3.1 Modi di Variabilità Stratosferica
Iniziamo analizzando come vengono rappresentati i modi di variabilità stratosferica nella simulazione UKESM piControl. Come descritto nella Sezione 1, il vortice stratosferico polare invernale mostra significativa variabilità. In alcuni anni, i venti occidentali del vortice sono particolarmente forti e stabili, mentre in altri anni il vortice risulta indebolito a causa di disturbi ondulatori che, nei casi più estremi, possono portare a eventi di Riscaldamento Stratosferico Improvviso (SSW). La media degli eventi SSW registrati da novembre a marzo durante i mille anni della simulazione UKESM è di 0,54 eventi per inverno. Questo dato rappresenta una leggera sottovalutazione rispetto ai dati di ERA-Interim, che registrano 0,62 eventi per inverno tra il 1979 e il 2019, ma rientra comunque nell’errore standard delle osservazioni. Il modello riproduce adeguatamente la distribuzione stagionale degli SSW rispetto al dataset di rianalisi, come mostrato nella Figura 1. Tuttavia, il modello registra un eccesso di eventi di riscaldamento a novembre (non illustrati) e una sottostima dei tassi di riscaldamento di gennaio e febbraio. Questa discrepanza è un bias ben noto e abbastanza comune nei modelli climatici globali (GCM), come riportato in studi precedenti (Charlton et al., 2007; Ayarzagüena et al., 2020).
D’altra parte, è importante notare che la validazione di questa simulazione di controllo pre-industriale con i dati ERA-Interim non è l’ideale. Le dimensioni dei campioni tra i dati ERA-Interim e il modello differiscono notevolmente, il che potrebbe generare differenze nelle distribuzioni dei dati (Horan e Reichler, 2017). Inoltre, i tassi di SSW rilevati da ERA-Interim potrebbero essere influenzati da fattori antropogenici, il cui impatto non è ancora completamente compreso (Ayarzagüena et al., 2020). In tutte le analisi presentate nelle sezioni seguenti, sono stati effettuati test per assicurarsi che i risultati non fossero influenzati dall’inclusione o esclusione dei tassi di SSW di novembre.
Il modello evidenzia una variabilità nella frequenza degli eventi di Riscaldamento Stratosferico Improvviso (SSW) paragonabile alle osservazioni, con periodi sia di assenza sia di eventi consecutivi di SSW. La Figura 2 mostra un intervallo di 40 anni della forza del vento zonale del vortice polare nella simulazione UKESM, confrontato con un intervallo simile dai dati di rianalisi ERA-Interim. Verso la fine di questo intervallo di 40 anni, si nota un periodo esteso di anomalie prevalentemente occidentali, indicando un vortice rinforzato e l’assenza di SSW, simile a quanto osservato negli anni ’90 nei dati ERA-Interim, quando sono stati registrati solo due eventi SSW nel decennio. La simulazione include otto di questi periodi di assenza con almeno 10 anni consecutivi senza SSW, il più lungo dei quali dura 16 anni. Invece, la simulazione presenta solo due periodi in cui per 10 anni consecutivi si verifica almeno un SSW. Tuttavia, riducendo da 10 a 5 anni l’intervallo soglia per identificare periodi di assenza e periodi consecutivi di SSW, si identificano nove intervalli consecutivi di SSW e 25 intervalli di assenza. Queste statistiche indicano che UKESM è capace non solo di riprodurre le caratteristiche medie degli eventi SSW, ma anche le variazioni su scala decennale del tasso di SSW, evidenziando la sua idoneità per questo studio.
Il secondo principale modo di variabilità stratosferica è l’Oscillazione Quasi-Biennale (QBO) alle latitudini equatoriali, presente durante tutto l’anno. La Figura 3 mostra la serie temporale del vento equatoriale da un intervallo campione di 40 anni della simulazione, confrontata con i dati ERA-Interim. Il periodo medio di questa oscillazione è più lungo di quello osservato, circa 38 mesi rispetto ai 28 mesi circa di ERA-Interim (Kawatani, 2016). Di conseguenza, le zone di shear verticale scendono meno rapidamente rispetto alle osservazioni. Inoltre, esiste un bias verso i venti occidentali ai livelli bassi, dove la fase orientale del QBO non si estende sufficientemente in profondità nella stratosfera inferiore, un bias comune in molti modelli (Bushell et al., 2020). Anche se le zone di shear discendenti sembrano più regolari rispetto alle osservazioni, si nota comunque qualche evidenza di variazioni su scala decennale, come nel grado di stallo a 30 hPa, anche se non è pronunciato come nelle osservazioni.
Nel modello si osserva una correlazione tra i due maggiori modi di variabilità stratosferica, che porta alla formazione di una relazione Holton-Tan (Anstey et al., 2020). La Figura 4 mostra le sezioni in altezza-latitude dei venti zonali invernali dell’emisfero nord, evidenziando le differenze tra i compositi QBO-E e QBO-W definiti a diversi livelli equatoriali. La caratteristica struttura “a pancake” con alternanza di differenze orientali/occidentali è visibile alle latitudini equatoriali, indicando la fase del QBO, ma si riscontra anche una risposta alle alte latitudini. In linea con le osservazioni, l’ampiezza di risposta più elevata alle alte latitudini si verifica quando il QBO è definito a 50 hPa, con una forza del vortice polare anormalmente più debole negli anni QBO-E rispetto a quelli QBO-W. I livelli più alti (15 e 20 hPa) mostrano una minore significativa correlazione QBO-vortice. Per confronto, nella Figura 4 mostriamo anche la risposta composita differente per i compositi QBO selezionati in base ai venti QBO medi in una maggiore profondità dell’atmosfera equatoriale (15-30 e 20-50 hPa). È da notare che questa definizione di QBO selezionerà alcuni degli stessi anni delle definizioni compositive singole, ma è specificamente progettata per identificare solo fasi QBO con coerenza verticale estesa, seguendo Gray et al. (2018) e Andrews et al. (2019), quindi le differenze compositive risultanti nella Figura 4 non corrisponderanno necessariamente alla media delle differenze a livello singolo. Interessantemente, il QBO profondo 15-30 hPa seleziona anni che non solo mostrano un vortice polare più debole in QBO-E, ma anche un getto troposferico subtropicale più debole (vedi a 200 hPa, 30-40° N). Questo determina una risposta più coerente nella troposfera delle medie latitudini e alla superficie, in eccellente accordo con i risultati di Gray et al. (2018) e Andrews et al. (2019). La presenza della relazione Holton-Tan è evidente anche nella frequenza modellata degli SSW (Figura 5). Si osservano tassi significativamente più alti in inverni QBO-E rispetto a quelli QBO-W. È anche notevole l’asimmetria nella frequenza degli inverni QBO-E e QBO-W: gli inverni QBO-E osservati sono quasi il doppio rispetto a quelli QBO-W in tutte le definizioni di fase (Figura 5, legende). Ciò suggerisce una sincronizzazione di fase tra il QBO e il ciclo stagionale, potenzialmente associata a variazioni stagionali nella forza dell’ascensione equatoriale media o nel forcing delle onde planetarie a medie latitudini durante l’inverno (Pascoe et al., 2005; Gruzdev e Bezverkhny, 2000; Rajendran et al., 2015), portando a transizioni di fase QBO che avvengono preferibilmente in determinati mesi.
3.2 Analisi di Regressione
Procediamo con un’analisi di regressione multilineare per valutare i contributi relativi alla serie storica degli SSW (Riscaldamenti Stratosferici Improvvisi) annuali (come illustrato nella Figura 2) attribuibili a QBO, ENSO e AL. I risultati di questa analisi sono sintetizzati nella Tabella 1. Abbiamo condotto esperimenti di sensibilità per determinare gli intervalli medi ottimali (ritardi temporali) per ogni indice: l’indice QBO profondo a 15–30 hPa e l’indice Niño 3.4 sono stati definiti usando le medie di inizio inverno (settembre-novembre), mentre l’indice AL è stato definito con le medie di dicembre-marzo. I coefficienti sono tutti statisticamente significativi al 95%, ma sono piuttosto piccoli; il coefficiente R² è solo 0,047, indicando che queste variabili spiegano solo una piccola parte della variabilità nella serie storica degli SSW. Nonostante i risultati di questa analisi di regressione multilineare siano facilmente interpretabili, l’approccio non affronta direttamente il problema principale di questo studio: la variabilità multidecennale degli SSW e le sue origini, per due motivi principali. In primo luogo, l’analisi di regressione presuppone la stazionarietà, cioè fornisce una misura dei contributi stazionari alla variabilità e metterà in evidenza soltanto i segnali che sono relativamente persistenti per l’intera durata della simulazione. In secondo luogo, essa analizza la variabilità nella serie storica su tutte le scale temporali simultaneamente, il che fa sì che i risultati siano dominati dalle scale con variazioni di ampiezza più grandi. Questo significa che i risultati presentati nella Tabella 1 sono probabilmente dominati dalle scale temporali più brevi (interannuali), e qualsiasi variazione di piccola ampiezza a scale temporali più lunghe potrebbe non essere rivelata. Quest’ultimo problema può essere in parte affrontato attraverso la levigatura o il filtraggio della serie storica, come verrà discusso nella sezione successiva, ma ciò richiede una conoscenza preliminare delle frequenze di interesse. Un approccio alternativo e più efficace per affrontare questo problema è l’analisi wavelet, che verrà descritta più dettagliatamente nella sezione successiva. Questo metodo esamina successivamente gli intervalli di frequenza per identificare la presenza di segnali, evitando così la dominanza di una frequenza specifica, e analizza anche l’evoluzione temporale del segnale, permettendo così l’identificazione anche di segnali non stazionari.
3.3 Variabilità a Lungo Termine del Vortice Polare
Una valutazione più approfondita della variabilità a lungo termine degli SSW (Riscaldamenti Stratosferici Improvvisi) può essere realizzata attraverso l’uso di uno spettro di potenza wavelet. Contiamo il numero degli SSW in ogni stagione invernale (dicembre-marzo) e calcoliamo lo spettro di potenza wavelet corrispondente, come mostrato nella Figura 6. Come già descritto, l’analisi mette in evidenza la presenza di energia nel segnale in funzione della frequenza (periodo in anni, sull’asse verticale) e del tempo (anno della simulazione, sull’asse orizzontale). Come ci si aspetta, c’è un segnale intermittente ma relativamente costante con un periodo intorno ai 2-4 anni per tutta la durata della simulazione, che corrisponde al periodo del QBO. Questo supporta l’esistenza di una relazione di tipo Holton-Tan tra il QBO e il vortice polare nel modello. Lo “spettro di potenza globale” (ovvero la media nel tempo dello spettro wavelet) mostrato a destra nella Figura 6 rivela che il segnale è al limite della significatività statistica del 95%. Altri segnali con periodi vicini ai 20-30 anni sono altrettanto intermittenti e si manifestano come picchi nello spettro mediato nel tempo che sono anch’essi vicini al limite di significatività del 95%. La caratteristica più persistente della serie appare per periodi di circa 60-90 anni nell’intervallo tra 400 e 800 anni della simulazione. Questa caratteristica dimostra una significatività statistica (basata sul confronto tra la potenza nello spettro e quella di un processo autoregressivo di primo ordine con la stessa struttura di autocorrelazione della serie in analisi) per circa 350 anni su 1000 della simulazione, ma non supera la soglia di significatività per gli spettri mediati nel tempo. Va notato che esiste una possibile limitazione in questa metodologia wavelet a causa della natura discreta della serie temporale analizzata (i punti temporali possono assumere valori 0, 1 e/o 2).
La wavelet di Morlet è una funzione continua e, di conseguenza, la sua convoluzione con una serie fortemente discretizzata potrebbe causare distorsioni nelle caratteristiche dello spettro wavelet risultante. Questa limitazione deve essere presa in considerazione nell’interpretare gli spettri wavelet e viene ulteriormente discussa di seguito.
L’obiettivo principale di questo studio è l’analisi delle variazioni temporali a lungo termine per comprendere la fonte di variabilità caratterizzata da periodi di hiatus (assenza di SSW per un periodo prolungato) e da intervalli di eventi consecutivi (almeno un SSW ogni anno per un periodo esteso). Pertanto, applichiamo un filtro passa-basso alla serie temporale degli SSW per stagione, utilizzando una finestra mobile di 5 anni, per esaminare le caratteristiche spettrali di questa serie levigata (che da ora in poi chiameremo SSW5 anni). Questo tipo di mediazione è simile alla pratica standard di levigare i dati giornalieri per rimuovere il rumore associato alle variazioni meteorologiche quotidiane, isolando così le scale temporali stagionali più lunghe. Inoltre, riduce l’impatto della discretizzazione della serie temporale, diminuendo la probabilità di introdurre caratteristiche spettrali spurie nello spettro di potenza wavelet, che potrebbero presentarsi analizzando la serie temporale non levigata.
Lo spettro di potenza wavelet di SSW5 anni (Fig. 7) condivide molte delle caratteristiche degli spettri delle serie non levigate (Fig. 6), ma i segnali di periodi più lunghi sono ora più chiaramente evidenti, come previsto. Lo spettro wavelet di SSW5 anni mostra due ampie regioni di massimi statisticamente significativi, corrispondenti a periodi di segnale di circa 20–30 anni e circa 60–90 anni, ma con una significatività aumentata sia a livello locale che nella media temporale. Per esempio, il picco intorno al periodo di 90 anni appare significativo per 450 anni in SSW5 anni rispetto ai 350 anni prima della levigatura. Un possibile motivo di questo aumento risiede nella nostra definizione del livello di significatività, basata sulla potenza, che dipende dall’autocorrelazione di lag-1 della serie temporale. L’introduzione di una finestra di media di 5 anni aumenterà l’autocorrelazione, potenzialmente portando a un livello di significatività meno stringente. Tuttavia, ciò è improbabile perché il livello di significatività è costruito utilizzando un processo di rumore rosso con la stessa autocorrelazione della serie. Ciò significa che per SSW5 anni, la soglia per il livello di fiducia del 95% aumenta con l’aumentare del periodo più rapidamente rispetto al caso non levigato, eppure la potenza mostrata a quei lunghi periodi in SSW5 anni raggiunge comunque una significatività statistica maggiore. Questo indica che la levigatura ha migliorato la visibilità di un segnale reale nella serie temporale SSW5 anni che era meno visibile nella serie temporale non levigata. Come verifica di robustezza, includiamo anche lo spettro wavelet di SSW5 anni che include gli eventi SSW di novembre (Appendice Figura A1). Questo spettro appare simile a quello mostrato nella Figura 7, specialmente nelle scale temporali di circa 60-90 anni, con potenza persistente per circa 450 anni della simulazione in questi periodi.
3.4 Influenza della Superficie sulla Variabilità del Vortice Polare
In assenza di meccanismi di forzamento esterni, come l’influenza dei gas serra o degli aerosol antropogenici, la presenza di una variabilità a lungo termine, come la periodicità di 60-90 anni osservata in SSW5 anni (Fig. 7), suggerisce l’esistenza di una fonte di variabilità interna di lungo periodo all’interno del sistema climatico.
Il driver più ovvio di questa variabilità su scale temporali estese è l’oceano, a causa del suo elevato grado di inerzia termica. Studi precedenti hanno identificato un collegamento tra le Temperature della Superficie del Mare (SST) tropicali e il vortice polare, come nel caso della relazione con le condizioni ENSO (vedi Sez. 1). Il modello mostra una connessione attesa tra ENSO e il vortice su scale temporali interannuali, come indicato dai risultati dell’analisi di regressione (Tabella 1) e dai compositi ZMZW per gli inverni El Niño e La Niña (Fig. A2). La Figura 8a mostra lo spettro di potenza wavelet per l’indice Niño 3.4 di settembre-novembre levigato su 5 anni e lo spettro di potenza incrociata con SSW5 anni. Utilizziamo l’indice ENSO dell’inizio dell’inverno dell’emisfero nord per catturare la risposta ritardata del vortice a questa variabilità. L’indice ENSO varia lentamente, quindi è probabile che rimanga nella stessa condizione tra l’inizio e la metà dell’inverno. Levighiamo anche l’indice ENSO per calcolare lo spettro incrociato con SSW5 anni. (Lo spettro dell’indice Niño 3.4 non levigato è mostrato nella Fig. A3 e rivela una potenza significativa nell’intervallo di periodo atteso di 4-7 anni; Santoso et al., 2017.) L’indice Niño 3.4 levigato mostra una potenza intermittente a periodi di circa 16 anni, che appare significativa nello spettro globale. Presenta anche un segnale minore coincidente con la variabilità di 90 anni in SSW5 anni; tuttavia, questa caratteristica persiste solo per circa 100 anni della simulazione. Gli spettri incrociati tra le due serie (Fig. 8b) rivelano che la coincidenza dei segnali nel periodo di 90 anni, sebbene statisticamente significativa secondo i nostri test, è solo marginalmente prominente e copre solo una piccola parte dei segnali significativi in SSW5 anni. Ciò suggerisce che ENSO possa contribuire in qualche misura alla variabilità osservata degli SSW, ma la sua rilevanza è solo marginale e non è sufficiente a spiegare da sola il segnale persistente per 450 anni in SSW5 anni. La fonte di questo segnale ENSO a periodi di 90 anni non è chiara, anche se lo spettro della PDO (Oscillazione Decadale del Pacifico) presenta alcune similitudini a questa scala temporale (Fig. A4), in linea con i risultati di Newman et al. (2016), che hanno proposto la PDO come una versione filtrata a basso passaggio di ENSO.
Per garantire un’analisi completa, abbiamo esaminato anche la variabilità a lungo termine di altre regioni oceaniche tropicali e le loro potenziali teleconnessioni con il vortice polare. Quattro ulteriori regioni tropicali sono state selezionate sulla base di quelle identificate da Scaife et al. (2017) e descritte nella Sezione 2. Sebbene tutte e quattro le regioni mostrino alcuni elementi di variabilità su scala decennale (Fig. A5), in particolare l’Atlantico tropicale con un periodo di picco di circa 140 anni per 700 anni della simulazione, nessuno degli spettri mostra una variabilità che corrisponda bene a quella di SSW5 anni. C’è una certa sovrapposizione degli spettri dell’Atlantico e del Pacifico orientale tropicale con le aree di periodicità significativa intorno ai 60-90 anni nello spettro di SSW5 anni, ma, come per l’indice Niño 3.4, le sovrapposizioni e la potenza incrociata tra le serie (Fig. A3 e A4) sono minime e non possono spiegare adeguatamente il segnale del vortice, specialmente il segnale di periodo di circa 90 anni che persiste in SSW5 anni per circa 450 anni (Fig. A3 e A4, contorni verdi).
La forza dell’AL (Anticiclone Aleutiano) è stata anche considerata come un indicatore del forcing delle onde troposferiche e della sua influenza sul vortice polare (Woo et al., 2015). Pertanto, è stata condotta un’analisi wavelet e uno spettro incrociato utilizzando un indice basato sulla forza dell’AL modellato durante l’inverno NH (dicembre-marzo), come descritto nella Sezione 2. Lo spettro di potenza wavelet per l’indice AL levigato su 5 anni (Fig. 9a) mostra elementi di segnali periodici con potenza massima corrispondente a un periodo di circa 55 anni (tra 40 e 60 anni), ma con un’intersezione piuttosto limitata con le aree racchiuse dal livello di confidenza del 95% nell’analisi wavelet corrispondente degli SSW (contorni verdi). Gli indici AL derivati da diversi mesi invernali presentano modelli spettrali simili (non mostrati).
L’analisi dello spettro incrociato tra AL e SSW5 anni (Fig. 9b) evidenzia questa piccola area di intersezione nel periodo tra gli anni 400 e 500.
Tuttavia, l’interpretazione della relazione di fase, indicata dalle frecce in quella zona di sovrapposizione, risulta difficile. Il meccanismo fisico proposto per l’accoppiamento tra l’AL (Anticiclone Aleutiano) e il vortice (Woo et al., 2015) suggerisce un’associazione tra un AL più intenso (ossia una pressione più bassa, quindi un’anomalia negativa) e un’incrementata frequenza degli SSW (Riscaldamenti Stratosferici Improvvisi). Questa correlazione negativa dovrebbe risultare in frecce orientate verso sinistra, se la relazione fosse effettivamente presente. Invece, le frecce rivolte verso l’alto nella Fig. 9b indicano una differenza di fase di π/2 tra gli indici su questi periodi di 60 anni, suggerendo che i picchi nelle variazioni di SSW5 anni siano associati ai massimi tassi di cambiamento dell’indice AL negli stessi periodi.
Analogamente all’indice Niño 3.4, gli spettri dell’AL condividono alcune caratteristiche con quelli del PDO (Pacific Decadal Oscillation) (Fig. A4). Questo è coerente con studi su queste modalità di variabilità che trovano una significativa correlazione tra PDO e AL (Mantua et al., 1997; Rodionov et al., 2005), come anche studi che esaminano l’influenza del PDO sulla forza del vortice attraverso un percorso che coinvolge l’AL e ENSO (Rao et al., 2019). Nonostante questo possibile collegamento, il relativamente breve intervallo temporale di sovrapposizione tra AL e SSW5 anni nel periodo di 60 anni, l’assenza di un segnale significativo intorno al periodo di 90 anni, unitamente alle relazioni di fase inconsistenti, suggeriscono che l’influenza dell’AL non sia il principale motore della variabilità a lungo termine in SSW5 anni. Infatti, l’analisi dello spettro incrociato tra gli indici AL non levigati e SSW (Fig. A7) mostra poca evidenza di una relazione coerente tra i due indici a qualsiasi scala temporale. Infine, sebbene i risultati della regressione degli indici non levigati conferiscano un coefficiente significativo all’AL (Tabella 1), la sua grandezza è piccola rispetto a quella di Niño 3.4 e del QBO profondo, l’incertezza sul coefficiente è elevata, e il valore p associato è prossimo al limite di significatività del 95%. La debole relazione tra AL e SSW è sorprendente, considerando l’influenza riconosciuta dell’AL sul flusso delle onde planetarie nella troposfera superiore (Woo et al., 2015). Per affrontare questo aspetto, abbiamo anche analizzato una metrica AL calcolata come media ponderata per area in una regione consigliata da Garfinkel et al. (2012), che hanno utilizzato una regione precursore degli SSW a 500 hPa di altezza definita da 52,5–72,5° N, 165–195° E. Tuttavia, abbiamo trovato una correlazione inferiore tra questa misura e la nostra serie temporale di SSW rispetto alla metrica basata su EOF e agli SSW (r = -0,21 per l’AL basato su EOF e r = -0,13 per l’AL basato su area).