Vorhersagemodelle mit JMP ® für das Verschwinden von arktischem und antarktischem Meereis aufgrund des Klimawandels
Manny Uy, PhD, leitender Mitarbeiter, Johns Hopkins University Angewandte Physik
Josefino Comiso, PhD, Chefwissenschaftler, NASA Goddard Space Flight Center
Satellitendaten der Eisausdehnung, Eisfläche und Eiskonzentration für Arktis und Antarktis wurden von 1978 bis 2012 erhoben. Während lineare Regressionsmodelle mit kleinsten Quadraten für kurzfristige Extrapolationen verwendet werden können – und dies auch häufig geschieht –, sind sie nicht die beste statistische Methode für Prognosen über lange Zeiträume – insbesondere bei periodischen Phänomenen wie saisonalen Schwankungen. Die grundlegende statistische Methode für die Modellierung saisonaler Zeitreihen ist die ARIMA-Methode (Box-Jenkins Autoregression mit gleitendem Durchschnitt). Unter Verwendung des Box-Jenkins ARIMA-Zeitreihenmodells in JMP 10 zeigen die Ergebnisse der Arktis-Datenanalyse, dass saisonale Schwankungen die Eisausdehnung, Eisfläche und Eiskonzentration in der Arktis viel stärker beeinflussen als die jährlichen Schwankungen. Die saisonalen und abnehmenden jährlichen Trends sind statistisch signifikant und werden im Zusammenhang mit dem Klimawandel diskutiert und erklärt. Dieselbe Box-Jenkins ARIMA-Methode wird verwendet, um das Verhalten des Eises in der Antarktis vorherzusagen, das sich als komplexer erweist als im Fall der Arktis. Die eisfreie Arktis wird voraussichtlich in 75 bis 105 Jahren ab dem heutigen Zeitpunkt eisfrei sein, was voraussichtlich im Laufe des Monats September der Fall sein wird.
