Detta är den första artikeln i en serie av två. Här analyserar jag signifikansen hos temperaturtrender av olika längd, primärt den korta negativa trend, eller platå, som vi haft de senaste 7-8 åren. I den andra artikeln diskuterar jag vad som menas med begreppet signifikans i en vidare bemärkelse, och hur vi kan använda det i analys av klimatsystemets temperaturtrender och deras orsaker.
Sedan mitten av 2014 kan vi se att vi har en paus i ökningen av den globala temperaturen. I figuren nedan visas satellitdata från UAH för hela dess mätperiod från december 1978. Vi kan identifiera minst tre olika platåer, eller ’pauser’, på allt högre höjd. Den senaste av dem har vi nu.
På WUWT rapporteras det i regelbundna artiklar om att nu har den nuvarande pausen (hiatus) förlängts med si eller så många månader. Och visst låter det sig sägas! Det är lätt att se att den positiva temperaturtrenden varit bruten i 7-8 år nu och att vi kan testa bakåt för när utvecklingen vände från positiv trend till negativ trend.
Alla dessa pauser är dock kortare än 30 år, och den senaste bara knappt 8 år, och därför inställer sig frågan: Är detta en klimatförändring som är på gång? Att det råder en paus sedan mitten av 2014 implicerar ju inte i sig att den långa positiva klimattrenden har brutits. Kortare pauser hänförs till ’väder’ och inte till ’klimatförändring’, eftersom de är variationer som är kortare än 30 år.
Innan den frågan diskuteras, ska jag till att börja med utreda om pausen är statistiskt signifikant. För att testa detta har jag använt UAH:s globala serie över temperaturanomalier mätt som avvikelser från en 30-årig jämförelseperiod.
Flertalet modeller och statistiska tester förutsätter att data är oberoende av varandra. Om detta uppfylls, blir feltermerna okorrelerade. Det ska då inte spela någon roll i vilken ordning enskilda observationer kommer. Om data är oberoende kan vi använda exempelvis normalfördelningen i våra modeller och analyser, vilket förenklar analysen i hög grad.
Men kravet på oberoende stämmer tyvärr oftast inte för tidsseriedata. Det vi ser i temperaturdata är att en observation vid en tidpunkt inte är slumpmässig, utan bäst förklaras av någon föregående observation. Om temperaturen igår var 20 grader, är det mera sannolikt att den idag också blir 20 grader, än att den blir 10 eller 30 grader. Det betyder att dagens temperatur inte är slumpmässig i förhållande till gårdagens – de följer varandra ganska nära. En sådan följsamhet definieras med begreppet autokorrelation.
Temperaturdata är just sådana tidsseriedata där det finns stark autokorrelation. Vi måste ta hänsyn till, och korrigera för detta, annars blir vår beräkning av signifikans och andra statistiska mått inte korrekt. Ett första mål är att få bort autokorrelationen från residualerna så att dessa blir så kallat ’vitt brus’, dvs. slumpmässiga i den bemärkelsen att de är oberoende av varandra och likafördelade (i.i.d.). I FOTNOT 1 beskrivs kortfattat hur detta går till. Resultatet är att en första ordningens differentiering räcker för att få bort autokorrelationen i den rådande pausens temperaturdata och att residualerna är vitt brus med hög signifikans, p=0,01. (Se not 2 för förklaring.)
Det andra vi alltid måste kontrollera med tidsserier, är att de är stationära. Detta betyder att både medelvärde och varians är mer eller mindre konstanta över tiden, dvs. dessa får inte vara en funktion av tiden. Om vi har data som trendar, vilket de gör för temperaturdata, måste trenden först rensas bort innan vi testar för signifikans. Däremot är variansen stabil över tid hos temperaturdata.
När en tidsserie har autokorrelation och/eller inte är stationär kan detta hanteras genom att man differentierar data. Man tar till exempel differensen mellan en månad och föregående månads temperaturer och räknar på den resulterande tidsserien i stället för på orginaldata. Man kanske också måste ersätta orginaldata med någon variant av rullande genomsnitt (någon lämplig variant av MA-process) för att bli av med variationer i variansen över tid.
I FOTNOT 3 beskrivs kortfattat hur man transformerar temperaturdata så de blir stationära. Resultatet är att en första ordningens differentiering räcker för att nå stationäritet och att residualerna är vitt brus med signifikans p=0,045.
Efter att man gjort denna initiala analys av autokorrelation och stationäritet är det dags att applicera någon lämplig statistisk modell, som justerar för dessa i den mån det är nödvändigt. Sedan estimeras koefficienter och signifikans på denna modell.
En vanlig modell är ARMA(x,y). Den kombinerar autoregression, AR(x), med flytande medeltal MA(y). Siffrorna (x,y) visar hur många tidsperioder man differentierar data med. Ofta räcker det med 1 eller 2 perioder, och vi får då exempelvis ARMA(2,1). Detta visar sig även vara en av flera lämpliga processer för våra temperaturdata. Resultatet är statistiskt signifikant, p<,01.
Sammanfattningsvis är de temperaturdata jag testat ganska ’snälla’, det räcker med en enkel differentiering för att kunna göra signifikanstestning. Detta, tillsammans med att vi har ganska många observationer sedan 2014 (redan 94 observationer i platån) gör att vi kan hävda att denna negativa trend är statistiskt signifikant med en mycket hög grad av sannolikhet.
Jag har även testat den negativa trenden från 2016 och finner att även den är statistiskt signifikant, p<,01. Denna trend är -0,25 grader per decennium för UAH-data. (fotnot 4)
När man arbetar med tidsserier vill man ofta också göra prognoser för framtiden, modellerna räknar ut sådana åt oss på kort sikt, och de brukar stämma rätt bra. Men låt mig avslutningsvis hypotetiskt fråga: Hur många år skulle det ta för en fortsatt negativ trend att förlänga pausen, så den blir 30 år?
Svar: om den negativa trenden från 2016 fortsätter i nuvarande takt skulle det ta ytterligare cirka 8 år, innebärande att vi år 2030 skulle vi ha en klimatologiskt signifikant 30-årig platå (från 2001-2030). Om sannolikheten för att detta ska inträffa kan man bara spekulera. Troligen är den mycket låg, givet de interna naturliga variationerna i klimatsystemet, exempelvis ENSO.
FOTNOT 1: Det vanliga är att kontrollera graden av autokorrelation genom att applicera en autokorrelationsfunktion (ACF) samt en partiell ACF, samt plotta dessa för att få en visuell bild. X-axeln visar lag-strukturen. Med som i detta fall månadsdata betyder lag 1 samma månad året innan. ACF vid lag k är korrelationen mellan värdet vid tidpunkten t och värdet vid t-k. I figuren nedan ses ACF för AR1:s residualer för UAH:s globala temperatur (TLT). Man letar sedan upp den första lag som har lägre värde än gränsen för signifikans utifrån ACF (ej markerat i figuren) och använder detta värde i den fortsatta analysen.
Ungefär samma resultat fås för modellen ARMA(2,1). Residualerna visar på vitt brus, dvs. de är iid, med signifikans på 1%-nivån (p<0,01 med Ljung-Box test), se figur nedan:
FOTNOT 2: Ett p-värde är ett statistiskt mått som används för att validera en hypotes mot observerade data. P-värdet mäter sannolikheten att erhålla de observerade resultaten, förutsatt att nollhypotesen är sann. Ju lägre p-värde, desto större statistisk signifikans för den observerade skillnaden visavi nollhypotesen. Ett p-värde på 0,05 eller lägre anses påvisa statistisk signifikans. Om vi tar test för autokorrelation som exempel, är nollhypotesen att data är autokorrelerade. Om p-värdet är 0,05 är det bara 5 procent sannolikhet att detta är korrekt.
FOTNOT 3: Det vanliga är att kontrollera om en tidsserie är stationär genom att för det första titta på en figur med residualerna. Den andra figuren i fotnot 1 ovan är ett exempel på residualer som inte har en trend, och som har en jämn volatilitet och som därmed förefaller vara stationär, dvs. det vi vill se.
För att få visshet om detta genomför man ett Dickey-Fuller test, alternativt ett Augmented Dickey-Fuller test (ADF). Dessa har nollhypotesen att signalen är icke stationär. Man testar dels för serien utan vare sig trendkomponent eller intercept, dels för bara intercept, dels för bara trend. Resultaten för UAH:s temperaturdata är att ADF visar hög signifkans för trenden, p=0,019.
Ett av kraven för stationäritet är att eventuella säsongsvariationer måste rensas bort. Globala temperaturdata är alltid anomalier jämförda med en 30-årig referensperiod, månad för månad. Eftersom en viss månad alltid jämförs med samma månad i referensperioden finns inga säsongsvariationer i våra data.
FOTNOT 4: Analysen avser pausen från mitten av 2014 för satellitdata från UAH. Valet av temperaturserie är inte kritiskt: Resultaten är desamma för andra temperaturserier, exempelvis GISS, de olika serierna följer varandra väl och har nästan identiska statistiska egenskaper. Däremot varierar koefficienten för den negativa trenden mellan de olika serierna.
Gabriel Oxenstierna
Eftersom ENSO, speciellt El Nino-år tydligt avspeglas i den globala temperaturen, kan man undra om inte detsamma gäiier AMO. Den har ju haft en positiv trend under större delen av satellitmätningarnas era. Nu vänder den nedåt. Hur stor är korrekationen mellan global temperatur och AMO?
https://climatedataguide.ucar.edu/climate-data/atlantic-multi-decadal-oscillation-amo
Hej Gabriel, tack för ditt inlägg. Det väcker frågor av både teknisk och sannolikhetsfilosofisk natur. Allra först, vad är din nollhypotes mera exakt formulerad? Kanske finns den i din text men jag ser den inte tydligt.
Tack för denna lektion i statistik.
Kräver säkert repetition senare.
Vad jag reagerat på när det gäller UAHs serier är att det alltid finns delar av globen som är kallare eller varmare än normalt
och att dessa delar snabbt kan skifte mellan olika månadsvärden. Detta gäller främst USA48 Arctic och Australien.
https://www.drroyspencer.com/
Tack för intressant artikel. Det hade kanske varit pedagogiskt att visa signifikansnivån i ACF figuren, alternativt redovisa siffran. Den högsta autokorrelationen verkar föreligga för lag 3. Är den signifikant och hur kan den tolkas?
Lasse
Kan det inte vara så att just USAs läge med Stilla H i väster och Canadas enorma landmassa som har direktkontakt med Arktis betyder mycket för dess växlingar i temp ?
Topografin spelar stor roll där The Great Plains och The Rockies avgör hur vädersystem i norr och väster växlar/dominerar stora delar av USAs väder.
I Europa ser vi hur alpkedjan styr vädersystemen. Oftast diametrala väder på de olika sidorna (Medelhavsväder i söder skapar bl.a den berömda fönvinden på andra sidan).
Australiens väder påverkas säkert av de kalla strömmarna från Antarktis som möter sydost-asiens värme. Värme är väl alltid den dominerande parten som söker utjämning!
Rättelse
Egentligen är det nog den torra luften från nordafrika som skapar fön-vinden.
Tack, bra beskrivet.
Själv anser jag detta vara bedrägligt i så måtto att man väljer lite som man vill vilka perioder man vill analysera. För att ange utvecklingen anser jag att det bara finns ett neutralt mått i vetenskapligt avseende vilket som sagt visar utvecklingen över 30 år. Det är det glidande medelvärdet. Allt annat blir subjektiva val och bedömningar. Det finns nackdelar även med detta men är entydiga beskrivningar.
En viktig faktor som jag ser det är olika indikatorer som komplement till MV. De entydigaste är enligt min uppfattning de enklaste och är t.ex OSC resp MACD vilka är närbesläktade men inte identiska.
De ger ett bättre mått på styrkan/svagheten i utvecklingen, och för klimatets vidkommande på ca 150 år resp sedan 1979 visar de en avtagande styrka f.n..
Sedan finns andra sätt att se utvecklingen på matematiskt men anses väl ännu inte vetenskapligt erkända. 😊
https://drive.google.com/open?id=1Ve4_8Y-jZ4USRIPr4QV5siTUIA6ch-ef&authuser=alvar.nyren%40gmail.com&usp=drive_fs
https://drive.google.com/open?id=1VisXG2cHAcJ_REhp41QQO7k2zTxAmoXd&authuser=alvar.nyren%40gmail.com&usp=drive_fs
Och Sverige sedan 1850 inkl MV30 ser ut så här således.
https://drive.google.com/open?id=1VoAPItFNHAEdFwe454OCP26oBruF3qb9&authuser=alvar.nyren%40gmail.com&usp=drive_fs
Gabriel
”Alla dessa pauser är dock kortare än 30 år,”
Tack för din utmärkta repetition av stat analys. Så vad är en signifikant paus?
Jag tycker (!) inte att vi behöver se/invänta 30 års samlade (negativa) avvikelser från den positivt lutande temp-trenden för att avgöra om klimatet ändrats mht till temperaturen eftersom avvikelserna (UAH) från början grundar sig på ett 30-årigt (månatligt) genomsnitt.
Då gällande klimatteori (AGW) grundar sig på koldioxid torde en tillräcklig avvikelse mellan temperatur och CO2-ökning bidra kring slutsatser om signifikans där det torde räcka med att temp avvikelsen hittar en ny botten ev kompletterad med ett 30-årigt MA som ligger ovanför dataserien. Men i detta ligger förstås inget bestämt metod-bevis utöver ett ev faktum att avvikelse-värdet mätt mot ett rullande 30-årigt blivit negativt.
Hej igen Gabriel, jag strök det här i kommentaren #2 men kanske ska det ändå med.
Jag är väl dum nu, men med UAH graferna i färskt minne kom jag efter din kvalificerade text osökt att tänka på Alf Pröysens koleravisa från studenttiden-
”det var sig en gång uti koleraland …. de skulle begrava en skendöder man”
– nåt rör sig och hörs nere i kistan –
änkan,
”nej lägg dig så fint ned i kistan din nu
det här begriper prästen nog bättre än du”.
#8 Alvar N
Intressanta data över Sverige. Vad är källan? SMHI? Särskilt den begynnande ”hockeyklubban” i slutet. Hur stämmer dessa data överens med de serier som den japanska meteorologin redovisar för Sverige (flygplatsdata)?
Svängningarna kring ditt 30 MV är stora (stabil temperatur). Såvitt jag kan avläsa är MV-et tydligt negativt sluttande under 70-talets relativt kyliga period. Fallande MV kan ses sträcka sig från 1961 till ca 1987 men någon ny botten i dataserien uppträder inte (dock dubbelbotten) vilket då ”verifierar” att någon omsvängning i temp trenden INTE låg för handen (typ MLIA).
Temat att jorden inte värms lika mycket idag är populärt:
https://notrickszone.com/2022/06/05/global-surface-temperatuires-have-cooled/
Med en kort graf gällande 2022 som kanske är intressant.
Varför varierar temperaturen globalt i samma takt?
https://notrickszone.com/wp-content/uploads/2022/06/Temp-Global_May-2022.png
#11 Att vi värms mer sen 1980 i en hockeystickkurva.
Jag ser även pucken 😉
#12
I #11 syftade jag på värdena fr 2010 som ser ut att nå en ny högre nivå. Ja NH har väl värmts mer relativt övr jorden. Stämmer data i jmf med övr norden?
#9 Thorleif
”Jag tycker (!) inte att vi behöver se/invänta 30 års samlade (negativa) avvikelser från den positivt lutande temp-trenden för att avgöra om klimatet ändrats mht till temperaturen eftersom avvikelserna (UAH) från början grundar sig på ett 30-årigt (månatligt) genomsnitt.”
Bra poäng.
Samtidigt kan vi se att den längsta pausen i satellitdata var 18 år, vilket bröts av Super-Niñon 2016.
Det handlar till syvende och sidst om fysikaliska processer och inte om statistiska bevis.
Således bör vi helst stödja oss mot någon form av fysikalisk evidens på att något händer i klimatsystemet som bryter den långa positiva temperaturtrenden.
Den process som ’märks mest’ i temperaturdata är ENSO, men där finns också andra processer med längre utdräkt, exempelvis PDO, som nu slagit om till negativ fas. Även AMO kan vara på väg att slå över.
Likaså har vi solcyklerna som inverkar, och där vi är inne i SC25 som kanske blir lika svag eller svagare än SC24, och att vi då möjligen skulle vara på väg mot ett större minimum.
I artikeln som publiceras i morgon diskuterar jag dessa daker närmare. Temat är att naturliga variationer fortsätter att vara signifikanta i klimatets utveckling, trots att IPCC påstår motsatsen.
Alvars Sverige-temp för 2010-stämmer väl med UAH NH Low Troph för månaderna okt, nov, feb och mars.
https://sprayhattas.crabdance.com/uahzoner/lowert/5/
Har någon sett avvikelse-tidsserier rensade från min/max-värden vilka ofta kan ses lite som ”outliers”. Jag tänker inte minst på effekter av ENSO.
#2 Eilif
Det är ju olika tester som jag gör, dels för autokorrelation, dels för stationäritet, dels för trenden själv.
För autokorrelationstestet skriver jag i fotnot 2: ”Om vi tar test för autokorrelation som exempel, är nollhypotesen att data är autokorrelerade. Om p-värdet är 0,05 är det bara 5 procent sannolikhet att detta är korrekt.”
För test av stationäritet skriver jag: ”För att få visshet om detta /stationäritet/ genomför man ett Dickey-Fuller test, alternativt ett Augmented Dickey-Fuller test (ADF). Dessa har nollhypotesen att signalen är icke stationär.”
Angående trendanalysen (ARMA-modellen), borde skrivit det explicit, men utgick från att det är självklart i detta fall:
Nollhypotesen är att den korta trenden inte är signifikant.
Resultatet P<0,01 visar att det är mindre än 1 procents sannolikhet att nollhypotesen är korrekt.
#11
Ja det är SMHI årsmedelvärden. Man skulle kunna tro på en accelererande utveckling, men det är det som är styrkan i teknisk analys baserad på vågutbredningar, och det var därför det gick att med god noggrannhet förutse vändningen ner i den globala temperaturen 2016 och 2020 och sannolikt gäller det även för Sveriges del med toppen 2020. Det är det vanligaste således med en stark avslutning i en s.k. korrektiv fas. Naturen rör sig i stora drag mycket förutsägbart både på kort och lång sikt och sannolikt beror svårigheten att se och förutsäga de mera exakta faserna på att vi legat i en korrektiv utveckling sedan ca 1850 eller snarare sedan 1600-talet. Korrektiva utvecklingar är mera likt de kaosartade utvecklingar klimatfolket tror på och med mycket flera alternativ och utvecklingar. Därmed inte sagt att den korrektiva perioden måste vara slut, men mycket talar för detta pga sina exakta utvecklingar i tid och utsträckning, som sagt. Går det under ca UAH -1,0 är det nog kalkat för lång tid. Enligt teknisk analys av vågor, som ju inte klimatforskare använder, dessvärre.
https://alvarnyren.wixsite.com/aidtrade/post/mina-klimatmodeller-18
#1 Karl
AMO definition: ”The AMO is the average sea-surface temperature (SST) over the entire North Atlantic after the long-term warming trend is removed.”
Ja, det ser ut att vara hög korrelation mellan AMO och temperaturserier. T ex som här för AMO och SST på SÖDRA halvklotet, alltså trots att AMO mäts på NH:
https://www.woodfortrees.org/plot/esrl-amo/plot/esrl-amo/trend/plot/hadsst3sh/detrend:0.72/plot/hadsst3sh/detrend:0.72/trend
Korrelationen verkar vara hög även för andra temp.-serier, även för lufttemperaturen.
https://www.woodfortrees.org/plot/esrl-amo/plot/esrl-amo/trend/plot/hadcrut4gl/detrend:0.72/plot/hadcrut4gl/detrend:0.72/trend
Intressant men litet svårt att hänga med i svängarna. Att variansen är stabil, vad menas med det? Enso etc gör inte det att variation har en tendens att antingen positiv eller negativ? Hänger inte heller ed på om du använder data från 1850 eller 1979. Ju större del av totalen som den utvalda perioden står för desto större chans borde det ju bli att data kan sägas vara en paus. Förstår inte heller hur lång du säger att pausen ska ha varit. Är det signifikant att vi haft en paus på 2 år eller att vi haft en paus på 8 år? Det borde vara lättare att få signifikans på en kortare period än en längre.
#17
Det som på ivf finansmarknader skiljer korrektiva faser fr huvudriktningen (det du antagligen menar, dvs att vi lever i en långsiktigt kylande (efter-)glacial period?) är hur vågmönstret ser ut (jmf impulsvågor).
För flera år sedan (2015) studerade jag en del forskning av sol-data utförd av V Zharkova och utifrån min erfarenhet kring t.ex TA kunde jag klart instämma med hennes data som via särskilda styrke-parametrar talar för att en längre solcykel går mot sitt slut just nu. Alltså att styrkan i sol-cyklerna (enl Dynamo Models) går mot ett (temporärt) slut.
Vad man kunde se i hennes modell var en typisk diskrepans mellan innevarande nominell nivå(höjd) och motsvarande parameter-värde (jmf rel styrke-index fr TA) vilket då enligt henne också talar för en längre period av mycket låg solaktivitet. En längre paus som enligt henne liknar det jorden upplevde under LIA. Hon menar dock att eftersomvi idag befinner oss på en högre temp nivå bör paus-längden inte bli så lång som under LIA. Ett modernt MLIA. Jag hade inte förmåga att bedöma hennes utvecklade parameter-konstruktion men hon visade att värdet fungerat utmärkt som prognos-instrument för kortare perioder med befintliga data.
Då vi saknar värden/data från 16-1800-talet handlar en hel del i hennes forskning om mönster-tolkning. Därför är många också kritiska till hennes slutsatser som jag förstår.
Alvar
För att bättre förstå hur du relaterar nuvarande fas (sedan 1600 eller 1850) som korrektiv kräver kanske att jag får kolla in lämpliga sidor på din site! Jag hänger inte med där.
#20
Ja, det förefaller vara en form av teknisk analys av Zharkova, som många delar av andra slutsatser handlar om i studier av klimatutvecklingar, men utan att dra in Fibonacci och Elliott. Och, ja, huvudriktningen är ner, menar jag. Kraftigt ner, med en ”avslutande” fas kvar. Vi är inne i en s.k. fyra för tillfället av alla tecken att döma. Återstår en femte och avslutande våg neråt, dessvärre.
https://drive.google.com/open?id=1Vpf8AUsigpaByCi_dT93t0K_8pwsvy6p&authuser=alvar.nyren%40gmail.com&usp=drive_fs
Gabriel! Du borde konferrera med Tony Heller om hur man lägger upp dylika väderanalyser. Bl a använder Tony gamla tidningars väderdata eftersom dessa inte går att trixa med, vilket är vanligt förekommande med väderdata i databaserna. Visst kan de radera åtkomst av denna data, men det skulle samtidigt ”sticka i ögonen” hos gräsrötterna. En rätt kul analys Tony gör ibland är att jämföra maxtemperaturer år från år, eller natt-temperaturer år för år mm. Därvid syns det direkt hur Klimatfascisterna gått in i databaserna och ändrat grunddata (något de kallar ”justeringar”)
Alvar
Inte globalt eller årsvärdes-signifikant på något sätt med för en TA-entusiast är september-vågen fr 1980 och tropikerna helt klart signifikant om kanalstödet bryts tydligt nu inför höstens september-värde! Hur ser det relativa styrke-värdet ut här månne?
https://sprayhattas.crabdance.com/uahzoner/lowert/11/
F.ö kan man utläsa typiska och tydliga 3-vågs formationer (a-e) upp sedan 1980 för flera vintermånader när det gäller NH. Är innevarande ”nivålyft” från 2010 (Sverige t.ex) en typisk urtoppning sett från TA?
Jag tror inte vi skall bli alltför detaljerad i detta gebit. Inlägget handlar ju delvis om annat. Sorry, Gabriel. Generellt och som avslutning kan man ofta tydligt se att avslutande delar av sammanhängande faser är tredelade med en stark avslutning som då är en C-våg (motsv). För att vara signifikant som start av ny fas krävs brott en bit nedanför annan fasbotten eller omvänt ovanför fastopp. Man behöver mycket bättre upplösning än års- eller månadsvärden för att få större säkerhet. Bara som exempel, men med alldeles för korta data för att urskilja några längre signaler kan jag visa dagens läge i Temp Global på dagsbasis efter några månaders utveckling. Där kan man prel se mycket tydliga rörelsemönster och inbördes mycket vanliga skolboksmässiga relationer. Spelar ingen roll nivåer eller så, eller vad man tycker om ursprunget, utan bara hur samma källa av tillräckligt många givare globalt ger dessa helt normala utvecklingar, och så sker det både i längre och kortare perspektiv. Det får räcka så.
https://drive.google.com/open?id=1VufxuFNvaxxEfUhlye5gVaIVp0lJzC2p&authuser=alvar.nyren%40gmail.com&usp=drive_fs
Tack Alvar
Jo det var den grafen jag hade för näthinnan.
Jag skulle kunna tolka grafen som att CO2 värdena fortsätter upp i likhet med tidsperioden ”triasic” medan temperaturen sluttar sakta nedåt. Nuvarande mönster under ”pleistocene/holocene” påminner om mönstret från 200 millioner år sedan och längre tillbaka fast i ett miniformat.
Dock skulle inte jag som du våga dra några ”vetenskapliga” slutsatser för innevarande livstider kring bilden/grafen då ”rörelserna” tycks vara av oscillerande art. På mycket mycket mycket lång sikt ser det ut att bli mycket mycket varmare!
Nuvarande cykel/våg kanske är c-vågen/alt ej färdig b-våg i våg 4 istället för början på våg 5 ner (om våg 1 ner startar under ”eocene”)?
”History never repeats but rhymes” (MT)
#26
Nja, bilden är en skolboksmässig fyra så här långt och det var ju det där med cyklerna lång och kortsiktigt, enl UAH,SMHI,NOAA osv. Är dessa cykler vad de ser ut att vara kommer vi att dyka neråt eller harva sidledes med stora slag under mycket lång tid. Men det är många kapitel i den boken!
Alvar #25
Har du gjort några jämförande studier på data före/efter institutens justeringar? Eller olika dataserier för samma data? RSS och UAH var nära nog parallella till ca2015 då RSS tolkade om sitt dataset (om jag minns rätt pga en satellit som drivit).
Vore spännande att se en sådan jämförelse. Min gissning är pga att äldre data generellt tolkats kallare borde de set som justerats mest (RSS) vara närmre ett trendbrott än de flackare (UAH). Vad tror du?
#28
Nej Matz, UAH-data var ju ursäkten hos alla när den kom och utvecklades under 90-talet, innan den blev mindre intressant när den övergick i sidledes förflyttning. Det är möjligt att man kan se skillnader men med tiden blir även sådant sannolikt ointressant. Förfalskningar kan inte göras av verkligheten så småningom, oavsett dataset. Jag gissar att vi blir varse inom ett par år eller så vartåt det barkar. Själv ser jag fram mot kommande höst/vinter med skräckblandad förtjusning. Sydafrika och övriga södra Afrika, Australien och framför allt Sydamerika är väl intressantast ytterligare några månader, trots oceanernas dämpande effekt. Men vad vet jag?
#28
Har du hittat dataset för RSS förresten? Utom i diagramform. Naturligtvis intressant om de finns tillgängliga.
Som info så har SMHI nyligen uppdaterat sina årsmedelvärden av någon anledning, och enl Lennart Wern, SMHI var man inne i en stor uppdatering under förra året fram till våren. Jag återkommer med vad det inneburit av förändringar. För förändringarna är avsevärda vid en första anblick och jag har ställt frågan på vilka grunder man ändrat, men ej fått svar ännu. Kanske man fått påbackning från högre ort??
Diagrammen är således från tidigare data innan revision, och värdet för 2020 preliminärt enl SMHI. Nu ändrat.
# artikelförfattare
Jag försökte läsa detta igen litet noggrannare men blev inte klokare på vad som det säger. Hur ska man tolka det som görs? Om vi tänker oss temperaturutvecklingen som bestående av 3 delar:
– En linjär trend (orsaken kan vi skippa att diskutera här)
– Ett antal cykliska processer med korta perioder så de kan påverka under en tidsperiod av 8 år (ex solcykler och el nino/la nina)
– en kortsiktiga variation upp o ner som vi inte exakt kan och därför säger är slumpmässig
Vad menar du egentligen med att pausen är statistiskt signifikant? Min tolkning av det är att givet att den linjära trenden fortsatt, hur stor sannolikhet är det då att man skulle få den observerade temperaturutvecklingen (pausen). Du får då den sannolikheten till väldigt liten. Det vill säga, antingen har den uppåtgående trenden brutits eller så har något osannolikt hänt (p<0.01). Stämmer den tolkningen?
Om den stämmer är det ju ytterst knepigt att ta bort autokorrelerade värden. Häri finns ju all påverkan av sol och el nino etc.
Den enda slutsats som man kan dra då blir ju: givet att den linjära trenden fortsatt och ingen elnino-påverkan eller solpåverkan eller annan effekt som ger autokorrelation skett så vore det osannolikt att få den observerade pausen.
Alltså måste slutsatsen av ditt räknande bli: antingen har den uppåtgående trenden brutits eller så finns det en el nino/la nina effekt eller annan effekt som ger autokorrelation eller så har något osannolikt inträffat. Men det är ju ingen särskilt revolutionerande slutsats, alla är väl överens om att 2016 var ett starkt el ninoår, eller?
Tolkar jag fel?
#31
Jag antar att det är dessa uppdateringar som avses:
https://www.smhi.se/kunskapsbanken/klimat/analys-av-historiskt-klimat/homogenisering-av-temperatur-1.18158
Det är i alla fall en beskrivning över hur de har gjort sin homogenisering och hänvisning till en vetenskaplig referens som är under granskning.
#19 och 32 Bubo
”Att variansen är stabil, vad menas med det?”
Se den här länken, Under rubriken ’Stationarity’ finns en bra figur som visar detta.
https://towardsdatascience.com/time-series-essentials-fe6727ab6a94
För att testa signifikans hos en trend kan man analysera bara den delen av data man är intresserad av. Jag jämför alltså inte den långa positiva trenden med den korta negativa trenden. Jag analyserar bara data från mitten av 2014 för ’pausen’ och från 2016 för den negativa trenden.
Det jag kommer fram till är att både ’pausen’ och ’korta negativa trenden’ är statistiskt signifikanta, att det är mycket hög sannolikhet att de faktiskt ÄR trender och inte bara slumpmässig variation.
#25 Alvar
Jag tror att teknisk analys kan ha något att tillföra när det gäller att förklara förändringar i sådana företeelser där människor är inblandade som beslutsfattare. Exempelvis analys av finansiella marknadsdata, t ex aktiekurser, där marknadshistorik kan påverka psykologin och därmed besluten för investeringar som görs idag.
Däremot tror jag tyvärr inte på denna metod för att förklara eller förutspå mer eller mindre kaosartade naturliga processer.
#25
Din uppfattning är inte ovanlig, och där går våra uppfattningar isär.
#33
Tack. Det blir nog det svar jag får.
Återkommer med jämförelse på annan plats.
#34 G Oxenstierna
Ok, jag tror jag förstår nu. Det du säger är alltså: Givet att vi inte har en paus under den senaste 6 åren, vad är sannolikheten att vi skulle mäta det vi mätt under dessa 6 år av en slump och kommer fram till att det vore osannolikt. i.e. vi har en paus just nu.
Men vad säger då det? Det säger ju inget om varför vi har en paus (den skulle ju kunna ha slumpmässig orsak).
Jämför med att slå tre tärningar och se att det blir tre sexor och fråga sig om det är ett statistiskt signifikant resultat ie kan vi lita på att det verkligen blev 3 sexor. Då blir ju nollhypotesen, givet att det inte var tre sexor vi slog, vad är sannolikheten att vi ändå ser/mäter tre sexor på tärningarna. Troligen är den ganska liten, men man kan tänka sig att det finns en liten sannolikhet att man har smuts på glasögonen som gör att man ser fel, att det är smuts på tärningen som gör att det som egentligen är en femma ser ut som en sexa etc.
Man gör en massa beräkningar och kommer fram till att det är ett statistiskt signifikant resultat, det är osannolikt att vi ser tre sexor om vi inte slagit det. Men att vi slog tre sexor och inte en trea, etta och tvåa kan ju fortfarande bero på slumpen.
Kommer co2-halten också vända ned efter att temperaturen gjort det? Med vilken fördröjning ungefär?
Många menar att ENSO-effekten orsakar ”pausen” (beroende variabel) då temp rusat iväg uppåt” i förväg”, dvs effekten har stört den underliggande trenden. Ser man ”pausen” på detta vis innebär det en slags konsolidering av de ”två” olika processerna, ENSO resp underliggande ”bastrend”som skapar en ”broms” i utvecklingen.
Om nu El Nino är en så stark faktor i temp utvecklingen hur verkar då dess syskon La Nina som verkar åt det andra hållet? Klart är väl att vi inte ser samma fenomen där då La Nina verkar tvärt emot underliggande trend.
En snabb blick på vad som händer efter en El Nino-topp är en paus som ser ut att likna en triangel med en tämligen vågrätt bas (1998 resp 2016). Så om triangeln efter 1998 skulle vara typisk talar det för att temperaturen idag inte fortsätter ner under lågvärdet 2021! Men det är förstås endast en spekulation……men spännande sådan!
#39 Stefan
Bra fråga!
Den senaste månadsstatistiken för CO2 skrev jag om i Öppen tråd nu senast:
https://klimatupplysningen.se/oppen-trad-446/#comment-420393
Ser ut som att din fundering kan infrias, om trenden står sig. Ännu för tidigt att säga säkert, men jag kommer att följa upp det månad för månad.
Laggen mellan ENSO och CO2 brukar anges till cirka 4-5 månader.
Se även min artikel här på KU om detta:
https://klimatupplysningen.se/varfor-avtar-okningen-av-co2-halten-nu/
#40 Thorleif
Om du bara har ENSO att ta med i beräkningen, stämmer din observation.
Men ENSO är länkad till andra havsfenomen, såsom PDO. Denna har nyligen slagit över i negativ fas, vilket kan komma att påverka temperaturutvecklingen.
https://stateoftheocean.osmc.noaa.gov/atm/pdo.php
#42 Gabriel
Jag säger inte emot. Bara en observation. AMO (#1 ovan) torde snart ligga kring 0-strecket och inleda sin negativa amplitud-fas.
https://notalotofpeopleknowthat.wordpress.com/2013/10/21/amo-pdo-cycles/
Har du tillgång till uppdaterade grafer, t.ex där man redovisar det aktuella läget idag och gärna med försök till att ”avtrenda” havsströmmarna (cirkulationerna) från ev underliggande trend?
Jag är så gammal att jag väl minns det ofta instabila och klart kyligare somrarna här i skärgården jmf med den sista säg 20-30 åren. De senaste 3-4 åren har jag känt av en termisk förändring mot lite mer instabilitet. Det jag ännu ”saknar” från 70-talet är lite mer regn och nordvindar under just sommaren. En viss mindre förskjutning mot nord och ost har jag dock noterat mot den allenarådande sv-vinden här på ostkusten. Men jag har inte dokumenterat detta fenomen. SMHI torde veta.
Gabriel
Jag noterade dina länkar i #18 och ser korrelationerna men jag är inte tillräckligt kunnig för att tolka hur de konstruerat data-”detrenden”.
När det gäller AMO har du säkert noterat att vår stjärna i Climategate, MM, gett sig in och försökt externeralisera AMO som ett resultat av dels vulkaner, dels industrialiserings-processer, dvs föroreningar inkl koldioxid.
Här skriver vår J Curry en bra sammanfattande lägesbeskrivning och avslutande tolkning av MM’s argument. Läsvärt som alltid av Curry.
https://judithcurry.com/2021/03/06/canceling-the-amo/