SEBERAPA BESAR PERUBAHAN IKLIM BARU-BARU INI YANG MERUPAKAN AYUNAN ALAMI?

Setiap tren iklim yang kita amati adalah jumlah dari dua hal. Yang pertama adalah respons paksa (forced response): perubahan yang didorong oleh gas rumah kaca, aerosol, penggunaan lahan, dan letusan gunung berapi. Yang kedua adalah variabilitas internal: ayunan iklim itu sendiri, seperti El Niño atau osilasi lambat Samudra Pasifik dan Atlantik. Membedakan keduanya penting, baik untuk memahami perubahan iklim maupun untuk menilai apakah model iklim menggambarkannya dengan benar.

Masalahnya, kenyataan hanya berjalan sekali. Model iklim dapat dijalankan puluhan kali dengan pemaksaan yang sama, dan rata-rata dari semua jalannya itu mengungkap bagian yang dipaksa. Namun model punya bias, dan trik statistik yang lebih sederhana cenderung mengasumsikan bahwa pola paksa tidak pernah berubah. Sebuah perbandingan internasional terbaru atas metode-metode tersebut menemukan bahwa galatnya tetap besar — dan bahwa metode pembelajaran mesin tidak lebih baik daripada statistik klasik.

Makalah ini memberi contoh peringatan: perlambatan pemanasan global antara 1998 dan 2012 pada awalnya dibaca sebagai tanda bahwa pemanasan akibat manusia sedang melambat dan bahwa model-model keliru, sebelum akhirnya dikenali sebagai variabilitas internal.

Jaringan yang mempelajari derau

Parvathi Kooloth, Wenyu Zhou, dan rekan-rekan di Pacific Northwest National Laboratory serta universitas California San Diego dan Washington membangun sebuah ConvLSTM, jaringan saraf yang menggabungkan kepekaan terhadap pola spasial dengan ingatan tentang bagaimana pola-pola itu berkembang. Mereka melatihnya pada kumpulan besar simulasi dari 15 model iklim, menggunakan peta suhu permukaan, curah hujan, dan tekanan permukaan laut. Tugasnya adalah mengenali ayunan alami; apa pun yang tersisa adalah bagian yang dipaksa.

Diuji pada model yang belum pernah dilihatnya, jaringan ini mengalahkan enam metode yang ada untuk suhu, curah hujan, dan tekanan selama sebagian besar periode historis — dengan satu pengecualian, sebuah simulasi yang menurut para penulis merupakan pencilan yang tidak realistis. Untuk dunia nyata, sepuluh versi jaringan, masing-masing dilatih pada kumpulan sepuluh model yang berbeda, diterapkan pada iklim yang teramati sejak 1940.

Apa yang ditemukannya dalam data nyata

Perlambatan pemanasan 1998–2012 ternyata merupakan variabilitas alami, sebagaimana disimpulkan oleh studi-studi berikutnya. Bagian alami dari suhu global mengikuti dengan erat osilasi lambat Pasifik.
Arktik. Pemanasan Arktik yang teramati baru-baru ini mencapai sekitar empat kali laju global. Menurut jaringan ini, bagian yang dipaksa tetap hampir konstan di sekitar tiga kali. Ayunan alami melakukan sisanya: Pasifik menahan pemanasan global, sementara ayunan bolak-balik khas kawasan itu sendiri, suatu mode variabilitas Arktik, memperkuat pemanasan di sana, terutama pada 2005–2020.
Atlantik. Kontras suhu antara Atlantik Utara dan Selatan mengikuti bentuk V sejak 1950. Bagian yang dipaksa juga turun lalu naik, sejalan dengan meningkatnya lalu menurunnya polusi aerosol di Belahan Bumi Utara. Variabilitas alami memperbesar ayunan itu, menciptakan titik terendah yang dalam pada tahun 1970-an dan 1980-an.
Pasifik dan barat daya AS. Sejak 1980, Pasifik ekuator bagian timur menghangat lebih sedikit daripada bagian barat, pola “mirip La Niña” yang jarang direproduksi model. Jaringan ini menyatakan bahwa respons paksa saja akan menghasilkan pola kebalikan yang lemah, “mirip El Niño”; variabilitas alami membaliknya. Hal yang sama berlaku untuk menguatnya tekanan tinggi di atas Pasifik timur laut dan mengeringnya barat daya Amerika Utara: sebagian besar alami, dengan porsi paksa yang hanya sedikit.

Untuk beberapa ciri ini, tren yang teramati selama 1980–2022 berada di luar rentang respons paksa yang diperkirakan — pengingat bahwa satu tren historis bisa menjadi panduan yang buruk tentang apa yang disebabkan oleh manusia.

Ujian bagi model

Karena jaringan ini memberikan perkiraan eksplisit tentang bagian yang dipaksa, perkiraan itu dapat dibandingkan langsung dengan apa yang disimulasikan model. Pola-pola besarnya sepakat: pemanasan lebih banyak di daratan dan di lintang tinggi, lebih sedikit di Atlantik Utara subkutub dan Samudra Selatan, daerah tropis dan lintang tinggi yang lebih basah, daerah subtropis yang lebih kering. Namun model lebih memanaskan Belahan Bumi Utara, kurang memperkuat tekanan tinggi subtropis, dan kurang mengeringkan daratan. Para penulis menduga bahwa model saat ini mungkin meremehkan seberapa besar pergeseran angin akan mengeringkan benua-benua.

Mereka sendiri menyebutkan batasannya. Jaringan ini belajar dari model, sehingga bias yang dimiliki semua model dapat menyesatkannya. Mengapa ia bekerja begitu baik sulit dilihat dari dalamnya. Dan ia mengasumsikan bahwa rata-rata dari sejumlah terbatas simulasi adalah respons paksa yang sebenarnya. Dalam batasan-batasan itu, para penulis menyimpulkan, pembelajaran mesin dapat membuat atribusi perubahan iklim masa lalu lebih kokoh — dan pengujian model lebih tajam.