Zoeken
Zoeken kan via de modus 'eenvoudig zoeken' (één veld) of uitgebreid via 'geavanceerd zoeken' (meerdere velden). Zo kan je bv. zoeken op een combinatie van een auteursnaam (auteur), een jaartal (jaar) en een documenttype.
Boekenmand
Nuttige resultaten kan je aanvinken en toevoegen aan een mandje. De inhoud hiervan kan je exporteren of afdrukken (naar bv. PDF).
RSS
Op de hoogte blijven van nieuw toegevoegde publicaties binnen uw interessegebied? Dit kan door een RSS-feed (?) te maken van jouw zoekopdracht.
nieuwe zoekopdracht
Robust detection of forced warming in the presence of potentially large climate variability
Sippel, S.; Meinshausen, N.; Székely, E.; Fischer, E.; Pendergrass, A.G.; Lehner, F.; Knutti, R. (2021). Robust detection of forced warming in the presence of potentially large climate variability. Science Advances 7(43): eabh4429. https://dx.doi.org/10.1126/sciadv.abh4429
In: Science Advances. AAAS: New York. ISSN 2375-2548; e-ISSN 2375-2548
|   |
| Auteurs | | Top |
- Sippel, S.
- Meinshausen, N.
- Székely, E.
- Fischer, E.
|
- Pendergrass, A.G.
- Lehner, F.
- Knutti, R.
|
|
| Abstract |
Climate warming is unequivocal and exceeds internal climate variability. However, estimates of the magnitude of decadal-scale variability from models and observations are uncertain, limiting determination of the fraction of warming attributable to external forcing. Here, we use statistical learning to extract a fingerprint of climate change that is robust to different model representations and magnitudes of internal variability. We find a best estimate forced warming trend of 0.8°C over the past 40 years, slightly larger than observed. It is extremely likely that at least 85% is attributable to external forcing based on the median variability across climate models. Detection remains robust even when evaluated against models with high variability and if decadal-scale variability were doubled. This work addresses a long-standing limitation in attributing warming to external forcing and opens up opportunities even in the case of large model differences in decadal-scale variability, model structural uncertainty, and limited observational records. |
IMIS is ontwikkeld en wordt gehost door het VLIZ.
