Klimaatgevoeligheid en ‘feedbacks’: een alternatieve visie

Een bijdrage van André Bijkerk.

We hebben eerder in Guido’s recente bijdrage een keur gezien van studies die de gevoeligheid van het klimaat voor verdubbeling van CO2 inschatten tussen 1,5 en 2,5 of meer graden (TCR). Deze schattingen zijn gebaseerd op data uit het verleden, modellen, etc. Maar het blijven inschattingen. Nu kan er een tendens bestaan om aan te nemen dat de waarheid ergens in het midden ligt. En hoe meer studies er bij komen hoe sterker dat midden wordt. Maar zo werkt de wetenschap niet. Wetenschap is de toepassing van de wetenschappelijke methode. Vergelijk de uitkomsten met de natuur en wanneer het niet klopt, dan maakt het niet uit hoeveel studies in het midden liggen.

Nu weten we ook uit analyse van het frequentiespectrum dat de basisgevoeligheid van het klimaat ongeveer één graad per verdubbeling is, te laag voor bovengenoemde inschattingen. Daarom is bedacht dat er positieve feedback in het spel moet zijn om de vereiste klimaatgevoeligheid te bereiken. In eerdere bijdragen, de laatste hier, heb ik laten zien dat er methodes zijn om aan de hand van specifiek gedrag van de data serie in te schatten of er positieve feedback dan wel negatieve feedback in het spel is.

Ik zal proberen om het nog een keer uit te leggen. Wanneer het vandaag warmer is dan gisteren en het morgen nog warmer wordt dan vandaag, dan is dat persistent gedrag. Een serie datametingen wordt persistent geacht wanneer het vaker voorkomt dat het morgen nog warmer is, omgekeerd kan natuurlijk ook, als het gisteren kouder was dan vandaag en morgen nog kouder, etc, ook persistent gedrag.

Nu zijn er verschillende redenen waarom een dataserie persistent gedrag vertoont, positieve feedback is daar één van. Feedback is iets dat na-ijlt. Mosterd na de maaltijd. Als er op het vorige tijdstip positieve feedback zit, komt er op een volgend tijdstip een extra duwtje daarvan mee en dat bevordert persistent gedrag. Omgekeerd, wanneer bij negatieve feedback de volgende stap wordt tegengewerkt door de vorige, is de kans groter dat de stap in tegengestelde richting wordt gezet en dus is er sprake van anti-persistentie.

Maar er zijn meerdere oorzaken van persistentie. Er kan een trend zitten in de datareeks, zoals bijvoorbeeld steeds meer verwarming door meer broeikasgas. Factor één dus van Guido’s samenstelling van een datareeks hieronder (met dank aan Guido). Dan is het logischerwijs te verwachten dat het morgen warmer wordt zonder toedoen van enige feedback.

Inline image 1

Bron

Factor twee, de golfbewegingen, de dagelijkse of jaarlijkse variatie bijvoorbeeld levert eveneens persistentie op, als het beurtelings gestaag warmer en dan weer gestaag kouder wordt. Uiteraard overschaduwen deze trends het eventuele feedbacksignaal en we moeten ze er dus uitfilteren, zodat we alleen Guido’s factor 3 overhouden, de ruis. We noemen dat stationair (met een slag om de arm-voor de kenners). Als daar nu al dan niet de neiging tot persistentie in kan worden gemeten, dan kan dat niet meer aan trends worden toegeschreven en kunnen we mogelijke feedbacks in het systeem terugvinden.

Hoe kun je nu zo’n ruis analyseren? Hiervoor zijn een aantal methodes. Ik heb er twee uitgekozen.

De meest simpele is tellen. Bij elk datapunt kijken we of de volgende stap in dezelfde richting gaat als de vorige stap, omlaag of omhoog. Persistent gedrag. Aan het aantal persistente stappen relatief over het totaal, verwachten we bij positieve feedback meer dan de helft persistentie. Bij minder dan de helft is er dan eerder sprake van negatieve feedback. We zien hier dat de HadCRU4T serie daarmee net onder de 40% komt

Een tweede methode is de vaststelling van de Hurst-exponent bij een trendloze, stationaire dataserie zoals door Olavi Kärner is gedaan. Ik heb dit besproken op dat vorige blog. We zien daar dat enige temperatuurseries rond een Hurst-exponent van 0,4 uitkomen en de conclusie was dat alleen non-persistent gedrag kon worden gevonden op de diverse dataseries. Dit conflicteert uiteraard met de vereiste positieve feedback om de basis-klimaatgevoeligheid van rond de één graden op te ‘boosten’ tot die 1,5 of 2,5 graden of zelfs meer. In de discussie volgend op het blog werden terecht kanttekeningen geplaatst bij de tijdsfactor. Feedback is mosterd na de maaltijd, maar komt dat na een uur of een dag of een maand of een eeuw? En hoe beïnvloedt dat deze twee metingen? Kan een trage feedback onopgemerkt blijven door deze twee methodes en zou daardoor in de werkelijkheid toch positieve feedback mogelijk zijn? Dat gaan we nu bekijken.

Ik heb weer eens een modelletje gemaakt, het JBF-model*, met atmosfeer-achtige data waarbij op een willekeurige data serie (een stationaire random walk) diverse types feedback kunnen worden toegevoegd met diverse tijdsvertragingen om het effect daarvan te bezien op de Hurst-exponent en de persistentietelling. Hier is het “control panel” daarvan in excel:

Inline image 2

We bekijken twee gebieden, eerst de energie van de diverse stralingen (licht, infrarood etc.) in abrikooskleur en daarna de daaruit volgende temperaturen in eendei-groen. We beginnen dus in het stralingsgebied met een volstrekt willekeurig maar stationair gemaakte signaal, de random walk in blauw, zonder trend (G3), deze heeft een Hurst-exponent van 0,51 (H3) en een persistentietelling van 50% (I3), vrijwel neutraal dus. Beide hebben een foutmarge (standaarddeviatie) van ca 0,02, waardoor het ondoenlijk wordt om op precies 0,5/50% uit te komen. 0,51/50% is ‘next best’. Alle kleuren in de grafieken corresponderen met elkaar. In de stappen hierna gaan we de veranderingen in dat signaal zien, wanneer we het gaan modificeren.

Eerst komt er een trend overheen (C4), een nabootsing van de veronderstelde stijgende temperaturen door de broeikasgassen. We zien die trend netjes terug in de output. De Hurst-exponent wordt hierdoor niet beïnvloed omdat we bij de berekening die trend gelijk weer wegfilteren om eerder genoemde redenen. Ook blijkt de trend geen invloed te hebben op de – niet stationaire – persistentietelling op het originele signaal. In de volgende rij voegen we positieve feedback (op de forcing) toe. Dit kan in meerdere tijdstappen. De eerste drie (T1, T2, T3, kolom C, D. E) komen terug in die opvolgende stappen, de vierde T4(-15) in de F-kolom komt terug in twaalf verdere stappen. Hiermee kan dus een trage feedback worden gesimuleerd die slechts geleidelijk inwerkt op het systeem. Kolommen G, H, I laten de output zien, de relatieve verandering in trend, Hurst-exponent en persistentietelling, alle drie verhoogd door deze positieve feedback. De stappen herhalen zich in de volgende rij, 6, waarbij de negatieve feedback in het stralingsdomein alle output waarden weer naar beneden bijstelt.

We gaan nu over naar het temperatuursdomein van het eendei-groen door op de verkregen stralingswaarden de Stefan Boltzmann-relatie toe te passen. We willen weten wat de originele trend zou zijn geweest zonder alle modificaties en daarvoor is de blauwe ‘basic temp trend’ op rij 9. Op rij 10 dan komt het resultaat van de feedbacks in het stralingsdomein met de relatieve trend verandering in vaal bordeauxrood. Hierna doen we de positieve en negatieve feedback stappen nog eens over maar nu in het temperatuursdomein. Het uiteindelijk resultaat zien we in rij 12. Het oranje hokje G12 toont nu een trend van 150%. Vertaalt naar klimaatsgevoeligheid betekent dat hier dat de originele één graad per verdubbeling CO2 door de dominantie van positieve feedback zou zijn verhoogd tot 1,5 graad, de algemeen aanvaarde ondergrens van Guido’s klimaatgevoeligheidsstudies. Het probleem hierbij is echter dat zowel de Hurst-exponent (H12) als de persistentietelling (I12) boven de 0,5/50% uitkomt (logisch) terwijl we toch eerder op HadCRUT4 en soortgelijke series een Hurst-exponent en telling van tegen de 0,4/40% hadden gevonden. De velden G-H-I12 hadden daarom iets van 150%, 0,4 en 40% moeten laten zien en dus zijn we er nog niet.

Om te zien of zo’n uitkomst mogelijk is, gaan we onderzoeken wat er gebeurt wanneer we aan de feedback-knoppen gaan draaien. In het vervolg toon ik alleen de vier rijen met feedback omdat anders de blog veel te omvangrijk wordt. Wat is bijvoorbeeld het effect van snelle en trage feedback:

Inline image 8

In 1A zien we het effect van snelle positieve feedback. De trend van het signaal wordt meer dan verdubbeld en de persistentie wordt aanzienlijk veel sterker weergegeven in de telling (70%) dan in de Hurst-exponent (0,54). 1B geeft het effect van een trage feedback, waarbij dezelfde factor 0,5 is uitgesmeerd over 15 keer 0,0333. Voor mij was dit een grote verrassing. De trendverhoging is identiek maar de Hurst-exponent reageert veel sterker (0,62 versus 0,54) terwijl juist de persistentietelling nauwelijks in de gaten had wat er gebeurde (52% versus 70%). Iets soortgelijks zien we bij dezelfde negatieve feedback in 1C en 1D. De snelle feedback (1C) wordt door beide goed geregistreerd (0,33/21%) maar de trage versie (1D) is lastiger voor beide. De Hurst-exponent van 0,37 is nog wel uitgesproken maar de persistentietelling van 48% komt niet boven de foutmarge uit.

We kunnen ook bezien wat er gebeurd wanneer we deze resultaten mixen:

Inline image 5

2A geeft een snelle positieve feedback en een langzame negatieve feedback die samen ongeveer een neutrale trend geven. De Hurst-exponent zegt nu anti-persistent (0,41) terwijl de persistentie telling fors persistent aangeeft (69%). Omgekeerd in 2B met langzame positieve feedback en snelle negatieve feedback neigt de Hurst-exponent naar neutraal (0,47) terwijl de persistentietelling fors op negatieve feedback uitkomt (23%). Het laat zich aanzien dat deze asymmetrische resultaten kunnen helpen in de bepaling over de tijdsvertragingen van diverse feedbacks in het systeem.

Maar terug naar het klimaat. Hoe kunnen we aan de feedback-knoppen draaien om te zien hoe hoog we de trend kunnen krijgen, terwijl toch de Hurst-exponent en de persistentietelling in het negatieve gebied kunnen houden? 3A toont hier dan een trend van 118% ofwel 1.2 graden Celsius per verdubbeling, wanneer de basisgevoeligheid één graad Celsius is. Maar dit is wel de uiterste (vier-vijf sigma grens). Immers met een Hurst-exponent en persistentietelling score van rond de 0,4/40% voor de meteorologische dataseries die we hebben bezien, toont 3B dat we niet verder komen dan een trend van zo’n 62% (0,6 graad per verdubbeling). En dat is dus mijn inschatting voor de klimaat gevoeligheid voor 2x CO2, zo die al bestaat.

Inline image 6
Samenvatting
Om de feedback in klimaat dataseries te inschatten is onderzocht is hoe de Hurst-exponent (op een stationair gemaakte serie) en persistentietelling (op de orginele serie) reageren op verschillende feedbacks op een random walk. De Hurst-exponent op stationaire data blijkt goed in staat om een langzame positieve feedback te detecteren. De persistentietelling komt er beter af bij snelle feedbacks, zeker bij combinaties van langzame en snelle positieve en negatieve feedbacks. De combinatie van beide is geeft een beter idee van meer gecompliceerde situaties.  De stationaire variant van HadCRUT4 en andere temperatuurseries leveren een Hurst-exponent op van rond de 0,4, bij een persistentietelling van eveneens rond de 40%. Volgens deze methode duiden deze waarden op zuivere negatieve feedback met een trendverlagingsfactor van 0,6. Naar analogie in de meteorologische dataseries vertaalt zich dit naar een klimaatgevoeligheid (TCR) van ca 0,6 graden per verdubbeling CO2, wanneer de basisgevoeligheid zonder feedbacks één graad per verdubbeling bedraagt. Nog niet de helft dus van het consensus minimum van de klimaatgevoeligheidsstudies.
Dan past maar één citaat:
Science is the believe in the ignorance of experts.
Richard Feynman.
 Na posting zal ik een link geven naar het betreffende (zeer grote) excel spreadsheet.
– – –
*JBF: Jan Boerenfluitjes
Door |2018-02-03T15:21:21+00:003 februari 2018|85 Reacties

85 Comments

  1. Chemical 3 februari 2018 om 09:05 - Antwoorden

    Beste Andre,
    Mijn complimenten voor de duidelijke manier waarop je deze complexe materie hebt uitgelegd.

  2. André Bijkerk 3 februari 2018 om 09:23 - Antwoorden

    Het 7,2Mb grote spreadsheet kan hier op ‘wetransfer’ worden gedownload.

    we.tl/PJ9kiHkj22

    Dank, Chemical

    • Guido 3 februari 2018 om 21:16 - Antwoorden

      Beste André, ik zie niet zo goed wat nu anders is dan een tijdje terug. Je neemt een tijdserie, haalt daar het signaal uit (stationair maken), en houdt ruis over. Dan ga je die ruis analyseren om de conclusie te trekken dat het ruis is.

      Het weer is geen klimaat, en mijn eerdere opmerking geldt volgens mij ook nog steeds: als je op jouw manier de output van een klimaatmodel analyseert (waarin TCR hoger is dan het CO2 effect alleen) dan kom je tot de conclusie dat TCR lager is dan het klimaateffect alleen. Daar gaat dus iets fout. Lees misschien ook nog eens de commentaren van Danny door, die kon het wat beter verwoorden.

      • André Bijkerk 3 februari 2018 om 21:59 - Antwoorden

        Dan ga je die ruis analyseren om de conclusie te trekken dat het ruis is.

        Is dat nu een stropop? We analyseren de ruis om te onderzoeken of er persistent gedrag in zit, dat is ietsjes anders, toch? Bovendien betreft dat alle eerdere blogs hier over de stabiliteit van de atmosfeer waar ik refereer naar Olavi Kärner.

        Voorts, deze blog is de uitvoering van een commentaar bij het vorig blog:

        Om uit deze stalemate te geraken, ben ik voornemens een demo modelletje maken met klimaatachtige getallen, echte feedback en Stefan Boltzmann om de Planck feedback restrictie te simuleren.

        en de nadruk lag op het onderzoek of je met feedbacks met andere (trage) tijdsconstantes er toch positieve feedback in kunt laten sluipen om de voor alarmisme vereiste klimaatgevoeligheid te kunnen bereiken en dat is niet gelukt. De Hurst exponent pikt dat toch verrassend goed op en dat wisten we nog niet in de vorige blog. We blijven er dus bij dat er in de natuur geen positieve feedback bestaat die het mogelijk maakt om klimaatgevoeligheidswaarden ruim boven de 100% van de basis-gevoeligheid te krijgen.

        Als bonus hebben we een indruk van de verschillende reacties van de Hurst exponent en de persistency telling. Dat wisten we ook nog niet.

        …als je op jouw manier de output van een klimaatmodel analyseert

        Dat rondje hebben we al eens gedaan, dus volgt hetzelfde antwoord: Er is niets dat er op wijst dat de modelleurs de feedback echt hebben ingebouwd met reële tijdsconstante’s of in plaats daarvan het gewoon als een directe versterkingsfactor hebben aangebracht met minachting voor de complicaties die echte feedback oplevert. In dat geval is het helemaal geen nabootsing van de natuurlijke processen en leidt een analyse tot precies die conclusie.

        Danny heeft heel wat rondgestrooid, voornamelijk dat er sprake was van negatieve feedback, waarmee we dus hetzelfde zeggen. Inhoudelijke feitelijke kritiek op de rekensommetjes heb ik echter niet kunnen ontwaren.

        Maar al mijn kaarten liggen op tafel en iedereen kan het falsificeren.

        • André Bijkerk 3 februari 2018 om 22:16 - Antwoorden

          erratum: streepje vergeten in de tweede quote, waardoor dit zonderlinge resultaat ontstaat. De tekst achter de tweede groene lijn is dus geen quote maar een origineel deel van het antwoord.

          • Guido 4 februari 2018 om 09:18

            Andre, dit is geen stropop maar de essentie. Je analyseert ruis en stelt vast dat het ruis is. Laten we even de verschillende figuren langsgaan.
            – Factor 1 is persistent tenzij je het stationair maakt
            – Factor 2 is volgens jouw definitie persistent maar is dat in werkelijkheid niet, het zit tussen duidelijke grenzen
            – Factor 3 is niet persistent want het is ruis. Volgens jou zou hier een feedback-signaal in moeten zitten en dat kan je met persistentie of Hurst aantonen. Maar wat is deze data eigenlijk? Laten we even naar de maandelijkse data kijken. De maandelijkse waardes gaan hard op en neer en daarom niet persistent. Dit is de ruis van het weer. Volgens jou zouden we bijvoorbeeld na een relatief koude maand en nog koudere maand moeten krijgen en liefst daarna nòg kouder etc. vanwege de feedbacks. Maar je kijkt gewoon naar het weer, en dan ook nog eens naar het wereldwijde gemiddelde. Als je het op 10-jarige schaal bekijkt zie de persistentie wel, tenzij je de trend er uit haalt. Op jaarlijkse schaal is het niet persistent, denk aan de overheersende rol van ENSO op die tijdschaal.

            Nog een paar losse dingen:
            – ik denk net als Danny en anderen ook dat er een negatieve feedback in zit. Sterker nog, ik weet het zeker, temperatuur zit tot de 4e macht in Stefan Boltzmann, het systeem loopt dus niet uit de hand maar zoekt naar een nieuw evenwicht
            – als je factor 2 en 3 combineert (een persistent en een niet persistente tijdserie) dan wordt het volgens jou methode niet persistent, tenzij de amplitude van factor 2 veel groter is dan die van 1. Dat is ook vreemd
            – wat klimaatmodellen betreft kan je wel hetzelfde rondje doen en de modellen de schuld geven,maar het blijft een feit dat die modellen WEL een versterkingsmechanisme/feedback hebben en dat dat er via losse modules inzitten. Met andere woorden, de hoeveelheid ijs bijvoorbeeld is niet direct gerelateerd aan de CO2 concentratie maar wordt via de temperatuur die o.a. een functie van de CO2 concentratie is aangedreven. Daar zit netjes volgens de natuurkundige wetten ingebouwd. Dan krijg je een dataset die er hetzelfde uitziet qua structuur als de gemeten waardes en beweer je opeens dat er GEEN versterkingsmechanisme/feedback in zit.

          • André Bijkerk 4 februari 2018 om 11:00

            Beste Guido

            We draaien weer in cirkels. Eerst over persistentie, misschien moet je even de referenties lezen om te zien of ik me netjes aan het protocol houd. Het is dus niet mijn definitie, maar de definitie van persistentie:

            A persistent time series: In a persistent time series an increase in values will most likely be followed by an increase in the short term and a decrease in values will most likely be followed by another decrease in the short term.

            analytics-magazine.org/the-hurst-exponent-predictability-of-time-series/

            Kijk vooral ook even naar het verschil in de ruis in figuur 2 en figuur 3.

            Maar als je de ref naleest, kun je zien of ik ergens naast zit. In dat geval hoor ik het graag.

            Ik geloof dat ik niet erg duidelijk ben geweest over de functie van ruis in feedback situaties. Als er feedback is, positief of negatief dan gaat de complete output van een systeem plus de ruis opnieuw door het systeem met een zekere tijdsvertraging. En daarom kun je aan de veranderd gedrag van de ruis zien of het een extra duwtje geeft (persistent/positieve feedback) of de zaak terugtrekt (anti-persistent/negatieve feedback).

            Maar nogmaals, and again, and again als je dat mechanisme niet in een model inbouwt maar gewoon de versterkingsknop in de trend wat hoger zet om positieve feedback/persistentie te simuleren, ja natuurlijk dan ga je dat karakteristiek gedrag niet terugvinden

          • André Bijkerk 4 februari 2018 om 11:05

            ter verduidelijking, ik begrijp best wel dat ze ijs vertraagd laten smelten, maar ik heb ook ergens gelezen over de kunst om de lambda versterkingsfactor af te regelen in de modellen ten gevolge van de feedbacks en dat doe je dus niet. Er is geen lambda alleen feedback.

          • Guido 4 februari 2018 om 14:12

            Ja, dit schiet inderdaad niet echt op. Het gaat niet om protocollen of je excel sheet maar om de interpretatie daarvan. Daarom maar even een zijstraat die ook wel parallel loopt, wat is volgens jou het verschil tussen overgangs- en evenwichtsklimaatgevoeligheid (TCR versus ECS?) en welke is het hoogst?

          • André Bijkerk 4 februari 2018 om 14:28

            Ja laten we het eens over het verschil tussen TCR en ECS hebben.De ECS is bedacht in de veronderstelling dat de oceanen extra worden opgewarmd door de extra infrarood en naarmate er meer ijskappen smelten dat het albedo afneemt.

            De oceaan warmt echter niet op noch infrarood , noch door hogere atmosfeer temperaturen, het gaat gewoon meer verdampen en de latente warmte wordt naar boven afgevoerd. De oceaan warming is gewoon het gevolg van global brightening en heeft niets te maken met broeikaseffecten.

            Dan de albedo wisseling van sneeuw/ijs gebeurt elk jaar op continentale schaal.

            weerwoord.be/m/2258123

            Zijn er aanwijzingen dat warmere zomers volgen op warme winters zonder veel sneeuw?

            Ik zou me dan ook van de ECS maar niet te veel voorstellen.

            Off we go.

          • Guido 4 februari 2018 om 15:10

            Right, en de opwarming of constante temperatuur van de oceanen tijdens global dimming periodes en op het zuidelijk halfrond komt door de kaboutertjes? Oceanen kunnen ook opwarmen doordat ze minder afkoelen, er is netto transport vanaf de evenaar waar er meer energie van zonlicht het water ingaat dan er door straling uitgaat richting de polen. En de hoeveelheid ijs neemt toch echt af. Ik begrijp dat je niet kan zeggen dat ECS hoger is dan TCR want dan valt je redenatie in duigen, maar toch is het zo, anders was er geen stralingsonbalans

          • André Bijkerk 4 februari 2018 om 17:02

            Beste Guido

            We gaan wel weer overal heen he? Misschien moest je de grafiek van global cloud cover maar eens vergelijken met de ocean heat content. Daar zie je trouwens een prachtig voorbeeld van ECS maar dan voor zonlicht.

            en.wikipedia.org/wiki/Ocean_heat_content
            climate4you.com/ClimateAndClouds.htm#TotalCloudCoverVersusGlobalTemperature (zoek voor de grafiek met ‘total global cloud cover’ )

            Merk op dat vanaf ca 2000 het minimum ‘cloud cover’ voortduurt maar door het zeer trage proces de OHC is kennelijk nog op weg naar een nieuw evenwicht.

            Dan, ik ben bang dat de oceaan opwarming door niet afkoeling een beetje vergezocht is. De oceaan koelt namelijk af door verdamping, om precies te zijn 40.65 kJ/mol water ofwel meer dan vijf keer zoveel energie om water van nul graden aan de kook te brengen. da’s heul veul . Wanneer nu de temperatuur van de atmosfeer erboven hoger is, kan het meer waterdamp bevatten. Hierdoor verplaatst zich het dynamisch evenwicht tussen verdampen en condenseren naar meer verdamping.

            Dan, vochtige lucht heeft een lager soortelijke massa dan droge lucht, waardoor convectie ontstaat, alleen al door verschil in vochtigheidsgraad. Hierdoor ontstaat een lopende band die de verdamping-convectie cyclus in stand houdt, waardoor de afkoeling gewoon doorgaat. Een schoolvoorbeeld van negatieve feedback.

            De hoeveelheid ijs neemt af. Okay maar waardoor? Is het wel eens opgevallen dat na de winter het ijs het langst blijft liggen in de schaduw? Vooral in de bergen. Dus wat zou het ijs doen smelten?

          • Guido 4 februari 2018 om 21:49

            Sorry voor dit intermezzo Andre, ik had gehoopt dat we met een discussie over TCR versus ECS wat verder zouden komen maar het geeft alleen maar nieuwe discussiepunten en inconsistenties. Uiteraard is de OHC nog op zoek naar een nieuwe evenwicht (hoewel het nog wel even gaat duren voordat het die gevonden heeft gegeven de snelheid waarmee we het systeem uit balans blijven duwen), maar dat kan niet volgens jou want er is geen persistentie in het systeem. Ijs smelt vooral als de temperatuur boven de 0 graden komt.

            Maar belangrijker, mijn eerdere punten blijven staan. Maandelijkse data is ruis, en met jouw methode classificeer je tijdseries waarvan je weet dat er een versterkingsmechanisme in zit alsof ze dat niet hebben. Als laatste, het klimaatsysteem gedraagt zich overall als iets met een negatieve feedback, daar zijn we het in ieder geval over eens. Gegeven al de haken en ogen – en ik ben niet de enige die je daarop hebt gewezen – zou het je sieren als je wat minder stellig bent.

          • André Bijkerk 4 februari 2018 om 23:43

            Beste Guido

            Dank en je hebt absoluut gelijk. Stelligheid is een totaal verkeerde parameter in het wetenschappelijk proces. Ik wil best één en ander nuanceren maar willen Al Gore en het IPCC dat ook?

            Daarnaast, hoe stellig kun je zijn in de verwerping van het bestaan van flogiston of ether?

            /nl.wikipedia.org/wiki/Flogiston
            https://nl.wikipedia.org/wiki/Ether_(medium)

            Het wordt echt tijd voor dat biertje

          • Hans Erren 5 februari 2018 om 06:31

            Wat is het nut om over een ECS te spreken als er nooit een evenwicht in het CO2-niveau zal optreden? Dat is allemaal ingegeven door volstrekt onrealistische over-the-top emissietrajecten die nooit zullen optreden.

        • Guido 5 februari 2018 om 16:27 - Antwoorden

          André, ik heb er nog een keer even tijd in gestopt. Een JBF modelletje van de gemiddelde aardse temperatuur met albedo, CO2 en waterdamp. CO2 zorgt voor een temperatuurtoename en in de stappen daarop reageert waterdamp versterkend (meer waterdamp) of verzwakkend (hoger albedo vanwege wolken). De temperatuur reageert daarop met Planck als negatieve terugkoppeling of hoe het ook mag heten. Verschillende vertragingen van de verschillende factoren, invloed van ijs, etc, alles geprobeerd.

          Maar het blijft er zo uitzien. Je kan uiteraard ruis toevoegen om het realistischer te laten lijken maar voor mij is de conclusie toch dat je uit het verloop niks kan halen, alleen uit de waardes op de y-as zoals ik in mijn voorgaande blog deed.

          @Hans – als ECS hoger zou zijn dan TCR (..) dan zit er dus een bepaalde persistentie in, waarvan André m.i. zegt dat die er niet is

          • Guido 5 februari 2018 om 16:48

            En zo met ruis waar de feedback uiteraard ook op werkt

          • André Bijkerk 5 februari 2018 om 22:26

            Beste Guido

            Je eerste grafiekje is natuurlijk triviaal. Dan lijk je te zeggen dat je er dan ruis aan toevoegt. Ik heb de indruk dat de drie grafieken niet gebaseerd zijn op dezelfde ruis. Dat lijkt dan ook niet erg te helpen.

            Misschien nog even naar deze kijken: climategate.nl/2015/07/de-weerlegging-van-global-warming-de-feedback-is-negatief/#post/0

            De blauwe basislijn is een pure random walk y(nieuw)=y(oud)+ random tussen -0,5 en +0,5. De rode dezelfde random walk maar dan met positivie feedback y(nieuw)=y(oud) + feedback factor over de vorige stap + random nieuwe stap. De groene ook hetzelfde maar dan met dezelfde feedback er af getrokken.

            Je ziet nu verandering in de ruis. Je ziet dat de rode lijn de neiging heeft tot doorduwen omhoog of omlaag met minder karteltjes (persistent) terwijl de groene lijn de zaak steeds de andere kant opstuurt waardoor er veel meer karteltjes ontstaan (anti-persitent).

            Dat verschil in gedrag van de karteltjes van de ruis gebruiken we nu om de feedback terug in te schatten.

          • Guido 6 februari 2018 om 09:14

            Goed punt André, hoewel het niet zo veel uitmaakt of je dezelfde ruis of niet erbij zet. Maar u roept, wij draaien. Ik begrijp ook het punt van je ruis, alleen is de ruis nu gegeven en willen we weten of daar een signaal van persistentie in zit. Althans, dat is je hoofdpunt als ik het goed begrepen heb.

            De eerste grafiek is overigens niet geheel triviaal, die geeft de situatie weer als de trend veel groter is dan de ruis. Maar in werkelijkheid is de ruis veel groter dan de trend als je naar maandelijkse data kijkt, idem voor jaarlijkse. En dan kom je tot precies dezelfde persistentie (als je de trend er uit zou halen), ongeacht of je nu een positieve of negatieve feedback inbouwt. Dan zijn de getallen die ik toegevoegd heb aan de legenda.

            Bovenstaande grafieken zijn zo gebouwd dat de feedback in de temperatuur op tijdstip t alleen afhankelijk is van de temperatuur op tijdstip t-1, dus maximale feedback. Langzamere feedbacks reageren uiteraard ook op de tijdstippen daarvoor. Met andere woorden, ik heb het al maximaal “in jouw voordeel” geplot. In die voorbeelden ga je overigens uit van een oscillerende forcering, dat is in het aardsysteem met continue stijgende forcering ook wat lastig te herkennen. Dan zou je je gegevens bijvoorbeeld op data over ijstijden moeten loslaten?

          • Guido 6 februari 2018 om 13:07

            En nog even verder nagedacht, toch leuk dit, ik zag nu pas dat jij met een persistentie van 50% en ik met 33% reken. Dat is bij nader inzien logisch, dat zijn de getallen die horen bij een random walk en bij ruis, respectievelijk. Temperatuurdata heeft het karakter van beide, interne variabiliteit zou je als beide kunnen karakteriseren en het weer als ruis. Waar de balans ligt dat weet ik niet maar zonder extra informatie kan je in ieder geval niet de conclusie trekken dat de de feedback negatief is omdat persistentie beneden de 50% ligt.

            Tweede punt is het verschil in persistentie tussen een tijdserie met positieve en negatieve feedback. In bovenstaande voorbeelden is dat verschil 0 of minimaal, in jouw eerdere blogs vrij groot. Het verschil komt denk ik omdat ik een feedback heb ingebouwd op basis van de relatie tussen waterdamp en temperatuur waarbij de verschillen niet gelijk groot zijn als de temperatuur een tiende graad hoger of lager is in een maand maar op termijn wel, bij jouw eerdere blogs ging de temperatuur van de voorgaande maand voor 50% mee. Met die aanpak kom ik uiteraard ook met een verschil, maar dat dus niet zo makkelijk de duiden is, en de vraag is of het realistisch is. Welke rol de Hurst component hier speelt dat leer ik graag van jou.

          • André Bijkerk 6 februari 2018 om 14:01

            Beste Guido

            Ik had al een nieuw spreadsheetje gemaakt om de verschillen te bespreken.

            i63.tinypic.com/2upd9bb.png

            Inderdaad mijn ruis in kolom B heeft een vergelijkbare persistentie van 33,5. Logisch omdat de random generator zich op nul centreert. Als de vorige waarde negatief was zijn er meer waardes erboven die gekozen kunnen worden en kan worden verwacht dat de volgende waarde hoger is. Anti-persistent dus.

            Dan komt de random walk kolom B die tendeert naar een neutrale persistentie van 50% nu dus 51,2% linker grafiek, blauw. In de rechter grafiek is daar een trend bijgeteld (B2 = 0,2) en je ziet verhoging van de persistentie telling tot 56,9%. Het zelfde geldt voor de signalen met feedback (B1= 0,5 voor rood positief en dus -0,5 voor groen negatief). Je ziet hier weer goed verschil in ruis links en rechts zie je dat de trend veel karteltjes laat verdwijnen. Wil je dan de feedback rechts beoordelen en je verwijdert de trend, dan kom je weer in de buurt van links en zul je dus de aangebrachte feedbacks weer terugvinden.

            Ten overvloede dit is een simpele demo en pretendeert niets anders dan het effect te demonstreren van een trend op de persistentie telling. Het is ook geen echte feedback over het systeem maar over de input. Echte positieve feedback werkt niet en het gebruik van die term is eigenlijk onjuist. De term persistentie is veel beter.

            De Hurst exponent bleek zoals eerder gezien uiterst gevoelig voor trends. Wat ik gedaan heb, is uitgaan van een pure random walk en deze bevat pseudo trends wanneer op enig langer stuk een aantal malen random persistentie optreed. De Hurst exponent van een random walk komt dan ook rond de 0,85-0,95. Maar een random walk is niet stationair. Het uitgangspunt is dus om met bepaalde bewerking het signaal zodanig stationair te maken dat het product op op een Hurst exponent 0,5. Hier is dat eerst differentieren, dat leverde een gemiddelde Hurst exponent op van 0,55 +/- 0,025. Daarna is het signaal bijgesteld door een running average over 521 datapunten (trial en error) er nog af te trekken. Dan is de Hurst exponent 0,50 +/- 0,025 over 100 runs.

            De echte signalen ondergaan daarna precies dezelfde behandeling om stationair te worden gemaakt en wat je nu dus doet is de Hurst exponent van een stationair signaal vergelijken met dat van een random walk zonder feedback. Het verschil daartussen lijkt me een aardige valide indicator. Maar ik laat me graag uitleggen hoe het anders had gemoeten. Je kunt bijvoorbeeld de stap met running average weglaten, maar dan ligt je neutrale punt op een Hurst exponent van 0,55.

            En dan de ijstijden:

            Dan zou je je gegevens bijvoorbeeld op data over ijstijden moeten loslaten?

            Dat zijn geen gegevens, dat zijn interpretaties van proxies en dat is in feite een ongeteste hypothese. Ik heb laten zien dat het daar nog wel eens aan schort.
            climategate.nl/2016/12/63447/

          • Guido 6 februari 2018 om 16:12

            André, bedankt voor de nieuwe figuur. Wat volgens mij door alle discussie duidelijk is geworden is dat de mate van persistentie van veel dingen afhankelijk is. Gaat het om een random walk, gaat het om ruis, hoe sterk is de feedback en op welke tijdsperiode werkt het, hoe haal de de trend er uit, etc. Door met die factoren te variëren kan je verschillende mate van persistentie krijgen en ook de output van een klimaatmodel (met feedback zoals in de klimaatwetenschap gedefinieerd) reproduceren. Eigenlijk mijn allereerste punt maar nu beter onderbouwd.

            Even terug naar je eerste post hierover waarin je stelde dat “Als we nu bijvoorbeeld de dataserie van ‘UAH global lower troposhpere’ aan eenzelfde telling onderwerpen in het volgende tabblad (tltglhmam_5_6) zien we een persistentie van 41,6% en daarmee vertoont het dus het anti–persistent gedrag van negatieve feedback, over de tijdsconstante van een maand.“, zijn we het erover eens dat dat voorbarig was aangezien je ook makkelijk kan aannemen dat alles boven de 33% persistent zou kunnen zijn? En volgens mij kan je dat ook doortrekken naar de conclusies van deze post, of ben je daar nog niet van overtuigd?

          • André Bijkerk 6 februari 2018 om 16:47

            Beste Guido

            Dit kan ik niet volgen:

            , zijn we het erover eens dat dat voorbarig was aangezien je ook makkelijk kan aannemen dat alles boven de 33% persistent zou kunnen zijn?

            Ik begrijp dat je met die 33% refereert aan pure random noise. Maar dat heeft negatieve feedback omdat het aan de nul vastgeplakt zit. Naarmate een datapunt verder van de nul afspringt, is de kans het groter dat de volgende waarde dan weer dichter bij de nul zit. Daarom maak je ook een random walk, want die heeft die eigenschap niet, elke stap is free and equal, een groot verschil.

            Je ziet dat de persistency telling van een random walk zonder enige aanpassingen altijd naar de 50% neigt, hetgeen de logica ook gebied. Je ziet ook dat een kunstmatige feedback op een random walk altijd leidt tot een andere waarde. De vraag is alleen of de foutmarge van misschien 2-3% de significantie van een meting beïnvloedt. ca 40% is dus waarschijnlijk meer dan drie sigma af van 50% zodat het oordeel negatieve feedback best wel statistisch significant zal zijn. Temeer daar andere series daar steevast bij in de buurt komen.

          • Guido 6 februari 2018 om 17:36

            Bedankt André, dan is dit de crux denk ik: zou jij het mondiaal gemiddelde weer karakteriseren als een random walk of als ruis op maandelijkse schaal? Of een combinatie daarvan?

          • Guido 7 februari 2018 om 10:57

            André, misschien dat dit helpt. Alles genormaliseerd naar 1 std, overal trend uitgehaald, de getallen hebben betrekking op 1000 iteraties, etc. Het is niet zuiver ruis, niet zuiver random walk maar ergens er tussenin en daarmee zijn je conclusies op zijn zachts gezegd voorbarig. Mee eens of zie ik iets over het hoofd?

  3. Erik 3 februari 2018 om 12:52 - Antwoorden

    Andre

    Ziet er ingewikkeld uit, ik heb het nog niet geheel te pakken. Moet er wat meer tijd aan besteden. Maar in zijn algemeenheid kun je stellen dat er wel negatieve feedback moet zijn. Want stel dat er positieve feedback zou zijn, dan zou de temperatuur oplopen door CO2 en vervolgens door waterdamp en daardoor weer meer CO2 en daardoor weer meer waterdamp enz enz. Dat zou uit de hand kunnen lopen en is gelukkig nooit gebeurd.

    Overigens kun je de klimaatgevoeligheid voor 2xco2 ook simpel schatten met dezelfde Hadcrut4 reeks. In 2010 was de opwarming sinds 1850 circa 0,8 graad en de CO2 toename circa 120 ppm.
    Dit geeft dan een klimaat gevoeligheid van 280/120 * 0,8 *0,5 = circa 0,9 graad. De factor 0,5 betekent dat circa de helft vd temperatuur toename door CO2 komt, hetgeen mi veel te hoog is. Maar het ipcc heeft het over minstens de helft. Dus valt mijn aanname daar net binnen.
    Ik ben van mening dat CO2 een niet meetbare invloed heeft vanwege de rustige monotone stijging ervan. Afgezien vd seizoenen zie je geen sprongen in de CO2, terwijl je die bij de temperatuur in hoge mate ziet.
    Tot slot André lijkt me je bijdrage wel publiciteits waardig. Waarom maak je er geen paper van voor een tijdschrift, natuurlijk peer reviewed anders is jvdh niet tevreden. Ik heb wel slechtere papers, peer reviewed, gelezen.

    • J van der Heijden 3 februari 2018 om 13:01 - Antwoorden

      Erik,

      1. de opwarming is meer dan 0.8 C
      2. De opwarming is voor veel meer dan 50% antropogeen eerder 100% (ook 100% is minimaal 50%)

      En jij blijft graag naar de ruis kijken om vervolgens te claimen dat het signaal niet duidelijk is

      • Paul Bouwmeester 3 februari 2018 om 14:07 - Antwoorden

        Als eenvoudige beta probeer ik iets van de klimaatdiscussie te volgen, maar als ik deze publicatie en bv een bijdrage als https://www.climategate.nl/2018/01/klimaatgevoeligheid/ met de daarop volgende discussies lees, geef ik het ver voor de helft op.
        Niettemin heb ik voldoende wetenschappelijk inzicht om één conclusie te kunnen trekken: de klimatologie is GEEN robuuste wetenschap met kant en klare antwoorden. Ik verwacht ook niet dat daar spoedig verandering in zal komen gezien het chaotische karakter van het klimaat, dat vol met zit met terugkoppelingen.
        Dit wordt ook uitgedragen door de sceptische wetenschappers (tautologie) op dit blog, wier voornaamste punt is, dat er zoveel onzekerheid en onkekends bestaat, dat elke conclusie op zijn minst voorbarig is.
        Ver hierboven zweeft echter het genie JvdHeijden, die alles in een oogopslag doorziet, maar zo moe wordt van die minderbegaafden, dat hij zijn argumentatie voornamelijk beperkt tot: “Zo is het nu eenmaal…”. Zijn inzicht is zo geweldig, dat hij zelfs zeker weet dat er geen tot nog toe onbekende actoren kunnen bestaan. Hebben toch al die filosofen ongelijk, die beweren dat je nooit het niet-bestaan van iets kunt bewijzen.
        Ach Janos, verspil je talent niet en trek je terug op je zolderkamer om een spetterende dissertatie te schrijven of een handboek voor klimaatdummies. Het onbegrip voor je superieure inzicht is zo groot, dat je bijdragen hier toch maar als blog-vervuiling gezien worden. Zonde van de tijd, die je beter kunt inzetten voor de mensheid.
        (Ja, ik weet het, je kunt weer inhaken op het woord vervuiling. Doe maar niet!)

        • Frans Galjee 3 februari 2018 om 17:20 - Antwoorden

          @ Paul,

          “ Niettemin heb ik voldoende wetenschappelijk inzicht om één conclusie te kunnen trekken: de klimatologie is GEEN robuuste wetenschap met kant en klare antwoorden. Ik verwacht ook niet dat daar spoedig verandering in zal komen gezien het chaotische karakter van het klimaat, dat vol met zit met terugkoppelingen. “

          Idd de klimaatwetenschap staat nog in kinderschoenen. We weten te weinig en meten nog te kort en onvoldoende om ook maar iets zinnigs te kunnen schrijven over die complexe processen die een klimaatverandering sturen. Wat we wel weten is dat het klimaat op Aarde veranderd is tussen uitersten van een Aarde met veel ijs en een Aarde zonder ijs resulterend in een zeeniveau grofweg een 100 lager bij maximale ijsbezetting en weer grofweg 100 m hoger bij een ijsvrije Aarde. Dit feit van deze variaties toont aan dat bij beschouwing van alle terugkoppelingen resulterend de demping cq de negatieve feedback uiteindelijk steeds is opgetreden.
          Zou dat nu anders zijn door onze activiteiten als mens met het uitstoten van het in de natuur ruim voorkomend CO2? Lijkt mij niet echt aannemelijk.

        • J van der Heijden 4 februari 2018 om 11:09 - Antwoorden

          Paul weet het niet zeker en heeft er ook geen inhoudelijke kennis van maar weet wel zeker dat klimaatwetenschap nog onvolwassen is.

          Ja ja de logica van de ” sceptici”, ik begrijp het niet dus anderen ook niet

          en ik ben geen genie en ken mijn beperkingen, maar dat betekend ook dat ik het niet beter meen te weten dan de echte experts en dat zijn nu eenmaal die genen die hun kennis publiceren in de wetenschappelijke literatuur.

          En als er nog onbekende factoren bestaan met een hele groet invloed dan is mijn mening dat die intussen gevonden zouden zijn na 150 jaar wetenschappelijk onderzoek.

          https://skepticalscience.com/big-picture.html voor een beetje basis

          • Paul Bouwmeester 4 februari 2018 om 12:01

            Klopt helemaal, JvdH, ik wéét het niet zeker. Daarom lees ik ook de link die jij hierboven geeft. Maar tegelijkertijd geef je haarfijn aan, dat je helemaal blindvaart op de door jou verkozen ‘echte’ wetenschappers, zoals je ook in het merendeel van je reacties laat blijken. Dat blindvaren mag natuurlijk voor een leek, maar het lijkt me tamelijk zinloos, dat hier keer op keer te verkondigen, want de grap van deze blog is namelijk dat ze daar juist NIET op blindvaren.

          • J van der Heijden 6 februari 2018 om 11:02

            Inderdaad Paul, de grap op dit blog is dat ze alles klakkeloos aannemen als het ABCD is. Als je langer leest dan blijkt dat de meeste compleet tegenstrijdige ideeën in hun hoofd kunnen hebben als het maar betekend dat we niets hoeven te doen.

            Als je ze daar op wijst dat onderzoek iets anders uitwijst is de onderzoeker een alarmist, of ligt het aan de toon van mijn commentaar waarbij ik iets voor de 85e keer weerleg.

    • André Bijkerk 3 februari 2018 om 13:35 - Antwoorden

      Beste Erik

      Ik vrees dat het even vastbijten wordt, het wordt nog erger. Je hebt volkomen gelijk over de positieve feedback, als je maar zoiets als een echte positieve feedback factor van zo’n 0,1 invoert, zuiver volgens de definitie, dan ontploft het geheel onherroepelijk. Daarom staat “positieve feedback” tussen aanhalingstekens. In plaats daarvan gaat de feedback over de input en niet over het proces. Je voegt bij de volgende stap nog een deel van de vorige stap toe. Dit levert een goed werkende simulatie van persistent gedrag op maar het is inderdaad geen echte positieve feedback en dat is dus ook een verstorend element in de feedback discussie, de definitie kwestie.

      Bedenk ook dat dit meer een onderzoek is naar het gedrag van het systeem, hoe het reageert op alle inputs/forcings, Variatie in zongedrag, variatie in oceaanstromingen, global brightening en dimming, etc en dit vertroebelt de analyse hoeveel opwarming aan CO2 kan worden toegeschreven.

    • Guido 3 februari 2018 om 21:31 - Antwoorden

      @Erik, “Ik ben van mening dat CO2 een niet meetbare invloed heeft vanwege de rustige monotone stijging ervan. Afgezien vd seizoenen zie je geen sprongen in de CO2, terwijl je die bij de temperatuur in hoge mate ziet.” – Het trieste is dat ik de figuur die André hierboven gebruikt ooit voor jou heb gemaakt om te laten zien dat die stijgende lijn en de combinatie van stijgende lijn + ruis misschien niet op elkaar lijken, maar dat ze wel gerelateerd zijn.

      Er zijn wel meer fouten in je redenatie (je vergeet de [negatieve] Planck feedback waardoor het geen oneindige feedback is, niet ieder broeikasgas is even sterk, de gemiddelde waterdampconcentratie is geen 20,000ppm etc.) waar je vaak genoeg op gewezen bent maar toch blijf je ze herhalen. Voor mij dan ook de laatste keer dat ik je erop wijs, het heeft blijkbaar niet zo veel zin.

      • Erik 5 februari 2018 om 12:38 - Antwoorden

        Guido,

        ik heb je methode toegepast op Giss en Hadcrut4. Voor de 60 jarige cyclus heb ik de AMO index gebruikt, evenzo voor de ruis. Ik ben in beide gevallen uitgegaan van hun lineaire trends en heb de amo cycli en amo ruis erbij opgeteld. Waarschijnlijk zou een parabolische trend beter werken, maar die kan ik in wft niet toepassen, zal ik nog eens in excel doen.

        http://woodfortrees.org/plot/hadcrut4gl/from:1900/mean:12/offset:-0.2/plot/esrl-amo/from:1900/offset:-0.36/detrend:-0.75/mean:12/offset:-0.2/plot/esrl-amo/from:1900/offset:-0.4/detrend:-1.075/mean:12/offset:0.2/plot/gistemp/from:1900/mean:12/offset:0.2

        Dan over de driver (CO2 ?) van de trends. Als je uitgaat van een natuurlijke cyclus van circa 1000 jaar, kun je ook een dergelijke trend verklaren. En er is ook de vreemde rol van CO2 in de ijstijden. Als CO2 op zijn hoogtepunt is, begint de temperatuur sterk te dalen. Pas veel later volgt CO2.
        En als CO2 minimaal is begint de temperatuur ineens weer te stijgen richting het volgende interglaciaal.
        Het kan niet ontkend worden dat T en CO2 elkaar volgen. Echter heb ik het idee dat ze beiden een andere oorzaak volgen, Milankovic? Waarbij de temperatuur sneller de oorzaak volgt dan CO2.

        • J van der Heijden 5 februari 2018 om 12:49 - Antwoorden

          Erik,

          Wat veroorzaakt doe 1000 jarige cyclus? Wat is je onderbouwing daar voor? Hoe werkt hij? Waarom zijn we warmer dan 1000 jaar geleden?

          Hoe moeilijk is om te begrijpen dat CO2 bij het einde van de ijstijden werkte als feedback en niet als forcing zoals nu?

      • Erik 5 februari 2018 om 13:03 - Antwoorden

        Guido,

        Na verwijderen van de 60 jarige cyclus blijft een parabolisch verloop over. Je zou dus uit moeten gaan van dit verloop. Voor Hadcrut4 heb ik het wel eens in excel bekeken, en bleek er sterke overeenstemming met de beste parabolische fit.

        http://woodfortrees.org/plot/hadcrut4gl/from:1850/mean:720/offset/plot/gistemp/from:1850/mean:720/offset

  4. P. van Toorn 3 februari 2018 om 16:13 - Antwoorden

    Beste Andre,
    Zeer terecht in je antwoord op Erik, stel je terecht positieve feedback tussen aanhalingstekens. Positieve feedback in proceskunde bestaat (waarschijnlijk) niet, en als het al tijdelijk bestaat, wordt het onmiddellijk ingehaald door de normale negatieve proces feedbacks. Er is een beroemde uitzondering, namelijk een oscillator, maar dat vereist 180 graden fase draaiing in de feedback met constante voeding voor de aandrijving. Als ik het begrip positieve feedback hoor in de context van klimaat als verklaring voor de klimaatgevoeligheid, haak ik onmiddellijk af.

    Je analyse van de Hurst exponent van data reeksen vind ik origineel om een persistent positieve trend te ontdekken in de reeks. Je hebt echter een lange reeks nodig om een verantwoorde berekening te doen van de exponent, met een niet onbelangrijk factor erbij, dat er niet met de data “geknoeid”mag zijn. Homogenisaties van temperatuurdata zijn niet bepaald bevorderlijk. Waarschijnlijk is het ruwe materiaal van de Bilt vanaf het jaar 1700, als dat nog terug gevonden kan worden, of een waarnemingsreeks uit de UK beter geschikt, in plaats van HadCRUT4.
    Dit neemt niet weg dat een klimaatgevoeligheid (TCR) van ca 0,6 graden per verdubbeling CO2 voor HadCRUT4 , waarschijnlijk dicht bij de waarheid ligt.

    • Hans Erren 3 februari 2018 om 16:35 - Antwoorden

      De Labrijnreeks loopt vanaf 1706 en is al een compilatie van waarnemingen uit Delft, Rijnsburg, Haarlem, Halfweg, Utrecht en De Bilt.
      http://members.casema.nl/errenwijlens/co2/debiltseries.gif

      • Bart Vreeken 3 februari 2018 om 18:26 - Antwoorden

        Wat is dat nou voor raar plaatje, Hans Erren? Wil je nou beweren dat de gemiddelde temperatuur in De Bilt tussen 1850 en 1930 rond de 10 graden lag? Dat is heel anders dan mij bekend is.
        http://www.logboekweer.nl/Antiek/Utrecht1851_Temp.pdf

        Ik snap niet dat er zo hoog wordt opgegeven van de ruwe gegevens van een paar eeuwen terug. Die werden niet volgens de huidige normen verzameld, en in een lage frequentie (als je geluk hebt drie keer per dag). Je zult altijd moeten homogeniseren om het vergelijkbaar te maken met de recente meetseries.

        • Hans Erren 3 februari 2018 om 23:46 - Antwoorden

          Heb je de kleine lettertjes onderaan jouw plaatje wel goed gelezen? Mijn plaatje zijn de ruwe Labrijndata, mooier kan ik het ook niet maken. Leen zijn proefschrift eens als je het niet gelooft.

          • Bart Vreeken 4 februari 2018 om 09:35

            Die kleine lettertjes heb ik er zelf onder getypt, Hans! Of geplakt, dat weet ik niet meer.
            De ‘ruwe Labrijndata’ van Utrecht en andere bronnen zijn 365 x 3 metingen per jaar. In jouw figuur staan dus niet de ruwe data, maar een soort van gemiddelden. De eerste vraag is hoe je die drie waarnemingen per dag omrekent naar een etmaalgemiddelde. Neem je simpel het gemiddelde van de drie, of houd je rekening met de dagelijkse gang van de temperatuur. Dat levert iets anders op. Tweede punt is wat je doet met de locatie in Utrecht. Dat was midden in de stad, daar zal zeker stadseffect in zitten. Als het goed is corrigeer je daarvoor al is het moeilijker om te bepalen hoeveel precies. Daarnaast ligt Utrecht wat westelijker dan De Bilt, daar moet je ook wat voor corrigeren.
            Het meetpunt in Zwanenburg lag op een geografisch bijzondere locatie: op het contactpunt van het Haarlemmermeer met Het IJ. Twee grote watermassa’s die vooral ’s winters bij smeltend ijs een afkoelende werking gehad zullen hebben. Ook daarvoor moet je corrigeren. Het is dus niet zo dat de ruwe data (of simpelweg het gemiddelde daarvan) beter is dan de gehomogeniseerde versie.
            In jouw figuur zie ik na 1850 uitschieters tot boven de 11 graden. Het KNMI komt op 10,6 voor 1868. Het KNMI komt op een jaartemperatuur van 7,3 graden voor 1855. Jij komt op iets van 8,6 graden. Hele grote verschillen.
            Is jouw figuur of iets wat daar op lijkt ook in het proefschrift van Labrijn terug te vinden? Kun je daarvan een plaatje laten zien?

    • André Bijkerk 3 februari 2018 om 16:59 - Antwoorden

      Beste P van Toorn

      Dank. Mijn spreadsheet bied plaats aan 2048 datapunten, zo krijg je met de “rescaled range” methode van 8-16-32-….-2048 dus 9 Range/SD estimates. Redelijk solide en HadCRUT4 met maandelijkse data vanaf 1850 komt daarbij in de buurt. In het vorige blog heb ik ook 512 datapunten gebruikt om de maandelijkse satellietdata in te passen en ter vergelijking daarvan vroeg- midden- en late segmenten van HadCRU. Wat opviel was dat de vroege serie vrij lage Hurst exponenten opleverde (rond de 0,25) en de laatste een veel hogere (iets van 0,4). Inderdaad is dan de vraag hoe zuiver de koffie is.

      We moeten maar eens naar de Labrijn reeks kijken en naar het resultaat van JRA55 ( jra.kishou.go.jp/JRA-55/index_en.html )

      Wordt absoluut vervolgd.

      • Erik 3 februari 2018 om 17:39 - Antwoorden

        André,

        misschien kun je ook de central england temperatuur reeks , CET, gebruiken.

        Overigens nog een berekening van klimaatgevoeligheid voor 2*CO2.
        Broeikasgassen H2O en CO2 zorgen voor 33 graden temperatuur verhoging tov een atmosfeer zonder deze gassen.
        Bij verdubbeling hebben we 560 ppm CO2. We houden H2O constant op 20000 ppm.
        De CO2 hoeveelheid is dus klein tov het totaal van waterdamp en CO2
        Dus 20280 ppm brkasgas heeft 33 graad verhoging gebracht, dus verdubbeling leidt dan tot 20560/20280 * 33 = 1,0138 graad erbij. Nemen weer aan dat CO2 maar voor de helft verantwoordelijk is dan vinden we een gevoeligheid van circa 0,5 graad.
        Dus de klimaatgevoeligheid kan varieren tussen 0,5 en 1,0 bij 50 of 100% CO2 bijdrage aan het effect.

        • André Bijkerk 3 februari 2018 om 18:37 - Antwoorden

          Beste Erik, ik snap dat maar het is niet waar, de broeikasgassen hebben er voor gezorgd dat de atmosfeer tot 33 graden boven de “”blackbody-“”temperatuur kon afkoelen -niet opwarmen. Dubbele haakjes omdat er heel, heel veel aan af valt te dingen.

          Zie ook: https://www.climategate.nl/2015/08/mijn-kijk-op-de-invloed-van-co2-op-het-klimaat-deel-een-geen-co2/

          Ik zal de CET-data eens tevoorschijn halen.

        • Dirk Visser 4 februari 2018 om 15:19 - Antwoorden

          Erik,
          Jouw berekening heeft veel overeenkomst met wat ik hieronder heb gedaan, het gaat over de 5de grafiek in de volgende link:

          /https://klimaathype.wordpress.com/2015/12/14/over-de-verzadiging-van-het-co2-spectrum

          Dit commentaar had ik vorige week gepost op WUWT.

          Verder valt over de grafiek nog het volgende op te merken:
          Bij het huidige CO2 gehalte is ca. de helft van het absorberend vermogen van CO2 bereikt, er is verzadiging bij ~2% CO2.
          Een opmerking over de atmosfeer van Venus, maar dit terzijde:
          De forcering door CO2 is dus maximaal ~20℃, de dikte van de atmosfeer veroorzaakt de hoge temperatuur aan het oppervlak.

          • Dirk Visser 5 februari 2018 om 11:04

            In de bovenstaande tekst is dit weggevallen:

            “This figure (from the site of Hans Erren) shows the calculated values for the relative absorption over the 15 micrometer band for several CO2 optical thicknesses. 300 atm.cm corresponds to 373 ppm in the air column.
            The range 5 – 600 atm.cm CO2 shows a logarithmic response. At 20 000 atm.cm saturation is reached.
            It is tempting to calculate from this figure a climate response. Wikipedia learns that GHGs enhance global surface temperature by 33 degrees C, CO2 is responsible for 9-26%, i.e. 3-9 degrees C. The response for doubling CO2 is then ~0.3-1.0 degree C, all other things kept equal.”

  5. André Bijkerk 3 februari 2018 om 20:37 - Antwoorden

    De CET dataset hier: metoffice.gov.uk/hadobs/hadcet/cetml1659on.dat

    verdeeld in twee segmenten van elk 2048 maanden van 1659-1829 en 1847-2017. De maand-temperaturen zijn in absolute graden Celsius. Daarom moet voor elke maand het gemiddelde in beide periodes worden afgetrokken om de persistentie van de jaarlijkse cyclus te verwijderen. Daarmee zijn we op het basisniveau van HadCRU en andere datasets, die eveneens van temperaturen relatief ten opzichte van het gemiddelde uitgaan.

    We krijgen dan een persistentietelling van 29,5% resp. 29,8%.

    Na een identieke stationaire behandeling van een random walk, die een gemiddelde Hurst exponent schatting van 50% oplevert, (te weten differentiëren en dan een ‘running average’ van 521 maanden aftrekken) komt de eerste CET set op een Hurst exponent van 0,195 en de tweede op 0,204.

    Ter vergelijking, wanneer we die stationair makende stappen overslaan komt een feedbackloze random walk op een Hurst exponent van 0,95-1 en de beide CET datasets op 0,648 resp 0,655

    Alles wijst dus op een forse negatieve feedback.

  6. Marleen 4 februari 2018 om 06:47 - Antwoorden

    Dit gedeelte is enigszins verwarrend:

    “Wetenschap is de toepassing van de wetenschappelijke methode. Vergelijk de uitkomsten met de natuur en wanneer het niet klopt, dan maakt het niet uit hoeveel studies in het midden liggen.”

    Dit geldt natuurlijk niet alleen voor studies en hun aantal die in het midden liggen, maar dit geldt voor elke studie, of die nu niet wel of niet in het midden ligt. ‘Zolang het niet klopt, klopt het niet’ staat daar eigenlijk. Dat is een waarheid als een koe.

    Dan: ”Nu weten we ook uit analyse van het frequentiespectrum dat de basisgevoeligheid van het klimaat ongeveer één graad per verdubbeling is, te laag voor bovengenoemde inschattingen. Daarom is bedacht dat er positieve feedback in het spel moet zijn om de vereiste klimaatgevoeligheid te bereiken.”

    Ik wist niet dat de klimatologen met de modellen de uitkomsten van hun modellen kloppend maakten met feedback. Ik neem aan dat er een serieuze reden is om positieve of negatieve feedback in een model in te voeren en niet alleen om een resultaat kloppend te maken.

    Feedback is geen mosterd na de maaltijd. Feedback betekent eenvoudig dat er een systeem bestaat waarbinnen resulterende gegevens/processen de inkomende gegevens/processen steeds en voortdurend versterken (of inhiberen in het geval van negatieve feedback). In een klimaatmodel kunnen dat positieve feedback zijn (opwarming -> toename CO2/waterdamp -> opwarming -> toename CO2/waterdamp -> opwarming etc) en/of negatieve feedback zijn (toename sneeuw/ijs -> verhoging albedo -> afkoeling -> toename sneeuw/ijs ->afkoeling). In de biologische cellen kunnen dat de beroemde metabolische cascades zijn waarin er positieve feedback plaatsvindt: trigger (hormoon) -> cyclisch GMP -> fosforylering van second messengers -> cyclisch GMP net zolang totdat er een tegensignaal komt. Dit heeft naar mijn idee niets te maken met ‘persistent gedrag’, want in de meeste biologische systemen (en dus waarschijnlijk ook in het klimaat) is er sprake van amplificatie van de signalen – een toename van resulterende processen/gegevens.

    • Chemical 4 februari 2018 om 12:54 - Antwoorden

      Marleen, wat je schrijft is onjuist: cyclisch GMP (cq cyclisch AMP) zijn zelf second messengers, ze fosforyleren dus niet andere second messengers, en ze stimuleren evenmin hun eigen synthese.
      Amplificatie van signalen gebeurt inderdaad in biologische systemen, maar dat is is iets anders dan positieve feedback. Hierbij wordt het eindproduct weer in het systeem teruggevoerd waardoor een versterkings loop ontstaat. Versterken van een geluidsignaal door een geluidsinstallatie is amplificatie, rondzingen is acoustische feedback.
      Het feit dat in biologische systemen amplificatie optreedt (ook negatieve feedback overigens) wil natuurlijk niet zeggen dat dat ‘dus waarschijnlijk ook in het klimaat’ het geval is’.

      • Marleen 4 februari 2018 om 18:19 - Antwoorden

        Chemical,

        cyclisch GMP wordt inderdaad als een second messenger beschouwd, maar ik denk toch echt dat de amplificatie toe te schrijven is aan een positieve feedback, in elk geval een feedback die in eerste instantie positief is waardoor er amplificatie optreedt die een inhibitie induceert ofwel negatieve feedback.

        • Chemical 5 februari 2018 om 09:45 - Antwoorden

          Marleen,

          Misschien kun je voorbeelden noemen van biologische amplificaties die berusten op positieve feedback, ik ken ze zo een-twee-drie niet. Voor versterken van biologisch signaal is positieve feedback helemaal nodig.
          Een voorbeeld van een proces waar heel snel amplificatie van een signaal optreedt is de bloedstolling: in rust staat dit proces helemaal uit, het is zinloos en gevaarlijk om dit systeem op de achtergrond stationair te hebben draaien. Maar als de nood aan de man is, moet de bloedstolling direct op topsnelheid werken. Dit is mogelijk doordat de bloedstolling is georganiseerd als een cascade proces waarin inactieve (pro)enzymen elkaar achtereenvolgens activeren. Hierdoor ontstaat een sneeuwbal effect zodat binnen zeer korte tijd voldoende fibrine gegenereerd kan worden om het gat te dichten.
          Een fictief voorbeeld om het principe van dit cascade proces te illustreren: stel dat bij beschadiging van een bloedvat 1 inactief pro-enzymmolecuul(I) wordt omgezet in 1 actief enzymmolecuul(I). Het aldus gevormde enzym(I) werkt vervolgens in op x proenzymen (II), wat resulteert in de vorming van x actieve enzym(II) moleculen. Als 1 enzym(II) molecuul per seconde y proenzymen(III) activeert, worden in de volgende seconde x*y enzym(II) moleculen gevormd. Op hun beurt activeren die in de volgende seconde x*y*z pro-enzymmoleculen (III) enzovoort, enzovoort. Kortom, zonder dat er sprake is van positieve feedback treedt een exponentiële versnelling van het proces op. Het door adrenaline-geïnduceerde snelle vrijmaken van glucose uit glycogeen-stores en talloze intracellulaire signaalroutes zijn op hetzelfde principe gebaseerd.
          Voorbeelden van negatieve feedback, waarbij het eindproduct zijn eigen aanmaak remt, zijn er wel, maar dat is een verhaal voor een andere keer.
          En wat dit allemaal te maken heeft met feedback in het chaotische klimaatsysteem …?

  7. J van der Heijden 4 februari 2018 om 12:20 - Antwoorden

    Paul,

    Nee niet blindvaren, maar vooral door de opinie van al die “sceptici” te controleren ben ik er van overtuigd geraakt dat de meeste “sceptici” onzin lopen te verkondigen.

    Er is inderdaad een kans dat de mainstream er naast zit, maar als dat zo is zal dat aangetoond worden door mainstream wetenschappelijk onderzoek wat je zal lezen in Nature of Science en niet op een vlaag blog wat de gemiddelde onderbouwing is voor een “sceptische”mening

  8. Arthur Rörsch 4 februari 2018 om 15:42 - Antwoorden

    Marleen 4-2-2018 06.47
    Wat feedback betreft denk ik ter vergelijking ook steeds aan de stofwisseling van de levende cel waaraan ik 40 jaar (!) geleden werkte en dan in het bijzonder aan het oscillerende a-periodische gedrag omdat de complexiteitstheorie toen sterk van de grond was gekomen.
    Toch denk ik dat er een belangrijk verschil met het klimaatsysteem is wat betreft snelheden waarmee de processen zich afspelen. Er zit wel wat in als André spreekt van ‘mosterd na de maaltijd’. De afbraak van glucose tot pyruvaat oscilleert met een snelheid van een tiental minuten. Veroorzaakt door steeds optredende positieve en negatieve feedback in elk van de stappen.
    Op zoek naar de negatieve feedback in het klimaatsysteem moeten we die mijns inziens niet zoeken in een lokale luchtkolom op korte termijn waarin waterverdamping koeling van het oppervlak teweeg brengt maar gelijkertijd de damp ook bijdraagt (door IR absorptie) aan de warmte die in de lage troposfeer wordt vastgehouden. Wat terugstraling opwekt. Positieve en negatieve feedback zullen hier steeds tegen elkaar inwerken maar wat is het gevolg daarvan op een mondiale schaal?
    Aanvankelijk zocht ik met modelberekeningen de negatieve feedback in de dag-nacht afwisseling (diurnal cycle) waarbij overdag zowel opwarming van de zon als sterke IR uitstraling tegen elkaar inwerken terwijl in de nacht alleen afkoeling optreedt. Doorrekenend aan waarnemingen boven land leidde dit tot een aanwijzing voor een kleine positieve feedback. Maar dat is dus ook een lokale situatie. Op een mondiale schaal spelen de oceanen (70 % van het aardoppervlak) met een honderd maal grotere warmtecapaciteit dan grond een grote rol. En daarmee met zeestromen ook op de uitwisseling van warmte tussen verschillende breedtegraden. Die speelt zich op een veel langere tijdschaal af dan de diurnal cycle. Heeft alles te maken met de seizoenwisseling, iedere drie maanden. Op zelfs de 60ste breedtegraad is het op het noordelijk halfrond behoorlijk warm gedurende de zomer, maar knap koud in de winter. Maar toch ook niet zo warm of koud als men als gevolg van wisselende zoninstraling zou verwachten. Ik reken door aan 12 situaties, op vier breedtegraden 0, 30, 60, 85 NB, en op vier dagen in het jaar, 21 maart, 21 juni, 21 september en 21 december. En kom dan tot de conclusie in aanmerking nemend de warmte-uitwisseling tussen de breedtegraden op elk tijdstip (door zeestromen en lucht circulaties) van grote betekenis is om een mondiaal jaarlijks berekende gemiddelde temperatuur te verklaren.
    Aan een berekening van wat een kleine toename van de optische dichtheid van de atmosfeer op een mondiale schaal door CO2 toename kan veroorzaken, ben ik nog niet toegekomen. Maar ik voorzie nihil. Houdt me ten goede, deze visie is tentatief. Ik moet alles nog eens een keer doorrekenen of ik niet een cruciale fout daarin maak. Dit ook toetsend aan wat de mainstream voor conclusies trekt uit de huidige General Circulation Models.

    PS
    De discussie die op climategate.nl zo langzamerhand tot stand komt onder mensen die onafhankelijk van de main stream nadenken over de oorzaak van het aardse broeikaseffect waardeer ik zeer. (Die over politieke ontwikkelingen dienaangaande minder). Laten we de wetenschappelijke discussie vooral voortzetten, zonder dogmatisch te worden over AGW alarmistische of sceptische concepten. En kritisch blijven op beide visies.
    En daarbij opmerkingen als van JvdH 4-2-2018 12.20 naast ons neerleggen dat alleen main stream publicaties die de modieuze tijdschriften zoals Science en Nature weten te bereiken van betekenis zouden zijn om nieuwe inzichten in de oorzaken van klimaatvariabiliteit te ontwikkelen.
    Tot dusver heeft JvdH geen enkel eigen inzicht getoond. Hij volhardt in de opvatting dat de meeste sceptici onzin verkondigen, uitsluitend op grond van de verwijzing naar de main stream views die worden gepubliceerd in de modieuze tijdschriften.
    Een mijns inziens populistische benadering om meelezers op het blog af te leiden van wat er zich werkelijk in de wetenschappelijke discussie speelt.
    Ik hoop dat die meelezers dat zo langzamerhand ook beginnen te begrijpen.

    • J van der Heijden 4 februari 2018 om 17:37 - Antwoorden

      Arthur,

      Ik zou je serieuzer nemen als je overduidelijke onzin (Harde Scafetta) zou afwijzen en eens blijk zou geven dat je open staat voor de mening van anderen.

      Oh en natuurlijk het feit dat ik je een jaar of 4 geleden nog moest uitleggen wat OHC was geeft ook al geen vertrouwen.

      Ook lezen en proberen te begrijpen wat anderen zeggen schijnt wat lastig te zijn.

      als er baanbrekend onderzoek zou zijn over het effect van CO2 dan zal dat uiteindelijk te lezen zijn in Science of Nature en zal de onderzoeker een ticket naar Oslo kunnen boeken.

      Maar het geeft allemaal niet ik wacht op je wetenschappelijke publicatie in een fatsoenlijk wetenschappelijk tijdschrift !

  9. Henk dJ 4 februari 2018 om 18:09 - Antwoorden

    André, ik ben (net zoals de meeste anderen die hier reageren) geen klimaatwetenschapper, en heb dus niet voldoende achtergrondkennis. Dus ik kan niet ten gronde nagaan of jij gelijk hebt of niet (alhoewel er hier wel anderen zijn die menen dat wel te kunnen doen!). Ik heb de indruk dat alleen Guido een klimaatwetenschapper is en dus met kennis van zaken kan reageren, en hij blijkt het in ieder geval niet met je eens te zijn. Hij geeft ook heldere argumenten over waar jij je fouten maakt.

    Maar als wetenschapper kan ik wel vaststellen dat jouw openingsparagraaf complete nonsens is. Het klinkt wel mooi en het zal bij een naieveling misschien wel de indruk scheppen dat jij weet waarover je het hebt, maar een beetje wetenschapper doorziet dat dit gewoon ‘hot air’ is. Het is immers net het omgekeerde: hoe meer degelijke studies er komen die hetzelfde vaststellen, hoe meer er een breed gedragen consensus wordt bekomen. En daardoor worden de schattingen juist steeds betrouwbaarder. Men gaat van ‘inschatting’ (een veronderstelling) naar ‘schatting’ (een waarde met een betrouwbaarheidsinterval). Hoe meer studies er in dezelfde richting bljiken te wijzen, hoe minder inschatting en hoe meer schatting. Misschien dat je nog eens moet nagaan wat er echt wordt bedoeld met “de wetenschappelijke methode” of “schatting” voordat je die uitdrukkingen nog eens gebruikt.

    Alhoewel jij geen (klimaat)wetenschapper bent, meen jij toch het beter te weten dan hen. Daarom enkele vragen:
    1/ Heb jij jouw visies al eens met echte (professionele) klimaatwetenschappers besproken? Zijn er die het met je eens zijn?
    2/ Ik herhaal mijn vraag van enkele dagen geleden (artikel Klimaat op Venus) : “waarom denk je dat jij het beter weet dan die duizenden experten? is het gewoon omdat je zo graag wil geloven wat jij zegt? omdat het in je overtuiging past?” Toen heb je het niet beantwoord. Kun je het nu wel beantwoorden?

  10. André Bijkerk 4 februari 2018 om 18:51 - Antwoorden

    Beste Henk dJ

    Mijn opening is exact zo onwetenschappelijk als de conclusie van Guido’s bijdrage onlangs, waarop het was geinspireerd: climategate.nl/2018/01/klimaatgevoeligheid/

    Om te claimen dat overgangs-klimaatgevoeligheid onder de 1 graad ligt moet je je in mijn ogen in heel vreemde bochten wringen. Dan schuif je alle bekende kennis opzij en vertrouw je op ongefundeerde hoop.

    Waarom ik gelijk heb met Venus? Ik heb die post gemist anders zou ik onmiddellijk hebben geantwoord. Ik ben geen specialist, maar ik versla elke paleontoloog op het gebied van astrofysica en ik daag iedere astrofysicus uit om zich met mij te meten op het gebied van oceanografie, terwijl ik alle oceanografen uitdaag om zich met mij te meten over kennis van paleontologie. Ik bedoel: je vind het antwoord niet in je eigen kleine straatje, je moet het grote verband kunnen vinden. In 2001 viel ik zowat van mijn fiets onderweg naar huis toen ik spontaan bedacht dat de staat van energie van de aarde en Venus best wel eens gelijkwaardig zouden kunnen zijn. De aarde heeft energie in de rotatie, Venus de warmte. Daar heb ik me op vastgebeten en alles wat ik vond klopte als een zwerende vinger.

    Maar wie wil daar nu naar luisteren?

    • André Bijkerk 4 februari 2018 om 19:47 - Antwoorden

      Verder nog, op

      Het is immers net het omgekeerde: hoe meer degelijke studies er komen die hetzelfde vaststellen, hoe meer er een breed gedragen consensus wordt bekomen.

      Nee, bekend met de publicatie: Hundert Autoren Gegen Einstein? Ook al zijn er 100.000 specialisten het met elkaar eens, de waarheid kan conpleet ergens anders liggen, vandaar de laatste quote:

      Science is the believe in the ignorance of experts.
      Richard Feynman.

      Als je logische conflicten moet oplossen moet je absoluut de drogreden van autoriteit loslaten.

      Heb jij jouw visies al eens met echte (professionele) klimaatwetenschappers besproken? Zijn er die het met je eens zijn?

      Ik heb van gedachten gewisseld onder meer met Richard Müller, Judith Curry, Steve McIntyre, William Kinninmonth, Bas van Geel, Patrick Michaels, wijlen Bob Carter, wijlen Zbigniew Jaworowski, wijlen Olavi Kärner enz. Het was altijd heel gezellig.

      In aanvulling op Venus: De essentie hier is dat Venus door de chaotische zone ging, waarbij de frequentie van precessie (aarde: 21ka) en obliquity (aarde 41ka) elkaar naderden waardoor extreme interferentie ontstond, ten gevolge waarvan de as van de planeet extreme uitslagen kreeg. De vaste binnenkern, die zich als een onafhankelijke gyroscoop gedraagt, deed daaraan niet mee omdat de torsie krachten op de evenaar uitstulping van de mantel werken. Met de mantel en binnenkern draaiend in verschillende richtingen krijg je een gigantische rem, waardoor rotatie energie werd omgezet in warmte. Die warmte brak vervolgens door naar het oppervlakte en veroorzaakte alle verschijnselen die we nu zien, inclusief de verbranding van de atmosfeer.

      • Henk dJ 5 februari 2018 om 08:30 - Antwoorden

        André, jouw reacties zitten vol met drogredenen en vermijden om antwoorden te geven op de twee vragen die ik je stelde. Je blijft om de hete brij draaien, en dat zegt zeer veel over jou.

        Ik leg uit dat je eerste paragraaf onwetenschappelijk is, maar als enige reactie daarop gebruik je een afleidingsmanoeuvre (de ‘red herring’ drogredenering): je begint over Guido. En dan ga je verder over Venus. Heeft niets te maken met bovenstaand artikel van jouw, dus ook weer een ‘red herring’

        Daarbij begin je dan als een bronstige gorilla op je borst te kloppen “ik versla elke paleontoloog… Ik daag iedere astrofysicus uit…” het doet me gewoon weer denken aan de uistpraak van Bertrand Russel: “The whole problem with the world is that fools and fanatics are always so certain of themselves, and wiser people so full of doubts.”

        En dan komt de “argumentum ad verecundiam” drogreden. Je probeert je te beroepen op Einstein. Maar Einstein zie nooit dat de natuurkunde voor hem het mis had, hij voegde er enkel iets nieuw aan toe. En ja, in de beginjaren waren er ook wetenschappers die het niet eens waren met Einstein, net zoals met AGW in de jaren ‘90. Maar hoe meer studies er beschikbaar kwamen, hoe duidelijker het werd dat Einstein gelijk had. Net zoals het in de afgelopen 20 jaar duidelijker werd dat AGW beter en beter werd in het inschatten van het broeikasteffect.

        En dan nog een “Petitio principii” drogreden: je associeert jezelf met een hele waslijst ‘klimaatwetenschappers’, met wie je van gedachten hebt gewisseld. Is het toevallig dat het allemaal personen zijn die in het kleine groepje zitten van AGW-negationisten? Het is altijd eenvoudig om te ‘bewijzen’ dat je gelijk hebt als je enkel verwijst naar gelijkgestemden. Waar heb je ze ontmoet? Op een lobby-groep symposium van negationisten? Maar heb je ook al eens met een klimaatwetenschapper gesproken die de zeer brede consensus aanhangt?

        O ja, en ik vroeg je wel: “zijn ze het met je eens”? Maar daar antwoordde je niet op. Je zegt enkel dat je gesprek “gezellig” was. Ik vond het opmerkelijk dat je hier dus niet hebt geschreven dat ze het met je eens waren! Die hele paragraaf van jou is dus ook weer een “red herring” drogargumentatie.

        Je antwoordt dus helemaal niet op de twee vragen die ik je stelde. Uit je antwoorden kan ik maar één zaak concluderen: jij maakt heel wat redeneerfouten maar je bent toch overtuigd dat je –ondanks je beperkte kennis van de klimaatwetenschap- het beter weet dan de duizenden experten die een breed gedragen consensus hebben bereikt na jarenlang onderzoek en discussie. Denk gewoon aan Bertrand Russel: jij bent geen “wise man”, jij bent een “fool”.

        • André Bijkerk 5 februari 2018 om 09:30 - Antwoorden

          We zijn nu wel helemaal op het DH0 niveau beland niet?

          paulgraham.com/disagree.html

          DH0. Name-calling.

          This is the lowest form of disagreement, and probably also the most common. We’ve all seen comments like this:
          u r a fag!!!!!!!!!!
          But it’s important to realize that more articulate name-calling has just as little weight. A comment like
          The author is a self-important dilettante.
          is really nothing more than a pretentious version of “u r a fag.”

          En omdat je me een idioot vind, hoef je niets van deze blog hier serieus te nemen. Maar is de Hurst exponent en de persistency telling van klimaat data daarmee plotseling wel in het positieve feedback gebied terecht gekomen? Kun je daarmee dus wel de klimaatgevoeligheid boven de basiswaarde uittillen? Waarom weerleg je het blog niet.

          En weet je waar consensus zoekers zitten: Hier: en.wikipedia.org/wiki/Groupthink

          Groupthink is a psychological phenomenon that occurs within a group of people in which the desire for harmony or conformity in the group results in an irrational or dysfunctional decision-making outcome. Group members try to minimize conflict and reach a consensus decision without critical evaluation of alternative viewpoints by actively suppressing dissenting viewpoints, and by isolating themselves from outside influences.

          en daarbij hoort natuurlijk:

          Stereotyping those who are opposed to the group as weak, evil, biased, spiteful, impotent, or stupid.

          waarvan je zojuist een prachtig staaltje hebt laten zien. Waarvoor mijn dank.

          • Henk dJ 5 februari 2018 om 16:55

            André, jij probeert mijn reactie te reduceren tot “Name-calling” en “group-think”. Maar ik heb heel expliciet gemotiveerd waar ik fouten zie in jouw redeneringen, en hoe ik dan tot de conclusie kom dat ik je geen “wise man” kan noemen.

            En jij blijkt niet het verschil in te zien tussen “groupthink” ( a psychological phenomenon … irrational or dysfunctional decision-making outcome … without critical evaluation”) en een wetenschappelijk onderbouwde consensus.

            Maar jij negeert mijn motivaties wel volledig. Omdat je dat doet, beschouw jij mijn conclusie als “name-calling”. Maar ik zie daarin gewoon weer een afleidingsmanoeuvre van jou. Daarmee probeer je gewoon weer de belangrijkste zaken in mijn reactie te negeren. Die zijn “Je antwoordt dus helemaal niet op de twee vragen die ik je stelde….. jij maakt heel wat redeneerfouten maar je bent toch overtuigd dat je –ondanks je beperkte kennis van de klimaatwetenschap- het beter weet dan de duizenden experten”.

            Dus, ga je nog antwoorden op die vragen? Of opnieuw een afleidingsmanoeuvre opstarten?

          • Hans Erren 5 februari 2018 om 17:33

            Andre hier ben ik het toch eens met Henk, als je een artikel schrijft moet je wel inhoudelijk repliek geven. Maar Henk: graag wel alléén inhoudelijk reageren.

          • André Bijkerk 5 februari 2018 om 21:55

            Okay, nogmaals dan

            1/ Heb jij jouw visies al eens met echte (professionele) klimaatwetenschappers besproken? Zijn er die het met je eens zijn?

            Ja en ja

            2/ Ik herhaal mijn vraag van enkele dagen geleden (artikel Klimaat op Venus) : “waarom denk je dat jij het beter weet dan die duizenden experten? is het gewoon omdat je zo graag wil geloven wat jij zegt? omdat het in je overtuiging past?” Toen heb je het niet beantwoord. Kun je het nu wel beantwoorden?

            Ik kwam er vanmiddag achter dat mijn visie op Venus oud nieuws is. Het was al bedacht. Ik heb de blog daarover vandaag ingeleverd en het is aan de hoofdredacteur om het te plaatsen. Dan kunnen we er inhoudelijk over discussiëren.

            Op verder DH0 gezuig ga ik niet in, hoewel ik me vereerd voel lijdend voorwerp te zijn van karaktermoord.

          • Henk dJ 6 februari 2018 om 18:23

            Ik stel vast: één uiterst minimalistisch antwoord en één ontwijking van de vraag.
            TBC !

    • Bart Vreeken 4 februari 2018 om 20:00 - Antwoorden

      Ik ben blij dat je niet van je fiets gevallen bent, André!

      Maar ik zie werkelijk niet hoe rotatie-energie hier verband zou kunnen houden met de warmte in de atmosfeer van Venus of de Aarde.

      In extreme gevallen kan de rotatie van hemellichamen, zoals de manen van Jupiter leiden tot warmte en vulkanisme, omdat ze door de getijdenwerking doorlopend gekneed worden. Maar Venus heeft geen maan, en draait juist langzaam om zijn as. En ook voor de Aarde speelt het voor zover ik weet geen grote rol in de warmteproductie.

      Een exotische verklaring zou kunnen zijn als de kern van Venus sneller draait dan de mantel en de korst en zo warmte opwekt. Maar nu verzin ik maar wat en geen idee of zoiets kan. Trouwens best een interessante theorie 🙂

      • André Bijkerk 4 februari 2018 om 20:06 - Antwoorden

        Beste Bart

        Elke stap daar is te onderbouwen, ik heb niets daarvan verzonnen. Ik heb alleen de stukjes van de legpuzzel in elkaar gepast. Een voorbeeld:

        nature.com/articles/35081000

        Misschien mag ik van Hans het verhaal wel eens bloggen.

    • Bart Vreeken 4 februari 2018 om 20:06 - Antwoorden

      Gelukkig ben je niet echt van je fiets gevallen, André!

      Maar ik zie werkelijk niet hoe er verband zou kunnen zijn tussen de rotatie-energie van de Aarde en de warme atmosfeer op Venus.

      In extreme gevallen kan rotatie-energie van hemellichamen wel leiden tot merkbare warmteproductie. Bijvoorbeeld bij de manen van Jupiter (of Saturnus?), die worden door de getijdenkrachten permanent gekneed, wat leidt tot vulkanisme. Maar Venus heeft geen maan, en op Aarde speelt het effect voor zover ik weet geen grote rol.

      Een exotische verklaring zou kunnen zijn dat de kern van Venus nog sneller draait dan de mantel en de korst, en zo warmte produceert. Maar nu verzin ik maar wat, geen idee of zoiets kan. Trouwens wel een interessante gedachte 🙂

  11. Arthur Rörsch 4 februari 2018 om 19:08 - Antwoorden

    JvdH 4-2-2018 17.37
    Ik zit niet te wachten op jouw waardering. Je hebt overduidelijk nooit begrepen wat de betekenis was van de bijdragen die Harde en Scafetta hebben geleverd aan voortschrijdend inzicht. Vertel ons eventueel nog eens waarom de berekeningen van Harde en Scafetta niet zouden kloppen. Maar dan echt met eigen getoond inzicht waaruit zou kunnen blijken dat ze fouten maken. Niet met verwijzing naar anderen.
    Je weet ook niet in te gaan op bovenstaande discussie met Marleen. Waarschijnlijk begrijp je in het geheel niet waar die over gaat.
    Je reacties munten uit in ad hominem. En in onvoorwaardelijk geloof in wat de main stream in Nature en Science gepubliceerd weet te krijgen.
    Elke volgende reactie van jou op onze inhoudelijke wetenschappelijke discussie denk ik te kunnen afdoen met verwijzing naar je onvoldoende zelf nadenken over de materie. En kennis daarvan. Als niet ter zake doende omdat je niet toont hoe je er redelijkerwijs zelf op zou kunnen in gaan. De botheid van je niet inhoudelijke respons op bovenstaande discussie met Marleen zal duidelijk zijn voor elke meelezer.

    • J van der Heijden 6 februari 2018 om 12:13 - Antwoorden

      Wat Scafetta heeft gedaan is een forrier analyse los laten op de temperatuur en vervolgens daar cycli van hemellichamen op geprojecteerd om vervolgens te concluderen dat de hemenlichamen de temperatuur van de aarde beïnvloeden, wat hij niet heeft gedaan is een mechanisme geven hoe dat zou moeten gebeuren. Betekenis voor het voortschrijdend inzicht…. NUL.

      Wat Harde heeft gedaan is een hoop rekenwerk terwijl logisch nadenken heel eenvoudig zou wijzen op de waarheid –> 100% van de stijging van het CO2 niveau is antropogeen. Betekenis voor het voortschrijdend inzicht –> NUL

      Het enige waar die 2 hun nut voor het voortschrijdend inzicht hebben bewezen is dat ze inzicht geven wie goedgelovig is en wie nog even zelf nadenkt voordat hij iemand geloofd.

      Allemaal zaken die ik je 4 jaar geleden al heb proberen duidelijk te maken, maar waar je iedere keer weer van wegloopt en niet in gaat op de argumenten van anderen.

      http://sargasso.nl/kleine-ijstijd-op-komst/

      De discussie met Marleen is nmm ook heel duidelijk

      Andre postuleert “Daarom is bedacht dat er positieve feedback in het spel moet zijn om de vereiste klimaatgevoeligheid te bereiken”

      Dat is natuurlijk onzin, want de positieve feedbacks zijn niet bedacht die zijn het gevolg van de diverse natuurwetten –> het wordt warmer, ijs smelt en er wordt minder licht terug gestraald –> het wordt dus weer warmer –> er smelt meer ijs

      En nog eentje het wordt warmer –> warme lucht kan meet waterdamp bevatten –> waterdamp is een broeikas gas –> het wordt nog warmer.

      Ik begrijp wel degelijk waar het over gaat –> Andre geloofd Karner en is zeker dat hij gelijk heeft, Guido, Marleen, Henk Dj en ondergetekende hebben meer vertrouwen in de natuurkunde, de natuurkunde kan namelijk wel de opwarming van de afgelopen 120 jaar verklaren en Andre niet.

      Ik heb voldoende zelf nagedacht en geconcludeerd dat jij je verbergt achter lappen tekst, je uitgebreide CV en natuurlijk jouw verder niet onderbouwde mening dat 150 jaar wetenschappelijk onderzoek naar klimaat verandering naar de prullenbak verwezen moet worden want er zou een andere verklaring kunnen zijn.

      De botheid van mijn toon? Het zou misschien daaruit voort kunnen komen dat jij al 5 jaar weigert kort en duidelijk te antwoorden op vragen en wegloopt uit iedere inhoudelijk discussie.

      En ja jouw mening interesseert me wel want jou mening geeft mensen rugdekking om voorlopig geen klimaatbeleid uit te voeren, dat is waarschijnlijk niet zou erg voor jou, want jij bent intussen 85 en het zal jouw tijd wel duren voor mijn neefjes is dat anders.

      Hoe zou jij reageren als James Hanssen zou beweren dat 150 jaar biologie de prullenbak in moet omdat hij meent het beter te weten als het gaat om genetica en dat we moeten stoppen met vaccineren? En als de antivax mensen de mening van James Hanssen zouden gebruiken om te gaan lobbyen om de vaccinatie plicht af te schaffen?

      Oh en graag even aangeven waar ik een ad hominem gebruik want conculderen dan de meeste “sceptici”niet nadenken is niet ad hom maar gewoon een feit

  12. Hans Erren 5 februari 2018 om 17:36 - Antwoorden

    Andre, kun je nog een getallenvoorbeeld geven hoe een trage component (lineaire trend) invloed heeft op de hurst exponent, volgens mij filter je die juist weg en kijk je alleen naar de hoge frequenties.

  13. Danny 7 februari 2018 om 11:57 - Antwoorden

    André, Guido,
    Toch nog maar eens een kijk op het totale plaatje… met een alternatieve berekening van de klimaatgevoeligheid.
    In navolging van mijn eerdere reactie(s) vroeg ik mij af naar wat zijn wij nu eigenlijk op zoek: is er een positieve feedback van de CO2 stijging aan te tonen, rekening houdend met het feit dat het totale systeem tegengekoppeld is, maw negatieve feedback vertoond.
    Laten we dus even naar het zuidelijk halfrond kijken: de CO2 evolutie op Mauna Loa en de temperatuur volgens HadCrut4_SH. Uiteindelijk ziet het er zo uit (pag.3!):

    https://www.dropbox.com/s/k89e6f9f5to3y08/Temp%20and%20CO2.ppt?dl=0

    3 curves, geschaald zodanig dat ze gemakkelijk vergelijkbaar worden:
    Blauw/Rood de temperatuur zoveel mogelijk ontdaan van “ruis”: 6-maands gemiddelde lijkt wel bruikbaar…
    Het verschil tussen blauw en rood is enkel een detrending van 0.4 °C.
    Groen is de CO2 metingen op Mauna Loa geschaald om te passen over de blauwe temperatuurcurve.
    Als ik de persistentieberekening juist begrepen heb, vertoond de rode curve een persistentie van 50.85% (120 meetpunten, eerste 2 tellen niet mee, 60 persistente en 58 niet-persistente punten). Voor de blauwe curve geldt dit overigens ook. Lijkt dus wel erg op een “random walk”… is het natuurlijk niet, de grootte van elke “stap” is verschillend van de vorige.
    De persistentie van de CO2-curve is wel heel uitgesproken: 82,8% persistent en als je er de trend uithaalt zelfs 83% persistent.
    Kunnen jullie hier enige conclusie uit trekken?
    Door op deze manier naar de data te kijken, had ik wel zo iets van… waar gaat het nu over: ik zie een “kleine” jaarlijkse variatie in het CO2 signaal, maar een veel grotere variatie in het temperatuursignaal; hoe moet ik nu bewijzen dat er een positieve feedback is van het CO2 signaal in dit veel grotere temperatuursignaal…
    Fourier misschien? Laten we daar even naar kijken… Voor het CO2 niveau op Mauna Loa is het redelijk simpel. De 59ste harmonische springt eruit (nota: we hebben vandaag de gegevens voor 59 jaar en 11 maanden, dus 59 is de te volgen weg). We doen dus hetzelfde voor HADCRUT4_SH (van 1959 tot eind 2017)
    (zelfde link) pag. 5
    Opmerkelijk hoe goed de fases van beide signalen overeenkomen: de temperatuur volgt de CO2 met een vertraging van één maand. Woodfortrees gebruikt de data van Mauna Loa zoals aangegeven als de gemiddelde waarde op de 15de van de maand, maar voor de temperatuur gebruikt men de 1e van de maand, dus 15 dagen extra verschuiving lijkt gepast, vandaar mijn omschrijving van 1 maand vertraging…
    De schaalfactor is zodanig aangepast dat beide sinussen eenzelfde amplitude hebben en dit wordt dus mogelijk door een schaalfactor van 0.00461 toe te passen, wat overeenkomt met een klimaatgevoeligheid van 1.146 °C bij een CO2 verdubbeling.
    Maar om de dingen ook even in perspectief te plaatsen: in de temperatuuranalyse is de 59e harmonische “minder belangrijk”.
    (zelfde link) pag. 4
    laat de 5 belangrijkste harmonischen van het temperatuursignaal zien en ook de 59e.
    Om te besluiten: Mijn oorspronkelijke bedenking van de vorige keer: kan de Hurst exponent onderliggende positieve feedback detecteren in een tegengekoppeld systeem en hoe dient dit dan te gebeuren, wordt door deze blog niet opgelost en blijft dus openstaan.

  14. André Bijkerk 7 februari 2018 om 12:45 - Antwoorden

    Beste Danny

    Dit is een probleem:

    Blauw/Rood de temperatuur zoveel mogelijk ontdaan van “ruis”: 6-maands gemiddelde lijkt wel bruikbaar…
    Het verschil tussen blauw en rood is enkel een detrending van 0.4 °C.
    Groen is de CO2 metingen op Mauna Loa geschaald om te passen over de blauwe temperatuurcurve.
    Als ik de persistentieberekening juist begrepen heb, vertoond de rode curve een persistentie van 50.85%

    Als je de ruis op persistentie wilt beoordelen, want dat is de essentie, dan moet je die ruis niet eerst wegfilteren. Wat je wel moet wegfilteren is het signaal zelf, met name jaarlijkse cyclus want die veroorzaakt eveneens persistentie wleke niets met feedback te maken heeft.

    Mijn oorspronkelijke bedenking van de vorige keer: kan de Hurst exponent onderliggende positieve feedback detecteren in een tegengekoppeld systeem en hoe dient dit dan te gebeuren, wordt door deze blog niet opgelost.

    Maar kijk nog eens goed naar 3A hierboven, een combinatie van een langzame zeer geleidelijk positieve feedback met een snelle forse negatieve feedback levert een “split” op met een lage persistentietelling en een hoge Hurst exponent. Maar in de praktijk hebben alle signalen beide op ongeveer gelijke waarden.

    Ik vraag me verder af hoe valide een jaarlijke temperatuurs- en CO2 cyclus direct te koppelen zijn. De gemiddelde temperatuur op Aarde varieert met de hoeveelheid oceaan die de zon ziet. In de zomer van het zuidelijk halfrond ziet de zon veel meer oceaan dan in de zomer van het noordelijk halfrond. Het zonlicht dat geabsorbeerd wordt in de oceanen doet vrijwel niet mee aan de opwarming van het oppervlak. Daarom is de totale aarde warmer in zomer van het noordelijk halfrond en daar heb je dus een temperatuurscyclus die niets met CO2 te maken heeft.

    gamehobbies.nl/Wetenschap—Natuur/natuur/1002056795.html

    • Danny 7 februari 2018 om 22:02 - Antwoorden

      André,
      De snelheid van jouw reactie geeft aan dat je mijn opmerkingen helemaal niet serieus neemt, je wil zo snel mogelijk – meestal foutief – tegengas geven.
      Ik ga het dus kort houden…
      Als je zegt “Als je de ruis op persistentie wilt beoordelen, want dat is de essentie” dan heb ik toch serieuze vragen… de Hurst exponent is ontwikkeld naar aanleiding van het jaarlijkse peil van de Nijl, dat is signaal, GEEN ruis, ik heb geen idee waarom je denkt dat het om de ruis gaat…
      Met tegenzin heb ik jouw Excel-file gedownload. Een van de eerste vraagtekens die ik had, is de totaal verschillende manier om positieve en negatieve feedback te berekenen. Ik ga dan onmiddellijk voor een “sanity check”: is het resultaat van positief + negatief gelijk aan negatief + positief, en tot mijn grote spijt moet ik melden: NEEN het is verschillend, maw er klopt iets niet met jouw berekeningen…
      Wat jouw opmerking over 3A betreft, dit is toch een grapje hoop ik… ik zie een positieve feedback van 0.675 en een negatieve feedback van 0.5, volgens mijn definitie is dit dus een meegekoppeld en GEEN tegengekoppeld systeem.
      Ik nodig je uit om hierop ten gronde te reageren; als je dit niet doet/wenst te doen, is dit de laatste reactie van mij aan jou.
      PS. Laat er geen twijfel over bestaan, ik hoop echt dat je een ten gronde discussie wilt aangaan, zodat ook ik nog wat kan bijleren.

      • Andre Bijkerk 7 februari 2018 om 22:45 - Antwoorden

        Danny ik meen toch echt enige malen te hebben verteld dat positieve feedback over het systeem niet werkt, dan ontploft de zaak onherroeppelijk. Wat wel kan is positieve feedback over de input, waarmee je persistentie heel goed kunt simuleren. Daarom zien we normale negatieve feedback over het signaal en positieve feedback over de input. Maar ik vind het jammer dat je over alle vragen die je vindt meteen een oordeel klaar hebt en een stuk agressiviteit tentoonstelt en daarom juich ik het toe dat je verder je mond belooft te houden.

      • Andre Bijkerk 7 februari 2018 om 23:10 - Antwoorden

        Verder nog, de Hurst exponent is inderdaad niet ontwikkeld om feedback te onderzoeken. Die uitbreiding is bedacht door Olavi Kärner, waarbij stationaire data moet worden gebruikt.

        http://www.aai.ee/~olavi/
        aai.ee/~olavi/cejpokfin.pdf
        aai.ee/~olavi/2001JD002024u.pdf

        en nog een paar. Ik borduur daar alleen maar op voort.

        Daarnaast, met mijn spreadsheet kun nu zelf heel goed experimenteren met meekoppeling en tegenkoppeling.

    • Danny 8 februari 2018 om 14:04 - Antwoorden

      Guido,
      Ik denk dat er een fundamenteel verschil is tussen jouw grafiek en de mijne. Om te beginnen jij gebruikt HADCRUT4 en ik HADCRUT4_SH. Als je de 59e component van HADCRUT4_NH bekijkt, dan zie je een bijna even grote sinus als voor HADCRUT4_SH en die is zeker niet gestuurd door CO2 aangezien de CO2-schommelingen in het Noordelijk halfrond op jaarbasis bijzonder klein zijn. (En zoals te verwachten is de 59e component van HADCRUT4 bij definitie het gemiddelde van de twee). Jij gebruikt HADCRUT4 en bekijkt het effect op de temperatuur in een iets langer tijdskader dan ik: door de vele harmonischen in het temperatuursignaal die beduidend belangrijker zijn dan de 59e, is jouw tijdskader een aantal jaren. Ik kijk naar het onmiddellijk effect van de CO2 stijging of daling en beschouw dus enkel de jaarlijkse component. Het verschil van de klimaatgevoeligheid van beide berekeningen zou kunnen verklaard worden door een aantal korte termijn (= enkele jaren) feedbacks…

      http://www.woodfortrees.org/plot/hadcrut4sh/from:1959/fourier/low-pass:59/high-pass:59/inverse-fourier/to:1960/plot/hadcrut4nh/from:1959/fourier/low-pass:59/high-pass:59/inverse-fourier/to:1960/plot/hadcrut4gl/from:1959/fourier/low-pass:59/high-pass:59/inverse-fourier/to:1960

      Zo’n eerste feedback ziet men inderdaad bij een El Niño. Als we 1998 even van naderbij bekijken, dan zien we het uitgemiddelde CO2 niveau meerdere maanden naijlen op de temperatuur en via de “integraal” zien we ook dat het uitgemiddelde CO2 niveau een extra boost heeft gekregen van El Niño.

      http://www.woodfortrees.org/plot/esrl-co2/from:1993/to:2003/offset:-353.5/scale:0.0461/mean:12/detrend:0.69/plot/hadcrut4sh/from:1993/to:2003/mean:1/plot/esrl-co2/from:1993/to:2003/offset:-357/scale:0.0461/detrend:0.69/integral/scale:0.2

      Wat de waarde van persistentieberekeningen en Hurst exponenten kan zijn, dat blijft inderdaad nog een beetje onduidelijk op dit moment. Spijtig dat André niet echt wenst in te gaan op onze opmerkingen en één van mijn laatste is daarbij wel erg belangrijk: waarom is het resultaat positief + negatief niet gelijk aan negatief + positief? Mag ik je misschien een gunst vragen? De vorige keer heb jij André het RCP8.5 scenario gestuurd, uitgemiddeld over meerdere klimaatmodellen. Ik vermoed dat jij daar op de universiteit de meeste, zoniet alle modellen ter beschikking hebt. Zou jij er één model kunnen uitpikken en die resultaten aan André bezorgen en als de Hurst exponent dan nog steeds geen positieve feedback laat zien, dan moet het duidelijk zijn dat deze methode niet in staat is om positieve feedback onder een dominerende negatieve feedback te detecteren. Dank bij voorbaat.

  15. Guido 8 februari 2018 om 15:54 - Antwoorden

    Danny, André heeft al een keer naar de data gekregen dus die zit in de mailbox. Het was één run van het CCSM model, die je overigens allemaal op de Climate Explorer van het KNMI kan downloaden. Zou goed zijn om deze blog een keer af te kunnen sluiten, of in ieder geval aangeven wat we wel en niet kunnen concluderen.

    Dank voor je uitleg, dat is inderdaad een fundamenteel verschil. Ik denk alleen niet dat ik het helemaal begrijp. Op jaarlijkse schaal zit je altijd met de ENSO die zowel temperatuur als CO2 beïnvloedt. Een verschil van 1 of 2 ppm zal je niet terugvinden in de temperatuur binnen alle ruis denk ik maar nogmaals, ik heb wat meer uitleg nodig ben ik bang.

    • Danny 8 februari 2018 om 18:14 - Antwoorden

      Guido,
      Vergeet mijn vraag over een klimaatmodel. Ik had niet door dat hetgeen je gestuurd had de output van 1 model is en niet – zoals ik foutievelijk dacht – een combinatie van meerdere modellen. Dus wat mij betreft is de conclusie dat de Hurst exponent niet in staat is om positieve feedback onder een dominerende negatieve feedback te detecteren.
      Nu over mijn figuren met CO2 en de temperatuur.
      Ik was op zoek naar een methode om een curve te maken die enkel de positieve feedback van een CO2-stijging zou bevatten en aangezien de gedetailleerde CO2 metingen op Mauna Loa gebeuren, maakte ik een plaatje met de bekende data (CO2 en HADCRUT4_SH). De jaarlijkse variatie van CO2 is toch een 6-tal ppm en de temperatuurvariatie gaat soms wel tot 0.8 °C over een tijdspanne van enkele jaren. Maar zelfs na het weghalen van wat ruis, zag ik toch geen eenvoudige manier om mijn gezocht signaal aan te maken. Toen vroeg ik mij af of ik het CO2 signaal zou kunnen vertalen naar temperatuur en dan eventueel een versterkingsfactor detecteren. Het temperatuursignaal is redelijk complex, je ziet dat het samengesteld is uit verschillende componenten met verschillende periodes, dus Fourier erop losgelaten en dezelfde tijdspanne gebruikt voor beide signalen (59 jaar); dus de 59e harmonischen gaan vergelijken en de schaalfactor voor het CO2-signaal bepaald zodanig dat beide amplitudes gelijk werden. Dit gaf dan de factor 0.00461 en aangezien de CO2 gestegen is van 314.67 naar 406.82 over 59 jaar betekende dit dus een klimaatgevoeligheid van 1.146 °C per CO2 verdubbeling. Dus in de veronderstelling dat de jaarlijkse component in de temperatuur 100% op conto van de CO2 variatie kan geschreven worden, hebben we een ogenblikkelijke (één maand vertraging) klimaatgevoeligheid bepaald en aangezien de temperatuur volgt op de CO2, lijkt dit dus een mogelijkheid.

      De invloed van ENSO op CO2 is volgens mij wat trager (dan 1 maand): eerst stijgt de temperatuur en dan komt er extra CO2 vrij uit het oceaanwater. Op de laatste figuur die ik doorgestuurd heb, zie je toch een aantal maanden vertraging. In principe zou je deze stijging terug moeten kunnen vinden in de temperatuur, maar ENSO is geen perfect periodiek verschijnsel, dus Fourier kan hier niet helpen en de temperatuurstijging ten gevolge van die stijging van om en bij de 1 ppm verdwijnt dus inderdaad in de ruis.

  16. André Bijkerk 9 februari 2018 om 17:15 - Antwoorden

    Het laat zich aanzien dat we in cirkels blijven ronddraaien. In die zin dat commentaren gewoon niet worden verwerkt en oude veronderstelling gewoon worden herhaald zoals het negeren van een jaarlijkse temperatuurcyclus ten gevolge van oceaan-continent verschil in het noordelijke en zuidelijke halfrond.

    Ik ga verder met mijn spreadsheet. Na een stevige evaluatie meen ik dat het tweede deel, feedback over de temperaturen redundant/overtollig is, omdat dat ook weerslag heeft op de radiatieve balans. Het eendenei-groen moet er dus vanaf. Ik experimenteer nu met multiple runs op positieve feedback die een zeer grote spreiding blijkt te hebben (onstabiel) in de geest dat de standaard deviatie zeer hoog is.

    Verder speel ik met de Hurst exponent/persistentie telling ratio (H/P ratio). Deze is bijvoorbeeld 1,33 +/- 0,083 over 25 runs bij een “positieve feedback” van 0,015 over 15 datapunten tegen een negatieve feedback van 0,5 op het eerste datapunt. Terwijl de feedback van alleen het netto verschil (-0,275) over 25 runs een H/P ratio geeft van 1,10 +/- 0,05. Dat zit aardig ver van elkaar uit de buurt om de zwakke positieve op te merken.

    Maar we kunnen dat ook “blind” testen, waarom levert iemand me niet een aantal random walk dataseries aan met verschillende “positieve feedback” over de inputs en negatieve feedback over het systeem en ik zal proberen de combinatie van feedbacks zo goed mogelijk in te schatten.

    Het gaat dan om kolom J van Jan vanaf rij 10 in het tabblad “cruncher” in we.tl/PJ9kiHkj22

  17. Guido 10 februari 2018 om 11:58 - Antwoorden

    André, met alle respect maar een van de redenen dat we in cirkels blijven ronddraaien is dat je niet ingaat op argumenten. Ik heb o.a. een aantal grafiekjes gemaakt om te laten zien dat je uitgangssituatie (random walk) niet klopt en daar kwam nul komma nul inhoudelijke response op. Dan kan je wel weer om data op basis van een random walk vragen maar dan verdoe je niet alleen jouw tijd, maar ook de mijne. Ik ga dus weer want anders doen, succes ermee, per mail uiteraard altijd bereikbaar.

  18. André Bijkerk 10 februari 2018 om 12:56 - Antwoorden

    Beste Guido, ik begrijp het niet. Ik meen dat je veronderstelde dat de 33% persistentie van de ruis een neutrale feedback zou zijn. Daarop heb ik indertijd gereageerd met:

    Inderdaad mijn ruis in kolom B heeft een vergelijkbare persistentie van 33,5. Logisch omdat de random generator zich op nul centreert. Als de vorige waarde negatief was zijn er meer waardes erboven die gekozen kunnen worden en kan worden verwacht dat de volgende waarde hoger is. Anti-persistent dus.

    en ik geloof niet dat jij daarop verder bent ingegaan. Maar de essentie is: ruis heeft negatieve feedback en een random walk niet. Dan, Als je verschil ziet in de verdelingsdiagrammen. Het is maar net hoe je de random data laat produceren. Naast de basis random generator heb ik gespeeld met de eenheidsstap en een normaal verdeelde random stap die geldt voor de basis brownse beweging. De verschillen in output over het systeem bleken verwaarloosbaar, waardoor ik heb gekozen voor normale random om de rekentijd en omvang van het excel beheersbaar te houden..

    • Danny 12 februari 2018 om 20:33 - Antwoorden

      André,
      Mijn vorige reactie aan Guido waarbij ik de Hurst component gebuisd heb, verdient misschien wel een tweede zit…
      Ik heb een aantal curves voorbereid, in overeenstemming met mijn vorige commentaren/kritieken.
      Zoals ik op eerder opmerkte, ga je nooit een positieve feedback vinden als de x-as de tijd is… ik heb dus op hint van Guido het CCSM4 model laten lopen op de KNMI Climate Explorer voor RCP8.5 en ook het RCP8.5 scenario gedownload. Daarna heb ik een aantal curves voorbereid met op de x-as de CO2 concentratie en op de y-as de geprojecteerde temperatuur. Ik wil ze je graag bezorgen. Via climategate veronderstel ik dat je mijn E-mailadres kent, gelieve mij dus een mailtje te sturen en ook aan te geven of .ods formaat ok is of je .xls prefereert..

  19. André Bijkerk 12 februari 2018 om 20:49 - Antwoorden

    Danny

    Ik heb je email adres niet, maar mijn email adres is voornaam en achternaam aan elkaar zonder accent aigu bij gmail.

    XLS geniet de voorkeur.

Geef een reactie

Solve : *
6 − 1 =


Conform ons Privacybeleid maken wij gebruik van Cookies om onze website beter te laten werken. OK