Incertezza nel Volume del Ghiaccio Marino Artico Modellato

[1] L’incertezza nei dati sul volume del ghiaccio marino artico forniti dal Sistema di Modellazione e Assimilazione del Ghiaccio-Oceano Pan-Artico (PIOMAS) è analizzata in dettaglio. Utilizzando una serie di osservazioni e metodologie, che includono misurazioni dirette dello spessore del ghiaccio, spessori ottenuti tramite ICESat e studi di sensibilità dei modelli, si ottiene una stima conservativa dell’incertezza del volume del ghiaccio artico di ottobre di 1,35 × 10³km³. Per il periodo 1979–2010, l’incertezza sulla tendenza del volume del ghiaccio è di 1,0 × 10³ km³ per decennio, con una stima della tendenza di -2,8 × 10³ km³ per decennio. Le stime dello spessore del ghiaccio di PIOMAS mostrano una buona corrispondenza con quelle ottenute da ICESat (differenza media inferiore a 0,1 m) nelle aree coperte da dati dei sottomarini, mentre le discrepanze sono maggiori in altre aree. I modelli di distribuzione dello spessore del ghiaccio di PIOMAS presentano una buona correlazione con le stime di ICESat, con correlazioni superiori a 0,8. Tuttavia, PIOMAS tende a sovrastimare lo spessore del ghiaccio sottile e a sottostimare quello più spesso, risultando in una tendenza alla diminuzione meno marcata rispetto a quanto osservato nelle ricostruzioni basate su osservazioni dirette. Queste incertezze e tendenze del volume del ghiaccio sono esaminate nell’ambito dell’attribuzione dei cambiamenti climatici e nella valutazione dei record di minima estensione. L’analisi delle tendenze su 32 anni in un modello simulato preindustriale non mostra variazioni comparabili a quelle rilevate nei dati storici di PIOMAS, anche considerando l’incertezza delle tendenze. L’etichettatura dei minimi di settembre come nuovi record minimi è influenzata dagli errori di modellazione. Nonostante ciò, il volume del ghiaccio di settembre 2010 ha superato il precedente minimo del 2007 con un margine sufficientemente ampio da stabilire un nuovo record statisticamente significativo.

1. Introduzione
[2] Il volume del ghiaccio marino artico rappresenta un indicatore chiave del cambiamento climatico globale. A differenza della semplice estensione del ghiaccio marino, il suo volume è strettamente legato al bilancio energetico, in quanto variazioni in questo indicano cambiamenti specifici nel calore latente. Pertanto, osservare le modifiche nel volume del ghiaccio marino artico ci permette di valutare la nostra comprensione del clima globale e verificare l’accuratezza dei modelli climatici globali predittivi che dovrebbero riflettere tali cambiamenti. Simulazioni di modelli climatici globali, considerando un incremento dei gas serra di origine antropica, indicano che la riduzione percentuale del volume del ghiaccio marino artico sarà doppia rispetto a quella della sua estensione, dal 1990 fino alla fine del ventunesimo secolo [Gregory et al., 2002; Panello Intergovernativo sui Cambiamenti Climatici, 2007]. Questo rende il volume del ghiaccio un indicatore del clima più sensibile rispetto alla sua estensione, una sensibilità dovuta in parte ai fattori geografici che regolano l’estensione del ghiaccio marino invernale nell’emisfero nord, i quali limitano le variazioni interannuali [Eisenman, 2010].

[3] Negli ultimi 30 anni, l’estensione del ghiaccio marino è stata accuratamente misurata dallo spazio mediante strumenti a microonde passivi. Tuttavia, stabilire un registro storico del volume del ghiaccio marino si rivela molto più complicato, poiché richiede dati affidabili non solo sull’estensione, ma anche sullo spessore del ghiaccio. Le misurazioni dirette dello spessore sono sporadiche e limitate, risultando in una rappresentazione incompleta delle variazioni spaziali e temporali. Recentemente sono diventate disponibili misurazioni dello spessore del ghiaccio basate su dati satellitari raccolti con altimetri RADAR o LIDAR [Giles et al., 2008; Kwok et al., 2009], ma questi dati sono ancora relativamente nuovi e le tecniche di misurazione sono soggette a vari errori. Inoltre, è possibile stimare il volume del ghiaccio marino anche dall’età del ghiaccio, deducibile dalla traiettoria del ghiaccio rilevata da boe o satelliti e dalle mappe dell’estensione del ghiaccio, utilizzando correlazioni empiriche tra l’età e lo spessore [Maslanik et al., 2007].

[4] Un’altra metodologia per stimare il volume totale del ghiaccio marino su un lungo periodo impiega un modello accoppiato ghiaccio-oceano. Questo simula le variazioni di spessore e estensione del ghiaccio attraverso la modellazione dei processi termodinamici e dinamici che influenzano le variazioni del ghiaccio marino [Zhang et al., 2010]. Per affinare le simulazioni, il modello può integrare osservazioni dirette, come la concentrazione di ghiaccio o la temperatura della superficie marina. Il Sistema di Modellazione e Assimilazione del Ghiaccio-Oceano Pan-Artico (PIOMAS), sviluppato presso il Polar Science Center dell’Università di Washington, è esempio di tale sistema. Un’esemplificazione delle stime del volume del ghiaccio marino fornite da PIOMAS è illustrata nella Figura 1. Anche se le misurazioni dello spessore del ghiaccio di PIOMAS sono state validate in passato con dati provenienti da sottomarini americani in occasioni e luoghi limitati [Zhang and Rothrock, 2003], è ancora necessaria una valutazione sistematica delle incertezze relative al volume del ghiaccio e alle sue tendenze. Questo articolo si propone di colmare questa lacuna.

[5] La struttura di questo documento è la seguente: iniziamo introducendo il modello e le diverse fonti di dati impiegate per determinare le stime di incertezza (sezione 2). Dato che è complicato convalidare direttamente le stime del volume del ghiaccio, verifichiamo quanto accuratamente le stime dello spessore del ghiaccio di PIOMAS corrispondano alle osservazioni raccolte in situ e tramite satelliti (sezione 3). Le tendenze nello spessore del ghiaccio e le relative incertezze vengono discusse nella sezione 4. Successivamente, analizziamo come le stime di incertezza relative allo spessore del ghiaccio influenzino l’incertezza sul volume totale del ghiaccio e sulle tendenze di questo volume (sezione 5). Le anomalie nel volume del ghiaccio e le relative stime di incertezza sono poi esaminate nel contesto delle loro applicazioni pratiche (sezione 6), esplorando in che modo l’incertezza incida sull’attribuzione delle tendenze e sul riconoscimento dei minimi storici. Considerando le problematiche legate al campionamento e le incertezze nei dati di validazione, adottiamo un insieme di metodi e dati per definire i confini dell’incertezza. I risultati delle stime di incertezza sono riassunti nelle Tabelle 1-4.

La Figura 1 illustra l’anomalia del volume giornaliero del ghiaccio marino artico, calcolata mediante il sistema PIOMAS (Pan-Arctic Ice-Ocean Modeling and Assimilation System). Questa anomalia è definita come la deviazione del volume di ghiaccio rispetto alla media giornaliera calcolata per ogni giorno dell’anno durante il periodo 1979-2009. L’analisi copre gli anni dal 1979 al 2010.

Nel grafico:

• L’asse verticale mostra l’anomalia del volume del ghiaccio espressa in migliaia di chilometri cubi (1000 km³).
• L’asse orizzontale rappresenta il tempo, con gli anni che vanno dal 1980 al 2010.

Una linea nel grafico indica la tendenza decennale, che mostra una diminuzione media di circa 2800 km³ per decennio (-2.8 1000 km³/decennio). Questo suggerisce che il volume del ghiaccio marino artico sta diminuendo significativamente nel tempo.

Le aree ombreggiate intorno alla linea di tendenza rappresentano le deviazioni standard (×1 e ×2) dei residui della tendenza, che indicano l’intervallo di incertezza nella stima della tendenza. Queste bande offrono una visualizzazione della variabilità dei dati rispetto alla linea di tendenza, mostrando come il volume del ghiaccio possa variare intorno alla tendenza calcolata.

Per aggiornamenti e ulteriori analisi, il grafico suggerisce di visitare il sito del Polar Science Center dell’Università di Washington, dove sono disponibili versioni aggiornate di questi dati. Questo tipo di visualizzazione è cruciale per comprendere le implicazioni dei cambiamenti nel volume del ghiaccio marino artico nel contesto più ampio dei cambiamenti climatici globali.

2. Modello e Dati 2.1. PIOMAS

[6] Il Sistema di Modellazione e Assimilazione del Ghiaccio-Oceano Pan-Artico, usato per calcolare il volume del ghiaccio marino artico, integra un modello di ghiaccio marino multcategoria per spessore ed entalpia [Zhang e Rothrock, 2003], abbinato al Programma Oceano Parallelo sviluppato presso il Los Alamos National Laboratory. Questo modello di ghiaccio marino adotta una reologia plastica viscosa a forma di goccia [Zhang e Rothrock, 2005], una funzione meccanica per la ridistribuzione delle creste di ghiaccio [Hibler, 1980; Thorndike et al., 1975], e un risolutore dinamico di tipo LSR (line successive relaxation) [Zhang e Hibler, 1997]. Il modello si estende oltre il 48°N ed è collegato in un modo unidirezionale a un modello globale ghiaccio-oceano simile [Zhang e Rothrock, 2005]. PIOMAS ha la capacità di assimilare dati di concentrazione di ghiaccio ottenuti via satellite seguendo il metodo di [Lindsay e Zhang, 2006], così come di incorporare osservazioni sulla temperatura della superficie del mare (SST) seguendo Manda et al. [2005]. Come forzanti atmosferici, il modello utilizza i dati medi giornalieri della reanalisi NCEP/NCAR, che includono venti superficiali a 10 m, temperatura dell’aria a 2 m (SAT), umidità specifica, precipitazioni, evaporazione, radiazione infrarossa incidente, pressione a livello del mare e frazione di nuvole. Quest’ultima è impiegata per calcolare la radiazione solare incidente seguendo il metodo di Parkinson e Washington [1979].

[7] In questo studio vengono analizzate tre diverse configurazioni del modello PIOMAS. La prima configurazione considera solamente l’assimilazione delle concentrazioni di ghiaccio (IC), con dati provenienti dal Hadley Centre per il periodo 1958-1995 e dal NSIDC dal 1996 a oggi. Una seconda configurazione (IC-SST) include, oltre alle concentrazioni di ghiaccio, anche l’assimilazione delle temperature della superficie del mare (SST), che si basano sulle reanalisi giornaliere ad alta risoluzione di Reynolds, utilizzando dati satellitari e osservazioni dirette [Kalnay et al., 1996; Reynolds e Marsico, 1993; Reynolds et al., 2007]. La terza configurazione (solo modello) non assimila alcun dato esterno. Per le configurazioni “solo modello” e IC-SST, la parametrizzazione della resistenza del ghiaccio si basa sui lavori di Hibler [1979], mentre per la configurazione IC si fa riferimento agli studi di Rothrock [1975] e Hibler [1980].

Queste configurazioni riflettono l’evoluzione nello sviluppo e nell’aggiustamento del modello, che di solito prevede diverse iterazioni. Queste tre configurazioni rappresentano gli ultimi sviluppi del modello PIOMAS e hanno dimostrato di avere buone statistiche di validazione per quanto riguarda la misurazione dello spessore del ghiaccio, spiegando oltre il 50% della varianza nei dati confrontati con le misurazioni sonar dirette verso l’alto effettuate dai sottomarini (ULS). Nonostante ciò, la scelta di queste configurazioni non mira a fornire un’analisi esaustiva dei vantaggi relativi dell’assimilazione di diversi set di dati, come fatto in precedenza da Lindsay e Zhang [2006]. Come vedremo più avanti, la configurazione IC-SST offre la stima più cauta della tendenza a lungo termine e per questo motivo è stata adottata come riferimento principale per tutto l’articolo.

La Tabella 1 presenta una sintesi delle incertezze casuali e degli errori medi nel misurare lo spessore medio del ghiaccio marino, utilizzando due diversi insiemi di dati: “Sea Ice CDR” (Climate Data Record) e “ICESat” (Ice, Cloud, and land Elevation Satellite).

Dettagli delle Metriche:

• RMSD (Root Mean Square Deviation): Questa metrica indica lo scarto medio quadrato tra i valori osservati e quelli previsti o misurati. Un valore più basso suggerisce una maggiore accuratezza del modello o del set di dati.
• r (Correlazione): Rappresenta la forza e la direzione di una correlazione lineare tra i set di dati. Un valore più vicino a 1 indica una forte correlazione positiva.
• Mean (Errore Medio): Mostra la media degli errori, ossia la differenza media tra le misurazioni e un valore di riferimento. Un valore negativo indica che il modello tende a sottostimare lo spessore del ghiaccio.

Analisi per Categoria:

• Sea Ice CDR:
  • DRA: Presenta un RMSD di 0.76 e una correlazione di 0.73, con un errore medio di -0.17, indicando una leggera tendenza alla sottostima.
  • ICESat domain: Mostra un RMSD di 0.78 e una correlazione identica di 0.73, con un errore medio molto vicino a zero (-0.01), suggerendo una buona precisione generale.
• ICESat:
  • I dati sono divisi per stagione (primavera e autunno), mostrando le variazioni stagionali degli RMSD e degli errori medi. Per esempio, l’errore medio per la primavera è leggermente negativo, mentre per l’autunno è più negativo, indicando una sottostima più marcata in autunno.

Note aggiuntive:

• Le stime più conservative (indicate in grassetto) per l’errore casuale e medio sono i valori più alti tra le stime assolute, rappresentando così gli scenari di massima discrepanza rispetto ai dati reali.

Questa tabella è cruciale per comprendere l’affidabilità delle misurazioni dello spessore del ghiaccio marino, evidenziando come diversi strumenti e metodi possano variare nelle loro stime e mostrando l’importanza di considerare variazioni stagionali e regionali nelle analisi di precisione.

2.2. Misure In Situ dal Registro dei Dati Climatici sullo Spessore del Ghiaccio Marino [8] È stato recentemente creato un registro dei dati climatici (CDR) basato su osservazioni in situ di bozzaggio e spessore del ghiaccio marino [Lindsay, 2010]. Questo registro unifica misurazioni del bozzaggio del ghiaccio raccolte tramite sonar guardando verso l’alto montati su sottomarini, sistemi ULS ancorati e misurazioni elettromagnetiche (EM) aeree da diverse fonti in un formato unificato. Le fonti includono sottomarini degli Stati Uniti [Tucker et al., 2001; Wensnahan e Rothrock, 2005], ULS ancorati nel Mare di Beaufort orientale [Melling e Riedel, 2008], il Giro del Beaufort centrale (Progetto di Esplorazione del Giro del Beaufort con base presso l’Istituto Oceanografico di Woods Hole, http://www. whoi.edu/beaufortgyre), lo Stretto di Fram [Witte e Fahrbach, 2005]; misurazioni dello spessore del ghiaccio basate su EM aereo [Haas et al., 2009, 2010], e misurazioni ULS presso l’Osservatorio Ambientale del Polo Nord (NPEO). [9] Le misurazioni ULS basate su sottomarino e EM aeree sono fornite come segmenti mediati su 50 km. Seguendo Rothrock et al. [2008, d’ora in poi RPW08], tutte le osservazioni di bozzaggio da sottomarini e dispositivi di ancoraggio vengono convertite in spessore del ghiaccio usando una densità del ghiaccio di 928 kg m^–3 e l’equivalente in acqua di neve stimato dal modello. L’incertezza nella conversione da bozzaggio a spessore è relativamente piccola (<10% del bozzaggio). Le misurazioni EM forniscono lo spessore combinato del ghiaccio più il manto nevoso sovrastante [Haas et al., 2010]. Sono convertite in spessore utilizzando la profondità della neve stimata dall’equivalente in acqua della neve accumulata durante le integrazioni di PIOMAS, assumendo una variazione stagionale della densità della neve [RPW08]. Le misurazioni ULS forniscono una misura del primo ritorno, che può portare a un bias nel bozzaggio del ghiaccio [Vinje et al., 1998]. Questo bias dipende dal campo visivo dello strumento ULS, dalla sua profondità di installazione e dalla distribuzione dello spessore stesso. Rothrock e Wensnahan [2007] stimano un bias di 0,29 m per il record di sottomarino che hanno investigato. Seguendo Kwok e Rothrock [2009, d’ora in poi KR09], noi sottraiamo questo bias dalle misurazioni di bozzaggio del sottomarino prima del confronto con le osservazioni del modello. Non sono state applicate correzioni di bias a misurazioni diverse dai dati ULS dei sottomarini statunitensi, poiché tali correzioni di bias non sono facilmente disponibili e lo sviluppo di tali correzioni è al di fuori dell’ambito di questo studio. In modo simile, seguendo RPM08, le misurazioni provenienti dal sottomarino del Regno Unito non sono state utilizzate in questa analisi poiché la loro storia di elaborazione è incerta. [10] Ogni osservazione del CDR del ghiaccio marino è stata poi accoppiata con uno spessore medio mensile del modello usando la cella della griglia del modello più vicina. Per le misurazioni in situ da piattaforme mobili (sottomarini e EM aereo) la misurazione in situ non corrisponde realmente a una media mensile (il sottomarino può attraversare tutto l’Artico in pochi giorni), quindi questo abbinamento include un errore di campionamento temporale.

2.3. ICESat

[11] Recentemente sono state rese disponibili le stime dello spessore del ghiaccio ottenute tramite il Sistema di Altimetria Laser Geofisico (GLAS) su ICESat [Kwok e Cunningham, 2008; Zwally et al., 2008]. L’algoritmo di recupero di ICESat misura il freeboard del ghiaccio, che è la parte di ghiaccio emersa sopra il livello del mare, confrontando la distanza tra il satellite e la superficie della neve o del ghiaccio rispetto a quella delle aree senza ghiaccio. Queste misure di freeboard sono successivamente convertite in spessore del ghiaccio attraverso una serie di passaggi che considerano il peso della neve, la pressione atmosferica e i bias di campionamento [Kwok et al., 2009, di seguito indicato come K09]. Poiché il freeboard rappresenta soltanto circa il 10% dello spessore totale del ghiaccio, le misurazioni dello spessore ottenute tramite satelliti sono particolarmente sensibili agli errori potenziali legati a questi processi. K09 stima che l’incertezza sullo spessore del ghiaccio misurato da ICESat sia di 0,5 m per le singole celle della griglia di 25 km di ICESat. I dati sullo spessore medio del ghiaccio sono disponibili al seguente URL (http://rkwok.jpl.nasa.gov/icesat/). Questi dati sono aggregati da dieci campagne ICESat svoltesi tra ottobre-novembre dal 2003 al 2007 e tra marzo-febbraio dal 2004 al 2008. Dato il piccolo campo visivo del sensore nadir di ICESat, questi dati aggregati rappresentano una composizione dello spessore del ghiaccio marino raccolto in diversi momenti durante i periodi di osservazione, e trattarli come medie introduce un errore di campionamento.

[12] Per confrontare direttamente con PIOMAS, gli spessori del ghiaccio di PIOMAS sono stati adattati alla griglia di ICESat utilizzando un metodo di interpolazione basato sul vicino più vicino. Per i confronti, sono state utilizzate le medie mensili di PIOMAS di marzo con le campagne di primavera di ICESat, e le medie combinate di ottobre e novembre per le campagne autunnali di ICESat. Si presume che queste medie rappresentino accuratamente il periodo di campionamento dei dati compositi di ICESat. Per tenere conto della natura del processo di recupero dati di ICESat, che non considera completamente le variazioni delle concentrazioni di ghiaccio ma assegna lo spessore recuperato a tutta la cella di griglia, è necessario un ulteriore peso utilizzando le concentrazioni di ghiaccio ottenute tramite AMSR. Seguendo il metodo KR09, le concentrazioni di ghiaccio ottenute da AMSR a una risoluzione di 25 km, disponibili attraverso il NSIDC, sono state utilizzate per calcolare lo spessore del ghiaccio di ICESat ponderato per la concentrazione per ciascuna cella di griglia, moltiplicando lo spessore del ghiaccio di ICESat per la concentrazione di ghiaccio derivata da AMSR.

[13] Il calcolo delle medie di spessore del ghiaccio di ICESat include anche le osservazioni in cui lo spessore del ghiaccio è zero. Questo approccio è in linea con quello adottato nei precedenti studi K09 e KR09 e si allinea alla definizione di spessore effettivo del ghiaccio, comunemente usata nella modellazione del ghiaccio marino. Tuttavia, questo approccio implica che lo spessore medio del ghiaccio di un’area specifica sia notevolmente influenzato dalle variazioni nelle concentrazioni di ghiaccio. Il volume del ghiaccio può quindi essere storicamente calcolato a partire dallo spessore effettivo e dall’area della cella di griglia. Non è sempre chiaro se nelle definizioni di spessore medio del ghiaccio sia inclusa anche la categoria dell’acqua libera, perciò si specifica qui esplicitamente.

La Tabella 2 mostra i trend dello spessore del ghiaccio marino, espressi in metri per decennio, utilizzando diverse metodologie e configurazioni di modello, per diversi periodi di tempo e stagioni.

Colonne della tabella:

• Marzo: Presenta i trend di spessore del ghiaccio per il mese di marzo.
• Ottobre: Mostra i trend di spessore del ghiaccio per il mese di ottobre.
• Trend a 10 anni abbinati: Indica i trend osservati per periodi decennali.
• KR09 1979-2007: Fornisce i trend calcolati nello studio KR09 dal 1979 al 2007, specifici per i mesi di marzo e ottobre.

Righe della tabella:

• DRA (Distributed Regional Analysis): Vengono mostrati i risultati per due configurazioni:
  • IC-SST: Configurazione che include dati sulla concentrazione del ghiaccio e sulla temperatura della superficie del mare.
  • Solo modello: Configurazione che utilizza esclusivamente i dati generati dal modello, senza dati esterni.
• Dominio PIOMAS: Similmente, i risultati per le configurazioni “IC-SST” e “Solo modello” sono presentati.

Dettagli dei risultati:

• I valori mostrano la velocità di variazione dello spessore del ghiaccio per decennio. Per esempio, nel caso di DRA a marzo con la configurazione IC-SST, il trend è di una riduzione di 0.25 metri per decennio.
• I valori in grassetto rappresentano le stime conservative, ossia i minori tassi di diminuzione stimati per ogni dominio e stagione, che rappresentano la stima più prudente del calo dello spessore del ghiaccio.

Note aggiuntive:

• Alcuni dati provengono da aree esterne alla DRA.
• I trend di spessore del ghiaccio per il dominio PIOMAS sono stati calcolati usando una soglia di spessore minima di 0.15 metri per escludere le vaste aree di acqua aperta.

Questa tabella è essenziale per valutare come vari modelli e approcci di misurazione influenzano la comprensione dei cambiamenti nel volume del ghiaccio marino, evidenziando come questi trend possano variare a seconda della stagione e del periodo di osservazione.

la Tabella 3 riporta le stime dell’incertezza casuale e degli errori medi nel calcolo del volume totale del ghiaccio marino, espresso in migliaia di chilometri cubici (10³ km³), utilizzando diverse metodologie.

Dettaglio delle colonne:

• Sea Ice CDR: Fornisce dati dal registro dei dati climatici del ghiaccio marino.
• PIOMAS Adjusted to CDR: Presenta dati del sistema di modellazione e assimilazione PIOMAS, calibrati per allinearsi ai dati del CDR.
• Three Model Runs: Include risultati da tre cicli di simulazione indipendenti.
• ICESat: Dati derivanti dal satellite ICESat, specializzato in misurazioni del ghiaccio, delle nuvole e dell’elevazione terrestre.

Metriche:

• Random Uncertainty (Incertezza Casuale): Questa metrica riflette la variabilità dell’incertezza dovuta a fattori non prevedibili, come errori di misurazione o fluttuazioni naturali.
• Biases (Errori Medi): Indica gli errori sistematici nelle stime, che possono emergere da presupposti errati nei modelli o imprecisioni nei dati.

Risultati Specifici:

• Per il Sea Ice CDR:
  • L’incertezza casuale è minore in ottobre (0.07) rispetto a marzo (0.1).
  • I bias indicano un errore sistematico di -2.8 in marzo e di -1.5 in ottobre, suggerendo una tendenza alla sottostima.
• PIOMAS Adjusted to CDR:
  • L’incertezza casuale è uniformemente registrata a 0.76, indicando una variabilità moderata nella stima del volume del ghiaccio.
• Three Model Runs:
  • L’incertezza casuale è più alta in marzo (2.25) rispetto a ottobre (1.35), suggerendo maggiore variabilità nelle stime di primavera.
• ICESat:
  • I bias sono di -1.7 per la primavera e -2.3 per l’autunno, anch’essi indicativi di una sottostima del volume del ghiaccio.

Note aggiuntive:

• Le stime in grassetto sono considerate conservative, rappresentando i valori più alti di stima assoluta per ciascuna stagione, e quindi le più caute considerando gli errori e le incertezze misurate.

Questi dati sono cruciali per confrontare come diverse tecniche e metodologie influenzano la precisione e l’affidabilità delle stime del volume del ghiaccio marino, evidenziando le variazioni tra differenti strumenti e periodi dell’anno.

2.4. Serie Temporali dello Spessore Medio Regionale del Ghiaccio [14] Recentemente, KR09 ha pubblicato un’analisi sulle variazioni dello spessore del ghiaccio utilizzando i dati rilasciati dei sottomarini statunitensi per una specifica area dell’Oceano Artico (DRA). Questa analisi ha affrontato il problema del campionamento temporale e spaziale eterogeneo delle misurazioni di pescaggio dei sottomarini, applicando polinomi che rappresentano lo spessore del ghiaccio in funzione dello spazio, dei cicli stagionali e del tempo [RPW08]. Questi polinomi sono stati poi utilizzati per la DRA e integrati con le stime di spessore del ghiaccio di ICESat per la stessa area. KR09 ha calcolato che la deviazione standard dell’incertezza totale del modello di regressione per lo spessore del ghiaccio nella DRA è di 0,5 metri, mentre per ICESat l’incertezza stimata è di 0,37 metri. Queste serie temporali sono state utilizzate per confronti con le serie temporali dello spessore del ghiaccio ottenute da PIOMAS.

2.5. Simulazioni del Modello del Sistema Climatico Comunitario Versione 3 [15] Le simulazioni dell’IPCC per (1) il controllo preindustriale, (2) il clima del XX secolo (20C3M) e (3) lo scenario A1b sono state eseguite utilizzando il modello del Sistema Climatico Comunitario Versione 3 (CCSM3). Questi dati sono stati acquisiti dall’archivio del Progetto di Interconfronto dei Modelli Accoppiati Fase 3 (CMIP3) del Programma di Ricerca sul Clima Mondiale (WCRP) [Meehl et al., 2007]. Sono state recuperate le misurazioni della concentrazione e dello spessore del ghiaccio marino, e calcolati il volume totale, l’area e l’estensione del ghiaccio. Le anomalie sono state calcolate in relazione al periodo 1958-1978 e sono state espresse come percentuali delle medie. Inoltre, sono stati estratti e analizzati altri cicli AR4 dell’IPCC per quei modelli ritenuti migliori nel rappresentare la variabilità del ghiaccio marino [Wang e Overland, 2009] (vedi Tabella 5).

3. Incertezze sullo Spessore del Ghiaccio

3.1. Incertezze Locali Derivate dalle Osservazioni In Situ del Registro Dati del Ghiaccio Marino

[16] Non esistendo misurazioni del volume totale del ghiaccio artico, la validazione dei volumi di ghiaccio modellati deve necessariamente affidarsi a misurazioni locali dello spessore del ghiaccio. In questo studio analizziamo separatamente le osservazioni dello spessore del ghiaccio che sono state o non sono state utilizzate durante lo sviluppo del modello PIOMAS. Le Figure 2 e 3 mostrano i confronti tra le stime del modello PIOMAS e le osservazioni reali del ghiaccio marino CDR, rispettivamente per i dati provenienti dai sottomarini e per tutte le altre misurazioni. Le correlazioni tra i dati utilizzati e non utilizzati nello sviluppo del modello sono identiche (0,73), e le differenze RMS sono molto simili (0,76 contro 0,78 metri). Gli errori medi risultano leggermente migliori (–0,17 contro –0,01 metri) quando si escludono le misurazioni dei sottomarini. Lo spessore medio è maggiore di oltre un metro per i dati non provenienti da sottomarini statunitensi, poiché la maggior parte degli altri dati proviene da periodi più recenti, riflettendo il diradamento del ghiaccio. Utilizzando queste incertezze locali dello spessore come indicatore dell’incertezza del modello, possiamo calcolare le incertezze nel volume e nelle tendenze del ghiaccio. Questo sarà approfondito nella sezione 5.1.

[17] Cosa ci indicano le elevate correlazioni tra PIOMAS e le osservazioni in situ? Questi risultati sono semplicemente attribuibili alla capacità del modello di replicare il marcato ciclo annuale di crescita e scioglimento del ghiaccio, o ci dicono poco sulla capacità del modello di tracciare la tendenza di lungo termine? Per valutare l’effetto del ciclo annuale sulle statistiche di validazione, abbiamo confrontato i risultati del modello PIOMAS con le osservazioni in situ registrate nei periodi di osservazione di ICESat di febbraio-marzo e ottobre-novembre, separatamente. Questi intervalli corrispondono ai picchi e ai minimi del ciclo annuale dello spessore del ghiaccio, fornendo un numero sufficiente di osservazioni per un confronto significativo.

Performance del modello PIOMAS rispetto alle osservazioni durante la primavera (febbraio-marzo) La performance del modello PIOMAS rispetto alle osservazioni per la primavera (febbraio-marzo) è risultata eccellente, con una correlazione di 0,83 e un errore medio di -0,08 metri. Le discrepanze RMS per questo periodo sono di 0,61 metri. I confronti per l’autunno (ottobre-novembre) sono leggermente peggiori, con una correlazione di 0,65, un errore RMS di 0,76 metri e un bias di -0,03 metri. Generalmente, rispetto alle osservazioni del Sea Ice CDR, il modello tende a sovrastimare lo spessore del ghiaccio più sottile e a sottostimare quello del ghiaccio più spesso. Questi risultati indicano che il modello cattura la variabilità dello spessore del ghiaccio oltre il ciclo annuale, suggerendo che potrebbe rappresentare bene la variabilità spaziale e temporale a lungo termine. Questi punti verranno analizzati più dettagliatamente nelle sezioni successive.

Esclusione delle osservazioni dell’Osservatorio Ambientale del Polo Nord (NPEO) Va notato che le osservazioni provenienti dall’Osservatorio Ambientale del Polo Nord (NPEO) sono state escluse dall’analisi sopra. Un confronto dei dati del NPEO con PIOMAS rivela che alcune delle prime misurazioni ULS del NPEO mostrano uno spessore del ghiaccio molto superiore rispetto a osservazioni precedenti nella stessa zona, risultando incoerenti con misurazioni più recenti dello spessore del ghiaccio da dati EM vicino al Polo Nord, che presentano un bias quasi nullo e una correlazione del 0,93 rispetto al modello (vedi Figura 4). I dati ULS del NPEO raccolti nel 2006 e nel 2008 mostrano una corrispondenza molto migliore con le osservazioni di PIOMAS e EM. Sebbene non ci sia una sovrapposizione diretta tra i dati NPEO precedenti al 2006 e i dati EM, è difficile spiegare perché il modello si comporti bene con poco errore nell’area vicina al Polo Nord, tranne che per il periodo 2001-2005, quando le discrepanze con il NPEO sono notevoli. Al momento non disponiamo di una spiegazione concreta per questa discrepanza tra i dati NPEO antecedenti al 2006 e il modello. È in corso un’indagine più approfondita (D. Moritz, comunicazione personale, 2011).

la Tabella 3 presenta stime dell’incertezza e degli errori medi nel calcolo del volume totale del ghiaccio marino, misurato in migliaia di chilometri cubi (10³ km³), utilizzando diverse metodologie.

Colonne della Tabella:

• Sea Ice CDR (Climate Data Record): Presenta i dati derivati dal registro dei dati climatici del ghiaccio marino.
• PIOMAS Adjusted to CDR: Mostra i dati di PIOMAS, un modello di simulazione, calibrati per allinearsi ai dati del CDR.
• Three Model Runs: Include risultati basati su tre diversi cicli di simulazione del modello.
• ICESat: Fornisce dati dal satellite ICESat, specializzato nella misurazione del ghiaccio, delle nuvole e dell’elevazione terrestre.

Metriche:

• Random Uncertainty (Incertezza Casuale): Misura la variabilità dell’incertezza dovuta a fattori aleatori, come errori di misurazione o variazioni naturali.
• Biases (Errori Medi): Indica l’errore sistematico medio nelle stime, che può derivare da supposizioni errate nei modelli o da imprecisioni nei dati.

Dati Specifici:

• Per il Sea Ice CDR:
  • Incertezza casuale di 0,1 per marzo e 0,07 per ottobre.
  • Bias di -2,8 per marzo e -1,5 per ottobre.
• Per PIOMAS Adjusted to CDR:
  • Incertezza casuale di 0,76.
• Per Three Model Runs:
  • Incertezza casuale di 2,25 per marzo e 1,35 per ottobre.
• Per ICESat:
  • Bias di -1,7 per la primavera e -2,3 per l’autunno.

Note Aggiuntive:

• Le stime conservative (in grassetto) rappresentano le maggiori stime assolute per ogni stagione, indicando valori più prudenti dati gli errori e le incertezze misurate.

Questa tabella è essenziale per confrontare come diverse tecniche e metodologie influenzino la precisione e l’affidabilità delle stime del volume del ghiaccio marino, evidenziando come le incertezze e gli errori sistematici varino tra diversi approcci e stagioni.

la Tabella 5 elenca una serie di modelli climatici utilizzati in questo studio, le loro abbreviazioni, le istituzioni che li hanno sviluppati e se includono dettagli sulla distribuzione dello spessore del ghiaccio marino a livello sub-griglia.

Dettagli della Tabella:

• Abbreviazione del Modello: Questa colonna mostra le abbreviazioni comuni per identificare i diversi modelli climatici impiegati nello studio.
• Istituzioni: Elenca le istituzioni o i consorzi di ricerca che hanno sviluppato o che gestiscono ciascun modello.
• Distribuzione dello Spessore del Ghiaccio su Scala Sub-griglia: Indica se il modello considera la distribuzione dettagliata dello spessore del ghiaccio marino, un elemento importante per modellare accuratamente il comportamento del ghiaccio e le sue interazioni climatiche.

Modelli e Istituzioni:

1. CCSM3 – Sviluppato dal National Center for Atmospheric Research negli USA, questo modello include la distribuzione dello spessore del ghiaccio su scala sub-griglia, permettendo analisi dettagliate del ghiaccio marino.
2. MIROC (media risoluzione) – Un progetto congiunto del Center for Climate System Research (Università di Tokyo), del National Institute for Environmental Studies e del Frontier Research Center for Global Change in Giappone. Questo modello non include dettagli sulla distribuzione dello spessore del ghiaccio su scala sub-griglia.
3. IPSL – Proveniente dall’Institut Pierre Simon Laplace in Francia, questo modello non fornisce dettagli sulla distribuzione sub-griglia dello spessore del ghiaccio.
4. ECHO G – Un modello collaborativo tra l’Istituto Meteorologico dell’Università di Bonn, l’Istituto di Ricerca Meteorologica della KMA e il Model and Data Group in Germania, anch’esso senza una rappresentazione sub-griglia dello spessore del ghiaccio.
5. GEM-I – Sviluppato dal Hadley Centre for Climate Prediction and Research del Met Office nel Regno Unito, include la distribuzione sub-griglia, facilitando analisi più precise del ghiaccio marino.
6. CNRM – Dal Météo-France, Centre National de Recherches Météorologiques in Francia, anche questo modello include dettagli sulla distribuzione dello spessore del ghiaccio su scala sub-griglia.

Questa tabella fornisce un quadro chiaro dei modelli utilizzati, delle loro caratteristiche e delle capacità di ciascuno nel rappresentare dettagliatamente le dinamiche del ghiaccio marino, aspetti fondamentali per studi climatici avanzati.

la Figura 2 mostra un confronto tra le stime dello spessore del ghiaccio ottenute dal modello PIOMAS e le osservazioni effettuate dai sottomarini statunitensi.

Parti della Figura:

Figura 2a:

• La mappa dell’Artico evidenzia la Data Release Area (DRA), mostrata in grigio, dove sono state rilasciate le osservazioni dei sottomarini statunitensi. Questa regione è significativa per l’analisi poiché contiene dati verificabili sullo spessore del ghiaccio.

Figura 2b:

• Questo grafico a dispersione mette a confronto lo spessore del ghiaccio osservato (asse orizzontale) con quello stimato dal modello PIOMAS (asse verticale).
• I punti blu e rossi rappresentano rispettivamente le misurazioni digitali (USSUB-DG) e analogiche (USSUB-AN) effettuate dai sottomarini.

Metriche chiave visualizzate nel grafico:

• Numero di osservazioni (N): 1.753, che fornisce una base di dati ampia per l’analisi.
• Correlazione: 0,73, indicando una forte relazione positiva tra i dati modellati e osservati, il che suggerisce che il modello è in grado di riflettere con affidabilità la variabilità dello spessore del ghiaccio.
• Errore Medio (Mean Error): -0,17 metri, mostrando una lieve tendenza del modello a sottostimare lo spessore del ghiaccio.
• Errore Medio Quadratico (RMSD): 0,74 metri, una misura della variabilità degli errori tra i dati osservati e quelli modellati.
• Minimo e Massimo (Min & Max): L’intervallo di spessore del ghiaccio osservato varia da 2,86 a 7,86 metri, dimostrando la variazione significativa dello spessore del ghiaccio che il modello deve rappresentare.

Conclusioni:

Il confronto mostrato in Figura 2 aiuta a valutare l’accuratezza del modello PIOMAS nel simulare lo spessore del ghiaccio marino. Nonostante una leggera tendenza a sottostimare, il modello dimostra un’alta correlazione con i dati reali, indicando che è uno strumento valido per rappresentare le dinamiche del ghiaccio marino in risposta a vari fattori ambientali. Questa analisi è cruciale per affinare ulteriormente i modelli utilizzati nella ricerca climatica e per migliorare le previsioni future riguardanti il ghiaccio marino.

la Figura 3 illustra un confronto tra le stime dello spessore del ghiaccio fornite dal modello PIOMAS e osservazioni che non includono i dati provenienti dai sottomarini statunitensi.

Parti della Figura:

Figura 3a:

• Questa mappa dell’Artico indica i siti specifici delle osservazioni di spessore del ghiaccio utilizzate per il confronto. Le località sono marcate con punti rossi dislocati in diverse regioni dell’Artico, mostrando una distribuzione geografica ampia delle misurazioni.

Figura 3b:

• Il grafico a dispersione presenta sulle ordinate le stime di spessore del ghiaccio del modello PIOMAS e sulle ascisse lo spessore del ghiaccio osservato.
• I diversi colori rappresentano le varie fonti dei dati di osservazione:
  • Viola: Institute of Ocean Sciences – Eastern Beaufort Sea (IOS-EBS).
  • Rosa: Institute of Ocean Sciences – Chukchi Sea (IOS-CHK).
  • Blu: Woods Hole Oceanographic Institution – Beaufort Gyre Exploration Projects (BGEP).
  • Giallo: Alfred Wegener Institute – Greenland Sea (AWI-GS).
  • Rosso: Alfred Wegener Institute and University of Alberta Airborne-Electromagnetic Induction (AIR-EM).

Metriche Mostrate nel Grafico:

• Numero di Osservazioni (N): 1.955, indicando un campione significativo per l’analisi.
• Correlazione: 0.73, che evidenzia una forte correlazione positiva tra i dati osservati e quelli stimati, confermando la capacità del modello di riflettere accuratamente le variazioni del spessore del ghiaccio.
• Errore Medio (Mean Error): -0.01 metri, suggerendo che il modello ha una minima tendenza a sottostimare lo spessore del ghiaccio.
• Errore Medio Quadratico (RMSD): 0.78 metri, una misura che quantifica la variazione tipica degli errori tra i valori osservati e quelli stimati dal modello.

Interpretazione:

Il confronto dimostra che il modello PIOMAS mantiene una buona accuratezza nel simulare lo spessore del ghiaccio marino artico, anche quando viene confrontato con un set di dati eterogeneo e non limitato alle sole misurazioni dei sottomarini. La varietà delle fonti dati e l’alta correlazione rivelano che PIOMAS è un modello efficace per rappresentare diverse condizioni e regioni dell’Artico. Questi risultati supportano l’utilizzo del modello in studi climatici per analizzare le tendenze e le variazioni del ghiaccio marino su vasta scala.

3.2. Incertezze sullo Spessore Medio Regionale del Ghiaccio (Bias)

[19] Gli errori casuali, derivanti dalle osservazioni individuali in situ, influenzano le stime del volume medio del ghiaccio regionale proporzionalmente a N^-1/2), dove N rappresenta il numero di celle della griglia nel modello o nel recupero dati. Dato che N può essere grande a seconda delle dimensioni della regione, le stime dell’incertezza del volume di ghiaccio sono dominate dai bias piuttosto che dagli errori casuali [KR09]. Questa problematica è trattata anche nella sezione 5.1. Utilizziamo le medie regionali ottenute da ICESat per la DRA e il dominio ICESat al fine di valutare i potenziali bias nello spessore medio regionale del ghiaccio di PIOMAS.

[20] La Figura 5a illustra un confronto dello spessore del ghiaccio nel dominio ICESat tra PIOMAS (IC-SST) e ICESat. Le stime di spessore di ICESat eccedono quelle di PIOMAS di 0.1 m e 0.26 m per febbraio-marzo e ottobre-novembre, rispettivamente, entrambi ben entro l’incertezza di 0.37 m delle stime di ICESat [KR09]. Mentre la differenza tra PIOMAS e ICESat in febbraio-marzo è di −0.1 m, paragonabile a quella tra il modello e le osservazioni in situ nel CDR del ghiaccio marino, le differenze tra il modello e ICESat in ottobre-novembre sono notevolmente più alte (−0.26 m) rispetto alle differenze tra il modello e le osservazioni in situ. I motivi di questa discrepanza saranno chiariti quando analizzeremo i modelli spaziali (sezione 3.3). Le differenze tra il modello e ICESat sono minori nel dominio DRA (Figura 5b), probabilmente riflettendo l’uso dei dati di pescaggio dei sottomarini in quest’area sia nella calibrazione del modello PIOMAS che nello sviluppo dell’algoritmo di ICESat.

[21] Applicando i bias derivati (−0.01 m e −0.26 m) dal dominio ICESat all’intero dominio PIOMAS, le stime del volume totale del ghiaccio marino artico si modificano di −1.7 × 10³ km³ (cioè −6.3%) e −2.3 × 10³ km³ (cioè −10%) per la primavera e l’autunno, rispettivamente. Dato il limitato numero di dati (N = 5) coinvolti nel determinare questi bias, l’incertezza è naturalmente elevata e le conclusioni sui bias del volume di ghiaccio devono essere considerate con cautela. Le incertezze sullo spessore medio del ghiaccio, sia locale che regionale, sono riassunte nella Tabella 1.

3.3. Incertezza nei Modelli Spaziali

[22] I dati sullo spessore del ghiaccio ottenuti da ICESat offrono anche l’opportunità di valutare l’accuratezza con cui le simulazioni di PIOMAS riproducono i modelli spaziali dello spessore del ghiaccio. Per ciascuna campagna di ICESat, sono state create mappe delle differenze e calcolate le differenze medie per le stagioni primaverile e autunnale (vedi Figura 6). I dati di spessore del ghiaccio da ICESat e PIOMAS mostrano un accordo significativo con il modello generale di spessore del ghiaccio. Le correlazioni dei modelli sono elevate, con valori di 0.8 per la primavera e 0.9 per l’autunno. L’integrazione IC risulta leggermente meno precisa rispetto a IC-SST e solo modello, coerentemente con i confronti effettuati con le osservazioni del CDR del ghiaccio marino. Le maggiori discrepanze nei modelli di spessore del ghiaccio si verificano in una fascia stretta lungo la costa nord della Groenlandia e dell’Arcipelago Canadese, dove i dati di ICESat mostrano spessori del ghiaccio e gradienti meridionali molto più marcati rispetto al modello PIOMAS. Attualmente, con campi di forzatura lisci e a bassa risoluzione, PIOMAS fatica a riprodurre accuratamente il ghiaccio spesso lungo la costa, contribuendo al bias negativo precedentemente osservato. Questa differenza nei modelli spaziali spiega la differenza di spessore medio del ghiaccio regionale tra PIOMAS e ICESat mostrata nella Figura 5. Tuttavia, sebbene la sottostima di PIOMAS dello spessore del ghiaccio vicino alla costa canadese sia confermata qualitativamente dai confronti con le osservazioni costiere vicine del CDR del ghiaccio marino (Figura 7), le sottostime di PIOMAS sono molto più contenute (0.08 m) rispetto a quanto emerso dal confronto con ICESat. È possibile che le misurazioni di ICESat sovrastimino lo spessore del ghiaccio in quelle aree costiere. Inoltre, alcuni dati EM vicino all’Isola di Ellesmere indicano anch’essi uno spessore del ghiaccio maggiore rispetto a quello stimato da PIOMAS, suggerendo la presenza di potenziali bias del modello che necessitano di ulteriori indagini per caratterizzare meglio la variabilità dello spessore del ghiaccio in queste aree. Lo spessore del ghiaccio di PIOMAS nei mari di Beaufort e Chukchi risulta leggermente inferiore a quello osservato da ICESat. Poiché si tratta di medie regionali, la correzione di -0.20 m applicata alle medie regionali di ICESat per adeguare i rilevamenti di ICESat di ottobre-novembre alla data di riferimento del 1 novembre, come fatto per KR09, non è stata applicata alle mappe mostrate nella Figura 6.

la Figura 4 confronta le stime dello spessore del ghiaccio di PIOMAS (IC-SST) con le osservazioni in situ del Climate Data Record del ghiaccio marino per il periodo 1999-2010.

Dettagli dei Grafici:

Figura 4a:

• Questo grafico mostra un confronto tra le misurazioni di spessore del ghiaccio fatte tramite tecnologia elettromagnetica (EM) e le stime del modello PIOMAS.
• I diversi colori rappresentano vari anni di campagne di misurazione, evidenziando come le misure di spessore del ghiaccio di ciascun anno si confrontino con le previsioni del modello.
• Le metriche chiave includono:
  • Numero di osservazioni (N): 12.
  • Correlazione: Elevata a 0.93, indicando una forte concordanza tra le misurazioni EM e le stime del modello.
  • Errore Medio: Zero, mostrando che non vi è un bias significativo medio tra il modello e le misure EM.
  • Errore Medio Quadratico (RMSD): 0.27, indicando un’ottima precisione del modello rispetto a queste misurazioni.

Figura 4b:

• Mostra il confronto tra le misurazioni di spessore del ghiaccio effettuate con sonar ad ultrasuoni (ULS) dall’North Pole Environmental Observatory (NPEO) e le stime di PIOMAS.
• I colori indicano gli anni di dispiegamento degli strumenti ULS, illustrando come variano le stime del modello per ciascun anno.
• Le metriche chiave includono:
  • Numero di osservazioni (N): 72.
  • Correlazione: Più bassa, a 0.50, suggerendo una minore aderenza del modello alle misurazioni ULS rispetto alle EM.
  • Errore Medio: -0.85, indicando una tendenza del modello a sottostimare lo spessore del ghiaccio rispetto alle misure ULS.
  • Errore Medio Quadratico (RMSD): 1.15, che è maggiore rispetto a quello delle misure EM, riflettendo una minore precisione del modello in questo contesto.

Interpretazione Complessiva:

I grafici illustrano come il modello PIOMAS si confronti con due diverse tipologie di misurazioni in situ. Mentre il modello corrisponde molto bene alle misure EM, mostrando un’alta precisione e una corrispondenza quasi perfetta, si dimostra meno accurato e con un bias più marcato nei confronti delle misurazioni ULS effettuate dal NPEO. Queste discrepanze potrebbero derivare dalle differenti metodologie di misurazione o dalle specifiche caratteristiche regionali catturate dai diversi strumenti. Questo confronto aiuta a valutare dove il modello possa necessitare di ulteriori affinamenti per migliorare la sua precisione e affidabilità.

4. Tendenze e Incertezze sullo Spessore del Ghiaccio

4.1. Confronti con Serie Temporali Ricostruite [KR09]

[23] Abbiamo già analizzato le incertezze locali e regionali e le variazioni nei modelli spaziali. Ma cosa possiamo dire delle tendenze a lungo termine, che rappresentano l’obiettivo principale di questo studio? Per quantificare le incertezze delle tendenze a lungo termine, è essenziale considerare il campionamento irregolare nello spazio e nel tempo dei dati disponibili. Le serie derivate dai satelliti, come quelle di ICESat, sono ancora troppo brevi per scopi analitici approfonditi. RPW08 ha affrontato i problemi di campionamento in situ sviluppando un modello empirico basato sui dati disponibili per la DRA e KR09 hanno esteso la serie temporale di ICESat per costruire una serie di dati sulla media dello spessore del ghiaccio per la DRA. Utilizziamo questa serie temporale per analizzare la variabilità a lungo termine dello spessore del ghiaccio secondo il modello PIOMAS.

[24] La Figura 8 mostra lo spessore medio del ghiaccio di PIOMAS (IC-SST) calcolato per la DRA a confronto con la serie temporale dello spessore del ghiaccio di KR09. Le misurazioni di PIOMAS si collocano generalmente all’interno delle stime di errore fornite da KR09, ad eccezione di un periodo nei primi anni ’80. Questa discrepanza potrebbe derivare dall’uso di polinomi di ordine superiore da parte di RPW08 per interpolare i dati dei sottomarini nel tempo e nello spazio.

[25] La Figura 8a mostra osservazioni in situ del CDR del ghiaccio marino effettuate all’interno della DRA nel periodo da gennaio a maggio. Non sono disponibili dati per il periodo da febbraio a marzo tra il 1981 e il 1985, quando si verifica una discrepanza tra PIOMAS e il modello di regressione. Sembra che il modello di regressione sia stato particolarmente influenzato dalle osservazioni autunnali. In quel periodo, benché la discrepanza tra PIOMAS e il modello di regressione rimanga evidente, essa appare significativamente ridotta. La variazione delle singole osservazioni CDR rispetto alle loro medie dimostra l’ampia variabilità spaziale dello spessore del ghiaccio, che complica notevolmente la creazione di una serie temporale artica completa a partire da osservazioni in situ sparse.

Le differenze tra le medie del Climate Data Record (CDR) del ghiaccio marino e il modello di regressione evidenziano l’importanza e la difficoltà nel gestire un campionamento così sporadico, come tentato nello studio RPW08. L’incertezza di 0,50 metri indicata nello studio KR09 rappresenta la deviazione standard dell’errore del modello di regressione per la media mensile dello spessore del ghiaccio, calcolata su tutta l’area della DRA. Questo significa che ci si aspetta che il 67% delle medie mensili osservate rientri entro questo margine.

Considerando i 34 anni di serie temporale e ignorando l’autocorrelazione dei dati, si potrebbe prevedere che fino a 11 anni di dati si collochino al di fuori di questo intervallo. Di conseguenza, anche se alcuni dati del modello nei primi anni ’80 escono dai limiti di errore della serie temporale di KR09, lo spessore del ghiaccio previsto da PIOMAS per la DRA rimane statisticamente coerente con la serie temporale ricostruita di KR09.

Le differenze RMS tra le stime di PIOMAS (IC-SST) e la serie temporale di KR09 sono di 0,40 e 0,32 metri per la primavera e l’autunno, rispettivamente, il che si colloca all’interno delle stime di incertezza dello spessore del ghiaccio di KR09. Il bias medio è di 0,17 metri in primavera e quasi nullo in autunno. Tuttavia, i trend del modello PIOMAS per il periodo 1979-2010 mostrano una diminuzione di 0,25 e 0,38 metri per decennio per la primavera e l’autunno, rispettivamente, per la configurazione IC-SST, a confronto con i trend di 0,53 e 0,50 metri per decennio della serie temporale di KR09.

Data la struttura funzionale della serie temporale di KR09, confrontare direttamente i trend lineari potrebbe non essere il modo migliore per valutare la coerenza tra i due. Piuttosto, esaminare la somiglianza qualitativa delle serie temporali potrebbe offrire un indicatore più efficace dell’allineamento tra le previsioni del modello e le osservazioni reali.

[27] Si notano differenze significative tra PIOMAS e le osservazioni in situ del CDR, particolarmente evidenti nel gap tra il modello di regressione e l’inizio del periodo di ICESat (2000-2003). Queste osservazioni sono state raccolte dall’NPEO, che abbiamo già indicato in precedenza come fonte di grandi bias rispetto a PIOMAS. La discontinuità di queste osservazioni rispetto alle serie temporali di PIOMAS e KR09 solleva ulteriori dubbi sulla loro affidabilità. Tuttavia, è importante riconoscere che, se le stime dello spessore del ghiaccio dell’NPEO prima del 2006 fossero effettivamente accurate e rappresentative delle condizioni del ghiaccio marino di quel periodo, la nostra comprensione della variabilità dello spessore e del volume del ghiaccio marino nell’Artico verrebbe seriamente messa in discussione.

[28] Sebbene KR09 non forniscano una stima dell’incertezza per i loro trend, queste possono essere valutate nell’ordine di 0,10 metri per decennio, considerando le incertezze riportate da KR09 come errori di misurazione in un modello di regressione lineare [Press et al., 1992]. La differenza nel trend medio di spessore del ghiaccio tra PIOMAS e KR09 è quindi superiore alle incertezze casuali, suggerendo che errori sistematici, come la tendenza di PIOMAS a sottostimare il ghiaccio più spesso e a sovrastimare quello più sottile, possano spiegare le differenze nei trend osservati. Entrambe le configurazioni, IC e solo modello, mostrano un assottigliamento molto maggiore nella regione DRA con un trend di ottobre di -0,53 metri per decennio, avvicinandosi così al record di KR09. Pertanto, la nostra scelta di usare IC-SST come nostra configurazione di riferimento è decisamente conservativa rispetto al trend.

la Figura 5 mostra il confronto tra lo spessore e il volume del ghiaccio nel dominio ICESat e nella Data Release Area (DRA) basato su dati da ICESat e PIOMAS (IC-SST) dal 2003 al 2008.

Dettagli della Figura 5:

Panello (a) – Dominio completo ICESat

• Spessore del Ghiaccio: Questo grafico mostra confronti tra lo spessore del ghiaccio registrato da ICESat (triangoli) e stimato da PIOMAS (cerchi) nei mesi di marzo e ottobre. I colori diversi rappresentano i diversi mesi. La tendenza generale mostra una diminuzione dello spessore del ghiaccio nel tempo per entrambe le fonti di dati.
• Volume del Ghiaccio: La linea rappresenta il volume totale del ghiaccio, calcolato su base stagionale, evidenziando una tendenza al ribasso nel volume complessivo del ghiaccio attraverso gli anni.

Panello (b) – Area DRA

• Spessore del Ghiaccio: Similmente al pannello (a), questo grafico focalizza sulla DRA, mostrando lo spessore del ghiaccio a marzo e ottobre. Anche qui, la tendenza alla diminuzione dello spessore è chiara, suggerendo una riduzione consistente del ghiaccio in questa specifica regione.
• Volume del Ghiaccio: Le linee seguono il volume del ghiaccio nella DRA, con una chiara tendenza alla diminuzione nel periodo considerato.

Interpretazione Complessiva:

Entrambi i pannelli confermano una marcata riduzione sia dello spessore che del volume del ghiaccio marino nell’arco del periodo osservato. La coerenza tra le misurazioni di spessore di PIOMAS e quelle di ICESat evidenzia l’efficacia di PIOMAS nel simulare le variazioni del ghiaccio marino sia su scala regionale che più ampia. Questo accordo tra le tendenze di spessore e volume rinforza l’evidenza di cambiamenti significativi nelle condizioni del ghiaccio marino artico, riflettendo le implicazioni dei cambiamenti climatici nella regione.

la Figura 6 presenta dati sullo spessore del ghiaccio artico ottenuti tramite il satellite ICESat e il modello PIOMAS, così come le differenze tra questi due metodi di misurazione.

Panoramica dei Pannelli:

Pannelli (a) e (b) – Dati ICESat:

• (a) Visualizza lo spessore medio del ghiaccio per i mesi di febbraio e marzo tra il 2003 e il 2008, secondo i dati ICESat.
• (b) Mostra lo spessore medio del ghiaccio per i mesi di ottobre e novembre nello stesso intervallo di anni, secondo ICESat.

Questi pannelli utilizzano una scala cromatica per rappresentare lo spessore del ghiaccio, con tonalità più scure che indicano uno spessore maggiore, permettendo una facile visualizzazione della distribuzione geografica dello spessore del ghiaccio nell’Artico.

Pannelli (c) e (d) – Dati PIOMAS:

• (c) Fornisce informazioni sullo spessore del ghiaccio per i mesi di febbraio e marzo, come calcolato dal modello PIOMAS.
• (d) Presenta lo spessore del ghiaccio per i mesi di ottobre e novembre, sempre secondo PIOMAS.

Simili ai primi due pannelli, anche questi mostrano il ghiaccio attraverso una scala di colori che facilita il confronto diretto delle stime di spessore tra i due metodi.

Pannelli (e) e (f) – Mappe delle Differenze:

• (e) Illustra le differenze nello spessore del ghiaccio tra i dati ICESat e quelli di PIOMAS per i mesi di febbraio e marzo.
• (f) Mostra le differenze per i mesi di ottobre e novembre.

Queste mappe mettono in evidenza le aree con le maggiori discrepanze tra i due metodi di misurazione, usando una scala cromatica per indicare l’intensità delle differenze in metri. Le aree con colori più intensi indicano le maggiori discrepanze.

Conclusione:

La Figura 6 offre una visione dettagliata e confrontabile delle stime dello spessore del ghiaccio artico da parte di ICESat e PIOMAS, evidenziando differenze significative tra i due metodi. Le mappe delle differenze sono particolarmente utili per identificare zone di potenziale incertezza o discrepanza, offrendo spunti preziosi per ulteriori investigazioni, calibrazioni di modello, e verifiche di accuratezza delle misurazioni satellitari. Questi confronti sono fondamentali per migliorare la nostra comprensione delle dinamiche del ghiaccio marino artico e delle sue variazioni stagionali e annuali.

la Figura 7 mostra il confronto tra le misurazioni del ghiaccio vicino alla costa canadese raccolte tramite metodi differenti e le stime di un modello.

Panoramica della Figura 7:

Pannello (a) – Mappa delle Località di Confronto:

• Il primo pannello mostra una mappa che indica le località lungo la costa canadese dove sono state effettuate misurazioni del ghiaccio. Le linee tratteggiate delineano la costa e i punti rossi marcano le posizioni specifiche delle misurazioni.

Pannello (b) – Confronto dello Spessore del Ghiaccio:

• Questo grafico a dispersione mette a confronto lo spessore del ghiaccio osservato (sull’asse orizzontale) con quello stimato dal modello PIOMAS (sull’asse verticale). I punti blu rappresentano le misurazioni ottenute tramite il sistema di misurazione elettromagnetica aerea (AIR-EM) e i punti rossi quelle effettuate con sonde fisse (ULS) dal sito IOS-EBS.
• La linea verde indica la linea ideale di uguaglianza, dove le stime del modello corrispondono esattamente alle misurazioni.
• Le linee blu e rosse rappresentano le tendenze di regressione per le misurazioni AIR-EM e IOS-EBS, mostrando la relazione tra le stime del modello e le misurazioni reali.

Statistiche Chiave:

• Numero totale di dati (N): 441
• Correlazione: 0.72, indicando una buona corrispondenza tra le misure e le stime di PIOMAS.
• Errore Medio (Y-X): -0.08, suggerendo che PIOMAS tende a sottostimare leggermente lo spessore del ghiaccio.
• Media delle Osservazioni (X): 1.74 m
• Deviazione Standard Media Quadratica (RMSD): 0.94 m, che misura la variabilità tra le stime del modello e le misurazioni effettive.

Interpretazione Generale:

La Figura 7 evidenzia una corrispondenza generalmente buona tra le stime di spessore del ghiaccio fornite da PIOMAS e le misurazioni effettuate vicino alla costa canadese. Sebbene il modello tenda a sottostimare leggermente lo spessore del ghiaccio, la correlazione significativa e le linee di regressione indicano che PIOMAS è uno strumento affidabile per la stima dello spessore del ghiaccio in queste aree. Le discrepanze minori evidenziate potrebbero essere utili per affinare ulteriormente il modello, migliorando così la sua precisione nelle predizioni future.

4.2. Variazione dello Spessore a Partire da Osservazioni Accoppiate

[29] È possibile utilizzare un metodo alternativo per affrontare il problema del campionamento sparso, sia spaziale che temporale, delle osservazioni. Questo approccio consiste nel valutare i cambiamenti temporali a partire da osservazioni ripetute negli stessi luoghi e nello stesso periodo dell’anno. Rothrock et al. [1999] e KR09 hanno impiegato questo metodo, raggruppando le osservazioni per luogo e periodo e calcolando i trend pluriennali per ciascuna località. Qui adottiamo un approccio simile confrontando i trend decennali modellati con quelli osservati nelle stesse località.

[30] Abbiamo cercato nel database del CDR del ghiaccio marino coppie di osservazioni ripetute nella stessa località e nello stesso mese, distanziate di almeno 10 anni. La Figura 9 mostra il confronto tra i trend di oltre 10 anni ricavati dalle osservazioni del CDR del ghiaccio marino e da PIOMAS. Le osservazioni sono accoppiate senza considerare il sistema di osservazione utilizzato. La distribuzione dei trend calcolati in questo modo risulta piuttosto variabile, perché le osservazioni riflettono aree limitate e i trend basati su due punti sono fortemente influenzati dalla variabilità interannuale. Inoltre, le coppie di osservazioni possono avere bias differenti a causa delle caratteristiche specifiche delle misurazioni (come la profondità di dispiegamento o il sistema di misurazione). Un totale di 572 coppie ha mostrato una variazione media dello spessore per PIOMAS di -0,42 metri per decennio. La diminuzione media osservata è leggermente superiore, con -0,48 metri per decennio. Utilizzando un test delle medie T, abbiamo scoperto che il trend medio di PIOMAS differisce significativamente (p < 0,003) dal cambiamento medio dello spessore osservato. Questo indica che PIOMAS sottostima la riduzione dello spessore del ghiaccio di circa 0,06 metri per decennio. È importante notare che i bias di misurazione precedentemente discussi influenzano questi risultati. Sebbene il campionamento delle osservazioni accoppiate non permetta di usare i cambiamenti derivati come valore rappresentativo per i cambiamenti del ghiaccio su scala di bacino nel periodo considerato, la differenza tra i trend modellati e quelli osservati (0,06 metri per decennio) può essere considerata come un’indicazione dell’incertezza di entrambe le stime. Questo risultato fornisce ulteriori conferme che PIOMAS offre una stima conservativa dei cambiamenti nello spessore del ghiaccio.

Panoramica della Figura 8:

Questa figura mostra il confronto tra le stime di spessore del ghiaccio fornite dal modello PIOMAS (IC-SST) e un modello di regressione basato su dati raccolti da sottomarini statunitensi e da misurazioni ICESat. Il confronto è presentato per due periodi distinti: (a) febbraio-marzo e (b) ottobre-novembre.

Dettagli Specifici:

Pannello (a) – Febbraio-Marzo:

• Linea Blu Continua: Rappresenta il modello di regressione, calcolato per il 1° marzo di ogni anno, basato su osservazioni storiche.
• Linea Nera Tratteggiata: Mostra le medie di spessore del ghiaccio calcolate dal modello PIOMAS per i mesi di febbraio e marzo.
• Punti Grigi: Indicano le osservazioni individuali di spessore del ghiaccio nel Climate Data Record (CDR).
• Punti Grigi Grandi: Rappresentano la media di tutte le osservazioni nel periodo indicato.
• Area Blu Ombreggiata: Denota l’incertezza (1 sigma) associata al modello di regressione, fornendo un’indicazione della variabilità attesa.

Pannello (b) – Ottobre-Novembre:

• Linea Rossa Continua: Simile al pannello (a), ma valutata per il 1° novembre di ogni anno.
• Linea Nera Tratteggiata: Mostra le medie di spessore del ghiaccio calcolate da PIOMAS per ottobre e novembre.
• Correzione dei Dati ICESat: I dati di ICESat per l’autunno sono stati corretti sottraendo 0,20 metri per allinearli al 1 novembre.
• Area Rossa Ombreggiata: Mostra l’incertezza del modello di regressione per questo periodo, evidenziando la confidenza nei risultati presentati.

Interpretazione:

Le linee tratteggiate rappresentano gli adattamenti lineari per i dati PIOMAS, confrontati con i modelli di regressione basati su osservazioni più dirette. Questo confronto evidenzia come le stime di PIOMAS si allineano o divergono dalle osservazioni dirette in momenti critici dell’anno, quando il ghiaccio è in fase di rapido cambiamento. Le discrepanze tra il modello e le osservazioni possono sottolineare aree per miglioramenti futuri nel modello PIOMAS.

La figura serve come strumento essenziale per valutare l’accuratezza delle simulazioni di spessore del ghiaccio nel modello PIOMAS, confrontando direttamente i suoi output con dati di osservazione consolidati e valutati per accuratezza e coerenza. Le aree ombreggiate che indicano l’incertezza dei modelli offrono una comprensione di quanto si possa fidare delle proiezioni di spessore del ghiaccio, sia per la ricerca scientifica che per le applicazioni pratiche, come la navigazione e la gestione delle risorse naturali nelle regioni polari.

la Figura 9 mostra le variazioni decennali dello spessore del ghiaccio marino in località specifiche ripetute, comparando i dati osservati con quelli previsti dal modello PIOMAS.

Dettagli dei Pannelli:

Pannello (a) – Mappa delle Località di Osservazione:

• Questa mappa illustra le località specifiche nel Polo Nord dove sono state effettuate misurazioni ripetute dello spessore del ghiaccio marino. Le località sono indicate con diversi colori per mostrare la distanza tra i punti di osservazione.

Pannello (b) – Differenze nelle Osservazioni:

• Il grafico a dispersione visualizza le differenze nello spessore del ghiaccio registrato in località specifiche su un arco di più di dieci anni. I colori rappresentano diversi anni di osservazione, evidenziando la variazione temporale dello spessore del ghiaccio.

Pannello (c) – Differenze Previsioni PIOMAS:

• Simile al pannello (b), ma mostrando le differenze nello spessore del ghiaccio previsto dal modello PIOMAS. I colori in questo grafico distinguono le diverse fonti di dati di spessore utilizzate nelle previsioni del modello.

Pannello (d) – Istogrammi delle Distribuzioni delle Differenze:

• Questo istogramma confronta le distribuzioni delle differenze di spessore registrate e quelle previste da PIOMAS. Le linee tratteggiate rappresentano le medie delle distribuzioni, facilitando il confronto visivo tra i risultati osservati e quelli modellati.

Statistiche Chiave:

• Media delle Differenze Osservate: -0.48 metri per decennio.
• Media delle Differenze di PIOMAS: -0.42 metri per decennio.

Interpretazione:

Questa figura fornisce un’analisi dettagliata di come il ghiaccio marino sia cambiato in specifiche località nel corso di più di un decennio. L’uso di colori differenti aiuta a tracciare cambiamenti specifici per località e tempo, offrendo una rappresentazione visiva dell’eterogeneità del fenomeno. Gli istogrammi permettono di valutare la coerenza tra le misurazioni dirette e le stime del modello, sottolineando l’importanza di continuare a monitorare e affinare i modelli climatici per migliorare la nostra comprensione e previsione delle dinamiche del ghiaccio marino.

5. Incertezze e Tendenze del Volume del Ghiaccio Marino

[31] Il volume totale del ghiaccio marino artico può essere descritto come la somma dei prodotti tra lo spessore medio del ghiaccio (inclusa l’acqua aperta) e l’area di ciascuna cella della griglia, esteso su tutte le celle N della griglia. Se consideriamo la varianza dell’errore dello spessore come costante e assumiamo che gli errori di spessore in ciascuna cella siano indipendenti l’uno dall’altro, allora la varianza dell’errore del volume totale è determinata dalla somma delle aree di ciascuna cella al quadrato, moltiplicata per la varianza dell’errore dello spessore. Definendo l’area quadrata media di ciascuna cella, la deviazione standard dell’errore del volume risulta quindi proporzionale all’incertezza dello spessore, alla media delle aree delle celle e alla radice quadrata del numero di celle.

Il volume è influenzato dalla definizione del dominio di studio e dalle linee costiere. Poiché il dominio e la griglia di PIOMAS sono fissi, l’area di ciascuna cella rimane costante nel tempo e non incide sull’incertezza della serie temporale. Per valutare l’effetto potenziale delle incertezze legate alle linee costiere, abbiamo utilizzato la maschera terrestre di AMSR-E con risoluzione di 6,25 km, fornita dal NSIDC. Confrontando questa maschera con la griglia di PIOMAS, abbiamo stimato che l’incertezza sul volume totale del ghiaccio marino artico dovuta alle incertezze delle linee costiere sia inferiore al 2% del volume totale.

La Figura 10 illustra le anomalie del volume del ghiaccio marino, mostrando sia i dati corretti che quelli non corretti, e come queste correzioni influenzino la percezione della velocità di perdita del ghiaccio nel periodo che va dal 1980 al 2010.

Dettagli del Grafico:

• Linee Principali:
  • La linea nera mostra le anomalie del volume di ghiaccio mensili non corrette.
  • La linea blu rappresenta le anomalie mensili dopo la correzione basata sulle relazioni di regressione tra le misure di spessore del ghiaccio di PIOMAS e i dati osservati.
• Linee Tratteggiate:
  • Le due linee tratteggiate rappresentano le tendenze decennali per ciascun set di dati.
  • La linea superiore indica una perdita di volume del ghiaccio di -2.8 × 10³ km³ per decennio per i dati non corretti.
  • La linea inferiore indica una perdita più accentuata di -3.5 × 10³ km³ per decennio per i dati corretti.

Interpretazione:

• Anomalie e Fluttuazioni del Volume:
  • Le anomalie mostrano variazioni significative e una tendenza generale alla diminuzione nel volume del ghiaccio marino. Queste fluttuazioni possono essere attribuite a variazioni stagionali, oltre che a tendenze a lungo termine legate ai cambiamenti climatici.
• Impatto delle Correzioni:
  • L’applicazione delle correzioni, basate sulle discrepanze tra le stime di PIOMAS e le misurazioni dirette, suggerisce che il declino del volume di ghiaccio potrebbe essere più marcato di quanto precedentemente stimato. Questo mette in luce l’importanza di calibrare accuratamente i modelli per ottenere una rappresentazione più fedele del fenomeno.
• Valutazione delle Tendenze:
  • Le tendenze tratteggiate aiutano a visualizzare come le correzioni modificano la nostra comprensione della velocità con cui il ghiaccio sta scomparendo, sottolineando l’importanza di utilizzare dati corretti per valutare gli impatti del cambiamento climatico.

In conclusione, la Figura 10 offre una prospettiva cruciale sulla dinamica del ghiaccio marino artico, dimostrando come le metodologie di correzione possano influenzare significativamente le stime di perdita di ghiaccio, contribuendo così a una migliore comprensione dei cambiamenti ambientali in corso nelle regioni polari.

5.1. Incertezza sul Volume e sulle Tendenze Derivate dalle Osservazioni dello Spessore In Situ

[32] Dai confronti diretti tra lo spessore del ghiaccio osservato e le simulazioni di PIOMAS (sezione 3.1), abbiamo ottenuto una deviazione standard massima di 0,78 metri nella differenza tra lo spessore medio mensile modellato e quello osservato per ogni cella della griglia, con un bias massimo di -0,17 metri. Considerando la variazione della griglia di PIOMAS e il fatto che il numero di celle coperte di ghiaccio varia nei mesi di marzo e ottobre, abbiamo impostato l’incertezza per cella di griglia a 0,78 metri. Il numero di celle (N) è definito come quelle con uno spessore superiore a 0,15 metri, utilizzando la media temporale dal 1979 al 2010 di 15.548 per marzo e 10.132 per ottobre. L’area media delle celle è fissata a 1075 km² per marzo e 879 km² per ottobre. Di conseguenza, l’incertezza casuale del volume del ghiaccio per l’intero dominio di PIOMAS è relativamente bassa: 0,1 × 10³ km³ per marzo e 0,07 × 10³ km³ per ottobre. Tuttavia, l’impatto potenziale dei bias nello spessore del ghiaccio è molto più significativo. Moltiplicando il bias stabilito di -0,17 metri con le aree coperte di ghiaccio per marzo e ottobre, calcoliamo un bias di volume. Nel dominio di PIOMAS, il bias di volume modellato rispetto al CDR che include dati dei sottomarini è di -2,8 × 10³ km³ per marzo e -1,5 × 10³ km³ per ottobre, rappresentando circa il 10% del volume totale di ghiaccio in quei periodi.

[33] Usando l’incertezza del volume del ghiaccio di 0,1 × 10³ km³ come errore di misurazione nel calcolare la tendenza del volume mensile, otteniamo un’incertezza di 0,07 × 10³ km³ per decennio nella tendenza lineare. Questa stima dell’incertezza dovrebbe essere considerata ottimistica, poiché si basa sull’assunzione che gli errori siano casuali. Se i bias sono considerati costanti, non influenzerebbero l’incertezza delle tendenze di volume. Tuttavia, è probabile che questa non sia un’ipotesi valida. Come abbiamo visto nella sezione 3.1, i confronti con le osservazioni mostrano che PIOMAS tende a sovrastimare lo spessore del ghiaccio più sottile e a sottostimare quello più spesso. Nella sezione 5.2, quindi, cercheremo di quantificare l’effetto di tali errori sistematici sulle tendenze del volume del ghiaccio.

5.2. Incertezza Utilizzando Risultati di Modello Ajustati

[34] Come già discusso, il confronto tra i risultati di PIOMAS e le osservazioni dello spessore del ghiaccio, presuppone che queste ultime siano prive di errori sistematici e ha rivelato che il modello tende a sovrastimare il ghiaccio più sottile e a sottostimare quello più spesso (vedi Figura 2). Queste differenze sistematiche come influenzano le tendenze del volume del ghiaccio? Per rispondere, abbiamo trasformato lo spessore del ghiaccio modellato in uno “aggiustato” che elimina queste discrepanze. Abbiamo calcolato i coefficienti lineari per ogni osservazione in situ, adottando una procedura che considera gli errori in entrambe le variabili dipendenti e indipendenti [Williams et al., 2010]. Supponendo che questa relazione valga universalmente e costantemente, applichiamo i coefficienti risultanti a ciascuna cella della griglia di PIOMAS e sommiamo i risultati per ricreare le serie temporali delle anomalie di volume del ghiaccio.

[35] I risultati (mostrati in Figura 10) indicano che le anomalie sono relativamente poco influenzate da questa correzione, ma la tendenza alla diminuzione si accentua leggermente. Poiché il ghiaccio più spesso nei periodi iniziali aumenta di spessore e il ghiaccio più sottile nei periodi successivi si riduce con questa regolazione, la tendenza decennale al ribasso passa da -2.8 a -3.5 × 10³ km³ per decennio. Il volume medio totale di ghiaccio tra il 1979 e il 2010 scende da 21 a 19 × 10³ km³. È importante notare che questo esercizio non è inteso per correggere i potenziali bias del modello, né per negare che le differenze tra modello e osservazioni possano derivare da errori nelle osservazioni stesse. Questa analisi offre tuttavia una misura della sensibilità delle stime del volume di ghiaccio alle note differenze sistematiche tra lo spessore del ghiaccio modellato e quello osservato. Usando la variazione nelle tendenze come misura dell’incertezza, arriviamo a un valore dell’incertezza della tendenza di 0.7 × 10³ km³ per decennio. La deviazione standard della differenza tra le anomalie di volume non regolate e quelle regolate è di 0.76 × 10³ km³, che può essere considerata un indicatore dell’incertezza delle stime mensili individuali del volume.

la Figura 11mostra come varia la capacità di due modelli diversi di PIOMAS nel prevedere le variazioni mensili del volume del ghiaccio marino.

Dettagli del Grafico:

Pannello (a) – Varianza Spiegata Detrendizzata per Mese:

• Descrizione: Questo grafico mostra come varia, per ogni mese dell’anno, la percentuale della varianza del volume del ghiaccio che può essere spiegata dalle regressioni tra i volumi nella Data Release Area (DRA) e quelli nell’intero dominio di PIOMAS.
• Linee:
  • Verde: Modello PIOMAS utilizzato senza aggiunte (Model only).
  • Nera: Modello PIOMAS con l’inclusione di dati sulla concentrazione di ghiaccio (IC).
  • Rossa: Modello PIOMAS che include dati sulla concentrazione di ghiaccio e sulla temperatura superficiale del mare (IC-SST).
• Interpretazione: La linea rossa tende a mostrare la maggior capacità di spiegare la varianza del volume del ghiaccio per tutto l’anno, suggerendo che la combinazione di dati sulla concentrazione di ghiaccio e sulla temperatura del mare aiuta a migliorare le previsioni del modello.

Pannello (b) – Errore Residuale Detrendizzato per Mese:

• Descrizione: Il grafico rappresenta l’errore residuo, o “errore di extrapolazione”, che emerge dalla regressione tra il volume del ghiaccio della DRA e quello dell’intero dominio di PIOMAS, esaminato su base mensile.
• Linee:
  • Verde: Solo modello.
  • Nera: Modello con inclusione di IC.
  • Rossa: Modello con inclusione di IC e SST.
• Interpretazione: Le linee mostrano picchi di errore durante i mesi estivi, che potrebbero indicare una maggiore difficoltà nel modellare il volume del ghiaccio durante il periodo di fusione. L’errore è generalmente più contenuto nel modello che include sia i dati IC che SST, indicando una migliore accuratezza.

Conclusioni Generali:

La Figura 11 illustra l’efficacia dei modelli PIOMAS in diversi mesi dell’anno e come l’aggiunta di variabili influenzi la precisione delle stime. L’inclusione di dati aggiuntivi come la temperatura superficiale del mare rende il modello più robusto e capace di catturare le dinamiche complesse del ghiaccio marino, specialmente in periodi critici come quelli di fusione estiva.

5.3. Errore di Estrapolazione

[36] Finora abbiamo esaminato le incertezze del modello PIOMAS basandoci su osservazioni dirette, dati interpolati dai sonar ULS sottomarini e misurazioni ICESat. Abbiamo osservato che le prestazioni di PIOMAS risultano leggermente inferiori per l’intero dominio ICESat rispetto alla sola DRA. Oltre al confronto con ICESat, le informazioni sull’incertezza dello spessore del ghiaccio fuori dalla DRA sono ancora limitate.

[37] Per comprendere meglio come la variabilità dello spessore del ghiaccio nella DRA si correla con quella nell’intero Artico (dominio PIOMAS), abbiamo correlato lo spessore medio del ghiaccio di PIOMAS per la DRA con quello medio per l’intero dominio, mese per mese (vedi Figura 11). Questo calcolo è stato effettuato considerando uno spessore minimo di 0,15 metri. Entrambe le serie temporali sono state detrendizzate per eliminare le correlazioni dovute alla tendenza di lungo termine. Partendo dal presupposto che la relazione tra lo spessore del ghiaccio di PIOMAS per la DRA e la media del dominio PIOMAS sia accurata, possiamo stimare l’errore potenziale che si verifica stimando il volume totale del ghiaccio artico a partire dalle medie della DRA. I valori di varianza spiegata variano dal 32% al 95% a seconda della configurazione del modello e del mese. È interessante notare che la configurazione del modello utilizzato da solo, senza l’uso di dati assimilati, mostra una variazione stagionale minima nella quantità di varianza spiegata.

Al contrario delle integrazioni IC-SST e IC che includono l’assimilazione dei dati, le quali mostrano valori inferiori di varianza spiegata, specialmente nei mesi di primavera e autunno. Ciò indica che il processo di assimilazione introduce una notevole varianza nello spessore del ghiaccio al di fuori della Data Release Area (DRA). La variabilità dello spessore del ghiaccio fuori dalla DRA è molto meno influenzata dalle dinamiche e dalla termodinamica catturate dal modello e dai dati forzanti rispetto a quanto accade all’interno della DRA. Evidentemente, il modello PIOMAS beneficia in modo significativo dalla procedura di assimilazione. Di conseguenza, lo sviluppo futuro del modello e le future campagne di misurazione dello spessore dovrebbero concentrarsi sulle aree esterne alla DRA. Tuttavia, è importante notare che, nelle simulazioni di PIOMAS che utilizzano l’assimilazione, almeno il 50% della varianza del volume sull’intero dominio è ancora spiegato dallo spessore del ghiaccio nella DRA, eccetto per il mese di settembre. L’errore medio dello spessore, risultante dalla stima dello spessore del ghiaccio artico a partire dai valori della DRA, è relativamente basso (inferiore a 0,1 metri), come evidenziato dall’errore residuo della regressione mostrato nella Figura 11b.

Utilizzando l’area coperta di ghiaccio del dominio di PIOMAS al di fuori della DRA per convertire questa incertezza nella stima dello spessore in un’incertezza di volume, si ottiene un’ulteriore incertezza di volume di 0,63 × 10³ km³ per il mese di ottobre. Tenendo conto dell’incertezza di volume di 0,1 × 10³ km³ stabilita precedentemente dai dati CDR per la DRA, si può notare che l’incertezza di volume casuale per il dominio PIOMAS è dominata da questo errore di estrapolazione. Questa analisi presuppone che il modello sia in grado di riflettere accuratamente la correlazione naturale nella variabilità dello spessore del ghiaccio tra la DRA e l’intero dominio di PIOMAS, il che non è dimostrato poiché esistono pochi dati che consentirebbero una valutazione sistematica.

La Figura 12 offre una visione dettagliata delle anomalie del volume del ghiaccio marino misurate da diverse configurazioni del modello PIOMAS, messe a confronto per mostrare come ognuna tracci le variazioni nel tempo.

Dettagli del Grafico:

• Linee Colorate:
  • Ogni linea rappresenta una configurazione specifica del modello PIOMAS:
    • Linea Nera: Modello che include sia la concentrazione di ghiaccio (IC) sia la temperatura superficiale del mare (SST).
    • Linea Blu: Modello che considera solo la concentrazione di ghiaccio (IC only).
    • Linea Arancione: La media delle corse del modello, che rappresenta una sintesi delle diverse configurazioni.
• Tendenze Lineari:
  • Le tendenze lineari per il periodo dal 1979 al 2010 per ogni configurazione del modello sono tracciate con linee tratteggiate:
    • IC and SST: Mostra una diminuzione di -8.1 × 10³ km³ per decennio.
    • IC Only: Registra una diminuzione di -5.3 × 10³ km³ per decennio.
    • Media: Indica una diminuzione di -3.4 × 10³ km³ per decennio.

Interpretazione:

• Fluttuazioni e Tendenze:
  • Le linee mostrano una netta stagionalità nelle fluttuazioni del volume del ghiaccio, con un trend generale di diminuzione nel corso del tempo.
  • La configurazione che include dati SST, oltre alle concentrazioni di ghiaccio, presenta la tendenza più marcata al ribasso, suggerendo che l’inclusione di temperature superficiali del mare potrebbe fornire una visione più accurata e drammatizzata del declino del volume del ghiaccio.
• Significato dei Risultati:
  • Le differenze nelle tendenze tra le configurazioni del modello evidenziano l’impatto che gli input di dati possono avere sulle proiezioni del modello relative alla perdita di ghiaccio marino.
  • La tendenza calcolata come media delle varie esecuzioni offre una prospettiva equilibrata che può aiutare a mitigare gli estremi delle singole corse del modello, offrendo un quadro probabilmente più stabile e meno variabile.

Questo grafico è essenziale per capire come le varie impostazioni del modello PIOMAS influenzino le stime del volume del ghiaccio marino artico e l’importanza di considerare variabili ambientali aggiuntive come la temperatura superficiale del mare per affinare ulteriormente queste previsioni.

5.4. Incertezza del Volume derivante da Diverse Simulazioni di PIOMAS

[39] Nelle sezioni dal 5.1 al 5.3, abbiamo esaminato le incertezze relative al volume del ghiaccio modelizzato confrontandole con le osservazioni dirette. Date le incertezze nel campionamento e nella qualità dei dati, sembra prudente rafforzare ulteriormente questi risultati attraverso studi sulla sensibilità del modello. In questa sezione, confrontiamo tre diverse configurazioni di PIOMAS per esaminare l’ampiezza delle stime del volume di ghiaccio, delle anomalie e delle tendenze del volume di ghiaccio su base lineare. Le versioni di PIOMAS che utilizzano diversi parametri per la resistenza del ghiaccio e differenti dati per l’assimilazione vengono messe a confronto. Questo metodo segue l’approccio delle “fisiche perturbate”, utilizzato per stimare l’incertezza nelle proiezioni dei modelli climatici. Tuttavia, a differenza degli esperimenti con fisiche perturbate, che creano un insieme di simulazioni da cui si può stimare l’incertezza rispetto a un particolare parametro, qui selezioniamo tre configurazioni sperimentali che si sono evolute nel tempo e che hanno dimostrato di fornire statistiche di validazione affidabili quando confrontate con i dati dei sottomarini sui draft del ghiaccio. Le differenze tra queste simulazioni possono essere considerate una misura dell’incertezza del modello, poiché rappresentano la sensibilità delle stime del volume di ghiaccio a una serie di scelte considerate “ragionevoli”. In questo contesto, “ragionevole” significa che soddisfano criteri di validazione specifici, come la varianza spiegata e la media dei draft del ghiaccio osservati. Come discusso nella sezione 2.1, le differenze tra le configurazioni IC-SST e IC sono dovute in parte all’assimilazione di dati SST e in parte a scelte diverse nella parametrizzazione della resistenza del ghiaccio.

[40] La Figura 12 mostra come variano le anomalie del volume del ghiaccio mensile, calcolate rispetto alla media del periodo 1979-2009, secondo tre diverse configurazioni di PIOMAS. Le tendenze delle anomalie del volume dal 1979 al 2010 variano significativamente a seconda del modello, con una riduzione che va da 2.8 a 3.8 × 10³ km³ per decennio, a seconda che il modello assimili o meno dati specifici come la concentrazione di ghiaccio e la temperatura superficiale del mare. La deviazione standard, calcolata come media delle tre configurazioni rispetto alla loro media comune, suggerisce un’incertezza di circa 0.76 × 10³ km³. Le variazioni nel volume medio tra le simulazioni possono raggiungere i 3.8 × 10³ km³ in marzo e i 2.4 × 10³ km³ in ottobre, indicando un’ampia gamma di incertezza nel volume totale di ghiaccio. Queste differenze sono principalmente dovute alla configurazione che non utilizza dati assimilati e mostra volumi di ghiaccio consistentemente più elevati.

[41] Quale configurazione del modello è migliore? Qual è la tendenza reale? Come possiamo valutare l’incertezza del volume di ghiaccio e delle tendenze a partire da queste diverse simulazioni? Non esiste una risposta semplice a queste domande. Le simulazioni che operano solo con il modello e quelle che includono sia IC che SST mostrano statistiche di validazione quasi identiche quando confrontate con osservazioni dirette dello spessore del ghiaccio. Tuttavia, la differenza media tra queste simulazioni è maggiore nelle aree con meno dati di validazione. Entrambe le simulazioni, sia quelle che utilizzano solo la concentrazione di ghiaccio sia quelle senza assimilazione, mostrano tendenze a lungo termine che si confrontano favorevolmente con le serie storiche concatenate di KR09. Le simulazioni che assimilano i dati tendono a fornire una rappresentazione più accurata dell’estensione e della concentrazione del ghiaccio. In attesa di ulteriori miglioramenti nei modelli e nelle osservazioni che ci permettano di identificare con chiarezza la migliore configurazione del modello, sembra ragionevole, specialmente per le questioni legate alla rilevazione e attribuzione dei cambiamenti climatici, optare per la configurazione con la stima più conservativa della tendenza (-2.8 × 10³ km³ per decennio) come nostro riferimento e utilizzare l’intervallo delle tendenze (1.0 × 10³ km³ per decennio) come indicatore dell’incertezza potenziale.

Dettagli del Grafico:

La Figura 13 mostra le anomalie relative del volume e dell’estensione del ghiaccio marino per i mesi di marzo (a) e settembre (b), calcolate rispetto al periodo di riferimento 1958-1978. Si utilizzano i dati del modello PIOMAS e degli ensemble combinati del modello CCSM3 per il XX secolo, lo scenario A1b e un ensemble di controllo preindustriale.

• Linee del Grafico:
  • Blu e Rosso: Rappresentano rispettivamente il volume e l’estensione del ghiaccio secondo l’ensemble CCSM3 per il XX secolo e lo scenario A1b.
  • Grigio: Mostra il volume e l’estensione del ghiaccio secondo l’ensemble di controllo preindustriale del CCSM3.
  • Nero: Indica il volume e l’estensione del ghiaccio secondo il modello PIOMAS.
• Aree Ombreggiate: Indicano la deviazione standard attorno alla media dell’ensemble per i dati del CCSM3, illustrando l’incertezza nelle previsioni del modello.

Interpretazione:

• Marzo (Grafico a):
  • Entrambi i modelli mostrano una diminuzione nel tempo del volume e dell’estensione del ghiaccio, con variazioni significative da anno a anno. Le aree ombreggiate evidenziano una maggiore incertezza nelle proiezioni del CCSM3 rispetto a PIOMAS, il quale presenta un andamento più stabile.
• Settembre (Grafico b):
  • Le riduzioni di volume e estensione in settembre sono più pronunciate. I dati PIOMAS mostrano una decrescita più rapida, suggerendo potenzialmente una maggiore reattività di questo modello alle condizioni estive di fusione del ghiaccio rispetto al CCSM3.

Conclusione:

I grafici sono fondamentali per capire come vari modelli climatici proiettino le modifiche future del ghiaccio marino artico in termini di volume ed estensione. Le differenze tra le previsioni di PIOMAS e CCSM3 mettono in luce la diversità delle risposte dei modelli e l’importanza di considerare vari approcci e scenari nel valutare le proiezioni climatiche future dell’Artico. Questa analisi enfatizza la necessità di una comprensione approfondita delle incertezze associate a ciascun modello per interpretare correttamente i cambiamenti a lungo termine nell’ambiente polare.

6. Applicazioni

6.1. Confronti tra il Volume e l’Estensione del Ghiaccio di PIOMAS e CCSM3

[42] Per dare contesto alla stima dell’incertezza relativa alla tendenza del volume del ghiaccio, mettiamo a confronto le tendenze dello spessore del ghiaccio ottenute da PIOMAS con quelle del Community Climate System Model V3 del NCAR. Le anomalie nel volume e nell’estensione del ghiaccio dell’emisfero settentrionale, derivate dalle simulazioni del XX secolo (20C3M) e dagli scenari A1b, sono state calcolate per cinque realizzazioni. Queste anomalie sono state rapportate al periodo 1958-1978 e espresse come percentuali del volume o dell’estensione totale del ghiaccio per quel periodo. Cinquecento anni di dati dal run di controllo preindustriale sono stati utilizzati per creare un pseudo-ensemble di cinque membri, rappresentando così la variabilità interna.

[43] La Figura 13 illustra le anomalie frazionali di estensione e volume del ghiaccio dai run del modello CCSM3 del NCAR e da PIOMAS per i mesi di settembre e marzo. In questo contesto, è stata utilizzata la configurazione IC di PIOMAS anziché la corsa di riferimento IC-SST, poiché quest’ultima inizia dopo il 1975 a causa della mancanza di dati SST. In entrambe le stagioni, le anomalie di volume del ghiaccio iniziano a divergere dalle corse di controllo prima delle anomalie di estensione. Durante l’inverno, quando l’estensione del ghiaccio è parzialmente determinata dalla geografia, si osserva una maggiore separazione tra le curve di volume ed estensione, che continua ad aumentare fino al 2050. In autunno, il divario tra le perdite relative di volume ed estensione del ghiaccio si riduce man mano che rimane poco ghiaccio verso la fine del periodo considerato. Sia le simulazioni di PIOMAS che quelle del CCSM3 suggeriscono che il volume di ghiaccio, rispetto all’estensione, è un indicatore precoce del declino della calotta glaciale, anticipando questo fenomeno di circa 10-15 anni. Tuttavia, la natura incerta delle simulazioni non consente una determinazione precisa. Entro la metà degli anni ’90, le perdite di volume del ghiaccio a settembre superano le perdite di estensione di un fattore di 4 sia nelle simulazioni di PIOMAS che in quelle del CCSM3. Con il progressivo assottigliamento del ghiaccio, le perdite di estensione accelerano rispetto a quelle di volume, fino a quando i rapporti tra le anomalie di volume e estensione si avvicinano a uno entro il 2050.

[44] Se consideriamo le perdite di volume e di estensione del ghiaccio indicate da PIOMAS come un indicatore affidabile della realtà, osserviamo che le proiezioni del modello CCSM3 corrispondono piuttosto bene alla situazione reale. Le perdite di volume e di estensione del ghiaccio si mantengono all’interno, o vicino, al limite inferiore del range previsto dall’ensemble per la maggior parte del periodo a partire dal 1988, quando si sono verificate significative riduzioni del ghiaccio. Questo coincide con l’inizio di una fase fortemente positiva dell’Oscillazione Artica, durata alcuni anni prima di tornare a condizioni più tipiche [Lindsay e Zhang, 2005]. Un’eccezione si verifica dal 2007, quando l’estensione e, in misura minore, il volume del ghiaccio sono calati ben al di sotto delle previsioni del CCSM3 durante l’autunno. Questo dato contrasta con l’affermazione diffusa che i modelli climatici globali non riescano a replicare la tendenza osservata nell’estensione del ghiaccio dal 1953 al 2006 [Stroeve et al., 2007]. Come dimostrato nello studio citato e sottolineato in questo contesto per le tendenze di volume del ghiaccio, modelli climatici più sensibili come il CCSM3 del NCAR e il modello HadGEM1 del Hadley Center presentano tendenze di estensione e volume del ghiaccio dal 1979 al 2006 che sono molto simili alle tendenze osservate (usando PIOMAS come proxy). Pertanto, se consideriamo questa corrispondenza come una misura dell’accuratezza con cui i modelli climatici globali rappresentano la variabilità del ghiaccio marino, possiamo concludere che lo stato dell’arte è significativamente più avanzato di quanto possa sembrare da un ensemble di modelli multipli, molti dei quali presentano rappresentazioni del ghiaccio marino meno sofisticate.

6. Applicazioni

6.1. Confronti tra il Volume e l’Estensione del Ghiaccio di PIOMAS e CCSM3

[45] La Figura 14a visualizza le anomalie dell’estensione del ghiaccio (in km²) rispetto alle anomalie del volume del ghiaccio (in km³) per un gruppo selezionato di modelli IPCC AR4, ritenuti più realistici sulla base del loro ciclo annuale e dell’estensione media del ghiaccio. Questi modelli includono il NCAR CCSM3, che mostra una perdita di estensione più lenta rispetto a modelli con volumi iniziali di ghiaccio marino minori, come ECHO-G o CNRM. Indipendentemente dal modello, si nota che man mano che il ghiaccio si assottiglia, la perdita di estensione accelera.

[46] Le anomalie dell’estensione e del volume del ghiaccio sono calcolate come deviazioni dai loro valori di riferimento, che variano per ogni modello. Se usiamo rapporti frazionari di estensione (E/E0) e volume del ghiaccio (V/V0), tutti i modelli si allineano su una curva logaritmica comune. Questa relazione è legata all’efficienza di formazione dell’acqua libera, un parametro che misura il cambiamento relativo nell’acqua aperta per ogni metro di fusione verticale del ghiaccio. È stato trovato che questa efficienza è inversamente proporzionale allo spessore medio del ghiaccio in una simulazione del CCSM3 fino al 2100. La derivazione di questa relazione mostra che la variazione dell’estensione del ghiaccio rispetto al volume è proporzionale al reciproco del volume, confermando la relazione OWFE poiché il volume di ghiaccio marino per unità di superficie corrisponde allo spessore medio del ghiaccio. Questa relazione tra estensione e volume si basa sulla distribuzione dello spessore del ghiaccio, che varia con il ciclo stagionale. La scelta dei modelli basata sul loro comportamento stagionale spiega la similitudine della relazione estensione/volume osservata in tutti i modelli. Una discussione più dettagliata su questi argomenti sarà presentata da H. Stern et al. in un manoscritto in preparazione per il 2011.

6.2. Attribuzione della Perdita di Volume del Ghiaccio alle Forzature Antropogeniche dei Gas Serra

[47] Analizziamo come le incertezze nel volume del ghiaccio influenzano l’attribuzione dei cambiamenti nelle perdite di ghiaccio a fattori antropogenici. Utilizziamo un metodo di bootstrap per determinare la probabilità che una tendenza osservata possa manifestarsi in un clima di controllo, senza modifiche nell’influenza dei gas serra antropogenici.

[48] La Figura 15 mette in confronto le tendenze di 32 anni (1979–2010) dallo scenario di controllo preindustriale del modello NCAR CCSM3 con quelle ricavate dai modelli PIOMAS e dalle simulazioni CCSM3 20C3M/A1b. Questo confronto mostra che è estremamente improbabile che le tendenze osservate in PIOMAS si verifichino senza un impatto antropogenico. Anche utilizzando una stima conservativa per la tendenza osservata e considerando un limite superiore per la perdita di volume del ghiaccio, la probabilità rimane inferiore allo 0,01%. Questo limite superiore appare particolarmente improbabile dato che la tendenza reale sembra essere maggiore. Presumendo che il run di controllo preindustriale rifletta accuratamente la variabilità interna del sistema, è molto improbabile che la tendenza nel volume del ghiaccio, come quella registrata da PIOMAS, si sarebbe verificata senza influenze antropogeniche. Accettando la corrispondenza tra le perdite di volume del ghiaccio di CCSM3 e PIOMAS come prova che CCSM3 offre una rappresentazione realistica della sensibilità del ghiaccio marino alle forzature climatiche, concludiamo che l’attribuzione della perdita di volume del ghiaccio ai cambiamenti nei gas serra antropogenici non è influenzata dagli errori nelle stime delle perdite di volume osservate. È importante sottolineare che questa analisi mira a valutare la sensibilità dell’attribuzione alle incertezze nelle misurazioni del volume del ghiaccio piuttosto che risolvere definitivamente la questione dell’attribuzione.

La Figura 14 mostra due grafici che illustrano le relazioni tra le anomalie nel volume del ghiaccio e nell’estensione del ghiaccio, utilizzando dati provenienti da PIOMAS e da alcuni modelli del CMIP3:

• (a) Anomalia del volume del ghiaccio vs. anomalia dell’estensione del ghiaccio: In questo grafico, ogni modello è rappresentato con un simbolo e un colore diverso, e ogni punto rappresenta l’anomalia annuale del modello rispetto alla media del periodo 1958-1978, sia per il volume che per l’estensione del ghiaccio. Le anomalie sono esposte in termini di volume (in km³) e di estensione (in km²), permettendo di osservare come questi due aspetti del ghiaccio marino siano correlati tra loro nei diversi modelli, inclusi i dati di PIOMAS a scopo comparativo.
• (b) Anomalie del volume e dell’estensione espressi come frazioni della media del 1958-1978: Questo grafico trasforma i valori assoluti del grafico (a) in frazioni della media storica, facilitando così il confronto diretto tra i modelli, indipendentemente dalle loro dimensioni assolute di volume ed estensione. Questo metodo normalizzato evidenzia una tendenza comune e una relazione logaritmica tra la perdita di volume e di estensione del ghiaccio nei vari modelli, mostrando come il ghiaccio reagisca uniformemente alle condizioni climatiche nel tempo.

Le definizioni delle abbreviazioni dei modelli sono dettagliate nella Tabella 5, che aiuta a identificare i specifici modelli climatici utilizzati in questi grafici. Questa rappresentazione aiuta a visualizzare e a comprendere meglio come differenti modelli climatici simulino le variazioni nel ghiaccio marino.

La Figura 15 mostra come si distribuiscono le tendenze del volume del ghiaccio artico su un arco di 32 anni utilizzando il modello climatico CCSM3 e come questi risultati si confrontano con quelli derivati dal modello PIOMAS e dalle simulazioni degli scenari del XX secolo e A1b.

• Barre Blu: Rappresentano la distribuzione percentuale delle tendenze del volume di ghiaccio calcolate da una corsa di controllo di 500 anni del CCSM3, che simula la variabilità naturale senza influenze umane. Ogni barra indica la percentuale di anni in cui la tendenza del volume di ghiaccio si è situata entro specifici intervalli, mostrando così la gamma di variabilità naturale del modello.
• Punto Grigio con Barre di Errore: Indica la tendenza di volume del ghiaccio secondo PIOMAS, con un’incertezza di ±1 × 10³ km³ per decennio. Questo dato mette in risalto la posizione della tendenza di PIOMAS rispetto alla variabilità interna del CCSM3, fornendo un punto di confronto diretto tra le osservazioni e le simulazioni del modello.
• Stelle: Mostrano le tendenze delle simulazioni CCSM3 per gli scenari del XX secolo e A1b, che includono impatti antropogenici come l’aumento dei gas serra. Questi dati sono utili per vedere come le tendenze influenzate dall’uomo si allineano o differiscono dalla distribuzione interna del modello.

In sintesi, la figura illustra efficacemente la differenza tra le variazioni naturali del volume di ghiaccio, come previste dal modello CCSM3, e le variazioni osservate da PIOMAS e influenzate dalle attività umane nei diversi scenari climatici. Questo confronto aiuta a comprendere quanto accuratamente i modelli possono replicare o prevedere i cambiamenti nel volume del ghiaccio marino sotto vari influenze climatiche.

6.3. È un record?

[49] Spesso ci chiedono se un certo anno rappresenti un nuovo record nel volume del ghiaccio marino. Per esempio, durante l’autunno del 2010, il volume del ghiaccio di settembre, secondo i dati di PIOMAS, ha raggiunto il minimo nel corso dei 32 anni per cui disponiamo di dati sulle anomalie. Per valutare come l’incertezza definita influenzi la determinazione di un “record” di minimo annuale, abbiamo analizzato la serie storica dei minimi nel volume del ghiaccio di PIOMAS confrontandola con l’incertezza massima stabilita per il volume mensile del ghiaccio, che è di 1,35 × 10³ km³. Risulta che solo circa il 25% dei nuovi minimi di settembre supera il minimo precedente di un margine maggiore di questa incertezza. Se consideriamo l’incertezza di 0,76 × 10³ km³, relativa alla serie delle anomalie, questa percentuale aumenta al 33%. Questi dati evidenziano quanto sia complicato stabilire “record” da questa serie di dati. Tuttavia, applicando il criterio di incertezza più stringente di 1,35 × 10³ km³, l’anno 2010 si configura come un nuovo record rispetto al precedente del 2007.

7. Riassunto e Conclusioni

[50] Abbiamo adottato diverse metodologie per caratterizzare l’incertezza nel record del volume del ghiaccio artico del modello PIOMAS. Sebbene i risultati presentino una gamma di incertezze possibili, evidenziando quanto le incertezze stesse siano variabili, sembra fattibile fornire stime conservative che limitino l’errore potenziale.

[51] L’incertezza media sullo spessore del ghiaccio per la Data Release Area (DRA) è di 0,78 metri (Root Mean Square, RMS), con alcuni scostamenti che arrivano fino a 0,4 metri. Generalmente, rispetto alle osservazioni dirette, PIOMAS tende a sovrastimare lo spessore del ghiaccio più sottile e a sottostimare quello del ghiaccio più spesso. Queste differenze sistematiche influenzano le tendenze a lungo termine sia nello spessore che nel volume del ghiaccio. I risultati sullo spessore del ghiaccio di PIOMAS concordano bene con quelli ottenuti da ICESat per la DRA, con una differenza media inferiore a 0,1 metri. L’accordo sui pattern di spessore tra PIOMAS e ICESat è molto buono, con correlazioni superiori a 0,8. Le misurazioni di ICESat fuori dalla DRA indicano uno spessore significativamente maggiore (media di 0,4 metri) rispetto a quelle simulate da PIOMAS. Tale discrepanza è particolarmente evidente lungo le coste settentrionali della Groenlandia e dell’Arcipelago Canadese, dove ICESat registra spessori maggiori di 0,7 metri rispetto a PIOMAS. Tuttavia, i confronti del modello con le osservazioni in situ in queste aree mostrano una corrispondenza molto più accurata, il che suggerisce che le stime di spessore di ICESat potrebbero essere sovrastimate, anche se sono necessari ulteriori studi per confermare questa ipotesi. Abbiamo inoltre scoperto che le stime detrendizzate dello spessore del ghiaccio per la DRA mostrano una forte correlazione con le aree esterne alla DRA (r ≈ 0,8). Nonostante ciò, PIOMAS non riesce a catturare alcune delle variazioni al di fuori della DRA quando viene eseguito senza dati di assimilazione. Considerando che le incertezze significative sul volume totale del ghiaccio derivano dalle aree al di fuori della DRA, dove si concentrano molte delle misurazioni dirette, appare giustificato un rinnovato impegno per ulteriori campagne di misurazione e per lo sviluppo di modelli.

[50] Attraverso l’uso di diversi metodi, abbiamo cercato di caratterizzare l’incertezza nel record del volume di ghiaccio artico di PIOMAS. Nonostante i risultati offrano una gamma di incertezze possibili, dimostrando quanto le stesse incertezze siano incerte, sembra possibile fornire stime conservative che delimitano l’errore potenziale.

[51] L’incertezza media sullo spessore del ghiaccio per la Data Release Area (DRA) è di 0,78 metri (RMS), con alcuni scostamenti che arrivano fino a 0,4 metri. Generalmente, PIOMAS, rispetto alle osservazioni, tende a sovrastimare lo spessore del ghiaccio più sottile e a sottostimare quello del ghiaccio più spesso. Queste differenze sistematiche influenzano le tendenze a lungo termine sia nello spessore che nel volume del ghiaccio. I risultati sullo spessore del ghiaccio di PIOMAS concordano bene con quelli ottenuti da ICESat per la DRA, con una differenza media inferiore a 0,1 metri. L’accordo sui modelli di spessore tra PIOMAS e ICESat è molto buono, con correlazioni superiori a 0,8. Le misurazioni di ICESat fuori dalla DRA indicano uno spessore significativamente maggiore (media di 0,4 metri) rispetto a quelle simulate da PIOMAS. Questa discrepanza è particolarmente evidente lungo le coste settentrionali della Groenlandia e dell’Arcipelago Canadese, dove ICESat registra spessori maggiori di 0,7 metri rispetto a PIOMAS. Tuttavia, i confronti del modello con le osservazioni in situ in queste aree mostrano una corrispondenza molto più accurata, il che suggerisce che le stime di spessore di ICESat potrebbero essere sovrastimate, anche se sono necessari ulteriori studi per confermare questa ipotesi. Abbiamo inoltre scoperto che le stime detrendizzate dello spessore del ghiaccio per la DRA mostrano una forte correlazione con le aree esterne alla DRA (r ≈ 0,8). Nonostante ciò, PIOMAS non riesce a catturare alcune delle variazioni al di fuori della DRA quando viene eseguito senza dati di assimilazione. Considerando che le incertezze significative sul volume totale del ghiaccio derivano dalle aree al di fuori della DRA, dove si concentrano molte delle misurazioni dirette, appare giustificato un rinnovato impegno per ulteriori campagne di misurazione e per lo sviluppo di modelli.

https://agupubs.onlinelibrary.wiley.com/doi/full/10.1029/2011JC007084