quindi alimentano bias strutturali nella PDO simulata. In questo senso, un approccio tipo LIM-PDO (radicato nella tradizione dei Linear Inverse Models di Penland & Sardeshmukh e nelle applicazioni successive alla variabilità climatica) diventa uno strumento di valutazione processuale: non giudica solo la somiglianza statistica del pattern PDO, ma anche se la simulazione “contiene” gli stessi ingredienti dinamici e con relazioni coerenti con quanto suggerito dalle osservazioni.
Un secondo messaggio, altrettanto importante, riguarda la lunghezza minima dei dati necessaria per parlare seriamente di meccanismi decadali. L’affermazione che circa 300 anni siano “sufficienti e necessari” per un’analisi robusta va letta come un vincolo di campionamento: con 85 anni, la stima dei periodi e dell’importanza relativa dei costituenti cambia drasticamente da una realizzazione all’altra, il che è esattamente ciò che ci si aspetta quando il sistema ha memoria e spettri “rossi” (red noise) e quando le scale decadali hanno pochi cicli indipendenti nel record. In termini statistici, il numero di gradi di libertà effettivi è basso; in termini fisici, le componenti a bassa frequenza (legate a onde di Rossby oceaniche, accumulo/rilascio di calore, riorganizzazioni di corrente e feedback aria–mare) possono manifestarsi come “quasi-cicli” la cui fase dipende fortemente dall’intervallo temporale scelto. Non sorprende quindi che, con record brevi, si possa scambiare una combinazione contingente di ENSO, variabilità atmosferica aleatoria e risposta oceanica locale per un “meccanismo PDO” stabile. La soluzione metodologica adottata (usare l’operatore di evoluzione dinamica stimato dall’osservato e una forzante di rumore bianco per integrare il LIM-LE su tempi lunghi) mira proprio a isolare l’aspetto strutturale del sistema: se, allungando l’integrazione, spettri e pesi relativi convergono tra i membri dell’ensemble, allora il comportamento che emerge è meno dipendente dal caso e più legato all’operatore dinamico stimato. Il fatto che oltre ~300 anni le barre d’errore si riducano, la correlazione superi stabilmente una soglia (nel testo ~0.8) e l’importanza relativa dei modi si stabilizzi, è coerente con l’idea che a quel punto si sia “vinta” la lotteria del campionamento: non perché 300 anni siano magicamente completi, ma perché diventano abbastanza lunghi da rendere riproducibili le proprietà medie della variabilità decadale. L’ulteriore test con simulazioni CMIP6 piControl (che offrono secoli–millenni di clima stazionario senza trend antropogenico) rafforza questa interpretazione: aumentando la lunghezza della serie, l’incertezza cala sistematicamente. Detto questo, la cautela degli autori è fondata: un LIM, per costruzione, linearizza e riduce la complessità; inoltre, modelli diversi hanno dinamiche e bias diversi, quindi i “300 anni” sono più correttamente un limite inferiore operativo che una soglia universale. In molti contesti reali (non linearità, dipendenza dallo stato medio, cambi di regime, interazioni con la variabilità tropicale modulata da altri fattori), il tempo necessario per stimare meccanismi con confidenza potrebbe essere più lungo.
Il terzo asse della discussione riguarda il futuro in riscaldamento globale e il possibile accorciamento del periodo caratteristico della PDO. L’argomento è logico: se, nel futuro, aumenta l’importanza relativa della componente ENSO-like rispetto ai contributi extratropicali (KOE e NP-CP), e se la componente ENSO ha intrinsecamente periodi più brevi, allora la PDO risultante tenderà ad avere più energia a frequenze alte (cioè a “correre” più rapidamente). Questa idea si incastra bene con due filoni di letteratura. Il primo riguarda l’evoluzione di ENSO e delle sue teleconnessioni in un clima più caldo: l’IPCC AR6 e molti studi specifici discutono come cambino ampiezza, frequenza, diversità di tipo (EP/CP), e soprattutto l’efficacia con cui le anomalie tropicali forzano la circolazione extratropicale; anche senza postulare un aumento netto e univoco della variabilità ENSO, è plausibile che cambi la proiezione delle anomalie tropicali sui pattern atmosferici che comunicano con il Nord Pacifico (ad esempio via Pacific–North American pattern e modulazioni del jet), e quindi cresca l’impronta tropicale sulla variabilità nord-pacifica. Il secondo filone riguarda la fisica oceanica locale che controlla la “memoria” e le scale temporali extratropicali: un oceano più stratificato tende a modificare velocità e caratteristiche delle onde di Rossby (con implicazioni note da osservazioni satellitari e teoria delle onde oceaniche), mentre uno strato rimescolato più sottile riduce la capacità dell’oceano superficiale di integrare il forcing atmosferico, accorciando i tempi di persistenza delle anomalie SST. Entrambi i processi spingono verso una variabilità più rapida e meno “inerziale”. Gli autori citano anche un punto spesso trascurato ma cruciale: non cambia solo il peso dei componenti, possono cambiare i componenti stessi. Se, per esempio, le scale temporali della variabilità a bassa frequenza alle medie latitudini si accorciano per modifiche nelle onde di Rossby atmosferiche e oceaniche, oppure se certe componenti tropicali “a frequenza alta” rallentano (ci sono studi che discutono cambiamenti di periodicità in specifici modi tropicali), la PDO futura diventa il prodotto di un doppio riassetto: cambia la miscela e cambiano gli ingredienti. Infine, il caso KOE è emblematico perché la Kuroshio Extension è sensibile a spostamenti di regime e a cambiamenti della circolazione subtropicale e dei fronti; esiste letteratura che suggerisce che la variabilità caratteristica della KOE possa anche allungarsi in certe condizioni, e quindi compensare parzialmente una diminuzione del suo contributo alla PDO complessiva. Questo rende il problema intrinsecamente non lineare e dipendente dal modello: la stessa tendenza “PDO più rapida” può emergere per combinazioni diverse di teleconnessioni tropicali, cambi nella dinamica di corrente, e mutamenti della memoria dello strato superiore.
Messa insieme, questa discussione costruisce un messaggio molto concreto: per diagnosticare i meccanismi della PDO non basta guardare un indice o un EOF, serve un approccio che separi i processi, valuti dove si collocano i bias modello–osservazioni (pattern e teleconnessioni, non solo ampiezze), e soprattutto riconosca che il record osservativo potrebbe essere troppo corto per vincolare in modo robusto la parte decadale. In parallelo, quando si parla di futuro, la domanda non è soltanto “la PDO cambia?”, ma “cambia perché ENSO pesa di più, perché l’oceano perde memoria, perché le onde cambiano velocità, o perché la dinamica della KOE entra in un nuovo regime?”. La forza del framework LIM-PDO, qui, è offrire una grammatica per porre queste domande in modo quantitativo e comparabile tra modelli, sapendo però che la soglia temporale proposta (300 anni) è un minimo operativo e non una garanzia universale.
Metodi
Dati osservativi e output dei modelli CMIP6
Per diagnosticare i processi fisici alla base della PDO usando dati “reali”, gli autori scelgono come riferimento principale HadISST (Hadley Centre Sea Ice and Sea Surface Temperature), un prodotto mensile a griglia 1°×1° che combina osservazioni in situ (storicamente dominate da misure da nave) e, dall’era satellitare in poi, anche informazione satellitare opportunamente corretta, con campi resi spazialmente completi tramite tecniche di interpolazione/statistical infilling. La finestra 1870–2012 del dataset sarebbe in teoria utilizzabile, ma qui si restringe volutamente l’analisi al 1920–2005 per una ragione metodologica molto pratica: pareggiare la lunghezza del recordcon quella delle simulazioni storiche disponibili nei modelli, evitando confronti “sbilanciati” in cui l’osservazione avrebbe un vantaggio statistico (più anni = stime più stabili di covarianze, spettri e periodicità). Questo punto, nella dinamica decadale, è tutt’altro che secondario: la stima di modi a bassa frequenza e delle loro scale temporali è estremamente sensibile al campionamento, e un confronto equo richiede record comparabili per non confondere differenze fisiche con semplici differenze di potenza statistica.
Per testare quanto i risultati dipendano dal prodotto osservativo scelto, viene poi impiegato un secondo dataset, NOAA ERSSTv4, cioè una ricostruzione mensile globalmente completa su griglia più grossolana (2°×2°) basata su ICOADS e su procedure di ricostruzione statistica pensate per massimizzare la copertura e trattare in modo coerente i bias storici delle misure da nave. Questo passaggio è importante perché HadISST ed ERSST differiscono per filosofia di ricostruzione, risoluzione e trattamenti dei bias (specie nella prima metà del XX secolo), e la concordanza dei risultati tra prodotti indipendenti è un criterio robusto per distinguere un segnale fisico genuino da un artefatto di dataset. In altre parole, l’uso “a coppia” di HadISST ed ERSSTv4 non è ridondanza: è un controllo di sensibilità che rafforza l’interpretazione meccanicistica della PDO.
Sul lato modellistico, la strategia è costruita su due pilastri complementari. Il primo è un large ensemble con un singolo modello, il CESM Large Ensemble (CESM-LE/LENS): molte realizzazioni che condividono la stessa forzante esterna (storica fino al 2005) ma divergono per minuscole differenze nelle condizioni iniziali, così da campionare la variabilità interna in modo controllato. L’idea fisica è chiara: mediando tra membri si isola meglio la componente forzata, mentre la dispersione tra membri quantifica quanto la PDO e i suoi “ingredienti” possano cambiare per pura variabilità interna a parità di forcing. Questa architettura è particolarmente adatta quando si studiano fenomeni come la PDO, dove la variabilità decadale può essere “sporcata” o modulata da rumore atmosferico integrato dall’oceano e da teleconnessioni che, su record brevi, possono apparire più forti o più deboli semplicemente per effetti di fase.
Il secondo pilastro è l’approccio multi-modello: una selezione di 25 modelli CMIP6 (Tabella Supplementare 1), usati per quantificare quanto le conclusioni dipendano non solo dalla variabilità interna, ma anche dalle differenze strutturali tra modelli (dinamica oceanica, parametrizzazioni aria–mare, rappresentazione del ghiaccio marino, bias medi di SST, risposta atmosferica tropicale, ecc.). In questo quadro, le simulazioni storiche (CMIP6 historical) servono per il confronto diretto con osservazioni e CESM-LE, mentre lo scenario SSP5–8.5 (SSP585) viene scelto come caso di riscaldamento “alto” per valutare come cambino, in un clima più caldo, le proprietà della PDO e dei processi che la alimentano. Il senso metodologico è duplice: da un lato, verificare se i modelli riproducono i processi osservati nel clima recente; dall’altro, testare se e come la combinazione di quei processi si riorganizza sotto forzante crescente, distinguendo ciò che è robusto tra modelli da ciò che è contingentato da bias o scelte parametrizzative.
La Figura 5 mette insieme due messaggi, uno “dinamico” e uno “spettrale”, che in realtà raccontano la stessa storia: sotto forte riscaldamento (SSP585) la PDO non è semplicemente più forte o più debole, ma tende a cambiare composizione (quali processi la costruiscono) e quindi anche scala temporale (su quali periodi concentra l’energia).
Nei pannelli ad anello (a) e (b) l’idea è molto chiara: la PDO viene scomposta in tre costituenti dinamici ricavati dal framework LIM-PDO, etichettati come KOE, NP-CP ed ENSO. L’anello interno (colori più chiari) rappresenta il clima storico (CMIP6 historical, 1920–2005), mentre l’anello esterno (colori più scuri) rappresenta lo scenario futuro (SSP585, 2015–2100). Quello che emerge è uno spostamento del “baricentro” della PDO verso la componente ENSO nel futuro: nel periodo storico l’ENSO pesa meno (nell’ordine di un quarto circa), mentre nello scenario SSP585 cresce e diventa comparabile ai contributi extratropicali principali. In parallelo, la componente KOE tende a ridursi. Questa è un’informazione fisicamente densa: significa che la PDO futura, nei modelli, risulta meno “ancorata” ai meccanismi lenti e regionali del Pacifico nord-occidentale (variabilità legata ai fronti e ai forti gradienti della Kuroshio–Oyashio Extension, alla risposta locale al forcing atmosferico, alla propagazione delle anomalie lungo la corrente e alle onde oceaniche) e più influenzata dalla variabilità tropicale che proietta teleconnessioni verso il Nord Pacifico. È una lettura coerente con l’interpretazione moderna della PDO come pattern emergente dalla combinazione di forzante atmosferica stocastica integrata dall’oceano e teleconnessioni ENSO–North Pacific (un punto ripreso in diverse sintesi e review sulla PDO, ad esempio Newman e collaboratori, e nella letteratura sulle connessioni tra ENSO, Aleutian Low e SST del Pacifico settentrionale).
La differenza tra (a) e (b) è metodologicamente cruciale. Il pannello (a) usa record “brevi” (85 anni circa) e quindi soffre del problema classico della variabilità decadale: su un secolo scarso hai pochissimi cicli indipendenti alle scale 20–50 anni, e la stima di pesi relativi e periodicità può essere instabile. Il pannello (b) ripete la stessa analisi ma su 300 anni, ottenuti estendendo le serie tramite LIM-PDO per ciascun modello. In pratica qui si sta dicendo: “se tolgo (o almeno riduco) la lotteria del campionamento, il risultato resta?”. E la risposta è sì: l’aumento relativo della componente ENSO e la riorganizzazione dei contributi diventano più robusti. Questo passaggio serve anche a evitare un equivoco frequente: con serie corte si può scambiare una differenza casuale di fase o un singolo episodio multi-decennale per un cambiamento strutturale; l’estensione a 300 anni non rende la realtà “più vera”, ma rende la diagnostica molto più stabile dal punto di vista statistico.
I pannelli (c) e (d) traducono questa riorganizzazione in termini di spettro di potenza della PDO, cioè quanta varianza cade a ciascun periodo. La curva nera è la storica, la rossa è SSP585; le fasce ombreggiate sono ±1 deviazione standard del multi-model ensemble, quindi ti dicono quanto i modelli concordino o divergano. Nel pannello (c), limitato a periodi fino a 50 anni, si vede la tendenza a uno spostamento verso frequenze più alte: nello scenario futuro la potenza relativa aumenta sulle scale più brevi (interannuali-decadali) e tende a ridursi sulle scale più lunghe tipiche della variabilità decadale classica. Il pannello (d), che estende la vista fino a 100 anni e usa la versione “300 anni” (quindi più affidabile proprio alle basse frequenze), rende il segnale ancora più leggibile: la storica mantiene/rafforza energia su periodi multi-decennali, mentre la SSP585 appare più “piatta” e meno energica alle scale molto lunghe. In altre parole, la PDO futura nei modelli assomiglia meno a un fenomeno con forte memoria multi-decennale e più a un fenomeno in cui l’energia viene redistribuita verso periodi più corti.
Il ponte fisico tra gli anelli (composizione) e gli spettri (periodi) è diretto: se cresce la quota ENSO, la PDO eredita più variabilità su scale tipicamente più brevi, perché la componente ENSO (anche quando filtrata/interpretata nel LIM come modo “rilevante” per la PDO e non come semplice indice Niño) è intrinsecamente più rapida rispetto ai meccanismi extratropicali lenti. A questo si sommano i cambiamenti strutturali dell’oceano superiore in un clima più caldo, spesso richiamati nella letteratura: maggiore stratificazione tende a modificare la dinamica delle onde oceaniche e la risposta del sistema alle forzanti, mentre una riduzione dello spessore dello strato rimescolato (o una sua stagionalità più marcata) riduce la “memoria” termica, accorciando la persistenza delle anomalie SST; entrambe le cose spingono verso una variabilità meno lenta. Inoltre, se cambiano le teleconnessioni tropicali (ampiezza/posizione della convezione, risposta del getto e dei pattern tipo PNA/Aleutian Low), aumenta la capacità dei tropici di “pilotare” il Nord Pacifico, rendendo più facile che segnali ENSO si proiettino nella forma PDO. È importante anche la cautela implicita nelle bande di dispersione: il segnale è coerente in media, ma la larghezza delle ombreggiature ricorda che l’entità dello spostamento spettrale e della ripesatura dei costituenti dipende da differenze tra modelli (bias medi di SST, risposta atmosferica tropicale, rappresentazione della KOE e dei fronti, risoluzione e parametrizzazioni).
In sintesi, la figura ti sta dicendo che nello scenario SSP585 la PDO, nei CMIP6, tende a diventare un oggetto più “tropicalizzato” e quindi più rapido: aumenta l’impronta del modo ENSO-correlato e diminuisce, almeno relativamente, il peso dei meccanismi extratropicali lenti, e questo si traduce in una perdita di potenza alle scale multi-decennali e in una maggiore importanza delle scale decadali brevi/interannuali. Il fatto che lo stesso quadro emerga con l’estensione a 300 anni è il dettaglio che dà credibilità alla conclusione, perché indica che non è un effetto casuale dovuto alla brevità delle finestre storica e futura, ma una riorganizzazione dinamica che i modelli riproducono con una certa robustezza.
Definizione della PDO
Nel lavoro la PDO viene trattata in modo volutamente “operativo”, cioè come un indice riproducibile e confrontabile tra osservazioni e modelli, ma allo stesso tempo come l’espressione statistica di processi fisici distinti che interagiscono tra tropici e medie latitudini. L’indice PDO è costruito a partire dalle anomalie di temperatura superficiale del mare nel Pacifico settentrionale (20–60°N, 120°E–120°W) usando una decomposizione alle componenti principali: si prende la prima componente temporale perché, per costruzione, è la combinazione lineare che spiega la quota maggiore di varianza nel dominio scelto. Questa scelta è coerente con la definizione “classica” della PDO introdotta a fine anni ’90 e poi ampiamente discussa, anche criticamente, nella letteratura successiva: la PDO è un modo emergente, non necessariamente un oscillatore fisico unico, e la sua interpretazione dipende da come vengono costruite le anomalie e da quali scale temporali si enfatizzano (Mantua et al., 1997; Deser et al., 2004; Newman et al., 2016). Per ridurre l’aliasing stagionale e mettere in evidenza il legame con la circolazione invernale del Pacifico settentrionale (Aleutian Low, getto e teleconnessioni), l’anno “climatico” non coincide con il calendario: i valori annuali sono mediati da luglio a giugno, una convenzione che aiuta a far rientrare nello stesso anno statistico la stagione fredda boreale e la sua impronta sulle SST. Prima di calcolare l’EOF, le anomalie SST vengono filtrate con un passa-basso ottenuto applicando due volte una media mobile triennale: in pratica si attenuano le componenti interannuali più rapide e si rende più leggibile la variabilità decadale, che è proprio quella su cui la PDO è storicamente interpretata. Il pattern spaziale associato alla PDO, poi, non è “l’EOF” in senso stretto ma la regressione del campo SST sull’indice: questo passaggio è importante perché restituisce una mappa interpretabile fisicamente, cioè la risposta media del bacino a una variazione unitaria dell’indice, mantenendo un legame diretto tra serie temporale e impronta spaziale.
Un nodo centrale, esplicitato nel metodo, è la rimozione del trend di riscaldamento globale, perché senza detrending il primo modo di variabilità nel Pacifico (e spesso a scala globale) tende a inglobare una parte della tendenza secolare e a confondere variabilità interna e forzante esterna. In generale, questa difficoltà è ben nota: quando lo stato medio cambia, la covarianza cambia, e i modi statistici possono diventare “non stazionari”, cioè mescolare segnali di natura diversa (le analisi che separano o rimuovono la componente legata alla temperatura media globale vanno proprio in questa direzione). Nel periodo storico, gli autori sfruttano la struttura del LIM per isolare e sottrarre la componente associata al trend, così da analizzare la PDO come fenomeno di variabilità interna attorno a uno stato medio più “pulito”. Nello scenario SSP585, invece, adottano l’Empirical Mode Decomposition per rimuovere il riscaldamento dalle SST: è una scelta metodologica sensata perché in un futuro fortemente forzato il trend non è solo più grande, ma anche più chiaramente non lineare e potenzialmente modulato da cambi di regime; l’EMD, essendo adattativa e non basata su una forma prefissata del trend, è spesso usata per separare componenti lente e quasi-monotone da oscillazioni su scale più brevi (Huang et al., 1998; Wu & Huang, 2009). Il procedimento descritto è concettualmente chiaro: si lavora prima sul dominio globale e si rimuove il modo meno smorzato che cattura la componente di riscaldamento di fondo; poi si costruisce il sistema LIM-PDO combinando Pacifico tropicale e Pacifico settentrionale, perché la PDO, pur essendo definita nel Nord Pacifico, è notoriamente sensibile alle teleconnessioni tropicali (Newman et al., 2016; Di Lorenzo et al., 2010; Zhang et al., 1997). A quel punto l’indice PDO viene scomposto in tre costituenti dinamici (KOE, NP-CP, ENSO) e ricostruito usando i contributi dominanti: questa parte non è un dettaglio cosmetico, ma il cuore fisico dell’approccio, perché permette di distinguere quanta parte della PDO è “locale e extratropicale” (ad esempio legata alla Kuroshio–Oyashio Extension, dove forti gradienti e interazioni aria–mare rendono la variabilità intensa) e quanta parte è “importata” o modulata dalla variabilità tropicale di tipo ENSO attraverso ponti atmosferici e risposte del getto.
Il Linear Inverse Model, in questo contesto, è la cornice dinamica che lega statistica e fisica. L’ipotesi di base è che le anomalie di SST possano essere descritte, su scale mensili e superiori, come un sistema lineare stabile che evolve sotto l’azione di una forzante casuale a rapida decorrelazione, che rappresenta soprattutto la variabilità atmosferica e altri processi veloci non esplicitati. Questa impostazione discende direttamente dalla tradizione del “climate noise” e del modello stocastico del clima: l’oceano superficiale integra nel tempo un forcing atmosferico rumoroso e produce variabilità a spettro rosso, con persistenze e pseudo-periodicità che emergono anche senza un oscillatore deterministico (Hasselmann, 1976; Frankignoul & Hasselmann, 1977). Nel LIM, l’operatore di evoluzione viene stimato dai dati tramite covarianze a ritardo temporale: in pratica si identifica quale trasformazione lineare, applicata allo stato attuale delle anomalie, produce statisticamente lo stato futuro “più probabile” a un certo lag, minimizzando l’errore. Una volta stimato l’operatore, lo si può usare per propagare lo stato nel futuro, costruire ensemble stocastici e, soprattutto, analizzare i modi propri del sistema: ogni modo è caratterizzato da un tasso di smorzamento (quanto velocemente decade) e, se il modo è oscillatorio o propagante, da una frequenza che definisce un periodo caratteristico. Da qui discendono tre quantità fisicamente utili senza bisogno di invocare un’oscillazione perfetta: un tempo di decadimento (che misura la “memoria” del modo), un periodo tipico (quando presente) e una scala temporale effettiva che combina persistenza e oscillazione. Nei modi propaganti, le oscillazioni emergono naturalmente in coppie coniugate (stessa ampiezza statistica ma fase opposta), mentre i modi stazionari restano puramente decadenti: questa distinzione è rilevante perché aiuta a capire se un contributo della PDO è più simile a una risposta persistente a forcing (memoria) o a una dinamica con propagazione/oscillazione (Penland & Sardeshmukh, 1995; Penland, 1996).
Nel testo metodologico compare anche una distinzione che ha implicazioni interpretative: un LIM “osservazionale” guidato da forcing stocastico (in pratica, l’atmosfera come rumore) e un sistema in cui la forzante atmosferica è legata al forcing antropogenico quando si lavora con simulazioni che condividono fisica e forzante esterna. È un modo per separare due piani: la variabilità interna generata dall’interazione oceano–atmosfera (dove l’atmosfera agisce spesso come forcing ad alta frequenza) e la risposta a un cambiamento sistematico dello stato medio imposto dall’esterno. Questa distinzione è cruciale proprio perché, come mostrano poi le figure del lavoro, cambiare lo stato medio può cambiare sia l’importanza relativa dei costituenti della PDO sia la distribuzione spettrale dell’energia: se cresce il peso della componente ENSO-correlata, è naturale che la PDO “si accorci” e si sposti verso frequenze più alte; se invece dominano processi extratropicali lenti legati a memoria oceanica, onde di Rossby e variabilità della KOE, allora l’energia tende a concentrarsi su scale più lunghe e persistenti. Il valore aggiunto del metodo, quindi, non è solo definire un indice, ma costruire un ponte coerente tra definizione statistica (EOF/PC), rimozione del trend, dinamica lineare stimata dai dati e scomposizione processuale in contributi interpretabili.
Riferimenti essenziali (selezione): Mantua et al., 1997; Zhang et al., 1997; Hasselmann, 1976; Frankignoul & Hasselmann, 1977; Penland & Sardeshmukh, 1995; Penland, 1996; Deser et al., 2004; Newman et al., 2016; Huang et al., 1998; Wu & Huang, 2009; Di Lorenzo et al., 2010.
Decomposizione e trend di riscaldamento globale
In questa sottosezione gli autori spiegano come separano, in modo dinamicamente coerente, la variabilità interna delle SST dal segnale di riscaldamento globale, evitando di “contaminare” la PDO con una componente forzata che, per costruzione, tende a occupare i primi modi statistici quando il trend diventa rilevante. L’idea di fondo è sfruttare una proprietà ben nota dei Linear Inverse Models (LIM): se descrivi il sistema come un’evoluzione lineare stabile più una forzante stocastica (l’atmosfera e altri processi rapidi), allora i modi meno smorzati sono quelli che, avendo la memoria più lunga, accumulano più facilmente segnali persistenti e “quasi monotoni” come il riscaldamento di fondo. Questo approccio si inserisce nella tradizione dei modelli stocastici del clima, dove l’oceano agisce da integratore lento di forcing più rapido, producendo persistenze e variabilità a bassa frequenza; in quel quadro, un segnale forzato di lunga durata tende naturalmente a proiettarsi sui gradi di libertà a decadimento più lento.
Operativamente, per rendere il problema trattabile, gli autori costruiscono un “vettore di stato” ridotto usando i primi 20 modi EOF calcolati sul dominio globale, che catturano circa tre quarti della varianza delle SST. Questa riduzione dimensionale è una scelta standard quando si applica il LIM a campi climatici: serve a conservare la parte strutturata del segnale e a limitare rumore e collinearità che renderebbero instabile la stima dell’operatore dinamico. La dinamica viene diagnosticata su dati mensili e con un ritardo temporale di tre mesi, una finestra abbastanza lunga da superare parte della decorrelazione atmosferica più rapida ma ancora sufficientemente breve da mantenere una buona statistica nella stima delle covarianze (il “cuore” del LIM).
Il passaggio concettualmente più interessante è la decomposizione del campo SST in autmodi non normali del sistema lineare. “Non normale” qui non è un dettaglio matematico fine a sé stesso: in un sistema non normale i modi non sono ortogonali e possono interagire, consentendo transitori e proiezioni incrociate che assomigliano molto al comportamento reale dell’oceano-atmosfera quando più processi contribuiscono simultaneamente a un pattern osservato. Per ottenere correttamente l’ampiezza temporale associata a ciascun autmodo, si usano i corrispondenti modi aggiunti (adjoint), che sono lo strumento naturale per proiettare uno stato su modi che non formano una base ortogonale. Questa impostazione è comune nelle applicazioni LIM/POP alla dinamica climatica e viene anche richiamata in lavori metodologici che usano il LIM per separare risposta forzata e variabilità interna.
A questo punto arriva la diagnosi del trend: in tutte le applicazioni considerate dagli autori, il primo autmodo globalerisulta debolmente smorzato e mostra due firme molto riconoscibili: una serie temporale con forte crescita di lungo periodo e un pattern spaziale che assomiglia a un riscaldamento oceanico diffuso su scala globale. Proprio perché è il modo “più lento” del sistema stimato, è quello che meglio raccoglie una componente persistente coerente con il riscaldamento antropogenico. L’operazione di detrending, quindi, non è una semplice sottrazione di una retta o della media globale: è la rimozione di una componente dinamicamente identificata dal sistema, con una sua struttura spaziale e un’evoluzione temporale diagnosticate in modo consistente con l’operatore LIM. In letteratura, procedure affini sono state proposte e testate per stimare pattern di trend SST (e più in generale segnali forzati) separandoli da variabilità naturale, mostrando che l’“eigenmode meno smorzato” può funzionare come estrattore di trend, soprattutto quando si dispone di record lunghi o di ensemble.
Infine, la parte operativa: una volta identificata la serie temporale del modo di riscaldamento globale, gli autori la rimuovono e ricostruiscono il campo globale delle SST usando solo i modi dal secondo al ventesimo. Questo produce un dataset “detrended” in cui il segnale forzato dominante viene sottratto preservando però la variabilità interna a grande scala, che è quella che interessa quando vuoi attribuire correttamente la PDO ai suoi costituenti dinamici (KOE, NP-CP, ENSO) senza che il trend di fondo alteri pesi relativi e periodicità. Il vantaggio rispetto a detrend più semplici è proprio qui: se il trend non è perfettamente lineare nello spazio e nel tempo, o se si mescola con modi interni, una rimozione basata su un modo dinamico può essere più aderente alla fisica del problema e meno “arbitraria” della sottrazione di un trend punto-per-punto.
Costruzione del LIM-PDO
In questa parte metodologica gli autori “mettono in piedi” il LIM-PDO scegliendo deliberatamente un’impostazione accoppiata tropici–extratropici, perché la PDO, pur essendo definita sul North Pacific, è fortemente modulata da ciò che accade nel Tropical Pacific (teleconnessioni ENSO, risposta dell’Aleutian Low, aggiustamenti del jet e feedback aria–mare). Questa visione è coerente con la lettura moderna della PDO come pattern emergente che integra forcing atmosferico, dinamica oceanica e contributi tropicali, più che come oscillatore autonomo “chiuso” nel Pacifico settentrionale.
Operativamente, il bacino pacifico viene diviso in due domini: TP (20°S–20°N, 100°E–100°W) e NP (21°N–60°N, 100°E–100°W). L’Atlantico è citato come potenziale giocatore (e in letteratura esistono effettivamente evidenze di teleconnessioni inter-bacino capaci di influenzare la variabilità del Nord Pacifico), ma qui viene escluso per mantenere la diagnosi focalizzata sulle catene causali interne al Pacifico e sul ponte ENSO→North Pacific. Il “cuore” del LIM-PDO è il vettore di stato costruito non dai campi completi di SST, ma dalle prime componenti principali (PC) dei due domini: una parte descrive lo stato del Pacifico tropicale e una parte quello del Pacifico settentrionale. Questo è un passaggio chiave: nel LIM la dinamica viene stimata in uno spazio ridotto che conserva la quota più informativa della variabilità (e riduce rumore e collinearità), e soprattutto consente di rappresentare esplicitamente due tipi di interazione: (i) evoluzione interna di TP e di NP, (ii) accoppiamento incrociato TP↔NP, cioè la “trasmissione” statistico-dinamica tra tropici ed extratropici. È la logica classica dei Linear Inverse Models applicati al clima: un sistema lineare stabile, con una parte lenta (oceano) e una forzante rapida rappresentata come rumore stocastico, capace di riprodurre covarianze e predicibilità su scale stagionali–interannuali/decadali.
Un aspetto metodologicamente molto pulito è come scelgono la dimensione ottimale del vettore di stato. Invece di fissare “a priori” quante PC usare, provano combinazioni diverse di PC nel NP e nel TP e misurano la capacità del LIM di ricostruire/hindcastare la PDO, usando come metrica la correlazione tra PDO ricostruita e PDO originale. Qui l’idea è pragmatica: se una certa scelta di dimensione massimizza l’abilità in hindcast in validazione incrociata, è ragionevole assumere che quella scelta stia catturando meglio l’evoluzione del sistema (almeno nei limiti del modello lineare). Il risultato è anche interessante dal punto di vista fisico: la configurazione “migliore” non richiede tantissimi gradi di libertà, ma una troncatura relativamente compatta (2 EOF nel NP e 4 EOF nel TP), che comunque spiega una quota consistente della varianza (circa 65% NP e 85% TP), suggerendo che la dinamica rilevante per la PDO—nel loro framework—è concentrata in pochi modi dominanti e nelle loro interazioni. Inoltre, per questa fase di hindcast usano dati annuali e un lag di un anno, una scelta coerente con l’obiettivo di diagnosticare la parte più lenta e “integrata” del sistema.
Prima di “fidarsi” del LIM, gli autori fanno poi la verifica più standard (e più onesta) per qualunque applicazione LIM: controllano se l’approssimazione lineare è accettabile tramite il cosiddetto τ-test, cioè verificano che le proprietà previsionali (crescita dell’errore) e le statistiche a lag successivi siano coerenti e non dipendano in modo patologico dal lag usato per addestrare il modello. Questo tipo di test è discusso nella letteratura LIM come condizione pratica per evitare applicazioni in cui la dinamica reale è troppo non lineare o troppo “Nyquist-affected” per essere rappresentata da un operatore lineare costante. Nel loro caso, la crescita dell’errore del LIM risulta simile a quella osservata soprattutto nel North Pacific, mentre nel Tropical Pacific le discrepanze aumentano per lead time più lunghi: è un esito perfettamente plausibile perché l’ENSO, pur avendo componenti quasi-lineari a certe scale, presenta anche non linearità e dipendenze dallo stato (asimmetrie, eventi estremi, cambi di regime) che possono degradare un modello lineare quando ci si spinge oltre un certo orizzonte. Per consolidare ulteriormente la validità del LIM, confrontano anche le covarianze a ritardo oltre il lag di training: il fatto che il LIM riproduca il pattern di lag-autocovarianza osservato indica che l’operatore stimato non sta semplicemente “fittando” un singolo lag, ma sta catturando una struttura dinamica più generale. A quel punto il LIM-PDO viene costruito separatamente sia per le osservazioni sia per ciascun output modellistico, rendendo confrontabili (in modo coerente) i costituenti dinamici e la loro importanza relativa tra dataset diversi.
Large ensemble LIM
In questa sottosezione gli autori spiegano come costruiscono un “large ensemble” del LIM per trasformare un record osservativo inevitabilmente corto in un campione molto ampio di possibili evoluzioni coerenti con la dinamica stimata. Il punto di partenza è l’idea, classica nella teoria stocastica del clima, che molte fluttuazioni a bassa frequenza dell’oceano possano essere viste come la risposta lenta di un sistema smorzato a una forzante rapida e irregolare (in prima approssimazione assimilabile al “rumore” atmosferico). In questa cornice, la persistenza e lo spettro rosso delle SST emergono perché l’oceano integra nel tempo una variabilità più veloce, producendo variabilità decadale anche in assenza di un oscillatore deterministico unico.
Per rendere questa idea operativa dentro il LIM, bisogna specificare non solo l’operatore di evoluzione (cioè “come” lo stato medio delle anomalie tende a evolvere e a smorzarsi), ma anche la struttura statistica del forcing stocastico: non basta dire “aggiungo rumore”, serve che quel rumore abbia una covarianza spaziale e una “energia” tali da riprodurre, in equilibrio statistico, la varianza e le covarianze osservate del sistema. È qui che entra in gioco una versione pratica del ragionamento di fluttuazione–dissipazione: in parole semplici, si impone che il bilancio tra dissipazione interna (smorzamento) ed eccitazione casuale (forzante) sia compatibile con la covarianza a lag zero osservata. In climatologia questo tipo di approccio è discusso sia in chiave teorica (come ponte tra statistiche del clima attuale e risposta lineare) sia in chiave applicativa per “chiudere” modelli ridotti e diagnosticare l’intensità/struttura del rumore che rappresenta processi rapidi non risolti.
Una volta stimata questa covarianza del forcing, gli autori generano una forzante stocastica con la stessa struttura spaziale separatamente per Pacifico tropicale e Pacifico settentrionale e fanno girare il LIM in avanti per migliaia di anni. Concettualmente è come creare un “archivio sintetico” di storie alternative del Pacifico, tutte governate dallo stesso operatore dinamico diagnosticato dalle osservazioni ma differenziate dalla realizzazione casuale del forcing atmosferico. Questa è una filosofia molto vicina a quella che rende potenti i large ensemble nei GCM: ripetere molte realizzazioni con la stessa fisica di base per stimare la dispersione dovuta alla variabilità interna.
La scelta di dividere la lunga integrazione in 25 membri di lunghezza comparabile al record “storico” (circa 85–86 anni) è un passaggio metodologicamente elegante, perché consente di quantificare in modo diretto l’effetto della lunghezza del campione sulla decomposizione della PDO: se prendi 25 segmenti indipendenti lunghi quanto le osservazioni, puoi vedere quanto oscillano (tra un membro e l’altro) periodi, pesi relativi dei costituenti e abilità di ricostruzione, senza cambiare la dinamica di fondo. Ed è proprio questo il cuore del messaggio dell’articolo: la PDO è un oggetto a bassa frequenza e quindi, con record brevi, la sua “meccanica” apparente può variare molto per puro campionamento. Per rendere ancora più esplicita questa dipendenza, gli autori ripetono l’esperimento costruendo large ensemble anche per lunghezze maggiori (200, 300, 400, 500, 1000 anni), mantenendo sempre 25 membri per ciascun caso: così isolano sistematicamente come e quanto si riducono le incertezze quando aumentano i gradi di libertà effettivi alle scale decadali. Questa logica è perfettamente coerente con la letteratura LIM: quando la dinamica viene descritta come processo lineare stocasticamente forzato, la robustezza delle proprietà modali e spettrali dipende in modo critico dalla qualità delle covarianze stimate, che a loro volta richiedono campioni lunghi per le basse frequenze.
Infine, lo stesso trucco viene “portato” dentro CMIP6: invece di accontentarsi delle finestre temporali relativamente corte delle simulazioni storiche e future, gli autori costruiscono un LIM-PDO per ciascun modello (sia in historical sia in SSP585) e usano quel LIM per estendere statisticamente la serie da circa 85 anni a 300 anni. Qui l’obiettivo non è inventare nuovi dati, ma creare—dato un operatore dinamico e un forcing stocastico coerente con quel modello—un campione abbastanza lungo da rendere stabile la stima di spettri e importanze relative dei costituenti. In pratica, la procedura mira a distinguere due fonti di incertezza: quella da campionamento (che esplode su scale decadali se hai poche decadi disponibili) e quella da struttura del modello (differenze reali tra modelli nei processi fisici e nelle teleconnessioni), consentendo un confronto più pulito tra “dinamica” e “statistica del record”.
Vale la pena tenere a mente anche il sottotesto implicito: questo approccio guadagna potenza proprio perché assume una descrizione lineare e stazionaria con forcing bianco; è un’ipotesi spesso ragionevole per molte componenti della variabilità delle SST, ma può diventare più fragile dove dominano non linearità e dipendenze dallo stato (tipicamente nel Pacifico tropicale/ENSO). Ed è anche per questo che l’articolo insiste tanto sui test di validità del LIM e sull’uso di record lunghi: più sei onesto sui limiti del modello ridotto, più diventa importante usare strategie che riducano gli artefatti statistici da campioni troppo corti.
Ricostruzione e importanza relativa
Qui gli autori chiariscono due cose molto “operative”: (1) come ricostruiscono la PDO a partire da un numero ristretto di modi del LIM e (2) come trasformano quella ricostruzione in una misura quantitativa del peso relativo dei diversi costituenti dinamici. L’idea di fondo è coerente con la visione moderna della PDO come pattern emergente che integra più processi (forzante atmosferica stocastica, dinamica oceanica extratropicale, teleconnessioni tropicali tipo ENSO), quindi non è strano che una ricostruzione “a pochi modi” possa già catturare gran parte del segnale se i modi scelti sono davvero quelli dominanti.
La ricostruzione viene fatta in modo lineare: una volta identificati i modi (e i rispettivi coefficienti temporali) che rappresentano i contributi principali alla PDO, si ricostruisce la serie temporale sommando i contributi di quei modi selezionati. In pratica è come dire: “se considero solo questi tre pezzi della dinamica (nel loro caso i tre costituenti), quanto riesco a riprodurre l’indice PDO originale?”. La verifica è volutamente semplice e trasparente: si calcola la correlazione tra indice PDO ricostruito e indice PDO originale. Se la correlazione è alta, significa che i modi scelti riproducono bene la fase e l’evoluzione temporale della PDO, cioè catturano la parte “organizzata” della variabilità, lasciando fuori soprattutto rumore, componenti più deboli o processi non rappresentati dal modello lineare. Questo tipo di valutazione è molto in linea con l’uso storico dei LIM: si stima un operatore lineare efficace e poi si giudica la bontà della descrizione guardando quanto bene ricostruisce o prevede la variabilità osservata.
Il passaggio successivo, l’importanza relativa, è ancora più interessante perché non si limita a dire “la ricostruzione funziona”, ma prova a dire “chi conta di più” dentro quella ricostruzione. Il criterio scelto è basato sulla covarianza tra ciascuna serie temporale associata ai modi selezionati e l’indice PDO originale: se un modo covaria fortemente con la PDO, allora quando quel modo aumenta o diminuisce tende a farlo in sincronia con la PDO, quindi contribuisce in modo sostanziale al segnale PDO. Tradotto in termini statistici, questa covarianza è una misura diretta di quanto ciascun costituente “proietti” sull’indice PDO, e assomiglia concettualmente a un ragionamento da regressione/attribution: stai quantificando quanto ciascun driver lineare spinga la variabilità dell’indice. La normalizzazione finale (dividere ciascuna covarianza per la somma totale) serve a trasformare questi contributi in quote frazionarie che sommano a 1, cioè in una ripartizione percentuale del peso dei costituenti, comparabile tra dataset e periodi diversi. In sostanza, non stanno misurando “quanta varianza interna ha ciascun modo in assoluto”, ma “quanto ciascun modo è rilevante per la PDO”, cioè quanto è allineato con l’indice PDO preso come variabile di riferimento.
Questa scelta è particolarmente utile nel contesto PDO perché la PDO stessa è definita come combinazione lineare ottimale (PC1) nel North Pacific e, come discusso in letteratura, può incorporare sia risposte extratropicali a forcing atmosferico stocastico sia impronte legate alle teleconnessioni ENSO; usare la covarianza con l’indice permette di “tradurre” i modi dinamici del LIM in un linguaggio direttamente confrontabile con l’indice classico. Un dettaglio da tenere a mente è che la covarianza porta anche un’informazione di segno (co-variazione positiva o negativa): in molti studi, per parlare di “peso” in senso energetico si lavora con quantità sempre positive (tipo varianza spiegata), mentre qui l’interpretazione pratica è che il segno sia già coerente con la definizione dei modi e con la scelta dei coefficienti temporali; la normalizzazione, infatti, funziona bene quando i contributi che contano davvero proiettano in modo consistente sull’indice. Nel complesso, questa procedura fornisce due diagnostiche complementari: la correlazione dice quanto la ricostruzione a pochi modi rappresenti la PDO, e l’importanza relativa dice come si distribuisce la “paternità” del segnale PDO tra i costituenti dinamici selezionati, che è esattamente ciò che serve quando vuoi capire perché modelli e osservazioni differiscono o perché lo spettro della PDO cambia sotto riscaldamento.
0 commenti