Open Access

Andreas Walter, Christian-Dietrich Schönwiese

• The climate system can be regarded as a dynamic nonlinear system. Thus traditional linear statistical methods are not suited to describe the nonlinearities of this system which renders it necessary to find alternative statistical techniques to model those nonlinear properties. In addition to an earlier paper on this subject (WALTER et al., 1998), the problem of attribution and detection of the observed climate change is addressed here using a nonlinear Backpropagation Neural Network (BPN). In addition to potential anthropogenic influences on climate (CO2-equivalent concentrations, called greenhouse gases, GHG and SO2 emissions) natural influences on surface air temperature (variations of solar activity, volcanism and the El Niño/Southern Oscillation phenomenon) are integrated into the simulations as well. It is shown that the adaptive BPN algorithm captures the dynamics of the climate system, i.e. global and area weighted mean temperature anomalies, to a great extent. However, free parameters of this network architecture have to be optimized in a time consuming trial-and-error process. The simulation quality obtained by the BPN exceeds the results of those from a linear model by far; the simulation quality on the global scale amounts to 84% explained variance. Additionally the results of the nonlinear algorithm are plausible in a physical sense, i.e. amplitude and time structure. Nevertheless they cover a broad range, e.g. the GHG-signal on the global scale ranges from 0.37 K to 1.65 K warming for the time period 1856-1998. However the simulated amplitudes are situated within the discussed range (HOUGHTON et al., 2001). Additionally the combined anthropogenic effect corresponds to the observed increase in temperature for the examined time period. In addition to that, the BPN succeeds with the detection of anthropogenic induced climate change on a high significance level. Therefore the concept of neural networks can be regarded as a suitable nonlinear statistical tool for modeling and diagnosing the climate system.
• Das Klimasystem kann als ein äußerst dynamisches nicht-lineares System angesehen werden. Aus diesem Grund erweisen sich traditionelle lineare statistische Methoden zur Beschreibung dieses Systems als nur bedingt geeignet, was erfordert, alternative statistische Modelle zu konzipieren, welche diese nichtlinearen Eigenschaften modellieren können. In Weiterführung einer früheren Arbeit zu diesem Thema (WALTER et al., 1998) wird hier ein nichtlineares Backpropagation Netzwerk (BPN) zur klimatologischen Signalanalyse und der Detektion des anthropogenen Treibhauseffektes eingesetzt. Neben potentiellen anthropogenen Einflüssen auf das Klima (CO2-Äquivalentkonzentrationen sog. Treibhausgase, engl. Greenhouse gases, GHG und SO2- Emissionen) werden auch natürliche Einflüsse auf die bodennahe Lufttemperatur (Variationen der solaren Aktivität, Vulkanismus und das El Niño/Southern Oscillation Phänomen) mit in die Simulation integriert. Es zeigt sich, dass das adaptive BPN in der Lage ist, die Dynamik des Klimasystems, d.h. Anomalien der globalen und regionalen bodennahen Mitteltemperatur, zu einem Großteil zu erfassen und zu modellieren. Freie Parameter der Netzwerkarchitektur müssen hierzu jedoch in einem zeitaufwendigen Prozeß optimiert werden. Die mit dem BPN erzielte Simulationsgüte übertrifft jedoch die eines linearen Modells bei weitem; die Simulationsgüte auf der globalen Skala beträgt 84% erklärte Varianz. Zudem sind die erhaltenen Signalverläufe sowohl in ihrer Amplitude als auch in ihrer Zeitstruktur physikalisch plausibel. Jedoch decken diese Signale einen breiten Bereich ab; so liegt das GHG-Signal auf der globalen Skala in einem Bereich von 0,37 K bis 1,65 K Erwärmung. Die erzielten Signalstärken liegen jedoch in dem in der Literatur diskutierten Bereich (HOUGHTON et al., 2001). Der kombinierte anthropogene Effekt entspricht weitestgehend dem beobachteten Anstieg der bodennahen Lufttemperatur im untersuchten Zeitraum 1856-1998. Weiterhin gelingt mit Hilfe der BPN-Architektur die Detektion des anthropogen verursachten Klimawandels auf einem hohen Signifikanzniveau. Aus diesen Gründen kann das Konzept der Neuronalen Netzwerke als ein alternatives, nichtlineares, statistisches Verfahren zur Modellierung und der Diagnose des Klimasystems angesehen werden.