QUANTO DA MUDANÇA CLIMÁTICA RECENTE É OSCILAÇÃO NATURAL?

Toda tendência climática que observamos é a soma de duas coisas. Uma é a resposta forçada (forced response): a mudança empurrada pelos gases de efeito estufa, aerossóis, uso da terra e erupções vulcânicas. A outra é a variabilidade interna: as oscilações próprias do clima, como o El Niño ou as lentas oscilações dos oceanos Pacífico e Atlântico. Distingui-las importa, tanto para entender a mudança climática quanto para julgar se os modelos climáticos acertam.

O problema é que a realidade só acontece uma vez. Os modelos climáticos podem ser rodados dezenas de vezes com o mesmo forçamento, e a média dessas rodadas revela a parte forçada. Mas os modelos têm vieses, e truques estatísticos mais simples costumam supor que o padrão forçado nunca muda. Uma comparação internacional recente desses métodos constatou que os erros continuavam grandes — e que os métodos de aprendizado de máquina não se saíam melhor que a estatística clássica.

O artigo traz um exemplo de alerta: a desaceleração do aquecimento global entre 1998 e 2012 foi lida primeiro como sinal de que o aquecimento causado pelo ser humano estava diminuindo e de que os modelos estavam errados, antes de ser reconhecida como variabilidade interna.

Uma rede que aprende o ruído

Parvathi Kooloth, Wenyu Zhou e colegas, do Pacific Northwest National Laboratory e das universidades da Califórnia em San Diego e de Washington, construíram uma ConvLSTM, uma rede neural que combina a percepção de padrões espaciais com uma memória de como eles evoluem. Eles a treinaram com grandes conjuntos de simulações de 15 modelos climáticos, usando mapas de temperatura da superfície, precipitação e pressão ao nível do mar. Sua tarefa era reconhecer as oscilações naturais; o que sobra é a parte forçada.

Testada em modelos que nunca tinha visto, ela superou seis métodos existentes para temperatura, precipitação e pressão durante a maior parte do período histórico — com uma exceção, uma simulação que os autores consideram um ponto fora da curva irrealista. Para o mundo real, dez versões da rede, cada uma treinada com um conjunto diferente de dez modelos, foram aplicadas ao clima observado desde 1940.

O que ela encontra nos dados reais

A desaceleração do aquecimento de 1998–2012 aparece como variabilidade natural, como concluíram estudos posteriores. A parte natural da temperatura global acompanha de perto a lenta oscilação do Pacífico.
O Ártico. O aquecimento observado do Ártico chegou recentemente a cerca de quatro vezes a taxa global. Segundo a rede, a parte forçada fica quase constante em cerca de três vezes. As oscilações naturais fizeram o resto: o Pacífico segurou o aquecimento global enquanto um vai e vem regional próprio da região, um modo de variabilidade do Ártico, intensificou o aquecimento lá, especialmente em 2005–2020.
O Atlântico. O contraste de temperatura entre o Atlântico Norte e o Sul segue uma forma de V desde 1950. A parte forçada também desce e sobe, em linha com o aumento e o posterior declínio da poluição por aerossóis no Hemisfério Norte. A variabilidade natural amplificou a oscilação, criando o vale profundo das décadas de 1970 e 1980.
O Pacífico e o sudoeste dos EUA. Desde 1980, o Pacífico equatorial leste aqueceu menos que o oeste, um padrão “tipo La Niña” que os modelos raramente reproduzem. A rede diz que a resposta forçada sozinha teria produzido um padrão oposto fraco, “tipo El Niño”; a variabilidade natural o inverteu. O mesmo vale para o fortalecimento da alta pressão sobre o nordeste do Pacífico e para a seca do sudoeste da América do Norte: majoritariamente naturais, com apenas uma parcela forçada modesta.

Para várias dessas características, a tendência observada em 1980–2022 fica fora da faixa da resposta forçada estimada — um lembrete de que uma única tendência histórica pode ser um mau guia para o que os humanos causaram.

Um teste para os modelos

Como a rede dá uma estimativa explícita da parte forçada, ela pode ser comparada diretamente com o que os modelos simulam. Os padrões gerais concordam: mais aquecimento sobre os continentes e nas altas latitudes, menos sobre o Atlântico Norte subpolar e o Oceano Austral, trópicos e altas latitudes mais úmidos, subtrópicos mais secos. Mas os modelos aquecem mais o Hemisfério Norte, fortalecem menos a alta pressão subtropical e secam menos os continentes. Os autores sugerem que os modelos atuais podem subestimar o quanto a mudança dos ventos vai secar os continentes.

Eles mesmos listam os limites. A rede aprende com modelos, então um viés compartilhado por todos os modelos poderia enganá-la. É difícil ver, dentro dela, por que funciona tão bem. E ela supõe que a média de um conjunto finito de simulações é a verdadeira resposta forçada. Dentro desses limites, concluem os autores, o aprendizado de máquina pode tornar mais sólida a atribuição das mudanças climáticas passadas — e mais preciso o teste dos modelos.