distinguishing the effects of internal and forced atmospheric variability in climate networks

تمييز تأثيرات التغيرية الجوية الداخلية والقسرية في شبكات المناخ

Clicks: 28
ID: 239193
2014
Free PDF
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Steady

Ranked #166 of 169 articles by views in BMC research notes

Most read Least read

Bar heights use a square-root scale. Only the 120 most-read articles are drawn; the journal has 169 in total.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
The fact that the climate on the earth is a highly complex dynamical system is well-known. In the last few decades great deal of effort has been focused on understanding how climate phenomena in one geographical region affects the climate of other regions. Complex networks are a powerful framework for identifying climate interdependencies. To further exploit the knowledge of the links uncovered via the network analysis (for, e.g., improvements in prediction), a good understanding of the physical mechanisms underlying these links is required. Here we focus on understanding the role of atmospheric variability, and construct climate networks representing internal and forced variability using the output of an ensemble of AGCM runs. A main strength of our work is that we construct the networks using MIOP (mutual information computed from ordinal patterns), which allows the separation of intraseasonal, intra-annual and interannual timescales. This gives further insight to the analysis of climatological data. The connectivity of these networks allows us to assess the influence of two main indices, NINO3.4 – one of the indices used to describe ENSO (El Niño–Southern oscillation) – and of the North Atlantic Oscillation (NAO), by calculating the networks from time series where these indices were linearly removed. A main result of our analysis is that the connectivity of the forced variability network is heavily affected by "El Niño": removing the NINO3.4 index yields a general loss of connectivity; even teleconnections between regions far away from the equatorial Pacific Ocean are lost, suggesting that these regions are not directly linked, but rather, are indirectly interconnected via El Niño, particularly at interannual timescales. On the contrary, on the internal variability network – independent of sea surface temperature (SST) forcing – the links connecting the Labrador Sea with the rest of the world are found to be significantly affected by NAO, with a maximum at intra-annual timescales. While the strongest non-local links found are those forced by the ocean, the presence of teleconnections due to internal atmospheric variability is also shown.
من المعروف جلياً أن المناخ على كوكب الأرض يمثل نظاماً ديناميكياً بالغ التعقيد. وخلال العقود القليلة الماضية، كُرّس قدر كبير من الجهد لفهم الكيفية التي تؤثر بها الظواهر المناخية في منطقة جغرافية معينة على مناخ مناطق أخرى. وتُعد الشبكات المعقدة إطاراً قوياً لتحديد أوجه الاعتماد المناخي المتبادل. ولزيادة الاستفادة من المعرفة المتعلقة بالروابط التي يكشف عنها تحليل الشبكات (على سبيل المثال، لتحسين دقة التنبؤات)، يلزم التوصل إلى فهم دقيق للآليات الفيزيائية الكامنة وراء هذه الروابط. نركز في هذا العمل على فهم دور التقلبية الجوية، ونقوم ببناء شبكات مناخية تمثل التقلبية الداخلية والقسرية باستخدام مخرجات مجموعة من عمليات محاكاة نماذج الدوران العام للغلاف الجوي (AGCM). وتتمثل إحدى نقاط القوة الرئيسة في دراستنا في بناء الشبكات باستخدام مقياس المعلومات المتبادلة المحسوبة من الأنماط الترتيبية (MIOP)، وهو ما يتيح الفصل بين المقاييس الزمنية داخل الفصلية، وداخل السنوية، والمتعددة السنوات (بين السنوية)، مما يوفر رؤية أعمق لتحليل البيانات المناخية. وتتيح لنا ترابطية هذه الشبكات تقييم تأثير مؤشرين رئيسين: مؤشر نينيو 3.4 (NINO3.4) – وهو أحد المؤشرات المستخدمة لتوصيف ظاهرة النينيو-التذبذب الجنوبي (ENSO) – ومؤشر تذبذب شمال الأطلسي (NAO)، وذلك عبر حساب الشبكات انطلاقاً من سلاسل زمنية خضعت لعملية إزالة خطية لهذين المؤشرين. وتتمثل النتيجة الرئيسة لتحليلنا في أن ترابطية شبكة التقلبية القسرية تتأثر بشدة بظاهرة "النينيو"؛ إذ يؤدي استبعاد مؤشر NINO3.4 إلى فقدان عام في الترابطية؛ حتى أن الروابط عن بُعد بين المناطق النائية عن المحيط الهادئ الاستوائي تتلاشى، مما يشير إلى أن هذه المناطق ليست مترابطة بشكل مباشر، بل ترتبط ببعضها ارتباطاً غير مباشر عبر ظاهرة النينيو، ولا سيما عند المقاييس الزمنية بين السنوية. وعلى العكس من ذلك، ففي شبكة التقلبية الداخلية – المستقلة عن القسر الناتج عن درجة حرارة سطح البحر (SST) – وُجد أن الروابط التي تربط بحر لابرادور ببقية العالم تتأثر تأثراً كبيراً بتذبذب شمال الأطلسي، وتبلغ ذروتها عند المقاييس الزمنية داخل السنوية. وفي حين أن أقوى الروابط غير الموضعية المكتشفة هي تلك الناجمة عن القسر المحيطي، إلا أن وجود روابط عن بُعد ناتجة عن التقلبية الجوية الداخلية قد أُثبت أيضاً.
Reference Key
deza2014nonlineardistinguishing Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors J. I. Deza, C. Masoller, M. Barreiro
Are you one of these authors? Claim your profile
Journal BMC research notes
Year 2014
DOI
10.5194/npg-21-617-2014
URL
http://www.nonlin-processes-geophys.net/21/617/2014/npg-21-617-2014.pdf
Keywords
cosmic physics sciencephysicsgeophysics

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.