[논문 리뷰] Recent Weakening of the Global Radiative Feedback

Senne Van Loon, Maria Rugenstein외 2명|arXiv (Cornell University)|2026. 03. 12.

Climate variability and models인용 수 0

한 줄 요약

저자들은 기후 모델 시뮬레이션에서 학습된 컨볼루션 신경망을 사용하여 2025년까지 지구 복사 피드백 매개변수 lambda의 역사적 및 최근 변화를 추정하고, 1990년대 이후 피드백이 약화되었으며 그 원인은 대부분 남동태평양 인근의 패턴 때문이라고 판단한다.

ABSTRACT

Earth's climate stability, characterized by the global radiative feedback parameter ($λ$), varies decadally due to changing surface temperature patterns. Recent variations in $λ$ are poorly understood as coordinated model simulations typically end in 2014. We apply a convolutional neural network trained on climate model simulations to observation-based surface temperature reconstructions to estimate variations in $λ$ up to 2025. We find that $λ$ reached a minimum (maximum stability) around the mid 1990s ($λ\simeq\SI{-3}{Wm^{-2}/K}$), but has since weakened significantly ($λ\simeq\SI{-2}{Wm^{-2}/K}$). We confirm these results with climate model simulations extended to 2022. The recent $λ$ weakening is not significantly affected by El Niño Southern Oscillation or Pacific Decadal Oscillation. Attribution reveals that warming in the subtropical Northeast Pacific is an important driver of the recently weakened feedback, confirmed by targeted experiments in E3SMv2. Our approach enables near real-time monitoring of Earth's climate stability.

연구 동기 및 목표

• 관찰 기반의 표면 온도 패턴을 사용하여 λ가 관측 기반의 표면 온도에서 추정될 때 10년 단위의 시계열로 어떻게 변하는지 평가한다.
• CNN을 기후 모델 시뮬레이션으로 학습시켜 엔드 연도 이후까지 λ 추정을 확장한다.
• SHAP를 이용한 attribution 맵을 통해 λ의 지역별 패턴 기여를 확인한다.
• 최근 λ 변동에서 ENSO와 PDO의 역할을 조사하고 원인을 규명한다.
• CNN 기반의 λ 추정을 확장된 기후 모델 런 및 위성 기반 추정과 비교한다.

제안 방법

• 역사적 표면 온도 이상값에서 전역 복사 반응 R과 lambda를 예측하도록 CNN을 학습한다.
• 관측 제약과 일치시키기 위해 CFMIP amip-piForcing 데이터에서 CNN을 미세 조정한다.
• 학습된 CNN을 2025년까지 추론을 위해 표면 온도 재구성에 적용한다.
• 각 격자 상자 및 지역 패턴의 기여도를 분해하기 위해 SHAP 값을 사용한다.
• Delta T 대비 기울기로 R의 시간에 따른 lambda(t)를 30년 창으로 계산한다.
• CNN 파생 lambda를 확장된 AGCM 런 및 위성 기반 lambda 추정값과 비교한다.

Figure 1 : (a) The global feedback parameter $\lambda$ estimated from AGCMs that contributed amip-piForcing experiments to CMIP6 (CFMIP, blue, ending in 2014), an extended amip-piForcing experiment in HadGEM3-GC31-LL (green, ending in 2020), AMIP-F2010 experiments in E3SMv2 (orange, ending in 2022),

실험 결과

연구 질문

• RQ1 관측 기반의 표면 온도 패턴에서 20세기와 21세기 초에 걸친 전역 복사 피드백 매개변수 lambda가 어떻게 변해 왔는가?
• RQ2 2010년 이후 최근의 lambda 약화가 주로 Northeast Pacific의 지역 온도 패턴 변화에 의해 좌우되는가?
• RQ3 λ의 10년 단위 변동에 ENSO와 PDO가 어느 정도 영향을 미치는가?
• RQ4 λ 변화에 가장 크게 기여하는 지역 패턴은 무엇이며, 짧은파/장파, 맑은 하늘/구름 등의 서로 다른 분해 방식이 이를 어떻게 알려주는가?
• RQ5 CNN 기반의 λ 추정은 확장된 기후 모델 시뮬레이션과 위성 기반 추정과 어떻게 비교되는가?

주요 결과

• λ는 1990년대 중반에 최소값(최대 안정성)을 보였고 λ ≃ -3 W m-2 K-1이었으나 그 이후 약화되어 λ ≃ -2 W m-2 K-1로 되었다.
• CNN 기반 추정이 2025년까지 확장되고 모델 시뮬레이션이 2022년까지 확장되며 최근 λ의 약화를 확인한다.
• 온도 재구성에서 ENSO나 PDO 효과를 제거해도 관측된 약화를 제거하지 못해 거의 강제된 패턴 효과를 나타낸다.
• 남동태평양의 warming이 최근 λ 약화의 중요한 원인으로 확인되며, 이를 E3SMv2 실험으로 뒷받침한다.
• 지역 기여도는 NEP, Niño 3, 및 다른 태평양 지역이 λ 변화에 기여하며 CNN에서 land temperature가 λ의 크기에 현저히 기여한다.
• E3SMv2에서 λ의 분해는 모든 구성요소(짧은파/긴파, 맑은 하늘/구름)가 1985-2014 이후 약화하며 남극 해빙 변화가 SW 맑은 하늘 피드백에 영향을 줄 수 있다.

Figure 2 : Attribution of changes in the global radiative feedback parameter. Panels a-c show the surface temperature patterns (linear regression slope of local temperature against global mean temperature). Panels d-f show the local contribution to the feedback parameter. The sum over all grid boxes