PDF (диссертация) - Институт физики атмосферы им. А.М

РОССИЙСКАЯ АКАДЕМИЯ НАУК
Институт физики атмосферы им. А.М. Обухова РАН
Лаборатория теории климата
На правах рукописи
УДК 551.5
Чернокульский Александр Владимирович
АНАЛИЗ ГЛОБАЛЬНОГО ПОЛЯ ОБЛАЧНОСТИ
И СВЯЗАННЫХ С ЕГО ВАРИАЦИЯМИ
КЛИМАТИЧЕСКИХ ЭФФЕКТОВ
Специальность 25.00.29 — физика атмосферы и гидросферы
Диссертация на соискание ученой степени
кандидата физико-математических наук
Научный руководитель
член-корреспондент РАН
доктор физико-математических наук
профессор И.И. Мохов
Mосква — 2010
Оглавление
Оглавление
2
Введение
4
1 Глобальное поле облачности. Сравнительный анализ
1.1
1.2
1.3
Характеристики данных глобального поля облачности и их сравнительный анализ
11
1.1.1
Данные спутниковых наблюдений . . . . . . . . . . . . . . . . . . . . . . . . .
12
1.1.2
Данные наземных наблюдений . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
1.1.3
Данные реанализа . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
1.1.4
Результаты модельных расчетов . . . . . . . . . . . . . . . . . . . . . . . . . .
35
Анализ глобальных, зональных и региональных характеристик облачности . . . . .
38
1.2.1
Анализ среднегодового режима и его региональных особенностей . . . . . .
38
1.2.2
Диагностика годового хода облачности и анализ облачности в различные сезоны 52
1.2.3
Анализ суточного хода облачности и его региональных особенностей . . . .
65
1.2.4
Анализ различий между данными и причин этих различий . . . . . . . . . .
70
Обсуждение результатов главы 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82
2 Тенденции изменений облачности и возможные региональные последствия
2.1
Межгодовые вариации глобального поля облачности . . . . . . . . . . . . . . . . . .
2.1.1
2.2
10
86
87
Анализ тенденций изменений облачности по данным спутниковых и наземных
наблюдений . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
87
2.1.2
Оценка трендов облачности в XXI веке по модельным расчетам . . . . . . .
98
2.1.3
Изменение облачного покрова над российскими регионами . . . . . . . . . .
100
2.1.4
Связь облачности с циклонической активностью во внетропических широтах
северного полушария . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
104
Влияние изменения облачного покрова на режимы пожароопасности . . . . . . . .
110
2.2.1
Количественная оценка связи температурного режима над российскими регионами с режимами облачности . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2
2.3
Модельные оценки риска лесных пожаров в российских регионах при изменениях климата . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
113
Обсуждение результатов главы 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
121
3 Эффекты облачности при глобальных изменениях климата
3.1
110
Связь облачности с глобальным температурным режимом . . . . . . . . . . . . . . .
3.1.1
126
Количественная оценка характеристик связи облачности с изменением температуры по модельным расчетам . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.3
125
Количественная оценка характеристик связи облачности с изменением температуры по данным наблюдений и реанализа . . . . . . . . . . . . . . . . . .
3.1.2
124
132
Оценка диапазона неопределённости характеристик связи (параметра чувствительности) количества облаков с изменением температуры и его влияния
на чувствительность климата . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2
Эффекты облачности при оценках контролируемых антропогенных воздействий на
климат . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
139
3.2.1
Описание используемой энергобалансовой климатической модели . . . . . .
140
3.2.2
Оценка эффективности эмиссий сульфатных аэрозолей в стратосферу в качестве контролируемого антропогенного воздействия на климат . . . . . . .
3.2.3
3.3
135
142
Влияние облачности на оценки контролируемого антропогенного воздействия
на климат . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
150
Обсуждение результатов главы 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
153
Заключение
155
Литература
158
3
Введение
Облачность играет важную роль в земной климатической системе (ЗКС) [22, 23, 96, 132, 188,
204], участвуя в гидрологическом цикле и оказывая существенное влияние на радиационный баланс Земли. Вероятно наибольшая неопределенность оценок чувствительности ЗКС к различным
воздействиям, в том числе к изменению содержания в атмосфере парниковых газов, связана с облачностью и ее эффектами [8, 27, 30, 75, 132]. Характерные значения радиационного воздействия
(форсинга), связанного с облаками, существенно больше радиационного эффекта от удвоения содержания CO2 в атмосфере [132].
Существенно различается влияние облаков разного типа для разных регионов и сезонов (см.
напр. [83]). Облака верхнего яруса в целом способствуют усилению парникового эффекта, а облака
нижнего яруса — выхолаживанию климатической системы. При этом коротковолновый форсинг
преобладает [189, 198], и облака в целом охлаждают ЗКС, суммарный облачный радиационный
форсинг (разность радиационных потоков при облачном и безоблачном небе) на верхней границе
атмосферы, для Земли в целом может достигать −15 Вт/м2 , а среднезональные значения −40
Вт/м2 , главным образом в зоне активности циклонов внетропических широт [231]. Региональные
значения радиационного форсинга, как положительные, так и отрицательные, могут превышать
по абсолютному значению 100 Вт/м2 [118, 189]. Основные межгодовые вариации радиационного
бюджета ЗКС связаны с вариациями глобальной облачности [182]. При этом возможные вариации
облачности в связи с глобальными климатическими изменениями, могут усилить или ослабить
эти изменения (см. напр. [28]). Однако до сих пор остаются неопределенными тенденции изменений облачности. Согласно оценкам [29, 127, 163, 213] доля покрытия Земли облаками в целом
растёт вместе с глобальным потеплением, однако в других работах либо отмечается уменьшение
количества облаков [182, 229], либо тренд общей облачности является незначимым, а проявляется
сокращение количества облаков верхнего яруса [132, 196, 238].
Наиболее полные сравнения различных данных для облачности проведены в [130, 175, 197]. В
частности, в [175] наряду со спутниковыми данными Международного спутникового проекта по
климатологии облачности (International Satellite Cloud Climatology Project — ISCCP) [196] ана4
лизировались спутниковые данные, полученные с советских спутников Метеор [4], со спутника
Nimbus–7 [206] а также данные наземных наблюдений [121] и комбинированные данные спутниковых и наземных наблюдений [2]. Сравнение только спутниковых данных проведено в работах [86,
136, 174, 208, 216, 238], кроме того, спутниковые данные для облачности сравниваются в рамках
глобального эксперимента по изучению энергетического и водного циклов (Global Energy and Water cycle EXperiment — GEWEX [81]) [211]. В работах [72, 134] оценивается облачность по данным
реанализа в сравнении с данными наблюдений. Целый ряд работ (см. напр [32, 173, 230, 234, 240])
связан со сравнением климатологий облачности по данным наблюдений и по модельным расчетам.
В настоящее время существует более десятка глобальных баз данных для облачного покрова,
основанных на спутниковых и наземных наблюдениях (с различным временным и пространственным разрешением и разной длительности) и есть необходимость их детального анализа. Подобный
анализ нужен как для более адекватного понимания структуры глобального поля облачности и его
вариаций, так и для валидации климатических моделей, использующихся для оценки возможных
изменений климата.
Цели и задачи исследования
Основной целью работы является анализ глобального поля облачности по различным данным
наблюдений и модельным расчетам, а также оценка климатических эффектов, связанных с его
вариациями.
Основые задачи исследования:
• оценка современного состояния глобального поля облачности в разные сезоны, разное время
суток, над разной подстилающей поверхностью на основе различных данных спутниковых и
наземных наблюдений, а также данных реанализа и результатов расчётов с использованием
глобальных климатических моделей (всего более 40 источников);
• анализ наблюдаемых изменений облачности за последние десятилетия и оценка возможных
изменений облачности в XXI в.;
• анализ региональных изменений облачности, в частности над российскими регионами, оценка
связи этих изменений с циклонической активностью;
• количественная оценка связи температурного режима поверхности с режимами облачности,
оценка влияния облачности на режимы пожароопасности;
5
• оценка взаимосвязи количества облаков с изменениями температурного режима Земли, количественная оценка влияния облачности в вопросах контролируемого антропогенного влияния
на климат.
Методы исследования
Основные результаты диссертационной работы получены с использованием различных современных статистических методов сравнения данных. Часть данных, используемых для анализа,
получена с помощью численного моделирования климатической системы с использованием как
глобальных, так и региональных климатических моделей. В главе 3 для оценки контролируемого
антропогенного влияния на климат использовалась глобальная энергобалансовая модель климата.
Основные положения выносимые на защиту
1. Оценка диапазона глобальных и региональных значений общего количества облаков на основе современных данных, выявление общих закономерностей и основных различий между
этими данными, анализ причин выявленных различий;
2. количественная оценка трендов облачности в последние десятилетия на основе современных
данных наблюдений, оценка изменений облачности над российскими регионами;
3. выявление связи изменений облачности с изменением циклонической активности в средних
широтах Северного полушария;
4. количественная оценка связи температурного режима поверхности и режимов пожароопасности с режимами облачности;
5. оценка взаимосвязи количества облаков с изменениями глобальной температуры на основе
современных данных наблюдений и модельных расчётов;
6. получение аналитических решений глобально-осреднённой энергобалансовой модели для оценки эффективности контролируемого воздействия на климат в результате эмиссий сульфатных аэрозолей в стратосферу в зависимости от различных управляющих параметров, в том
числе связанных с облачностью.
6
Научная новизна
• Впервые проведено сравнение глобального поля облачности, полученного на основе современных данных, в том числе спутниковых измерений (как пассивных, так и активных), наземным наблюдений, различных данных реанализа и расчётов с использованием глобальных
моделей климата;
• на основе современных данных проведена оценка наблюдаемых трендов облачности, в том
числе оценка изменений облачности над российскими регионами в последние десятилетия,
количественно оценена связь изменений облачности с изменением циклонической активности;
• получены количественные оценки изменений риска пожароопасности в российских регионах
в XXI веке по результатам расчётов с использованием региональной климатической модели;
• на основе современных данных получено количественное значение параметра связи между
облачностью и глобальной температурой;
• впервые получены аналитические решения для оценки эффективности контролируемого воздействия на климат в результате эмиссий сульфатных аэрозолей в стратосферу в зависимости
от различных управляющих параметров, в том числе связанных с облачностью.
Научная и практическая значимость
Полученные результаты могут использоваться при анализе глобальных и региональных климатических изменений, при валидации климатических моделей, при решении вопросов рационального природопользования в условиях изменяющегося климата, при оценке контролируемого
антропогенного влияния на климат.
Личный вклад автора
Автор принимал участие во всех этапах работы, в том числе в формулировке задач и интерпретации полученных результатов. Основные результаты диссертационной работы и необходимые
для этого расчеты получены и проведены автором лично.
Апробация работы
Результаты работы докладывались автором как на российских, так и на международных научных конференциях, школах и семинарах, в том числе на семинарах Лаборатории теории климата
7
и Отдела исследований климатических процессов ИФА им. А.М. Обухова РАН; на Всероссийской
конференции «С.П. Хромов и синоптическая метеорология» (Москва, 2004); на Международной
школе по изучению атмосферы ERCA-2006 (Франция, Гренобль, 2006); на пяти ежегодных Всероссийских конференциях молодых ученых «Состав атмосферы. Атмосферное электричество. Климатические процессы»: САТЭП и МАПАТЭ (Звенигород, Нижний Новгород, Борок, 2006–2010 гг.);
на двух Международных симпозиумах стран СНГ «Атмосферная радиация и динамика» (СанктПетербург, 2006 и 2009 гг.); на Международном симпозиуме «Физика атмосферы: наука и образование» (Санкт-Петербург, 2007 гг.); на Международной школе по экологическим исследованиям
в зоне бореальных лесов (Нелидово, 2007); на Генеральной ассамблее Европейского геофизического союза (Австрия, Вена, 2008 и 2010 гг); на двух Российских конференциях «Современные
проблемы дистанционного зондирования Земли из космоса» (Москва, 2008, 2009) на Международной конференции по вычислительно–информационным технологиям для наук об окружающей
среде CITES-2009 (Красноярск, 2009); на Международной школе по изучения роли водяного пара
в климатической системе (Франция, Каргезе, 2009); на Всероссийской конференции «Михаил Арамаисович Петросянц и современные проблемы метеорологии и климатологии» (Москва, 2009) на
Международном семинаре группы GEWEX по оценке облачности на основе спутниковых данных
(Германия, Берлин, 2010); на пятой Международной конференции «Физика атмосферы, климат
и окружающая среда» (Санкт-Петербург, 2010); на Международной конференции по измерениям,
моделированию и информационным системам для изучения окружающей среды: ENVIROMIS2010 (Томск, 2010).
Структура диссертации
Диссертационная работа состоит из трех глав, оглавления и заключения, содержит 68 рисунков
и 25 таблиц, список цитируемой литературы состоит из 240 наименований.
Во введении обосновывается актуальность темы диссертации, сформулированы цели и задачи
работы, перечислены основные результаты работы.
Первая глава посвящена анализу современного состояния глобального поля облачности. В
разделе 1.1 проводится обзор современных данных для облачности, в том числе данных спутниковых и наземных наблюдений, различных данных реанализа и расчетов с глобальными климатическими моделями. В разделе 1.2 проводится анализ современного состояния глобального
поля облачности. Определен диапазон глобальных, полушарных и зональных значений общей облачности, отдельно над сушей и отдельно над океаном. Определены амплитуды сезонного и суточного хода облачности, выявлены области, где проявляются основные различия между разными
8
данными, проведен анализ причин отмеченных неопределённостей. В разделе 1.3 обсуждаются
основные результаты, полученные в первой главе.
Вторая глава диссертации посвящена анализу межгодовым вариациям глобального поля облачности и региональных климатических последствий, связанных с этими вариациями. В разделе 2.1 проводится анализ межгодовой изменчивости и трендов облачности по данным наблюдений
и по модельным расчётам. Определены значения наблюдаемых трендов облачности для различных
широтных зон, определён диапазон возможных изменений облачности в XXI в. Проведён анализ
изменений облачности в российских регионах. В разделе 2.2 анализируется связь облачности
с температурным режимом подстилающей поверхности. Получены оценки влияния количества
облаков на значения максимальной температуры для различных российских регионов в разные
периоды года. В качестве возможных региональных последствий изменения облачности проведена оценка изменения индексов пожароопасности в российских регионах в XXI в. В разделе 2.3
обсуждаются основные результаты, полученные во второй главе.
Третья глава диссертации посвящена анализу эффектов облачности при глобальных изменениях климата. В разделе 3.1 получен диапазон оценок глобальных и полушарных значений
коэффициента линейной регрессии среднегодовой облачности на глобальную приповерхностную
температуру по данным наблюдений, данным реанализа и по модельным расчётам для XX и
XXI вв. отдельно для суши и океана. В разделе 3.2 оценивается влияние облачности при контролируемом антропогенном воздействии на климат. Получены оценки эффективности компенсации
глобального потепления за счет эмиссий сульфатных аэрозолей в стратосферу в зависимости от
различных управляющих параметров.
В разделе 3.3 обсуждаются основные результаты, полученные в третьей главе.
В заключении приводятся основные выводы диссертационной работы.
Основные результаты диссертации опубликованы в работах [33, 34, 39–41, 50–53, 55–62, 87–
95, 107–110, 164–172], в том числе в 9 работах, вышедших в рецензируемых изданиях.
9
Глава 1
Глобальное поле облачности.
Сравнительный анализ
1.1
Характеристики данных глобального поля облачности и их сравнительный анализ
Для анализа характеристик глобального поля облачности в работе использовались различные
данные современных спутниковых и наземных наблюдений, данные реанализа и результаты расчетов с глобальными климатическими моделями. Общая информация о данных представлена в
табл. 1.1.
Таблица 1.1. Характеристики использовавшихся баз данных для облачности
База данных
Период
Разрешение Примечания
данных
Спутниковые данные
ISCCP
07/1983–06/2008
2,5◦
UW HIRS
01/1979–12/2001
1◦
Без областей выше 84◦
Patmos–X
01/1982–05/2008
0,5◦
02/2000–12/2009
Terra
MODIS
1◦
07/2002–12/2009
Aqua
02/2000–08/2007
Terra
CERES
1◦
07/2002–08/2007
Aqua
SCIAMACHY–FRESCO
Без регионов со снежной и ледовой подстила08/2002–06/2009
0,25◦
ющей поверхностью
PARASOL–POLDER
03/2005–10/2009
100
Без областей с условиями полярной ночи
◦
AIRS–LMD
01/2003–12/2008
1
CALIPSO–GOCCP
01/2007–12/2008
1◦
Без областей выше 80◦
◦
MISR
01/2001–12/2008
1
Без областей выше 84◦ и без областей с условиями полярной ночи
◦
ATSR–GRAPE
06/1995–12/2000
1
Без областей с условиями полярной ночи
Данные наземных наблюдений
01/1971–12/1996
5◦
суша
EECRA
◦
◦
01/1954–12/1997
5 –10
океан
CRU
01/1971–12/2002
0,5◦
суша (без Антарктиды)
◦
ICOADS
01/1960–05/2007
1
океан
Данные реанализа
ERA–40
01/1957–08/2002
2,5◦
ERA–Interim
01/1989–12/2009
1,5◦
NCEP/NCAR
01/1948–12/2008
≈1,9◦
NCEP/DOE
01/1979–01/2008
≈1,9◦
MERRA
01/1979–03/2009
0,5◦ ×0,67◦
JRA–25
01/1979–12/2009
2,5◦
Данные расчетов с использованием глобальных климатических моделей
22 глобальных модели климата и среднее по
CMIP 3
XX–XXI вв.
≈1,125◦ –5◦
ансамблю моделей
КМ ИФА РАН
XX в.
4,5◦ ×6◦
11
1.1.1
Данные спутниковых наблюдений
Впервые спутниковые метеорологические измерения начались после запуска третьего советского искусственного спутника Земли в 1958 г. [9]. История спутниковых данных насчитывает
более 50 лет [45], однако, существующие в настоящее время ряды данных для глобального поля
облачности короче минимум в два раза, они различаются между собой как способом наблюдения
(пассивным и активным), так и алгоритмом определения облаков. В табл. 1.2 представлена общая
информация об использовавшихся данных спутниковых наблюдений за облачностью.
Таблица 1.2. Спутниковые данные для облачности, использовавшиеся при анализе
Данные
ISCCP
UW HIRS
Спутники Каналы
ПС
ПС
(EOS)
CERES
4–7
–
Спектральный пороговый тест, тест на пространственную и временную однородность
ИК(6)
П
02:00,
14:00
19–35
2240
Определение температуры пиксела и его высоты
по профилю CO2
В(1)+БИК(1)+ИК(3)
П
В(2)+БИК(4)+ИК(8)
П
02:00, 07:00 1–4
14:00, 19:00 ≈3000
В(1)+ИК(1)
П
(NOAA)
MODIS
каждые
3 часа
ПС+ГС
(NOAA)
Patmos–X
Алгоритм
видимый (В), ближний инфракрасный (БИК), инфракрасный (ИК)
ПС
Способ наблюдения
пассивный (П), активный (А)
ПС
В(1)+БИК(1)+ИК(3)
П
SCIAMACHY– ПС
В(1)+БИК(3)
(ENVISAT)
FRESCO
П
(EOS)
PARASOL–
POLDER
ПС
AIRS–LMD
ПС
(A–Train)
(A–Train)
Время наблюдения
Пространственное
разрешение
/ ширина
полосы
обзора (км)
полярноорбитальные
(ПС),
геостационарные
(ГС)
(Местное
время (Local
time, LT)
10:30, 22:30
(T)
0,25–1
01:30, 13:30 2330
(A)
DX [196]
CO2 –slicing [239]
Серия спектральных пороговых тестов
CLAVR–X [126]
Серия спектральных пороговых тестов, тест на
пространственную и временную однородность
[69]
Серия спектральных пороговых тестов
[160]
10:00, 22:00 30–60
960
Спектральный пороговый
поглощения кислорода
В(2)+БИК(3)
П
13:30
6,2
1600
Серия спектральных пороговых тестов (в т.ч. поляризационных) при разных углах обзора
ИК(6)
П
01:30, 13:30 13,5
1600
Определение излучаемости и высоты облаков по
минимизации весовой функции, серия спектральных пороговых тестов
тест
в
окне
А–
FRESCO+ [226]
ERB & Clouds [79]
χ2 –minimizing [210]
CALIPSO–
GOCCP
ПС
(A–Train)
В(1)
А
01:30, 13:30 0,33–1
0,33–1
Восстановление профиля облаков по профилю
ослабленного обратного рассеяния и профилю молекулярной плотности
[86]
MISR
ПС
(EOS)
В(3)+БИК(1)
П
10:30
0,275
380
В(2)+БИК(1)+ИК(4)
П
10:30, 22:30 1
512
Определение высоты облачности по стереоскопическим наблюдениям, а также с использованием
пороговых тестов при разных углах обзора
RLRA [103]
ATSR–
GRAPE
ПС
(ERS)
Определение наиболее вероятного состояния облачности методом оптимальной оценки на основе
наблюдений и радиационной трансферной модели
ORAC [199]
12
ISCCP
Международный спутниковый проект по климатологии облачного покрова Земли (The International Satellite Cloud Climatology Project, ISCCP) стартовал в 1983 году [200] и в настоящее
время это наиболее полная база данных по различным характеристиками облачности и облачного радиационного воздействия. В частности, в неё входят такие характеристики облачности, как
общее количество облаков, количество облаков различных ярусов и типов, информация о верхней
границе облаков (ВГО), температуре ВГО, альбедо и т.д.
Система ISCCP включает в себя геостационарные спутники (ГС) (5 спутников расположенных
над экватором на широтах ≈ 0◦ , 65◦ в.д., 140◦ в.д., 135◦ з.д., 75◦ з.д.) (табл. 1.3) и полярно–
орбитальные спутники (ПС) на солнечно–синхронной орбите (NOAA — National Oceanic and Atmospheric Administration) (табл. 1.4). Стоит отметить, что ГС проводят наблюдения каждые 15
минут (с последующим 3-часовым осреднением), ПС — дважды в сутки, поэтому временно́е разрешение данных различно для разных территорий (в частности, для полярных и внеполярных
широт).
Облачность измеряется в двух спектральных каналах — видимом (длина волны λ ≈ 0,6 мкм) и
инфракрасном (λ ≈ 11 мкм). Временно́е разрешение составляет 3 часа, пространственное — 4–7 км
(размер единичного элемента изображения — пиксела), при этом каждый пиксел определяется либо облачным, либо безоблачным [195]. Для того, чтобы пиксел был облачным, его радиационная
(яркостная) температура (Tb ) должна быть меньше, чем Tb самого тёплого пиксела в некоторой
окрестности на пороговое значение пространственной контрастности (3,5 К для океана, 6,5 К для
суши и морского льда). Кроме того, его Tb должна быть ниже, чем в предыдущий или в последующий день на пороговое значение временно́й контрастности (3,5 К для океана и 8 К для суши
и морского льда). Также пиксел считается облачным, если его Tb (для ИК измерений) меньше
на температурное пороговое значение, чем Tb при безоблачном небе (в частности, для океана это
значение составляет 2,5 К, 4 К — для суши и морского льда, 6 К — для снега), или если альбедо
(интенсивность излучения) пиксела R (для измерения в видимом диапазоне) больше R безоблачного неба на пороговое значение (для океана оно равно 0,03, для снега, льда и суши — 0,06). При
этом значения R и Tb при безоблачном небе пересчитываются каждые 5 дней. После определения,
облачный пиксел или безоблачный, количество облаков на определенной территории рассчитывается как соотношение числа облачных пикселов к числу всех пикселов. Кроме количества облаков
также определяются температура и давление на ВГО, излучательная способность, оптическая
толщина и влагосодержание облаков [196]. В зависимости от оптической толщины и давления на
ВГО облачность подразделяется на 3 яруса и 9 типов (рис. 1.1), которые несколько отличаются
13
Таблица 1.3. Геостационарные спутники в проекте ISCCP
Спутник
GMS-1
(Himawari-1)
GMS-2
(Himawari-2)
GMS-3
(Himawari-3)
GMS-4
(Himawari-4)
GMS-5
(Himawari-5)
MTSAT-1R
(Himawari-6)
GOES-5 (E)
GOES-6 (F)
Geostationary
Meteorological
Satellite
Multifunctional
Transport Satellites
Geostationary
Operational
Environmental
Satellite
страна/
регион
Япония
Дата
Позиция
запуска
14/07/1977 140◦ в.д. (1979–1981, 1984);
160◦ в.д. (1981–1983, 1984–1989)
11/08/1981 160◦ в.д. (1981); 140◦ в.д. (1981–
1984); 145◦ в.д. (1984–1985);
120◦ в.д. (1985–1988)
03/08/1984 140◦ в.д. (1984–1989); 120◦ в.д.
(1989–1995)
06/09/1989 160◦ в.д. (1989); 140◦ в.д. (1989–
1995); 120◦ в.д. (1995–1999)
18/03/1995 160◦ в.д. (1995); 140◦ в.д. (1995–
2003)
26/02/2005 140◦ в.д. (2005–н/в)
Использование в
ISCCP
01/1984–06/1984
07/1983–07/1984
Индия
22/05/1981 75◦ з.д. (1981–1987); 106◦ з.д.
(1987–1988); 65◦ з.д. (1988–1989)
28/04/1983 135◦ з.д. (1983–1984); 108◦ з.д.
(1984–1987); 135◦ з.д. (1987–
1992)
26/02/1987 75◦ з.д. (1987–1989); 98◦ з.д.
(1989–1992; 1999); 112◦ з.д.
(1992–1995); 135◦ з.д. (1995–
1999); 175◦ з.д. (1999–н/в);
13/04/1994 75◦ з.д. (1994–2003)
23/05/1995 135◦ з.д. (1995–1998); 105◦ з.д.
(1998–2003); 155◦ в.д. (2003–
2005)
25/04/1997 105◦ з.д. (1998); 135◦ з.д. (1998–
2006); 90◦ з.д. (2007)
03/05/2000 104◦ з.д. (2000–2006); 135◦ з.д.
(2006–н/в)
27/07/2001 90◦ з.д. (2001–2003); 75◦ з.д.
(2003–н/в)
24/05/2006 105◦ з.д. (2006–н/в)
31/08/1983 74◦ в.д. (1982–1992)
Европа
19/06/1981 0◦ (1983–1988)
07/1983–08/1988
15/06/1988 1◦ в.д. (1983–1988); 49◦ з.д.
(1989, 1991–1993); 4◦ з.д. (1990–
1991); 75◦ з.д. (1993–1995);
70◦ з.д. (1995);
06/03/1989 0◦ (1989–1994)
08/1988–07/1989
01/1990–04/1990
10/1990–01/1991
05/1992–04/1995
06/1989–01/1990
04/1990–02/1994
05/1991
10/1991 02/1992
09/1992 05/1993
02/1994–02/1997
07/1998–12/2006
06/1996–10/1996
02/1997–05/1998
06/1998–н/в
США
GOES-7 (H)
GOES-8 (I)
GOES-9 (J)
GOES-10 (K)
GOES-11 (L)
GOES-12 (M)
GOES-13 (N)
INSAT-1b
Indian National
Satellite System
METEOSAT-2 Meteorological
Satellite
METEOSAT-3
METEOSAT-4 Meteosat
(MOP-1)
Operational
METEOSAT-5 Programme
(MOP-2)
METEOSAT-6
(MOP-3)
METEOSAT-7
(MTP)
METEOSAT-8
(MSG-1)
METEOSAT-9
(MSG-2)
Meteosat Transition Programme
Meteosat Second
Generation
02/03/1991 4◦ з.д. (1991–1992); 1◦ з.д.
(1991, 1992); 8◦ з.д. (1993–1997);
9◦ з.д. (1997–1998); 63◦ в.д.
(1998–2006);
20/11/1993 10◦ з.д. (1994–1997); 9◦ з.д.
(1997–1999)
02/09/1997 10◦ з.д. (1994–1997); 0◦ (1997–
2006); 57,5◦ в.д. (2006–н/в)
28/08/2002 10◦ з.д. (2002–2006); 0◦ (2006–
2007)
21/12/2005 6.5◦ з.д. (2005–2007); 0◦ (2007–
н/в)
14
07/1983–12/1983
06/1984–09/1984
09/1984–12/1989
12/1989–06/1995
06/1995–04/2003
11/2005–н/в
07/1983–01/1989
04/1987–12/1995
05/1995–03/2003
01/1996–06/1998
05/2003–10/2005
08/1998–06/2006
07/2006–н/в
04/2003–н/в
не используется
04/1988–03/1989
06/2006–05/2007
05/2007–н/в
Таблица 1.4. Полярно-орбитальные спутники на солнечно-синхронной орбите, используемые в различных базах данных для облачности
Спутник
Дата
запуска
Пересечение Высота орс эквато- биты (км) /
ром
период обра(Восходящий
щения (мин)
и
нисходя-
Использование
в
базах
данных для облачности
щий виток и
дрейф орбиты
(мин/месяц))
NOAA-5
NOAA satellites
14:30/02:30
+1,4
14:30/02:30
+1,9
1515 ± 8 / 116
UW HIRS (01/1979–01/1981)
838 ± 9 / 102
19:30/07:30
≈0
14:20/02:20
+3,4
805 ± 12 / 101
ISCCP (07/1983–02/1985)
Patmos–X (01/1982–10/1988)
UW HIRS (07/1981–12/1984)
ISCCP (10/1983–06/1984)
19:30/07:30
−1,0
13:40/01:40
+3,0
806 ± 10 / 101
19:30/07:30
−3,1
13:40/01:40
+3,4
814 ± 10 / 101
815 ± 9 / 101
18/12/1999
19:30/07:30
−2,0
14:00/02:00
+1,9
22:00/10:00
−0,1
14:00/02:00
−0,6
22:30/10:30
04/05/2002
13:30/01:30
705 ± 1 / 99
18/12/2004
13:33/01:33
705 ± 1 / 99
28/04/2006
13:31/01:31
705 ± 1 / 99
CALIPSO–GOCCP
(01/2007–н/в)
01/05/2002
22:00/10:00
±5
22:30/10:30
784 ± 1 / 100
SCIAMACHY–FRESCO
(08/2002–н/в)
ATSR–GRAPE
(06/1995–12/2000)
29/07/1976
NOAA-7
23/06/1981
NOAA-8
28/03/1983
NOAA-9
12/12/1984
NOAA-10
17/09/1986
NOAA-11
24/09/1988
NOAA-12
13/05/1991
NOAA-14
30/12/1994
NOAA-15
13/05/1998
NOAA-16
21/09/2000
NOAA-17
24/06/2002
NOAA-18
20/05/2005
Terra
(EOS–AM1)
Earth Observing System
Aqua
(EOS–PM1)
CALIPSO
ENVISAT
ERS–2
Polarization and Anisotropy of Reflectaces
for Atmospheric Sciences coupled with Observations from a Lidar
Cloud–Aerosol
Lidar
and Infrared Pathfinder
Satellite Observations
Environmental Satellite
European Remote Sensing satellite–2
A–Train
PARASOL
21/04/1995
844 ± 11 / 102
846 ± 8 / 102
854 ± 7 / 102
860 ± 7 / 102
815 ± 7 / 101
857 ± 9 / 102
705 ± 1 / 99
782 ± 1 / 100
ISCCP (01/1985–11/1988)
Patmos–X (01/1985–10/1988)
UW HIRS (01/1985–10/1988)
ISCCP (12/1986–09/1991)
ISCCP (10/1988–09/1994)
Patmos–X (11/1988–12/1994)
UW HIRS (11/1988–12/1994)
ISCCP (09/1991–12/1998)
Patmos–X (10/1991–12/1998)
ISCCP (01/1995–09/2001)
Patmos–X (01/1995–09/2001)
UW HIRS (01/1995–12/2001)
ISCCP (01/2000–07/2000)
Patmos–X (01/1999–н/в)
ISCCP (10/2001–12/2005)
Patmos–X (10/2001–12/2005)
ISCCP (07/2002–н/в)
Patmos–X (07/2002–н/в)
ISCCP (01/2006–н/в)
Patmos–X (01/2006–н/в)
MODIS (02/2000–н/в)
CERES (05/2000–12/2007)
MISR (01/2001–12/2007)
MODIS (07/2002–н/в)
CERES (06/2002–12/2007)
AIRS–LMD (01/2003–н/в)
PARASOL-POLDER
(02/2005–10/2009)
от классификации, используемой на регулярной метеорологической сети (подробнее — см. 1.1.2).
При анализе использовались данные серии D2 — среднемесячные значения облачности на регу-
15
перистые
(cirrus)
перисто-слоистые
(cirrostratus)
облака глубокой
конвекции
(deep convection)
высоко-кучевые
(altocumulus)
высоко-слоистые
(altostratus)
слоисто-дождевые
(nimbostratus)
кучевые
(cumulus)
слоисто-кучевые
(stratocumulus)
слоистые
(stratus)
440
680
1000
0
3,6
23
нижний средний верхний
давление на ВГО, гПа
ярус
50
379
оптическая толщина
Рис. 1.1. Классификация облаков в ISCCP.
лярной сетке с разрешением 2,5◦ ×2,5◦ за период с июля 1983 г. по июнь 2008 г. [194]. Согласно [196]
погрешность этих данных не превышает 0,05 (5%), лишь в летнее время для полярных регионов
она может достигать 0,1.
UW HIRS
Данные для облачности, полученные с помощью инфракрасного зондировщика высокого спектрального разрешения HIRS (High-resolution Infrared Radiation Sounder) второго поколения и обработанные в Висконсинском университете (University of Wisconsin, UW), охватывают 23-летний
период с января 1979 г. по декабрь 2001 г. с пропуском отдельных месяцев в 1980, 1981, 1985 и
1997 гг. [238].
Вертикальное зондирование инструментом HIRS, установленным на ПС NOAA (табл. 1.4), позволяет получить дневные и ночные данные в 20 спектральных каналах — 1 видимом и 19 инфракрасных (на длинах волн от 3,9 до 15 мкм) (табл. 1.5). Используются только спутники на «дневной
орбите» (пересекают экватор на восходящем витке в дневное время) (табл. 1.4). Пространственное
разрешение инструмента HIRS/2 составляет 19–35 км, ширина полосы обзора — 2240 км. Пикселы
определяются либо как облачные, либо как безоблачные.
Таблица 1.5. Спектральные каналы зондировщика HIRS
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
14,49
14,22
13,97
13,64
13,35
11,11
9,71
12.47
7.33
6.52
4.57
4,52
4.47
4.45
4.13
4.0
3.76
0.69
Используется
в UW HIRS
2
14,71
волны
1
14,95
Канал
Длина
(мкм)
−
−
−
+
+
+
+
+
−
+
−
−
−
−
−
−
−
−
−
−
При получении данных UW HIRS используется 6 инфракрасных каналов (табл. 1.5) [136, 239].
Сначала по 8 каналу (по которому измерения происходят в окне прозрачности атмосферы, при
16
λ ≈ 11,1 мкм) Tb переводится в температуру поверхности с учетом поправки на содержание водяного пара (определяется по 10 каналу). Далее полученная температура поверхности сравнивается
с температурой, полученной для этого пиксела и этого дня по данным NCEP (Nacional Center for
Enviromental Prediction) (для суши) и NESDIS (National Enviromental Satellite, Data and Information System) (для океана). Если разность не превышает 2,5 К, то пиксел считается безоблачным.
Далее для остальных пикселов восстанавливается профиль облаков с помощью 4–7 каналов (находящихся в полосе поглощения CO2 ). Используется метод так называемого «CO2 расслоения»
(CO2 –slicing) [239]. По разнице между значениями излучения, полученных на этих каналах, определяется верхняя граница облаков, при этом, если она находится на уровне ниже 1000 гПа, то
пиксел считается безоблачным, в остальных случаях — облачным. Определяется общее количество облаков и облачность на 9 уровнях (на уровне 950 гПа, 900 гПа, 800 гПа, 700 гПа, 600 гПа,
500 гПа, 400 гПа, 300 гПа, 200 гПа).
Среднемесячные данные UW HIRS для облачности представлены на регулярной сетке с разрешением 1◦ ×1◦ для всего земного шара за исключением полярных широт (полярнее 84◦ ). Проведена предварительная коррекция на дрейф спутниковой орбиты и на изменение концентрации CO2
[238].
Patmos–X
Один из наиболее длительных рядов для облачности получен при использовании данных многоканальных сканирующих радиометров высокого разрешения AVHRR (Advanced Very High Resolution Radiometer). Первый радиометр AVHRR был установлен на ПС TIROS (Television Infrared
Observation Satellites) (запущенный в 1978 году), измерения проводились в 4 спектральных каналах. С 1981 года на ПС NOAA устанавливается радиометр AVHRR второго поколения, который ведет измерения в пяти каналах — видимом (λ ≈ 0,63 мкм), ближнем инфракрасном (БИК)
(≈ 0,83 мкм) и трёх инфракрасных (≈ 3,7, 10,8 и 12 мкм) (табл. 1.6). Ширина полосы обзора
составляет 2240 км, пространственное разрешение в надире — 1–4 км [97]
Таблица 1.6. Спектральные каналы радиометра AVHRR
Канал
Длина волны (мкм)
1
0,63
2
0,83
3
3,7
4
10,8
5
12,0
В настоящее время используется несколько алгоримтов определения облачности по данным
AVHRR, в том числе CASPR (Cloud and Surface Parameter Retrieval) [144] и CLAVR (Clouds from
AVHRR) [207]. На основе этих алгоритмов построены две базы данных — AVHRR Polar Pathfinder
17
(APP) на основе CASPR и AVHRR Pathfinder Atmospheres (Patmos) на основе CLAVR [133]. Также
алгоритм определения количества облаков и их свойств разрабатывается в нашей стране (см.
напр. [5–7]). В данной работе используется расширенная база данных Patmos–X (Patmos eXtended),
которая основана на модифицированном алгоритме CLAVR–X (CLAVR eXtended) [126].
Алгоритм CLAVR–X основан на серии пороговых тестов, проводимых для каждого пиксела
отдельно над сушей и над океаном [126]. Для определения пороговых значений используется такая вспомогательная информация, как маска суши/океана (с разрешением в 1/16 градуса), маска
подстилающей поверхности (выделение пустынь) и высоты, маска климатологических среднемесячных значений таких параметров, как нормализованный относительный индекс растительности
(Normalized Difference Vegetation Index, NDVI), температура поверхности океана (ТПО), минимальная Tb для 4 канала. Изначально пиксел считается безоблачным, далее проводится ряд тестов, после которых пиксел может быть классифицирован, как облачный, смешанно–облачный,
смешанно–безоблачный и безоблачный, затем вычисляется среднее значение облачности для ячейки. Серия тестов включает в себя: пороговый тест для 2 канала над океаном (предполагается, что
облака отражают сильнее, чем океан, отдельно учитываются солнечные блики) пороговый тест
для 1 канала над сушей (в зависимости от типа подстилающей поверхности, NDVI, высоты Солнца). Также проводится пороговый тест для соотношения R2 /R1 (отдельно для океана и для суши).
Далее проводится пороговый тест для R3 (пороговые значения выделяются для океана, суши, полярных регионов). После этого проводится два пороговых теста с расчетом разницы Tb между
4 и 5 каналом и между 3 и 5 (пороговые значения различны для дня и ночи). Для ночного времени также отдельно проводятся пороговые тесты на Tb (для 3 и 4 каналов). Кроме пороговых
спектральных тестов для отдельных каналов также используются тест на пространственную однородность. Для массивов 2×2 пиксела определяются разница между максимумом и минимумом
R и Tb (для дня и ночи используются разные каналы). Если эта разница превышает определённые
пороговые значения, то безоблачные или облачные пикселы могут быть классифицированы как
смешанно-облачные или смешанно–безоблачные.
База данных Patmos–X, основанная на алгоритме CLAVR–X включает в себя среднемесячные
значения характеристик облачности (таких как общее количество облаков, количество облаков
различных ярусов, излучательная способность и влагосодержание облачности, температура и давление на ВГО) для периода с января 1982 г. по май 2008 г. для ячеек равной площади с широтным
шагом в 0,5◦ , погрешность этих данных не превышает 0,05 (5%) [133]. До середины 1991 года используются только спутники на «дневной орбите», затем используются данные, полученные также
и со спутников на «утренней орбите» (пересекают экватор утром на нисходящем витке) (табл. 1.4).
18
MODIS
Данные по облачности, полученные с использованием сканирующего спектрорадиометра среднего разрешения MODIS (The MOderate Resolution Imaging Spectroradiometer) [71] на ПС Terra
(MODIS–Terra) доступны с февраля 2000 г., а на ПС Aqua (MODIS–Aqua) — с июля 2002 г. [68, 113].
Спутники Aqua и Terra на солнечно-синхронной орбите являются частью Системы наблюдения за
Землей (Earth Observing System — EOS) Национальной администрации аэронавтики и космических исследований США (The National Aeronauticus and Space Administration — NASA) (табл. 1.4).
Спутник EOS–Aqua также является частью «созвездия» спутников «A–Train», которые находятся
на одной орбите и следуют друг за другом с разницей в несколько минут.
Измерения инструментом MODIS проводятся дважды в сутки с высоким пространственным
разрешением (0,25–1 км). Спутник Terra пересекает экватор в 10:30 по местному времени (LT) на
нисходящем витке (двигаюсь с севера на юг), а спутник Aqua в 13:30 LT на восходящем (двигаясь
с юга на север). Ширина полосы обзора инструмента MODIS составляет 2330 км.
Для определения облачности используется 14 из 36 спектральных каналов инструмента MODIS
(табл. 1.7) [69]. Алгоритм определения облаков основан на серии спектральных пороговых тестов
для отдельных пикселов, при этом пороговые значения не глобальны, а индивидуальны для каждого пиксела. Серия пороговых тестов состоит из 5 основных этапов: 1) определение плотных
облаков верхнего яруса с использованием значений Tb для 27, 31 и 35 каналов; 2) определение
тонких облаков с использованием разности Tb между каналами 31 и 32, 29 и 31, 31 и 21, 31 и 27
(последний тест особенно эффективен для определения облаков над снежным покровом, который
в свою очередь определяется по 4 и 6 каналу на спутнике Terra и по 4 и 7 каналу на спутнике Aqua [225]); 3) определение облаков нижнего яруса по пороговому тесту для R2 , R13 и R18 , а
также по разнице Tb между каналами 21 и 20; 4) определение тонких полупрозрачных облаков
верхнего яруса по пороговому тесту для R26 ; 5) дополнительный тест для определение перистых
облаков, чувствительных к излучению подстилающей поверхности. Далее, при объединении различных спектральных тестов для отдельных пикселов (для морской подстилающей поверхности
используются также дополнительные тесты на проверку временно́й (с учётом 8 предыдущих дней)
и пространственной (с учетом 8 соседних пикселов) однородности), определяются «уровни облачности»: безоблачный, преимущественно безоблачный, неопределённый и облачный [69].
В работе анализировалась серия 5 для данных MODIS–Terra и серия 5.1 для данных MODIS–
Aqua[113], которые включают в себя информацию о количестве общей облачности и облачности на
различных ярусах, оптической толщине и влагосодержанию облаков, температуре и давлению на
ВГО. Использовались среднемесячные значения характеристик облачности c пространственным
19
Таблица 1.7. Спектральные каналы инструмента MODIS
Канал
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
Разрешение
(м)
250
500
1000
Частотная
полоса (мкм)
0,620–0,670
0,841–0,876
0,459–0,479
0,545–0,565
1,230–1,250
1,628–1,652
2,105–2,155
0,405–0,420
0,438–0,448
0,483–0,493
0,526–0,536
0,546–0,556
0,662–0,672
0,673–0,683
0,743–0,753
0,862–0,877
0,890–0,920
0,931–0,941
0,915–0,965
3,660–3,840
3,929–3,989
3,929–3,989
4,020–4,080
4,433–4,498
4,482–4,549
1,360–1,390
6,535–6,895
7,175–7,475
8,400–8,700
9,580–9,880
10,780–11,280
11,770–12,270
13,185–13,485
13,485–13,785
13,785–14,085
14,085–14,385
Используется для определения облачности
+
+
−
+
−
+
+
−
−
−
−
−
−
−
−
−
−
+
+
+
+
−
−
−
−
+
+
−
+
−
+
+
−
−
+
−
MODIS
(Общая облачность, облачная тень)
(Облачность нижнего яруса)
(Характеристики снега)
(Характеристики снега (T))
(Характеристики снега (A))
(Облачность нижнего яруса)
(Облачная тень)
(Облачная тень)
(Тонкие облака)
(Тонкие перистые облака)
(Облака с высоким влагосодержанием)
(Облака со средним влагосодержанием)
(Тонкие облака)
(Облака с низким влагосодержанием)
(Облачность верхнего яруса)
CERES
+
−
−
−
−
+(T)
+(A)
−
−
−
−
−
−
−
−
−
−
−
−
+
−
−
−
−
−
−
−
−
−
−
+
+
−
−
−
−
разрешением 1◦ ×1◦ (продукты MOD08_M3 и MYD08_M3 соответственно).
CERES
Данные, полученные с помощью инструмента MODIS также используются в базе данных проекта CERES (Clouds and the Earth’s Radiant Energy System), направленного на изучение роли
облаков в формировании радиационного баланса Земли [232].
Алгоритм определения облачности в CERES [159, 160, 221] основан на 5 спектральных каналах инструмента MODIS — видимом (λ ≈ 0,64 мкм) (условно 1-й канал), БИК (λ ≈ 1,6 мкм для
спутника Terra и λ ≈ 2,1 мкм для спутника Aqua) (2-й канал) и трех инфракрасных (≈ 3,7, 11
20
и 12 мкм) (3-й, 4-й и 5-й каналы соответственно) (табл. 1.7). Для каждого пиксела проводятся
серии спектральных пороговых тестов, различные для дня и ночи. Тесты основаны на сравнении
Tb (для ИК каналов) и R (для каналов в видимом диапазоне) пиксела (а также разности Tb на
разных каналах) с соответствующими значениями Tb и R для чистого неба [84, 85]. Пороговые
значения Tb и R для чистого неба зависят от широты и долготы, высоты Солнца и угла обзора, подстилающей поверхности, в частности, пороговые значения различны для суши и океана. В
соответствии с пороговыми значениями, пикселы определятся как облачные и безоблачные. При
этом, и те и другие могут быть «сильными» или «слабыми». Первым проводится тест на проверку
температуры пиксела (по 4-му каналу), выделяются пикселы, которые очевидно холодные, чтобы
быть безоблачными: если Tb4 < Ta , то пиксел считается «сильно» облачным, при этом над сушей
Ta приравнивается к T на уровне 500 гПа, а над океаном вычисляется как Ts − 10K (где Ts —
температура поверхности океана). Далее, если Tb4 > Ta , проводятся три параллельных пороговых
теста (для дня на 1 и 4 канале, а также на разнице между 3 и 4 каналах, для ночи вместо 1 канала используется дополнительное пороговое значение для разниы между 3 и 4 каналом). Если все
три теста дали одинаковый результат (отрицательный или положительный), то пиксел однозначно
определяется как «сильно» облачный или «сильно» безоблачный. Если эти три теста дали различные результаты, то проводится еще один пороговый тест (для дня привлекаются 2 и 5 каналы,
проводится проверка на наличие снежного покрова, для ночи используется только 5 канал), по
итогам которого пиксел определяется как «слабо» облачным или «слабо» безоблачным [160, 221].
В работе использовалась данные для среднемесячных значений характеристик облачности на
регулярной сетке с пространственным разрешением 1◦ ×1◦ , доступные за период с февраля 2000 г.
по август 2007 г. для спутника Terra и с июля 2002 г. по август 2007 г. для спутника Aqua.
PARASOL–POLDER
Французский полярно–орбитальный спутник PARASOL (Polarization & Anisotropy of Reflectances
for Atmospheric Sciences coupled with Observations from a Lidar) на солнечно–синхронной орбите,
запущенный 24 декабря 2004 года, наряду со спутником EOS–Aqua является частью спутниковой
системы A–Train (табл. 1.4) [112]1 .
Основным инструментом спутника PARASOL является радиометр POLDER (POLarization and
Directionality of the Earth’s Reflectances) третьего поколения [100]. Основными особенностями радиометра является возможность проведения поляризационных наблюдений, а также наблюдений
1
2 декабря 2009 года спутник был выведен с орбиты A–Train на более низкую (ниже на 4 км), измерения
прекратились.
21
за одним пикселом под разными углами (используется 16 углов обзора). Измерения проводятся
в 9 спектральных каналах (табл. 1.8), при этом в трёх из них ведутся поляризационные измерения [112]. Пространственное разрешение составляет 6,2 км, ширина полосы обзора — 1600 км.
Измерения проводятся раз в сутки (в околополуденное время).
Таблица 1.8. Характеристики спектральных каналов радиометра POLDER
Спектральный канал
Длина волны в центре полосы (нм)
Ширина полосы (нм)
Поляризация
Используется для определения облачности
443
443,5
13,4
−
−
490
490,9
16,3
+
+
565
563,8
15,4
−
−
670
669,9
15,1
+
+
763
762,9
10,9
−
+
765
762,7
38,1
−
+
865
863,7
33,7
+
+
910
907,1
21,2
−
−
1020
1019,6
17,1
−
−
Количество облаков (также оптическая толщина, альбедо и давление на ВГО) с помощью измерений радиометром POLDER определяется согласно алгоритму «Earth Radiation Budget and
clouds» (ERB & clouds), описанному в [79, 185]. Для каждого пиксела и каждого угла обзора
проводится серия последовательных тестов, которая позволяет идентифицировать пиксел как облачный, безоблачный или неопределённый. Первым проводится тест на наблюдаемое атмосферное
давление пиксела P (определяется по соотношению R763 /R765 ). Если Ps − P < 100 гПа то пиксел
считается облачным (Ps — давление у поверхности Земли). Если нет, то проводится пороговый
спектральный тест (используется R865 для океана и R670 для суши). Если разница между R пиксела и R безоблачного неба больше 0,05, то пиксел считается облачным, если меньше, чем 0,01
то безоблачным. Далее проводятся два пороговых поляризационных теста в полосах 490 и 865,
позволяющих идентифицировать пиксел, как облачный. Последним проводится пороговый спектральный тест для отношения R865 /R670 . Если оно меньше 0,7 над океаном и больше 2,5 над
сушей, то пиксел определяется, как безоблачный. В случае, если все тесты дали отрицательный
результат, пиксел остаётся неопределённым. Далее следует повторная серия тестов для этого же
пиксела, но под другим углом обзора. Поскольку под разными углами обзора пиксел может быть
определён как облачный, так и безоблачный, проводится дополнительный пространственный разнонаправленный тест (по величинам R865 и R670 , средним для «суперпиксела», состоящего из 81
пиксела) [79].
В работе использовались среднемесячные данные по облачности PARASOL с марта 2005 г.
до октября 2009 г. на регулярной сетке с высоким пространственным разрешением 100 ×100 . Для
регионов с условиями полярной ночи данные отсутствуют.
22
AIRS–LMD
Атмосферный инфракрасный зондировщик AIRS (Atmospheric Infrared Sounder) [70], установленный на спутнике Aqua, ведёт пассивные наблюдения за атмосферой Земли в трех широких
спектральных полосах в ИК–диапазоне (3,74–4,61 мкм, 6,2–8.22 мкм и 8.8–15,4 мкм) используя
при этом 2378 узких спектральных каналов с разрешением (∆λ), определяемым из соотношения
∆λ/λ = 0, 0008. Ширина полосы обзора составляет 1600 км. С января 2003 года информация о
324 каналах инструмента AIRS архивируется в Лаборатории динамической метеорологии LMD
(Laboratoire de Météorologie Dynamique) Института Пьера-Симона Лапласа [210].
Алгоритм определения облаков AIRS–LMD основан на информации, полученной с 5 спектральных каналов (λ = 14,19, 14,002, 13,928, 13,279 и 10,901 мкм) [210], при этом определяются такие
величины облачности, как давление на ВГО (p) и излучательная способность облаков (ε), с помощью минимизации весовой функции χ2 , расчитываемой для 29 высотных уровней k (с 984 гПа до
106 гПа) и представляющей собой квадрат разности между полученным профилем излучения и
теоретическим. При этом теоретические профили, включающие в себя величины излучения чистого неба и плотных непрозрачных облаков для каждого спектрального канала, получены на основе
обработки более, чем 2000 профилей спектральной прозрачности атмосферы, определённых в рамках базы данных AIRS–TIGR (Thermodinamical Initial Guess Retrieval) [82]1 . радиозондирования.
Если минимизация функции χ2 не приводит к определению ε (для случаев с ε > 1, 5), то пиксел
определяется безоблачным. В остальных случах (их более 90%), используя температурные профили AIRS, по давлению pk вычисляется температура на k-уровне, а на основе значений p и ε
вычисляется количество облачности на трех уровнях (при p < 440 гПа облака относятся к нижнему ярусу, при 440 гПа < p < 680 гПа облака относятся к среднему ярусу, при p > 680 гПа —
к верхнему). Верхний ярус облаков также подразделяется на «непрозрачные» облака (ε > 0, 95),
перистые и тонкие перистые. Затем с использованием каналов с λ = 10, 901 и λ = 12, 183 проводится серия спектральных тестов, различная для разных ярусов облачности и разных типов
подстилающей поверхности (суша, океан, пустыня), которая также позволяет выделить безоблачные пикселы [210]. Пороговые значения для тестов получены с привлечением данных наблюдения
лидара CALIOP (Cloud–Aerosol LIdar with Orthogonal Polarization), установленного на спутнике
CALIPSO (Cloud–Aerosol Lidar and Infrared Pathfinder Satellite Observations), также, как и спутник
Aqua, входящего в спутниковую систему A–Train (табл. 1.4) [235].
В работе использовались среднемесячные значения различных характеристик облачности на
1
которые в свою очередь были получены на основе расчетов с радиационной трансферной моделью с использо-
ванием данных.
23
регулярной сетке 1◦ ×1◦ , доступные за период с января 2003 г. по декабрь 2008 г. Инструментальная
погрешность данных не превышает 0,05 (до 0,1 над пустынями и над Антарктидой) [210].
CALIPSO–GOCCP
База данных облачности CALIPSO–GOCCP (GCM–Oriented CALIPSO Cloud Product) [86] ориентирована на анализ облачности, воспроизводимой глобальными климатическими моделями (Global
Climate Model, GCM), и основана на лидарных измерениях инструментом CALIOP, установленном на полярно–орибатльном спутнике на солнечно–синхронной орбите CALIPSO, входящим в
систему спутников A–Train (табл. 1.4) [235].
Для определения облачности используется профиль ослабленного обратного рассеяния (ATtenuated Backscattered profile, ATB), полученный с помощью лидара CALIOP на длине волны 532
нм [235], а также профиль молекулярной плотности (Molecular Density profile, MD), полученный из
атмосферных профилей Годдардского центра моделирования и усвоения данных [74]. Горизонтальное разрешение ATB составляет 330 м ниже высоты 8 км и 1 км выше, вертикальное составляет
30 и 60 м соответственно (всего 583 уровня). В то же время, профили MD расчитаны для 33
вертикальных уровней, для совместного анализа и последующего определения облачности происходит пересчет на 40 вертикальных уровней (от 0 до 19 км, высота каждого уровня 480 м). Для
профилей ATB проведена коррекция с учетом соотношения сигнал/шум, из анализа исключено
около трети профилей, полученных в дневное время. Далее, с учетом совместного анализа ATB и
MD профилей в свободной от облаков атмосфере (на высоте от 22 до 25 км для ночи и от 20 до
25 км для дня)1 профиль MD пересчитывается в молекулярный профиль ослабленного обратного
рассеяния ATBM. Предполагается, что таким был бы профиль обратного рассеяния в отсутствии
облаков и аэрозолей в атмосфере. Далее, по соотношению ATB/ATBM определяется наличие или
отсуствие облаков на каждом из 40 вертикальных уровней (для пиксела с линейным размером
330 м). Если ATB/ATBM > 5, то пиксел считается облачным, при 0,01<ATB/ATBM < 1,2 пиксел
считается безоблачным, в остальных случаях он не классифицируется. Далее расчитывается общее количество облаков и количество облаков на трех уровнях — нижнем (атмосферное давление
(P ) больше 680 гПа), среднем (440 < P < 680 гПа) и верхнем (P < 440 гПа) [86].
В работе использовались среднемесячные значения облачности на регулярной сетке 1◦ ×1◦ (получены осреднением всех профилей в ячейке), доступные за двухлетний период (с января 2007 г.
по декабрь 2008 г) для всего земного шара за исключением полярных широт (выше 80◦ ).
1
В зимнее время в полярных широтах Южного полушария во избежание полярных стратосферных облаков
совместный анализ ATB и MD профилей проводится на высоте от 28,5 до 35 км
24
MISR
Следующая база данных получена с помощью многоуглового спектрорадиометра MISR (Multi–
angle Imaging Spectro–Radiometer) [102], установленного на спутнике EOS–Terra. Инструмент состоит из 9 камер, одна из них ориентирована на надирные наблюдения, остальные камеры расположены относительно надирной камеры под углами ±26,1◦ , ±45,6◦ , ±60,0◦ и ±70,5◦ , 4 камеры
направлены вперед по пути следования, 4 — назад, что позволяет наблюдать один пиксел под
разными углами с небольшим временным интервалом (между крайними камерами он составляет
около 7 минут). Разрешение камер составляет 275 м (для надирной камеры 250 м), измерения
проводятся в утреннее время (≈10:30 LT) в 4 спектральных полосах в видимом и БИК диапазоне
(с длинами волн ≈446, 558, 672 и 866 нм). Ширина полосы обзора прибора составляет 360 км,
соответственно полный цикл по времени составляет 9 дней на экваторе и 2 дня на полюсе.
Алгоритм определения облаков относительно высоты отражения (Reflecting Level Reference
Altitude, RLRA) [103] осуществляется в несколько этапов. Сначала по полученным величинам излучения (на 3 канале) на основе различий, связанных со стереоскопическими наблюдениями за
выбранной «целью» (эффект параллакса), определяется высота уровня цели, от которой получено
излучение и скорость движения воздуха на этом уровне, для этого используются наблюдения по
трем камерам (либо с углами озбора 0◦ , 45,6◦ и 70,5◦ , либо 0◦ , −45,6◦ и −70,5◦ ). В случаях разорванной облачности алгоритм позволяет определить движение воздуха на двух различных уровнях.
Итоговым продуктом стереоскопического алгоритма определения высоты облаков (Stereoscopically
Derived Cloud Mask, SDCM) является 5 типов пикселов: облачные с высоким и низким уровнем
доверия, безоблачные, поверхность Земли и неопределенные.
Далее высота облаков определяется с помощью радиометрического алгоритма «от камеры к
камере» (Radiometric Camera-by-camera Cloud Mask, RCCM) [104], который основан на пороговых
контрастных тестах, проводимых на 3 и на 4 каналах. Пороговые значения являются функцией
свойств поверхности (маска суша/океан1 ), угла наблюдения, склонения Солнца, азимутального
угла и времени. При этом пороговые значения обновляются каждые 16 дней (для снега и льда
— каждые 4 дня). Итоговым продуктом объединением алгоритмов RCCM является разделение
пикселов на 5 типа: облачные и безоблачные (с высоким и низким уровнем доверия каждый) и
неопределенные.
Следующим применяется алгоритм определения облачности с учетом углового признака (Angular Signature Cloud Mask, ASCM) [101], основанный на спектральных пороговых тестах, при1
с выделением глубинных областей и областей с низким уровнем океана, а также областей с распространением
снега и льда
25
меняемых для разности излучения между 1 и 4 каналами и между 1 и 3 каналами. Пороговые
значения зависят от подстилающей поверхности, высоты Солнца и времени года. Алгоритм ASCM
позволяет выявить перистые облака, которые практически прозрачны для наблюдений при длинах волн меньше 1 мкм (т.е. для инструмента MISR) за счет чувствительности разности между
каналами к изменению в Рэлеевском рассеянии, которое уменьшается в перистых облаках. Результатом алгоритма ASCM является разделение пикселов на 5 типов: облачные и безоблачные (с
высоким и низким уровнем доверия каждый) и неопределенные.
Далее, на основе трех алгоритмов SDCM, RCCM и ASCM для области в 17,6 км2 определяется количество облаков на трех уровнях и общее количество облаков. В работе использовались
среднемесячные данные для облачности на регулярной сетке 1◦ ×1◦ за период с января 2001 г.
по декабрь 2007 г. для всего земного шара за исключением полярных широт (выше 84◦ ), также
данные отсутствуют для регионов с условиями полярной ночи.
ATSR–GRAPE
Следующая база данных получена с помощью радиометра ATSR (Along–Track Scanning Radiometer) второго поколения [177], установленного на европейском ПС ERS–2 (European Remote
Sensing satellite — 2), который был запущен 21 апреля 1995 года. Дистанционное зондирование проводится двумя камерами, одна направлена в надир, другая — вперед по ходу движения спутника
(под углом 35◦ к надирной камере), измерения проводятся в 7 спектральных каналах в видимом,
БИК и ИК диапазонах (табл. 1.9). Пространственное разрешение составляет 1 км для надирной
камеры и 1,5–2 км для впередсмотрящей камеры. Ширина полосы обзора прибора составляет 512
км.
Таблица 1.9. Спектральные каналы радиометра ATSR
Канал
Длина волны (мкм)
1
0,55
2
0,67
3
0,87
4
1,6
5
3,7
6
10,8
7
12,0
В работе использовались данные ATSR–GRAPE (Global Retrieval of ATSR cloud Parameters and
Evaluation project) [199] для различных характеристик облачности, которые получены с помощью
расчетного процесса ORAC (Oxford RAL (Rutherford Appleton Laboratory) Aerosols and Clouds),
при котором используются только наблюдения с помощью надирной камеры прибора ATSR–2.
ORAC основан на расчетном процессе ECP (Enhanced Cloud Processor) [187], разработанным для
инструмента SEVIRI (Spinning Enhanced Visible and Infrared Imager), установленного на ГС MSG.
Предполагается, что измерения прибором ATSR–2 ведутся в окнах прозрачности атмосферы,
следовательно, отклонения в полученной информации от ожидаемой будут связаны с облачностью
26
и аэрозолем. Стратегия получения характеристик облачности с помощью расчетного процесса
ORAC сводится к одновременному совместному расчету наиболее характерного состояния облачного слоя на основе единовременных наблюдений на всех каналах (R для каналов в видимом и
БИК диапазоне, Tb для ИК каналов), комбинируемых с величинами, рассчитанными с использованием радиационной трансферной модели (используется трехслойная модель состоящая из блоков
для видимого и ИК диапазонов).
По сути, методом оптимальной оценки (предложенной в [193]) вычисляется максимальная вероятность P = P (x|y, xb , b), где вектор x представляет определяемые параметры (оптическая толщина, размер частиц, давление на ВГА, количество облаков и температура поверхности), xb —
значения этих параметров, полученные а-приори (либо они предполагаются из каких-то общих соображений, либо получены за предыдудщий период или в соседней ячейке), b — другие параметры,
рассчитываемые моделью. Метод оптимальной оценки позволяет не только определить значение
необходимых параметров, но также оценить ошибку их определения (диапазон неопределенности).
Среднемесячные данные получены путем отбора срочных измерений (например, неопределенность
в определении давления на ВГА должна быть меньше 400 гПа, неопределенность в определении
оптической толщины должна быть меньше 80, неопределенность в размере частиц должна быть
меньше 10 мкм) [199].
В июне 2003 года на спутнике ERS–2 вышла из строя система, отвечающая за запись и пересылку данных, поэтому данные ATSR–GRAPE доступны только за период с июня 1995 г. по июнь
2003 г. (с пропуском отдельных месяцев в 1996 году). Кроме того, к началу 2001 года на борту
спутника ERS–2 вышли из строя все гироскопы (отвечают за стабилизацию спутника), поэтому
в работе использовались данные только до декабря 2000 года. Анализировались среднемесячные
значения различных характеристик облачности на регулярной сетке 1◦ ×1◦ для всего земного шара
за исключением регионов с условиями полярной ночи.
Другие данные спутниковых наблюдений за облачностью
По тем или иным соображениям, за рамками работы остались некоторые другие спутниковые
данные. В частности, данные полученные со спутников Nimbus–7 [206] и «Метеор» [4] имеют относительно длинный ряд наблюдений, однако не являются современными (функционировали до
середины 90-х гг. прошлого века). То же самое относится и к базам TOVS (TIROS Operational
Vertical Sounder) path A [214] и TOVS path B [209], основанных на данных, полученных с инструментов HIRS и MSU (Microwave Sounding Unit), которые установлены на полярно–орбитальных
спутниках NOAA, и до сих пор функционируют, однако данные представлены только до 1995 года.
27
Из-за отсутствия среднемесячных значений для облачности, не анализировались данные, полученные с помощью пассивного дистанционного зондирования инструментом MERIS (Medium–
Resolution Imaging Spectrometer), установленного на ПС ENVISAT (ENVIromental SATellite), и активного дистанционного зондирования радаром (на частоте 94 ГГц), установленным на спутнике
CloudSat, входящего в систему спутников A–Train [205]. Также не анализировались данные, полученные с помощью алгоритма M4, основанного на стереоскопических наблюдениях радиометром
ATSR–2 (то есть на наблюдениях как надирной, так и впередсмотрящей камерой), которые охватывают трехлетний период, но пока не находятся в открытом доступе [176]. Перспективными для
климатических исследований являются также данные ИК интерферометра атмосферного зондирования IASI (IR Atmospheric Sounder Interferometer), установленного на ПС MetOp (Meteorological
Operational satellite), который был запущен в 2006 году. В частности, алгоритм идентификации
характеристик облачности по данным IASI, основанный байесовом подходе, разрабатывается российскими учеными [44, 46], однако в данной работе эта база данных не использовалась.
Сравнительно длинный и современный ряд данных для различных характеристик облачности
представлен в базе данных APP-X (AVHRR Polar Pathfinder eXtended) [228]. Данные основаны на
измерениях прибором AVHRR (ПС NOAA) и алгоритме CASPR [144] и доступны для периода с
января 1982 г. по декабрь 2004 г. с временным разрешением 2 раза в сутки (04:00 LT и 14:00 LT) и
пространственным разрешением 25×25 км для Арктики и Антарктики. Поскольку данные охватывают регионы полярнее 60◦ (то есть менее 15% всей поверхности Земли), в этой работе они не
использовались. Также не использовались региональные данные для облачности, полученные с
помощью приборов, установленных на ГС (например, с помощью инструмента SEVIRI, установленного на ГС MSG).
Также не анализировался ещё один сравнительно длинный современный ряд данных SAGE
(Stratospheric Aerosol and Gas Experiment), основанных на затменном зондировании атмосферы [143]. Стоит отметить, что при «боковом» положении сканирующего прибора, позволяющем
получить подробную информацию о вертикальных профилях различных метеопараметров, достоверные данные о пространственном разрешении получить затруднительно, в частности, нижняя
и общая облачность по данным SAGE заметно переоценена относительно других данных (почти в
два раза), а верхняя, наоборот, недооценена [227].
Среди современных баз данных для облачности также можно выделить группу данных, полученных с помощью алгоритмов FRESCO (Fast REtrieval Scheme for Cloud Observables [67, 147]),
OCRA (Optical Cloud Recognition Algorithm [151]), HICRU (Heidelberg Iterative Cloud Retrieval Utilities [117]), SACURA (Semi–Analytical CloUd Retrieval Algorithm [148]) с приборов, предназначен-
28
ных для измерения газового состава атмосферы, в первую очередь озона. Это инструменты: GOME
(Global Ozone Monitoring Experiment) установленный на ПС ERS–2 ; GOME–2, установленный на
ПС MetOp; инструмент OMI (Ozone Monitoring Instrument), установленный на ПС EOS Aura,
SCIAMACHY (SCanning Imaging Absorption spectroMeter for Atmospheric CartograpHY), установленный на ПС ENVISAT. Однако, анализ этих данных затруднён отсутствием среднемесячных
значений облачности и в данной работе не проводился.
Исключение составляет данные для облачности, полученные на основе измерений спектрометром SCIAMACHY (SCanning Imaging Absorption spectroMeter for Atmospheric CartograpHY) с
помощью алгоритма FRESO+ [226], в рамках базы SCIAMACHY–FRESO доступны среднемесячные данные по количеству облаков и давлению на ВГО, для периода с августа 2002 г. по июнь
2009 г., представленные на регулярной сетке с шагом 0,25◦ для всего земного шара за исключением регионов со снежной и ледовой подстилающей поверхностью. Однако, в данном алгоритме
определяется не геометрическое количество облаков, а «эффективное» — такое, какое бы было
при альбедо облаков, заданным равным 0,8 [226], поэтому в основную часть работы анализ этих
данных не вошел.
Облачность по данным SCIAMACHY–FRESCO Измерения с помощью спектрометра
SCIAMACHY (SCanning Imaging Absorption spectroMeter for Atmospheric CartograpHY), установленного на ПС ENVISAT (табл. 1.4), в первую очередь направлены на мониторинг малых примесей атмосферы, главным образом, трассеров в тропосфере и стратосфере [77]. Инструмент SCIAMACHY производит зондирование атмосферы в надире (перпендикулярно Земле), лимбовое зондирование (параллельно Земле) и затменные наблюдения (параллельно Земле при нахождении на
одной линии с Луной или Солнцем). Измерения с помощью спектрометра SCIAMACHY проводятся в 8 широких спектральных каналах (4 в видимом диапазоне и 4 в БИК), которые в свою
очередь разбиты на более узкие каналы с более высоким спектральным разрешением (табл. 1.10).
Кроме того, дополнительно в семи отдельных каналах проводятся поляризационные измерения.
Ширина полосы обзора составляет 960 км, таким образом, полный цикл на экваторе составляет 6
дней [77].
Пространственное разрешение различно для каждого канала и для каждого типа наблюдений
(надирное, затменное). Кроме того, в случае надирных наблюдений, пространственное разрешение
различно вдоль пути спутника и поперёк, в частности для канала С4 разрешение при надирных
измерениях составляет: 30 км в продольном направлении и от 60 км в низких широтах до 240 км
в высоких в поперечном.
29
Таблица 1.10. Оптические характеристики спектрометра SCIAMACHY
С1
Каналы с высоким спектральным разрешением
С2
С3
С4
С5
С6
С7
С8
Спектральный диапазон (нм)
240–314 309–405 394–620 604–805 785–1050 1000–1750 1940–2040 2265–2380
Спектральное разрешение внутри канала (нм) 0,24
0,26
0,44
0,48
0,54
1,48
0,22
0,26
П1
Каналы поляризационных измерений
П2
П3
П4
П5
П6
П7
Спектральный диапазон (нм)
310–377 450–525 617–705 805–900 1508–1645 2265–2238 802–905
Спектральное разрешение внутри канала (нм)
Вся ширина полосы
Алгоритм FRESCO+ основан на надирных измерениях в канале С4, в А-полосе поглощения
кислорода (в полосе 758–775 нм). Используется три узких спектральных полосы: С4-1 (758–759 нм,
нет поглощения кислородом), С4-2 (760–761 нм, происходит сильное поглощение) и С4-3 (765–
766 нм, среднее поглощение). В предположении, что R в полосе С4-1 сильнее при наличии облаков,
чем при его отсутствии, количество облаков определяется исходя из R = nκs αs + (1 − n)κc αc , где n
— количество облаков, κs и κc — коэффициент пропускания облачного и безоблачного неба, αs и αc
— альбедо ВГО и поверхности. Коэффициенты пропускания зависят от длины волны, зенитного
угла, а также от высоты поверхности. Высота ВГО рассчитывается по полосам С4-2 и С4-3 (чем
выше ВГО, тем больше величина отражённой энергии). Альбедо облаков принимается равным
0,8. Альбедо поверхности определяется из климатологических данных [146]. Дополнительно, в
алгоритме FRESCO+ учитывается Рэлеевское рассеяние (которое актуально, главным образом,
для малооблачных регионов), а для уточнения высоты ВГО привлекаются также данные в полосе
поглощения озона (330 нм) [226].
Среднегодовое количество облаков, полученных по данным SCIAMACHY–FRESCO, для Земли в целом составляет 0,32 (0,31 в Северном полушарии и 0,33 в Южном), что примерно в 2 раза
меньше, чем по другим данным (см. раздел 1.2, табл. 1.12). Главным образом, облака недооцениваются в экваториальных и тропических широтах (в обоих полушариях), где количество облаков
оценивается около 0,4 и 0,2 соответственно. Во внетропических широтах и северного и южного полушария количество облаков составляет около 0,5–0,6, что ближе к значениям общей облачности
в этих регионах по другим данным (см. раздел 1.2, рис. 1.5). В последующих разделах данные
SCIAMACHY–FRESCO рассматриваться не будут.
1.1.2
Данные наземных наблюдений
Данные наземных и судовых наблюдений, в отличие от спутниковых данных, насчитывают более длительную историю, однако, современных баз данных по облачности не так много. В данной
30
работе использовались данные EECRA (Extended Edited Synoptic Cloud Reports Archive), включающие в себя облачность как над сушей, так и над океаном, а также данные наблюдений только
над сушей CRU (Climatic Research Unit) и данные судовых наблюдений над океаном ICOADS (The
International Comprehensive Ocean–Atmosphere Data Set).
EECRA
Данные EECRA [119] основаны на визуальных наблюдениях за облачностью, проводимых на
регулярной сети метеорологических станций (около 12 тысяч станций) либо каждые 6 часов
(00:00 LT, 06:00 LT, 12:00 LT, 18:00 LT) (около 60% станций) либо только в дневное время, а
также на морских судах и платформах (около 90% наблюдений проводятся и днем и ночью).
Представлены данные для общего количества облаков и для 8 типов облачности: 4 из них относятся к нижнему ярусу (слоистые (Stratus, St), слоисто–кучевые (Stratocumulus, Sc), кучевые
(Cumulus, Cu), кучево–дождевые (Cumulonimbus, Cb)), 3 – к среднему ярусу (слоистодождевые
(Nimbostratus, Ns), высокослоистые (Altostratus, As), высококучевые (Altocumulus, Ac)), 1 — к
верхнему (все перистообразные облака: перистые (Cirrus, Ci), перистослоистые (Cirrostratus, Cs)
и перистокучевые (Cirrocumulus, Cc)) [119].
Для данных наземных наблюдений используются архивы научных центров FNOC (Fleet Numerical Oceanography Center) (за период с 1971 г. по 1976 г.) и NCAR (National Center for Atmospheric
Research) (за период с 1977 г. по 1996 г.) [229]. Для данных наблюдений над океаном используется
архив COADS (Comprehensive Ocean–Atmosphere Data Set) [236].
Архив EECRA состоит из трех серий — первичные данные наблюдений за облачностью на метеорологических станциях и судовые наблюдения (серия «C») [119], климатологические данные
для облачности для наземных станций («D») [120, 229], а также данные для облачности, осредненные на регулярной сетке («E») [121].
В данной работе использовались данные серии «Е», представляющие среднемесячные значения облачности для ячеек с разрешением 5◦ ×5◦ для суши (осредненные за период с января 1971 г.
по декабрь 1996 г.) и океана (осредненные за период с января 1954 г. по декабрь 1997 г.)1 . Данные для суши получены с 5388 станций (из 12000, представленных в серии «C»), отобранных с
учетом требований непрерывности измерений, наличия длинного ряда наблюдений, в том числе
как дневных, так и ночных измерений [120, 229]. Для облачности над океаном архив COADS используется с исключением некоторых данных (имеющих большие «разрывы» в ряде наблюдений).
Для наблюдений за облачностью в ночное время (как над сушей, так и над океаном) учитывается
1
Для некоторых данных облачности над океаном осреднение проводилось на сетке 10◦ ×10◦
31
«освещенность» данной ячейки Луной. Осреднение по ячейкам проведено простым осреднением
всех данных для этой ячейки (без введения каких-либо весовых функций).
ICOADS
Данные ICOADS [236] включают в себя измерения за различными метеорологическими и океанологическими параметрами, полученные с морских судов, буев и морских платформ. Регулярные
визуальные наблюдения за облачностью проводились, главным образом, офицерами рейсовых кораблей каждые 6 часов, при этом, количество облаков с 1949 г. определяется не в десятых долях,
а в октах (от 0 до 8) [181]. Покрытие данными неравномерно для Мирового океана, наибольшее
количество измерений проведено для северных районов Атлантики и Тихого океана, при этом,
количество измерений менялось по времени (максимальное количество измерений пришлось на
80-е гг. XX в.) (подробнее — см. 1.2.4).
В работе используются среднемесячные данные ICOADS версии 2.4 на регулярной сетке 1◦ ×1◦ ,
за период с января 1960 г. по май 2007 г., пересчитанные из окт в доли единицы.
CRU
Данные CRU Университета Восточной Англии представляют собой комбинацию нескольких
баз данных по наземным метеорологическим наблюдениям [162] и включают в себя информацию
по нескольким метеорологическим величинам (в том числе и по облачности), представленным на
регулярной сетке с высоким разрешением (0,5◦ ×0,5◦ ) для всех материков кроме Антарктиды. При
анализе использовалась версия данных CRU TS 3.0.
Данные CRU для облачности основаны на комбинации трех баз данных. Одна из них, представляя собой прямые визуальные наблюдения за облачностью, охватывает период 1971–1996 гг
и является основой данных EECRA) [119]. В двух других источниках облачность определяется
косвенным путем: в базе данных CRU TS 2.0 [180] (для периода с 1901 по 1999 гг.) облачность
расчитывается эмпирическим путем для каждой ячейки через количество осадков и суточную
амплитуду температуры (эмпирические зависимости получены на основе наблюдений за период с
1961 по 1990 гг. [179]); в базе данных Британского бюро погоды (UK Met Office) CLIMAT [162]
(для периода с 1994 по 2006 гг.) облачность рассчитывается эмпирическим путем через продолжительность солнечного и лунного сияния [161].
Несмотря на то, что данные серии CRU TS 3.0 охватывают период с 1901 по 2006 гг. в этой
работе используется более короткий период (с января 1971 г. по декабрь 2002 г.) на который
32
приходится большинство наблюдений за облачностью на всех континентах [162].
Другие данные наземных наблюдений за облачностью
За рамками работы остались некоторые другие базы данных для облачности, основанные на
наземных наблюдениях. В частности, не анализировалась отечественная база данных для дневной
облачности [2], которая относится к более раннему периоду, и является комбинацией визуальных
наблюдений за облачностью на наземных станциях (около 3500 станций), атласов облачности американского флота (за период 1955–65), и атласов облачности, основанных на ранних спутниковых
наблюдениях [157]. Также не использовалась австрийская база данных IIASA (International Institute for Applied Systems Analysis) [149] для облачности над континентами с высоким пространственным разрешением (0,5◦ ×0,5◦ ), которая охватывает период с 1931 г. по 1960 г.
За исключением базы данных ВНИИГМИ–МЦД для облачности над Россией (подробнее — см.
п. 2.1.3) в работе не анализировались региональные базы данных по наземным наблюдениям за
облаками, как визуальным, так и инструментальным, в частности пергеометрическим или радарным. Кроме того, за рамками работы остались данные аэрологических наблюдений (например,
база данных IGRA (Integrated Global Radiosonde Archive) [105]), позволяющие получить информацию о вертикальном профиле облачности, но не о её пространственной структуре.
1.1.3
Данные реанализа
Данные реанализа представляют собой результаты расчетов глобальных моделей циркуляции
атмосферы при реальных начальных и граничных условиях, основанных на регулярных метеорологических наблюдениях, аэрологической и спутниковой информации.
Облачность в реанализе определяется как разность между источниками и стоком (диссипацией). В качестве источников, например, может выступает конвекция, диабатическое охлаждение и
крупномасштабный подъем воздуха. К диссипативным процессам относится выпадение осадков,
диабатический нагрев, турбулентная эрозия на верхней и боковой границах облака [134]. Определяется общее количество облаков и количество облаков на нижнем, среднем и верхнем ярусах.
В работе использовались две вермии реанализа Европейского центра среднесрочных прогнозов
погоды (European Centre for Medium-Range Weather Forecasts — ECMWF) ERA–40 и ERA–Interim
(European ReAnalysis), две версии реанализа Национального центра прогноза состояния окружающей среды США (National Centers for Environmental Prediction — NCEP): NCEP/NCAR и
NCEP/DOE (Department of Energy), реанализ Национальной администрации аэронавтики и кос33
мических исследований США (NASA) MERRA (NASA’s Modern Era Retrospective-analysis for Research and Applications), а также японский реанализ JMA–25 (Japanese 25–year Reanalysis).
ERA–40 и ERA–Interim
Полученные по расчетам с моделью ECMWF CY13R4 данные реанализа ERA–40 с 6–часовым
шагом по времени, пространственным разрешением около 120 км для 31 слоя в атмосфере охватывают период с сентября 1957 г. по август 2002 г. [222]. В новой версии реанализа ERA–Interim
для периода с января 1989 г. по настоящее время используется модель ECMWF CY29R1 с лучшим горизонтальным (50 км) и вертикальным (60 слоев) разрешением, а также четырехмерным
усвоением данных (в отличие от трехмерного, использовавшегося в ERA–40) [106]. В данной работе анализировались среднемесячные значения облачности, представленные на регулярной сетке
2,5◦ ×2,5◦ для данных ERA–40 и 1,5◦ ×1,5◦ для данных ERA–Interim.
NCEP/NCAR и NCEP/DOE
В двух версиях NCEP реанализa используется прогностическая модель NCEP T62L28 с горизонтальным разрешением около 210 км (на экваторе), с 28 слоями по вертикали и 6–часовым
разрешением по времени. Отличия в версиях связаны с некоторыми улучшениями во второй версии (NCEP/DOE) относительно первой (в частности, улучшена схема влагооборота в атмосфере,
исправлены ошибки в альбедо снега и морской поверхности и в бюджете влаги и снега [139]).
Среднемесячные данные представлены на гауссовой сетке (с шагом ≈1,9◦ по широте и 1,875◦ по
долготе) с января 1948 г. по настоящее время для NCEP/NCAR реанализа [145] и с января 1979 г.
по январь 2008 г. для NCEP/DOE реанализа [139].
MERRA
Реанализ MERRA [76] отличает большее количество усваиваемой инфмормации и в первую
очередь спутниковой. Для расчетов и усвоения данных используется система Офиса глобального
моделирования и усвоения данных (Global Modeling and Assimilation Office — GMAO), получившая
название Годдардская система земных наблюдений (Goddard Earth Observing System — GEOS),
используется 5-я версия системы GEOS [191], которая включает в себя модельный блок, блок ассимиляции данных и блок интерполяционного анализа. Усвоение данных происходит каждые 3
часа, расчет проводится с 3–часовым разрешением по времени для трехмерных полей и с часовым
34
разрешением для двухмерных полей. Горизонтальное разрешение около 50 км для 72 слоев атмосферы. Данные представлены на регулярной сетке с высоким разрешением 0,5◦ ×0,67◦ с января
1979 г. по настоящее время.
JRA–25
При получении данных реанализа JRA–25 японского метеорологического агентства (Japan Meteorological Agency) используется модель JMA/CRIEPI T160L40 с 6–часовым разрешением по времени и с горизонтальным разрешением около 120 км для 40 слоев атмосферы [184]. Данные представлены на регулярной сетке 2,5◦ ×2,5◦ с января 1979 г. по настоящее время.
1.1.4
Результаты модельных расчетов
Глобальные модели климата (проект CMIP3)
Наряду с данными наблюдений, в работе также анализировались результаты расчетов с глобальными моделями климата, основанными на моделях общей циркуляции атмосферы и океана
(МОЦАО). При анализе использовались результаты третьего проекта по сравнению климатических моделей в рамках Международной программы по исследованию климата (World Climate Research Programme, Coupled Model Intercomparison Project, WCRP CMIP3) [155]. Анализировались
результаты расчетов с 22 глобальными моделями климата (табл. 1.11) с разным пространственным разрешением и различными схемами определения облачности. Также оценивалось среднее по
ансамблю моделей (такая оценка, согласно [24, 132], более предпочтительна, чем анализ отдельных
моделей).
Совокупность схем параметризации для определения облачности, используемых в глобальных
моделях климата, можно условно подразделить на 3 категории [240]:
• Диагностические схемы, основанные на величине относительной влажности,
• Статистические схемы, основанные на величине общего содержания влаги в столбе атмосферы,
• Прогностические схемы.
Для слоистых облаков чаще используется первый тип, для конвективных — второй и третий. Облачность определяется на каждом отдельном модельном слое, а затем общее количество облаков
35
Таблица 1.11. Глобальные климатические модели, участвующие в проекте CMIP 3
Модель
Разрешение
Краткое название
Организация
BCCR BCM 2.0
Bjerknes Centre for Climate Research,
University of Bergen, Norway
CCMA
CGCM 3.1
Canadian Centre for Climate Modelling
and Analysis, Victoria, BC, Canada
CNRM CM 3.0
CSIRO MK 3.0
CSIRO MK 3.5d
GFDL CM 2.0
GFDL CM 2.1
GISS AOM
GISS model EH
GISS model ER
≈2,8◦ ×2,8◦
(64×128)
≈2,8◦ ×2,8◦
(64×128)
Атмосфера
T63 (≈1,9◦ ×1,9◦ )
L31 (до 10 гПа)
T63 (≈1,9◦ ×1,9◦ )
L31 (до 1 гПа)
Океан
0,5◦ –1,5◦ ×1,9◦
L35
0,9◦ ×1,4◦
L29
≈2,8◦ ×2,8◦
(64×128)
T63 (≈1,9◦ ×1,9◦ )
L45 (до 0,05 гПа)
0,5◦ –1,5◦ ×1,9◦
L35
≈1,875◦ ×1,875◦
(92×192)
T63 (≈1,9◦ ×1,9◦ )
L18 (до 4,5 гПа)
0,8◦ ×1,9◦
L31
2◦ ×2,5◦
(90×144)
2◦ ×2,5◦
L24 (до 3 гПа)
0,3◦ –1◦ ×1◦
L50
3◦ ×4◦
L12 (до 10 гПа)
4◦ ×5◦
L20 (до 0.1 гПа)
3◦ ×4◦
L16
2◦ ×2◦ L16
4◦ ×5◦ L13
≈3◦ ×2,8◦
(60×128)
T42 (≈2,8◦ ×2,8◦ )
L26 (до 2.2 гПа)
1◦ ×1◦
L16
≈1,125◦ ×1,125◦
(160×320)
4◦ ×5◦
(45×72)
2,5◦ ×3,75◦
(72×96)
T106 (≈1,1◦ ×1,1◦ )
L31 (до 10 гПа)
4◦ ×5◦
L21 (до 10 гПа)
2,5◦ ×3,75◦
L19 (до 4 гПа)
0.5◦ ×2◦
L31
2◦ ×2,5◦
L33
2◦ ×3◦
L31
≈1,125◦ ×1,125◦
(160×320)
T106 (≈1,1◦ ×1,1◦ ) 0,2◦ ×0,3◦
L56 (до 40 км)
L47
Meteorological Institute of the University of Bonn, Bonn, Germany / Meteorological Research Institute of the Korea
Meteorological Administration, Korea
≈3,75◦ ×3,75◦
(48×96)
T63 (≈1,9◦ ×1,9◦ )
L31 (до 10 гПа)
0,5◦ –2,8◦ ×2,8◦
L20
Max Planck Institute for Meteorology,
Hamburg, Germany
≈1,875◦ ×1,875◦
(96×192)
T63 (≈1,9◦ ×1,9◦ )
L31 (до 10 гПа)
1,5◦ ×1,5◦
L40
Meteorological
Research
Tsukuba, Ibaraki, Japan
≈2,8◦ ×2,8◦
(64×128)
T42 (≈2,8◦ ×2,8◦ )
L30 (до 10 гПа)
0,5◦ –2,0◦ ×2,5◦
L23
≈1,4◦ ×1,4◦
(128×256)
≈2,8◦ ×2,8◦
(64×128)
2,5◦ ×3,75◦
(73×96)
T42 (≈2,8◦ ×2,8◦ )
L26 (до 2,2 гПа)
T85 (≈1,4◦ ×1,4◦ )
L26 (до 2,2 гПа)
2,5◦ ×3,75◦
L19 (до 5 гПа)
0,5◦ –0,7◦ ×1,1◦
L40
0,3◦ –1◦ ×1◦
L40
1,25◦ ×1,25◦
L20
1,25◦ ×1,875◦
(145×192)
≈1,3◦ ×1,9◦
L38 (до 39 км)
0,3◦ –1◦ ×1◦
L40
(широта×долгота)
Centre
National
de
Recherches
Météorologiques,
Météo–France,
Toulouse, France
Commonwealth Scientific and Research
Organization Atmospheric Research,
Melbourne, Australia
U.S. Deparment of Commerce /
National Oceanic and Atmospheric
Administration / Geophysical Fluid
Dynamics Laboratory, Princeton, NJ,
USA
National Aeronautics and Space
Administration / Goddard Institute for
Space Studies, New York, USA
IAP
FGOALS-g1.0
National key Laboratory of Numerical
Modeling for Atmospheric Sciences and
Geophysical Fluid Dynamics / Institude
of Atmospheric Physics, Beijing, China
INGV SXG
National Institute of Geophysics and
Volcanology, Bologna, Italy
INM CM 3.0
Institute for Numerical Mathematics,
Moscow, Russia
IPSL CM 4
Institut Pierre Simon Laplace, Paris,
France
MIROC 3.2
MIUB
ECHO–G
MPI–OM
ECHAM 5
MRI
CGCM2.3.2
Center for Climate System Research,
Tokyo / National Institute for Environmental Studies, Ibaraki / Frontier Research Center for Global Change, Kanagawa, Japan
Institute,
NCAR CCSM 3
NCAR PCM 1
UKMO
HadCM 3
UKMO
HadGEM 1
Информация о модели
National Center for Atmospheric
Research, Boulder, CO, USA
Hadley Centre for Climate Prediction
and Research / Met Office, Exeter,
Devon, UK
3◦ ×4◦ (60×90)
4◦ ×5◦ (46×72)
36
(n) в большинстве моделей расчитывается в приближении максимального и случайного перекрытия (при котором соседние облачные слои имеют максимальное перекрытие, а облачные слои,
разделенные одним или двумя безоблачными слоями перекрываются в случайном порядке) [114].
Если в модели j слоев, то n расчитывается согласно:
n = 1 − (1 − n1 )
j
Y
1 − max(ni−1 , ni )
1 − ni−1
i=2
(1.1)
где ni — облачность на слое i, при этом первым считается самый верхний слой.
В работе использовались результаты расчетов для XX и XXI вв. Для XX века предписываются
такие характеристики, как содержание парниковых газов в атмосфере (углекислого газа (CO2 ),
метана (CH4 ), закиси азота (NO2 ), озона (O3 ), фреонов), вариации солнечной постоянной, аэрозоли (в частности, вулканического происхождения). Для оценки возможных изменений облачности
и облачного радиационного воздействия в XXI веке используется сценарий SRES (IPCC Special
Report on Emissions Scenarios) A1B, при котором выбросы парниковых газов (CO2 , CH4 и NO2 ) в
атмосферу до середины XXI в. будут расти, а затем снижаться, в частности, к 2050 г. эмиссия CO2
антропогенного происхождения (в результате промышленной деятельности, уменьшения площади
лесов и изменения природопользования) в атмосферу достигнет отметки ∼16,5 Гт/год, а к 2010
снизится до отметки ∼13,5 Гт/год [131].
Модель КМ ИФА РАН
В работе также использовались результаты численных расчетов для XX века с климатической
моделью промежуточной сложности, разработанной в Институте физики атмосферы им. А.М.
Обухова (КМ ИФА РАН) [34, 186]. Модель включает в себя блоки переноса коротковолновой и
длинноволновой радиации, конвекции, образования облаков и осадков. Крупномасштабная динамика атмосферы (с масштабом больше синоптического) описывается явно. Синоптические процессы параметризованы в предположении гауссовости их ансамблей. Горизонтальное разрешение
КМ ИФА РАН составляет 4,5◦ по широте и 6◦ по долготе и 8 уровней по вертикали в атмосфере
(вплоть до 80 км).
Облачность расчитывается диагностически в зависимости от величины относительной влажности, при этом отсутствует деление облачности на ярусы [34, 186].
37
1.2
Анализ глобальных, зональных и региональных
характеристик облачности
1.2.1
Анализ среднегодового режима и его региональных особенностей
В данном разделе представлены результаты анализа среднегодовых значений общего количества облаков [53, 57–61, 94, 95, 167] по различным данным наблюдений (спутниковых и наземных),
данных реанализа и по результатам расчетов с глобальными климатическими моделями (см. 1.1).
Количество облаков оценивается в долях единицы. Поскольку, для всех рассматриваемых баз
данных нет общего временного периода, каждая база данных при анализе осреднялась для индивидуальных временных периодов, отмеченных в табл. 1.1, по модельным оценкам облачность
осреднялась за период 1970–1999 гг.1
Глобальная и полушарная облачность
В таблице 1.12 представлены глобально- и полушарно-осредненные значения среднегодовой
общей облачности, а также их среднеквадратические отклонения (СКО) в межгодовой изменчивости, на рис. 1.2 представлены осредненные глобально значения среднегодовой общей облачности
(среднее и СКО) по данным наблюдения, реанализа и по модельным расчетам, указан диапазон
значений облачности по различным данным.
Среднегодовое значение глобальной облачности согласно большинству данных спутниковых
наблюдений составляет около 2/3 (от 0,65 до 0,68), меньшее количество облаков отмечено по данным CERES (0,6) и PARASOL–POLDER (0,56), большее — по данным UW HIRS (0,75). В Южном
полушарии (ЮП) количество облаков по всем данным больше (0,60–0,76), чем в Северном (СП)
(0,53–0,74) (см. также [61, 175]). Наибольшие различия между полушариями отмечены по данным
MISR (0,11), наименьшие — по данным UW HIRS (0,02). По данным наземных наблюдений среднегодовое количество облаков для Земли в целом оценивается около 0,65, для СП оно состоявлет
0,62, для ЮП — 0,68.
Что касается данных реанализа, то облачность по данным ERA–40 ближе к данным наблюдений (0,65 для глобальных значений, 0,62 для СП и 0,68 для ЮП), чем по другим данным реанализа.
В частности, по данным реанализа ERA–Interim общая доля облаков составляет 0,6, по данным
1
Оценка облачности в другие временные периоды рассматривается в разделе 1.2.4.
38
Таблица 1.12. Среднегодовые значения облачности над сушей и океаном (в скобках указано среднеквадратическое отклонение)
Данные
Глобальное осреднение Северное полушарие Южное полушарие
Спутниковые данные
ISCCP
0,66 (0,012)
0,64 (0,014)
0,69 (0,011)
UW HIRS
0,75 (0,003)
0,74 (0,005)
0,76 (0,005)
Patmos–X
0,65 (0,008)
0,62 (0,013)
0,69 (0,010)
MODIS Terra
0,67 (0,002)
0,64 (0,003)
0,69 (0,003)
MODIS Aqua
0,68 (0,001)
0,65 (0,002)
0,70 (0,002)
CERES Terra
0,60 (0,002)
0,56 (0,003)
0,65 (0,003)
CERES Aqua
0,60 (0,001)
0,57 (0,001)
0,64 (0,003)
PARASOL–POLDER
0,56 (0,004)
0,53 (0,006)
0,60 (0,005)
AIRS–LMD
0,66 (0,006)
0,63 (0,003)
0,69 (0,007)
CALIPSO–GOCCP
0,66 (0,004)
0,63 (0,002)
0,69 (0,005)
MISR
0,65 (0,003)
0,59 (0,003)
0,70 (0,003)
ATSR–GRAPE
0,65 (0,002)
0,63 (0,002)
0,67 (0,005)
Данные наземных наблюдений
EECRA
0,65 (0,009)
0,62 (0,004)
0,68 (0,018)
Данные реанализа
ERA–40
0,64 (0,016)
0,62 (0,019)
0,66 (0,016)
ERA–Interim
0,60 (0,003)
0,57 (0,005)
0,63 (0,004)
NCEP/NCAR
0,51 (0,006)
0,53 (0,011)
0,50 (0,007)
NCEP/DOE
0,55 (0,004)
0,52 (0,004)
0,58 (0,005)
MERRA
0,58 (0,007)
0,59 (0,005)
0,58 (0,012)
JRA–25
0,55 (0,005)
0,53 (0,006)
0,57 (0,006)
Данные расчетов с глобальными климатическими моделями
CMIP 3 (среднее по ансамблю)
0,60 (0,001)
0,59 (0,001)
0,61 (0,001)
КМ ИФА РАН
0,59 (0,001)
0,57 (0,001)
0,62 (0,001)
реанализа MERRA — 0,58, по данным JRA-25 и NCEP количество облаков еще меньше (0,55, 0,52
и 0,55 при глобальном осреднении по данным JRA-25, NCEP/NCAR и NCEP/DOE, соответственно). По данным NCEP/NCAR и MERRA, в отличие от данных наблюдений, количество облаков
в ЮП меньше, чем в СП (см. табл. 1.12).
По модельным расчетам среднегодовое значение облачности оценивается в широком диапазоне
от 0,47 (модель UKMO HadCM 3) до 0,73 (модель CNRM CM 3.0) (см. рис. 1.2), при этом среднее по
ансамблю моделей CMIP3 (здесь и далее CMIP3ens ) для Земли в целом составляет 0,60, что ниже
соответствующего значения по данным наблюдений. Согласно большинству моделей, количество
облаков в СП (0,59 для CMIP3ens ) меньше, чем в ЮП (0,61), исключение составляют две версии
модели GFDL и модель MIUB ECHO–G, согласно которым площадь, покрытая облаками в СП
несколько больше, чем в ЮП. Количество облаков в модели КМ ИФА РАН оценивается около
0,59 для Земли в целом, около 0,57 для СП и 0,62 для ЮП, что близко к CMIP3ens , но ниже, чем
по данным наблюдений.
39
Данные спутниковых
наблюдений
0.45
0.5
0.55
0.6
ISCCP
0.65
0.59
0.7
0.75
0.66
UW HIRS
КМ ИФА РАН
0.68
Patmos-X
0.61
0.75
0.65
MODIS Terra
0.65
CERES Terra
CERES Aqua
0.68
CSIRO MK 3.5d
0.56
GFDL CM 2.1
0.63
0.58
MISR
GFDL CM 2.0
0.63
AIRS-LMD
CALIPSO-GOCCP
CSIRO MK 3.0
0.66
0.6
PARASOL-POLDER
CNRM CM 3.0
0.62
0.6
0.59
0.65
Данные наземных
наблюдений
0.66
GISS AOM
0.66
GISS model EH
0.65
ATSR-GRAPE
0.6
GISS model ER
0.66
IAP FGOALS-g1.0
INGV SXG
0.65
EECRA
0.67
INM CM 3.0
0.62
IPSL CM 4
0.53
Данные реанализа
MIROC 3.2
ERA-40
0.6
ERA-Interim
0.56
MERRA
JRA-25
MIUB ECHO–G
0.64
MPI–OM ECHAM 5
MRI CGCM2.3.2
0.55
0.51
NCEP/DOE
0.64
0.6
0.51
NCEP/NCAR
0.47
NCAR CCSM 3
0.58
NCAR PCM 1
0.59
0.55
UKMO HadCM 3
0.54
0.45
0.5
UKMO HadGEM 1
0.55
0.6
0.65
0.7
0.65
Диапазон облачности
и среднее значение
BCCR BCM 2.0
CCMA CGCM 3.1
0.73
0.67
MODIS Aqua
Результаты
модельных расчетов
0.57
0.75
по данным наблюдений
по данным реанализа
0.6
по модельным расчетам
Рис. 1.2. Глобально осредненные значения среднегодовой облачности по различным данным.
Межгодовая изменчивость больше для данных наблюдений и реанализа (в частности, значение
СКО для глобальной облачности по данным ISSCP составляет 0,012, по данным ERA–40 — 0,016),
чем для модельных расчетов (СКО около 0,001).
Глобальная и полушарная облачность над сушей Среднегодовое значение глобальной
облачности над сушей (табл. 1.13 и рис. 1.3) согласно данным спутниковых и наземных наблюдений находится в широком диапазоне от 0,41 (MISR) до 0,69 (UW HIRS). Согласно большинству
данных, среднегодовая облачность над сушей обоих полушарий близка к 0,54. При этом, большее
40
количество облаков отмечается над сушей СП (до 0,7 по данным UW HIRS), исключение составляют данные CERES, MISR и CRU (в последней базе данных не учитывается облачность над
Антарктидой), согласно которым количество облаков над сушей ЮП несколько больше, чем над
сушей СП. Согласно данным ATSR–GRAPE количество облаков над сушей СП и ЮП одинаково
(0,65).
Таблица 1.13. Среднегодовые значения облачности над сушей
Данные
Глобальное осреднение Северное полушарие Южное полушарие
Спутниковые данные
ISCCP
0,57 (0,011)
0,58 (0,012)
0,54 (0,014)
UW HIRS
0,69 (0,006)
0,70 (0,007)
0,68 (0,011)
Patmos–X
0,49 (0,018)
0,50 (0,021)
0,48 (0,019)
MODIS Terra
0,53 (0,006)
0,54 (0,005)
0,50 (0,011)
MODIS Aqua
0,56 (0,004)
0,57 (0,003)
0,54 (0,007)
CERES Terra
0,48 (0,004)
0,47 (0,003)
0,50 (0,009)
CERES Aqua
0,50 (0,001)
0,49 (0,002)
0,50 (0,003)
PARASOL–POLDER
0,46 (0,010)
0,46 (0,012)
0,45 (0,007)
AIRS–LMD
0,56 (0,004)
0,56 (0,005)
0,55 (0,005)
CALIPSO–GOCCP
0,55 (0,001)
0,56 (0,002)
0,55 (0,001)
MISR
0,41 (0,008)
0,39 (0,007)
0,44 (0,012)
ATSR–GRAPE
0,56 (0,004)
0,56 (0,001)
0,56 (0,015)
Данные наземных наблюдений
EECRA
0,55 (0,007)
0,55 (0,008)
0,53 (0,016)
CRU
0,55 (0,003)
0,55 (0,004)
0,57 (0,007)
Данные реанализа
ERA–40
0,55 (0,023)
0,55 (0,024)
0,54 (0,027)
ERA–Interim
0,50 (0,004)
0,50 (0,005)
0,50 (0,007)
NCEP/NCAR
0,43 (0,012)
0,43 (0,016)
0,41 (0,008)
NCEP/DOE
0,44 (0,005)
0,44 (0,006)
0,44 (0,009)
MERRA
0,53 (0,005)
0,54 (0,008)
0,52 (0,013)
JRA–25
0,45 (0,007)
0,44 (0,010)
0,47 (0,018)
Данные расчетов с глобальными климатическими моделями
CMIP 3 (среднее по ансамблю)
0,53 (0,001)
0,53 (0,001)
0,52 (0,001)
КМ ИФА РАН
0,56 (0,001)
0,58 (0,001)
0,53 (0,001)
Согласно данным реанализа, количество облаков над сушей оценивается около 0,48 (от 0,43 по
данным NCEP/NCAR до 0,55 по данным ERA–40), что чуть ниже наблюдаемого. Количество облаков над сушей СП в целом больше, чем над сушей ЮП (с разнице до 0,02 по данным NCEP/NCAR
и MERRA). Исключение составляют данные реанализа JRA–25, согласно которым доля облаков
над сушей СП (0,44) ниже, чем над сушей ЮП (0,47).
По модельным расчетам среднегодовой значение облачности над сушей оценивается в диапазоне от 0,39 (модель MIROC 3.2) до 0,61 (модели GFDL CM 2.0 и INM CM 3.0) (см. рис. 1.3).
По данным CMIP3ens оно составляет 0,53, что практически соответствует значению по данным
41
Данные спутниковых
наблюдений
0.4
0.45
0.5
0.55
ISCCP
Patmos-X
0.49
КМ ИФА РАН
BCCR BCM 2.0
CCMA CGCM 3.1
0.53
0.48
CERES Terra
модельных расчетов
0.6
0.53
MODIS Aqua
0.7 Результаты
0.69
0.56
0.52
MODIS Terra
0.65
0.57
0.56
UW HIRS
CNRM CM 3.0
0.56
CSIRO MK 3.0
0.5
CERES Aqua
CSIRO MK 3.5d
0.61
0.5
PARASOL-POLDER
0.5
CALIPSO-GOCCP
GFDL CM 2.1
0.56
0.51
MISR
GFDL CM 2.0
0.59
0.46
AIRS-LMD
GISS AOM
0.55
GISS model EH
0.53
0.41
GISS model ER
ATSR-GRAPE
0.6
0.56
Данные наземных
наблюдений
IAP FGOALS-g1.0
0.54
INGV SXG
EECRA
0.61
0.55
CRU
Данные реанализа
0.6
0.55
0.39
0.5
ERA-Interim
0.56
0.43
NCEP/NCAR
0.43
MIROC 3.2
MIUB ECHO–G
0.59
MPI–OM ECHAM 5
MRI CGCM2.3.2
0.44
0.47
NCAR CCSM 3
MERRA
0.53
0.45
JRA-25
IPSL CM 4
0.56
0.55
ERA-40
NCEP/DOE
INM CM 3.0
NCAR PCM 1
0.54
0.44
UKMO HadCM 3
0.44
0.4
UKMO HadGEM 1
0.45
0.5
0.55
0.6
0.65
0.7
0.54
Диапазон облачности
и среднее значение
0.48
по данным наблюдений
по данным реанализа
0.53
по модельным расчетам
Рис. 1.3. Глобально осредненные значения среднегодовой облачности над сушей по различным данным.
наблюдений, при этом количество облаков больше над сушей СП (0,53), чем количество облаков
над сушей ЮП (0,52). Для целого ряда моделей (BCCR BCM 2.0, CNRM CM 3.0, CSIRO MK
3.0, GISS model EH, IAP FGOALS-g1.0, INGV SXG, NCAR PCM 1, UKMO HadCM 3) отмечена
обратная ситуация (в частности, по оценкам с моделью IAP FGOALS-g1.0 количество облаков над
сушей СП составляет 0,56, а над сушей ЮП — 0,69). Количество облаков над сушей в модели КМ
ИФА РАН оценивается около 0,56 для обоих полушарий, около 0,58 для СП и 0,53 для ЮП, что
несколько выше, чем по данным наблюдений.
42
Глобальная и полушарная облачность над океаном Среднегодовое значение глобальной облачности над океаном (табл. 1.14 и рис. 1.4) согласно данным спутниковых наблюдений
оценивается диапазоне от 0,6 (PARASOL–POLDER) до 0,77 (UW HIRS). Согласно большинству
данных, среднегодовая облачность над океаном в целом близка к 0,7. Практически для всех данных
количество облаков над океаном больше в ЮП, чем в СП. Наибольшая разница между полушариями отмечается по данным CERES Terra (0,68 над океном ЮП и 0,62 над океаном СП).
Таблица 1.14. Среднегодовые значения облачности над океаном
Данные
Глобальное осреднение Северное полушарие Южное полушарие
Спутниковые данные
ISCCP
0,70 (0,013)
0,68 (0,017)
0,72 (0,011)
UW HIRS
0,77 (0,005)
0,75 (0,006)
0,77 (0,006)
Patmos–X
0,72 (0,005)
0,69 (0,005)
0,73 (0,007)
MODIS Terra
0,72 (0,001)
0,70 (0,002)
0,74 (0,003)
MODIS Aqua
0,72 (0,001)
0,71 (0,002)
0,74 (0,003)
CERES Terra
0,65 (0,003)
0,62 (0,004)
0,68 (0,003)
CERES Aqua
0,65 (0,002)
0,62 (0,003)
0,67 (0,003)
PARASOL–POLDER
0,60 (0,004)
0,58 (0,002)
0,62 (0,006)
AIRS–LMD
0,70 (0,004)
0,68 (0,004)
0,72 (0,005)
CALIPSO–GOCCP
0,70 (0,006)
0,68 (0,004)
0,72 (0,008)
MISR
0,74 (0,002)
0,72 (0,002)
0,76 (0,003)
ATSR–GRAPE
0,68 (0,003)
0,66 (0,004)
0,69 (0,006)
Данные наземных наблюдений
EECRA
0,68 (0,015)
0,66 (0,006)
0,69 (0,024)
ICOADS
0,66 (0,008)
0,64 (0,009)
0,68 (0,008)
Данные реанализа
ERA–40
0,68 (0,014)
0,67 (0,017)
0,68 (0,013)
ERA–Interim
0,64 (0,004)
0,62 (0,008)
0,66 (0,005)
NCEP/NCAR
0,55 (0,007)
0,56 (0,008)
0,55 (0,009)
NCEP/DOE
0,59 (0,004)
0,57 (0,005)
0,61 (0,007)
MERRA
0,60 (0,011)
0,62 (0,009)
0,59 (0,013)
JRA–25
0,59 (0,006)
0,59 (0,007)
0,59 (0,008)
Данные расчетов с глобальными климатическими моделями
CMIP 3 (среднее по ансамблю)
0,63 (0,001)
0,63 (0,001)
0,63 (0,001)
КМ ИФА РАН
0,60 (0,001)
0,56 (0,001)
0,64 (0,001)
По данным наземных наблюдений EECRA количество общей облачности над океаном составляет 0,68 (0,66 для СП и 0,69 для ЮП), по данным ICOADS — 0,66 для океана в целом, 0,64 для
СП и 0,68 для ЮП.
Доля облаков над океаном по данным двух версий европейского реанализа (0,68 для ERA–40
и 0,64 для ERA–Interim при глобальном осреднении) близка к полученным значениям по данным
наземных наблюдений (ICOADS и EECRA), но в целом ниже, чем по данным спутниковых наблюдений. По другим данным реанализа глобальное значение облачности над океаном существенно
43
Данные спутниковых
наблюдений
0.5
0.55
0.6
ISCCP
0.65
0.7
0.6
0.75
0.7
UW HIRS
Patmos-X
0.65
0.77
CCMA CGCM 3.1
0.78
0.72
MODIS Aqua
0.71
0.65
CERES Terra
CSIRO MK 3.5d
0.68
GFDL CM 2.0
GFDL CM 2.1
AIRS-LMD
0.67
0.7
0.61
MISR
GISS AOM
0.7
0.62
GISS model EH
0.74
0.68
ATSR-GRAPE
Данные наземных
наблюдений
CSIRO MK 3.0
0.64
0.6
CALIPSO-GOCCP
CNRM CM 3.0
0.72
0.68
0.65
CERES Aqua
BCCR BCM 2.0
0.72
MODIS Terra
GISS model ER
IAP FGOALS-g1.0
0.68
0.62
INGV SXG
0.68
EECRA
0.7
ICOADS
0.65
INM CM 3.0
0.66
IPSL CM 4
0.59
Данные реанализа
MIROC 3.2
ERA-40
0.62
0.68
0.64
ERA-Interim
MIUB ECHO–G
MPI–OM ECHAM 5
0.66
NCEP/NCAR
0.54
NCEP/DOE
0.55
MRI CGCM2.3.2
0.59
0.59
MERRA
JRA-25
КМ ИФА РАН
0.72
PARASOL-POLDER
Результаты
модельных расчетов
0.49
NCAR CCSM 3
0.6
0.59
NCAR PCM 1
0.61
UKMO HadCM 3
0.58
0.5
0.55
UKMO HadGEM 1
0.6
0.65
0.7
0.75
0.69
Диапазон облачности
и среднее значение
0.61
по данным наблюдений
по данным реанализа
0.63
по модельным расчетам
Рис. 1.4. Глобально осредненные значения среднегодовой облачности над океаном по различным данным.
меньше (0,6 для MERRA, 0,59 для JRA-25 и NCEP/DOE, 0,55 для NCEP/NCAR). Кроме того, по
данным реанализа MERRA и NCEP/NCAR количество облаков над океаном в ЮП меньше, чем
над океаном в СП. По данным JRA–25 облачность над океаном в СП и ЮП оценивается около
0,59. По данным NCEP/DOE реанализа и двух версий европейского реанализа, как и по данным
наблюдений, количество облаков больше над океаном ЮП, чем над океаном СП.
Согласно модельным расчетам, количество облаков над океаном оценивается в широком диапазоне от 0,49 (модель UKMO HadCM 3) до 0,78 (модель CNRM CM 3.0) (рис. 1.4), среднее по
ансамблю моделей для всего океана в целом составляет 0,63, что несколько ниже среднего по дан44
ным наблюдений. Стоит отметить, что для CMIP3ens количество облаков над океаном СП и ЮП
одинаково (0,63), что в целом характерно и для отдельных моделей, различие между количеством
облаков над океаном обоих полушарий не превышает 0,03 (достигая 0,05 в пользу ЮП по модели
MRI CGCM2.3.2). В то же время, в модели КМ ИФА РАН эта разница достигает 0,08 (количество
облаков над океаном составляет 0,64 для ЮП и 0,56 для СП), для всего океана в целом количество
облаков оценивается около 0,6, что ниже, чем по данным наблюдений.
По всем данным наблюдений количество облаков над сушей в целом ниже, чем количесвто
облаков над океаном. Наибольшая разница проявляется для данных MISR (0,33), наименьшая —
для данных UW HIRS (0,08), при этом разница между облачностью над сушей и океаном выше
в ЮП, чем в СП (в частности, по данным наземных наблюдений EECRA эта разница составляет
0,11 для СП и 0,16 для ЮП).
Зональная облачность
Согласно [23] корреляционная связь облачности в широтном направлении значительно теснее,
чем в меридиональном, вследствие этого облачные поля более однородны вдоль параллелей и
более изменчивы вдоль меридианов. В связи с этим оценка зонального распределения облачности
важна для анализа как самого поля облачности, так и для сравнения различных данных друг с
другом.
На рис. 1.5 представлены зависимости среднегодовой облачности от широты. Анализируемые
данные наблюдений (рис. 1.5а) достаточно хорошо согласуются друг с другом, и в целом адекватно
характеризуют общие закономерности распределения зональной облачности в средних и низких
широтах, с четко выраженными минимумами в тропиках и субтропиках (в диапазоне 0,45–0,65
для ЮП и 0,4–0,6 для СП) и максимумами в приэкваториальных (0,65–0,8) и умеренных широтах
(0,85–0,95 для ЮП и 0,6–0,8 для СП). Стоит отметить, что экваториальный максимум смещён в
СП (на 5–10◦ ), что близко к положению температурного максимума Земли.
В полярных широтах отмечаются заметные различия между разными данными, которые достигают 0,6 в ЮП и 0,5 в СП. Особенно значительны эти различия над снежной и ледовой подстилающей поверхностью. В частности, в антарктических широтах согласно данным PARASOL–POLDER
(основанным только на измерениях в видимом диапазоне) количество облаков около 0,1, по данным Patmos–X — около 0,2, в то же время по данным UW HIRS (основанным на измерениях в ИК
диапазоне) количество облаков над Антарктикой около 0,7. Существенные различия отмечены и в
арктических широтах, здесь по данным Patmos–X облачность составляет около 0,45, а по данным
45
-90
1
ЮП
-60
-30
0
30
60
СП
90
A
1
0.8
0.8
0.6
0.6
0.4
0.4
CERES Terra
CERES Aqua
PARASOL-POLDER
AIRS-LMD
CALIPSO-GOCCP
MISR
ATSR-GRAPE
EECRA
ISCCP
UW HIRS
Patmos-X
MODIS Aqua
MODIS Terra
0.2
0
-90
1
-60
-30
0
30
60
90
Б
0.2
0
1
0.8
0.8
0.6
0.6
0.4
0.4
ERA-40
ERA-Interim
NCEP/NCAR
NCEP/DOE
MERRA
JRA-25
0.2
EECRA
ISCCP
0
-90
1
-60
-30
0
30
60
0.2
90
B
0
1
0.8
0.8
0.6
0.6
0.4
0.4
EECRA
ISCCP
CMIP3
0.2
среднее по ансамлю
0
-90
КМ ИФА РАН
ЮП
-60
-30
BCCR BCM 2.0
CCMA CGCM 3.1
CNRM CM 3.0
CSIRO MK 3.0
CSIRO MK 3.5d
GFDL CM 2.0
GFDL CM 2.1
0
MIROC 3.2
MIUB ECHO-G
MPI-OM ECHAM 5
MRI CGCM2.3.2
NCAR CCSM 3
NCAR PCM 1
UKMO HadCM 3
UKMO HadGEM 1
GISS AOM
GISS model EH
GISS model ER
IAP FGOALS-g1.0
INGV SXG
INM CM 3.0
IPSL CM 4
30
60
СП
0.2
90
0
Рис. 1.5. Зонально осредненные значения среднегодовой облачности по данным наблюдений (А), по
данным реанализа (Б) и по модельным расчетам (В).
UW HIRS — около 0,9. По другим данным облачность над Арктикой находится в диапазоне от 0,6
до 0,8, над Антарктикой — в диапазоне от 0,3 до 0,6.
Зональные значения облачности по данным реанализа ERA в целом согласуются с данными на46
блюдений (рис. 1.5б) в средних и низких широтах (ERA–40 в большей степени, чем ERA–Interim).
В полярных областях количество облаков в высоких широтах по данным ERA больше, чем по
данным наблюдений (за исключением облачности по данным UW HIRS). По данным реанализа
NCEP и JRA–25 зональные значения облачности подобны наблюдаемым только вблизи экватора
и в низких широтах СП, в других районах доля облаков меньше, чем по спутниковым и наземным данным. Количество облаков по данным реанализа MERRA близко к наблюдаемому в
экваториальных, тропических и полярных широтах, но меньше в средних широтах (30–60◦ обоих
полушарий).
Согласном модельным расчетам (рис. 1.5в), отмечается широкий диапазон зонально-осреднённых
значений облачности с максимумами в экваториальных широтах (0,45–0,75) и в средних широтах ЮП и СП (0,7–0,95 и 0,6–0,85 соответственно) и минимумами в тропических широтах ЮП и
СП (0,35–0,6). Согласно многим моделям, экваториальный максимум смещен из СП (по данным
наблюдений он находится около 10◦ с.ш.) в ЮП. В полярных широтах отмечены существенные
различия облаков по модельным расчетам, так, над Арктикой количество облаков находится в
диапазоне от 0,5 до 0,95, над Антартикой —- от 0,05 до 0,95. Стоит отметить, что различные модели, недооценивая количество облаков в одних широтных зонах, в других, наоборот, переоценивают.
Наибольшие отличия от облачности по данным наблюдений отмечены в моделях CNRM CM 3.0
(в бо́льшую сторону) и UKMO HadCM 3 (в меньшую). Согласно CMIP3ens , зональная облачность
близка к наблюдаемой в полярных и экваториальных широтах, и меньше в тропических и умеренных (от 20◦ до 60◦ в обоих полушариях). По расчётам с КМ ИФА РАН, количество облаков
соответствует данным наблюдений в низких широтах, в то же время в полярных оно существенно
меньше.
Зональная облачность над сушей На рис. 1.6 представлено зональное распределение
среднегодовой облачности над сушей. По всем данным проявляются максимумы облачности в
экваториальных широтах (в диапазоне 0,6–0,85) (по данным ATSR–GRAPE экваториальный максимум практически не проявляется) и в средних широтах (0,7–0,85 в ЮП и 0,5–0,75 в СП), а
также минимумы в тропиках и субтропиках (0,2–0,6). Наибольшее количество облаков отмечаетя
по данным UW HIRS (до 0,8 а экваторе и до 0,5 в тропиках), наименьшее — по данным MISR (до
0,2 в тропиках СП). В полярных широтах проявляются существенные различия между разными
данными: от 0,2 по данным Patmos–X и PARASOL–POLDER до 0,7 а по данным UW HIRS.
Что касается данных реанализа (рис. 1.6б), то по данным ERA и MERRA количество облаков
над сушей близко к наблюдаемому, небольшая недооценка отмечается только в низких и средних
47
-90
1
ЮП
-60
-30
0
30
60
СП
90
A
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
EECRA
CRU
0
-90
1
-60
-30
MODIS Terra
MODIS Aqua
CERES Terra
CERES Aqua
ISCCP
Patmos-X
UW HIRS
0
30
Б
PARASOL-POLDER
0.2
AIRS-LMD
CALIPSO-GOCCP
MISR
ATSR-GRAPE
0
60
90
1
0.8
0.8
0.6
0.6
0.4
0.4
ERA-40
ERA-Interim
NCEP/NCAR
NCEP/DOE
MERRA
JRA-25
0.2
EECRA
ISCCP
0
-90
1
-60
-30
0
30
60
0.2
90
B
0
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0
-90
EECRA
ISCCP
CMIP3
КМ ИФА РАН
ЮП
-60
BCCR BCM 2.0
CCMA CGCM 3.1
CNRM CM 3.0
-30
CSIRO MK 3.0
CSIRO MK 3.5d
GFDL CM 2.0
GFDL CM 2.1
GISS AOM
GISS model EH
GISS model ER
0
30
INGV SXG
INM CM 3.0
IPSL CM 4
IAP FGOALS-g1.0
MIROC 3.2
60
MIUB ECHO-G
MPI-OM ECHAM 5
MRI CGCM2.3.2
0.2
NCAR CCSM 3
NCAR PCM 1
UKMO HadCM 3
UKMO HadGEM 1
СП
90
0
Рис. 1.6. Зонально осредненные значения среднегодовой облачности над сушей по данным наблюдений
(А), по данным реанализа (Б) и по модельным расчетам (В).
широтах ЮП. Согласно данным NCEP, величина зональной облачности близка к полученной по
данным наблюдений Parasol–Polder и Patmos–X, но меньше, чем по другим данным. Облачность
над сушей по данным JRA-25 подобна облачности по данным наблюдений в экваториальных ши48
ротах, в средних широтах её величина меньше наблюдаемой (кроме данных MISR), в полярных
широтах ЮП — больше.
Согласно модельным расчётам (рис. 1.6в), в зональной облачности (как и по данным наблюдений) проявляются максимумы в экваториальных и средних широтах и минимумы в тропиках.
Наибольшие различия в зональной облачности проявляются над Антарктидой, где среднегодовое
количество облаков варьируется от 0,05 (по модели GISS AOM) до 0,95 (по модели IAP FGOALSg1.0). Согласно CMIP3ens , зональная облачность над сушей близка к наблюдаемой в высоких и
экваториальных широтах, и меньше в тропических и умеренных (от 20◦ до 60◦ в обоих полушариях). КМ ИФА РАН в целом адекватно вопроизводит зональные значения облачности над сушей,
за исключением полярных широт, где количество облаков меньше наблюдаемого.
Зональная облачность над океаном В зональном распределении среднегодовой облачности над океаном (рис. 1.7) экваториальный максимум (в диапазоне 0,65–0,8) смещен к широте
10◦ в СП и по величине он меньше максимумов умеренных широт. Так в умеренных широтах
ЮП облачность достигает 0,85–0,95 (по данным EECRA и UW HIRS максимум проявляется на
65◦ ю.ш., по данным ISCCP — на 55◦ ю.ш.) в умеренных широтах СП — около 0,8. В тропических
и субтропических широтах проявляется минимум облачности (0,5–0,6 в СП и 0,55–0,65 в ЮП). Отмечено подобие среднегодовой облачности по различным данным практически во всех широтах,
кроме области над Северно-Ледовитым океаном (где различия могут достигать 0,5). Наименьшее
количество зонально-осредненной облачности над океаном отмечено в низких широтах по данным
PARASOL–POLDER, в высоких — по данным Patmos–X (рис. 1.7а).
Данные двух версий реанализа ERA (рис. 1.7б) подобны данным наблюдений практически во
всех широтах, за исключением тропических широт ЮП, где облачность по данным реанализа
меньше, чем по данным наблюдений. Облачность по данным ERA–Interim меньше наблюдаемой
и в тропических широтах СП. По данным двух версий реанализа NCEP, реанализа MERRA и
реанализа JRA–25 общее количество облаков над океаном в средних и высоких широтах заметно
меньше общего количество облаков по данным наблюдений, подобие отмечено только в низких
широтах.
Согласно модельным расчётам (рис. 1.6в), в зональной облачности над океаном проявляются
минимумы в тропиках, основные максимумы в средних и экваториальных широтах. Наибольшие
различия между разными моделями проявляются в экваториальных широтах (до 0,4), согласно
большинству моделей (а также среднего по ансамблю CMIP3ens ) проявляется второй экваториальный максимум вблизи 10◦ ю.ш. (в некоторых моделях его величина может быть даже больше,
49
-90
1
ЮП
-60
-30
0
30
60
СП
90
A
1
0.8
0.8
0.6
0.6
0.4
0.4
EECRA
ICOADS
0.2
-90
1
-60
-30
MODIS Terra
MODIS Aqua
CERES Terra
CERES Aqua
ISCCP
Patmos-X
UW HIRS
0
30
Б
PARASOL-POLDER
0.2
AIRS-LMD
CALIPSO-GOCCP
MISR
ATSR-GRAPE
0
60
90
1
0.8
0.8
0.6
0.6
0.4
ERA-40
ERA-Interim
NCEP/NCAR
NCEP/DOE
MERRA
JRA-25
0.4
EECRA
ISCCP
0.2
-90
1
-60
-30
0
30
60
0.2
90
B
0
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
-90
EECRA
ISCCP
CMIP3
A РАН
КМ ИФА
ЮП
-60
BCCR BCM 2.0
CCMA CGCM 3.1
CNRM CM 3.0
-30
CSIRO MK 3.0
CSIRO MK 3.5d
GFDL CM 2.0
GFDL CM 2.1
GISS AOM
GISS model EH
GISS model ER
0
INGV SXG
INM CM 3.0
IPSL CM 4
IAP FGOALS-g1.0
MIROC 3.2
30
60
MIUB ECHO-G
MPI-OM ECHAM 5
MRI CGCM2.3.2
0.2
NCAR CCSM 3
NCAR PCM 1
UKMO HadCM 3
UKMO HadGEM 1
СП
90
0
Рис. 1.7. Зонально осредненные значения среднегодовой облачности над океаном по данным наблюдений
(А), по данным реанализа (Б) и по модельным расчетам (В).
чем в СП), что не отмечено ни по каким данным наблюдений. В целом, практически на всех широтах по данным CMIP3ens величина зонально-осредненной облачности над океаном ниже, чем по
данным наблюдений. То же самое отмечено и для модели КМ ИФА РАН.
50
Региональная облачность
Согласно анализу пространственного распределения облачности (для некоторых данных оно
приведено на рис. 1.18) всем данным наблюдений, наибольшее количество облачности наблюдается
Рис. 1.8. Среднегодовое распределение облачности по отдельным данным (черным пунктиром указаны
значения среднеквадратическое отклонение).
над океаном в районе 50–60◦ ю.ш., где количество облаков варьируется от 0,8 до 0,9 (по данным UW
HIRS, MODIS и MISR и до 0,95). Также максимумы проявляются над океаном средних широт СП, а
также над сушей и океаном вблизи экватора, причем экваториальный максимум лучше выражен
по данным спутниковых наблюдений (до 0,8), по наземным — только до 0,7 (в Атлантике не
51
выше 0,6). Хорошо проявляются максимумы облачности (как по спутниковым, так и по наземным
данным) над холодными океаническими течениями (до 0,9 практически по всем данным).
Минимумы облачности отмечаются в зонах влияния субтропических антициклонов над океаном (около 0,4) и над пустынными регионами суши, причем здесь различия между данными
могут достигать существенных значений (в частности, над Сахарой по данным UW HIRS количество облаков около 0,4, по данным MISR и PARASOL–POLDER — около нуля). Также существенные различия отмечены над Антарктидой (от значений, близких к нулю по данным Patmos–X
и PARASOL–POLDER до 0,7–0,8 по данным UW HIRS и ATSR–GRAPE) и Арктикой (от 0,5 по
данным Patmos–X до 0,8 по данным EECRA, ISCCP и ATSR–GRAPE).
Наибольшие межгодовые вариации облачности (характеризуются среднеквадратическим отклонением, обозначенным пунктиром на рис. 1.18) отмечены в экваториальной области Тихого
океана, по некоторым данным значение СКО здесь достигает 0,1–0,2 (до 30% от среднегодовых
значений). Такие существенные вариации облачности связаны с ялением Эль-Ниньо / Ла-Нинья,
развивающимся в этом регионе [87, 90]). В других регионах значение СКО не превышает 5% от
среднегодовых значений.
Что касается данных реанализа, то в целом они близки к наблюдаемым, существенная недооценка наблюдается только по данным NCEP — главным образом над океаном в средних широтах
СП и ЮП. При этом, по данным NCEP/NCAR, MERRA и JRA–25 количество облаков над экваториальными широтами больше, чем над средними (по данным наблюдений наоборот), а согласно
большинству модельных расчетов, отмечается недооценка облачности в экваториальных широтах.
При этом и модельные расчеты и данные реанализа существенно недооценивают облачность над
холодными океаническими течениями у западных побережий (0,5–0,6 вместо 0,9).
1.2.2
Диагностика годового хода облачности и анализ облачности в различные сезоны
Наряду со среднегодовыми значениями облачности, проведена оценка годового хода облачности
для полушарно-осредненных значений, выявлены сезонные различия зональной и региональной
облачности.
52
Годовой ход полушарной облачности
Согласно данным наблюдений полушарно осредненные значения облачности летом больше, чем
зимой (рис. 1.9) [59, 61] (см. также [175]). В СП летом количество облаков находится в диапазоне
0,55–0,76 с максимумом в июне-июле. Минимум (в диапазоне 0,48–0,71) отмечается в февралемарте (по данным PARASOL–POLDER — в апреле). По данным ATSR–GRAPE годовой ход облачности в СП практически не выражен. В ЮП зимний минимум (в диапазоне 0,59–0,73) приходится на июнь-июль, летний максимум — на январь-февраль (в диапазоне 0,66–0,78), исключение
составляют данные PARASOL–POLDER, согласно которым в эти месяцы проявляется минимум
облачности (до 0,59), а максимум отмечен в апреле и в августе (0,62). Наибольшая годовая амплитуда как в СП, так и в ЮП отмечена по данным Patmos–X (0,12 для СП и 0,10 для ЮП).
0.8
0.8
А
0.8
Б
0.7
0.7
0.7
0.6
0.6
0.6
0.5
0.5
0.5
янв фев мар
апр май июн июл авг
EECRA
сен
ISCCP
UW HIRS
Patmos-X
MODIS Aqua
MODIS Terra
CERES Terra
окт
ноя
дек
янв фев мар
CERES Aqua
PARASOL-POLDER
AIRS-LMD
CALIPSO-GOCCP
MISR
ATSR-GRAPE
апр май июн июл авг
ERA-40
ERA-Interim
NCEP/NCAR
NCEP/DOE
MERRA
JRA-25
сен
окт
ноя
дек
CMIP3
среднее по ансамблю
КМ ИФА РАН
Рис. 1.9. Годовой ход полушарно-осредненной облачности в СП (А) и в ЮП (Б) по различным данным.
Годовой ход полушарно-осредненной облачности по данным реанализа в СП близок к годовому ходу облачности по данным наблюдений (с максимумом в летние месяцы и минимумом в
зимние), в ЮП минимум с июня-июля смещен на август-сентябрь. Исключение составляют данные реанализа NCEP/DOE, согласно которому полушарная зимняя облачность больше летней.
Согласно CMIP3ens в СП годовой ход практически не выражен, а в ЮП, как и по данным реанализа, минимум смещен на август-сентябрь. Согласно расчетам с КМ ИФА РАН, годовой ход
полушарно-осредненной облачности в целом соответствует ходу облачности по данным наблюде53
ний (с амплитудой около 0,1).
Годовой ход глобальной и полушарной облачности над сушей По данным наблюдений полушарная летняя облачность над сушей больше зимней (рис. 1.10). При этом, годовая
амплитуда количества облаков больше в ЮП, где доля суши меньше. Максимум облачности в
ЮП приходится на январь-февраль (в диапазоне от 0,5 по данным PARASOL–POLDER до 0,75
по данным UW HIRS), минимум — на июль-август (от 0,33 по данным MISR до 0,61 по данным
UW HIRS). Над сушей СП годовой ход облачности выражен слабо, причем по различным данным минимумы и максимумы отмечаются в разное время. Так, по данным AIRS–LMD, CERES
и Patmos–X минимум отмечается в январе, по данным EECRA и CRU — в феврале, по данным
PARASOL–POLDER и MISR — в марте (по данным MISR — до 0,33), по данным MODIS — в
апреле, по данным ISCCP и UW HIRS — в ноябре. Максимальные значения облачности над сушей
СП проявляются с мая по август (по разным данным в разные месяцы. Исключение составляют
данные ATSR–GRAPE, согласно которым в летнее время проявляется минимум облачности. В обоих полушарих наибольшая амплитуда годового хода облачности над сушей отмечена по данным
Patmos–X (≈0,2 для СП и ≈0,3 для ЮП).
0.8
0.8
А
0.8
Б
0.7
0.7
0.7
0.6
0.6
0.6
0.5
0.5
0.5
0.4
0.4
0.4
0.3
янв фев мар
апр май июн июл авг
EECRA
CRU
сен
ISCCP
UW HIRS
Patmos-X
MODIS Aqua
MODIS Terra
CERES Terra
окт
ноя
0.3
дек янв фев мар
CERES Aqua
PARASOL-POLDER
AIRS-LMD
CALIPSO-GOCCP
MISR
ATSR-GRAPE
апр май июн июл авг
ERA-40
ERA-Interim
NCEP/NCAR
NCEP/DOE
MERRA
JRA-25
сен
окт
ноя
0.3
дек
CMIP3
среднее по ансамблю
КМ ИФА РАН
Рис. 1.10. Годовой ход полушарно-осредненной облачности над сушей в СП (А) и в ЮП (Б) по различным
данным.
54
Согласно данным реанализа и модельным расчетам минимум облачности в зимнее время и
максимум в летнее проявляется только над сушей ЮП. В СП годовой ход выражен слабо, причем
если по данным двух версий реанализа NCEP он в целом соответствует наблюдаемому, то по
другим данным в зимнее время вместо минимума отмечается максимум, а в летнее — вместо
максимума — минимум. В противофазе к данным наблюдений находится и годовой ход облачности
над сушей СП и по согласно модельным расчётам CMIP3ens .
Годовой ход глобальной и полушарной облачности над океаном Годовой ход облачности над океаном (рис. 1.11) достаточно хорошо выражен в СП с максимумом в июне-июле (в диапазоне 0,59–0,78) и минимумом в феврале-апреле (0,52–0,72). По данным ATSR–GRAPE максимум
облачности над океаном СП отмечен в мае (до 0,71), минимум — в январе (0,62). Максимальная амплитуда годового хода отмечена по данным Patmos–X (0,12). Над океаном ЮП (площадь которого
на треть больше, чем в СП), амплитуда годового хода согласно большинству данных практически в два раза меньше, чем в СП (за исключением данных ATSR–GRAPE, согласно которым
амплитуда в ЮП достигает 0,11). Минимум облачности проявляется в июне-июле (в диапазоне
0,62–0,75), максимум — в январе-марте (0,67–0,79). Согласно данным PARASOL–POLDER летом
(декабрь-январь) проявляется максимум.
0.8
0.8
А
0.8
Б
0.7
0.7
0.7
0.6
0.6
0.6
0.5
янв фев мар
апр май июн июл авг
EECRA
ICOADS
сен
ISCCP
UW HIRS
Patmos-X
MODIS Aqua
MODIS Terra
CERES Terra
окт
ноя
0.5
дек янв фев мар
CERES Aqua
PARASOL-POLDER
AIRS-LMD
CALIPSO-GOCCP
MISR
ATSR-GRAPE
апр май июн июл авг
ERA-40
ERA-Interim
NCEP/NCAR
NCEP/DOE
MERRA
JRA-25
сен
окт
ноя
0.5
дек
CMIP3
среднее по ансамблю
КМ ИФА РАН
Рис. 1.11. Годовой ход полушарно-осредненной облачности над океаном в СП (А) и в ЮП (Б) по различным данным.
55
Годовой ход облачности над океаном согласно данным реанализа и модельным расчётам в
целом соответствует наблюдаемому (с минимумом в конце зимы и максимумом в конце лета), за
исключением данных NCEP/DOE, согласно которым в СП проявляется два минимума – весной
и осенью, и два максимума – зимой и летом, а в ЮП минимум смещен к ноябрю-декабрю, зимой
же отмечается максимум (в июле).
Зонально-осреднённая облачность в зимний и летний период
Годовую амплитуду облачности на зональном и региональном уровне будем оценивать по разности между зимним и летним сезоном. На рис. 1.12 представлены зонально-осредненные значения облачности для двух сезонов — декабря-января-февраля (рис. 1.12а) и июня-июля-августа
(рис. 1.12б).
-90
1
ЮП
-60
-30
0
30
60
СП
90
A
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
-90
1
-60
-30
0
30
60
90
Б
0
1
0.8
0.8
0.6
0.6
0.4
0.4
EECRA
ISCCP
UW HIRS
Patmos-X
MODIS Aqua
MODIS Terra
0.2
0
-90
ЮП
-60
-30
CERES Terra
CERES Aqua
PARASOL-POLDER
AIRS-LMD
CALIPSO-GOCCP
MISR
ATSR-GRAPE
0
ERA-40
ERA-Interim
NCEP/NCAR
NCEP/DOE
MERRA
JRA-25
30
0.2
CMIP3
среднее
по ансамблю
КМ ИФА РАН
60
СП
90
0
Рис. 1.12. Зонально-осредненные значения облачности по различным данным в разные сезоны года:
среднее за декабрь-январь-февраль (ДЯФ) (А) и среднее за июнь-июль-август (ИИА)(Б).
Анализируемые данные наблюдений достаточно хорошо согласуются друг с другом низких
широтах, при этом в полярных широтах отмечаются существенные различия, главным образом
56
-90
0.8
ЮП
-60
-30
0
30
60
СП
90
А
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
-0.2
-0.2
-0.4
EECRA
-0.6
-90
0.8
-60
-30
ISCCP
Patmos-X
UW HIRS
0
PARASOL-POLDER
AIRS-LMD
CALIPSO-GOCCP
MISR
ATSR-GRAPE
MODIS Terra
MODIS Aqua
CERES Terra
CERES Aqua
30
60
90
Б
-0.4
-0.6
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
-0.2
-0.4
EECRA
ISCCP
-0.6
-90
0.8
-60
-30
0
30
-0.2
ERA-40
ERA-Interim
NCEP/NCAR
NCEP/DOE
MERRA
JRA-25
60
-0.4
90
B
-0.6
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
-0.2
-0.4
EECRA
ISCCP
CMIP3
среднее по ансамлю
-0.6
-90
КМ ИФА РАН
ЮП
-60
BCCR BCM 2.0
CCMA CGCM 3.1
CNRM CM 3.0
CSIRO MK 3.0
CSIRO MK 3.5d
GFDL CM 2.0
GFDL CM 2.1
-30
GISS AOM
GISS model EH
GISS model ER
IAP FGOALS-g1.0
0
INGV SXG
INM CM 3.0
IPSL CM 4
MIROC 3.2
MIUB ECHO-G
MPI-OM ECHAM 5
MRI CGCM2.3.2
30
-0.2
NCAR CCSM 3
NCAR PCM 1
UKMO HadCM 3
UKMO HadGEM 1
60
-0.4
СП
90
-0.6
Рис. 1.13. Сезонная разница (ИИА−ДЯФ) зонально-осредненных значений облачности по данным наблюдение (А), по данным реанализа (Б) и по модельным расчетам (В).
— в зимний период. В частности, над Арктикой в зимнее время наименьшее количество облаков
отмечено по данным Patmos–X (до 0,15), наибольшее — по данным UW HIRS (до 0,95). Похожие
различия отмечены и зимой южного полушария над Антарктидой.
57
Наибольшие вариации облачности между зимой и летом (рис. 1.13) связаны со смещением
внутритропической зоны конвергенции (ВЗК) и муссоной циркуляцией. При этом в средних и
низких широтах отмечено подобие различных данных. В целом, в низких широтах облачность
больше в летний пероид (на 0,1–0,2 по разным данным с максимумом около 10-15◦ ), чем в зимний.
В средних широтах, наоборот, количество облаков больше зимой и меньше летом. В полярных
широтах обоих полушарий выявлены существенные различия между разными данными. В полярных широтах ЮП облачность по данным ISCCP, UW HIRS, MODIS, MISR и CERES Terra больше
зимой и меньше летом. По другим данным, наоборот, количество облаков меньше в зимние месяцы
(рис. 1.13а). В полярных широтах СП по данным ISCCP и UW HIRS количество облаков больше
летом, по другим данным — зимой. Наибольшие изменения в полярных широтах от зимы к лету
отмечены по данным Patmos–X (до 0,4 в ЮП и до 0,7 в СП).
Различия сезонной облачности по данным реанализа (рис. 1.13б) и по расчетам с глобальными
климатическими моделями (рис. 1.13в) в целом соответствуют наблюдаемым, с преобладанием летней облачности в тропиках и зимней в средних широтах. При этом, по данным реанализа MERRA,
а также согласно некоторым моделям, отмечается бо́льшая (чем по данным наблюдений) годовая
амплитуда зонально-осредненной облачности в тропических широтах (смещена к 15-20◦ ). В то же
время по данным реанализа NCEP/DOE, годовая амплитуда в низких широтах не превышает 0,1
(в связи с чем по данным NCEP/DOE отмечается «обратный» годовой ход облачности (рис. 1.9). В
полярных широтах обоих полушарий отмечены существенные различия между разными данными
реанализа и модельными расчётами, но в целом и над Арктикой и над Антарктикой облачность
больше в июне-июле-августе и меньше в декабре-январе-феврале.
Зонально-осреднённая облачность над сушей в зимний и летний период На рис. 1.14
представлены сезонные значения зонально-осредненных значений облачности. Летом отмечается
сдвиг экваториального максимума облачности в сторону тропических широт (связано с миграцией ВЗК) и сокращение области субтропического минимума. В зимнем полушарии, наоборот,
увеличивается область субтропического минимума. Наибольшая разница между летней и зимней
облачностью проявляется около широты 15◦ в обоих полушариях (рис. 1.15). В целом, по данным
спутниковых наблюдений (за исключением ATSR–GRAPE) эта разница выше, чем по наземным
наблюдениям, в частности, по данным MODIS летняя облачность на этой широте больше зимней
на 0,45 в СП и на 0,55 в ЮП. По данным CRU эта разница не превышает 0,25 в СП и 0,35 в ЮП.
По данным ATSR–GRAPE разница между летней и зимней облачностью также положительна, но
меньше, чем по другим наблюдениям (главным образом — за счет недооценки летней облачности
58
над муссонными областями Южной Азии и Африки).
-90
1
ЮП
-60
-30
0
30
60
СП
90
A
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
-90
1
-60
-30
0
30
60
90
Б
0
1
0.8
0.8
0.6
0.6
ISCCP
UW HIRS
Patmos-X
MODIS Aqua
MODIS Terra
CERES Aqua
CERES Terra
PARASOL-POLDER
AIRS-LMD
0.4
0.2
0
-90
EECRA
CRU
ЮП
-60
-30
0.4
CALIPSO-GOCCP
MISR
ATSR-GRAPE
0
CMIP3
среднее
по ансамблю
КМ ИФА РАН
30
ERA-40
ERA-Interim
NCEP/NCAR
NCEP/DOE
MERRA
JRA-25
60
СП
0.2
90
0
Рис. 1.14. Зонально-осредненные значения облачности над сушей по различным данным в разные сезоны
года: ДЯФ (А) и ИИА (Б).
Над сушей субтропических широт количество облаков согласно данным наблюдений выше в
зимний период. В средних и в полярных широтах проявляются существенные различия между
разными данными, главным образом в зимнее время над снежным покровом. Так зимой над сушей
полярных регионов по данным Patmos–X облачность около 0,1, а по данным UW HIRS и CERES
Terra около 0,8. Различается и оценка сезоннных различий. В частности, согласно данным MODIS
и ATSR–GRAPE в средних широтах СП зимняя облачность на 0,2–0,3 больше летней. По другим
данным наблюдений эта разница не столь существенна, а по данным Patmos–X и AIRS–LMD,
наоборот, количество облаков больше летом. Неопределённость отмечена и над Антарктидой, где
по данным EECRA, AIRS–LMD и Patmos–X облаков больше летом, по данным ISCCP, UW HIRS,
MODIS и CERES — зимой.
Сезонный ход зонально-осреднённой облачности по данным реанализа и модельным расчётам хорошо согласуется с данными наблюденимй в низких широтах, однако в средних широтах
59
-90
0.6
ЮП
-60
-30
0
30
60
СП
90
A
0.6
0.4
0.4
0.2
0.2
0
0
-0.2
-0.2
-0.4
-0.4
-0.6
EECRA
CRU
-0.8
-90
0.6
-60
-30
MODIS Terra
MODIS Aqua
CERES Terra
CERES Aqua
ISCCP
Patmos-X
UW HIRS
0
30
Б
PARASOL-POLDER
AIRS-LMD
-0.6
CALIPSO-GOCCP
MISR
ATSR-GRAPE
-0.8
60
90
0.6
0.4
0.4
0.2
0.2
0
0
-0.2
-0.2
-0.4
-0.6
EECRA
ISCCP
-0.8
-90
0.6
-60
-30
0
30
-0.4
ERA-40
ERA-Interim
NCEP/NCAR
NCEP/DOE
MERRA
JRA-25
60
-0.6
90
B
-0.8
0.6
0.4
0.4
0.2
0.2
0
0
-0.2
-0.2
-0.4
EECRA
ISCCP
CMIP3
КМ ИФА РАН
-0.6
-0.8
-90
ЮП
-60
BCCR BCM 2.0
CCMA CGCM 3.1
CNRM CM 3.0
CSIRO MK 3.0
CSIRO MK 3.5d
-30
GFDL CM 2.0
GFDL CM 2.1
0
GISS AOM
GISS model EH
GISS model ER
INGV SXG
INM CM 3.0
IPSL CM 4
30
-0.4
IAP FGOALS-g1.0
MIROC 3.2
MIUB ECHO-G
MPI-OM ECHAM 5
60
MRI CGCM2.3.2
NCAR CCSM 3
NCAR PCM 1
UKMO HadCM 3
UKMO HadGEM 1
СП
90
-0.6
-0.8
Рис. 1.15. Сезонная разница (ИИА−ДЯФ) зонально-осредненных значений облачности над сушей по
данным наблюдение (А), по данным реанализа (Б) и по модельным расчетам (В).
(40–70◦ ) климатические модели и данные реанализа недооценивают значение летней облачности
(рис. 1.14б), в результате чего в средних широтах СП и ЮП отмечается бо́льшая разница между зимой и летом (близка к нуля по данным наблюдений и составляет около 0,2–0,3 в пользу
60
зимнего сезона по модельным расчетам и данным реанализа). В высоких широтах по модельным
расчётам отмечается существенная неопределенность сезонных различий облачности, по отдельным моделям количество облаков больше зимой (разница до 0,55), по отдельным — летом (до 0,4),
по некоторым моделям эта разница близка к нулю. Сезонная разница согласно CMIP3ens близка
к данным ISCCP, но отличается по знаку от данных EECRA (в высоких широтах как ЮП, так и
СП).
Зонально-осреднённая облачность над океаном в зимний и летний период Согласно рис. 1.16, среднее за сезоны количество облаков над океаном хорошо согласуется по различным
спутниковым и наземным наблюдениям. И зимой и летом проявляется максимум облачности над
5–10◦ с.ш. (до 0,8), и максимумы в средних широтах (до 0,95). Различия между данным наблюдений отмечены в высоких широтах, главным образом в зимние месяцы. Меньшее количество
-90
1
ЮП
-60
-30
0
30
60
СП
90
A
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
-90
1
-60
-30
0
30
60
90
Б
0
1
0.8
0.8
0.6
0.6
ISCCP
UW HIRS
Patmos-X
MODIS Aqua
MODIS Terra
CERES Aqua
CERES Terra
PARASOL-POLDER
AIRS-LMD
0.4
0.2
0
-90
EECRA
ICOADS
ЮП
-60
-30
0.4
CALIPSO-GOCCP
MISR
ATSR-GRAPE
0
ERA-40
ERA-Interim
NCEP/NCAR
NCEP/DOE
MERRA
JRA-25
CMIP3
среднее
по ансамблю
КМ ИФА РАН
30
60
СП
0.2
90
0
Рис. 1.16. Зонально-осредненные значения облачности над океаном по различным данным в разные
сезоны года: ДЯФ (А) и ИИА (Б).
облаков определяется по данным Patmos–X и AIRS–LMD (до 0,2–0,4 в СП и до 0,15–0,2 в ЮП),
61
-90
0.8
ЮП
-60
-30
0
30
60
СП
90
А
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
-0.2
-0.2
-0.4
EECRA
ICOADS
-0.6
-90
0.8
-60
-30
ISCCP
Patmos-X
UW HIRS
MODIS Terra
MODIS Aqua
CERES Terra
CERES Aqua
0
30
PARASOL-POLDER
AIRS-LMD
CALIPSO-GOCCP
MISR
ATSR-GRAPE
60
90
Б
-0.4
-0.6
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
ERA-40
ERA-Interim
NCEP/NCAR
NCEP/DOE
MERRA
JRA-25
-0.2
-0.4
EECRA
ISCCP
-0.6
-90
0.8
-60
-30
0
30
60
-0.2
-0.4
90
B
-0.6
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
-0.2
EECRA
ISCCP
CMIP3
A РАН
КМ ИФА
-0.4
-0.6
-90
ЮП
-60
BCCR BCM 2.0
CCMA CGCM 3.1
CNRM CM 3.0
-30
CSIRO MK 3.0
CSIRO MK 3.5d
GFDL CM 2.0
GFDL CM 2.1
0
GISS AOM
GISS model EH
GISS model ER
INGV SXG
INM CM 3.0
IPSL CM 4
30
-0.2
IAP FGOALS-g1.0
MIROC 3.2
MIUB ECHO-G
MPI-OM ECHAM 5
MRI CGCM2.3.2
60
NCAR CCSM 3
NCAR PCM 1
UKMO HadCM 3
UKMO HadGEM 1
СП
90
-0.4
-0.6
Рис. 1.17. Сезонная разница (ИИА−ДЯФ) зонально-осредненных значений облачности над океаном по
данным наблюдение (А), по данным реанализа (Б) и по модельным расчетам (В).
большее — по данным UW HIRS (до 0,9). Согласно данным реанализа и модельным расчётам
облачность над океаном недооцеивается как в летний, так и в зимний период, главным образом
в низких широтах обоих полушарий и в средних широтах ЮП. Для летнего периода характер62
но лучшее согласие данных, чем для зимнего (за исключением данных ISCCP, согласно которым
количество облаков в СП к полюсу уменьшается, а не увеличивается как по остальным данным).
Годовой ход облачности (рис. 1.17) над океаном выражен слабо. В низких широтах максимальная межсезонная вариация (с разницей между сезонами до 0,2) проявляется около 15◦ с.ш. (где
летняя облачность больше зимней) и около 35◦ с.ш. (где зимняя облачность больше летней), и
связана она с миграцией субтропических антициклонов: в летнее время их центры расположены
около 20◦ с.ш., в зимнее — около 30◦ с.ш. (рис. 1.16). В средних широтах СП разница между летней
и зимней облачностью близка к нулю. В ЮП разница между сезонами около нуля и в средних
и в низких широтах. В высоких широтах обоих полушарий, из-за существенных различий при
определении зимней облачности, отмечены различия и в сезонной разнице. Тем не менее, согласно
большинству данных (за исключением ISCCP и UW HIRS), количество облаков над океанической поверхностью в высоких широтах больше в летний период (на 0,2–0,4 (на 0,7 по данным
Patmos–X)).
Большинство модельных расчётов и данных реанализа (рис. 1.17 б, в) в целом адекватно воспроизводит сезонные различия облачности над океаном в низких и средних широтах СП, однако в
ЮП отмечена бо́льшая по сравнению с данными наблюдений амплитуда годового хода (по данным
реанализа MERRA и некоторых моделей — до 0,2). В высоких широтах отмечены существенные
различия между разными данными.
Региональная облачность в зимний и летний период
На рис. 1.18 приведены статистически значимые различия (на уровне 5%)1 между региональными значениями облачности, осреднёнными за июнь-июль-август (ИИА) и за декабрь-январьфевраль (ДЯФ) по отдельным данным.
В низких широтах обоих полушарий отмечено подобие между разными данными. Наибольшие
различия между летом и зимой проявляются над сушей и в прибрежных районах в муссонных
областях, в частности в южной половине Африки амплитуда годового хода согласно большинству
спутниковых данных достигает 0,8 (по данным наземных наблюденй около 0,5), в Амазонии и
над Индией амплитуда составляет 0,5–0,7. Подобные региональные отличия (но с меньшей амплитудой) отмечены в этих областях и по данным реанализа и модельным расчётам. Хуже всего
сезонные различия в муссонных областях воспроизводятся по данным ATSR–GRAPE, согласно
которым региональные отличия не превышают 0,4 (причём проявляются они, главным образом,
1
Статистическая значимость оценивается согласно формуле
q
z = (|x − y|/ СКО2x + СКО2y [19]
63
EECRA
UW HIRS
Patmos-X
MODIS Aqua
ERA-40
CMIP3
Рис. 1.18. Сезонные статистически значимые различия региональной облачности (ИИА−ДЯФ) по отдельным данным.
над океаном, а не над сушей).
В средних широтах, из-за более активной циклонической деятельности в зимний период, над
океном отмечено преобладание зимней обланчости над летней (главным образом — в Атлантике
и в Средиземном море). Над материками, главным образом над восточными районами, где зимой
отмечается адвекция тепла (а значит, рост повторяемости антициклонов), а летом — адвекция хо-
64
лода (и рост повторяемости циклонов), облаков больше летом, чем зимой (за исключением данных
MODIS). Исключение — западные области материков, где сказывается влияние расположенных
к западу океанов, здесь облаков больше зимой, чем летом. Полученные результаты находятся в
согласии с полученными ранее (см. напр. [23]
В полярных широтах выявлены существенные различия в сезонном ходе облачности между
разными данными наблюдений. В частности, над Гренландией согласно EECRA, AIRS–LMD и
Patmos–X облаков больше летом, по другим данным — зимой. Над Северным ледовитым океаном по данным UW HIRS и ISCCP облаков больше зимой, по всем остальным данным — летом.
Существенная неопределённость выявлена и над Антарктидой (см. также рис. 1.15).
Согласно анализу сезонных различий региональнй облачности по модельным расчётам и данным реанализа, наиболее существенные отличия от данных наблюдений отмечены в восточной
Евразии, где согласно наблюдениям количество облаков больше летом, а по модельным расчётам
и данным реанализа — зимой. Подобные различия связаны как с переоценкой облачности зимой,
так и с недооценкой летом.
1.2.3
Анализ суточного хода облачности и его региональных
особенностей
Ночная и дневная облачность
Суточный ход приходящей солнечной энергии, температуры поверхности и содержания водяного пара обуславливает наличие суточного хода количества облаков [73, 80, 122, 163, 237]. Для
оценки амплитуды суточного хода, был проведен анализ отдельно ночной и дневной облачности.
Использовались данные наземных наблюдений EECRA (где дневная облачность — среднее по
наблюдениям с 6 утра до 6 вечера, ночная — с 6 вечера до 6 утра [121]), данные спутниковых
наблюдений Patmos–X (за период 2003–2006 гг. — по данным со спутников NOAA-16 и NOAA18, дневная облачность соответствует наблюдениям на восходящем витке (≈14:00 LT), ночная —
наблюдениям на нисходящем витке (≈02:00 LT)), а также наблюдения со спутников, входящих в
систему A–Train (см. табл. 1.4) — AIRS–LMD, CALIPSO–GOCCP, MODIS Aqua и CERES Aqua
(дневная облачность соответствует наблюдениям на восходящем витке (≈13:30 LT), ночная — наблюдениям на нисходящем витке (≈01:30 LT)).
На рис. 1.19 представлена разность между дневной и ночной облачностью по разным данным
над сушей и океаном, отдельно над сушей и отдельно над океаном. Согласно всем анализируемым
65
данным, дневная облачность меньше ночной над океаном, и, согласно большинству данных, больше над сушей. Различия отмечены в ЮП, где по данным AIRS–LMD и MODIS Aqua количество
облаков над сушей в ночное время больше, чем в дневное (разница доходит до 0,08). По другим
данным, облаков больше днём (разница тоже около 0,08). Над сушей СП согласно всем данным
облаков больше днём (по данным Patmos–X с разницей до 0,15). Над океаном обоих полушарий
количество облаков в целом больше ночью, чем днём, однако амплитуда меньше, чем над сушей
(достигает 0,03–0,05). Суточные различия над сушей и океаном имеют различный знак, поэтому
для суши и океана в целом (при глобальном осреднении) разница между ночной и дневной облачностью близка к нулю. В СП, за счёт бо́льшего вклада суточного хода над сушей, преобладает
дневная облачность, в ЮП, за счёт большей площади океана — ночная.
0.15
0.15
А
0.15
Б
0.1
0.1
0.1
0.05
0.05
0.05
0
0
0
-0.05
-0.05
-0.05
AIRS-LMD CALIPSOGOCCP
-0.1
CERES
Aqua
Patmos-X
MODIS
Aqua
EECRA
-0.1
AIRS-LMD CALIPSOGOCCP
CERES
Aqua
Patmos-X
MODIS
Aqua
В
AIRS-LMD CALIPSOGOCCP
CERES
Aqua
Patmos-X
MODIS
Aqua
EECRA
Суша и океан
Суша
Океан
EECRA
-0.1
Рис. 1.19. Разница между количеством облаков днем и ночью по различным данным над разной подстилающей поверхностью при глобальном осреднении (А), для СП (Б) и для ЮП (В).
Количество облаков, осредненных по кругу широты (рис. 1.20), над сушей внетропических
широт СП и ЮП как в среднем за год, так и в различные сезоны, больше днём, чем ночью. В
тропических широтах по данным AIRS–LMD и MODIS Aqua количество облаков больше ночью
(различия достигают 0,2, при этом по данным MODIS Aqua они больше в зимний период, по данным AIRS–LMD — в летний), а по остальным спутниковым данным, а также по данным наземных
наблюдений, ночная облачность больше дневной только на широтах 10–20◦ летнего полушария,
на остальных широтах количество облаков больше днём.
Над океаном отмечено согласие различных данных: в низких широтах (< 30 − 40◦ ) преобладает
ночная облачность, в средних и высоких широтах — дневная. В высоких широтах практически
не проявляется зависимость от сезона. В тропиках разница между облачностью ночью и днём (в
пользу ночной облачности) больше в летний период, чем в зимний.
На рис. 1.21 отмечены региональные статистически-значимые различия (на уровне 5%)1 между
1
Статистическая значимость разницы между дневной и ночной облачность оценивалась аналогично оценке зна-
66
0.2
-60
ЮП
-30
0
30
СП
60
А1
0.1
0
0.2
0.1
0.1
-0.2
0.2
Б1
0.1
-0.1
-0.1
-0.2
0.2
-0.2
0.2
-0.2
0.2
В1
0.1
0
-0.1
-0.1
-0.2
0.2
-0.2
0.2
0.1
0.1
-60
ЮП
-30
0
30
СП
60
0
30
СП
60
-0.1
-0.1
-0.2
-0.2
0.2
0.1
0
-0.1
-0.2
0.2
Б2
EECRA
Patmos-X
MODIS Aqua
CERES Aqua
AIRS-LMD
CALIPSO-GOCCP
0.1
0
-0.1
-0.2
0.2
В2
0.1
0
0
-0.1
-30
0
0
-0.1
ЮП
А2
0.1
0.1
0
-60
0
0
-0.1
-0.2
0.2
0
-0.1
-60
ЮП
-30
0
30
СП
60
-0.2
Рис. 1.20. Разница между зонально-осредненными значениями дневной и ночной облачности по различным данным над сшуей (1) и над океаном (2) при среднегодовом осреднении (А), ДЯФ(Б) и ИИА(В).
дневной и ночной облачностью для внеполярных регионов по спутниковым данным (по наземным
наблюдениям EECRA проявляется схожая картина суточного хода, однако разница между дневной
и ночной облачностью значима лишь в отдельных регионах2 ).
Наибольшие различия между днём и ночью, проявляющиеся по всем анализируемым данным,
отмечены в средних широтах Северной Америки и Евразии (где дневная облачность на 0,1–0,3
больше ночной, разница достигает 20% от среднего между ночью и днём) и над океанами низких
широт, главным образом — над восточными частями океанов (где дневная облачность на 0,1–
0,3 меньше ночной (20-30% от среднесуточной)). Также, согласно большинству данных, ночная
облачность больше дневной (с разницей до 0,4 (до 50% от среднесуточной)) в западной части центральной Африки. В восточной части Африки, а также над Австралией и Южной Америкой по
данным Patmos–X и CERES Aqua облаков больше днём, по данным AIRS–LMD и MODIS Aqua —
ночью (на Тихоокеанском побережье Южной Америки разница достигает 0,5). Подобные различия
чимости разницы между облачностью в различные сезоны
2
Связано с большим СКО ночной облачности, что в свою очередь определяется спецификой визуальных наблюдений за облаками в ночные сроки
67
AIRS-LMD
Patmos-X
MODIS Aqua
CERES Aqua
Рис. 1.21. Cтатистически значимые региональные различия между дневной и ночной облачностью по
отдельным данным. Пунктиром указано отношение (в %) разницы между дневной и ночной облачностью
к среднесуточному значению облачности (с шагом в 20%).
в этих регионах по-видимому связаны с различными алгоритмами детектирования и используемыми каналами наблюдений. Так, если дневная облачность над южными континенатами согласуется
по разным данным, то ночная сильно отличается. По данным AIRS–LMD и MODIS Aqua количество облаков ночью почти на 25% больше, чем по другим данным, что может быть связано либо
с переоценкой облачности верхнего яруса по этим данным, либо с их недооценкой по другим данным. Стоит отметить, что согласно наземным наблюдениям, над южными континентами дневная
облачность преобладает над ночной.
Ещё одна область существенных отличий — Тибетское плато, где по данным AIRS–LMD количество облаков больше ночью (на 0,1–0,2), согласно MODIS и CERES — немного больше днём
(на 0,1–0,2), согласно Patmos–X — существенно больше днём (разница достигает 0,5 (до 80% от
среднесуточной)). Подобные различия могут быть связаны с наличием снежного покрова и проблемой, связанной с определением облачности над снегом как днём (из-за схожего значения альбедо),
так и ночью (из-за схожей температуры). По наземным данным, над Тибетом значения ночной и
дневной облачности близки друг к другу.
68
Облачность в различное время суток
Измерения, полученные с помощью одинаковых приборов, установленных на различных ПС,
пересекающих экватор в разное время, позволяет получить более детальную информацию о суточном ходе облачности [237] (по сравнению с оценкой только дневных и ночных значений облачности). Использовались спутниковые данные MODIS и CERES, основанные на инструментах
MODIS, установленных на ПС Aqua и Terra1 (что позволяет получить информацию об облачности
4 раза за день — в 1:30, 10:30, 13:30 и 22:30 LT), а также данные Patmos–X отдельно для разных
спутников NOAA (облачность в 2:00, 7:00, 14:00 и 19:00 LT). Для всех данных анализировался
период с 2003 по 2006 гг.
На рис. 1.22 представлены значения среднегодового количества облаков в зависимости от времени суток по данным спутниковых наблюдений над различной подстилающей поверхностью для
глобально- и полушарно-осреднённых значений. Над сушей и над океаном отмечен противоположный суточный ход общей облачности. Поэтому над всей поверхностью Земли суточный ход
практически не выражен (рис. 1.22а).
Над сушей (рис. 1.22б) проявляется дневной максимум облачности, связанный с конвективной
облачностью нижнего яруса, максимум которой приходится на 13:00–13:30 LT [73, 80]. Минимум
общей облачности отмечен в утренние часы (когда отмечается минимум облачности верхнего и
нижнего ярусов [80]). В вечерние и ночные часы выявлена неопределённость по различным данным (особенно в ЮП). По данным CERES и Patmos–X ночью и вечером проявляется минимум
облачности, согласно MODIS — максимум1 .
Над океаном (рис. 1.22в) отмечается бо́льшая согласованность данных. Максимум общего количествоа облаков проявляется в ночное время и обусловлен «наложением» максимумов средней
облачности (около 5 утра), верхней облачности (около 20:00 LT во внетропических широтах и около
24:00 LT вблизи экватора [80]) и слоистой облачности нижнего яруса (от 4 до 8 утра [73, 80]). В целом, амплитуда суточного хода облачности над океаном заметно меньше, чем над сушей (0,02–0,04
и 0,1–0,16 соответственно).
1
Строго говоря, алгоритмы определения облачности CERES и MODIS имеют небольшие различия между ПС
Terra и Aqua, что связано с использованием на спутнике Aqua 6-го спектрального канала, а на спутнике Terra 7-го.
Связанные с этим незначительные отличия могут проявляться над снежной поверхностью [225]
1
Стоит отметить, что именно в вечернее и ночное время отмечается максимум облачности верхнего яруса, с
различным определением которого в разных алгоритмах могут связаны отмеченные различия.
69
А1
0.72
А2
0.72
0.68
0.68
0.68
0.64
0.64
0.64
0.6
0.6
0.6
0.56
0.56
0.56
0:00
6:00
12:00
18:00
0:00
Б1
0.6
0:00
6:00
12:00
18:00
0:00
Б2
0.6
0:00
0.56
0.56
0.52
0.52
0.52
0.48
0.48
0.48
0.44
0.44
0.44
6:00
12:00
18:00
0:00
В1
0.76
0:00
6:00
12:00
18:00
0:00
В2
0.76
0:00
0.72
0.72
0.68
0.68
0.68
0.64
0.64
0.64
6:00
12:00
18:00
0:00
0.6
0:00
6:00
12:00
18:00
0:00
0.6
0:00
12:00
18:00
0:00
18:00
0:00
Б3
6:00
12:00
В3
0.76
0.72
0.6
0:00
6:00
0.6
0.56
0:00
А3
0.72
CERES
MODIS
Patmos-X
6:00
12:00
18:00
0:00
Рис. 1.22. Среднегодовые значения облачности (и СКО) в разное время суток по спутниковым данным
при глобальном осреднении (1), для СП (2) и для ЮП (3), для облачности над сушей и океаном (А),
только над сушей (Б) и только над океаном (В).
1.2.4
Анализ различий между данными и причин этих различий
Пространственные различия между данными
В разделах 1.2.1 и 1.2.2 выявлены существенные различия между разными данными даже на
уровне глобально- и зонально-осреднённых величин как для среднегодовых, так и для сезонных
значений облачности. При этом, наибольшие различия между данными наблюдений проявляются в полярных регионах (особенно в зимний период), а также над субтропическими пустынями.
70
Более общую картину пространственных различий между данными можно получить, используя
диаграммы Тейлора [215], на которых могут быть одновременно отображены основные статистические характеристики пространственного распределения всех используемых баз данных. Для
построения диаграмм пространственное разрешение всех используемых баз данных приводилось к
единому («загрублялось» до 5◦ ), в качестве опорной базы данных, с которой сравнивались остальные, была выбрана база данных наземных наблюдений EECRA2 .
Среднегодовые значения облачности (рис. 1.23а) по данным спутниковых наблюдений в целом
хорошо согласуются с наземными данными (и друг с другом), коэффициент пространственной
корреляции (R) находится в диапазоне от 0,8 до 0,95. Лучшее согласие отмечено над океаном
(коэффициент корреляции около 0,9), при этом большинство спутниковых данных имеет бо́льшее
СКО по пространству над океаном, чем наземные наблюдения. Над сушей согласие между данными ниже (R < 0, 9, до 0,6 по некоторым данным), а значения СКО близки между спутниковыми
и наземными наблюдениями. Наибольшее пространственное согласие (по СКО и по R) с данными
наземных наблюдений отмечено для спутниковых наблюдений ISCCP и CERES, наименьшее —
для Patmos–X (над сушей — для ATSR–GRAPE).
Отмечена зависимость коэффициента пространственной корреляции между спутниковыми и
наземными наблюдениями от сезона. Для ДЯФ (рис. 1.23б) над сушей значения коэффициента
составляют около 0,8, в ИИА (рис. 1.23в) — около 0,9. Это связано с тем, что бо́льшая часть
суши расположена в СП, где зимой из-за наличия снежного покрова могут проявляться ошибки
в детектировании облачности со спутников. Также для ДЯФ по спутниковым данным отмечена
бо́льшая величина СКО по пространству, чем по данным наземных наблюдений. Для облачности
над океаном зависимость от сезона не проявляется.
Для пространственных различий между ДЯФ и ИИА (рис. 1.23г) корреляция между спутниковыми наблюдениями и наземными наблюдениями EECRA слабее, чем для отдельных сезонов
и среднегодовых значений. Над океаном диапазон коэффициента пространсвтенной корреляции
составляет 0,7–0,9, над сушей — только 0,4–0,8 (для данных ATSR–GRAPE — только 0,21 ). Значения СКО по пространству для сезонных различий общей облачности и над сушей и над океаном
по всем спутниковым данным выше, чем по данным наземных наблюдений.
Данные реанализа и модельные расчёты в целом лучше согласуются с данными наблюдений
над сушей. Для среднегодовой облачности над сушей значения коэффициента корреляции находятся в диапазоне 0,7–0,9 (чуть выше эти значения для ИИА, ниже — для ДЯФ), СКО практически
2
Этот выбор не подразумевает выделения наблюдений EECRA в качестве эталона, однако он удобен для нагляд-
ного сравнения.
1
При длине ряда 72 × 36 = 2592 такое значение все равно статистически значимо.
71
0
А2
0.2
0.4
0
А3
0.2
0.4
Данные наблюдений
А1
0.2
EECRA (E)
ISCCP (I)
UW HIRS (UH)
Patmos-X (PX)
MODIS Terra (Mt)
MODIS Aqua (Ma)
CERES Terra (Ct)
CERES Aqua (Ca)
PARASOLPOLDER (PP)
AIRS-LMD (AL)
CALIPSOGOCCP (CG)
MISR (M)
ATSRGRAPE (AG)
Данные реанализа
0
ERA-40 (e4)
ERA-Interim (ei)
NCEP/NCAR (nn)
NCEP/DOE (nd)
MERRA (m)
JRA-25 (j)
0.4
0.6
0.6
0.6
AG
iv
ic
np
iv
ir
ip
c0
uc mp cn
AG
nd
ga
gh gr g1
g0 c5 bc
PX
im
mmu
nn
0.8
mr
mi
cc
j
ALCG e4
nc
cm
UH
ir
M
gr
cn np
0.9
nd
0
0.4
0.6
0.8
Ca cm
1.2
1.4
0.4
0
0.6
0.8
1.2
im
uc
c0
cc
nc
nd
nn
ip
0.8
AL
j cm
e4
ei PP
CG
mi
Ma
UH
Ca Ct
0
0.6
0.8
nd
ic
1.2
1.2
1.4
j
I
g1
ir g0
mp
m
gh
gr
c5
c0
cc
nc
0.9
j
nd
Ca Ct
uc bc
ga
cn
UH
AL
nn
0.8
mr
CG
e4 PX
cm
0.95
mi
ei
M
Ma
AG
Mt
I
0.9
Ca
0.95
Ct
0.99
E
0
В1
0.2
im
0.8
0.95
1.4
1
1
0.6
e4
cm
UH
1
1
0.95
PP
Ca
Б3
c0 cc
Ma ug
nc uc mi mp
nn
0.9
Mt
0.8
0.2
mu
ALPP
m
ir
E
0.4
0.6
np
0.99
0.2
0.4
iv
g0
iv bc
mu
c5
mr CG Mt M
ic im
ug
I
0
0.2
0.6
ip
c5 mr bc
Ct
I Mt
E
0
1.4
PX
PX
AG cn mp ga
m
ir
ei
0.4
gr
mu g0
0.9
ug
CG
Ma
0.99
0
AG
0.6
g1
UH
1
1
Б2
0.2
np
ic
AL M
0.4
gh
cm
0.95
E
0.2
0.4
iv
mi
e4
cc
mr
g1
0.99
0
Б1
0.2
bc mp
g0 uc
AG
1
1
j PX
nc
nn
Ct
I
E
0.2
gh
gr
c5
cn ga
c0
0.99
0
0.8
m mu
im
imbcmr
ei
iv mu Ma
c5
ug m
e4
cc Mt
nc uc c0
mp
UH
0.95
Ct
ip g0
np
ir
ic
0.8
g1 ga
CG
mi
j
ei
Ca
I
nd nn
PP
Mt
Ma
ic
0.9
ug
PP
AL
M
PX
0.2
0.4
0
0.6
0.8
1.2
1.4
0
В2
0.2
E
1
1
0.2
0
0.4
0.6
0.8
среднее по ансамблю
1
1
1.2
1.4
В3
0.2
0.4
0.4
КМ ИФА РАН (ir)
CMIP3 (cm)
0.99
0.4
np
0.6
iv
ic
0.6
m
im
mu
np
ic
iv
ip
ga bcmr
gr im
mu
gh uc c5 mp
cn
c0
nd
CG mi
g1
nc j
AG
g0
cc e4
ir
0.8
m
nn
UH
ALcm
AG
ug
M
PP
Ma
PX Ca
0.9
ir
nd
ei
Mt
Ct
0.95
c5
cn
j
AL
AG
0.9
e4
cm
UH
bc
ga
g0
e4
CG
0.8
cm
UH
Ma
M
0.95
Ca
g1
mi
nc cc
nn
iv ghgr bc
cn
np
CG c5 g1
nc mr
PPg0 cc
mu c0 M im
uc ug ALm Ma
mi
Ct Mt
nn j
mp
PX ei
I
gr
nd
ga
ip
ic
gh
c0
ir
0.8
I
PX
ei
Mt Ct
0.9
Ca
0.95
I
0.99
E
0
0.2
0
0.4
0.6
0.8
1.2
1.4
0
Г1
0.2
E
1
1
0.99
0.99
0.2
0.4
0
0.6
0.8
1.2
1.4
0
Г2
0.2
0.4
E
1
1
0.2
0
0.4
0.6
cn
ip
iv ug
ga
uc
c5
ic c0 gr
im
mu
nn
ir
nc
g0
cm
nd
bc
gh
m
mp
0.6
cn
PP
g1
CG
gr
ga
M
mi
e4
j AL
ei
UH
0.8
gh
ip
AG
Ma Ca
mu
ir
0.9
Ct
I
ic
im
AL
c5 nc
iv
uc g0
mr
Mt
c0
mp
np
m
M
CG
PP
j
ug
cm
nn
mi
mp
ei e4
UH Ca
Ma
Ct
I
Mt
0.4
0.6
0.8
1
0.8
c0
0.9
1.4
m
AG
c5
icmu
nd
nn
ir
gh
cm
g0
nd
nc
j
g1
cc
ei
mi
PP
e4
UH
gr
0.8
Mt
AL
M
Ma
Ca
Ct
I
0.95
0.9
0.95
0.99
E
1
1.2
cn
im
0.95
E
0.2
ug
ip
bc
uc ga
iv
g1
0.99
0
1.4
0.6
mr
bc
PX
cc
1.2
0.4
0.6
AG
1
1
Г3
0.2
0.4
np
mr
0.8
0
0.2
0.4
0.6
0.8
1
0.99
E
1
1.2
1.4
0
0.2
0.4
0.6
0.8
1
1
1.2
1.4
Данные модельных расчётов
0.6
BCCR BCM 2.0 (bc)
CCMA
CGCM 3.1 (cc)
CNRM CM 3.0 (cn)
CSIRO MK 3.0 (c0)
CSIRO MK 3.5d (c5)
GFDL CM 2.0 (g0)
GFDL CM 2.1 (g1)
GISS AOM (ga)
GISS model EH (gh)
GISS model ER (gr)
IAP FGOALSg1.0 (ic)
INGV SXG (iv)
INM CM 3.0 (im)
IPSL CM 4 (ip)
MIROC 3.2 (mi)
MIUB ECHO-G (mu)
MPI-OM
ECHAM 5 (mp)
MRI
CGCM2.3.2 (mr)
NCAR
CCSM 3 (nc)
NCAR
PCM 1 (np)
UKMO
HadCM 3 (uc)
UKMO
HadGEM 1 (ug)
Рис. 1.23. Статистические характеристики пространственной связи (диаграммы Тейлора) общего количества облаков между данными наземных наблюдений EECRA и другими данными для среднегодовых
значений (А), ДЯФ (Б), ИИА (В), ИИА−ДЯФ (Г) для суши и океана (1), только для суши (2) и только
для океана (3). Угловая координата характеризует пространственный коэффициент корреляции между
данными EECRA и другими данными, радиальная координата характеризует СКО по пространству (нормированное на СКО EECRA).
72
для всех моделей и данных реанализа (кроме двух версий реанализа NCEP и КМ ИФА РАН) выше, чем СКО по наземным наблюдениям как для среднегодовых, так и для сезонных значений.
В то же время, для сезонной разницы (рис. 1.23г) по целому ряду моделей СКО по пространству
ниже, чем по наземным наблюдениям. Над океаном согласие между моделями и наблюдениями
хуже, чем над сушей. Коэффициент корреляции оценивается в диапазоне от 0,4 до 0,8 (для модели
IAP FGOALS-g1.0 для ДЯФ он близок к нулю). При этом практически не отмечено зависимости
корреляции от сезона. Для сезонной разницы коэффициент корреляции по модельным данным и
данным реанализа над океаном не превышает 0,7. Наилучшее пространственное согласие с данными наземных наблюдений (с учетом как корреляции, так и СКО) как для среднегодовых, так
и для сезонных значений, отмечено для среднего по ансамблю моделей CMIP3ens . Коэффициент
пространственной корреляции между облачностью по модельным расчётам с КМ ИФА РАН и
по данным наземных наблюдений находится около 0,6 над сушей и около 0,5 над океаном. При
этом для модельных расчётов отмечено меньшее значение СКО, чем по данным наблюдений (при
адекватном описании крупномасштабных облачных структур, в КМ ИФА РАН недооценивается
конвективная облачность [34]).
Неопределённость количества облаков, связанная с суточным ходом
Суточный ход облачности даже для глобально осреднённых величин может достигать 10-20%
от средней величины, а для отдельных регионов достигать 80% (см. раздел 1.2.3). Таким образом,
количественное определение облаков в существенной степени зависит от времени наблюдений,
которое различно для разных данных (см. табл. 1.2).
Для оценки неопределённости, связанной с различным временем наблюдений, были проанализированы данные Patmos–X за 2003–2006 гг., представленные отдельно для нисходящих и восходящих витков ПС NOAA на «утренней» и «дневной» орбите.
На рис. 1.24 представлены разности (в %) между глобально- и полушарно-осреднёнными значениями облачности, полученными с помощью только одного или двух наблюдений и полученными с
помощью четырёх наблюдений. Как в среднем за год, так и в различные сезоны основная неопределённость, связанная со временем наблюдений, отмечена над сушей. Так, если измерять облачность
только в полуденное время (около 14:00 LT), то над сушей можно получить завышенные значения
облачности (до 10–20%), если проводить измерения только в ночные или утренние часы, то, наоборот, будут получены заниженные значения (также до 10–20%). Использование двух наблюдений
в сутки (т.е. на восходящем и нисходящем витке) позволяет существенно снизить подобные различия. Тем не менее, измерения, проводимые дважды в сутки и основанные на «дневной» орбите
73
будут завышать количество облаков над сушей (на 5–10%), измерения, основанные на «утренней»
орбите — занижать (на те же 5–10%).
30
30
% Б1
30
%
20
20
10
10
0
0
-10
-10
-20
-20
Б2
% А
20
10
0
2:00
7:00
14:00
19:00
-30
-10
02:00
/14:00
07:00
/19:00
30
30
% В1
-20
2:00
7:00
14:00
19:00
-30
02:00
/14:00
07:00
/19:00
2:00
7:00
14:00
19:00
02:00
/14:00
07:00
/19:00
7:00
14:00
19:00
02:00
/14:00
07:00
/19:00
-30
%
20
20
10
10
0
0
-10
-10
-20
-20
В2
суша и океан
только суша
только океан
2:00
7:00
14:00
-30
19:00
02:00
/14:00
07:00
/19:00
2:00
-30
Рис. 1.24. Разница (в %) между одним наблюдением (1-4 столбцы) или средним за два наблюдения (5-6
столбцы) и средним за 4 наблюдения по данным Patmos–X для глобально-осредненных среднегодовых
значений (А), для зимнего периода (Б) и для летнего периода (В) (для СП (1) и для ЮП (2)).
Различия над океаном, связанные со временем наблюдения, гораздо меньше, чем над сушей (не
превышаеют 5–7%). В целом, ночные и утренние наблюдения будут воспроизводить завышенное
количество облаков, дневные и вечерние — заниженное. Бо́льшие различия проявляются в летний
период (рис. 1.24в), чем в зимний (рис. 1.24б). Использование двух наблюдений сводит подобные
различия практически к нулю (не выше 1–2%), при этом в зимний период наблюдения на «дневной» орбите будут несколько завышать значения облачности, а в летний — занижать (и наоборот
для наблюдений на «утренней» орбите).
Поскольку для суши и океана проявляются противоположные зависимости количества облаков
от времени наблюдений, на определение общего количество облаков (и над сушей и над океаном) за
счёт компенсационного эффекта, выбор времени наблюдений существенного влияния не оказывает.
Неопределённости, связанные с различия во времени наблюдений проявляется ещё заметнее на
74
региональном уровне (рис. 1.25). Так, использование только дневных наблюдений (рис. 1.25а) может привести к существенному занижению определяемого количества облаков над тропическими
широтами Атлантики, Индийского океана и восточных частей Тихого океана (до 20%). В то же
время, над континентами определяемое количество облаков будет завышенным, особенно сильно
(свыше 20%) — в горных районах (Тибет, Кордильеры, Анды, юго-восток Африки и Австралии)
где проявляется ярко выраженный суточный ход конвективной облачности, обусловленный орографией [237]. Использование двух наблюдений (рис. 1.25б) позволяет существенно снизить наблюдаемые региональные различия, над океанами, над Евразией и над Северной Америкой они
становятся близки к нулю, в то же время над южными районами Африки, над Австралией и
Южной Америкой различия сохраняются (количество облаков на 10% больше, чем в среднем за
сутки). Из-за учета ночной облачности проявляется минимум над пустынями Северной Африки и
Аравийского полуострова (значения облачности оказываются заниженными более, чем на 20% по
сравнению со среднесуточным значением). Региональные различия между количеством облаков,
определяемым по спутникам на «дневной» и по спутникам «утренней» орбите могут достигать
50% (рис. 1.25в).
Рис. 1.25. Разница (в %) среднегодовых значений облачности между наблюдением только в дневное время
(14:00 LT) и средним за 4 наблюдения в сутки (А), разница между наблюдениями на «дневной» орбите
(02:00/14:00 LT) и средним за 4 наблюдения в сутки (Б), разница между наблюдениями на «дневной»
орбите (02:00/14:00 LT) и «утренней» орбите (07:00/19:00 LT).
Эффектом, связанным с суточным ходом, объясняются отличия в данных CERES и MODIS
между спутниками Terra и Aqua. В целом, количество облаков, определяемое с помощью наблюде75
ний со спутника Aqua больше, чем со спутника Terra, главным образом над сушей (см. табл. 1.13),
что связано с временем наблюдения спутника Aqua вблизи дневного максимума конвективной
облачности над сушей (около 13:30 LT).
Различия, связанные с разницей во времени наблюдений, существенно зависят не только от
реального суточного хода облачности, но и от алгоритма определения облаков. В частности, один
алгоритм может недооценивать ночную облачность и переоценивать дневную, и наоборот. Особенно серьезные различия могут проявляться над холодной снежной поверхностью, которая днём
схожа с облачностью по альбедным характеристикам, а ночью — по температурным. Необходимо,
чтобы в алгоритме определения облачности учитывались обе эти особенности.
Неопределённость, связанная с выбором периода осреднения
Статистические характеристики для каждой базы данных (кроме раздела 1.2.3, посвящённого
анализу суточного хода облачности) расчитывались для временных периодов, индивидуальных
для каждой базы данных (согласно табл. 1.1). На рис. 1.26 приведены среднегодовые значения
глобально-осреднённой облачности по разным данным наблюдений, стоит отметить, что выделить
общий период для всех баз данных невозможно.
0.75
0.7
0.65
0.6
0.55
1970
1975
1980
1985
1990
1995
2000
2005
2010
EECRA
ISCCP
UW HIRS
Patmos-X
MODIS
Terra
MODIS
Aqua
CERES
Terra
CERES
Aqua
PARASOLPOLDER
AIRS-LMD
CALIPSOGOCCP
MISR
ATSRGRAPE
Рис. 1.26. Изменение среднегодовых значений облачности по различным данным наблюдений.
В связи с выбором различных периодов осреднения может проявляться неопределённость в
оценке как региональных, так и глобальных значений облачности. Для оценки такой неопределённости был проведён дополнительный анализ с использованием наиболее длительных рядов
76
данных, основанных на спутниковых наблюдениях ISCCP и Patmos–X. В табл. 1.15 представлены среднеглобальные значения по данным ISCCP и Patmos–X для всего анализируемого периода
(согласно табл. 1.1) и для четырёх пятилетних периодов (отдельно для суши и океана). Согласно
полученным результатам, глобально–осреднённые значения облачности слабо зависят от выбора
периода осреднений. Наибольшая разница отмечается над сушей (до 4%), над океаном различия
практически не проявляются.
Таблица 1.15. Среднегодовые значения облачности в различные периоды (в скобках указаны отличия
от среднего за весь период (в %)
Период осреднения
весь период
1986–1990
1991–1995
1996–2000
2000–2005
Суша и океан
ISCCP Patmos–X
0,66
0,65
0,68 (2)
0,64 (1)
0,66 (0)
0,66 (1)
0,65 (1)
0,66 (1)
0,65 (1)
0,64 (1)
Только суша
ISCCP Patmos–X
0,57
0,49
0,59 (2)
0,48 (2)
0,57 (0)
0,51 (4)
0,57 (0)
0,51 (4)
0,56 (1)
0,48 (3)
Только океан
ISCCP Patmos–X
0,70
0,72
0,72 (2)
0,71 (0)
0,70 (0)
0,72 (0)
0,69 (2)
0,72 (1)
0,69 (1)
0,71 (0)
Региональные отличия, связанные с периодом осреднения могут достигать значительных величин, в частности в экваториальной части Тихого океана. Здесь развивается явление Эль–Ниньо /
Ла-Нинья [43] — климатическое явление, которое характеризуется не только крупномасштабным
потеплением поверхностного слоя экваториальной зоны Тихого океана, но сильнейшими температурными вариациями глобальной приповерхностной температуры [35] с глобальной перестройкой
атмосферной циркуляции и изменением облачного покрова. Аномалии облачности в годы ЭльНиньо по сравнению с годами Ла-Нинья (рис. 1.27 в зимний период (декабрь-январь-февраль)
могут достигать 0,3 (до 50% от среднегодового значения) [52, 55, 56, 87, 90].
Однако, явление Эль-Ниньо / Ла-Нинья носит квазициклический характер, годы Эль-Ниньо и
Ла-Нинья чередуются (с периодом в 2–3 года), поэтому не представляется возможным выделить
более-менее длительный период из подряд идущих лет, который включал бы в себя только годы
Эль-Ниньо или только годы Ла-Нинья. При учете лет как с Эль-Ниньо, так и с Ла-Нинья, будет
проявляться компенсирующий эффект. Коэффициент пространственной корреляции между целым периодом и более короткими (отмеченными в табл. 1.15) превышает 0,95 (меньшие значения
коэффициента отмечены для океана, бо́льшие — для суши), отношение пространственных СКО
близко к единице1 .
Таким образом, различия в количестве облаков, связанные с выбором разного периода осред1
Вообще говоря, полученная зависимость СКО по пространству от длины ряда имеет логарифмический вид,
однако отличия между СКО для длины ряда в 1–2 года и для длины ряда в 25 лет не превышает 2% по данным
Patmos–X и 3% по данным ISCCP.
77
Рис. 1.27. Средние значения облачности в декабре-январе-феврале: разница между годами Эль-Ниньо
(1987, 1992, 1995, 1998, 2003) и годами Ла-Нинья (1985, 1986, 1989, 1999, 2000) по данным ISCCP.
нений, на региональном уровне могут достигать 30%, однако на глобальном уровне не превышают
2%. Таким образом, диапазон указанных в разделе 1.2.1 значений глобально-осреднённой облачности определяется в первую очередь различиями между разными данными, а не межгодовыми
различиями внутри одной базы данных (что в достаточной мере иллюстрирует рис. 1.26).
Неопределённость, связанная с неоднородностью данных
При определении характеристик облачности ключевой проблемой является отсутствие эталонных наблюдений, которыми не могут служить существующие спутниковые и наземные наблюдения [61]. Редкая наземная сеть наблюдений не дает, например, достоверных данных об облачности в пустынных районах субтропиков, в центральных частях Гренландского и Антарктического
ледовых щитов, в обширных океанических областях, далеких от регулярных судовых маршрутов [72, 175]. Кроме того, наземных наблюдений за облачностью, тем более надежных, ночью на
порядок меньше, чем днем [229], качество ночных наблюдений зависит от освещения региона Луной (возможна недооценка на 1–2%, главным образом, за счет облачности среднего и верхнего
яруса) [122]. В то же время, облачность по спутниковым наблюдениям в существенной мере зависит от алгоритма детектирования облаков, имеются погрешности вблизи границ области зондирования, проблемы однородности покрытия при использовании ПС, неточности при определении
облачности над снежным покровом [174, 196], ряды спутниковых данных короче рядов наземных
78
наблюдений, при этом, по большей части они неоднородны по времени [111]. Неоднородность, в
частности, может внести дрейф орбиты ПС (рис. 1.28 [211]), в результате чего время наблюдения
Рис. 1.28. Изменение времени пересечения экватора спутниками NOAA (по данным [211]).
будет смещаться и в межгодовой изменчивости может проявиться искусственный тренд, связанный
с суточным ходом облачности. Неоднородность может внести различное количество используемых
ГС, в частности, в ISCCP в различное время использовалось от 3 до 5 геостационарных спутников. Области, где облачность в одни годы наблюдалась на краю поля обзора одного ГС (то есть с
бо́льшим углом обзора), в другие годы могут наблюдаться в центральной части поля обзора другого ГС (с меньшим углом обзора) (рис. 1.29). Поскольку у ГС отмечена зависимость количеста
Рис. 1.29. Количество наблюдений за облачностью в месяц по данным ISCCP для октября 1984 г. (А) и
для января 2006 г. (Б).
облаков от угла обзора (на границе поля зрения спутника количество облаков завышено, так как
облако обозревается не только сверху, но и сбоку [158]), то может проявиться ярко выраженный
инструментальный тренд [111]. Зависимость определения количества облаков от угла обзора отмечена и для ПС. В частности, согласно [152] по данным MODIS глобально-осредненное количество
облаков с учётом только надирных наблюдений состовляет около 0,58, а количество облаков с
79
учётом только «боковых» наблюдений (с углом обзора около 60◦ ) составляет 0,71. При этом, эти
отличия зависят от типов облаков, кроме того, более сильные искажения проявляются в противоположной Солнцу половине полосы обзора. Бо̀льшие различия проявляются зимой, меньшие —
летом.
Количество облаков, определяемое по спутниковым наблюдениям, в существенной мере зависит
от пороговых значений, принятых в том или ином алгоритме. В частности, согласно [86] при
изменении пороговых значений при определении облачности по лидарным наблюдениям CALIPSO
(уменьшение порога SR с 5 до 3) приводит к увеличению количества определяемой облачности на
0,05 ночью и почти на 0, днём.
Неопределённость, связанная с пространственной и временной неоднородностью спутниковых
данных и с точностью приборов, может достигать 5% в низких широтах и 10% в полярных широтах [133, 196, 210].
Неоднородны и наземные наблюдения. В частности, в Северной Америке (и в некоторых других регионах) в середние 90–х гг. XX века наблюдения на метеорологических станциях стали
автоматизированными (система ASOS (Automated Surface Observation System)) [99, 119], в частности облачность стала определяться с помощью т.н. «облакомера» (ceilometer), работа которого
основана на вертикальном зондировании лазерным лучом нижних слоев атмосферы (до 3,8 км) в
течение 30 минут (с интервалом в 30 секунд). Такой метод не позволяет идентифицировать облака верхнего яруса, а кроме того, определяет облачность не на всем видимом горизонте, а только
непосредственно над станцией [99]1 . Также существует неоднородность данных, связанная с разным количеством наблюдений в разное время и в различных регионах, в частности, в табл. 1.16
приведено количество станций,информация с которых используется в данных EECRA [229].
Таблица 1.16. Количество станций, используемых в данных EECRA
регион
бывший СССР
Европа (без б.СССР)
Китай
Азия (без Китая и б.СССР)
Северная и Центральная Америка
количество
станций
1558
1190
586
507
498
регион
Африка
Южная Америка
Океания
Австралия
Антарктида
количество
станций
452
268
226
74
29
Методика визуальных наблюдений за облачностью над океаном не менялась с 1949 года, в то же
время существует неоднородность, связанная с количеством проводимых наблюдений [72, 119, 181]:
оно различно в разных регионах (с максимумом вдоль основных торговых маршрутов) и меняется
1
Подобного недостатка лишён прибор «All-sky camera», фотографирующий полный горизонт, однако пока по-
добные наблюдения носят спорадический характер.
80
от года к году, причем в последнее время отмечается резкое снижение количества наблюдений
(рис. 1.30).
Рис. 1.30. Судовые наблюдения за облачностью ICOADS (1960–2007 гг.): среднее количество наблюдений
в месяц (А) и изменение общего количества наблюдений над океаном за один месяц (Б).
Данные реанализа и расчеты с глобальными климатическими моделями, отличаются большей
однородностью1 . В то же время, значение облачности сильно зависит от применяемых схем расчета, в результате значения облачности сильно различаются не только в разных моделях, но и в
разных версиях одной модели (см. напр. [108]).
1
В реанализ может вносить неоднородность только количество усваиваемой информации, которое со временем
возрастает [140], что может приводить к наличию инструментальных трендов [128].
81
1.3
Обсуждение результатов главы 1
Согласно результатам проведенного сравнения различных современных данных по спутниковым и наземным наблюдениям глобальное среднегодовое значение облачности по данным наблюдений составляет около 2/3, меньшее значение отмечено по данным CERES (около 0,6) и PARASOL–
POLDER (0,56), бо́льшее — по данным UW HIRS (до 0,75). При этом доля покрытия облаками
ЮП согласно большинству данных составляет 0,68±0,02 (от 0,6 по данным PARASOL–POLDER
до 0,76 по данным UW HIRS), а СП — 0,63±0,03 (от 0,53 до 0,74 соответственно). Доля покрытия
облаками суши составляет 0,52±0,04 (от 0,41 по данным MISR до 0,69 по данным UW HIRS), а
доля покрытия облаками Мирового океана — 0,69±0,03 (от 0,6 по данным PARASOL–POLDER до
0,77 по данным UW HIRS). Согласно спутниковым наблюдениям, основанным одновременно и на
видимых и на ИК-каналах, диапазон глобальных среднегодовых значений облачности для суши
и океана в целом составляет 0,6–0,68; только для суши: 0,48–0,57; только для океана: 0,65–0,72.
Согласно спутниковым данным, основанным только на ИК-каналах получены бо́льшие значения
для общего количества облаков, согласно спутниковым данным, основанным только на видимых
каналах — меньшие значения (в первую очередь над сушей).
Зональное и региональное распределение облачности связано с общей циркуляцией атмосферы.
Максимальные значения облачности в области ВЗК (восходящая ветвь ячейки Хэдли) по разным
данным находятся в диапазоне 0,65–0,8, (главным образом, за счет облачности над сушей), а в зоне
восходящих ветвей полярной ячейки и ячейки Ферреля — около 0,85–0,95 в умеренных широтах
ЮП и около 0,6–0,8 в умеренных широтах СП (главным образом за счет облачности над океанами).
Минимальные значения облачности отмечаются в областях нисходящих ветвей меридиональных
ячеек общей циркуляции, в частности в субтропической области повышенного давления, где над
океанами проявляются антициклонические центры действия, а над сушей — области с аридным
климатом. Количество облаков в этих широтах в среднегодовом режиме уменьшается до 0,45–0,6
в ЮП и 0,4–0,55 в СП. Над Сахарой количество облаков по данным MISR и PARASOL–POLDER
падает до нуля. В приполярных областях минимум облачности по всем анализировавшимся данным отмечен только в летнее время в ЮП, где количество облаков уменьшается до 0,3–0,55. Зимой
(в условиях полярной ночи), а в СП и летом, отмечается большая рассогласованность данных, где
разброс между значениями по разным данным может достигать 0,8 (0,9 по данным UW HIRS и
0,1 по данным Patmos–X и PARASOL–POLDER).
В межсезонном ходе облачности выявлено преобладание летней облачности над зимней, максимальная амплитуда годового хода полушарно-осреднённой облачности отмечена по данным
Patmos–X (достигает 0,12 в СП и 0,1 в ЮП). Над сушей амплитуда больше (0,2 в СП и 0,3 в ЮП),
82
над океаном — меньше (менее 0,1 в обоих полушариях). Наибольшие сезонные различия региональной облачности отмечены над сушей, в областях с муссонной циркуляцией, где разница между
количеством облаков летом и зимой по некоторым данным достигает 0,8. Преобладание зимней
облачности отмечается по всем данным над Средиземным морем, в то же время над восточными
районами Евразии и над северной половиной Северной Америки по одним данным количество
облаков больше летом, по другим — зимой. Ещё бо́льшие различия между данными отмечены в
полярных регионах как СП, так и ЮП.
В суточном ходе облачности отмечено преобладание дневной облачности над ночной над континентами СП, амплитуда суточного хода над сушей достигает 0,1. Региональные значения амплитуды суточного хода над сушей могут достигать 0,6 (до 80% от среднесуточных значений),
главным образом — в горных районах. Над южными континентами (юг Африки, Австралия и
Южная Америка) согласно одним данным количество облаков больше днём, согласно другим —
ночью. Над океаном по всем данным количестов облаков больше ночью, преимущественно за счёт
низких широт (главным образом, в восточных частях океанов), где ночная облачность больше
дневной на 0,2–0,3 (до 20% от среднесуточных значений), причём эта разница больше летом.
Проведен анализ возможных причин отмеченных различий между разными данными при наблюдении за облаками. В частности, отмеченные различия могут быть связаны со временем наблюдений. Наблюдения только в дневное время могут завышать значения облачности над сушей
(до 20%) и занижать значения облачности над океаном (до 5%). Наблюдения только в утренние
или ночные часы, наоборот, будут занижать значения облачности над сушей (до 10%) и завышать
над океаном (на 5–7%). Различия, связанные с выбором периода осреднений, не превышают на
глобальном уровне 1–2%. Кроме того, ошибки могут вносить ограниченная точность приборов и
неоднородность наблюдений. Согласно оценкам [133, 196] подобные ошибки могут достигать 5% в
тропиках и 10% в полярных регионах. Отмеченные различия связаны, в том числе, и с разными
алгоритмами, на которых основаны анализируемые данные.
Данные ISCCP имеют лучшее временно́е разрешение (3 часа) по сравнению с другими спутниковыми данными, что позволяет учесть суточный ход облачности, кроме того данные ISCCP лучше
остальных спутниковых данных согласуются с наземными наблюдениями. При этом используется
только 2 канала (видимый и ИК), в связи с чем возможны, например, неточности в определении облаков нижнего яруса в ночные часы. Кроме того, неопределённость может возникать из-за
использования в разные годы разного количества геостационарных спутников (связанные с этим
артефактные особенности отмечены, в частности, в поле облачности над Индийском океаном).
Количество облаков по данным UW HIRS практически на всех широтах (за исключением сред-
83
них широт ЮП) на 10–15% больше, чем количество облаков по другим данным наблюдений. Следует отметить, что данные UW HIRS основаны только на измерениях в ИК каналах, при этом
профиль облаков восстанавливается по радиационной модели на основе определения профиля
CO2 . В то же время пространственное разрешение (20–35 км) хуже разрешения других данных,
что может внести погрешность при определении малых по размеру облаков.
Количество облаков по данным Patmos–X, в целом согласуясь с остальными данными наблюдений в низких и средних широтах, существенно ниже в высоких, как над снежной поверхностью
суши, так и над океанами. Это может быть связано с недооценкой облаков над снежно-ледовой
поверхностью (в связи с проблемой выделения облачности над поверхностью с высоким альбедо)
и с большей пространственной дискретностью при определении разорванной облачности (наряду
с облачными и безоблачными, выделяются пикселы в промежуточном состоянии).
Облачность по данным MODIS в целом хорошо согласуется с данными ISCCP и с наземными
наблюдениями EECRA. Различия между данными Aqua и Terra связаны с различием траекторий спутников (со сдвигом на 3 часа), в результате чего над сушей по данным со спутника Aqua
определяется большее количество облаков, чем по данным со спутника Terra. Кроме того, данные MODIS используют наибольшее количество спектральных каналов, возможно с этим связано
определение большего количества облаков в ночное время над Южной Америкой и Австралией
(по данным MODIS над этими континентами количество облаков ночью больше, чем днём).
Поле облачности по данным CERES (наряду с данными ISCCP) имеет хорошее пространственное согласие полем облачности по данным наземных наблюдений. Однако в целом по данным
CERES отмечено меньшее количество облаков, чем по другим данным (на 10%), главным образом — над океаном (как в ночные, так и в дневные часы), что может быть связано с неудачным
выбором пороговых значений.
По данным PARASOL–POLDER отмечено наименьшее значение глобально-осреднённой облачности. Измерения, на которых основана данная база, проводятся только раз в сутки (в дневное
время), когда над океаном в суточном ходе проявляется минимум облачности. Кроме того, наблюдения ведутся только в видимом диапазоне, что может приводить к недооценке тонких перистых
облаков и облаков над снежной поверхностью (над Антарктидой согласно данным PARASOL–
POLDER количество облаков близко к нулю).
Облачность по данныи AIRS–LMD, несмотря на использование только ИК-каналов, в целом
согласуется со значениями облачности, полученными по другим данным наблюдений, как на региональном, так и на глобальном уровне. Различия отмечены над континентами ЮП, где по данным
AIRS–LMD, в отличие от остальных данных (кроме данных MODIS) преобладает не дневная об-
84
лачность, а ночная.
Количество облаков, определяеме лидарными наблюдениями со спутника CALIPSO (база данных CALIPSO–GOCCP), в целом согласуется с количеством облаков, полученных с помощью пассивных наблюдений. В отличие от остальных баз данных, лучше определеяется ночная облачность,
а не дневная. Более точно может быть получена вертикальная структура облаков. В то же время,
пока ряд этих наблюдений очень короткий, с учетом узкой полосы обзора (330 м) наблюдения
очень редкие и проведены не для всех регионов.
Количество облаков, определяемое с помощью инструмента MISR в существенной мере зависит от времени наблюдений (раз в сутки в 10:30 LT), в результате из-за особенностей суточного
хода облачности отмечено завышенное (по сравнению с другими данными) значение облачности
над океаном и заниженное — над сушей1 . В то же время, общее количество облаков, несмотря
на использование только каналов в видимой части спектра, согласуется с количеством облаков,
полученным по другим данным наблюдений.
Определение количества облаков в базе данных ATSR–GRAPE основано на совместном использовании всей совокупности наблюдений (в видимом и ИК спектре) и радиационной модели. В
результате, учитывается только дневная облачность. Общее количество облаков, как и по другим
данным, близко к 2/3, однако отмечены существенные ошибки при определении облачности над
снежной поверхностью и облачностью в муссонных областях, где сезонная разница в несколько
раз ниже, чем по другим данным.
Данные наземных наблюдений EECRA хорошо согласуются с большинством спутниковых наблюдений не только над густонаселёнными районами, где существует частая сеть метеорологических наблюдений, но и над большинством океанических районов, где наблюдения проводятся
эпизодически. В отличие от большинства спутниковых данных, по наземным данным отмечено
меньшие сезонные различия и меньшие различия по пространству.
Данные реанализа и глобальные климатические модели, в целом, воспроизводят пространственное распределение облачности, однако для большинства моделей и данных реанализа отмечается недооценка общего количества облаков — над океаном в течение всего года и над сушей
в летний период. Главным образом, недооценивается облачность в средних широтах, при этом
сезонный ход облачности в этих широтах, наоборот, переоценивается. В целом, модели и данные
реанализа лучше оценивают среднегодовые значения облачности и хуже — сезонные различия.
1
Также завышенное значение над океаном связано с переоценкой количества облаков в пассатах, где развиваются
редкие и небольшие по размеру кучевые облака, а недооценка над сушей частично связана с недооценкой количества
облаков над снегом
85
Глава 2
Тенденции изменений облачности и
возможные региональные последствия
2.1
Межгодовые вариации глобального поля облачности
В последние десятилетия наблюдается существенный рост глобальной приповерхностной температуры воздуха [132], при этом, тенденции изменений облачности до сих пор остаются неопределенными. Различными авторами при использовании различных рядов данных для облачности
были получены противоположные результаты. Согласно оценкам [29, 127, 163, 213] доля покрытия Земли облаками в целом растет вместе с глобальным потеплением, в работах [52, 54, 88, 165,
182, 229] отмечается слабая обратная тенденция. Согласно [132, 196, 238] тренд общего количества облаков является незначимым, а отмечается сокращение количества облаков верхнего яруса.
Определение тенденций изменения облачности является одной из ключевых проблем при оценке
климатических изменений. Изменение количества облаков может как ослабить потепление, так и
усилить. При этом необходимо оценивать изменения не только среднегодовых значений облачности, но и количества облаков в разные сезоны, когда проявляются противоположные тенденции:
в зимнее время, за счёт парникового эффекта, облачность «отепляет» поверхность, в летнее, за
счёт альбедного эффекта — выхолаживает.
Изменения значений среднегодовой глобально осредненной облачности по всем используемым
в работе данным наблюдений приведены на рис. 1.26. Более детально был проведен анализ межгодовой изменчивости облачности с использованием данных спутниковых наблюдений ISCCP и
Patmos–X [57, 60] и данных наземных наблюдений EECRA. Для анализа возможных изменений
облачности в XXI в. использовались результаты расчетов с глобальными климатическими моделями CMIP3.
2.1.1
Анализ тенденций изменений облачности по данным
спутниковых и наземных наблюдений
Был проведен анализ временно́й изменчиости облачности по данным ISCCP, а также рассчитывались тренды облачности по данным ISCCP, Patmos–X и EECRA. Анализ проводился для 13
широтных зон (табл. 2.1) при среднегодовом осреднении и для различных сезонов (для среднего
за ДЯФ и ИИА), отдельно для суши и отдельно для океана.
87
Таблица 2.1. Широтные зоны, по которым проводился анализ изменений облачности
Глобальное и полушарное осреднение
С полярными широтами
Без полярных широт
СП+
СП
ЮП
СП+
СП
ЮП
ЮП
ЮП
90–90◦ 0–90◦
0–90◦
60–60◦ 0–60◦ 0–60◦
Тропики
СП+
ЮП
30–30◦
СП
ЮП
0–30◦
0–30◦
Средние
широты
СП
ЮП
30–60◦
Полярные
широты
СП
ЮП
30–60◦
60–90◦
60–90◦
Межгодовая изменчивость облачности
Для характеристики временно́й имзенчивости облачности в широтных зонах, указанных в
табл. 2.1 использовался метод вейвлетного анализа [218], позволяющий оценить изменение спектрального сигнала во времени. Вейвлетное1 преобразование является обобщением спектрального
анализа, где вейвлеты — это математические функции, которые локальны во времени и по частоте,
поэтому вейвлет-преобразование позволяет рассматривать анализируемые временные функции в
терминах колебаний, локализованных по времени и частоте. В работе использовались непрерывные вейвлет-функции Морле [218].
Анализировались среднемесячные значения облачности по данным ISCCP и Patmos–X. На
приведены вейвлет-спектры для некоторых анализируемых зон. Согласно по-
6
8
5
5
8
7
6
6
5
5
4
4
3
3
Б2
9
8
7
10
2
7
4
2
6
5
54 6
15
4
6
10
10
7
4
Б1
Период, годы
8
А2
9
Период, годы
10
Период, годы
А1
8
4
Период, годы
рисунках. 2.1–2.4
4
5
2
2
5
4
5
3
3
5
10
5
462
10
128
1
1
25
20
15
10
1995
2000
Время, годы
2005
0
0
10
20
30
40
50
60
70
5
5
10
5
1985 1990 1995 2000 2005
Интегральная спектральная мощность
1
5
1990
5
1985
10
15
2015
10
10
68
2
5
10
4
5
5
5
42
8
26
2
5
1
2
30
2
2
Время, годы
0
0
5
10
15
20
25
Интегральная спектральная мощность
30
Рис. 2.1. Результаты вейвлетного анализа глобально-осреднённого количества облаков по данным ISCCP
(А) и Patmos–X (Б): вейвлет-преобразования (1) и интегральные вейвлет-спектры (2). Пунктирная линия
позволяют оценить статистическую значимость (на уровне 5%) о наличии пика (отличие наблюдаемого
спектра от спектра красного шума, обозначенного точкой-тире). В вейвлет-преобразовании пунктирный
«треугольник» показывает область, на которую влияют краевые эффекты
лученным результатам, во всех широтных зонах доминирует годовой ход облачности, главным
1
«Вейвлет» — от английского wavelett, что в переводе означает маленькая (короткая) волна.
88
20
Период, годы
2
8
4
6
Б2
9
8
7
8
2
6
6
14
10
6
12
10
8
6
12
5
6
8
10
5
14
5
4
20
5
10
6
4
10
25
10
12
15
6
15
Б1
7
7
10
5
Период, годы
Период, годы
8
5
5
7
А2
9
20
15
Период, годы
А1
8
4
3
2
10
10
2
2
1
1
18
16
14
1012
80
100
120
140
2
8
4
2
2
60
1
2
2
0
0
2
40
4
4
2
12
10
8
20
6 848
2
4
Время, годы
2
86
0
0
6
8
1814
16
10 6
812
4
5
1985 1990 1995 2000 2005
2
2
24
5
15 10
6
2
4
2
468
5
10 1
4
2
4
5
4
2
2
5
2
6
5
3
10
2
1
5
3
8
2
2
4
8
3
4
6
5
5
2
4
4
1985 1990 1995 2000 2005
Интегральная спектральная мощность
Время, годы
2
4
6
8
10
12
Интегральная спектральная мощность
14
Рис. 2.2. Результаты вейвлетного анализа количества облаков в тропической зоне (обозначения рисунков
8
7
Б1
40
8
7
7
6
6
20
Период, годы
А2
9
Период, годы
20
Б2
9
8
7
40
А1
8
Период, годы
Период, годы
— аналогично рис. 2.1.
6
6
40
5
20
60
5
5
4
4
4
3
3
3
2
2
2
1
20
20
40
0
80040
60
10
12
16
10
80014
00
180
200 140 160 200 1
0120 260
14
6040
100
80
20
40
20
1
1
20
2
80 0
60
420
20
1985 1990 1995 2000 2005
Время, годы
0
0
50
100
150
200
250
3
80
60
40
20
20 60
80
40
20
0
1118026400
10
460
0
20
180
4
20
5
1985 1990 1995 2000 2005
Интегральная спектральная мощность
Время, годы
1
0
0
20
40
60
80
100
120
140
Интегральная спектральная мощность
Рис. 2.3. Результаты вейвлетного анализа количества облаков в средних широтах СП (обозначения рисунков — аналогично рис. 2.1.
образом — в СП (во всех широтных зонах). Для полушарий в целом отмечается бо́льшие значения
интегральной мощности вейвлет-спектра годовой гармоники (особенно для суши СП), при глобальном же осреднении за счёт противоположного годового хода в СП и ЮП (см. раздел 1.2.2)
мощность годовой гармоники (а значит, и её амплитуда) выражены слабее. При этом, по данным ISCCP проявляется рост амплитуды годовой гармоники в последние десятилетия (как для
полушарий, так и для глобально-осредненных значений), по данным Patmos–X отмечается уменьшение амплитуды годовой гармоники для среднеглобального количества облаков и увеличение
амплитуды — для среднеполушарного.
89
8
2
Период, годы
Период, годы
Период, годы
6
9
7
6
7
Б1
10
4
3
А2
9
5
8
Период, годы
А1
10
8
8
Б2
9
8
5
15
7
7
6
6
6
5
5
5
4
4
3
3
2
2
10
5
1
7
15
6
4
2
2
1
10
1
1
3
5
3
4
2
3
3
2
4
5
3
4
5
4
3
1
4
1
6
1
2
4
6
8
10
12
14
1
1
1
5
10
5
220 10
15
5
10
Время, годы
35
30
25
20
15
5
5
0
0
5
5
1
2
21
2
9 45
1
2
5
1
1
3
5 2
1 2 3 1 64
3
67 1 67
2
1
4
5
28
6
25
7 31 45 21 38
7
9
435 76 7814 69 2 6789
11
1985 1990 1995 2000 2005
10
5
5
1
105
5
15
2
1985 1990 1995 2000 2005
Интегральная спектральная мощность
Время, годы
0
0
5
10
15
20
25
Интегральная спектральная мощность
30
Рис. 2.4. Результаты вейвлетного анализа количества облаков в средних широтах ЮП (обозначения
рисунков — аналогично рис. 2.1.
Наряду с годовой гармоникой проявляются колебания и с другими периодами, в частности, в
полярных и средних широтах ЮП ярко выражены колебания с периодом в 6 месяцев, при этом
выделяется несколько чётко выраженных максимумумов полугодовой гармоники, в частности, это
июнь 1984 г., сентябрь 1992 г., март 1997 г., февраль 2001 г. и январь 2005 г. С одной стороны эти
периоды отчасти коррелируют с явлением Эль-Ниньо и индексом Южного колебания (разницей
атмосферного давления между о.Таити и п.Дарвин (Австралия)), в частности максимум 1997 года
совпадает с началом явления Эль-Ниньо и большой отрицательной аномалии индекса Южного колебания, в то же время эти периоды отчасти совпадают со сменой ПС (см. табл. 1.4). В целом, для
определения физики проявления полугодовой гармоники во временно́й изменчивости облачности
в ЮП необходим более детальный анализ.
Как по данным ISCCP, так и по данным Patmos–X проявляются более продолжительные гаромники: с периодов в 3,5–4, и в 5–7 лет. Особенно ярко они выражены в тропической зоне и
средних широтах ЮП (главным образом, над океаном). Подобные явления по-видимому связаны
с явлением Эль-Ниньо/Ла-Нинья, развивающимся в Тихом океане, в колебаниях которых также
проявляются гармоники с периодом 4 и 6 лет (см. напр. [20]). В то же время, нельзя исключать, что
колебания количества облаков с периодом около 6 лет по данным Patmos–X и ISCCP могут быть
связаны с периодом смены ПС NOAA (который также составляет около 5–7 лет (см. табл. 1.4)).
Косвенным доказательством связи 6-летней гармоники с реальными климатическими явлениями является тот факт, что наиболее сильно эта гармоника проявляется над тропической областью
океана (главным образом, в ЮП). В частности, на рис. 2.5 приведены вейвлет-спектры для облач-
90
ности над тропической зоной океана в СП и в ЮП по данным ISCCP, при этом из рядов данных
был исключен годовой ход (путем вычитания среднего для каждого месяца года). 6-летняя гармоника проявляется гораздо сильнее в тропиках ЮП, нежели СП (интегральная мощность которой
превышает сигнал красного шума). Также выделяется гармоника в 3,5 года, причем проявляется
она в 1997-98 гг. — во время развития самого сильного явления Эль-Ниньо за прошедшие 20 лет (о
7
5
45
20
35
40
5
1
1
2
5
10
2
20
20
2
3
5
5
15
15
10
5
40
35
2530
2
3
3
15
5
4
2025
15 10
20
5
25 3 0
10
10
15
10
5
5
3
6
15
35
40 35 30
4
4
7
25
55
50
30
20 25
5
5
4
50
45
35
30
5
5
25
30
40
40
20
15
10
40 35
15 10
5
15
6
5
15
10
20
25
6
8
10
20
25
45
6
5
15
7
Б2
9
5
Период, годы
Период, годы
Период, годы
8
Б1
8
10
5
7
30
А2
9
20
А1
8
5
Период, годы
влиянии явления Эль-Ниньо на поля облачности см. также раздел 1.2.4 и работы [52, 55, 56, 87, 90]).
5
5
10
5
1
5
5
5
5
5
5
5
5
5
5
5
1
Время, годы
0
0
20
40
60
80
100
1985 1990 1995 2000 2005
120
5
1985 1990 1995 2000 2005
Интегральная спектральная мощность
Время, годы
0
0
20
40
60
80
100
120
Интегральная спектральная мощность
Рис. 2.5. Результаты вейвлетного анализа количества облаков над океаном в тропических широтах СП
(А) и ЮП (Б) по данным ISCCP с исключением годового хода.
Тренды облачности
Для анализа тренда использовались аномалии среднегодовых или среднесезонных значений
облачности относительного среднего за весь период (полученные ряды имеют нормальное распределение1 . Тренды оценивались с помощью регрессионного анализа (методом наименьших квадратов). Значимость коэффициентов тренда рассчитывалась с помощью t–критерия Стьюдента
(приближенного аппроксимацией Даусона, погрешность которой не превышает 5% [19]) с учетом
эффективного количества степеней свободы [30], зависящего от длины ряда и коэффициента автокорреляции ряда n.
1
Распределение оценивалось по критерию Лиллиефорса [19].
91
Тренды среднегодовой облачности
На рис. 2.6 приведены значения тренда (и его СКО) по различным данным для разных широтных зон в среднегодовом осреднении (статистически значимые значения тренда отмечены символами красного цвета). Над сушей (рис. 2.6б) по данным EECRA и ISCCP проявляется статистически
значимое сокращение облачности, особенно сильное в тропических широтах как северного, так и
южного полушария (до −0,019 (±0,008)2 в десятилетие). По данным Patmos–X в ЮП отмечается
уменьшение количества облаков, в СП — рост, однако значения трендов статистически не значимы. Исключение составляют полярные широты СП, где согласно Patmos–X проявляется значимое
увеличение количества облаков (0,018 (±0,012) в десятилетие). Также статистически значимый
рост количества облаков в этой зоне отмечен и по данным EECRA (0,01 (±0,006) в десятилетие),
в то же время по данным ISCCP отмечается сокращение количества облаков. Над Антарктидой
по всем данным отмечены наибольшие значения СКО тренда, о знаке тренда говорить затруднительно.
А
Б
В
0.08
0.08
0.08
EECRA
ISCCP
Patmos-X
0.06
EECRA
ISCCP
Patmos-X
0.06
0.04
0.04
0.04
0.02
0.02
0.02
0
0
0
-0.02
-0.02
-0.02
-0.04
Глобальное и полушарное
осреднение
с полярными
широтами
без полярных
o
широт (<60 )
Тропики
(<30o)
Средние Полярные
широты широты
(30-60o) (60-90o)
СП СП ЮП СП СП ЮП СП СП ЮП СП ЮП СП ЮП
+ЮП
+ЮП
+ЮП
-0.04
Глобальное и полушарное
осреднение
с полярными
широтами
без полярных
широт (<60o)
EECRA
ISCCP
Patmos-X
0.06
Тропики
(<30o)
Средние Полярные
широты широты
(30-60o) (60-90o)
СП СП ЮП СП СП ЮП СП СП ЮП СП ЮП СП ЮП
+ЮП
+ЮП
+ЮП
-0.04
Глобальное и полушарное
осреднение
с полярными
широтами
без полярных
широт (<60o)
Тропики
(<30o)
Средние Полярные
широты широты
(30-60o) (60-90o)
СП СП ЮП СП СП ЮП СП СП ЮП СП ЮП СП ЮП
+ЮП
+ЮП
+ЮП
Рис. 2.6. Коэффициенты линейного тренда (и СКО тренда) среднегодовых значений облачности (1/десятилетие) по данным наблюдений для различных широтных зон для суши и океана (А), отдельно для
суши (Б) и отдельно для океана (В). Символами красного цвета обозначена статистическая значимость
тренда (закрытый квадрат — 1%, открытый квадрат — 5%, открытый круг — 10%, крест — 20%).
Над океаном (рис. 2.6в) в низких и средних широтах выявлена неопределённость в изменениях
облачности. По данным EECRA провляется статистически значимый положительный тренд облачности (до 0,02 (±0,006) в десятилетие для ЮП и до 0,006 (±0,003) в СП). По данным ISCCP,
наоборот, отмечается отрицательный тренд облачности, главным образом — в тропических широ2
В скобках указаны значения СКО
92
тах (до −0,023 (±0,013) в десятилетие). При этом, как в данных EECRA, так и в данных ISCCP
отмеченные изменения облачности могут быть связаны не с реальным трендом, а с артефактным.
Так, в данных EECRA над океаном в различные годы использовалось разное количество наблюдений, наблюдения проводились нерегулярно и существенным образом зависели от человеческого
фактора. В то же время, в данных ISCCP на значения тренда влияет изменение количества используемых геостационарных спутников, в 80-х гг. использовалось 3 спутника, в 90-х гг. — 5 (см.
раздел 1.2.4, и в частности рис. 1.29), в результате, проявляется искусственный отрицательный
тренд облачности (в основном над Индийским океаном). По данным Patmos–X, в которых используются только полярно-орбитальные спутники, значимого тренда над океаном в низких и средних
широтах не выявлено. В полярных широтах обоих полушарий по данным Patmos–X отмечен рост
количества облаков над океаном (0,019 (±0,009) в десятилетие в СП и 0,018 (±0,012) в десятилетие
в ЮП). По данным ISCCP и EECRA в полярных широтах СП облачность практически не меняется, в ЮП как и по данным Patmos–X отмечен статистически значимый положительный тренд
(по данным EECRA он достигает 0,070 (±0,035) в десятилетие).
Над сушей и океаном в целом (рис. 2.6а) по данным ISCCP отмечено сокращение количества
облаков в тропиках и средних широтах (статистически значимо только в ЮП) и слабый рост
облачности по данным EECRA (значим в ЮП). По данным Patmos–X в средних и низких широтах
тренд общей облачности близок к нулю. В полярных широтах отмечен статистически значимый
положительный тренд облачности по данным Patmos–X и EECRA. По данным ISCCP количество
облаков в полярных широтах СП уменьшается, а в ЮП не изменяется.
Тренды облачности в различные сезоны
Анализировались значения трендов облачности в широтных зонах в разные сезоны (рис. 2.7, 2.8).
По данным ISCCP в средних и низких широтах и в летний и зимний период над сушей и океаном проявляется отрицательный тренд облачности, над океаном значения тренда практически не
зависят от сезона, над сушей тропических широт значения тренда в зимний период меньше, чем
в летний, над сушей средних широт — больше (для СП). Над сушей полярных широтах отмечен
статистически значимый тренд в зимнее время (как в СП, так и в ЮП), при этом летом значение
тренда близко к нулю. Над океаном полярных широт по данным ISCCP количество облаков летом
растёт, а зимой уменьшается.
Проявляются сезонные различия и по данным EECRA. Над сушей максимальное сокращение
облаков отмечается в летний период (как в СП, так и в ЮП). Зимой в средних и низких широтах
СП и ЮП отмечен отрицательный тренд (меньший, чем летом), а в высоких широтах — поло93
А
Б
0.08
В
0.08
EECRA
ISCCP
Patmos-X
0.06
0.08
EECRA
ISCCP
Patmos-X
0.06
0.04
0.04
0.04
0.02
0.02
0.02
0
0
0
-0.02
-0.02
-0.02
-0.04
-0.04
-0.04
Глобальное и полушарное
осреднение
с полярными
широтами
без полярных
широт (<60o)
Тропики
(<30o)
Средние Полярные
широты широты
(30-60o) (60-90o)
СП СП ЮП СП СП ЮП СП СП ЮП СП ЮП СП ЮП
+ЮП
+ЮП
+ЮП
Глобальное и полушарное
осреднение
с полярными
широтами
без полярных
широт (<60o)
EECRA
ISCCP
Patmos-X
0.06
Тропики
(<30o)
Средние Полярные
широты широты
(30-60o) (60-90o)
СП СП ЮП СП СП ЮП СП СП ЮП СП ЮП СП ЮП
+ЮП
+ЮП
+ЮП
Глобальное и полушарное
осреднение
с полярными
широтами
Тропики
(<30o)
без полярных
широт (<60o)
Средние Полярные
широты широты
(30-60o) (60-90o)
СП СП ЮП СП СП ЮП СП СП ЮП СП ЮП СП ЮП
+ЮП
+ЮП
+ЮП
Рис. 2.7. Коэффициенты линейного тренда (и СКО тренда) облачности, средней за декабрь-январьфевраль (1/десятилетие) по данным наблюдений. Подписи и обозначения — аналогично рис. 2.6
жительный тренд (в СП тренд статистически значим и составляет 0,027 (±0,007) в десятилетие).
Над океаном по данным EECRA различия между трендами зимней и летней облачности в СП
практически не проявляются, а в ЮП положительный тренд зимой более, чем в 2 раза больше,
чем летом, главным образом, за счёт средних и полярных широт (здесь значения тренда зимой
достигают 0,19 (±0,08) в десятилетие). Не исключено, что подобные высокие значения тренда
являются следствием редких наблюдений в регионе, особенно в зимнее время.
По данным Patmos–X тренд облачности над сушей зимой близок к нулю, а летом над СП
отмечен рост количества облаков (до 0,021 (±0,012) в десятилетие). Над океаном статистически
значимое сокращение облачности отмечено в тропиках в июне-июле-августе. В средних широтах
отмечается значимый положительный тренд летом и отрицательный зимой. В полярных широтах
количество облаков над океаном увеличивается как зимой, так и летом (однако, статистически
значимый тренд отмечен только для зимы СП).
Тренды ночной и дневной облачности по данным наземных наблюдений
Изменения дневной и ночной облачности анализировались по данным EECRA. Как и для среднесуточных значений облачности, количество облаков днем и ночью по данным EECRA (рис. 2.9)
сокращается над сушей и растёт над океаном. Исключение составляют полярные широты СП,
где над сушей отмечается рост облачности, над океаном — сокращение. Тренды и ночной и дневной облачности в большинстве регионов статистически значимы (кроме ночной облачности над
океаном в тропических широтах СП).
94
А
Б
0.2
В
0.2
EECRA
ISCCP
Patmos-X
0.18
0.2
EECRA
ISCCP
Patmos-X
0.18
0.16
0.16
0.16
0.14
0.14
0.14
0.12
0.12
0.12
0.1
0.1
0.1
0.08
0.08
0.08
0.06
0.06
0.06
0.04
0.04
0.04
0.02
0.02
0.02
0
0
0
-0.02
-0.02
-0.02
-0.04
-0.04
Глобальное и полушарное
осреднение
с полярными
широтами
без полярных
широт (<60o)
Тропики
(<30o)
Средние Полярные
широты широты
(30-60o) (60-90o)
СП СП ЮП СП СП ЮП СП СП ЮП СП ЮП СП ЮП
+ЮП
+ЮП
+ЮП
EECRA
ISCCP
Patmos-X
0.18
-0.04
Глобальное и полушарное
осреднение
с полярными
широтами
без полярных
широт (<60o)
Тропики
(<30o)
Средние Полярные
широты широты
(30-60o) (60-90o)
СП СП ЮП СП СП ЮП СП СП ЮП СП ЮП СП ЮП
+ЮП
+ЮП
+ЮП
Глобальное и полушарное
осреднение
с полярными
широтами
без полярных
широт (<60o)
Тропики
(<30o)
Средние Полярные
широты широты
(30-60o) (60-90o)
СП СП ЮП СП СП ЮП СП СП ЮП СП ЮП СП ЮП
+ЮП
+ЮП
+ЮП
Рис. 2.8. Коэффициенты линейного тренда (и СКО тренда) облачности, средней за июнь-июль-август
(1/десятилетие) по данным наблюдений. Подписи и обозначения — аналогично рис. 2.6
В целом, во всех регионах тренды дневной и ночной облачности имеют один знак, при этом в
большинстве районов тренд дневной облачности больше ночной (на 10-20%). Наибольшие различия проявляются над сушей средних широт, особенно в ЮП, где тренд ночной облачности (−0,003
(±0,004) в десятилетие) более, чем в 3 раза меньше тренда дневной облачности (−0,01 (±0,004) в
десятилетие). Различия отмечены также в тропических широтах СП (тренд дневной облачности
составляет 0,008 (±0,004) в десятилетие, тренд ночной близок к нулю).
Выделяется несколько регионов с преобладанием ночного тренда. Так, над сушей тропических
широт СП значения отрицательного тренда ночной облачности почти в 2 раза выше, чем тренда
дневной (при этом тренд дневной облачности в этом регионе не значим). Преобладание тренда
ночной облачности также отмечено над океаном средних широт ЮП (0,02 (±0,01) в десятилетие
95
А
0.14
Б
0.14
День
Ночь
0.12
В
0.14
День
Ночь
0.12
0.1
0.1
0.1
0.08
0.08
0.08
0.06
0.06
0.06
0.04
0.04
0.04
0.02
0.02
0.02
0
0
0
-0.02
-0.02
-0.02
Глобальное и полушарное
осреднение
с полярными
широтами
без полярных
широт (<60o)
Тропики
(<30o)
Средние Полярные
широты широты
(30-60o) (60-90o)
СП СП ЮП СП СП ЮП СП СП ЮП СП ЮП СП ЮП
+ЮП
+ЮП
+ЮП
Глобальное и полушарное
осреднение
с полярными
широтами
День
Ночь
0.12
без полярных
широт (<60o)
Тропики
(<30o)
Средние Полярные
широты широты
(30-60o) (60-90o)
СП СП ЮП СП СП ЮП СП СП ЮП СП ЮП СП ЮП
+ЮП
+ЮП
+ЮП
Глобальное и полушарное
осреднение
с полярными
широтами
без полярных
широт (<60o)
Тропики
(<30o)
Средние Полярные
широты широты
(30-60o) (60-90o)
СП СП ЮП СП СП ЮП СП СП ЮП СП ЮП СП ЮП
+ЮП
+ЮП
+ЮП
Рис. 2.9. Коэффициенты линейного тренда (и СКО тренда) ночных и дневных значений среднегодовой
облачности (1/десятилетие) по данным EECRA для различных широтных зон для суши и океана (А),
отдельно для суши (Б) и отдельно для океана (В). Символами красного цвета обозначена статистическая
значимость тренда (закрытый квадрат — 1%, открытый квадрат — 5%, открытый круг — 10%, крест —
20%).
для дневной облачности и 0,03 (±0,02) в десятилетие для ночной).
В связи с противоположными тенденциями изменениями облачности над сушей и над океаном,
в СП тренд облачности над всей поверхностью в целом (рис. 2.9а) статистически значим только
в дневное время над тропиками (положителен). Тренд ночной облачности (в средних и полярных
широтах и дневной) в СП не значим. В ЮП, за счёт преобладания океана, проявляется положительный тренд, в тропиках, главным образом, благодаря тренду дневной облачности, в средних и
полярных широтах — ночной.
Анализировались также изменения ночной и дневной облачности в различные сезоны (не показано). Над сушей в целом и над океаном в СП зависимости соотношения трендов ночной и дневной
облачности от сезона не выявлено. Над океаном ЮП отмечены различия в средних широтах (преобладание дневного тренда в летнее время и ночного в зимнее).
Оценка трендов облачности при выборе других временных периодов
В предыдущих разделах проведена оценка трендов облачности по данным ISCCP, Patmos–X
и EECRA для разных временных периодов (индивидуальных для каждой базы данных). В связи
с этим необходимо ответить на вопрос, не являются ли полученные различия между разными
данными следствием выбора разных временных периодов. С целью ответа на этот вопрос был
96
проведен анализ трендов по более коротким временным периодам (одинаковым для разных баз
данных) (табл. 2.2).
Таблица 2.2. Коэффициенты линейного тренда (и СКО тренда) облачности по данным наблюдений в
различные периоды (1/десятилетие). Жирным шрифтом выделены тренды на уровне значимости 20%,
жирным и подчеркнутым — тренды на уровне значимости 5%
Суша
Данные
СП + ЮП
СП
Океан
ЮП
СП + ЮП
СП
ЮП
1971 – 1983
EECRA
−0,005
0,004
−0,023
0,020
−0,001
0,037
(0,003)
(0,006)
(0,012)
(0,010)
(0,003)
(0,016)
1984 – 1996
EECRA
ISCCP
Patmos–X
−0,010
0,003
−0,036
0,002
0,005
−0,001
(0,007)
(0,004)
(0,021)
(0,011)
(0,007)
(0,019)
−0,018
−0,013
−0,027
−0,021
-0,027
−0,018
(0,015)
(0,012)
(0,017)
(0,012)
(0,014)
(0,012)
0,044
0,047
0,040
0,012
0,007
0,015
(0,017)
(0,020)
(0,015)
(0,004)
(0,006)
(0,006)
1997 – 2007
ISCCP
Patmos–X
−0,008
−0,002
−0,020
0,007
0,013
0,004
(0,008)
(0,012)
(0,023)
(0,008)
(0,009)
(0,008)
−0,029
−0,019
−0,049
−0,010
−0,001
−0,018
(0,028)
(0,032)
(0,029)
(0,005)
(0,005)
(0,009)
Согласно проведенному анализу, в последнее десятилетие над сушей отмечается сокращение
количества облаков: до −0,03 в десятилетие для всей суши по данным Patmos–X и до −0,008 в
десятилетие по данным ISCCP, однако эти тренды статистически не значимы. Над океаном проявляются разнонаправленные тенденции: по данным ISCCP отмечен статистически не значимый
рост количества облаков, по данным Patmos–X — сокращение (над ЮП — статистически значимое на уровне 20%). В то же время в предыдущий период (1984–1997 гг.) по данным Patmos–X
отмечен статистически значимый рост количества облаков, и над сушей, и над океаном (до 0,047 в
десятилетие над сушей СП и до 0,015 над океаном ЮП). А вот по данным ISCCP с 1984 г. по 1996
г. проявляется сокращение количества облаков (статистически значимое на уровне 20% — только
над океаном СП). По данным EECRA изменений облачности с 1984 по 1996 гг. практически не
происходит. В период с 1971 по 1983 гг. по данным EECRA в СП изменения облачности не значимы, в ЮП проявляется статистически значимый рост количества облаков над океаном (до 0,037
в десятилетие) и сокращение количества облаков над сушей (до −0,023 в десятилетие).
В целом, над сушей (главным образом, в ЮП) количество облаков сокращается (исключение
составляют данные Patmos–X, согласно которым количество облаков в период с 1984 по 1996 гг.
97
увеличивается). Над океаном количество облаков до середины 80-х гг. растет, затем либо остается
практически неизменным, либо слабо сокращается.
Также необходимо отметить, что в данной работе не проводилась оценка вклада инструментального тренда, в частности, в спутниковых данных искусственный тренд может внести изменение времени пересечения экватора полярно-орбитальными спутниками (в результате, в тренд
будет вносить вклад суточный ход облачности). Кроме того, в данных Patmos–X до 1992 года
используется 2 спутника, затем — 4. В данные ISCCP искусственный тренд может внести разное
количество геостационарных спутников. В данные EECRA — изменение количества наблюдений
от года к годуБ, главным образом, над океаном (см. напр. рис. 1.30).
2.1.2
Оценка трендов облачности в XXI веке по модельным
расчетам
Проведён анализ возможных изменений облачности в XXI в. по модельным расчётам CMIP3
для широтных зон согласно табл. 2.1. На рис. 2.10 представлены диаграммы, характеризующие
значение тренда по разным моделям для разных широтных зон и разной подстилающей поверхности. При построении диаграмм использовались только статистически значимые значения тренда
(на уровне 1%). Согласно большинству моделей в XXI веке ожидается отрицательный тренд облачности, для среднего по ансамблю CMIP3ens он составляет −0,0009 в десятилетие над всей
поверхностью (от −0,0027 до 0,0006 в десятилетие по отдельным моделям), −0,0013 в десятилетие
над сушей (от −0,0032 до 0,0006 в десятилетие) и −0,0007 в десятилетие над океаном (от −0,0025
до 0,0001 в десятилетие).
Согласно всем моделям, наибольший отрицательный тренд ожидается над сушей ЮП (за исключением Антарктиды), где тренд по данным CMIP3ens может достигать −0,0032 в десятилетие
(по остальным моделям находится в диапазоне от −0,001 до −0,0053). Над океаном отрицательный
тренд облачности в целом ниже, чем над сушей, при этом число моделей над океаном, воспроизводящих положительный тренд облачности больше, чем над сушей (например, над тропическими
широтами ЮП согласно 5 моделям проявляется статистически значимый рост количества облаков).
Над полярными широтами обоих полушарий, как над сушей, так и над океаном, в XXI веке
ожидается рост количества облаков согласно большинству моделей (за исключением моделей GISS
model EH/ER и NCAR PCM 1). Согласно среднему по ансамблю CMIP3ens над всей поверхностью
98
0.01
0.01
А
0.005
0.005
0
0
-0.005
-0.005
Глобальное и полушарное
осреднение
-0.01
с полярными
широтами
Тропики
(<30o)
без полярных
широт (<60o)
0.01
Глобальное и полушарное
осреднение
Средние Полярные
широты широты
(30-60o) (60-90o)
СП СП ЮП СП СП ЮП СП СП ЮП СП ЮП СП ЮП
+ЮП
+ЮП
+ЮП
Б
-0.01
с полярными
широтами
без полярных
широт (<60o)
Тропики
(<30o)
Средние Полярные
широты широты
(30-60o) (60-90o)
СП СП ЮП СП СП ЮП СП СП ЮП СП ЮП СП ЮП
+ЮП
+ЮП
+ЮП
В
0.005
0
-0.005
Глобальное и полушарное
осреднение
-0.01
с полярными
широтами
без полярных
широт (<60o)
Тропики
(<30o)
Средние Полярные
широты широты
(30-60o) (60-90o)
СП СП ЮП СП СП ЮП СП СП ЮП СП ЮП СП ЮП
+ЮП
+ЮП
+ЮП
Рис. 2.10. Коэффициенты линейного тренда среднегодовых значений облачности (1/десятилетие) в
XXI в. по данным ансамбля моделей CMIP3 (учитываются только статистически значимые (на уровне
1%) тренды) для различных широтных зон для суши и океана (А), отдельно для суши (Б) и отдельно для
океана (В). «Усы» на диаграмме соответствуют минимальным и максимальным значениям тренда по разным моделям, «прямоугольник» характеризует межквартильный разброс, центральная горизонтальная
линия — медиану.
полярных широт (над сушей и океаном) тренд составляет 0,0021 и 0,001 в десятилетие в СП и ЮП
соответственно (по отдельным моделям достигает 0,0091 и 0,0051 в десятилетие соответственно).
99
Анализировались также тренды облачности в различные сезоны (не показано). Различные тенденции в зимнее и летнее время проявляются над сушей в средних и полярных широтах СП, где
летом согласно большинству моделей отмечается сокращение количества облаков, а в зимнее время — увеличение. В тропических широтах над сушей и зимой и летом проявляется отрицательный
тренд облачности.
Над океаном зависимость тренда облачности от сезона проявляется в тропиках и средних широтах, где в летнем полушарии ожидается более сильное сокращение количества облаков, чем в
зимнем (по некоторым моделям, в зимнее время в этих широтах ожидается рост облачности).
2.1.3
Изменение облачного покрова над российскими регионами
Согласно анализу станционных наблюдений (работы [48, 213]) над российскими регионами во
второй половине XX в. наряду с увеличением общего количества облаков (за счёт верхнего и
среднего яруосв) проявляется сокращение облачности нижнего яруса, при этом растёт доля конвективных облаков и сокращается доля слоистой облачности.
В данной работе был проведён анализ изменения среднегодовой и сезонной облачности над
российскими регионами для последних десятилетий с использованием данных спутниковых и наземных наблюдений, а также проведена оценка возможных изменений облачности в XXI в. по
расчётам c ансамблем моделей CMIP3 [167].
Изменения облачного покрова над российскими регионами по данным
станционных и спутниковых наблюдений
Использовались данные спутниковых наблюдений ISCCP и Patmos–X, а также данные станционных наблюдений, подготовленные во Всероссийском научно-исследовательском институте гидрометеорологической информации — Международном центре данных (ВНИИГМИ–МЦД). Использовались трехчасовые данные по общему количеству облаков, полученные по срочным наблюдениям на более, чем 1600 российских станциях. Данные были пересчитаны в среднемесячные
значения. Анализировались изменения облачности по спутниковым и наземным данным от 1992–
1999 гг. к 2000-2007 гг1 .
1
Как и для сезонных различий в разделе 1.2.2, статистическая значимость оценивалась согласно формуле:
q
z = (|x − y|/ СКО2x + СКО2y [19].
100
На рисунках 2.11 и 2.12 показаны изменения среднегодовых и сезонных (для зимы и лета)
А1
А2
Б1
Б2
В1
В2
Рис. 2.11. Изменение общей облачности над российскими регионами от 1992–1997 к 2000–2007 гг. по
спутниковым данным ISCCP (1) и Patmos–X (2) при среднегодовом осреднении (А), для среднего за
декабрь-январь-февраль (Б), для среднего за июнь-июль-август (В). Пунктиром указано отношение (в %)
этой разницы к среднему за 1992–1999 гг. (с шагом в 5%)).
значений облачности от первого периода ко второму. Несмотря на различия в тенденциях, полученных по разным данным, в целом проявляется увеличение количества облаков (главным образом
в зимний период) в южных и центральных районах Европейской территории России (ЕТР) (до
0,2 по данным наземных наблюдений и около 0,05 по данным спутниковых наблюдений ISCCP). В
летний период на ЕТР единая тенденция не выявлена. Отмечено увеличение количества облаков
в летний период на юге Сибири (около 0,1–0,2 как по спутниковым, так и по наземным данным), и
уменьшение количевства облаков в зимний период над северными районами Сибири (на до −0,01).
В континентальных районах Дальнего Востока и на Охотском побережье в летнее время отмечается значительный рост количества облаков (по данным ISCCP, количество облаков в 2002–2007 гг.
здесь выросло на 10% по сравнению с 1992–1999 гг.), и небольшое уменьшение количества облаков
в зимний период. Для среднегодовых значений изменения не столь существенны, согласно данным ISCCP и ВНИИГМИ–МЦД проявляется рост количества среднегодовой облачности на юге
Сибири и на большей части ЕТР, по данным Patmos–X количество облаков здесь не меняется или
слабо уменьшается. Стоит отметить, что все полученные оценки для изменений облачности ниже
101
А
Б
В
Рис. 2.12. Изменение общей облачности над российскими регионами от 1992–1997 к 2000–2007 гг. по
станционным данным ВНИИГМИ–МЦД при среднегодовом осреднении (А), для среднего за декабрьянварь-февраль (Б), для среднего за июнь-июль-август (В).
5% уровня значимости.
Наряду с изменением среднесуточных значений облачности по станционным данным анализировались изменения облачности в дневное и ночное время суток. Наблюдения на станциях,
проводимые каждые три часа по Гринвическому времени1 , были пересчитаны в местное время,
значения ночной облачности определялись как среднее за период с 6 часов вечера до 6 часов утра,
значения дневной облачности — как среднее с 6 часов утра до 6 часов вечера. На рис. 2.13 приведено изменение соотношения дневной облачности к общей (в %) от 1992–1997 к 2000-2009 гг. В целом
1
До 1993 года наблюдения проводились по декретному московскому времени
102
А
Б
В
Рис. 2.13. Изменение отношения дневной облачности к общей (в %) над российскими регионами от 1992–
1997 к 2000–2007 гг. по станционным данным ВНИИГМИ–МЦД при среднегодовом осреднении (А), для
среднего за декабрь-январь-февраль (Б), для среднего за июнь-июль-август (В).
для России в зимний период отмечается слабое сокращение (на 2–5%) доли дневной облачности
(и соответственно, рост доли ночной облачности), на Дальнем Востоке сокращение доли дневной
облачности достигает на некоторых станцих 20%. В летний период на азиатской территории России (АТР) отмечается уменьшение доли дневной облачности, а на ЕТР для отдельных станций
отмечается уменьшение доли дневной облачности, для отдельных — рост (невыше 5%). В среднем
за год перераспределение между ночной и дневной облачностью незначительно (на уровне 1-2% в
ту или иную сторону).
103
Изменение облачного покрова над российскими регионами по данным
модельных расчётов
Возможные изменения облачности над российскими регионами в XXI в. были оценены на основе ансамбля моделей CMIP3. В качестве изменений оценивалась разность количества облаков
между 2070–2099 и 1970–1999 гг. по различным моделям (табл. 1.11). Отмечены различные тенденции изменения облачности как между разными моделям, так и в разные сезоны года. Согласно
среднему по ансамблю моделей CMIP3e ns (рис. 2.14), в зимнее время как на ЕТР, так и на АТР
ожидается рост количества облаков на 0,02–0,05, над арктическими регионами количество облаков в конце XXI века может увеличиться на 5–10% по сравнению с концом XX века. Сокращение
облаков в зимний период ожидаетя только на юге ЕТР (до −0,02). В летний период над российскими регионами проявляется обратная тенденция: и на АТР и на ЕТР ожидается уменьшение
количества облаков (до −0,05). Слабый рост ожидается только на арктическом поебережье АТР.
Из-за отмеченных различных тенденций в зимнее и летнее время, изменение среднегодовых
значений облачности носит зональный характер: в северных российских регионах превалируют
изменения в зимний период, поэтому к концу XXI века здесь отмечен рост количества облаков,
на юге (на широтах < 60◦ ), наоборот, ожидается уменьшение облачного покрова. Все полученные
изменения статистически значимы на уровне 5%.
2.1.4
Связь облачности с циклонической активностью во внетропических широтах северного полушария
Согласно результатам, полученным в разделе 2.1.2, во внетропических широтах СП в XXI веке
по модельным оценкам ожидаются заметные изменения количества облаков как над океаном, так
и над сушей, в том числе и над российскими регионам (см. раздел 2.1.3), в частности, ожидается
рост количества облаков в высоких широтах (выше 60◦ с.ш.) и уменьшение в широтном поясе ниже
60◦ с.ш. Подобные изменения могут быть связаны с изменением циклонической активности в этом
регионе [36, 37, 40]. Был проведен анализ изменений характеристик циклонической активности и
облачности, в том числе их взаимных изменений, в атмосфере СП от тропических до полярных
широт по модельным расчетам при климатических изменениях в сопоставлении со спутниковым
данными и данными реанализа [40, 164].
При анализе использовались результаты численных расчетов среднесуточных глобальных полей геопотенциала изобарической поверхности 1000 гПа и количества облаков с климатической
104
А
Б
В
Рис. 2.14. Изменения облачности над российскими регионами в XXI в. по данным CMIP3ens (разница общей облачности над российскими регионами между 2070–2099 и 1970–1999 гг.) при среднегодовом
осреднении (А), для среднего за декабрь-январь-февраль (Б), для среднего за июнь-июль-август (В).
Пунктиром указано отношение (в %) этой разницы к среднему за 1970–1999 гг. (с шагом в 5%).
моделью общей циркуляции (КМОЦ) IPSL–CM4 [153]. КМОЦ IPSL–CM4 включает в себя модели
общей циркуляции атмосферы LMDZ–4 (с 19 уровнями в атмосфере по вертикали и горизонтальным пространственным разрешением 2.5◦ ×3.75◦ ) и океана ORCA (горизонтальным пространственным разрешением 2◦ с улучшением разрешения до 1◦ вблизи экватора и для Средиземного
и Красного морей), блок ORCHIDEE для суши и вегетации и блок LIM для морского льда.
В расчетах в КМОЦ IPSL-CM4 зaдaвaлиcь антропогенные эмиссии парниковых газов и аэрозоля в aтмocфepу на основе данных нaблюдeний для периода 1860–2000 гг. и в cooтвeтcтвии c
105
антропогенным cцeнapиeм SRES–A2 [131] для 2001–2100 гг.
Циклоны и антициклоны выделялись соответственно областями пониженного и повышенного
давления, ограниченными замкнутыми изолиниями — изогипсами при использовании данных для
геопотенцала, аналогично [1, 10]. Анализировались изменения плотности упаковки циклонов на
сфере (c) [36] — доли площади земной сферы (в частности, внетропических широт Северного
полушария), покрытой циклонами.
Для сравнения использовались результаты анализа характеристик циклонической активности [1, 10] по данным NCEP/NCAR реанализа [145] для геопотенциала изобарической поверхности
1000 гПа в полосе широт 20–80 с.ш. на сетке 2.5◦ ×2.5◦ за каждые 12 часов для периода 1952–
2007 гг. Для характеристик облачности использовались спутниковые данные ISCCP для периода
1983–2007 гг. [194].
На рис. 2.15 приведены изменения общего количества облаков (n) и плотности упаковки циклонов c для внетропических широт СП (20–80◦ с.ш.) по модельным расчетам для периода 1860–
2100 гг. Переменные на рис. 2.15 нормированы на их средние значения для периода 1961–1990 гг.
В модели не отмечено существенных изменений n и c с середины XIX века до конца XX века. Начиная с последних двух десятилетий ХХ века до конца XXI века для обеих величин проявляется
заметное уменьшение. Эта тенденция уменьшения статистически более значима для облачности (с
интегрально меньшей межгодовой изменчивостью). По среднегодовым данным для ХХI века тренд
для доли покрытия циклонами dc/dt оценен равным -0.000038 год−1 (или c−1 dc/dt = −3, 5% за 100
лет) при коэффициенте корреляции R = −0, 29, а линейный тренд dn/dt для общей облачности
получен равным −0,00037 год−1 (или n−1 dn/dt = −5, 5% за 100 лет) при R = −0, 96.
Отмеченная в модели тенденция общего уменьшения плотности покрытия земной сферы циклонами связана с тенденцией общего ослабления действия механизма бароклинной неустойчивости
при глобальном потеплении [36, 40]. При этом в изменениях бароклинной неустойчивости атмосферы, которая приводит к генерации атмосферных вихрей, проявляются два противоположных
эффекта. С одной стороны, уменьшение меридионального градиента температуры (перепада температур экватор–полюс) в тропосфере при глобальном потеплении способствует снижению скорости генерации и уменьшению общего числа вихрей в атмосфере. С другой стороны, увеличение при
этом вертикального градиента температуры в тропосфере и уменьшение ее статической устойчивости приводит к увеличению скорости генерации вихрей в тропосфере. Различие относительной
роли этих конкурирующих факторов в разных регионах и атмосферных слоях (и в разные сезоны)
должно приводить к различным тенденциям изменения (по величине и по знаку) вихревой активности в атмосфере. При относительно слабом уменьшении статической устойчивости тропосферы
106
1.1
c
n
1.05
1
0.95
0.9
1850
1900
1950
2000
2050
2100
Рис. 2.15. Изменения среднегодовых нормированных n и c для пояса широт 20–80◦ с.ш. по модельным
расчетам для периода 1860–2100 гг. (при антропогенном сценарии SRES–A2 для XXI в.)
(а тем более при ее увеличении) следует ожидать уменьшения общего числа вихрей в атмосфере
при глобальном потеплении.
На рис. 2.16 представлена зависимость доли облачного неба n от доли покрытия небосвода
циклонами c в поясе широт 20–80◦ с.ш. по среднегодовым данным на основе модельных расчетов для ХХI века при антропогенном сценарии SRES–A2. Согласно рис. 2.16 проявляется общая
корреляция n и c для XXI века.
Рис. 2.16. Доля облачного неба n в зависимости от доли покрытия небосвода циклонами c в поясе широт
20–80◦ с.ш. по среднегодовым данным на основе модельных расчетов для ХХI века при антропогенном
сценарии SRES–A2
Следует отметить, что средние значения доли небосвода с облаками и циклонами существенно
107
различаются. На рис. 2.17 приведены широтные распределения c и n для периода 1984–2000 гг. по
модельным расчетам в сопоставлении с данными NCEP/NCAR реанализа (для c) и спутниковыми
данными ISCCP (для n). Согласно модельным результатам n ≈ 2/3, а c ≈ 10−1 , что в целом
согласуется со спутниковыми и наземными данными для облачности и оценками для плотности
покрытия Земли циклонами по данным наблюдений и реанализа (см. [36, 37, 40]). Для периода
1984–2000 гг. по данным NCEP/NCAR реанализа c = 0, 10, а по данным ISCCP n = 0, 66. При этом
c/n = 0, 15, т.е. покрытие небосвода облаками в 6–7 раз превышает соответствующее покрытие
циклонами. По модельным расчетам для периода 1984–2000 гг. c = 0, 14, n = 0, 64, а c/n = 0, 22.
Последняя оценка соответствует тому, что в модели покрытие небосвода облаками примерно в 5
раз превышает соответствующее покрытие циклонами.
Рис. 2.17. Широтное распределение c n для периода 1984–2000 гг. по модельным расчетам (IPSL) в
сопоставлении с данными NCEP/NCAR реанализа для c и спутниковыми данными ISCCP для n
Стоит отметить, что формирование облаков зависит не только от реализации циклонических
режимов с восходящим от поверхности движением воздуха с последующей конденсацией водяного
пара в более высоких и холодных слоях тропосферы. Тем более облака связаны не только с локальными подвижными циклонами. Значительная доля облачности формируется в крупномасштабных
областях квазистационарных атмосферных образований с минимумом давления у поверхности и
восходящими токами, в том числе на ветвях меридиональных и зональных ячеек общей циркуляции (ячейки Хэдли в приэкваториальных широтах и на границе полярной ячейки и ячейки
Ферреля в субполярных широтах, циркуляции Уокера), в циклонических центрах действия атмосферы (см. раздел 1.2). Облачные режимы характерны для областей фронтальной активности в
108
атмосфере.
Несмотря на большое разнообразие типов облаков и различие механизмов их формирования
и динамики согласно рис. 2.16 в целом для внетропических широт СП по модельным расчетам
для XXI века доли покрытия облаками и циклонами положительно коррелируют (коэффициент
корреляции равен 0,36). При этом коэффициент линейной регрессии n на c практически равен 1.
Это свидетельствует о том, что в модели при глобальном потеплении в XXI веке уменьшение общей
площади облаков внетропических широт СП связано с таким же уменьшением доли покрытия
внетропических широт циклонами.
Рис. 2.18. Широтное распределение относительных (∆c/c и ∆n/n) изменений c и n (а также соответствующих изменений облаков разных ярусов – нижних (nн ), средних (nс ) и верхних (nв )) в XXI веке по
сравнению с ХХ веком по модельным расчетам при сценарии SRES–A2
Взаимосвязь тенденций изменения доли покрытия внетропических широт Северного полушария циклонами с соответствующими изменениями количества облаков разных ярусов можно оценить по рис. 2.18 на основе численных расчетов с моделью IPSL. На рис. 2.18 представлены широтные распределения относительных (∆c/c и ∆n/n) изменений c и n (а также соответствующих
изменений облаков разных ярусов – нижних (nн ), средних (nс ) и верхних (nв )) в XXI веке по
сравнению с ХХ веком по модельным расчетам при сценарии SRES–A2. Согласно рис. 2.18 для
относительных изменений c проявляются особенности структуры общей циркуляции атмосферы и
ее изменений при глобальном потеплении. Наибольшие изменения доли циклонического покрытия
(ее уменьшения) отмечены на 30–50◦ с.ш., в то же время в высоких широтах может проявляться
увеличение доли c и увеличение количества облаков (главным образом, среднего яруса) [40].
109
2.2
Влияние изменения облачного покрова на режимы пожароопасности
2.2.1
Количественная оценка связи температурного режима
над российскими регионами с режимами облачности
Регулируя радиационный баланс, облачность оказывает существенное влияние и на температурный режим приповерхностного воздуха и температурный режим подстилающей поверхности.
Согласно [115], как по данным наблюдений, так и по модельным расчётам, в зимнее время над сушей северного полушария температура воздуха у поверхности может быть на 4–8 градусов выше в
период сплошной облачности по сравнению с периодами с ясной погодой. В летнее время разница
между безоблачными и облачными условиями противоположна по знаку с зимней и составляет
1–2 градуса. Таким образом, возможные изменения облачного покрова могут влиять на изменение приповерхностной температуры. Положительная корреляция между облачностью и приземной
температурой в зимний период и отрицательная в летний отмечена также в [23].
Была сделана оценка влияния облачности на значение максимальной температуры (TM ) в российских регионах в разные сезоны по данным станционных наблюдений ВНИИГМИ–МЦД. Использовались суточные данные по максимальной температуры для 173 российских станций гидрометеорологической сети для двух десятилетних периодов (1990–1999 и 2000-2009 гг.). Станции
были разбиты на 9 регионов: 1) Московский регион, 2) Центральный район Европейской территории Росси (ЕТР), 3) Черноземье, 4) Поволжье, 5) Юг ЕТР, 6) Юг Западной Сибири и Урала, 7)
Юго-восток Западной Сибири, 8) Юг Восточной Сибири, 9) Забайкалье (рис. 2.19). Для этих же
станций были пересчитаны трехчасовые данные для облачности, используемые в разделе 2.1.3.
В таблице 2.3 приведены коэффициенты линейной регрессии аномалий максимальной температуры TM на аномалии количества облаков n (для суточных данных), полученные методом
наименьших квадратов отдельно для зимнего и летнего периода для всех станций в рассматриваемых регионах (также указаны коэффициенты корреляции между n и TM ). Все отмеченные коэффициенты линейной регрессии статистически значимы на уровне 1% (значимость оценивалась
с помощью t–критерия Стьюдента [19] с учетом эффективного количества степеней свободы [30],
зависящего от длины ряда и коэффициентов автокорреляции рядов n и T ). Средние значения для
n и TM (для двух десятилетних периодов) приведены в таблице 2.4.
В зимнее время во всех анализируемых регионах отмечена положительная корреляция между
110
Рис. 2.19. Станции (по регионам), данные с которых используются для оценки влияния облачности на
максимальную температуру.
Таблица 2.3. Коэффициенты линейной регрессии TM на n (K) (в скобках узаны значения СКО) и коэффициенты корреляции между TM и n для зимы и лета и для различных регионов
Регион
1.
2.
3.
4.
5.
6.
7.
8.
9.
Московский регион
Центр ЕТР
Черноземье
Поволжье
Юг ЕТР
Юг З. Сибири и Урала
Юго-восток З. Сибири
Юг Восточной Сибири
Забайкалье
Зима
Коэффициент Коэффициент
регрессии (К)
корреляции
9,4 (0,4)
0,42
8,4 (0,3)
0,38
9,9 (0,3)
0,50
6,5 (0,3)
0,32
1,7 (0,3)
0,09
7,6 (0,3)
0,32
10,1 (0,3)
0,45
9,6 (0,4)
0,39
3,7 (0,3)
0,20
Лето
Коэффициент Коэффициент
регрессии (К)
корреляции
−6,5 (0,3)
−0,39
−4,7 (0,2)
−0,29
−7,3 (0,2)
−0,45
−3,2 (0,3)
−0,19
−4,6 (0.2)
−0,36
−5,6 (0,3)
−0,28
−6,2 (0,2)
−0,38
−6,0 (0,2)
−0,36
−6,2 (0,2)
−0,37
количеством облаков TM и n (на уровне 0,2 для Забайкалья и 0,3–0,5 для остальных регионов),
при этом коэффициент линейной регрессии в отдельных регионах (в частности в Московском регионе, в Черноземье и на юге Сибири) близок к 10 К. Таким образом, рост количества облаков
в зимний период над российскими регионами (отмеченный в разделе 2.1.3) будет способствовать
ожидаемому в XXI веке потеплению, в частности, изменение облачности на 0,1 может привести к
росту максимальной температуры на 1 градус. В то же время, на юге ЕТР (5-й регион) чувствительность максимальной температуры к изменениям облачности не такая сильная, коэффициент
линейной регрессии TM на n составляет 1,7 К (при коэффициенте корреляции 0,09).
В летний период отмечается отрицательная связь облачности и максимальной температуры,
111
Таблица 2.4. Средние значения TM и n (в скобках указаны относительные изменения величин)
Регион
1.
2.
3.
4.
5.
6.
7.
8.
9.
Московский регион
Центр ЕТР
Черноземье
Поволжье
Юг ЕТР
Юг З. Сибири и Урала
Юго-восток З. Сибири
Юг Восточной Сибири
Забайкалье
Зима
1990–1999
TM
n
(◦ C)
−2,3
0,81
−1,7
0,81
−2,5
0,77
−3,7
0,75
1,8
0,71
−9,2
0,67
−8,8
0,66
−10,0 0,68
−14,6 0,43
TM
Лето
2000–2009
( C)
n
◦
−0,8 (+1,5)
−3,7 (−2,0)
−2,8 (−0,3)
−4,2 (−0,5)
2,6 (+1,3)
−10,0 (−0,8)
−9,7 (−0,9)
−7,8 (+2,2)
−14,7 (−0,1)
0,83
0,83
0,80
0,75
0,73
0,66
0,65
0,68
0,43
(+0,02)
(+0,02)
(+0,03)
(0)
(+0,02)
(−0,01)
(−0,01)
(0)
(0)
1990–1999
TM
n
(◦ C)
21,3
0,62
19,9
0,62
23,5
0,55
23,5
0,57
27,9
0,48
23,0
0,64
24,9
0,59
23,3
0,69
22,1
0,64
TM
20,9
22,8
24,8
24,6
29,0
23,4
24,8
20,3
23,0
2000–2009
( C)
n
◦
(−0,4)
(+1,9)
(+1,3)
(+1,1)
(+1,1)
(+0,4)
(−0,1)
(−3,0)
(+0,9)
0,64
0,63
0,54
0,56
0,48
0,66
0,61
0,70
0,64
(+0,02)
(+0,01)
(−0,01)
(−0,01)
(0)
(+0,02)
(+0,02)
(+0,01)
(0)
при этом коэффициент корреляции между TM и n несколько меньше, чем зимой (около 0,2–0,4).
Коэффициент линейной регрессии TM на n находится в диапазоне от −3 до −7 К. Отдельно был
проведен рассчёт характеристик линейной регрессии TM на n для двух десятилетних периодов
(1990–1999 и 2000–2009 гг.). В ряде регионов отмечено увеличение коэффициентовы регрессии и
корреляции в начале XXI веке, в ряде регионов — уменьшение. Уменьшение отмечено, главным
образом, для регионов, где проявляется сокращение средней максимальной температуры, увеличение — для регионов с ростом средней максимальной температуры (табл. 2.4). В целом, ожидаемое
сокращение количества облаков в летний период в XXI веке (см. раздел 2.1.3) будет способствовать росту максимальной температуры. В частности, уменьшение количества облаков на 0,1 может
привести к росту максимальной температуры на 0,5–0,7 K.
Полученные результаты и для зимы и для лета близки к оценкам [115]. Стоит отметить, что
высокие значения коэффициента регрессии TM на n в зимний период могут не являться прямым
следствием влияния облачного покрова, а могут быть обусловлены синоптическими особенностями циркуляционного режима атмосферы в зимнее время над российскими регионами. Большее
количество облаков в зимний период связано, главным образом, с циклонами и адвекцией тепла
из Атлантики, в то же время меньшее количество облаков связано с антициклонами и адвекцией холода из Арктики. Необходим более детальный анализ, позволяющий разделить влияние
адвективных процессов, и радиационных, связанных с отепляющим радиационным воздействием
облаков. Кроме того, в данной работе рассмотрено влияние только облачности на температуру,
хотя теоретически может проявляться обратная зависимость (особенно летом, во время развития
конвективных процессов).
112
2.2.2
Модельные оценки риска лесных пожаров в российских
регионах при изменениях климата
К числу наиболее опасных региональных последствий изменения климата, и в частности, сокращения количества облачности (и соответственно, увеличения максимальной температуры воздуха
в летний период) относится учащение засух и пожаров [21, 24, 33, 39, 41, 66, 91, 116, 156, 166,
170, 171, 224]. Климатические изменения в последние десятилетия проявляются в сильных температурных, циркуляционных и гидрологических аномалиях, приводящих в том числе к пожарам,
как, например, в России в 2002 г. и в западной Европе в 2003 и 2007 гг. Подобные длительные аномалии, характеризующиеся засушливыми условиями и сокращением количества облаков в летние
сезоны в средних широтах, связаны с сокращением количества циклонов [40] (см. раздел 2.1.4) и с
увеличением роли блокирующих антициклонов (блокингов) в тропосфере [31]. Развитию режимов
засух и пожаров также способствует то, что в теплые месяцы года, в частности в средних широтах
Северной Евразии, наряду с сокращением облачности и ростом температуры, может уменьшаться
общее количество осадков (см. напр. [33]).
Пожары, наряду с возможным экономическим ущербом, приводят к региональным биосферным изменениям, изменениям альбедо подстилающей поверхности [224], эвапотранспирации и радиационного баланса, углеродного обмена между атмосферой и наземными экосистемами [141,
212].
Проведена оценка риска лесных пожаров для ЕТР и АТР при возможных изменениях климата
в XXI в. на основе расчётов с использованием региональной климатической модели (РКМ) [39, 41,
62, 91–93, 169, 170]. Подобные оценки сделаны впервые.
Методы исследования
Анализировались результаты численных расчетов с использованием РКМ Главной Геофизической обсерватории им. А.И. Воейкова (ГГО) [63–65] с горизонтальным разрешением 50 км при
сценарии SRES–А2 [131] увеличения эмиссии парниковых газов в ХХI веке. Для ЕТР и АТР детальный анализ ежедневных данных по расчетам с региональной моделью проводился для трех
десятилетий: для конца ХХ в. (1991–2000 гг.), а также для середины (2041–2050 гг.) и конца
(2091–2100 гг.) ХХI в.
Согласно расчётм с РКМ ГГО, к концу XXI в. в южных и центральных областях ЕТР и южных
областях АТР ожидается сокращение облачного покрова (рис. 2.20), что согласуется с результатами, полученными в разделе 2.1.3 для данных наблюдений и расётов с глобальными клима113
тическими моделями. В свою очередь (см. раздел 2.2.1) это будет вести к росту максимальной
температуры воздуха и увеличивать риск пожароопасности.
А
Б
Рис. 2.20. Изменение общего количества облаков согласно расчётам с РКМ ГГО в последнем десятилетии
XXI в. относительно последнего десятилетия XX в.
При анализе риска пожаров использовался индекс Нестерова, предложенный для оценки потенциала пожароопасности лесов [42]:
X
IF =
(TM − Td )TM
(2.1)
P <3mm
где TM — максимальная максимальная суточная температура воздуха у поверхности в ◦ C1 , Td —
температура точки росы, зависящая от относительной влажности и температуры, ◦ C. Суммирование проводится для тех дней, когда количество осадков P за сутки не превышает 3 мм. При
P > 3 мм величина IF зануляется. Принято разбивать значения потенциала пожароопасности на 5
диапазонов. Условия с IF менее 300 (режим I) считаются не пожароопасными или с очень слабой
пожароопасностью, а с IF в диапазонах 300–1000, 1000–4000, 4000–10000 и больше 10000 — соответственно режимами с малым (II), умеренным (III), высоким (IV) и экстремально высоким (V)
уровнем пожароопасности.
В данной работе также использовались модификации индекса [14, 39, 41, 116, 223], в частности
использовался модифицированный индекс пожароопасности:
IF =
1
X
k(TM − Td )TM
(2.2)
Поскольку величина TM входит в уравнение (2.1) во второй степени, то например при коэффициенте линейной
регрессии TM на n равном −8 К (см. раздел 2.2.1), уменьшение количества облаков на 0,1 может привести к росту
IF на 60%)
114
где k = k(p). По сравнению с (2.1) в (2.2) введен коэффициент k, учитывающий влияние осадков
более дифференцированно (табл. 2.5.
Таблица 2.5. Зависимость коэффициента k от осадков)
P (мм)
k
0
1,0
0,1–0,9
0,8
1–2,9
0,6
3–5,9
0,4
6–14,9
0,2
15–19,9
0,1
≥20
0
Результаты модельных оценок уровня пожароопасности в разных регионах сопоставлялись cо
спутниковыми данными [125] для границ распространения лесов.
Результаты исследования
На рисунке 2.21 приведено распределение значений среднего летнего индекса пожароопасности
IF m для конца XX в. (1991–2000 гг.) (IF m (0)) на ЕТР и АТР. По спутниковым данным [125] на
территории России выделены границы областей с наличием лесов.
А
Б
V
IV
III
II
I
1
2
3
Рис. 2.21. Распределение значений среднего летнего индекса пожароопасности для конца ХХ в. (IF m (0))
для Азиатской территории России (I: IF m < 300 ◦ C2 , II: 300 < IF m < 1000 ◦ C2 , III: 1000 < IF m < 4000
◦ C2 ,
IV: 4000 < IF m < 10000 ◦ C2 ; V: IF m > 10000 ◦ C2 ). Сплошными черными линиями отмечены границы
областей с долей лесов в модельных широтно-долготных ячейках не менее 10 (1), 30 (2) и 50% (3).
Для ЕТР и АТР более низкие широты в целом характеризуются более высоким риском лесных
пожаров, при этом граница лесов находится в зонах большого градиента индекса пожароопасности,
достаточно хорошо соответствуя границам регионов с умеренным риском пожароопасности (режим III), за исключением некоторых областей. В частности, для лесных регионов Забайкалья при
современном климате отмечен высокий уровень пожароопасности. Это подтверждается данными о
115
лесных пожарах [15]. В целом же в средних и высоких широтах северной Евразии леса существуют,
главным образом, в условиях малой летней пожароопасности (режимы I и II). Модельные расчеты индекса пожароопасности в общем неплохо согласуются с аналогичными оценками по данным
наземных наблюдений и со спутниковой информацией о реальной пожарной обстановке [66].
Наряду с пространственным распределением средних локальных значений летнего индекса пожароопасности для периода 1991–2000 гг, анализировались также особенности локальных функций
распределения вероятности IF по ежедневным данным. В частности, проведен анализ повторяемости p летних дней для 1991–2000 гг. с локальным индексом пожароопасности IF , превышающем
его среднее летнее значение IF m не менее, чем в два (p(IF > 2IF m )) и четыре (p(IF > 4IF m )) раза,
соответственно. Пространственное распределение p(IF > 2IF m ) получено сравнительно однородным — в большинстве регионов значения этой вероятности были в диапазоне 1/8–1/6. В отдельных
регионах величина p(IF > 2IF m ) достигала 1/5, как, например, в южной части бассейнов Волги и
Урала и на юге Западной Сибири. Локальные значения p(IF > 4IF m ) повторяемости летних дней
с более сильным, четырехкратным, превышением IF m не превосходили 0,08 и на значительной
территории были около 0,05. При этом проявился эффект уменьшения повторяемости таких экстремальных значений к северу и к югу от средних широт (главным образом для ЕТР). Подобный
эффект не был отмечен для p(IF > 2IF m ).
Анализ возможных изменений риска лесных пожаров в XXI в. по модельным расчетам для
регионов Северной Евразии выявил значительную пространственную неоднородность. На рисунке 2.22 приведены отношения IF m к IF m (0) для ЕТР (А) и АТР (Б1) при антропогенном сценарии
SRES–A2, а также отношение IF M m в середине XXI в. r IF M m (0) для АТР (Б2). На ЕТР наряду
с увеличением индекса IF m в южных широтах, в частности в бассейне Волги вблизи Каспия и
прикавказских регионах, а также на северо-западе России, можно ожидать уменьшения IF m на
значительной части ЕТР. Последнее можно объяснить увеличением в модели количества осадков в средних и высоких широтах при относительно небольшом летнем потеплении. На юге ЕТР
по модельным оценкам ожидается как уменьшение летних осадков, так и сокращение облачного
покрова, что способствует увеличению вероятности засух и пожаров.
На АТР проявляются не только региональные различия изменений риска лесных пожаров, но
и значительные отличия при использовании разных критериев пожароопасности (для ЕТР подобные отличия проявляются в меньшей степени, на рисунке не показаны). С использованием
стандартного индекса пожароопасности IF получено наиболее сильное увеличение риска лесных
пожаров в центральной части АТР (до троекратного уровня по сравнению с концом XX в). Максимальные значения относительного увеличения модифицированного индекса IF M в центральной
116
Б1
А
Б2
1
2
3
Рис. 2.22. Отношение среднего летнего индекса пожароопасности (IF m ) в середине XXI в. к среднему
летнему индексу пожароопасности (IF m ) в конце XX в. (IF m (0)) для ЕТР (А) и для АТР (Б1) и отношение
среднего летнего модифицированного индекса пожароопасности (IF M m ) в середине XXI в. к среднему
летнему модифицированному индексу пожароопасности (IF M m ) в конце XX в. (IF m (0)). Границы леса —
аналогично рисунку 2.21.
части АТР существенно меньше, вплоть до локального уменьшения риска пожаров.
Рисунок 2.22 свидетельствует о качественных различиях в модельных тенденциях осадков в
зависимости от их интенсивности. Это подтверждает изменение количества летних дней с осадками меньше и больше 3 мм (порогового значения для расчета индекса IF ), прогнозируемые на
период 2041-2050 гг. (рис. 2.23). Над значительной частью АТР (особенно центральной и восточной) увеличивается количество слабых осадков (меньше 3 мм в сутки). При этом уровень сильных
117
осадков над большей частью АТР снижается (особенно в центральной части АТР, а также в восточной). При более дифференцированном учете влияния осадков на оценку риска летних лесных
пожаров существенно ослабляется аномально сильный рост пожароопасности в центральной части
АТР. Следует отметить, что при более дифференцированном учете влияния осадков в оценке риска
летних лесных пожаров корректируется нелинейный эффект, который проявляется при сравнении
относительных изменений средних стандартных индексов летней пожароопасности IF m к середине
XXI в.
А
Б
0
0
1
2
3
Рис. 2.23. Изменение количества дней с осадками менее 3 мм (А) и не менее 3 мм (Б) в 2041–2050 гг.
относительно 1991–2000 гг. . Границы леса — аналогично рисунку 2.21
Для конца XXI в. существенных различий между разными анализировавшимися индексами
пожароопасности как для АТР, так и для ЕТР не выявлено. При этом, как и в середине XXI в.,
главным определяющим фактором пространственной неоднородности изменений риска пожаров
остается неоднородность в осадках. В большей степени проявляются межширотные различия. В
южных регионах с уменьшением летних осадков (с интенсивностью как больше, так и меньше
3 мм) растет риск возникновения пожаров — он может в 2,5 раза превысить аналогичные показатели, характерные для конца XX в. По модельным расчетам среднее количество облаков в
летний период может сократиться на 0,1, при этом средняя за лето максимальная дневная температура здесь может вырасти на 4–5 ◦ C, тогда как в северных регионах на фоне увеличения
количества облаков (рис. 2.20) рост максимальной температуры не превышает 2–3 ◦ C. Кроме того, в большинстве северных регионов АТР и ЕТР проявляется увеличение осадков, поэтому риск
пожароопасности здесь меняется слабо, а в отдельных регионах даже уменьшается. Исключение
составляет Северный Урал, где ожидается как сокращение облачности, так и рост температуры
118
и уменьшение осадков и влажности воздуха. Здесь риск пожаров к концу XXI в. по модельным
оценкам может увеличиться двукратно. При этом к середине XXI в. существенных изменений
риска пожароопасности относительно конца XX в. на севере Урала не прогнозируется.
А
Б
1
2
3
Рис. 2.24. Отношение среднего летнего индекса пожароопасности (IF m ) в конце XXI в. к среднему летнему индексу пожароопасности (IF m ) в конце XX в. (IF m (0)) для ЕТР (А) и для АТР (Б). Границы леса
— аналогично рисунку 2.21.
Проведен также анализ возможных изменений в XXI в. повторяемости p(IF > IF m ) летних дней
с индексом пожароопасности, превышающем среднее летнее значение IF m в k раз, в частности не
менее, чем в два (k = 2) или в четыре (k = 4) раза. К середине ХХI в. повторяемость p(IF > 2IF m )
на большей части ЕТР не растет, а уменьшается, в том числе сокращение p(IF > 2IF m ) отмечено для бассейнов Урала и Волги. На АТР проявляется существенный рост p(IF > 2IF m ) на юге
Восточной Сибири (до 0,2), на севере отмечено сокращение p(IF > 2IF m ). К концу ХХI в. в большей степени проявляются межширотные различия с существенным увеличением повторяемости
p(IF > 2IF m ) в южных регионах как АТР, так и ЕТР. Для распределения изменения p(IF > 4IF m )
отмечены похожие особенности.
Наряду с общей тенденцией увеличения риска летних лесных пожаров в Северной Евразии, в
частности на АТР, при потеплении в XXI в. проявляется существенное увеличение длительности
пожароопасного периода. В частности, были проанализированы внутригодовые распределения IF
и IF M в Забайкалье (для региона 51–53 ◦ с.ш., 110–115 ◦ з.д.) (рис. 2.25).
Согласно модельным расчетам, в конце XX в. пожароопасный период в этом регионе длится с июля по сентябрь. В XXI в. этот период может начинаться на месяц раньше. Кроме того,
проявляется относительный рост индексов пожароопасности — как стандартного, так и модифи119
Рис. 2.25. Внутригодовое распределение (среднее за 10 лет) индекса пожароопасности Нестерова IF (а)
и модифицированного индекса IF M (б) нормированных соответственно на IF m (0) и IF M m (0) в Забайкалье
(51–53◦ с.ш., 110–115◦ з.д.) для различных периодов: 1991–2000 гг. (сплошная линия, 1), 2041–2050 гг.
(пунктир, 2), 2091–2100 гг. (тире, 3).
цированного. Стандартный индекс пожароопасности (рис. 2.25а) в середине XXI в. может вырасти
относительно среднелетних значений конца XX в. в 3,5 раза. При этом пик пожароопасности будет
приходиться на середину августа. Подобные изменения связаны с ожидаемым резким сокращением
сильных осадков (более 3 мм) в этом регионе. В конце XXI в. существенного роста относительных
значений стандартного индекса не прогнозируется. Пик пожароопасности смещается по сравнению
с концом XX в. с августа на июль, в то же время в сентябре риск пожароопасности может снизиться до непожароопасного уровня, что связано с увеличением в регионе дней с сильными осадками.
По расчетам с использованием модифицированного индекса (рис. 2.25б), учитывающего осадки
дифференцированно, указанной особенности не отмечено. Ожидается рост риска пожароопасности относительно современных значений и к середине, и к концу XXI в. При этом пик пожарной
опасности смещается с августа на июль, а период увеличивается практически на месяц, начинаясь
не с июня, а с мая.
120
2.3
Обсуждение результатов главы 2
Определение временно́й изменчивости и тенденций изменения облачности является одной из
ключевых проблем при оценках глобальных климатических изменений.
Согласно результатам вейвлетного анализа, во временно́й изменчивости ведущей является годовая гармоника, кроме того проявляются гармоники с периодом в 3–3,5 и 5–7 лет (главным образом,
над океаном тропических широт), которые скорее всего связаны с явлением Эль-Ниньо/Ла-Нинья.
Согласно регрессионому анализу, по данным спутниковых наблюдений ISCCP и наземных наблюдений EECRA отмечен отрицательный тренд облачности над средними и тропическими широтами суши как в СП, так и в ЮП (около −0,01 в десятилетие). По данным спутниковых наблюдений, облачность над сушей тропических широт сокращается быстрее в зимний пероид, по данным
наземных наблюдений — в летний (главным образом, за счёт дневной облачности). В средних
широтах и по наземным и по спутниковым данным величина тренда выше в летнее время. По
данным Patmos–X над сушей средних и тропических широт ЮП тренд близок к нулю, а в СП
проявляется рост количества облаков (за счёт летнего периода). Над сушей полярных широт СП
отмечается положительный тренд облачности, главным образом за счёт летнего периода (до 0,025
в десятилетие).
Над океаном выявлены существенные различия между разными данными. Согласно данным
наземных наблюдений EECRA количество облаков над океаном растет, особенно в ЮП в зимнее
время (до 0,03 в десятилетие). По данным спутниковых наблюдений ISCCP и Patmos–X количество
облаков над океаном сокращается (до −0,02 в десятилетие), по данным ISCCP и зимой и летом (и
в СП и в ЮП), по данным Patmos–X значимый отрицательный тренд выявлен только над океаном
ЮП в зимнее время. Над океаном в полярных широтах отмечен рост облачности и по спутниковым
и по наземным наблюдениям. Согласно анализу трендов для более коротких периодов выделяется
период роста количества облаков над океаном до середины 80-х гг. и период слабого сокращения
в последующие годы.
Согласно модельным расчётам, в XXI веке ожидается сокращение облачности и над сушей
(до −0,005 в десятелитие) и над океаном (до −0,0045 в десятелитие) в тропических и средних
широтах (по некоторым моделям, над океаном возможен рост количества облаков). В полярных
широтах и над сушей и над океаном ожидается рост количества облаков (до 0,009 в десятилетие
по отдельным моделям). В зимнее и летнее время ожидаются различные тенденции изменения
облачности. В частности, в средних и полярных широтах СП ожидается рост облачности в зимнее
время и сокращение количества облаков в летнее время. Над тропическими и средними широтами
океана в летнее время ожидается бо́льшее сокращение количества облаков, чем в зимнее. Подобные
121
изменения облачности будут усиливать ожидаемое потепление в XXI веке: рост облаков зимой
будет способствовать усилению парникового эффекта, а сокращение облаков летом — ослаблению
альбедного эффекта. В то же время, для более точной диагностики влияния изменений облачности
на усиление или ослабление потепления, необходимо анализировать не только общее количество
облаков, но и количество облаков на разных ярусах (в первую очередь — на нижнем и верхнем
ярусах), кроме того, важно учитывать такие свойства облаков, как оптическую толщину и альбедо.
Также стоит отметить, что может проявляться зависимость оценок потепления климата от методов
параметризации облачности, главным образом конвекции (см. напр. [27]).
Сезонные различия в ожидаемых и наблюдаемых изменениях облачности проявляются и над
российскими регионами. По данным спутниковых и станционных наблюдений, в зимнее время количество облаков над южными российскими регионами за последние два десятилетия увеличилось
на 0,02–0,05, сокращение количества облаков зимой отмечено только на севере Сибири. В то же
время, летом тенденции изменения облачности по данным наблюдений не однозначны. Согласно
модельным расчётам, в XXI веке зимой продолжится рост количества облаков (нв 0,05–0,1), а
летом доля облаков будет сокращаться (на 0,02–0,05). На уровне среднегодовых значений ожидается рост количества облаков в северных широтах (выше 60◦ ) и уменьшение количества облаков
в южных широтах.
Одной из возможных причин изменения облачночности в XXI в. во внетропических широтах
северного полушария может быть изменение циклонической активности в этом регионе. Согласно
модельным расчётам, в XXI в. ожидается уменьшение суммарной площади циклонов на широтах <
60◦ и увеличение на широтах > 60◦ , при этом коээфициент линейной регрессии площади, покрытой
облаками, на площадь, покрытую циклонами, близок к единице.
Изменение облачности может влиять на изменение температурного режима воздуха у поверхности. По суточным станционным данным проведена оценка влияния облачности на величину максимальной дневной температуры воздуха у поверхности. В зимнее время отмечена положительная
корреляция между температурой и облачностью, при этом коэффициент линейной регрессии температуры на облачность достигает 10 K в отдельных регионах, таким образом, ожидаемый рост
количества облаков на 0,05–0,1 может привести к дополнительному росту максимальной дневной
температуры на 0,5–1 К. В то же время, летом отмечена отрицательная корреляция между облаками и температурой. Величина коэффициента линейной регрессии достигает −7 K, поэтому
ожидаемое сокращение облаков в летний период будет также, как и зимой, приводить к росту
максимальной дневной температуры воздуха.
Уменьшение доли облаков над российскими регионами в летний период и соответствующий
122
рост максимальной температуры могут сопровождаться увеличением повторяемости таких экстремальных климатических явлений, как сильные засухи и лесные пожары. В соответствии с
полученными результатами, в XXI в. при глобальном потеплении на европейской и азиатской территориях России ожидается существенный рост вероятности возникновения лесных пожаров. В
отдельных регионах, главным образом на юге, риск пожароопасности при достаточно агрессивном
антропогенном сценарии уже к середине XXI в. может увеличиться троекратно по сравнению с
концом XX в. Наряду с ростом среднего летнего уровня пожароопасности проявляется увеличение длительности пожароопасного периода с тенденцией смещения пика пожароопасности с конца
лета к середине.
Наряду с ростом максимальной дневной температуры определяющим фактором риска пожароопасности является изменение режима увлажнения. В частности, по модельным расчетам из-за
сокращения интенсивных осадков на юго-востоке и в центре АТР в середине XXI в. можно ожидать сильное увеличение стандартного индекса пожароопасности Нестерова (большее, чем к концу
XXI в.). При использовании модифицированного индекса пожароопасности подобного нелинейного
эффекта не отмечено.
Следует отметить, что анализ проведен на основе модельных расчетов при достаточно агрессивном антропогенном сценарии SRES–A2. При более мягких антропогенных сценариях рост риска
пожароопасности для российских регионов может быть заметно слабее.
123
Глава 3
Эффекты облачности при глобальных
изменениях климата
3.1
Связь облачности с глобальным температурным
режимом
Температура является ключевой переменной климатической системы. Изменения её характеризуются, в первую очередь, изменениями приповерхностной температуры T [132]. При этом, до сих
пор существует неопределенность в вопросе о влиянии термического режима на облачность [30]. С
одной стороны, при потеплении увеличивается испарение, растёт количество влаги в атмосфере,
что может приводить к росту количества облаков. С другой стороны, при росте T уменьшается
величина относительной влажности, что, в свою очередь, может вести к сокращению облачности.
При изменении температурного режима меняется циркуляционный режим атмосферы, что, в свою
очередь, также может влиять на облачность [40] (см. напр. раздел 2.1.4). Согласно [29] количество
облаков растёт вместе с ростом глобальной приповерхностной температуры, согласно [90] проявляется обратная тенденция. Подобная неопределённость существенным образом может влиять на
оценки возможных изменений климата в XXI в [8, 30, 75, 132].
Был проведен анализ совместных изменений общего количества облаков n и T по различным
современным данным как для облачности, так и для температуры.
Используемые данные для температуры
В качестве данных для температуры использовались данные наблюдений, обработанные в Институте Восточной Англии (данные CRU) [138], данные Годдардского института космических исследований (Goddard Institute for Space Studies — GISS) [123] и данные Национального центра
США по климатическим данным (National Climatic Data Center — NCDC) [203]. Все три базы
данных являются комбинацией данных наблюдений за приповерхностной температурой воздуха
на метеорологических станциях и данных наблюдений за температурой поверхности океана, различаются между собой процедурами интерполяции, различными критериями отбора и проверки
качества данных и т.д. В качестве данных для облачности использовались наиболее длительные
ряды спутниковых наблюдений ISCCP, UW HIRS и Patmos–X и данные наземных наблюдений
EECRA. Также привлекались различные данные реанализа и результаты расчетов с глобальными
климатическими моделями. На рис. 3.1 приведена межгодовая изменчивость глобальной приповерхностной температуры (отдельно для суши и океана) с начала 1950 года по всем используемым
в работе данным. Различия между данными CRU, GISS и NCDC не превышают 0,2◦ С, отмечается
рост T как над сушей, так и над океаном, при этом по данным CRU самым теплым остается 1998
125
Рис. 3.1. Среднегодовые значения глобальной приповерхностной температуры над сушей и океаном (А),
отдельно над сушей (Б) и над океаном (В).
год, по данным NCDC и GISS — 2005 год. Данные реанализа различаются между собой на 0,5–1◦ С
над океаном и на 2–2,5◦ С над сушей, при этом все они (за исключением данных NCEP/NCAR)
дают завышенное значение T по сравнению с наблюдаемым. В межгодовой изменчивости по различным данным реанализа, как и по данным наблюдений, отмечается рост T , при этом, как по
данным наблюдений, так и по данным реанализа наибольший рост T отмечается над сушей северного полушария (не показано).
3.1.1
Количественная оценка характеристик связи облачности с изменением температуры по данным наблюдений
и реанализа
Взаимосвязь аномалий облачности n и аномалий темературы T в межгодовой изменчивости
можно характеризовать с использованием линейной регрессии (∆n = kn ∆T ), при этом коэффициент линейной регрессии является характеристикой чувствительности количества облаков к изменениям температуры1 . В табл. 3.1–3.3 приведены значения параметра связи облачности с температурой kn (и его среднеквадратическое отклонение), а также коэффициент взаимной корреляции
(R) среднегодовых значений n и T по различным данным при глобальном и полушарном осреднении вместе для суши и океана (табл. 3.1), отдельно для суши (табл. 3.2) и океана (табл. 3.3).
Жирным шрифтом в таблицах выделены коэффициенты линейной регрессии, значимые на уровне
20%, подчеркнутым жирным шрифтом — на уровне 5%. Значимость рассчитывалась с помощью
1
Аномалии n и T согласно имеют нормальное распределение
126
t–критерия Стьюдента [19] с учетом эффективного количества степеней свободы [30], зависящего
от длины ряда и коэффициентов автокорреляции рядов n и T .
В последние десятилетия по различным данным отмечаются разнонаправленные тенденции зависимости облачности от T , в частности, согласно данным наблюдений за облачностью UW HIRS,
количество облаков увеличивается с ростом температуры, причем в южном полушарии коэффициент kn статистически значим и достигает 0,027 K−1 (UW HIRS и GISS) (коэффициент корреляции
R составляет 0,49), для Земли в целом, kn по данным UW HIRS достигает 0,009 K−1 , находясь
при этом ниже уровня статистической значимости. Согласно данным ISCCP, количество облаков
уменьшается с ростом температуры, для ISCCP и NCDC kn достигает −0,05 K−1 (R = −0, 68) при
глобальном осреднении и −0,056 K−1 (R = −0, 55) для ЮП. Согласно данным Patmos–X, количество облаков в целом увеличивается вместе с ростом T , однако значения kn статистически не
значимы (табл. 3.1).
Таблица 3.1. Связь среднегодовых значений глобальной и полушарной облачности и приповерхностной
температуры над сушей и океаном
Данные
n
UW HIRS
Patmos–X
ISCCP
EECRA
T
CRU
GISS
NCDC
CRU
GISS
NCDC
CRU
GISS
NCDC
CRU
GISS
NCDC
ERA–40
ERA–Interim
NCEP/NCAR
NCEP/DOE
MERRA
JRA–25
СП + ЮП
kn (K−1 )
R
0,008 (0,007)
0,009 (0,007)
0,008 (0,007)
0,009 (0,016)
0,006 (0,015)
0,009 (0,016)
−0,049 (0,024)
−0,043 (0,024)
−0,050 (0,025)
0,048 (0,013)
0,043 (0,011)
0,045 (0,012)
0,28
0,29
0,26
0,18
0,12
0,19
−0,68
−0,61
−0,68
0,67
0,68
0,68
−0,011 (0,026)
0,001 (0,006)
−0,003 (0,007)
0,012 (0,004)
0,028 (0,013)
−0,012 (0,010)
−0,14
0,04
−0,11
0,66
0,57
−0,34
СП
kn (K )
R
Данные наблюдений
0,004 (0,007)
0,12
0,003 (0,007)
0,10
0,004 (0,007)
0,13
0,011 (0,012)
0,25
0,010 (0,011)
0,26
0,011 (0,012)
0,26
−0,043 (0,020) −0,69
−0,037 (0,018) −0,67
−0,042 (0,020) −0,68
0,006 (0,006)
0,26
0,006 (0,005)
0,28
0,006 (0,006)
0,28
Данные реанализа
−0,020 (0,026)
−0,24
−0,001 (0,008)
−0,04
−0,017 (0,011) −0,43
0,002 (0,004)
0,11
0,004 (0,005)
0,20
−0,012 (0,006) −0,50
−1
ЮП
kn (K )
−1
R
0,021 (0,010)
0,027 (0,011)
0,020 (0,012)
0,007 (0,021)
−0,005 (0,019)
0,008 (0,023)
−0,050 (0,029)
−0,028 (0,030)
−0,056 (0,033)
0,101 (0,035)
0,083 (0,030)
0,092 (0,032)
0,44
0,49
0,36
0,09
−0,06
0,10
−0,55
−0,28
−0,55
0,55
0,51
0,55
−0,006 (0,022)
0,010 (0,010)
0,017 (0,008)
0,022 (0,010)
0,038 (0,021)
0,004 (0,013)
−0,07
0,24
0,47
0,49
0,36
0,06
Длина
ряда (годы)
23
26
24
26
44
21
60
29
30
31
Согласно данным наземных наблюдений EECRA, проявляется статистически значимая положительная связь n и T (по данным EECRA и CRU kn = 0, 048 K−1 при R = 0, 67), главным
образом, за счёт ЮП (здесь по данным EECRA и CRU kn = 0, 101 K−1 при R = 0, 55). В СП
статистически значимой связи между T и n не выявлено.
127
По данным реанализа, также отмечены разнонаправленные тенденции изменения n относительно T при глобальном осреднении, при этом, для СП проявляется отрицательная связь n и
T , для ЮП — положительная. В частности, по данным NCEP/DOE и MERRA глобальная облачность увеличивается вместе с ростом T (kn = 0, 012 K−1 для NCEP/DOE и kn = 0, 028 K−1
для MERRA), главным образом, в ЮП (kn = 0, 012 K−1 для NCEP/DOE и kn = 0, 038 K−1 для
MERRA). По данным JRA–25, рост T сопровождается уменьшением n, главным образом в СП
(kn = −0, 022 K−1 при R = −0, 5). По данным NCEP/NCAR реанализа, в СП n уменьшается
вместе с ростом T , в ЮП, наоборот, увеличивается. При этом, для глобально-осреднённых n и
T статистически значимой линейной связи не отмечено. Не значимы значения kn и для данных
ERA–40 и ERA–Interim.
Связь n и T над сушей. Над сушей, по данным наблюдений UW HIRS и ISCCP, проявляется статистически значимое уменьшение облачности с ростом T (табл. 3.2). При глобальном
осреднении для UW HIRS и NCDC значение коэффициента чувствительности облаков к температуре составляет −0,01 K−1 (R = −0, 34), а для ЮП оно достигает −0,031 K−1 (R = −0, 47).
Для СП значение kn отрицательно, но статистически не значимо. Отрицательная связь n и T над
сушей проявляется и по данным UW HIRS и CRU, а также UW HIRS и GISS, однако значение
kn статистически не значимо. Для облачных данных ISCCP статистически значимая связь (на
уровне 5%) с T (по всем данным для температуры) проявляется, как при глобальном осреднении
(kn около −0,03 K−1 ), так и полушарном (kn около −0,02 K−1 для СП и kn около −0,04 K−1 для
ЮП). По данным Patmos–X значения kn отрицательны для ЮП и положительны для СП, при
этом они статистически не значимы.
Согласно данным наземных наблюдений EECRA, над сушей проявляется статистически значимая отрицательная связь n и T (по данным EECRA и GISS kn = −0, 021 K−1 при R = −0, 56),
главным образом, за счёт ЮП (здесь по данным EECRA и CRU kn = −0, 053 K−1 при R = −0, 45).
В СП связь между n и T также отрицательна, но статистически не значима.
По данным реанализа, как и по данным наблюдений, над сушей в целом (а также над сушей
СП) проявляется уменьшение облаков с ростом T (значение kn составляет около −0,01..−0,02 K−1 ,
и статистически значимо для данных ERA–40, ERA–Interim, MERRA и JRA–25), исключением
являются данные NCEP/DOE, согласно которым количество облаков над сушей растет с ростом
T (kn = 0, 006 K−1 , R = 0, 47). В ЮП по различным данным реанализа проявляются разнонаправленные тенденции, в частности, согласно данным NCEP/DOE и JRA-25 отмечено положительные
статистически значимые значения kn (по данным JRA–25 kn = 0, 052 K−1 , R = 0, 79), по данным
128
Таблица 3.2. Связь среднегодовых значений глобальной и полушарной облачности и приповерхностной
температуры над сушей
Данные
n
UW HIRS
Patmos–X
ISCCP
EECRA
T
CRU
GISS
NCDC
CRU
GISS
NCDC
CRU
GISS
NCDC
CRU
GISS
NCDC
ERA–40
ERA–Interim
NCEP/NCAR
NCEP/DOE
MERRA
JRA–25
СП + ЮП
kn (K−1 )
R
−0,011 (0,008)
−0,013 (0,011)
−0,010 (0,007)
0,004 (0,013)
0,006 (0,010)
0,006 (0,009)
−0,028 (0,012)
−0,033 (0,017)
−0,025 (0,010)
−0,017 (0,07)
−0,021 (0,009)
−0,016 (0,006)
−0,30
−0,27
−0,34
0,10
0,16
0,19
−0,67
−0,62
−0,69
−0,53
−0,56
−0,59
−0,022 (0,019)
−0,006 (0,003)
−0,003 (0,006)
0,006 (0,003)
−0,011 (0,004)
−0,016 (0,006)
−0,14
−0,48
−0,11
0,47
−0,58
−0,56
СП
kn (K )
R
Данные наблюдений
−0,007 (0,007)
−0,23
−0,008 (0,008)
−0,22
−0,007 (0,007)
−0,22
0,007 (0,009)
0,22
0,005 (0,008)
0,18
0,005 (0,008)
0,18
−0,022 (0,009) −0,67
−0,024 (0,011) −0,63
−0,021 (0,009) −0,65
−0,007 (0,006)
−0,26
−0,009 (0,007)
−0,30
−0,007 (0,006)
−0,27
Данные реанализа
−0,024 (0,016) −0,39
−0,010 (0,003) −0,70
−0,003 (0,006)
−0,13
0,003 (0,004)
0,17
−0,015 (0,004) −0,76
−0,020 (0,007) −0,74
−1
ЮП
kn (K )
−1
R
−0,002 (0,022)
0,005 (0,023)
−0,031 (0,015)
−0,017 (0,025)
−0,009 (0,023)
0,002 (0,017)
−0,037 (0,022)
−0,039 (0,027)
−0,045 (0,016)
−0,053 (0,023)
−0,032 (0,028)
−0,043 (0,016)
−0,02
0,05
−0,47
−0,14
−0,09
0,03
−0,40
−0,39
−0,66
−0,45
−0,27
−0,58
−0,019 (0,017)
−0,008 (0,007)
0,000 (0,005)
0,011 (0,006)
−0,027 (0,009)
0,052 (0,009)
−0,28
−0,25
−0,01
0,42
−0,49
0,79
Длина
ряда (годы)
23
26
24
26
44
21
60
29
30
31
ERA–40 и MERRA — статистически значимые отрицательные значения kn .
Связь n и T над океаном. По различным данным наблюдений над океаном проявляются
разнонаправленные тенденции изменения n при изменении T (табл. 3.3). Так, по данным UW HIRS
количество облаков увеличивается вместе с ростом T , для океана в целом значение kn достигает
0,026 K−1 (UW HIRS и NCDC) при статистической значимости на уровне 5%, для океана в СП
значение kn около 0,015 K−1 (при значимости на уровне 20%), а для океана в ЮП kn близко к
0,04 K−1 при значимости на уровне 5% (R ≈ 0, 6). По данным ISCCP над океаном отмечается
уменьшение n при росте T , особенно сильное в СП. Так, по данным ISCCP и NCDC для СП
kn = −0, 093 K−1 (R = −0, 68), для океана в целом kn достигает -0,068 K−1 (по данным ISCCP
и CRU). По данным Patmos–X значения kn положительны для океана как в СП, так и в ЮП,
статистически значимое значение kn (на уровне 20%) отмечено только для Patmos–X и NCDC в
СП (kn = 0, 008 K−1 , R = 0, 30).
По наземным данным EECRA над океаном проявляется статистически значимая положительная связь n и T , как для всего океана в целом, так и для отдельных полушарий. Так, для СП
kn ≈ 0, 25 K−1 , для океана ЮП kn достигает 0,159 K−1 (по данным EECRA и NCDC, R = 0, 59).
129
Таблица 3.3. Связь среднегодовых значений глобальной и полушарной облачности и приповерхностной
температуры над океаном
Данные
n
UW HIRS
Patmos–X
ISCCP
EECRA
T
CRU
GISS
NCDC
CRU
GISS
NCDC
CRU
GISS
NCDC
CRU
GISS
NCDC
ERA–40
ERA–Interim
NCEP/NCAR
NCEP/DOE
MERRA
JRA–25
СП + ЮП
kn (K−1 )
R
0,025 (0,011)
0,020 (0,009)
0,026 (0,012)
0,006 (0,010)
0,006 (0,008)
0,009 (0,010)
−0,068 (0,035)
−0,048 (0,028)
−0,070 (0,038)
0,091 (0,028)
0,080 (0,019)
0,094 (0,027)
0,54
0,51
0,50
0,17
0,19
0,23
−0,68
−0,60
−0,65
0,65
0,71
0,67
0,004 (0,028)
0,005 (0,011)
−0,002 (0,007)
0,014 (0,006)
0,066 (0,024)
−0,009 (0,019)
0,04
0,12
−0,06
0,59
0,68
−0,14
СП
kn (K )
R
Данные наблюдений
0,016 (0,010)
0,36
0,012 (0,007)
0,35
0,016 (0,011)
0,34
0,006 (0,005)
0,28
0,006 (0,004)
0,29
0,008 (0,006)
0,30
−0,058 (0,030) −0,69
−0,078 (0,024) −0,67
−0,067 (0,035) −0,67
0,024 (0,013)
0,52
0,021 (0,009)
0,57
0,026 (0,013)
0,55
Данные реанализа
−0,010 (0,034)
−0,08
0,006 (0,017)
0,11
−0,030 (0,014) −0,57
0,000 (0,005)
0,00
0,031 (0,016)
0,53
−0,003 (0,008)
−0,09
−1
ЮП
kn (K )
−1
R
0,039 (0,012)
0,038 (0,012)
0,044 (0,015)
0,010 (0,018)
0,008 (0,015)
0,015 (0,019)
−0,062 (0,037)
−0,023 (0,033)
−0,065 (0,041)
0,132 (0,049)
0,116 (0,042)
0,159 (0,050)
0,60
0,57
0,57
0,13
0,12
0,18
−0,51
−0,20
−0,51
0,55
0,52
0,59
−0,003 (0,020)
0,018 (0,014)
0,022 (0,009)
0,016 (0,013)
0,067 (0,027)
0,011 (0,023)
0,04
0,29
0,54
0,30
0,53
0,09
Длина
ряда (годы)
23
26
24
26
44
21
60
29
30
31
Для океана в целом kn ≈ 0, 09K−1 на 5% уровне значимости.
По данным реанализа значения kn положительны (за исключением данных ERA–40) над океаном в ЮП, при этом наибольшее значение kn в ЮП отмечено для данных MERRA (0,067 K−1 ),
в то же время над океаном в СП проявляются разнонаправленные тенденции. Так, по данным
NCEP/NCAR отмечается статистически значимое отрицательное значение kn (−0,03 K−1 ), по данным MERRA — статистически значимое положительное значение kn (0,031 K−1 ). Для океана в
целом, как и для океана в СП, по данным реанализа отмечена как положительная связь n и T
(данные MERRA, NCEP/DOE, ERA), так и отрицательная (JRA–25, NCEP/NCAR).
Оценка взаимосвязи облачности и приповерхностной температуры с использованием
кросс-вейвлетного анализа
Помимо регрессионного анализа для установления взаимосвязи между облачностью и температурой был проведен кросс-вейвлетный анализ [135] среднегодовых значений облачности по спутниковым данным UW HIRS, Patmos–X и ISCCP и температуры по данным CRU. Подобный анализ
позволяет оценить взаимосвязь локальных вейвлет-спектров двух переменных. Анализировался
130
Рис. 3.2. Вейвлет-когерентность между температурой по данным CRU и облачностью по данным
UW HIRS (А), Patmos–X (Б) и ISCCP (В) для среднеглобальных значений (1), для СП (2) и для ЮП
(3). Сплошные линии отделяют области краевых эффектов, а жирные линии ограничивают области, где
вейвлет-когерентность отлична от нуля на уровне значимости 5%, Векторы показывают разность фаз
между температурой и облачностью (если вектор направлен горизонтально слева направо, то облачность
и температура находятся в одной фазе, если справа налево — то в противофазе, если вектор направлен
вверх, то изменения облачности опережают изменения температуры, если вниз — то наоборот)
квадрат коэффициента когерентности, который по сути своей является локализованным в терминах времени и периода колебаний коэффициентом корреляции между двумя переменными. Кроме
того, анализ вейвлет-когерентности позволяет оценить разность фаз между двумя переменными.
Вейвлет-когерентность между облачностью по спутниковым данным и приповерхностной тем131
пературой CRU (рис. 3.4) свидетельствует о довольно слабой взаимосвязи облачности и температуры. Высокая когерентность отмечена только для ЮП по данным UW HIRS и Patmos–X на
масштабах 4 и 7 лет соответственно, при этом интервалы высокой когерентности на масштабе 4
лет отмечены в 80-е гг., а на масштабе 7 лет — в конце 90х гг. Также отмечена высокая когерентность колебаний с годовым периодом в 1997-1998 гг. (период сильного Эль-Ниньо). При этом в
ЮП по всем данным отмечена сфазированность температуры и облачности (по данным ISCCP
взаимосвязь статистически значима). В СП по данным Patmos–X облака и температура находятся
в фазе, по данным ISCCP — в противофазе, а по данным UW HIRS взаимосвязь между облаками и
температурой для колебаний с таким периодом отсутствует. Практически отсутствует взаимосвязь
по всем данным и для глобально-осредненных значений температуры и облачности.
3.1.2
Количественная оценка характеристик связи облачности с изменением температуры по модельным расчетам
С использованием модельных расчётов CMIP3 для XX и XXI вв. (сценарии 20c3m и SRES–
A1B [131]) проведена оценка параметров линейных регрессий облачности на температуру, в частност и коэффициента линейной регрессии kn облачности на температуру для глобальных и полушарных значений. Для оценки вариаций kn использовалось 30-летнее окно для рядов облачности и
температуры. На рис. 3.3 приведены глобальные и полушарные значения kn (отдельно для суши и
океана) для 30-летних периодов1 . Большинство полученных значений kn являются статистически
значимыми (на уровне 5%) (СКО коэффициента kn в большинстве случаев не превышает 10–20%).
Согласно большинству моделей kn имеет отрицательный знак как над сушей, так и над океаном для глобально-осреднённых значений n и T находится в диапазоне от 0 до −0,01 K−1 . По
некоторым моделям в отдельные периоды отмечаются положительные значения kn , наибольшая
неопределённость в оценке kn выявлена над океаном ЮП (диапазон значений kn от −0,02 до 0,02
K−1 ). Поведение kn во времени не монотонно, проявляются долгопериодные колебания kn как в
отдельных моделях, так и в среднем по ансамлю моделей CMIP3ens .
Для некоторых моделей (в частности, для GFDL CM 2.1, INM CM 3.0, MPI-OM ECHAM 5 и
UKMO HadGEM 1) взаимосвязь глобальных и полушарных значений облачности и температуры
был проведен кросс-вейвлетный анализ (рис. 3.4), согласно которому можно выделить несколько
временны́х периодов, на которых изменения облачности и температуры когерентны. Так, в ЮП
облачность и температура когерентны на малых временных масштабах — до 8 лет, а в СП — на
1
Например, значение kn для 2000 года соответствует периоду с 1986 г. по 2015 г.
132
А1
0.02
Б1
0.02
0.01
0.01
0.01
0
0
0
-0.01
-0.01
-0.01
-0.02
1980
2000
2020
2040
2060
2080
А2
0.02
-0.02
1980
2000
2020
2040
2060
2080
Б2
0.02
-0.02
0.01
0.01
0
0
0
-0.01
-0.01
-0.01
1980
2000
2020
2040
2060
2080
А3
0.02
-0.02
1980
2000
2020
2040
2060
2080
Б3
0.02
-0.02
0.01
0.01
0
0
0
-0.01
-0.01
-0.01
-0.02
-0.02
-0.02
-0.04
2000
2020
2040
2060
2080
-0.04
1980
2000
2020
2020
2040
2060
2080
-0.04
2040
2060
2080
2040
2060
2080
В2
1980
2000
2020
В3
CMIP3
BCCR BCM 2.0
CCMA CGCM 3.1
-0.03
CNRM CM 3.0
CSIRO MK 3.0
CSIRO MK 3.5d
GFDL CM 2.0
GFDL CM 2.1
-0.03
1980
2000
0.02
0.01
-0.03
1980
0.02
0.01
-0.02
В1
0.02
1980
GISS AOM
GISS model EH
GISS model ER
IAP FGOALS-g1.0
INGV SXG
INM CM 3.0
IPSL CM 4
MIROC 3.2
2000
2020
2040
MIUB ECHO-G
MPI-OM ECHAM 5
MRI CGCM2.3.2
NCAR CCSM 3
NCAR PCM 1
UKMO HadCM 3
UKMO HadGEM 1
2060
2080
Рис. 3.3. Коэффициент линейной регрессии kn (K−1 ) облачности на температуру (для 30-летних периодов) по данным модельных расчётом CMIP3 для конца XX и для XXI вв. для суши и океана (А), отдельно
для суши (Б) и отдельно для океана (В), при глобальном осреднении (1), при осреднении по СП (2) и по
ЮП (3).
133
Рис. 3.4. Вейвлет-когерентность между температурой и облачностью в XX и в XXI вв. по модельным
расчётам с использованием климатической модели GFDL CM 2.1 (А), INM CM 3.0 (Б), MPI-OM ECHAM
5 (В) и UKMO HadGEM 1 (Г) для среднеглобальных значений (1), для СП (2) и для ЮП (3).
134
больших временных масштабах (30–60 лет). При глобальном осреднении высокая когерентность
отмечена как на больших временных масштабах, так и на малых. Кроме того, различается и степень сфазированности облачности и температуры: на больших временных масштабах изменения
облаков и температуры находятся в противофазе (по всем рассматриваемым моделям), на коротких временных масштабах сфазированность зависит от модели. Наряду с интервалами высокой
когерентности отмечаются интервалы ослабления и отсутствия значимой взаимосвязи облачности
и температуры.
3.1.3
Оценка диапазона неопределённости характеристик связи (параметра чувствительности) количества облаков
с изменением температуры и его влияния на чувствительность климата
На основе полученных в разделах 3.1.1 и 3.1.2 глобальных и полушарных значений kn , можно
оценить диапазон неопределённости kn по данным современных наблюдений, а также по данным
реанализа и модельным расчетам. Таким диапазоном будем считать общий диапазон значений
kn ± 2 × СКО, полученных по разным источникам (с учётам как статистически значимых, так и
не значимых значений kn ). В таблице 3.4 представлен полученный диапазон kn для глобальных и
полушарных значений, отдельно над сушей и океаном.
Таблица 3.4. Диапазон kn
СП + ЮП
Суша
Океан
по данным
-0,10
-0,07
-0,14
наблюдений
.. 0,07
.. 0,03
.. 0,15
kn (K−1 )
по данным реанализа
-0,06 .. 0,05
-0,06 .. 0,01
-0,05 .. 0,11
по модельным расчетам
-0,02..0,01
-0,02..0,01
-0,02..0,02
СП
Суша
Океан
-0,08 .. 0,04
-0,05 .. 0,02
-0,14 .. 0,05
-0,07 .. 0,01
-0,06 .. 0,01
-0,06 .. 0,06
-0,02..0,01
-0,02..0,02
-0,03..0,01
ЮП
Суша
Океан
-0,12 .. 0,17
-0,10 .. 0,03
-0,15 .. 0,26
-0,05 .. 0,08
-0,05 .. 0,07
-0,02 .. 0,12
-0,03..0,02
-0,04..0,01
-0,03..0,03
Согласно полученным результатам, по разным данным отмечаются различные по знаку значения kn . Над сушей в целом и над океаном СП преобладают отрицательные значения, над океаном
ЮП — положительные. По абсолютному значению, величина kn больше над океаном, чем над
135
сушей, и больше в ЮП, чем в СП. По модельным расчётам и по данным реанализа диапазон
значений kn более узкий, чем по данным наблюдений. Стоит отметить, что в целом ширина диапазона kn по данным наблюдений обусловлена, главным образом, южным полушарием (и в первую
очередь — океаном), где надежность данных наблюдений не высока (особенно данных наземных
наблюдений EECRA).
В данной работе проведена количественная оценка коэффициента чувствительности облаков
к температуре kn в межгодовой изменчивости n и T . Подобный анализ можно провести и для
связи n и T в годовом ходе. В частности, подобные оценки kn , полученные для среднеполушарных
значений n и T , приведены в [32], стоит отметить, что значения kn положительны и варьирутся
от 0,003 K−1 до 0,005 K−1 в СП и от 0,001 K−1 до 0,011 K−1 в ЮП.
Для оценки влияния параметра kn на чувствительность климата будем определять чувствительность λ через отклик климатической системы на удвоение содержания CO2 в атмосфере:
λ=
R2×CO2
S(1 − αA )c0 ln 2
=
,
∆T2×CO2
∆T2×CO2
(3.1)
где R2×CO2 — радиационное возмущающее воздействие, соответствующее удвоению CO2 , ∆T2×CO2
— равновесный отклик T на удвоение содержания в атмосфере CO2 , S = S◦ /4, S◦ — солнечная
постоянная, αA — планетарное альбедо Земли. Значение коэффициента c0 = 2, 3·10−2 соответствует
радиационному форсингу 3,8 Вт/м2 при удвоении содержания CO2 в атмосфере [132].
Представим уходящую длинноволновую радиацию (УДР) FLW на верхней границы атмосферы
в зависимости от температуры T и облаков n в виде [3, 38, 49]:
FLW = A + BT − (A1 + B1 T )n
(3.2)
При малых изменениях n и T (∆n и ∆T ) получим:
FLW = FLW,0 + (B + B1 n0 )∆T − (A1 + B1 T0 )∆n = FLW,0 + [B + B1 n0 + (A1 + B1 T0 )kn ] ∆T
(3.3)
Использовались следующие значения коэффициентов линейной зависимости УДР от T и n:
A = 230 Вт · м−2 , B = 2, 4 Вт · м−2 K−1 , A1 = 59 Вт · м−2 ,B1 = 0, 64 Вт · м−2 K−1 [38]. Значения с
индексом «0» соответствуют начальным условиям: T0 = 287K [138], n0 = 0, 65 (см. раздел 1.2.1).
С учетом влияния роста концентрации парниковых газов в атмосфере, уравнение (3.3) можно
переписать в виде:
FLW = FLW,0 + [B − B1 n0 − (A1 + B1 T0 )kn ] ∆T + FLW,0 (ηC − 1)
,
136
(3.4)
здесь ηC — параметр, характеризующий уменьшение потока УДР с ростом содержания в атмосфере CO2 [38]:
ηC = 1 − c0 ln
q(t)
,
q0
(3.5)
где q — концентрация парниковых газов (в терминах «эквивалентного CO2 », учитывающего наряду
с диоксидом углерода влияние метана и закиси азота [178]).
Коротковолновую составляющую радиационного баланса на верхней границе атмосферы можно выразить следующим образом:
FSW = S(1 − αA ) = S(1 − αcs (1 − n) − αc n),
(3.6)
где αcs — альбедо безоблачной системы, αc — альбедо системы, полностью покрытой облаками.
Согласно [220], эти значения принимались равными 0,16 и 0,39 соответственно. В предположении
неизменности αc и выразив ∆αcs = kcs ∆T , имеем:
α = α0 + [kcs (1 − n0 ) + (αc − αcs )kn ] ∆T,
(3.7)
∆α/∆T = kcs (1 − n0 ) + kn (αc − αcs ),
(3.8)
или:
Для коэффициента kcs использовалось значение −0, 004K−1 [150]. Учитывая, что при условии
радиационного равновесия FLW,0 = FSW,0 , чувствительность климатической системы при удвоении
содержания CO2 в атмосфере можно выразить следующим образом:
λ = S [kcs (1 − n0 ) + kn (αc − αcs )] + B − B1 n0 − (A1 + B1 T0 )kn
(3.9)
,
а равновесный отклик температуры на удвоения содержания CO2 в атмосфере в виде:
∆T2×CO2 =
S(1 − αA )c0 ln 2
S [kcs (1 − n0 ) + kn (αc − αcs )] + B − B1 n0 − (A1 + B1 T0 )kn
(3.10)
.
На рис. 3.5 приведена зависимость ∆T2×CO2 от kn . При приближении kn к 0, 0092 K−1 отклик
температуры на удвоение содержания парниковых газов в атмосфере по модулю стремится к бесконечности. В целом, ожидаемое сокращение количества облаков при росте глобальной температуры
соответствует слабому положительному температурному отклику (1-я ветвь гиперболы), при этом
чем больше отрицательные значения kn по модулю, тем слабее отклик. При достаточно сильной
137
Рис. 3.5. Зависимость равновесного отклика приповерхностной температуры на удвоение содержания
парниковых газов в атмосфере ∆T2×CO2 от параметра kn .)
положительной зависимости количества облаков от температуры (2-я ветвь гиперболы) увеличение содержания CO2 в атмосфере может приводить к понижению температуры (однако этот
режим, по-видимому, неустойчив) [28].
Необходимо отметить, что для более точного анализа необходимо учитывать не только изменения общего количества облаков, но и изменения количества облаков различного яруса и типа,
а также радиационных характеристик облачности (в том числе оптической толщины и альбедо).
Кроме того, на вид зависимости ∆T2×CO2 от kn существенным образом влияет параметризация
УДР, в частности в [28] показано, что при различных параметризациях УДР гиперболы могут
находиться не только во 2-й и 4-й четверти (как на рис. 3.5), но и в 1-й и в 3-й.
138
3.2
Эффекты облачности при оценках контролируемых антропогенных воздействий на климат
В предыдущем разделе было показано, что изменения облачности, которые могут произойти вследствие изменения глобальной температуры сами по себе могут влиять на климатические
изменения, выявлена зависимость температурного отклика на удвоение содержания в атмосфере парниковых газов от значений kn , показано, что при разных значениях kn этот отклик может
быть не только положительным, но и отрицательным (см. также [28]). В то же время, при расчётах
альбедо облаков принималось постоянным, однако и оно может меняться при изменении климата.
Более того, наряду с ограничением выбросов парниковых газов (увеличение концентрации1 .
которых в атмосфере на данный момент считается основной причиной роста глобальной температуры) , рассматривается влияние на климатическую систему изменением микрофизических
характериситк облачности, и в первую очередь — изменением альбедо слоисто-кучевых облаков,
наблюдаемых над восточными районами океанов (см. напр. [137]). Также в последнее время рассматривается влияние на климат введения в нижнюю стратосферу мелкодисперсных сульфатных
аэрозольных компонент [3, 16, 98, 201]. Находясь в нижней стратосфере, сульфатный аэрозоль
увеличивает планетарное альбедо Земли, тем самым охлаждая ее. Примером этого служат крупные вулканические извержения, в результате которых сульфатный аэрозоль попадал в нижнюю
стратосферу и оставался там в течение 2-3 лет, что приводило к уменьшению глобальной приповерхностной температуры [11, 192].
Впервые контролируемое компенсирующее воздействие на климат, основанное на сжигании в
стратосфере серы, было предложено М.И. Будыко [3]. В последнее время интерес к этой тематике
заметно возрос [12, 13, 17, 18, 25, 26, 47, 51, 78, 89, 107, 154, 172, 190, 233? ]. Для такого рода
задач используется термин «геоинжинерия» или «геоинжинеринг» (geoengineering). В настоящее
время в данном вопросе существует достаточно неопределенностей. В частности, различными авторами предлагается эмитировать в стратосферу от 0,2 МтS/год (для понижения температуры
тропосферы на 1–2 градуса) [16] до 5 МтS/год [233] (для стабилизации температуры при удвоении
CO2 ).
Следует отметить, что эффект температурной стабилизации от выбросов серы в стратосферу может сопровождаться существенными негативными последствиями. В результате такой ком1
В частности, углекислого газа (385 млн−1 в 2009 году по сравнению с 280 млн−1 в доиндустриальное время),
метана (1865 млрд−1 по сравнению с 400–700 млрд−1 соответственно) и закиси азота (322 млрд−1 по сравнению с
270 млрд−1 ). Подробнее — cм. http://cdiac.ornl.gov/pns/current_ghg.html
139
пенсации потепления может отмечаться резкое развитие засушливых условий над континентами
(особенно в тропических широтах). Подобный эффект наблюдался после крупных извержений
вулканов [219]. Может также заметно перестроиться вся цепочка химических реакций в стратосфере. Переизбыток серы в стратосфере может привести к сокращению озонового слоя. После
извержения вулкана Эль-Чичон в 1982 году (когда в стратосферу попало 3–5 МтS) в средних
широтах наблюдалось снижение содержания озона на 15–20% [129]. Подобный эффект отмечался
и в модельных расчетах [217]. Практически отсутствуют надежные оценки увеличения кислотности океана вследствие гравитационного оседания в тропосферу соединений эмитированной в
стратосферу серы и ее последующего вымывания [233]. Кроме того, возможно резкое повышение
температуры (её «подстройка под содержание CO2 ») в случае прекращения по каким-либо причинам эмиссий сульфатных аэрозолей в стратосферу. По некоторым оценкам рост температуры в
первые 10–20 лет после прекращения эмиссий может достигать 0,2–0,4 К/год [12, 78, 154].
Была проведена оценка эффективности компенсирующего воздействия с использованием энергобалансовой климатической модели (ЭБМ) и соответствующих решений в аналитическом виде [50, 51, 89, 107, 109]. Это позволяет сделать аналитические оценки зависимости эффективности
контролируемого воздействия от различных управляющих параметров, в том числе неопределённости, связанной с изменением облачности при росте T .
3.2.1
Описание используемой энергобалансовой климатической модели
Для расчетов использовалась ЭБМ климата [3, 49, 183], в которой глобальная приповерхностная температура T определяется из уравнения
C
dT
= FT OA = S(1 − αA ) − (A + BT )ηC .
dt
(3.11)
Здесь C — теплоемкость столба атмосфера-деятельный слой суши/океана на единицу площади
(принималось равной 2, 89 · 108 Дж · м−2 K−1 ), FT OA — радиационный баланс на верхней границе
атмосферы (ВГА).
Изменение глобальной температуры (∆T ) относительно современного состояния (обозначено
индексом «0») может быть представлено в виде:
C
d∆T
= FT OA − FT OA,0 .
dt
(3.12)
Представив FT OA − FT OA,0 в виде суммы радиационного возмущающего воздействия (в некоторых
работах называемого также форсингом) R и и линейного отклика климатической системы −λ∆T ,
140
можно получить
d∆T
= R − λ∆T.
dt
Решение уравнения 3.13 может быть записано в виде:
C
(3.13)
t
1 −λt/C Z
R(ξ)eλt/C dξ
∆T = e
C
(3.14)
0
Если представить R в виде суммы парникового форсинга (FC ) и форсинга за счет влияния сульфатных аэрозолей (Fstrat ), а рост содержания парниковых газов в атмосфере q в виде:
q = q0 · exp(t/tp ),
(3.15)
где tp — постоянная, характеризующая скорость роста содержания парниковых газов в атмосфере,
то FC и Fstrat можно выразить следующим образом:
FC =
S(1 − αA )c0
t,
tp
(3.16)
a · ke Mstrat
t.
4πR2
Масса стратосферного аэрозоля (Mstrat ) рассчитывается в стационарном приближении
Fstrat = −
(3.17)
Mstrat = Estrat · tstrat ,
(3.18)
где Estrat — ежегодные эмиссии сульфатных аэрозолей, tstrat — время нахождения этих аэрозолей
в стратосфере.
В уравнении (3.17) ke — коэффициент экстинкции стратосферных сульфатов, a — коэффициент пропорциональности между оптической толщиной аэрозолей и мгновенным радиационным
форсингом на ВГА (принимается равным 22 Вт/м2 ). Справедливость такого приближения обосновывается условием tstrat tp , которое выполняется при используемых в данной работе значениях:
tstrat = 2–3 года, tp = 50–250 лет.
Изменение глобальной приповерхностной температуры ∆T также может быть представлено
в виде суммы слагаемых TC и Tstrat , связанных с влиянием парниковых газов и стратосферных
сульфатных аэрозолей, соответственно. Исходя из (3.14, 3.16 и 3.17) они могут быть определены
следующим образом:
∆T2×CO2
1 −λt/C
TC = −
−
(e
− 1) − t
(3.19)
tp ln 2
λC
a · ke Estrat tstrat −λt/C
Tstrat = −
(e
− 1).
(3.20)
λC4πR2
Начальные условия в модели соответствуют 2000 году (q0 = 370 млн−1 [142]), при этом пред
полагается неизменность эффективной теплоемкости системы и инсоляции. Все изменения температуры при описании результатов, если не оговорено обратного, приводятся относительно 2000
года.
141
3.2.2
Оценка эффективности эмиссий сульфатных аэрозолей
в стратосферу в качестве контролируемого антропогенного воздействия на климат
Оценка эффективности компенсирующего воздействия эмиссий стратосферных сульфатных
аэрозолей производилась в зависимости от различных управляющих параметров. В частности,
эмиссии сульфатных аэрозолей варьировались в пределах от 1 до 4 МтS/год (и были неизменными
в течение всего периода), tstrat — от 2 [16] до 3 лет [190], параметр tp — от 50 до 250 лет, а ∆T2×CO2
— в пределах 1,5–4,5 К, что немного шире аналогичного диапазона, предложенного в [132] (2–
4,5 К). Коэффициент экстинкции стратосферных сульфатных аэрозолей варьировался от 5 до 10
м2 /г, при этом его среднее значение (7,6 м2 /г) соответствует оценкам, полученным для извержения
вулкана Пинатубо [12].
Кроме расчетов с постоянными эмиссиями проводились расчеты эмиссий, необходимых для
ежегодной компенсации парникового форсинга (FC ) за счет геонжиниринга (Fstrat ) при разных tp ,
tstrat и ke .
Дополнительно были проведены расчеты с прекращением эмиссий (в 2025, в 2050 или в 2075
гг.).
Большая часть расчетов проведена при стационарных начальных условиях ((dT /dt)0 = 0).
Учет нестационарности рассматривался отдельно.
Учёт парникового форсинга
Без компенсирующего воздействия (при Estrat = 0) по расчетам с энергобалансовой моделью,
рост T к 2050 году окажется в диапазоне от 0,6 К (при tp = 250 лет, ∆T2×CO2 = 1,5 К) до 4,8 К (при
tp = 50 лет, ∆T2×CO2 = 4,5 К) (рис. 3.6a). К 2100 году изменение при экстремально быстром росте
парниковых газов (tp < 100 лет) и очень большой чувствительности температуры к удвоению CO2
(∆T2×CO2 > 4.5 К) может достигать и даже превышать 10 градусов (рис. 3.6б).
Сценарии изменения парниковых газов SRES [131] были приближены экспоненциальной зависимостью (3.15), в терминах «эквивалентного CO2 ». Эти приближения показаны на графиках
сплошной линией.
При tp = 230 лет, что соответствует «мягкому» сценарию SRES-B1 (при котором содержание парниковых газов («эквивалентный CO2 ») к 2090 г. стабилизируется на уровне 600 млн−1 )
диапазон изменения к 2100 году составляет 0,5–2,2 К, а при tp = 100 лет, что характеризует наи142
250
tp (годы)
tp (годы)
250
200
200
150
150
100
100
50
50
0
1
2
3
4
5
6
7
8
9
10
11
12
Рис. 3.6. Изменение T (К) в ЭБМ в 2050 (А) и в 2100 (Б) гг при учете только парникового форсинга (без
компенсирующего воздействия).
более «агрессивный» антропогенный сценарий SRES-A2 (при котором содержание парниковых
газов («эквивалентный CO2 ») растет экспоненциально и к 2100 г. достигает 1078 млн−1 ), диапазон
изменения составляет 2,0–5,5 К, что в целом согласуется с результатами IPCC [132].
Контролируемое воздействие при постоянных эмиссиях
Контролируемое воздействие сульфатными аэрозолями позволяет уменьшить глобальное потепление. В частности, при Estrat = 1 МтS/год к 2100 году T возрастает на 0,5–10 К (при tp
= 50–250 лет, ∆T2×CO2 = 1.5–4.5 К) (рис. 3.7а–е), оказываясь при этом на 1–2 К ниже, чем при
аналогичных расчетах без компенсирующего воздействия.
Предотвращение потепления при повышении эмиссии серы в стратосферу Estrat до 4 МтS/год
(рис. 3.8а–е) оказывается более эффективным. В частности, при ke = 10 м2 /г, и tstrat = 3 года,
эффект существенен даже при росте парниковых газов по «агрессивному» сценарию SRES-А2
(рис. 3.8е), а при более «мягких» сценариях отмечается похолодание, которое может достигать
3,5 К.
Ежегодная компенсация роста температуры
Проведены расчеты эмиссий, необходимых для ежегодной компенсации парникового форсинга
(FC ) за счет влияния сульфатных аэрозолей (Fstrat ). Оценки эмиссий можно получить исходя из:
FC + Fstrat = 0,
(3.21)
Из условия компенсации FC за счет Fstrat при линейной зависимости эмиссий от времени из
143
tp (годы)
250
tp (годы)
250
150
150
100
100
50
50
250
250
tp (годы)
200
tp (годы)
200
150
150
100
100
50
50
250
250
tp (годы)
200
tp (годы)
200
200
200
150
150
100
100
50
50
0
1
2
3
4
5
6
7
8
9
10
Рис. 3.7. Изменение T (К) в ЭБМ в 2100 г. при эмиссиях сульфатных аэрозолей Estrat в 1 МтS/год, при
различных значениях параметров tstrat и ke (tstrat = 2 года для А, В, Г; tstrat = 3 года для Б, Д, Е; ke =
5 м2 /г для А и Б; ke = 7,6 м2 /г для В, Г;ke = 10 м2 /г для Д,Е).
(3.16) и (3.17) следует:
c
Estrat
=−
S(1 − αA )c0 4πR2
,
tp a · ke tstrat
(3.22)
В зависимости от времени нахождения в стратосфере сульфатов и роста концентрации парc
никовых газов, величина эмиссий аэрозолей, необходимых для компенсации (Estrat
), к 2050 году
варьируется от 1 МтS/год (для tp = 230 лет (сценарий SRES–B1), tstrat = 3 года и ke = 10 м2 /г)
144
tp (годы)
250
tp (годы)
250
150
150
100
100
50
50
250
250
tp (годы)
200
tp (годы)
200
150
150
100
100
50
50
250
250
tp (годы)
200
tp (годы)
200
200
200
150
150
100
100
50
50
-4
-3
-2
-1
0
1
2
3
4
5
6
7
8
9
10
Рис. 3.8. Изменение T (К) в ЭБМ в 2100 г. при эмиссиях сульфатных аэрозолей Estrat в 4 МтS/год, при
различных значениях параметров tstrat и ke (аналогично рисунку 3.7).
до 6 МтS/год (для tp = 100 лет (сценарий SRES–A2), tstrat = 2 года и ke = 5 м2 /г) (рис. 3.9), а к
2100 году от 2 до 12 МтS/год соответственно.
В зависимости от значений ke и tstrat для одних и тех же сценариев выбросов парниковых газов
c
диапазон Estrat
составил 1–4 МтS/год для 2050 года и 2–7 МтS/год для 2100 года. Уменьшение
145
Есstrat, МтS/год
расчетные годы
c
Рис. 3.9. Эмиссии Estrat
(МтS/год), необходимые для полной компенсации парникового форсинга (FC )
при разных значениях управляющих параметров (линия 1: tp = 100 лет, tstrat = 2 года, ke = 5 м2 /г; линия
2: tp = 100 лет, tstrat = 2 года, ke = 7,6 м2 /г; линия 3: tp = 100 лет, tstrat = 3 года, ke = 7,6 м2 /г; линия 4:
tp = 136 лет, tstrat = 2 года, ke = 7,6 м2 /г; линия 5: tp = 136 лет, tstrat = 3 года, ke = 7,6 м2 /г; линия 6: tp
= 230 лет, tstrat = 2 года, ke =7,6 м2 /г; линия 7: tp = 230 лет, tstrat = 3 года, ke =7,6 м2 /г; линия 8: tp =
230 лет, tstrat =3 года, ke = 10 м2 /г).
параметров ke и tstrat потребует дополнительной эмиссии сульфатных аэрозолей в стратосферу по
сравнению с указанными.
Рост температуры при прекращении эмиссий
Рассмотрим изменения в случае прекращения компенсирующего воздействия. Для анализа
подобных эффектов в ЭБМ проведены расчеты с прерыванием сульфатных эмиссий, после чего
определялась только вкладом парниковых газов:
∆T (t) = TC (t) +
Zts
R(ξ)eλt/C dξ,
(3.23)
0
где ts — год окончания эмиссий сульфатов в стратосферу.
При прекращении выброса аэрозолей в стратосферу в 2050 году скорость роста за первое
десятилетие после окончания эмиссий (на уровне Estrat = 4 МтS/год) может достигать 1–3 градусов
за десятилетие, в зависимости от tp и ∆T2×CO2 (рис. 3.10a). Это в несколько раз выше аналогичных
значений роста температуры при отсутствии эмиссий (рис. 3.10б).
Также отмечается зависимость роста от момента прерывания компенсирующих эмиссий (т.е.
146
А
Б
tp (годы)
250
tp (годы)
250
B1
200
B1
200
B2
150
B2
150
A1B
A1B
A2
100
50
1.5
2
2.5
3
3.5
0
4
50
4.5
T2CO 2(K)
A2
100
1
1.5
2
2.5
2
3
3.5
4
T2CO 2(K)
4.5
3
Рис. 3.10. Скорость роста (К) в ЭБМ (от 2060 года к 2050 году) после прекращения эмиссий сульфатных
аэрозолей в 2050 году (при параметрах модели: tstrat = 2 года, Estrat = 4 мтS/год, ke = 7,6 м2 /г) (А) и
при отсутствии компенсирующего воздействия (при аналогичных параметрах tp и ∆T2×CO2 ) (Б).
таких, при которых выполняется условие (3.21)). Так, если прервать эмиссии через 25 лет после
их начала, то в первые годы отмечается температурный рост до 0,1 К в год, а прерывание через
75 лет приводит к росту на уровне 0,4 К в год. При этом при Estrat = 0 скорость роста при tp =
100 лет и ∆T2×CO2 = 3 К составляет 0,04 К год−1 (рис.3.11). Это связано с быстрым исчезновением
климатического эффекта компенсирующего воздействия после его прекращения.
0,45
4
0,4
3,5
0,35
3
0,3
2,5
0,25
2
0,2
1,5
0,15
1
0,1
0,5
0
dT/dt (K/год)
T (K)
4,5
0,05
2025
2050
2075
0
Рис. 3.11. Изменение (К) (сплошные линии) и скорость ее роста (пунктир) в ЭБМ после прекращения
эмиссий сульфатных аэрозолей, полностью компенсирующих глобальное потепление (при параметрах модели: tp = 100 лет, tstrat = 2 года, ke = 7,6 м2 /г, ∆T2×CO2 = 3 К) в зависимости от времени прекращения.
147
Учёт нестационарности начальных условий и наличия «допустимого»
тренда T
Расчеты, представленные выше, проведены при стационарных начальных условиях, то есть
в начальный момент времени (dT /dt)0 = 0. Кроме того, при расчёте компенсирующего воздействия предполагалось, что компенсация будет полной. Отдельно были проведены расчёты с учетом нестационарности начальных условий и предположении о наличии «допустимого» тренда T ,
то есть сделано допущение, когда компенсация будет не полная, а будет допущен температурный
тренд, который каждую декаду будет ниже предписанного значения Sg [107].
В случае нестационарного начального условия, то есть при наличии в начальный момент тренда
(dT /dt)0 , уравнение (3.13) следует записать в виде:
!
d∆T
dT
C
= R − λ∆T + C
dt
dt
.
(3.24)
0
Которое в случае изменения по времени будет иметь вид:
t
d∆T
λ −λt/C Z
1
dT
= − 2e
R(ξ)eλt/C dξ + R(t) +
dt
C
C
dt
0
!
e−λt/C .
(3.25)
0
Учитывая линейный рост парникового форсинга FC в случае экспоненциального роста q и лиc
, уравнение 3.25 может быть
нейный рост компенсирующих эмиссий сульфатных аэрозолей Estrat
проинтегрировано и представлено в виде:
d∆Tg
g
dTg
=
1 + e−λt/C +
dt
λ
dt
!
e−λt/C ,
(3.26)
0
где g = (FC + Fstrat )/t.
Условие d∆T /dt ≤ Sg ), будет выполняться в случае
g≤λ
Sg − (dT /dt)0 e−λt/C
1 + e−λt/C
или
c
Estrat
4πR2 t
≥
κake tstrat
S(1 − αA )c0
Sg − (dT /dt)0 e−λt/C
−λ
tp
1 + e−λt/C
!
.
(3.27)
Здесь, κ — коэффициент радиационной эффективности, учитывающий отношение РВВ сульфатных аэрозолей к РВВ парниковых газов (для которых он принят за единицу) [124], в расчётах
величина κ варьировалась от 0,8 до 1.
В случае стационарности начальных условий ((dT /dt)0 = 0), при Sg = 0 и κ = 1, уравнение
(3.27) сводится к (3.22).
148
При наличии нестационарности (рис. 3.12а–д) при скорости роста температуры (dT /dt)0 =
0, 017 ± 0, 005 К год−1 (что соответствует реальной скорости роста температуры в конце XX века [132] (рис. 3.1)) необходимые для компенсации эмиссии серы надо увеличить на 0,1–0,5 МтS/год
(в зависимости от значений tstrat и ke ), контролируемого антропогенного воздействия на климат
А
4
200
150
150
6
8
100
50
2
10
2.5
3
3.5
4
50
2
4.5
2.5
12
14
3
3.5
Г
250
4
∆T2CO2(K)
200
4.5
2
tp (годы)
tp (годы)
8
10
∆T2CO2(K)
В
200
4
150
150
5
2.5
100
8
10
12
9
11
13
3
3.5
4
∆T2CO2(K)
50
2
4.5
Д
250
8
10
2.5
8
10
2.5
3
100
12
3
3.5
3.5
14
4
∆T2CO2(K)
4.5
50
2
12
4
∆T2CO2(K)
9
1
4.5
Е
1
2
3
150
6
100
6
7
200
4
150
5
250
200
4
3
6
7
100
tp (годы)
6
100
3
50
2
4
12
14
250
50
2
2
tp (годы)
200
Б
250
tp (годы)
tp (годы)
250
5
4
6
8
10
2.5
3
3.5
4
12
∆T2CO2(K)
7
9
11
4.5
Рис. 3.12. Эмиссии сульфатных аэрозолей в 2100 году, необходимые для полной компенсации (А, В, Д)
парникового форсинга (FC ) и эмиссии, необходимые для удержания тренда T на уровне 0,1 К/год (Б, Г,
Е) при различных значениях κ и (dT /dt)0 : (dT /dt)0 = 0, 17 К/год, κ = 0,85 (А, Б); (dT /dt)0 = 0, 17 К/год,
κ = 1 (В, Г);(dT /dt)0 = 0, κ = 0,8 (Д, Е).
Учёт радиационной эффективности ведёт к увеличению необходимых компенсирующих эмиссий сульфатных аэрозолей. Так, при κ = 0, 8 [124], исходя из (3.27) величину компенсирующих
149
c
эмиссий Estrat
необходимо увеличить на 25% (это замечание справедливо и для расчётов, пред-
ставленных выше).
Если допустить не полную компенсацию (Sg > 0), то величина необходимых эмиссий становится
c
от ∆T2×CO2 (особенно при больших tp ) (рис. 3.12б,
ниже и при этом проявляется зависимость Estrat
г, е.). В частности, для удержания температурного тренда на уровне 0,1 K при tp = 130–140 лет (что
примерно соответствует сценарию SRES–A1B) и (dT /dt)0 = 0, 17 К/год, необходимое количество
c
в 2100 году составит 3–5 МтS/год при κ = 0, 8 (рис. 3.12б) и 3–4 МтS/год при κ = 0, 8
эмиссий Estrat
(рис. 3.12г).
Оценка точности стационарного приближения для расчета массы сульфатов в стратосфере
Исходя из этих значений можно оценить точность приближения (3.18), которое выведено из
полного уравнения баланса массы:
dMstrat
Mstrat
= Estrat −
dt
tstrat
где изменение массы стратосферного аэрозоля равно сумме источников и стока. Относительную
ST
) и в полном уравнении
ошибку между массой аэрозоля в стационарном приближении (Mstrat
(Mstrat ) будем считать малой величиной, тогда:
=
ST
ST
− Mstrat
Mstrat
tstrat dMstrat
tstrat dMstrat
tstrat dEstrat
=
≈ ST
=
Mstrat
Mstrat dt
Mstrat dt
Estrat dt
При полученных в расчетах значениях tstrat , Estrat и
dEstrat
dt
предположение о малости полностью
оправдывается. Так, при tstrat ≈ 2–3 года, Tstrat ≈ 5–10 МтS/год, dEstrat /dt ≈ 0,1 МтS/год−2 ,
величина оказывается порядка 10−2 , что позволяет использовать стационарное приближение
применительно к уравнению баланса массы сульфатного аэрозоля в стратосфере.
3.2.3
Влияние облачности на оценки контролируемого антропогенного воздействия на климат
В разделе 3.1.3 приводятся количественные оценки влияния параметра линейной связи облаков
и температуры kn на температурный отклик климатической системы при удвоении содержания
CO2 в атмосфере. Влияние облаков необходимо учитывать и в вопросах контролируемого антропогенного воздействия на климат.
150
На рис. 3.13 приведена зависимость изменений глобальной приповерхностной температуры T к
2050 и к 2100 гг. от параметра kn , который считался параметром модели, не менялся со временем
расчёта и варьировался в пределах, определенных по современным данным наблюдений и представленным в табл. 3.4 (расчёт проводился для более широкого диапазона kn , чем это представлено
на рис. 3.13). Связь T с kn рассчитывалась согласно (3.9, 3.19 и 3.20).
При больших отрицательных значениях kn ожидается несущественный рост температуры (менее 1 K), а при ежегодных эмиссиях сульфатных аэрозолей (на уровне 4 МтS/год) — слабое похолодание (особенно при небольших скоростях роста концентрации парниковых газов). В целом,
температура слабо зависит от kn . При значениях kn , близких к нулю эта зависимость сильнее.
Потепление может быть более существенным — до 1 К в 2050 году и до 2 К в 2100 году при tp =
100 лет. При этом, введение в стратосферу сульфатных аэрозолей к 2100 году должно способствовать удержанию роста температуры, а к 2050 году (а также к 2100 при малых скоростях роста
концентрации парниковых газов) — похолоданию. Положительные значения kn при отсутствии
компенсирующих эмиссий способствуют усилению потепления, в частности при kn = 0, 01 K−1
рост глобальной температуры к 2050 году может составить от 1 К при tp = 230 лет до 2 K при tp
= 100 лет, к 2100 году — от 2 К при tp = 230 лет до 5 K при tp = 100 лет.
При kn > 0, 01 K−1 глобальная температура существенным образом зависит от параметра kn ,
без компенсирующего воздействия ожидается резкое потепление. Так, при kn = 0, 015 K−1 и при
tp = 100 лет температура уже к 2050 году может вырасти на 10 градусов и более, при бо́льших
значениях tp рост температуры меньше, но тоже существенен. В 2100 году катастрофический рост
T может наблюдаться и при меньших значениях kn .
При kn = 0 K−1 компенсирующее воздействие (ежегодных эмиссий сульфатных аэрозолей в
стратосферу на уровне 4 МтS/год) к 2050 году должно приводить к похолоданию, особенно существенному при низких скоростях роста концентрации парниковых газов в атмосфере, так при tp =
230 лет T к 2050 году понизится на 1 К. При меньших значениях tp похолодание будет меньшим.
Кроме того, к 2010 году ожидается рост T : при tp = 100 лет температура может вырасти более,
чем на градус. Однако, при tp = 230 лет даже к 2100 году эмиссии на уровне 4 МтS/год будут
по-прежнему способствовать росту T .
При kn > 0 K−1 зависимость T от kn в большой мере определяется параметром tp и зависит от
расчетного года. В частности, в 2050 году при любых tp (в пределах от 50 до 250 лет) зависимость
T от kn имеет вид гиперболы, и при kn > 0.01 K−1 отмечено резкое сокращение T (на десятки
градусов). В 2100 году такое же поведение отмечено для больших значений tp (более 200 лет), при
меньших значениях tp температура сначала растёт вместе с ростом kn (хотя и меньше, чем при
151
1
А
Б
T, K
10
8
4
4
2
2
-0.04
-0.03
-0.02
-0.01
0
0.01
0.02
kn, K-1
0
-0.04
-4
-4
-6
-6
DT2CO2 = 4.5 K
-2
DT2CO2 = 1.5 K
-2
4
-0.03
-8
5
-10
-0.02
-0.01
0
0.01
0.02
kn, K-1
4
DT2CO2 = 4.5 K
0
3
6
3
DT2CO2 = 1.5 K
6
-10
2
10
2
8
-8
1
T, K
5
6
6
Рис. 3.13. Изменение T (К) в ЭБМ в 2050 (А) и в 2100 (Б) году в зависимости от параметра kn при tp =
100 лет (линии 1 и 4), при tp = 136 лет (линии 2 и 5) и при tp = 230 лет (линии 3 и 6) с учетом только
парникового форсинга (линии 1–3) и с учетом компенсирующего воздействия (линии 4–6) при параметрах
модели: tstrat = 2 года, Estrat = 4 МтS/год, ke = 7,6 м2 /г. Пунктирные линии соответствуют значениям
kn , при которых параметр ∆T2×CO2 принимает значения 1,5 K и 4,5 K
отсутствии компенсирующего воздействия), а затем резко сокращается. Точка перегиба зависит
от параметра tp : чем он меньше, тем ожидается бо́льший рост T .
152
3.3
Обсуждение результатов главы 3
При изменениях климата одной из ключевых неопределённостей являются изменения глобального поля облачности при изменениях глобальной приповерхностной температуры.
Согласно проведённому анализу, основанному на различных наблюдениях, данных реанализа
и модельных расчетах, отмечены различные по знаку значения коэффициента kn линейной регрессии облачности на температуру (параметра связи между облачностью и температурой). Согласно
данным спутниковых наблюдений ISCCP и над сушей и над океаном отмечены статистически
значимые отрицательные значения kn . Согласно данным наземных наблюдений EECRA и спутниковых наблюдений UW HIRS, а также согласно большинству данных реанализа, отрицательные
значения kn отмечены только над сушей, а над океаном отмечены положительные значения. При
этом в целом, значения kn по модулю больше над океаном, чем над сушей. Для глобально осреднённых облачности и температуры зачения kn находятся в диапазоне от −0,1 до 0,07 K−1 , над
сушей kn варьируется от −0,07 до 0,03 K−1 , над океаном — от −0,14 до 0,15 K−1 .
По модельным расчётам для конца XX и для XXI вв. отмечены как положительные, так и отрицательные значения kn (наибольшая неопределённость проявляется над океаном ЮП), однако в
целом для большинства моделей значения kn отрицательны, при этом в XXI веке с ростом температуры проявляется ослабление связи между температурой и облачностью, которое проявляется
как в уменьшении kn по величине (для среднего по ансамблю моделей CMIP3 kn оценивается около
−0,004 K−1 в конце XX века и около −0,002 K−1 в конце XXI в.), так и в уменьшении по модулю
коэффициента корреляции между T и n (от −0,95 в начале XXI века до −0,5 в конце).
Стоит отметить, что по модельным расчётам и по данным реанализа диапазон значений kn
более узкий, чем по данным наблюдений, что связано с особенностями данных, в частности климатические модели пока не воспроизводят все особенности климатической системы, многие явления
не рассчитываются напрямую, а параметризуются (например, образование конвективных облаков), что ведёт к «сглаживанию» межгодовой изменчивости как полей облачности, так и полей
температуры. В то же время, в данные наблюдений вносится неопределённость, связанная с точностью приборов и неоднородностью наблюдений, что в свою очередь, может увеличить межгодовую
изменчивость, привести к образованию инструментального тренда, который может сказаться на
значениях kn . В частности, широкий диапазон kn , полученным по современным данным, обусловлен ЮП. Для СП этот диапазон существенно уже, значения kn главным образом отрицательны.
Согласно результатам кросс-вейвлетного анализа, проведенного для данных наблюдений и результатов модельных расчётов, изменения облаков и температуры в ЮП когерентны на малых
масштабах времени (4–7 лет), а в СП — на больших масштабах времени (30–60 лет).
153
Проведена оценка чувствительности климата к зависимости изменений облачности от изменений температуры. Показано, что отрицательные и слабо-положительные значения kn в целом
способствуют росту температуры при росте содержания парниковых газов в атмосфере. В то же
время при достаточно сильной положительной зависимости количества облаков от температуры
увеличение содержания CO2 в атмосфере может приводить к резкому понижению температуры.
Оценено влияние облачности при контролируемом антропогенном воздействии на климат введением в стратосферу сульфатных аэрозолей. С использованием энергобалансовой климатической
модели получены оценки эффективности компенсации глобального потепления за счет эмиссий
сульфатных аэрозолей в стратосферу в зависимости от коэффициента kn , эмиссий аэрозолей, их
времени нахождения в стратосфере, скорости роста содержания в атмосфере парниковых газов
и др. В зависимости от различных параметров компенсация потепления достигается введением в
стратосферу от 2 до 12 МтS/год.
Стоит отметить, что при резком росте парниковых газов (эквивалентном SRES–A2 или более
агрессивным сценариям), необходимые значения эмиссии сульфатных аэрозолей без учёта влияния
облачности могут к 2100 году достигать 12 МтS/год (при учёте существующего тренда температуры и радиационной эффективности — 15 МтS/год), что является значимой частью выбросов серы
в тропосферу в результате хозяйственной деятельности человека (они составили 72±6 МтS/год
в 1990-е гг. [202]). Таким образом, необходимые для компенсации потепления эмиссии могут достигать 20% от промышленных выбросов серы в атмосферу, что может привести к существенным
экологическим последствиям. Это может быть смягчено, если удастся извлекать серу, необходимую для компенсации потепления, непосредственно из антропогенных выбросов сульфатов в
тропосферу. Также, снизить эмиссии можно допустив не полную компенсацию потепления.
Сразу после прекращения (по каким-либо причинам) эмиссий сульфатных аэрозолей в стратосферу отмечается резкий рост температуры (до 0,4 К в год). За первое десятилетие после завершения эмиссий глобальная температура может вырасти более, чем на 3 градуса.
Получены количественные оценки влияния параметра связи облачности и температуры kn на
изменения температуры при наличии компенсирующего воздействия. При достаточно сильной
отрицательной связи облачности и температуры (при kn существенно меньше нуля) изменения
температуры не превышают 1 К за 100 лет (с эмиссиями или без). При kn близких к нулю эмиссии
сульфатных аэрозолей позволяют снизить ожидаемое глобальное потепление. При kn > 0, 01K−1
отмечается сильная зависимость изменения температуры от параметра kn : она резко растёт с
увеличением kn (до 10 К и выше) без компенсирующего воздействия и резко сокращается (до 10 К
и ниже)при наличии компенсирующего воздействия.
154
Заключение
В данной работе представлены результаты наиболее полного сравнительного анализа современных данных для облачного покрова по спутниковым и на наземным наблюдениям, а также
по данным реанализа и расчётах с использованием глобальных климатических моделей (анализируется более 40 источников). Подобный анализ проведен впервые. Сделан обзор современных
баз данных для облачности, получены оценки современного состояния глобального поля облачности, выявлены основные различия между данными, проанализированы причины этих различий.
Проведён анализ изменений облачности, как наблюдаемых, так и возможных в XXI в. Проанализированы возможные причины и региональные последствия таких изменений во внетропических
широтах северного полушария, в частности, проанализированы совместные изменения облачности
и циклонической активности, проведена оценка роста риска лесных пожаров в российских регионах. Оценены эффекты облачности при изменениях климата, в том числе связи облачности с
глобальной приповерхностной температурой. Проанализировано влияние облачности в вопросах
контролируемого антропогенного воздействия на климат.
На основе проведённого анализа и полученных результатов можно сформулировать следующие
основные выводы диссертационной работы:
1. Согласно результатам проведенного сравнения различных современных данных по спутниковым и наземным наблюдениям глобальное среднегодовое значение облачности по данным
наблюдений составляет около 2/3. Доля покрытия облаками суши близка к 1/2, а доля покрытия облаками Мирового океана — около 7/10. Согласно всем современным данным наблюдений, в южном полушарии количество облаков больше, чем в северном, с максимумом
в летнее время. Наибольшие различия между современными данными наблюдений проявляются в полярных регионах (для среднегодовых значений и для различий между сезонами).
В суточном ходе над сушей северного полушария преобладает облачность в дневное время,
над океаном — в ночное, при этом над сушей южного полушария выявлена неопределённость
между различными данными. Данные реанализа и модельные расчёты в целом недооценивают среднегодовое количество облачности, главным образом в средних широтах за счёт об155
лачности над океаном (и зимой и летом) и летней облачности над сушей. В целом, модельные
расчёты и данные реанализа лучше воспроизводят среднегодовые значения облачности, хуже
— разность между сезонами. Различия между количеством облаков, полученным по разным
данным, связаны в первую очередь с разными алгоритмами определения облачности, а также
с различием во времени наблюдений. Выбор периода осреднения практически не влияет на
глобально-осреднённые значения облачности, региональные отличия проявляются главным
образом в экваториальной части Тихого океана (связаны с явлением Эль-Ниньо/Ла-Нинья).
2. По данным спутниковых и наземных наблюдений в конце XX и начале XXI вв. в целом отмечено сокращение количества облаков над сушей средних и тропических широт, главным
образом, за счёт летнего периода и облачности в дневное время суток. Над сушей полярных
широт отмечен рост количества облаков (в первую очередь, в зимнее время). Над океаном по
разным данным отмечены разнонаправленные тенденции (по данным наземных наблюдений
количество облаков над океаном растёт, по данным спутниковых наблюдений — уменьшается). По расчётам с ансамблем моделей в XXI веке при ожидаемом потеплении в целом
отмечено сокращение среднегодового количества облаков как над сушей так и над океаном в
низких и средних широтах и рост количества облаков над полярными широтами. При этом,
сезонные различия в тренде облачности будут способствовать ожидаемому росту глобальной
приповерхностной температуры. Изменения облачности во внетропических широтах северного полушария связаны с изменением циклонической активности.
3. Детальный анализ изменений облачности над Северной Евразией выявил рост количества
облаков в зимний период над южными российскими регионами согласно спутниковым и наземным наблюдениям. В летнее время по различным данным наблюдений отмечены разнонаправленные тенденции. При потеплении в XXI веке согласно расчётам с ансамблем моделей
над российскими регионами отмечается увеличение количества облаков зимой и сокращение
летом. Подобные изменения будут способствовать усилению ожидаемого потепления: согласно полученным оценкам, максимальная температура воздуха имеет прямую зависимость от
количества облаков в зимний период и отрицательную в летний. Одним из возможных региональных последствий сокращения количества летней облачности, наряду с сокращением
количества осадков и роста приповерхностной температуры, является увеличение повторяемости таких экстремальных явлений как сильные засухи и лесные пожары. В частности,
на юге Европейского и Азиатского регионов России в XXI веке ожидается рост риска пожароопасности и увеличение продолжительности пожароопасного периода. В то же время, на
156
севере России ожидается уменьшение рисков пожароопасности.
4. Сделаны оценки связи количества облаков с изменениями температурного режима Земли.
Получены количественные оценки линейной связи облачности и температуры. Современные
данные не позволяют однозначно выявить связь облачности с температурным режимом на
глобальном и полушарном уровне.
5. С использованием энергобалансовой климатической модели получены оценки эффективности компенсации ожидаемого глобального потепления за счёт эмиссий сульфатных аэрозолей
в стратосферу в зависимости от некоторых управляющих параметров, в том числе от чувствительности облачности к изменению глобальной температуры.
Автор выражает глубокую благодарность своему научному руководителю Игорю Ивановичу
Мохову за помощь в постановке задачи, за полезные и плодотворные беседы по тематике работы.
Автор благодарит Алексея Викторовича Елисеева за теоретические и практические обсуждения
и замечания, позволившие улучшить работу, а также за предоставленные результаты расчётов с
климатическомй моделью ИФА РАН. Автор благодарит Игоря Марковича Школьника за предоставленные расчёты с использованием региональной климатической модели ГГО, Ольгу Николаевну Булыгину за предоставленные данные по станционным наблюдениям ВНИИГМИ–МЦД,
Клаудию Штубенро (Claudia Stubenrauch) за предоставление данных спутниковых наблюдений.
Также, автор выражает благодарность всем научным коллективам, подготовившим использовавшиеся в работе данные спутниковых и наземных наблюдений, данные реанализа и модельные
расчёты. В заключение автор благодарит весь коллектив Лаборатории теории климата за создание такого научного климата, в котором можно и нужно плодотворно заниматься теорией.
157
Литература
[1] Акперов М.Г., Бардин М.Ю., Володин Е.М., Голицын Г.С., Мохов И.И. Функции распределения вероятностей циклонов и антициклонов по данным реанализа и модели климата ИВМ
РАН // Изв. РAH, Физикa aтмocфepы и oкeaнa. 2007. Т. 43. № 6. С. 764–772.
[2] Берлянд Т.Г., Строкина Л.А. Глобальное распределение общего количества облаков. Л.:
Гидрометеоиздат. 1980. 70 с.
[3] Будыко М.И. Изменение климата. Л.: Гидрометеоиздат. 1974. 280 с.
[4] Ветлов И.П. Космическая система «Метеор» на службе гидрометеорологии. Обнинск: ВНИИГМИ – МЦД. 1981. .
[5] Волкова Е.В., Успенский А.Б. Определение количества облачности по изображениям облачного покрова в видимом и инфракрасном диапазонах спектра с полярно-орбитальных ИСЗ
// Метеорология и гидрология. 1998. № 9. С. 15–25.
[6] Волкова Е.В., Успенский А.Б. Детектирование облачности и выделение зон осадков регионального масштаба по данным полярно-орбитальных метеорологических ИСЗ // Метеорология и гидрология. 2002. № 4. С. 28–38.
[7] Волкова Е.В., Успенский А.Б. Детектирование облачности и определение ее параметров по
спутниковым данным в светлое время суток // Метеорология и гидрология. 2007. № 12.
С. 5–20.
[8] Володин Е.М. Связь между температурной чувствительностью к удвоению содержания углекислого газа и распределением облачности в современных моделях климата // Изв. РAH,
Физикa aтмocфepы и oкeaнa. 2008. Т. 44. № 3. С. 311–323.
[9] Герман М.А. Спутниковая метеорология. Л.: Гидрометеоиздат. 1975. 368 с.
[10] Голицын Г.С., Мохов И.И., Акперов М.Г., Бардин М.Ю. Функции распределения вероятности
для циклонов и антициклонов в период 1952-2000 гг.: инструмент для определения изменений
глобального климата // Доклады РAH. 2007. Т. 413. № 2. С. 254–256.
[11] Елисеев А.В., Мохов И.И. Влияние вулканической активности на изменение климата последних нескольких веков: оценки с климатической моделью промежуточной сложности // Изв.
РAH, Физикa aтмocфepы и oкeaнa. 2008. Т. 44. № 6. С. 723–746.
[12] Елисеев А.В., Мохов И.И. Модельные оценки эффективности ослабления и предотвращения
глобального потепления климата в зависимости от сценариев контролируемых аэрозольных
эмиссий в стратосферу // Изв. РAH, Физикa aтмocфepы и oкeaнa. 2009. Т. 45. № 2. С. 232–
244.
[13] Елисеев А.В., Мохов И.И., Карпенко А.А. Влияние учета прямого радиационного воздействия сульфатных аэрозолей на результаты численных экспериментов с климатической моделью промежуточной сложности // Изв. РAH, Физикa aтмocфepы и oкeaнa. 2007. Т. 43.
№ 5. С. 591–601.
[14] Жданко В.А., Гриценко М.В. Метод анализа лесопожарных сезонов: Практические рекомендации. Л.: Ленинградский научно-исследовательский институт лесного хозяйства. 1980.
45 с.
[15] Изменение окружающей среды и климата: природные и связанные с ними техногенные катастрофы. / Лаверов Н.П. (ред.). М.: Изд. Института геологии рудных месторождений, петрографии, минералогии и геохимии РАН. 2007. 200 с.
[16] Израэль Ю.А. Эффективный путь сохранения климата на современном уровне — основная
цель решения климатической проблемы // Метеорология и гидрология. 2005. № 10. С. 5–9.
[17] Израэль Ю.А., Борзенкова И.И., Северов Д.А. Роль стратосферных аэрозолей в сохранении
современного климата // Метеорология и гидрология. 2007. № 1. С. 5–14.
[18] Израэль Ю.А., Рябошапко А.Г., Петров Н.Н. Сравнительный анализ геоинженерных способов стабилизации климата // Метеорология и гидрология. 2009. № 6. С. 5–24.
[19] Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. М.: Физматлит. 2006. 816 с.
159
[20] Козленко С.С., Мохов И.И., Смирнов Д.А. Анализ причинно-следственных связей между
Эль-Ниньо в Тихом океане и его аналогом в экваториальной Атлантике // Изв. РAH, Физикa
aтмocфepы и oкeaнa. 2009. Т. 45. № 6. С. 754–763.
[21] Малевский-Малевич С.П., Молькентин Е.К., Надёжина Е.Д., Семиошина А.А. и др. Анализ
изменения пожароопасной обстановки в лесах России в XX и XXI веках на основе моделирования климатических условий // Метеорология и гидрология. 2007. № 3. С. 14–24.
[22] Марчук Г.И., Кондратьев К.Я., Козодеров В.В., Хворостьянов В.И. Облака и климат. Л.:
Гидрометеоиздат. 1986. 512 с.
[23] Матвеев Ю.Л., Матвеев Л.Т., Солдатенко С.А. Глобальное поле облачности. Л.: Гидрометеоиздат. 1986. 278 с.
[24] Мелешко В.П., Голицын Г.С., Говоркова В.А., Демченко П.Ф. и др. Возможные антропогенные изменения климата России в 21–м веке: оценки по ансамблю климатических моделей //
Метеорология и гидрология. 2004. № 4. С. 38–49.
[25] Мелешко В.П., Кароль И.Л., Катцов В.М., Спорышев П.В. и др. Реакция равновесного
климатана преднамеренную эмиссию стратосферного аэрозоля, рассчитанная по глобальной
модели атмосферы и верхнего слоя океана ГГО // Труды Главной геофизической обсерватории им. А.И.Воейкова. 2008. № 558. С. 41–63.
[26] Мелешко В.П., Кароль И.Л., Катцов В.М., Спорышев П.В. и др. Является ли рассеяние
аэрозоля в стратосфере безопасной технологией предотвращения глобального потепления?
// Метеорология и гидрология. 2010. № 7. С. 5–17.
[27] Мелешко В.П., Катцов В.М., Спорышев П.В., Вавулин С.В., Говоркова В.А. Обратные связи
в климатической системе: взаимодействие облачности, водяного пара и радиации // Метеорология и гидрология. 2000. № 1. С. 22–45.
[28] Мохов И.И. О влиянии CO2 на термический режим земной климатической системы //
Метеорология и гидрология. 1981. № 4. С. 24–34.
[29] Мохов И.И. Глобальная связь облачности и температуры по данным об их межгодовой
изменчивости // Изв. АН СССР. Физика атмосферы и океана. 1985. Т. 21. № 9. С. 907–912.
[30] Мохов И.И. Диагностика структуры климатической системы. СПб.: Гидрометеоиздат. 1993.
272 с.
160
[31] Мохов И.И. Действие как интегральная характеристика климатических структур: Оценки
для атмосферных блокингов // Доклады РAH. 2006. Т. 409. № 3. С. 403–406.
[32] Мохов И.И., Галин В.Я., Дегтярев А.И., Круглова Е.Н. и др. Сравнение моделей общей
циркуляции атмосферы: диагностика внутригодовой эволюции облачности // Изв. РAH,
Физикa aтмocфepы и oкeaнa. 1993. Т. 30. № 4. С. 527–542.
[33] Мохов И.И., Дюфрен Ж.-Л., Ле Трет Э., Тихонов В.А., Чернокульский А.В. Изменения
режимов засух и биопродуктивности наземных экосистем в регионах северной Евразии по
расчетам с глобальной климатической моделью с углеродным циклом // Доклады РAH.
2005. Т. 405. № 6. С. 810–814.
[34] Мохов И.И., Елисеев А.В., Демченко П.Ф., Хон В.Ч. и др. Климатические изменения и их
оценки с использованием глобальной модели ИФА РАН // Доклады РAH. 2005. Т. 402. № 2.
С. 243–247.
[35] Мохов И.И., Елисеев А.В., Хворостьянов Д.В. Эволюция характеристик межгодовой климатической изменчивости, связанной с явлениями Эль-Ниньо/Ла-Нинья // Изв. РAH, Физикa
aтмocфepы и oкeaнa. 2000. Т. 36. № 6. С. 741–751.
[36] Мохов И.И., Мохов О.И., Петухов В.К., Хайруллин Р.Р. Влияние глобальных климатических
изменений на вихревую активность в атмосфере // Изв. РAH, Физикa aтмocфepы и oкeaнa.
1992. Т. 28. № 1. С. 11–26.
[37] Мохов И.И., Мохов О.И., Петухов В.К., Хайруллин Р.Р. О влиянии облачности на вихревую
активность атмосферы при изменениях климата // Метеорология и гидрология. 1992. № 1.
С. 5–11.
[38] Мохов И.И., Петухов В.К. Параметризация уходящей длинноволновой радиации для климатических моделей. М.: Препринт ИФА АН СССР. 1978. 34 с.
[39] Мохов И.И., Чернокульский А.В. Региональные модельные оценки риска лесных пожаров в
азиатской части России при изменениях климата // География и природные ресурсы. 2010.
№ 2. С. 120–126.
[40] Мохов И.И., Чернокульский А.В., Акперов М.Г., Дюфрен Ж.-Л., Ле Трет Э. Изменения
характеристик циклонической активности и облачности в атмосфере внетропических широт северного полушария по модельным расчетам в сопоставлении с данными реанализа и
спутниковыми данными // Доклады РAH. 2009. Т. 424. № 3. С. 393–397.
161
[41] Мохов И.И., Чернокульский А.В., Школьник И.М. Региональные модельные оценки пожароопасности при глобальных изменениях климата // Доклады РAH. 2006. Т. 411. № 6.
С. 808–811.
[42] Нестеров В.Г. Горимость леса и методы ее определения. М.: Гослесбумага. 1949. 76 с.
[43] Петросянц М.А., Гущина Д.Ю. Об определении явлений Эль-Ниньо и Ла-Нинья // Метеорология и гидрология. 2002. № 8. С. 24–36.
[44] Рублев А.Н., Успенский А.Б., Троценко А.Н., Удалова Т.А., Волкова Е.В. Детектирование и
оценка балла облачности по данным атмосферных ИК-зондировщиков высокого спектрального разрешения // Исследование Земли из космоса. 2004. № 3. С. 43–51.
[45] Успенский А.Б.
Современное состояние и перспективы дистанционного температурно-
влажностного зондирования земной атмосферы // Исследование Земли из космоса. 2010.
№ 2. С. 26–36.
[46] Успенский А.Б., Троценко А.Н., Рублев А.Н. Проблемы и перспективы анализа и использования данных спутниковых ИК-зондировщиков высокого спектрального разрешения //
Исследование Земли из космоса. 2005. № 5. С. 18–33.
[47] Фролькис В.А., Кароль И.Л. Моделирование влияния параметров стратосферного аэрозольного экрана на эффективность компенсации парникового потепления глобального климата
// Оптика атмосферы и океана. 2010. Т. 23. № 8. С. 710–722.
[48] Хлебникова Е.И., Салль И.А. Особенности климатических изменений облачного покрова над
территорией России // Метеорология и гидрология. 2009. № 7. С. 5–13.
[49] Хмелевцов С.С. Изучение климата при использовании энергобалансовых моделей. Л.: Гидрометеоиздат. 1988. 149 с.
[50] Чернокульский А.В., Елисеев А.В., Мохов И.И. Контролируемые эмиссии сульфатных аэрозолей в стратосферу для предотвращения потепления климата в XXI веке: расчеты с энергобалансовой моделью. // Тезисы тринадцатой Всероссийской конференции молодых ученых
«Состав атмосферы. Атмосферное электричество. Климатические эффекты» 2009. 34 с.
[51] Чернокульский А.В., Елисеев А.В., Мохов И.И.
Аналитические оценки эффективности
предотвращения потепления климата контролируемыми аэрозольными эмиссиями в стратосферу // Метеорология и гидрология. 2010. № 5. С. 16–26.
162
[52] Чернокульский А.В., Мохов И.И. Анализ глобальных и региональных изменений облачного
покрова по спутниковым данным с оценкой эффектов Эль-Ниньо. // Тезисы десятой Всероссийской конференции молодых ученых «Состав атмосферы. Климатические эффекты.
Атмосферное электричество» 2006. 13 с.
[53] Чернокульский А.В., Мохов И.И. Глобальное поле облачности по различным спутниковым
данным в сравнении с данными наземных наблюдений и данными реанализа. // Тезисы международного симпозиума стран СНГ «Атмосферная радиация и динамика. МСАРД-2009»
2006. 32 с.
[54] Чернокульский А.В., Мохов И.И. Глобальные и региональные изменения облачности по
данным ISCCP в 1983–2004 гг.. // Тезисы международного симпозиума стран СНГ «Атмосферная радиация. МСАР-2006» 2006. 71 с.
[55] Чернокульский А.В., Мохов И.И. Анализ глобальных и региональных изменений облачного
покрова по спутниковым данным с оценкой эффектов Эль-Ниньо. // Тезисы одинадцатой
Всероссийской конференции молодых ученых «Состав атмосферы. Атмосферное электричество. Климатические эффекты» 2007. 64 с.
[56] Чернокульский А.В., Мохов И.И. Облачно-радиационные аномалии, связанные с явлениями
Эль-Ниньо. // Тезисы международного симпозиума «Физика атмосферы: наука и образование» 2007. C. 184–186.
[57] Чернокульский А.В., Мохов И.И. Изменения глобальной и региональной облачности по
различным спутниковым данным. // Тезисы седьмой всероссийской открытой конференции
«Современные проблемы дистанционного зондирования Земли из космоса» 2009. 177 с.
[58] Чернокульский А.В., Мохов И.И. Климатология общей облачности по спутниковым и наземным наблюдениям в сравнении с данными реанализа и результатами расчетов с глобальными
климатическими моделями. // Тезисы всероссийской конференции «Михаил Арамаисович
Петросянц и современные проблемы метеорологии и климатологии» / Кислов А.В. (ред.).
М.: Издательство МГУ. 2009. 54 с.
[59] Чернокульский А.В., Мохов И.И. Сравнение современных глобальных климатологий облачности. // Современные проблемы дистанционного зондирования Земли из космоса. Вып. 6,
Т.2 / Лаверов Н.П. (ред.). M.: ООО «Азбука-2000». 2009. C. 235–243.
163
[60] Чернокульский А.В., Мохов И.И. Глобальное поле облачности: современное состояние и
наблюдаемые изменения. // Тезисы четырнадцатой Всероссийской конференции молодых
ученых «Состав атмосферы. Атмосферное электричество. Климатические эффекты» 2010.
76 с.
[61] Чернокульский А.В., Мохов И.И. Сравнительный анализ характеристик глобальной и зональной облачности по различным спутниковым и наземным наблюдениям // Исследование
Земли из космоса. 2010. № 3. С. 12–29.
[62] Чернокульский А.В., Мохов И.И., Школьник И.М. Риск пожароопасности в различных регионах России и его возможные изменения в ХХI веке по модельным расчетам. // Тезисы
двенадцатой Всероссийской конференции молодых ученых «Состав атмосферы. Атмосферное электричество. Климатические эффекты» 2008. 25 с.
[63] Школьник И.М., Мелешко В.П., Гаврилина В.М. Валидация региональной климатической
модели ГГО // Метеорология и гидрология. 2005. № 1. С. 14–27.
[64] Школьник И.М., Мелешко В.П., Катцов В.М. Возможные изменения климата на европейской
части России и сопредельных территориях к концу XXI века: расчет с региональной моделью
ГГО // Метеорология и гидрология. 2006. № 3. С. 5–16.
[65] Школьник И.М., Мелешко В.П., Катцов В.М. Региональная климатическая модель ГГО для
территории Сибири // Метеорология и гидрология. 2007. № 6. С. 5–18.
[66] Школьник И.М., Молькентин Е.К., Надежина Е.Д., Хлебникова Е.И., Салль И.А. Экстремальность термического режима в Сибири и динамика пожароопасной обстановки в 21 веке:
оценки с помощью региональной климатической модели ГГО // Метеорология и гидрология.
2008. № 5. С. 5–15.
[67] Acarreta J.R., De Haan J.F., Stammes P. Cloud pressure retrieval using the O2 –O2 absorption
band at 477 nm // J. Geophys. Res. 2004. V. 109. P. D05204.
[68] Ackerman S.A., Holz R.E., Frey R.A., Eloranta E.W. et al. Cloud detection with MODIS. Part
II: Validation // J. Atmos. Oceanic Technol. 2008. V. 25. № 7. P. 1073–1086.
[69] Ackerman S.A., Strabala K.I., Menzel W.P., Frey R.A. et al. Discriminating clear sky from clouds
with MODIS // J. Geophys. Res. 1998. V. 103. № D24. P. 32,141–32,157.
164
[70] Aumann H.H., Chahine M.T., Gautier C., Goldberg M.D. et al. AIRS/AMSU/HSB on the Aqua
mission: design, science objectives, data products, and processing systems // IEEE Trans. Geosci.
Remote Sens. 2003. V. 41. № 2. P. 253–264.
[71] Barnes W.L., Pagano T.S., Salomonson V.V. Prelaunch characteristics of the Moderate Resolution
Imaging Spectroradiometer (MODIS) on EOS–AM1 // IEEE Trans. Geosci. Remote Sens. 1998.
V. 36. № 4. P. 1088–1100.
[72] Bedacht E., Gulev S.K., Macke A. Intercomparison of global cloud cover fields over oceans from
the VOS observations and NCEP/NCAR reanalysis // Int. J. Climatol. 2007. V. 27. № 13.
P. 1707–1719.
[73] Bergman J.W., Salby M.L. Diurnal Variations of Cloud Cover and Their Relationship to Climatological Conditions // J. Climate. 1996. V. 9. № 11. P. 2802–2820.
[74] Bey I., Jacob D.J., Yantosca R.M., Logan J.A. et al. Global modeling of tropospheric chemistry
with assimilated meteorology: Model description and evaluation // J. Geophys. Res. 2001. V. 106.
№ D19. P. 23073–23096.
[75] Bony S., Colman B., Kattsov V.M., Allan R.P. et al. How Well Do We Understand and Evaluate
Climate Change Feedback Processes? // J. Climate. 2006. V. 19. № 15. P. 3445–3482.
[76] Bosilovich M.
NASA’s Modern Era Retrospective-analysis for Research and Applications
(MERRA). // Presentation to the Department of Earth and Atmospheric Sciences 2009. .
[77] Bovensmann H., Burrows J.P., Buchwitz M., Frerick J. et al. SCIAMACHY: Mission Objectives
and Measurement Modes // J. Atmos. Sci. 1999. V. 57. № 2. P. 127–150.
[78] Brovkin V., Petoukhov V., Claussen M., Bauer E. et al. Geoengineering climate by stratospheric
sulfur injections: Earth system vulnerability to technological failure // Clim. Change. 2006. V. 92.
№ 3–4. P. 243–259.
[79] Buriez J.C., Vanbauce C., Parol F., Goloub P. et al. Cloud detection and derivation of cloud
properties from POLDER // Int. J. Remote Sensing. 1997. V. 18. № 13. P. 2785–2813.
[80] Cairns B. Diurnal variations of cloud from ISCCP data // Atmos. Res. 1995. V. 37. № 1–3.
P. 133–146.
[81] Chahine M., Vane D. GEWEX: The Global Energy and Water Cycle Experiment. Washington,
DC, USA: 1994. 11 p.
165
[82] Chédin A.S., Serrar S., Scott N.A., Crevoisier C., Armante R. First global measurement of midtropospheric CO2 from NOAA polar satellites: Tropical zone // J. Geophys. Res. 2003. V. 108. № D18.
P. 4581.
[83] Chen T., Rossow W.B., Zhang Y. Radiative Effects of Cloud-Type Variations // J. Climate. 2000.
V. 13. № 1. P. 264–286.
[84] Chen Y., Sun-Mack S., Minnis P., Smith W., Young D.F. Surface spectral emissivity derived from
MODIS data. // Optical Remote Sensing of the Atmosphere and Clouds III / Huang H.-L., Lu D.,
Sasano Y. (eds.). 4891 2003. P. 361–369.
[85] Chen Y., Sun-Mack S., Trepte Q.Z., Minnis P., Young D.F. Solar Zenith Angle Variation of Clear–
Sky Narrowband Albedos Derived from VIRS and MODIS. // Proc. 11th AMS Conf. Atmos. Rad.
Ogden, UT: 2002. P. 152–155.
[86] Chepfer H., Bony S., Winker D., Cesana G. et al. The GCM–Oriented CALIPSO Cloud Product
(CALIPSO–GOCCP) // J. Geophys. Res. 2010. V. 115. P. D00H16.
[87] Chernokulsky A.V. Cloudiness anomalies and El Niño Effects. // Research Activities in Atmospheric and Oceanic Modelling / Cote J. (ed.). WMO/TD-No.1397 Geneva: WMO. 2007. P. 02.05–
02.06.
[88] Chernokulsky A.V. Total cloudiness changes during 1983-2006 from ISCCP data. // Research
Activities in Atmospheric and Oceanic Modelling / Cote J. (ed.). 38 Geneva: WMO. 2008. P. 02.07–
02.08.
[89] Chernokulsky A.V., Eliseev A.V., Mokhov I.I. Geoengineering efficiency: Preliminary assessment
for year 2100 with an energy-balance climate model. // Research Activities in Atmospheric and
Oceanic Modelling / Cote J. (ed.). 38 Geneva: WMO. 2008. P. 07.09–07.10.
[90] Chernokulsky A.V., Mokhov I.I. Global and Regional Cloudiness Changes by Satellite Data:
Relationship with Temperature and El Niño Effects. // Research Activities in Atmospheric and
Oceanic Modelling / Cote J. (ed.). WMO/TD-No.1347 Geneva: WMO. 2006. P. 02.09–02.10.
[91] Chernokulsky A.V., Mokhov I.I. Forest fire conditions in Eurasian regions from model simulations.
// Research Activities in Atmospheric and Oceanic Modelling / Cote J. (ed.). 38 Geneva: WMO.
2008. P. 07.07–07.08.
166
[92] Chernokulsky A.V., Mokhov I.I. Summer fire conditions changes in North Eurasian mid-latitudes
from regional model simulations for the 21st century. // Geophysical Research Abstracts. 10. 2008.
P. A–08026.
[93] Chernokulsky A.V., Mokhov I.I. Estimates of possible changes of forest fire risks in Russia from
model simulations for the 21st century. // Proceedings of International Conference on Computational Information Technologies for Environmental Sciences «CITES-2009» 2009. 63 p.
[94] Chernokulsky A.V., Mokhov I.I. Compaison of Global Cloud Climatologies. // Geophysical Research Abstracts. V.12. 2010. 1721 p.
[95] Chernokulsky A.V., Mokhov I.I. Comparison of cloudiness from satellite, ground-based and reanalyses data and GCM simulations. // Proceedings of International Conference on Environmental
Observations, Modeling and Information Systems «ENVIROMIS-2010» 2010. P. 103–104.
[96] Clouds in the Perturbed Climate System. Their Relationship to Energy Balance, Atmospheric
Dynamics, and Precipitation. / Heintzenberg J., Charlson R.J. (eds.). Cambridge, Massachusetts
and London, England: The MIT Press. 2009. 615 p.
[97] Cracknell A.P. The Advanced Very High Resolution Radiometer. London: Taylor and Francis.
1987. 534 p.
[98] Crutzen P.J Albedo enhancement by stratospheric sulfur injections: A contribution to resolve a
policy dilemma? // Clim. Change. 2006. V. 77. № 3–4. P. 211–219.
[99] Dai A., Karl T.R., Sun B., Trenberth K.E. Recent Trends in Cloudiness over the United States:
A Tale of Monitoring Inadequacies // Bull. Amer. Met. Soc. 2006. V. 87. № 5. P. 597–606.
[100] Deschamps P.Y., Bréon F.-M., Leroy M., Podaire A. et al. The POLDER mission: instrument
characteristics and scientific objectives // IEEE Trans. Geosci. Remote Sens. 1994. V. 32. № 3.
P. 598–615.
[101] Di Girolamo L., Davies R. A Band-Differenced Angular Signature technique for cirrus cloud
detection // IEEE Trans. Geosci. Remote Sens. 1994. V. 32. № 4. P. 890–896.
[102] Diner D.J., Beckert J.C., Reilly T.H., Bruegge C.J. et al. Multi-angle Imaging Spectro-Radiometer
(MISR) Instrument Description and Experiment Overview // IEEE Trans. Geosci. Remote Sens.
1998. V. 36. № 4. P. 1072–1087.
167
[103] Diner D.J., Davies R., Di Girolamo L., Horvath A. et al. Earth Observing System Multi-angle
Imaging Spectro-Radiometer Level 2 Cloud Detection and Classification algorithm theoretical
basis. 1999. 38 p.
[104] Diner D.J., Di Girolamo L., Clothiaux E.E. Earth Observing System Multi-angle Imaging SpectroRadiometer Level 1 cloud detection algorithm theoretical basis. 1999. 102 p.
[105] Durre I., Vose R.S., Wuertz D.B. Overview of the Integrated Global Radiosonde Archive // J.
Climate. 2006. V. 19. № 1. P. 53–68.
[106] ECMWF Newsletter No. 110 — Winter 2006/07. / Riddaway B. (ed.). Reading: European Centre
for Medium-Range Weather Forecasts. 2007. 53 p.
[107] Eliseev A.V., Chernokulsky A.V., Karpenko A.A., Mokhov I.I. Global warming mitigation by sulphur loading in the stratosphere: dependence of required emissions on allowable residual warming
rate // Theor. Appl. Climatol. 2010. V. 101. № 1–2. P. 67–81.
[108] Eliseev A.V., Le Treut H., Mokhov I.I., Doutriaux-Boucher M., A.V. Chernokulsky Validation of
TOA radiation and clouds simulated by different versions of LMD GCM in comparison to satellite
and ground–based data // Izvestiya, Atmos. Ocean Phys. 2003. V. 39. № Suppl.I. P. S15–S26.
[109] Eliseev A.V., Mokhov I.I., Chernokulsky A.V., A.A. Karpenko Global warming mitigation by
sulphur loading in the atmosphere: Required emissions and possible side effects. // Geophysical
Research Abstracts. V.11. 2009. 4831 p.
[110] Eliseev A.V., Mokhov I.I., Chernokulsky A.V., Karpenko A.A. Estimating efficiency of the controlled sulphur emissions in the stratosphere to mitigate global warming. // Trans. AGU, Fall
Meet. Suppl. 89(53) 2008. P. U41E–04.
[111] Evan A.T., Heidinger A.K., Vimont D.J. Arguments against a physical long–term trend in global
ISCCP cloud amounts // Geophys. Res. Lett. 2007. V. 34. P. L04701.
[112] Fougnie B., Bracco G., Lafrance B., Ruffel C. et al. PARASOL in-flight calibration and performance // Appl. Opt. 2007. V. 46. № 22. P. 5435–5451.
[113] Frey R.A., Ackerman S.A., Liu Y.H., Strabala K.I. et al. Cloud detection with MODIS. Part I:
Improvements in the MODIS cloud mask for collection 5 // J. Atmos. Oceanic Technol. 2008.
V. 25. № 7. P. 1057–1072.
168
[114] Geleyn J.-F., Hollingsworth A. An economical analytical method for the computation of the
interaction between scaterring and line absorption of radiation // Beitr. Phys. Atmos. 1979.
V. 52. P. 1–16.
[115] Groisman P.Ya., Bradley R.S., Sun B. The Relationship of Cloud Cover to Near-Surface Temperature and Humidity: Comparison of GCM Simulations with Empirical Data // J. Climate. 2000.
V. 13. № 11. P. 1858–1878.
[116] Groisman P.Ya., Sherstyukov B.G., Razuvaev V.N., Knight R.W. et al. Potential forest fire danger
over Northern Eurasia: Changes during the 20th century // Glob. Planet. Change. 2007. V. 56.
№ 3–4. P. 371–386.
[117] Grzegorski M., Wenig M., Platt U., Stammes P. et al. The Heidelberg iterative cloud retrieval
utilities (HICRU) // Atmos. Chem. Phys. 2006. V. 6. № 2. P. 4461–4476.
[118] Gupta S.K., Staylor W.F., Darnell W.L., Wilber A.C., Ritchey N.A. Seasonal Variation of Surface
and Atmospheric Cloud Radiative Forcing Over the Globe Derived From Satellite Data // J.
Geophys. Res. 1993. V. 98. № D11. P. 20,761–20,778.
[119] Hahn C.J., Warren S.G. Extended Edited Synoptic Cloud Reports from Ships and Land Stations
Over the Globe, 1952–1996. NDP–026C. Oak Ridge, TN: 1999. 71 p.
[120] Hahn C.J., Warren S.G. Cloud Climatology for Land Stations Worldwide, 1971–96. NDP–026D.
Oak Ridge, TN: 2003. 35 p.
[121] Hahn C.J., Warren S.G. A Gridded Climatology of Clouds over Land (1971–96) and Ocean
(1954–97) from Surface Observations Worldwide (NDP–026E). Oak Ridge, TN: 2007. 71 p.
[122] Hahn C.J., Warren S.G., London J. The Effect of Moonlight on Observation of Cloud Cover at
Night, and Application to Cloud Climatology // J. Climate. 1995. V. 8. № 5. P. 1429–1446.
[123] Hansen J., Ruedy R., Glascoe J., Sato M. GISS analysis of surface temperature change // J.
Geophys. Res. 1999. V. 104. № D4. P. 30,997–31,022.
[124] Hansen J., Sato M., Ruedy R., Nazarenko L. et al. Efficacy of climate forcings // J. Geophys.
Res. 2005. V. 110. P. D18104.
[125] Hansen M., DeFries R., Townshend J.R.G., Sohlberg R. Global land cover classification at 1km
resolution using a decision tree classifier // Int. J. Remote Sensing. 2000. V. 21. P. 1331–1365.
169
[126] Heidinger A.K. CLAVR-x Cloud mask algorithm theoretical basis document (ATBD). Washington,
D.C.: 2004. 68 p.
[127] Henderson-Sellers A. Continental cloudiness changes this century // GeoJ. 1992. V. 27. № 3.
P. 255–262.
[128] Hines K.M., Bromwich D.H., Marshall G.J. Artificial Surface Pressure Trends in the NCEP–NCAR
Reanalysis over the Southern Ocean and Antarctica // J. Climate. 2000. V. 13. № 22. P. 3940–3952.
[129] Hofmann D.J., Solomon S. Ozone Destruction Through Heterogeneous Chemistry Following the
Eruption of El Chichón // J. Geophys. Res. 1989. V. 94. № D4. P. 5029–5041.
[130] Hughes N.A. Global Cloud Climatologies: A Historical Review // J. Appl. Meteor. 1984. V. 23.
№ 5. P. 724–751.
[131] IPCC, 2001. Climate Change 2001: The Scientific Basis. Contribution of Working Group I to the
Third Assessment Report of the Intergovernmental Panel on Climate Change. / Houghton J.T.,
Ding Y., Griggs D.J., Noguer M. et al. (eds.). Cambridge, United Kingdom and New York, NY,
USA: Cambridge University Press. 2001. 881 p.
[132] IPCC, 2007. Climate Change 2007: The Physical Science Basis. Contribution of Working Group I
to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. / Solomon
S., Qin D., Manning M., Chen Z. et al. (eds.). Cambridge, United Kingdom and New York, NY,
USA: Cambridge University Press. 2007. 996 p.
[133] Jacobowitz H., Stowe L.L., Ohring G, Heidinger A. et al. The Advanced Very High Resolution Radiometer Pathfinder Atmosphere (PATMOS) Climate Dataset: A Resource for Climate Research
// Bull. Amer. Met. Soc. 2004. V. 84. № 6. P. 785–793.
[134] Jakob C. Cloud Cover in the ECMWF Reanalysis // J. Climate. 1999. V. 12. № 4. P. 947–959.
[135] Jevrejeva S., Moore J.C., Grinsted A. Influence of the arctic oscillation and El Nino-Southern
Oscillation (ENSO) on ice conditions in the Baltic Sea: The wavelet approach // J. Geophys. Res.
2004. V. 108. № D21. P. 4677.
[136] Jin Y., Rossow W.B., Wylie D.P. Comparison of the Climatologies of High-Level Clouds from
HIRS and ISCCP // J. Climate. 1996. V. 9. № 11. P. 2850–2879.
170
[137] Jones A., Haywood J., Boucher O. A comparison of the climate impacts of geoengineering by
stratospheric SO2 injection and by brightening of marine stratocumulus cloud // Atmos. Sci.
Lett. [published online], 2010. .
[138] Jones P.D., New M., Parker D.E., Martin S., Rigor I.G. Surface air temperature and its variations
over the last 150 years // Rev. Geophys. 1999. V. 37. № 2. P. 173–199.
[139] Kanamitsu M., Ebisuzaki W., Woollen J., Yang S.K. et al. NCEP–DOE AMIP–II Reanalysis
(R–2) // Bull. Amer. Met. Soc. 2002. V. 83. № 11. P. 1631–1643.
[140] Kanamitsu M., Kistler R.E., Reynolds R.W. NCEP/NCAR reanalysis and the use of satellite
data // Adv. Space Res. 1997. V. 19. № 3. P. 481–489.
[141] Kasischke E.S., Hyer E.J., Novelli P.C., Bruhwiler L.P. et al. Influences of boreal fire emissions
on Northern Hemisphere atmospheric carbon and carbon monoxide // Glob. Biogeochem. Cycles.
2005. V. 19. P. GB1012.
[142] Keeling C.D., Chin J.F.S., Whorf T.P. Increased activity of northern vegetation inferred from
atmospheric CO2 measurements // Nature. 1996. V. 382. P. 146 – 149.
[143] Kent G.S., Sage K.H., Trepte C.R., Wang P.-H. Stratospheric Aerosol and Gas Experiment III
cloud data product // Appl. Opt. 2007. V. 46. № 8. P. 1261–1278.
[144] Key J. The Cloud and Surface Parameter Retrieval (CASPR) system for polar AVHRR user’s
guide. Madison: 2002. 61 p.
[145] Kistler R., Kalnay E., Collins W., Saha S. et al. The NCEP–NCAR 50–Year Reanalysis: Monthly
Means CD–ROM and Documentation // Bull. Amer. Met. Soc. 2001. V. 82. № 2. P. 247–267.
[146] Koelemeijer R.B.A., de Haan J.F., Stammes P. A database of spectral surface reflectivity in the
range 335–772 nm derived from 5.5 years of GOME observations // J. Geophys. Res. 2003. V. 108.
№ D2. P. D24070.
[147] Koelemeijer R.B.A., Stammes P., Hovenier J.W., de Haan J.F. A fast method for retrieval of cloud
parameters using oxygen A–band measurements from the Global Ozone Monitoring Experiment
// J. Geophys. Res. 2001. V. 106. № D4. P. 3475–3490.
[148] Kokhanovsky A.A., Rozanov V.V., Nauss T., Reudenbach C. et al. The semianalytical cloud
retrieval algorithm for SCIAMACHY I. The validation // Atmos. Chem. Phys. 2005. V. 6. № 7.
P. 1905–1911.
171
[149] Leemans R., Cramer W.P. The IIASA database for mean monthly values of Temperature, Precipitation, and Cloudiness on a global terrestrial grid. Laxenburg, Austria: Novographic. 1991.
62 p.
[150] Lian M.S., Cess R.D. Energy Balance Climate Models: A Reappraisal of Ice-Albedo Feedback //
J. Atmos. Sci. 1977. V. 34. № 7. P. 1058–1062.
[151] Loyola D. Automatic cloud analysis from polar-orbiting satellites using neural network and data fusion techniques. // Proceedings of the IEEE international geoscience and remote sensing
symposium, IGARSS’2004 Anchorage, Alaska: IEEE. 2004. 2530–2534 p.
[152] Maddux B.C., Ackerman S.A., Platnick S. Viewing Geometry Dependencies in MODIS Cloud
Products // J. Atmos. Oceanic Technol. 2010. V. 27. № 9. P. 1519–1528.
[153] Marti O., Braconnot P., Bellier J., Benshila R. et al. The new IPSL climate system model:
IPSL-CM4. Note du Pole de Modelisation.. Paris, France: 2005. 84 p.
[154] Matthews H.D., Caldeira K. Transient climate-carbon simulations of planetary geoengineering //
Proc. Nat. Acad. Sci. 2007. V. 104. № 24. P. 9949–9954.
[155] Meehl G.A., Covey C., Delworth T., Latif M. et al. The WCRP CMIP3 Multimodel Dataset: A
New Era in Climate Change Research // Bull. Amer. Met. Soc. 2007. V. 88. № 9. P. 1383–1394.
[156] Meshcherskaya A.V., Blazhevich V.G. The Drought and Excessive Moisture Indices in a Historical
Perspective in the Principal Grain-Producing Regions of the Former Soviet Union // J. Climate.
1997. V. 10. № 10. P. 2670–2682.
[157] Miller D.B., Feddes R.G. Global atlas of relative cloud cover. Washington, D.C.: 1971. 140 p.
[158] Minnis P. Viewing zenith angle dependence of cloudiness determined from coincident GOES East
and GOES West data // J. Geophys. Res. 1989. V. 94. № D2. P. 2303–2320.
[159] Minnis P., Trepte Q.Z., Sun-Mack S., Chen Y. et al. Cloud Detection in Nonpolar Regions for
CERES Using TRMM VIRS and Terra and Aqua MODIS Data // IEEE Trans. Geosci. Remote
Sens. 2008. V. 46. № 11. P. 3857 – 3884.
[160] Minnis P., Young D.F., Sun-Mack S., Heck P.W. et al. CERES cloud property retrievals from
imagers on TRMM, Terra, and Aqua. // Remote Sensing of Clouds and the Atmosphere VIII /
Schaefer K.P., Comeron A., Carleer M.R., Picard R.H. (eds.). 5235 2004. P. 37–48.
172
[161] Mitchell T.D, Carter T.R., Jones P.D., Hulme M., New M. A comprehensive set of high-resolution
grids of monthly climate for Europe and the globe: the observed record (1901–2000) and 16
scenarios (2001–2100). Norwich, UK: 2004. .
[162] Mitchell T.D., Jones P.D. An improved method of constructing a database of monthly climate
observations and associated high-resolution grids // Int. J. Climatol. 2005. V. 25. № 6. P. 693–712.
[163] Mokhov I.I. Global cloudiness: Tendencies of change. // ISPP-7 «Piero Caldirola», Controlled
Active Global Experiments (CAGE) / Sindon E., Wong A.Y. (eds.). Bologna, Italy: Societa Ialiana
di Fisica. 1991. P. 19–37.
[164] Mokhov I.I., Akperov M.G., Chernokulsky A.V., Dufresne J.-L., Le Treut H. Comparison of
cloudiness and cyclonic activity changes over extratropical latitudes in Northern Hemisphere from
model simulations and from satellite and reanalysis data. // Research Activities in Atmospheric
and Oceanic Modelling / Cote J. (ed.). WMO/TD-No.1397 Geneva: WMO. 2007. P. 07.15–07.16.
[165] Mokhov I.I., Chernokulsky A.V. Global cloudiness: Tendencies of Change from ISCCP data. //
Research Activities in Atmospheric and Oceanic Modelling / Cote J. (ed.). WMO/TD-No.1161
Geneva: WMO. 2003. P. 02.07–02.08.
[166] Mokhov I.I., Chernokulsky A.V. Potential fire regimes in regions of Northern Eurasia from meteorological observations and reanalysis. // Research Activities in Atmospheric and Oceanic Modelling / Cote J. (ed.). WMO/TD-No.1347 Geneva: WMO. 2006. P. 02.31–02.32.
[167] Mokhov I.I., Chernokulsky A.V. Global and North Eurasian characteristics of cloudiness. //
Proceedings of 5th International Conference «Atmospheric Physics, Climate, and Environment»
2010. 19 p.
[168] Mokhov I.I., Chernokulsky A.V., Eliseev A.V., Karpenko A.A. Aspects of radiative efficiency of
geoengineering based on climate models of different complexity. // IOP Conference Series: Earth
and Environmental Science. Climate Change: Global Risks, Challenges and Decisions. V.6. 2009.
052020 p.
[169] Mokhov I.I., Chernokulsky A.V., Shkolnik I.M. Changes in summer fire conditions for North
Eurasian mid-latitudes from regional model simulations for the 21st century. // Proceedings of
IUGG XXIV General Assembly 2007. P. JMS015–1229.
[170] Mokhov I.I., Chernokulsky A.V., Shkolnik I.M., Tikhonov V.A. Extreme dry fire conditions
for mid-latitudinal regions of Northern Eurasia: Analysis of observations, reanalyses and model
173
simulations. // The Intern. Symp. on Atmospheric Physics and Chemistry China, Shandong, Qufu:
IAP CAS. 2007. P. 95–97.
[171] Mokhov I.I., Chernokulsky A.V., Tikhonov V.A. Regional changes of extreme dry conditions from
ERA-40 reanalysis data for Northern Eurasia. // Geophysical Research Abstracts. V.7. 2005.
P. A–08938.
[172] Mokhov I.I., Eliseev A.V., Chernokulsky A.V. How efficient is an approach of geoengineering
to mitigate the global warming?. // Proceedings of International Conference on Environmental
Observations, Modeling and Information Systems «ENVIROMIS-2008» 2008. P. 82–83.
[173] Mokhov I.I., Love P.K. Diagnostic of cloudiness evolution in the annual cycle and interannual
variability in the AMIP. // Proceedings of The First International AMIP Scientific Conf. WCRP92, WMO/TD-No.732 1995. P. 49–53.
[174] Mokhov I.I., Schlesinger M.E. Analysis of Global Cloudiness 1. Comparison of Meteor, Nimbus
7, and International Satellite Cloud Climatology Project (ISCCP) Satellite Data // J. Geophys.
Res. 1993. V. 98. № D7. P. 12,849–12,868.
[175] Mokhov I.I., Schlesinger M.E. Analysis of global cloudiness 2. Comparison of ground–based and
satellite-based cloud climatologies // J. Geophys. Res. 1994. V. 99. № D8. P. 17045–17065.
[176] Muller J.-P., Denis M.-A., Dundas R.D., Mitchell K.L. et al. Stereo cloud-top heights and cloud
fraction retrieval from ATSR-2 // Int. J. Remote Sensing. 2007. V. 28. № 9. P. 1921–1938.
[177] Mutlow C.T., Smith D.L, Murray M.J. The Along Track Scanning Radiometer (ATSR) Instruments on ERS-1 and -2 // Earth Obs. Quart. 2000. V. 65. P. 1–5.
[178] Myhre G., Myhre A., Stordal F. Historic evolution of radiative forcing of climate // Atmos.
Environ. 2001. V. 35. № 13. P. 2361–2373.
[179] New M., Hulme M., Jones P.D. Representing Twentieth-Century Space–Time Climate Variability.
Part I: Development of a 1961–90 Mean Monthly Terrestrial Climatology // J. Climate. 1999.
V. 12. № 3. P. 829–856.
[180] New M., Hulme M., Jones P.D. Representing Twentieth-Century Space–Time Climate Variability.
Part II: Development of 1901–96 Monthly Grids of Terrestrial Surface Climate // J. Climate.
2000. V. 13. № 13. P. 2217–2238.
174
[181] Norris J.R. On Trends and Possible Artifacts in Global Ocean Cloud Cover between 1952 and
1995 // J. Climate. 1999. V. 12. № 6. P. 1864–1870.
[182] Norris J.R. Multidecadal changes in near-global cloud cover and estimated cloud cover radiative
forcing // J. Geophys. Res. 2005. V. 110. P. D08206.
[183] North G.R. Theory of energy-balance climate models // J. Atmos. Sci. 1975. V. 11. № 32.
P. 2,033–2,043.
[184] Onogi K., Tsuitsui J., Koide H., Sakamoto M. et al. The JRA–25 Reanalysis // J. Met. Soc.
Japan. 2007. V. 85. № 4. P. 369–432.
[185] Parol F., Buriez J.-C., Vanbauce C., Couvert P. et al. First results of the POLDER «Earth
Radiation Budget and Clouds» operational algorithm // IEEE Trans. Geosci. Remote Sens. 1999.
V. 37. № 3. P. 1597–1612.
[186] Petoukhov V.K., Mokhov I.I., Eliseev A.V., Semenov V.A. The IAP RAS global climate model.
M.: Dialogue–MSU. 1998. 110 p.
[187] Poulsen C., Watts P. Retieval and Validation of Cloud Properties using ATSR-2 Data. // EUMETSAT Meterological Satellite Conference Dublin, Ireland: 2002. .
[188] Quante M. The role of clouds in the climate system // J. Phys. IV France. 2004. V. 121. P. 61–86.
[189] Ramanathan V., Cess R.D., Harrison E.F., Minnis P. et al. Cloud-radiative forcing and climate:
Results from the Earth Radiation Budget Experiment // Science. 1989. V. 243. № 4887. P. 57–63.
[190] Rasch P.J., Crutzen P.J., Coleman D.B. Exploring the geoengineering of climate using stratospheric sulfate aerosols: The role of particle size // Geophys. Res. Lett. 2008. V. 35. P. L02809.
[191] Rienecker M.M., Suarez M.J., Todling R., Bacmeister J. et al. The GEOS-5 Data Assimilation
System–documentation of versions 5.0.1 and 5.1.0 and 5.2.0. / Suarez M.J. (ed.). 2007. 92 p.
[192] Robock A. Volcanic Eruptions and Climate // Rev. Geophys. 2000. V. 38. № 2. P. 191–219.
[193] Rodgers C.D. Retrieval of Atmospheric Temperature and Composition from Remote Measurements of Thermal Radiation // Rev. Geophys. 1976. V. 14. № 4. P. 609–624.
[194] Rossow W.B., Dueñas E.N. The International Satellite Cloud Climatology Project (ISCCP) Web
site — An online resource for research // Bull. Amer. Met. Soc. 2004. V. 85. № 2. P. 167–172.
175
[195] Rossow W.B., Garder L.C. Cloud detection using satellite measurements of infrared and visible
radiances for ISCCP // J. Climate. 1993. V. 6. № 12. P. 2370–2393.
[196] Rossow W.B., Schiffer R.A. Advances in understanding clouds from ISCCP // Bull. Amer. Met.
Soc. 1999. V. 80. № 11. P. 2261–2287.
[197] Rossow W.B., Walker A.W., Garder L.C. Comparison of ISCCP and Other Cloud Amounts //
J. Climate. 1993. V. 6. № 12. P. 2394–2418.
[198] Rossow W.B., Zhang Y.-C. Calculation of surface and top of atmosphere radiative fluxes from
physical quantities based on ISCCP data sets 2. Validation and first results // J. Geophys. Res.
1995. V. 100. № D1. P. 1167–1197.
[199] Sayer A., Poulsen C., Grainger D. GRAPE Output Products Version 3.1. University of Oxford,
Oxford, UK: 2009. 24 p.
[200] Schiffer R.A., Rossow W.B. The International Satellite Cloud Climatology Project (ISCCP): The
First Project of the World Climate Research Programme // Bull. Amer. Met. Soc. 1983. V. 64.
№ 7. P. 779–784.
[201] Schneider S.H. Earth systems engineering and management // Nature. 2001. V. 409. № 6868.
P. 417–421.
[202] Smith S.J., Pitchera H., Wigley T.M.L. Global and regional anthropogenic sulfur dioxide emissions
// Glob. Planet. Change. 2001. V. 29. № 1–2. P. 99–119.
[203] Smith T.M., Reynolds R.W., Peterson T.C., Lawrimore J. Improvements to NOAA’s Historical
Merged Land–Ocean Surface Temperature Analysis (1880–2006) // J. Climate. 2008. V. 21. № 10.
P. 2283–2296.
[204] Stephens G.L. Cloud Feedbacks in the Climate System: A Critical Review // J. Climate. 2005.
V. 18. № 2. P. 237–273.
[205] Stephens G.L., Vane D.G., Boain R.J., Mace G.G. et al. The CloudSat mission and the A–Train.
A New Dimension of Space-Based Observations of Clouds and Precipitation // Bull. Amer. Met.
Soc. 2002. V. 83. № 12. P. 1771–1790.
[206] Stowe L., Wellemeyer C., Eck T., Yeh H., cloud data procecessing team The Nimbus-7 Nimbus-7
Global Cloud Climatology. part I: Algorithms and Validation // J. Climate. 1988. V. 1. № 5.
P. 445–470.
176
[207] Stowe L.L., Davis P.A., McClain E.P. Scientific basis and initial evaluation of the CLAVR-1
global clear/cloud classification algorithm for the Advanced Very High Resolution Radiometer //
J. Atmos. Oceanic Technol. 1999. V. 16. № 6. P. 656–681.
[208] Stubenrauch C.J., Chédin A., Armante R., Scott N.A. Clouds as Seen by Satellite Sounders (3I)
and Imagers (ISCCP). Part II: A New Approach for Cloud Parameter Determination in the 3I
Algorithms // J. Climate. 1999. V. 12. № 8. P. 656–681.
[209] Stubenrauch C.J., Chédin A., Rädel G., Scott N.A., Serrar S. Cloud Properties and Their Seasonal
and Diurnal Variability from TOVS Path–B // J. Climate. 2006. V. 19. № 21. P. 5531–5553.
[210] Stubenrauch C.J., Cros S., Lamquin N., Armante R. et al. Cloud properties from Atmospheric
Infrared Sounder and evaluation with Cloud–Aerosol Lidar and Infrared Pathfinder Satellite Observations // J. Geophys. Res. 2008. V. 113. P. D00A10.
[211] Stubenrauch C.J., and GEWEX cloud assessment group. Assessment of global cloud climatologies.
// 4th Pan–GCSS Meeting on «Advances on Modelling and Observing Clouds and Convection».
Toulouse, France: 2008. .
[212] Sukhinin A.I., French N.H, Kasischke E.S., Hewson J.H. et al. AVHRR-based mapping of fires in
Russia: New products for fire management and carbon cycle studies // Remote Sens. Environ.
2004. V. 93. № 4. P. 546–564.
[213] Sun B., Groisman P.Y., Mokhov I.I. Changes in Cloud-Type Frequency and Inferred Increases
in Convection over the United States and the Former USSR // J. Climate. 2001. V. 14. № 8.
P. 1864–1880.
[214] Susskind J., Reuter D., Chahine M.T. Cloud Fields Retrieved From Analysis of HIRS2/MSU
Sounding Data // J. Geophys. Res. 1987. V. 92. № D4. P. 4035–4050.
[215] Taylor K.E. Summarizing multiple aspects of model performance in a single diagram // J.
Geophys. Res. 2001. V. 106. № D7. P. 7183–7192.
[216] Thomas S.M., Heidinger A.K., Pavolonis M.J. Comparison of NOAA’s Operational AVHRRDerived Cloud Amount to Other Satellite-Derived Cloud Climatologies // J. Climate. 2004.
V. 17. № 24. P. 4805–4822.
[217] Tilmes S., Müller R., Salawitch R. The Sensitivity of Polar Ozone Depletion to Proposed Geoengineering Schemes // Science. 2008. V. 320. № 5880. P. 1201–1204.
177
[218] Torrence C., Compo G.P. A Practical Guide to Wavelet Analysis // Bull. Amer. Met. Soc. 1998.
V. 79. № 1. P. 61–78.
[219] Trenberth K.E., Dai A. Effects of Mount Pinatubo volcanic eruption on the hydrological cycle as
an analog of geoengineering // Geophys. Res. Lett. 2007. V. 34. P. L15702.
[220] Trenberth K.E., Fasullo J.T., Kiehl J. Earth’s Global Energy Budget // Bull. Amer. Met. Soc.
2009. V. 90. № 3. P. 311–323.
[221] Trepte Q., Chen Y., Sun-Mack S., Minnis P. et al. Scene identification for the CERES cloud analysis subsystem. // Proceedings of the AMS 10th Conference on Atmospheric Radiation Boston:
Am. Meteorol. Soc.. 1999. 169–172 p.
[222] Uppala S.M., Kallberg P.W., Simmons A.J., Andrae U. et al. The ERA–40 re–analysis // Quart.
J. R. Met. Soc. 2005. V. 131. № 612. P. 2961–3012.
[223] Venevsky S., Thonicke K., Sitch S., Cramer W. Simulating fire regimes in human-dominated
ecosystems: Iberian Peninsula case study // Glob. Change Biol. 2002. V. 8. № 10. P. 984–998.
[224] Vygodskaya N.N., Groisman P.Ya, Tchebakova N.M., Kurbatova J.A. et al. Ecosystems and
climate interactions in the boreal zone of northern Eurasia // Environ. Res. Lett. 2007. V. 4. № 4.
P. 045033.
[225] Wang L., Qu J.J., Xiong J., Hao X. et al. A preliminary study of Aqua/MODIS snow coverage continuity with simulated band 6. // Remote Sensing and Modeling of Ecosystems for Sustainability
III / Gao W., Ustin S.L. (eds.). 6298 2006. .
[226] Wang P., Stammes P., van der A R., Pinardi G., van Roozendael M. FRESCO+: an improved
O2 A–band cloud retrieval algorithm for tropospheric trace gas retrievals // Atmos. Chem. Phys.
2008. V. 8. № 21. P. 6565–6576.
[227] Wang P.-H., Veiga R.E., Vann L.B., Minnis P., Kent G.S. A further study of the method for
estimation of SAGE II opaque cloud occurrence // J. Geophys. Res. 2001. V. 106. № D12.
P. 12603–12613.
[228] Wang X., Key J.R. Arctic Surface, Cloud, and Radiation Properties Based on the AVHRR Polar
Pathfinder Dataset. Part I: Spatial and Temporal Characteristics // J. Climate. 2005. V. 18. № 4.
P. 2558–2574.
178
[229] Warren S.G., Eastman R.M., Hahn C.J. A Survey of Changes in Cloud Cover and Cloud Types
over Land from Surface Observations // J. Climate. 2007. V. 20. № 4. P. 717–738.
[230] Weare B.C., Mokhov I.I. Evaluation of Total Cloudiness and Its Variability in the Atmospheric
Model Intercomparison Project // J. Climate. 1995. V. 8. № 9. P. 2224–2238.
[231] Weaver C.P. Efficiency of storm tracks an important climate parameter? The role of cloud radiative
forcing in poleward heat transport // J. Geophys. Res. 2003. V. 108. № D1. P. 4018.
[232] Wielicki B.A., Barkstrom B.R., Harrison E.F., Lee G., R.B. Louis Smith, Cooper J.E. Clouds and
the Earth’s Radiant Energy System (CERES): An Earth Observing System Experiment // Bull.
Amer. Met. Soc. 1996. V. 77. № 5. P. 853–868.
[233] Wigley T.M.L. A combined mitigation/geoengineering approach to climate stabilization // Science. 2006. V. 314. № 5798. P. 452–454.
[234] Williams K.D., Tselioudis G. GCM intercomparison of global cloud regimes: Present-day evaluation and climate change response // Clim. Dyn. 2007. V. 29. № 2–3. P. 231–250.
[235] Winker D.M., Vaughan M.A., Omar A., Hu Y. et al.
Overview of the CALIPSO Mission
and CALIOP Data Processing Algorithms // J. Atmos. Oceanic Technol. 2009. V. 26. № 11.
P. 2310–2323.
[236] Worley S.J., Woodruff S.D., Reynolds R.W., Lubker S.J., Lott N. ICOADS Release 2.1 data and
products // Int. J. Climatol. 2005. V. 25. P. 823–842.
[237] Wylie D.P. Diurnal Cycles of Clouds and How They Affect Polar-Orbiting Satellite Data // J.
Climate. 2008. V. 21. № ??. P. 3989–3996.
[238] Wylie D.P., Jackson D.L., Menzel W.P., Bates J.J. Trends in Global Cloud Cover in Two Decades
of HIRS Observations // J. Climate. 2005. V. 18. № 15. P. 3021–3031.
[239] Wylie D.P., Menzel W.P., Woolf H.M., Strabala K.I. Four years of global cirrus cloud statistics
using HIRS // J. Climate. 1994. V. 7. № 12. P. 1972–1986.
[240] Zhang M.H., Lin W.Y., Klein S.A., Bacmeister J.T. et al. Comparing clouds and their seasonal
variations in 10 atmospheric general circulation models with satellite measurements // J. Geophys.
Res. 2005. V. 110. P. D15S02.
179