.
Uma nova pesquisa liderada pela Universidade de East Anglia (UEA) reduz a incerteza nas mudanças climáticas futuras ligadas à estratosfera, com implicações importantes para a vida na Terra.
A mudança climática causada pelo homem é um dos maiores desafios que enfrentamos hoje, mas a incerteza na magnitude exata da mudança global dificulta respostas políticas eficazes.
Uma fonte significativa de incerteza refere-se a mudanças futuras no vapor de água na estratosfera, uma região extremamente seca da atmosfera 15-50 km acima da superfície da Terra.
Os futuros aumentos no vapor de água aqui correm o risco de amplificar as mudanças climáticas e retardar a recuperação da camada de ozônio, que protege a vida na Terra da radiação ultravioleta solar prejudicial.
Agora, uma equipe internacional liderada por Peer Nowack, até recentemente membro da Unidade de Pesquisa Climática da UEA, desenvolveu uma nova abordagem de aprendizado estatístico que combina informações de observações de satélite com dados de modelos climáticos de última geração para reduzir o alcance de prováveis quantidades futuras de vapor d’água estratosférico.
Um dos principais resultados, publicado hoje na revista Nature Geoscience, exclui efetivamente os cenários mais extremos, que implicam que as concentrações de vapor de água possam aumentar em mais de 25% por grau de aquecimento global. A nova abordagem representa uma redução de 50% no percentil 95 das respostas do modelo climático.
“A mudança climática causada pelo homem afeta a atmosfera da Terra de muitas maneiras importantes e muitas vezes surpreendentes”, disse o professor Nowack, agora no Instituto de Informática Teórica do Instituto de Tecnologia de Karlsruhe, na Alemanha.
“Em nosso artigo, analisamos as mudanças no vapor d’água estratosférico sob o aquecimento global, um efeito que ainda é pouco compreendido. Como o vapor d’água é fundamental para a física e a química da estratosfera, senti que precisávamos de uma nova abordagem para abordar este fator de incerteza de longa data.
“Com nossa nova abordagem baseada em dados, que explora as ideias de aprendizado de máquina, conseguimos fazer uso altamente eficaz das observações da Terra para reduzir essa incerteza. Isso exigiu que desenvolvêssemos uma estrutura na qual pudéssemos combinar a compreensão científica e as relações matemáticas aprendidas com dados de satélite de maneiras inovadoras.”
“Com esta abordagem, fomos capazes de mostrar que muitas projeções de modelos climáticos de mudanças muito grandes no vapor d’água estratosférico agora são inconsistentes com as evidências observacionais”, disse o co-autor Dr. EUA, especializada em medições por satélite de vapor de água estratosférico.
Quantificar as tendências do vapor de água estratosférico sob o aquecimento global é um desafio de pesquisa de longa data. A complexidade dos processos subjacentes que controlam o vapor de água estratosférico e o registro relativamente curto de observações de satélite de alta qualidade dificultaram essa tarefa.
A presença dos chamados feedbacks climáticos apresenta um desafio adicional, pois eles podem atuar para amplificar ou atenuar ainda mais o aquecimento global, levando a uma gama mais ampla de possíveis aumentos futuros de temperatura.
A quantidade de vapor de água que a estratosfera contém é um exemplo de tal feedback, que os modelos climáticos previram aumentar, mas a gama de aumentos modelados permaneceu muito ampla por décadas.
Isso é importante porque grandes aumentos no vapor de água estratosférico causados pelo clima, como os projetados por muitos modelos climáticos, podem atrasar a recuperação da camada de ozônio e do buraco na Antártica ao longo deste século.
No entanto, Manoj Joshi, professor de dinâmica climática da UEA e coautor do artigo, disse: “Nossa pesquisa sugere que, embora as concentrações estratosféricas de vapor d’água ainda possam aumentar com o aquecimento global, as grandes mudanças que podem atrasar substancialmente a recuperação do ozônio são altamente improváveis.”
A pesquisa foi financiada pelo Conselho de Pesquisa do Meio Ambiente Natural do Reino Unido (NERC) por meio do projeto ML4CLOUDS.
.