چه سهمی از تغییرات اقلیمی اخیر نوسان خودِ طبیعت است؟
هر روند اقلیمی که مشاهده می‌کنیم مجموع دو چیز است. یکی پاسخ واداشته (forced response) است: تغییری که گازهای گلخانه‌ای، هواویزها، کاربری زمین و فوران‌های آتشفشانی پیش می‌رانند. دیگری تغییرپذیری درونی (internal variability) است: نوسان‌های خودِ اقلیم، مانند ال‌نینیو یا نوسان‌های کُند اقیانوس‌های آرام و اطلس. تفکیک این دو اهمیت دارد، هم برای فهم تغییرات اقلیمی و هم برای داوری دربارهٔ درستی مدل‌های اقلیمی.
مشکل این است که واقعیت تنها یک بار اجرا می‌شود. مدل‌های اقلیمی را می‌توان ده‌ها بار با واداشت یکسان اجرا کرد و میانگین این اجراها بخش واداشته را آشکار می‌کند. اما مدل‌ها سوگیری دارند و ترفندهای آماری ساده‌تر معمولاً فرض می‌کنند که الگوی واداشته هرگز تغییر نمی‌کند. یک مقایسهٔ بین‌المللی اخیر از چنین روش‌هایی نشان داد که خطاها بزرگ باقی مانده‌اند — و روش‌های یادگیری ماشین بهتر از آمار کلاسیک عمل نکرده‌اند.
مقاله نمونه‌ای هشداردهنده می‌آورد: کُند شدن گرمایش جهانی میان 1998 و 2012 ابتدا نشانه‌ای تلقی شد از اینکه گرمایش ناشی از انسان کُند شده و مدل‌ها اشتباه می‌کنند، پیش از آنکه به‌عنوان تغییرپذیری درونی شناخته شود.
شبکه‌ای که نویز را یاد می‌گیرد
پارواتی کولوث، ونیو ژو و همکارانشان در آزمایشگاه ملی شمال‌غرب اقیانوس آرام (Pacific Northwest National Laboratory) و دانشگاه‌های کالیفرنیا سن‌دیه‌گو و واشنگتن، یک ConvLSTM ساختند: شبکه‌ای عصبی که درک الگوهای مکانی را با حافظه‌ای از چگونگی تحول آن‌ها ترکیب می‌کند. آن‌ها شبکه را روی مجموعه‌های بزرگی از شبیه‌سازی‌های 15 مدل اقلیمی آموزش دادند و از نقشه‌های دمای سطح، بارش و فشار تراز دریا استفاده کردند. وظیفهٔ شبکه شناسایی نوسان‌های طبیعی بود؛ هر چه باقی بماند بخش واداشته است.
در آزمون روی مدل‌هایی که هرگز ندیده بود، در بیشتر دورهٔ تاریخی برای دما، بارش و فشار از شش روش موجود بهتر عمل کرد — به‌جز یک استثنا، شبیه‌سازی‌ای که نویسندگان آن را داده‌ای پرت و غیرواقع‌بینانه می‌دانند. برای جهان واقعی، ده نسخه از شبکه، که هر کدام روی مجموعهٔ متفاوتی از ده مدل آموزش دیده بود، روی اقلیم مشاهده‌شده از 1940 به کار رفتند.
آنچه در داده‌های واقعی می‌یابد
- کُندی گرمایش 1998–2012 به‌عنوان تغییرپذیری طبیعی ظاهر می‌شود، همان‌طور که پژوهش‌های بعدی نتیجه گرفتند. بخش طبیعی دمای جهانی از نزدیک از نوسان کُند اقیانوس آرام پیروی می‌کند.
- قطب شمال. گرمایش مشاهده‌شدهٔ قطب شمال اخیراً به حدود چهار برابر آهنگ جهانی رسیده است. به گفتهٔ شبکه، بخش واداشته تقریباً ثابت در حدود سه برابر می‌ماند. بقیه را نوسان‌های طبیعی انجام دادند: اقیانوس آرام گرمایش جهانی را مهار کرد، در حالی که یک رفت‌وبرگشت منطقه‌ای از خودِ قطب شمال، یک مُد تغییرپذیری قطبی، گرمایش را در آنجا تقویت کرد، به‌ویژه در 2005–2020.
- اطلس. اختلاف دمای میان اطلس شمالی و جنوبی از 1950 الگویی Vشکل داشته است. بخش واداشته هم پایین می‌رود و بالا می‌آید، هم‌راستا با افزایش و سپس کاهش آلودگی هواویزی در نیمکرهٔ شمالی. تغییرپذیری طبیعی این نوسان را تشدید کرد و فرورفتگی عمیق دهه‌های 1970 و 1980 را پدید آورد.
- اقیانوس آرام و جنوب‌غربی آمریکا. از 1980، شرق اقیانوس آرام استوایی کمتر از غرب آن گرم شده است، الگویی «شبیه لانینیا» که مدل‌ها به‌ندرت بازتولیدش می‌کنند. شبکه می‌گوید پاسخ واداشته به‌تنهایی الگویی ضعیف و وارونه، «شبیه ال‌نینیو»، پدید می‌آورد؛ تغییرپذیری طبیعی آن را وارونه کرد. همین در مورد تقویت پرفشار بر فراز شمال‌شرق اقیانوس آرام و خشک شدن جنوب‌غربی آمریکای شمالی صدق می‌کند: بیشتر طبیعی، با سهم واداشتهٔ اندک.
برای چندین مورد از این ویژگی‌ها، روند مشاهده‌شده در 1980–2022 بیرون از گسترهٔ پاسخ واداشتهٔ برآوردشده قرار دارد — یادآوری اینکه یک روند تاریخی منفرد می‌تواند راهنمای ضعیفی برای آنچه انسان سبب شده باشد.
محکی برای مدل‌ها
از آنجا که شبکه برآوردی صریح از بخش واداشته می‌دهد، می‌توان آن را مستقیماً با آنچه مدل‌ها شبیه‌سازی می‌کنند مقایسه کرد. الگوهای کلی همخوان‌اند: گرمایش بیشتر روی خشکی‌ها و در عرض‌های بالا، کمتر روی اطلس شمالی زیرقطبی و اقیانوس جنوبی، مناطق حاره و عرض‌های بالای مرطوب‌تر، مناطق جنب‌حاره‌ای خشک‌تر. اما مدل‌ها نیمکرهٔ شمالی را بیشتر گرم می‌کنند، پرفشار جنب‌حاره‌ای را کمتر تقویت می‌کنند و خشکی‌ها را کمتر خشک می‌کنند. نویسندگان احتمال می‌دهند که مدل‌های کنونی میزان خشک شدن قاره‌ها بر اثر جابه‌جایی بادها را دست‌کم بگیرند.
آن‌ها خودشان محدودیت‌ها را برمی‌شمارند. شبکه از مدل‌ها یاد می‌گیرد، پس سوگیری‌ای که همهٔ مدل‌ها در آن شریک‌اند می‌تواند گمراهش کند. اینکه چرا این‌قدر خوب کار می‌کند از درون آن به‌سختی دیده می‌شود. و فرض می‌کند که میانگین مجموعه‌ای محدود از شبیه‌سازی‌ها همان پاسخ واداشتهٔ واقعی است. نویسندگان نتیجه می‌گیرند که در همین حدود، یادگیری ماشین می‌تواند انتساب تغییرات اقلیمی گذشته را استوارتر — و آزمودن مدل‌ها را دقیق‌تر کند.