Päivitän aiemmin laskemaani regressiomallia auringon vaikutuksella:
http://keskustelu.suomi24.fi/show.fcgi?category=2000000000000020&conference=4500000000001776&posting=22000000036817478#22000000036817478
Hain auringonpilkkuluvut (SSN) ja laskin laskin niille Hodrick-Prescott-suodatuksen (http://en.wikipedia.org/wiki/Hodrick-Prescott_filter ). Suodatin siis pois syklisen komponentin, jotta saisin selville pitempiaikaisen trendin auringonpilkkuluvuissa. Tästä sain tulokseksi aikasarja vuosille 1880-2000.
Tämän jälkeen laskin kolme regressiomallia:
(1) T = A * SSN B
(2) T = A * CO2 B
(3) T = A * CO2 B * SSN C
Kuva: http://i35.tinypic.com/96dtg0.png
Ensimmäinen malli, jossa on pelkkä auringon vaikutus, selittää lämpötilan muutokset huonoiten, selitysaste on noin 0.57
Toinen malli, jossa on pelkkä hiilidioksidin vaikutus, selittää lämpötilan muutokset huomattavasti edellistä mallia paremmin, selitysaste on noin 0.75.
Kolmas malli, jossa on sekä hiilidioksidin että auringon vaikutus, selittää lämpötilan muutokset parhaiten, selitysaste on noin 0.78.
On mielenkiintoista huomata, että kun lisäämme auringon vaikutuksen malliin, se parantaa vain hieman selitysastetta. Hiilidioksidi näyttäisi siis olevan melkoisen selitysvoimainen pakote.
Nyt voidaan arvioida ilmastosysteemin sisäisen vaihtelun suuruutta, kun tärkeimpien ulkoisten pakotteiden vaikutus on poistettu, kuten täällä esitettiin:
http://keskustelu.suomi24.fi/show.fcgi?category=2000000000000020&conference=4500000000001776&posting=22000000037441696
Kolmannen mallin residuaalit antanevat siis jonkinlaisen arvion sisäisen vaihtelun suuruudesta.
Kuva: http://i37.tinypic.com/wve3ad.png
Kun auringon ja hiilidioksidin vaikutus poistetaan, jää jäljelle vaihtelu, jonka suuruus on suurimmillaan luokkaa /- 0.2 astetta.
http://keskustelu.suomi24.fi/show.fcgi?category=2000000000000020&conference=4500000000001776&posting=22000000036817478#22000000036817478
Hain auringonpilkkuluvut (SSN) ja laskin laskin niille Hodrick-Prescott-suodatuksen (http://en.wikipedia.org/wiki/Hodrick-Prescott_filter ). Suodatin siis pois syklisen komponentin, jotta saisin selville pitempiaikaisen trendin auringonpilkkuluvuissa. Tästä sain tulokseksi aikasarja vuosille 1880-2000.
Tämän jälkeen laskin kolme regressiomallia:
(1) T = A * SSN B
(2) T = A * CO2 B
(3) T = A * CO2 B * SSN C
Kuva: http://i35.tinypic.com/96dtg0.png
Ensimmäinen malli, jossa on pelkkä auringon vaikutus, selittää lämpötilan muutokset huonoiten, selitysaste on noin 0.57
Toinen malli, jossa on pelkkä hiilidioksidin vaikutus, selittää lämpötilan muutokset huomattavasti edellistä mallia paremmin, selitysaste on noin 0.75.
Kolmas malli, jossa on sekä hiilidioksidin että auringon vaikutus, selittää lämpötilan muutokset parhaiten, selitysaste on noin 0.78.
On mielenkiintoista huomata, että kun lisäämme auringon vaikutuksen malliin, se parantaa vain hieman selitysastetta. Hiilidioksidi näyttäisi siis olevan melkoisen selitysvoimainen pakote.
Nyt voidaan arvioida ilmastosysteemin sisäisen vaihtelun suuruutta, kun tärkeimpien ulkoisten pakotteiden vaikutus on poistettu, kuten täällä esitettiin:
http://keskustelu.suomi24.fi/show.fcgi?category=2000000000000020&conference=4500000000001776&posting=22000000037441696
Kolmannen mallin residuaalit antanevat siis jonkinlaisen arvion sisäisen vaihtelun suuruudesta.
Kuva: http://i37.tinypic.com/wve3ad.png
Kun auringon ja hiilidioksidin vaikutus poistetaan, jää jäljelle vaihtelu, jonka suuruus on suurimmillaan luokkaa /- 0.2 astetta.
Vastaukset 25
Vanhimmat
Kieltämättä vaikuttavaa työtä jos on tosiaan itse laskettua, etenkin kun sen julkaisualusta on tämä palsta. Onnittelut nettimaisterille!
Ainoa kysymys on miksi analyysi loppuu vuoteen 2000? Veivaappa se samalla vaivalla tähän päivään.
vuoteen 2000, koska silloin alko viilenemään, eikä käppyrät olis kivoja, jos ne osoittas alaspäin ja co2 vaikutus ei olis mieleinen.
Jos auringonpilkut oikeasti selittivät selitysasteeltaan 57% lämpötilan muutoksista (mitä itse pidän tällaisessa monimuuttujaisessa systeemissä valtavan suurena lukuna) niin muille riippumattomille selittäville tekijöille jää yhteensä 43%. Kun kuitenkin saat CO2:lle arvon 75%, niin herääkin kysymys, mitä nuo selitysasteesi ovat?
Ja toinen kysymys on sitten se, onko CO2 ja auringonpilkut riippumattomia tekijöitä. Ja jos ne ovat riippuvaisia toisistaan (siis keskenään korreloivia) niin voidaanko kausaalisuudesta sanoa mitään, eli kumpi ilmiö on syy ja kumpi seuraus?
Kiitos asiallisesta viestistäsi, johon pyrin kykyjeni mukaan vastaamaan.
Järki sen sanoo, että auringonpilkut eivät ainakaan riipu maan ilmakehän CO2-pitoisuudesta.
Tuo, että molempien tekijöiden kanssa selitys kasvakaan paljon, kielii sen puolesta tosiaan, että muuttujien kesken vallitsee voimakas riippuvuus.
Yleensäkään ei ole paljon järkeä kasata malliin voimakasta keskinäistä vuorovaikutusta omaavia selittäjiä, vaikka näin juuri usein tehdäänkin.
Selitysaste yhdellä muuttujalla (auringonpilkut) 57% ei olekaan kovin huono, koska sitä vastaa korrelaatiokerroin 0,755. Tulos on jopa hämmästyttävä, kun ottaa huomioon, miten ilmastonmuutosjutuissa vähätellään auringon aktiivisuuden vaikutusta lämpenemiseen. Selitys aste 75% vastaa korrelaatiokerrointa 0,866. Se tuntuu epäilyttävän suurelta, kun on kyseessä yhden selittäjän CO2 malli.
Olisko mahdoton ajatella, että auringonsäteily lämmittäessään merivettä vapauttaa siihen liuennutta CO2-kaasua ilmakehään? Tämä olisi se muuttujien välinen riippuvuus ja kausaliteetti oikein päin. Tästä selityksestä ilmastotiedemiehet eivät toki tykkää, koska heidän mielestäänhän CO2 on lämpenemisen "pakote" eikä feedback - lämpenemisen seuraus.
Onneksi voin pellenä esittää näinkin tyhmiä välihuomautuksia - näinkin arvovaltaisella keskustelufoorumilla.
Mitä maalaisjärkesi sanoo näistä?
Lämpötila vs. CO2: http://i36.tinypic.com/9acocz.png
Lämpötila vs. SSN: http://i36.tinypic.com/2i7ydso.png
CO2 vs. SSN: http://i33.tinypic.com/10gwj1h.png
Tosi omituinen kolmas kuva!
Siinähän kaikki havaintopisteet sijoittuvat tarkasti jollekin käyrälle eivätkä ole hajonneet satunnaisesti ollenkaan.
Nyt olet joko tehnyt tiedettä tai huijaat.
Kuvassa on voimakas korrelaatio, mutta ei lineaarisen funktion avulla selitettävä riippuvuus.
Horst S.:[Järki sen sanoo, että auringonpilkut eivät ainakaan riipu maan ilmakehän CO2-pitoisuudesta. ]
Voiko luottaa, että kaikkien järki?
Horst S.:[Tuo, että molempien tekijöiden kanssa selitys kasvakaan paljon, kielii sen puolesta tosiaan, että muuttujien kesken vallitsee voimakas riippuvuus.]
Olisipa mukava kuulla joku muu selitys tälle. En itse keksi muuta.
Horst S.:[Selitysaste yhdellä muuttujalla (auringonpilkut) 57% ei olekaan kovin huono, koska sitä vastaa korrelaatiokerroin 0,755.]
Näitä lukuja epäilin siis liian korkeiksi, vaan ei tuo nettimaisteri taida antaa selitystä. Eräs mahdollisuus olisi se, että vaikka puhutaan selitysasteesta, kyse olisikin korrelaatiokertoimesta, jolloin 0,57 "muuttuisi" suuruusluokkaan 0,32, joka olisi hieman paremmin uskottava. Käyrästä katsoen näyttäisi, että vuoden 2000 jälkeen tuo korrelaatio olisi joka tapauksessa huonompi.
Horst S.:[Olisko mahdoton ajatella, että auringonsäteily lämmittäessään merivettä vapauttaa siihen liuennutta CO2-kaasua ilmakehään?]
Tätä varmaan tapahtuu, mutta käsittääkseni auringonpilkut eivät lisää suoraan lämpösäteilyn määrää, vaan vaikutuksen täytyisi olla ketjuttunut, vaikkapa pilvimuodostuksen tai kasvien kasvun lisäyksen kautta.
"Tosi omituinen kolmas kuva!"
Ei lainkaan omituinen.
"Siinähän kaikki havaintopisteet sijoittuvat tarkasti jollekin käyrälle eivätkä ole hajonneet satunnaisesti ollenkaan."
Se, että havaintopisteiden pitäisi sijoittua kuvassa jotenkin muutoin kuin ne nyt sijoittuvat, on vain sinun kuvitelmaasi.
"Nyt olet joko tehnyt tiedettä tai huijaat."
Varsin hupaisaa.
Olet heittänyt ilmaan väitteen, ja kun data ei sitten tuekaan väitettäsi, olet sitä mieltä että sinulle on valehdeltu.
Tätäkö on maalaisjärkesi?
"Kuvassa on voimakas korrelaatio, mutta ei lineaarisen funktion avulla selitettävä riippuvuus."
Kuvalle on hyvin yksinkertainen selitys. Saat ilmaisen vihjeen: vaihda kyseisen kuvan akselit keskenään ja vertaa tulosta kuvan http://i35.tinypic.com/96dtg0.png siniseen käyrään
"Horst S.:[Tuo, että molempien tekijöiden kanssa selitys kasvakaan paljon, kielii sen puolesta tosiaan, että muuttujien kesken vallitsee voimakas riippuvuus.]
Olisipa mukava kuulla joku muu selitys tälle. En itse keksi muuta."
Katsokaa nyt ihmeessä CO2- ja SSN-käyrien muotoja. Ne vihjailevat syystä, jonka ei todellakaan tarvitse olla CO2:den ja SSN:än keskinäinen korrelaatio.
"Eräs mahdollisuus olisi se, että vaikka puhutaan selitysasteesta, kyse olisikin korrelaatiokertoimesta, jolloin 0,57 "muuttuisi" suuruusluokkaan 0,32, joka olisi hieman paremmin uskottava."
Vaan kun näin ei ole. Selitysasteen laskenta on triviaalia: R^2 = SSR/SST = 1 - SSE/SST, missä SSR on sovituksen neliösumma, SSE on residuaalien neliösumma ja SST on kokonaisneliösumma. Yhden muuttujan mallissa R^2 = rxy^2, missä rxy on korrelaatiokerroin.
"Horst S.:[Olisko mahdoton ajatella, että auringonsäteily lämmittäessään merivettä vapauttaa siihen liuennutta CO2-kaasua ilmakehään?]"
On totta, että merten lämpeneminen heikentää hiilidioksidin liukenevuutta niihin. Tämä kuitenkin vain heikentää merten kykyä toimia hiilidioksidinieluina. Toki meristä pääsee hiilidioksidia ilmakehään, mutta merten nettovaikutus on kuitenkin nieluvaikutus. Geologisessa aikaskaalassa merillä on merkittävä vaikutus myös hiilidioksidin lähteinä.
"Tätä varmaan tapahtuu, mutta käsittääkseni auringonpilkut eivät lisää suoraan lämpösäteilyn määrää, vaan vaikutuksen täytyisi olla ketjuttunut, vaikkapa pilvimuodostuksen tai kasvien kasvun lisäyksen kautta."
Auringonpilkut lisäävät suoraan auringon säteilyn määrää.
Mutta nyt hyvät ihmiset...
Voitte tehdä omat analyysinne. Pistän kirjoituksen loppuun datat. Tuttumies voi tarkastaa selitysasteet ja Horst replikoida sen "kummallisen" kuvan. Katsotaan onko teistä Suomen Steve McIntyreiksi.
Jos ei lineaarialgebra ja numeeriset ohjelmistot ole hallussa, Excel varmaankin luonnistuu kaikilta.
time temp co2 ssn
1880 -0.250 290.700 41.116
1881 -0.200 291.200 40.434
1882 -0.230 291.700 39.823
1883 -0.240 292.100 39.255
1884 -0.300 292.600 38.717
1885 -0.310 293.000 38.210
1886 -0.250 293.300 37.751
1887 -0.350 293.600 37.366
1888 -0.270 293.800 37.072
1889 -0.150 294.000 36.872
1890 -0.370 294.200 36.749
1891 -0.280 294.300 36.669
1892 -0.320 294.500 36.578
1893 -0.320 294.600 36.420
1894 -0.330 294.700 36.164
1895 -0.270 294.800 35.809
1896 -0.170 294.900 35.379
1897 -0.120 295.000 34.918
1898 -0.250 295.200 34.470
1899 -0.170 295.500 34.078
1900 -0.100 295.800 33.777
1901 -0.160 296.100 33.590
1902 -0.270 296.500 33.523
1903 -0.310 296.800 33.565
1904 -0.340 297.200 33.686
1905 -0.250 297.600 33.850
1906 -0.200 298.100 34.027
1907 -0.390 298.500 34.204
1908 -0.340 298.900 34.383
1909 -0.350 299.300 34.580
1910 -0.330 299.700 34.823
1911 -0.340 300.100 35.144
1912 -0.340 300.400 35.564
1913 -0.320 300.800 36.089
1914 -0.150 301.100 36.702
1915 -0.090 301.400 37.366
1916 -0.300 301.700 38.024
1917 -0.400 302.100 38.630
1918 -0.320 302.400 39.146
1919 -0.200 302.700 39.578
1920 -0.190 303.000 39.954
1921 -0.130 303.400 40.321
1922 -0.240 303.800 40.721
1923 -0.210 304.100 41.190
1924 -0.210 304.500 41.747
1925 -0.160 305.000 42.386
1926 -0.010 305.400 43.090
1927 -0.130 305.800 43.839
1928 -0.110 306.300 44.628
1929 -0.250 306.800 45.467
1930 -0.070 307.200 46.388
1931 -0.010 307.700 47.434
1932 -0.060 308.200 48.642
1933 -0.170 308.600 50.032
1934 -0.050 309.000 51.600
1935 -0.100 309.400 53.316
1936 -0.040 309.800 55.122
1937 0.080 310.000 56.949
1938 0.110 310.200 58.744
1939 0.030 310.300 60.490
1940 0.050 310.400 62.202
1941 0.110 310.400 63.912
1942 0.030 310.300 65.655
1943 0.100 310.200 67.457
1944 0.200 310.100 69.322
1945 0.070 310.100 71.220
1946 -0.040 310.100 73.087
1947 0.010 310.200 74.833
1948 -0.040 310.300 76.380
1949 -0.060 310.500 77.700
1950 -0.150 310.700 78.800
1951 -0.040 311.100 79.723
1952 0.030 311.500 80.518
1953 0.110 311.900 81.225
1954 -0.100 312.400 81.853
1955 -0.100 313.000 82.370
1956 -0.170 313.600 82.695
1957 0.080 314.200 82.720
1958 0.080 315.289 82.375
1959 0.060 315.971 81.653
1960 -0.010 316.905 80.615
1961 0.080 317.633 79.370
1962 0.040 318.445 78.044
1963 0.080 318.989 76.750
1964 -0.210 319.611 75.575
1965 -0.110 320.038 74.574
1966 -0.030 321.378 73.763
1967 0.000 322.151 73.120
1968 -0.040 323.041 72.607
1969 0.080 324.621 72.196
1970 0.030 325.674 71.885
1971 -0.100 326.315 71.688
1972 0.000 327.452 71.642
1973 0.140 329.672 71.780
1974 -0.080 330.241 72.133
1975 -0.050 331.146 72.712
1976 -0.160 332.149 73.503
1977 0.130 333.895 74.458
1978 0.020 335.500 75.489
1979 0.090 336.846 76.480
1980 0.180 338.683 77.325
1981 0.270 339.927 77.968
1982 0.050 341.125 78.400
1983 0.260 342.777 78.653
1984 0.090 344.421 78.781
1985 0.050 345.901 78.830
1986 0.130 347.147 78.827
1987 0.270 348.926 78.760
1988 0.310 351.481 78.576
1989 0.190 352.902 78.192
1990 0.380 354.183 77.537
1991 0.350 355.587 76.591
1992 0.120 356.370 75.374
1993 0.140 357.033 73.950
1994 0.240 358.880 72.394
1995 0.380 360.873 70.769
1996 0.300 362.638 69.111
1997 0.400 363.758 67.424
1998 0.570 366.622 65.673
1999 0.330 368.305 63.796
2000 0.330 369.473 61.727
Tässä on järkeä, koska pistejoukossa on hajontaa:
Lämpötila vs. CO2: http://i36.tinypic.com/9acocz.png
Tässäkin on järkeä, koska pistejoukossa on hajontaa:
Lämpötila vs. SSN: http://i36.tinypic.com/2i7ydso.png
Tässä ei ole järkeä, koska hajonta on liki olematon ja sen mukaan SSN on CO2:n funktio tai päin vastoin:
CO2 vs. SSN: http://i33.tinypic.com/10gwj1h.png
Kun siinä vaihdetaan y- ja x-akseli, nähdään jokin jaksollinen funktio, jolle varmaan voisi laskea Laplace-muunnoksen. SSN varmaankin on mutkikkaalla tavalla jaksollinen. CO2 ei ole jaksollinen vaan näyttää kasvavan monotonisesti.
Lähinnä tästä tulee mieleen yksi selitys - CO2/SSN-kuvan pisteet on poimittu valmiiksi tasoitetuista aikasarjakuvaajista. Kummatkin aikasarjakäppyrät ovat siis pelkästään ajan funktioita, josta seuraa näennäinen epälineaarinen CO2/SSN-riippuvuus muuttujien välillä. Kuvassa olisi havaintopisteiden hajontaa, jos ne olisivat yksittäisiä vuosikeskiarvoja eikä käyrältä napattuja.
Normaali tapa laskea multiregressio olisi suoraan havainnoista ilman hajonnan esimanipulointia.
Yleensä pyritään ortogonaaliseen regressiomalliin eli muuttujien pitäisi olla lineaarisesti riippumattomia. Voidaan epäillä, että CO2 ja SSN eivät ole ortgonaalisia.
Jos malli laskettaisiin kahdessa vaiheessa, poimittaisiin ensimmäisellä kierroksella paras selittäjä CO2 ja katsottaisiin sitten, selittääkö jäljellä olevaa hajontaa vielä malliin lisättävä SSN tilastollisesti merkittävästi. Valmiita ortogonaaliregression laskentaohjelmia löytynee helposti, ainakin kaupallisia ohjelmapaketteja.
No hyvä, tätä jo itse asiassa kaipasinkin.
Mikä lie lähde sitten onkaan.
"Regressiomallin selityskykyä kuvaa selitysaste R2, joka kertoo kuinka paljon malli selittää kokonaisvaihtelusta"
Joku tuollainen oli mielessäni, jolloin yli 100% yhteisselitysaste vaatii oman selityksensä. No, eiköpähän tuo tuossa selviä, kysehän ei sinun esityksessä kuitenkaan ollut ytäaikaisesta monimuuttujaisesta selitysasteesta, vaan aina kaksimuuttujaiset erikseen.
Asiaa sen verran kiinnosti, että haeskelin netistä prosessoimattomia auringonpilkkulukemia. Niitä ei näytäkään olevan yhtä hyvin tarjolla ihan viime vuosiin, tai ainakin se taulukko päättyi jo jonnekin 1990-luvun tietämiin, mikä sattui ensimmäiseksi vastaan.
Sitä en osaa sanoa, paljoanko minä tai kukaan mukaan tästä kostuu, mutta ehkä tuo auringonpilkkujuttu mulle selviää jne.
Ihan asiallista keskustelua vaihteeksi, kun puhutaan reaalimaailman havaintojen mallintamisesta eikä uskomusten pohjalta juupas eipäs mielipideilmaisua. Aihepiiri on tosi laaja ja mutkikas, kun siihen paneutuu, mutta toivoa sopii, että jotain uutta oivaltaisi vaikka seuraavasta:
http://en.wikipedia.org/wiki/Solar_activity_variations
Kiinnostava juttu on esim ilmakehän C14- ja Be10- isotooppien määrän riippuvuus auringon aktiivisuudesta. Ja varsinkin tämä, että auringonpilkuja on oululaistutkimuksen mukaan vuodesta 1940 ollut enemmän kuin aiemmin 1150 vuoteen.
"Kun siinä vaihdetaan y- ja x-akseli, nähdään jokin jaksollinen funktio, jolle varmaan voisi laskea Laplace-muunnoksen. SSN varmaankin on mutkikkaalla tavalla jaksollinen. CO2 ei ole jaksollinen vaan näyttää kasvavan monotonisesti.
Lähinnä tästä tulee mieleen yksi selitys - CO2/SSN-kuvan pisteet on poimittu valmiiksi tasoitetuista aikasarjakuvaajista. Kummatkin aikasarjakäppyrät ovat siis pelkästään ajan funktioita, josta seuraa näennäinen epälineaarinen CO2/SSN-riippuvuus muuttujien välillä. Kuvassa olisi havaintopisteiden hajontaa, jos ne olisivat yksittäisiä vuosikeskiarvoja eikä käyrältä napattuja."
Katsokaamme tätä kuvaa:
http://www.globalwarmingart.com/images/2/28/Sunspot_Numbers.png
Näemme siinä 11 vuotisen auringonpilkkusyklin hyvin selkeästi. Itse sykli ei ole kiinnostava tässä kontekstissa, vaan sen pitempiaikaiset muutokset, trendi. Nimenomaan tuon trendin on väitetty korreloivan voimakkaasti maapallon keskilämpötilan kanssa (muistelkaamme esim. edesmennyttä TGGWS:ää).
Se SSN-luku, jota käytin laskuissa on nimenomaan tuo pitempiaikainen trendi, kuten jo aloituksessa mainitsin. Ylläolevassa kuvassa trendi on piirretty paksulla mustalla viivalla.
Arvoja ei oltu napattu miltään käyrältä, ne oli laskettu suodattamalla vuotuiset auringonpolkkuluvut käyttäen Hodrick-Prescott -suodatusta (esim. http://business.auburn.edu/~hzk0001/hpfilter.pdf ). Kannattaa lukea viestejä hieman tarkemmin, niin ei tarvitse ihmetellä jo aiemmin kerrottuja asioita.
Ja mikä onkaan sen "kumman" kuvan selitys. Kuten jo hoksasitkin, CO2 kasvaa monotonisesti. Ja koska CO2 ja SSN eivät korreloi keskenään, redusoituu CO2 vs. SSN -kuva yksinkertaisesti SSN:n aikasarjaksi.
"Normaali tapa laskea multiregressio olisi suoraan havainnoista ilman hajonnan esimanipulointia."
Tämä ei aina pidä paikkaansa. Erityisesti tässä tapauksessa emme ole kiinnostuneita SSN:n 11 vuotisesta syklistä vaan sen pitempiaikaisesta trendistä. Suodattamattoman SSN-datan käyttö ei tuota järkevää regressiota, sillä trendi hukkuu syklin amplitudin dominoidessa. Voit todeta tämän kokeilemalla itse (data on kirjoituksen lopussa).
"Yleensä pyritään ortogonaaliseen regressiomalliin eli muuttujien pitäisi olla lineaarisesti riippumattomia. Voidaan epäillä, että CO2 ja SSN eivät ole ortgonaalisia."
CO2 ja SSN eivät ole ortogonaalisia siinä mielessä, että molemmat kasvavat samansuuntaisesti aina noin vuoteen 1940 asti. Tällä on toki merkitystä regressiomallin suhteen. Mutta se ei suinkaan tarkoita sitä, että CO2 ja SSN olisivat toisistaan riippuvaisia (CO2 ei ole SSN:n funktio).
"Jos malli laskettaisiin kahdessa vaiheessa, poimittaisiin ensimmäisellä kierroksella paras selittäjä CO2 ja katsottaisiin sitten, selittääkö jäljellä olevaa hajontaa vielä malliin lisättävä SSN tilastollisesti merkittävästi."
Tämä taisikin jo tulla käsiteltyä. SSN:n lisääminen malliin ei lisännyt mallin selitysvoimaa merkittävästi (enkä nyt käytä edelläolevaa sanaa sen tilastotieteellisessä merkityksessä).
Ja nyt data (SSN on suodattamaton vuosikeskiarvo):
time temp co2 ssn
1880 -0.250 290.700 32.300
1881 -0.200 291.200 54.300
1882 -0.230 291.700 59.700
1883 -0.240 292.100 63.700
1884 -0.300 292.600 63.500
1885 -0.310 293.000 52.200
1886 -0.250 293.300 25.400
1887 -0.350 293.600 13.100
1888 -0.270 293.800 6.800
1889 -0.150 294.000 6.300
1890 -0.370 294.200 7.100
1891 -0.280 294.300 35.600
1892 -0.320 294.500 73.000
1893 -0.320 294.600 85.100
1894 -0.330 294.700 78.000
1895 -0.270 294.800 64.000
1896 -0.170 294.900 41.800
1897 -0.120 295.000 26.200
1898 -0.250 295.200 26.700
1899 -0.170 295.500 12.100
1900 -0.100 295.800 9.500
1901 -0.160 296.100 2.700
1902 -0.270 296.500 5.000
1903 -0.310 296.800 24.400
1904 -0.340 297.200 42.000
1905 -0.250 297.600 63.500
1906 -0.200 298.100 53.800
1907 -0.390 298.500 62.000
1908 -0.340 298.900 48.500
1909 -0.350 299.300 43.900
1910 -0.330 299.700 18.600
1911 -0.340 300.100 5.700
1912 -0.340 300.400 3.600
1913 -0.320 300.800 1.400
1914 -0.150 301.100 9.600
1915 -0.090 301.400 47.400
1916 -0.300 301.700 57.100
1917 -0.400 302.100 103.900
1918 -0.320 302.400 80.600
1919 -0.200 302.700 63.600
1920 -0.190 303.000 37.600
1921 -0.130 303.400 26.100
1922 -0.240 303.800 14.200
1923 -0.210 304.100 5.800
1924 -0.210 304.500 16.700
1925 -0.160 305.000 44.300
1926 -0.010 305.400 63.900
1927 -0.130 305.800 69.000
1928 -0.110 306.300 77.800
1929 -0.250 306.800 64.900
1930 -0.070 307.200 35.700
1931 -0.010 307.700 21.200
1932 -0.060 308.200 11.100
1933 -0.170 308.600 5.700
1934 -0.050 309.000 8.700
1935 -0.100 309.400 36.100
1936 -0.040 309.800 79.700
1937 0.080 310.000 114.400
1938 0.110 310.200 109.600
1939 0.030 310.300 88.800
1940 0.050 310.400 67.800
1941 0.110 310.400 47.500
1942 0.030 310.300 30.600
1943 0.100 310.200 16.300
1944 0.200 310.100 9.600
1945 0.070 310.100 33.200
1946 -0.040 310.100 92.600
1947 0.010 310.200 151.600
1948 -0.040 310.300 136.300
1949 -0.060 310.500 134.700
1950 -0.150 310.700 83.900
1951 -0.040 311.100 69.400
1952 0.030 311.500 31.500
1953 0.110 311.900 13.900
1954 -0.100 312.400 4.400
1955 -0.100 313.000 38.000
1956 -0.170 313.600 141.700
1957 0.080 314.200 190.200
1958 0.080 315.289 184.800
1959 0.060 315.971 159.000
1960 -0.010 316.905 112.300
1961 0.080 317.633 53.900
1962 0.040 318.445 37.600
1963 0.080 318.989 27.900
1964 -0.210 319.611 10.200
1965 -0.110 320.038 15.100
1966 -0.030 321.378 47.000
1967 0.000 322.151 93.800
1968 -0.040 323.041 105.900
1969 0.080 324.621 105.500
1970 0.030 325.674 104.500
1971 -0.100 326.315 66.600
1972 0.000 327.452 68.900
1973 0.140 329.672 38.000
1974 -0.080 330.241 34.500
1975 -0.050 331.146 15.500
1976 -0.160 332.149 12.600
1977 0.130 333.895 27.500
1978 0.020 335.500 92.500
1979 0.090 336.846 155.400
1980 0.180 338.683 154.600
1981 0.270 339.927 140.400
1982 0.050 341.125 115.900
1983 0.260 342.777 66.600
1984 0.090 344.421 45.900
1985 0.050 345.901 17.900
1986 0.130 347.147 13.400
1987 0.270 348.926 29.400
1988 0.310 351.481 100.200
1989 0.190 352.902 157.600
1990 0.380 354.183 142.600
1991 0.350 355.587 145.700
1992 0.120 356.370 94.300
1993 0.140 357.033 54.600
1994 0.240 358.880 29.900
1995 0.380 360.873 17.500
1996 0.300 362.638 8.600
1997 0.400 363.758 21.500
1998 0.570 366.622 64.300
1999 0.330 368.305 93.300
2000 0.330 369.473 119.600
Auringonpilkkulukuja:
http://www.ngdc.noaa.gov/stp/SOLAR/ftpsunspotnumber.html#international
Sieltä löytyy kuukausittaiset ja vuotuiset aina vuodesta 1700 nykyhetkeen.
http://commons.wikimedia.org/wiki/Image:Carbon-14_with_activity_labels.png
"Carbon-14 is produced in the upper atmosphere when cosmic ray bombardment of atmospheric nitrogen (14N) changes the Nitrogen into an unusual form of Carbon with an atomic weight of 14 rather than the more common 12. Paradoxically, increased solar activity results in a reduction of cosmic rays reaching the earth's atmosphere and reduces 14C production."
Mielenkiintoista! Vielä hiukan asiaa sivuten, tiesittekö että koko käsite "kasvihuoneilmiö" hiilidioksidiin viitaten on virheellinen metafora?
Hiilidioksidia lisätään kasvihuoneisiin siksi, että se toimii lannoitteen tavoin, hiilidioksidi on kasveille RAVINNE. Hiilidioksidin lämmittävä vaikutus kasvihuoneessa on merkityksetön.
"Vielä hiukan asiaa sivuten, tiesittekö että koko käsite "kasvihuoneilmiö" hiilidioksidiin viitaten on virheellinen metafora?"
Suurin osa varmaankin tietää.
Kasvihuoneen lämpö johtuu siitä, että konvektio siellä on estetty. Ilma ei siis pääse vaihtumaan.
Kasvihuoneilmiö taas viittaa tiettyjen kaasujen kykyyn absorboida lämpösäteilyä, ja näin lämmittää ilmakehää.
Kasvihuoneilmiölle on valittu nimi huonosti. Se ei kuitenkaan tee ilmiöstä epätotta.
>Kasvihuoneen lämpö johtuu siitä, että konvektio siellä on estetty. Ilma ei siis pääse vaihtumaan. <
Kyllä näinkin. Mutta nimi kasvihuoneilmiö tarkoittaa kasvihuoneessa sitä että lasi (tai muovi) läpäisee auringon lyhytaaltoisen lämpösäteilyn mutta ei päästä kasvihuoneesta ulos pitkäaaltoista lämpösäteilyä.
Saman tekee hiilidioksidi mutta ennen kaikkea vesihöyry ilmakehässä.
sieltä.
"Kyllä näinkin. Mutta nimi kasvihuoneilmiö tarkoittaa kasvihuoneessa sitä että lasi (tai muovi) läpäisee auringon lyhytaaltoisen lämpösäteilyn mutta ei päästä kasvihuoneesta ulos pitkäaaltoista lämpösäteilyä."
Tuo on todella aivan sitä, mitä käytetään lannoitteena. Lasi tai muovi päästää säteilyä molempiin suuntiin aivan samalla tavoin. Ei se lasi niitä pitkäaaltoisia yhtään jarruta.
Kun lyhytaaltoinen säteily osuu maahan, rupeaa maa säteilemään pitkäaaltoista infrapunaa. Ja sitä se lasi/muovi blokkaa, toisin kuin lyhytaaltoista.
Jos et tajunnut, katso animaatio kasvihuoneilmiöstä täältä.
http://news.bbc.co.uk/2/shared/spl/hi/sci_nat/04/climate_change/html/greenhouse.stm
"Kyllä näinkin."
Se on juuri niin kuin sanoin.
http://en.wikipedia.org/wiki/Greenhouse
"A greenhouse is a structure with a glass or plastic roof and frequently glass or plastic walls; it heats up because incoming solar radiation from the sun warms plants, soil, and other things inside the building. Air warmed by the heat from hot interior surfaces is retained in the building by the roof and wall."
http://en.wikipedia.org/wiki/Greenhouse_effect
"...greenhouse gases trap heat within the surface-troposphere system. This is called the greenhouse effect [1] This is an analogy to the different mechanism of an actual greenhouse, which instead thermodynamically isolates the structure and stops convection and conduction from equalizing the inside and outside temperatures."
Pitääkö suomentaa?
Kasvihuone on lämmin juuri siitä syystä, että sen seinät ja katto päästävät lämmittävän auringonsäteilyn läpi, mutta estävät lämmenneen sisäilman sekoittumisen ulkoilman kanssa. Kasvihuoneen seinät ja katto siis estävät konvektion (ja konduktion).
hölynpölyä. Muutoin joudut uskomaan tämänkin:
"McKitrick and Michaels examined the gridded temperature dataset used by the IPCC and many others – they then gathered for each grid cell information on gross domestic product, literacy, months with missing data, growth in human population, economic growth, and growth in coal consumption. To make the analyses as rigorous as possible, they also added the satellite-based lower-tropospheric temperature trend, sea level pressure, a dryness index, length of coastlines, and latitude. They used a very sophisticated set of calculations to identify any socioeconomic signals in the temperature trend data, and to say the least, the signals were loud and clear.
Almost all of the socioeconomic variables were highly statistically significantly related to the temperature trends. The authors note “Taken together, our findings show that trends in gridded climate data are, in part, driven by the varying socioeconomic characteristics of the regions of origin, implying a residual contamination remains even after adjustment algorithms have been applied. Users of gridded climate data products need to interpret their results accordingly.” Furthermore, they state “These results are also consistent with previous findings showing that nonclimatic factors, such as those related to land use change and variations in data quality, likely add up to a net warming bias in climate data, suggesting an overstatement of the rate of global warming over land.”"
Voisitko laittaa lähteen, mikä referoi näitä tutkijoita tai suoran lähdeviitteen julkaisuunsa?
Ja nettimaisteri voisi kommentoida väitteitä laskelmiensa epäjohdonmukaisuudesta?
Jotenkin syntyy käsitys, että ihan provottomat toteamukseni siitä, miltä laskelmat näytävät, eivät kiinnosta nettimaisteri, vaan hän vastaa aloittamaani haaraan muuten.
Nettijuntti:[Ja nettimaisteri voisi kommentoida väitteitä laskelmiensa epäjohdonmukaisuudesta? ]
Oletin siis, että tuo kattaa myös minun viestini.