
Klimamodeller er kritiske verktøy i prediktering av klimaets utvikling i fremtiden. Men hva er en klimamodell, hvordan fungerer den og hvilke utfordringer står man ovenfor når man forsøker å modellere klima?
En klimamodell, i ordets betydning, er en representasjon av det dynamiske systemet vi kaller klima. Klimamodeller kan lages på mange måter, og ha mange former og farger. Her diskuteres imidlertid digitale, gitterbaserte modeller.
Slike modeller brukes også til modellering av andre dynamiske systemer, slik som oljereservoarer, vannreservoarer og jordskjelvsoner.
Det første man trenger når man modellerer et dynamisk system, er en klar oppfatning av hvilke resultater man ønsker fra modellen. I klimamodell-eksemplet, kan et slikt resultat f.eks. være middeltemperatur de neste 100 år. Videre må man identifisere alle faktorer som påvirker resultatet, og hvilke faktorer som påvirker disse igjen. I klimamodellen kan det f.eks. være luftfuktighet, skyer, solinnstråling, atmosfærens sammensetning, havtemperatur, isbreer osv. I realiteten er det en mengde små og store faktorer som spiller inn. Den komplette forståelsen for dette komplekse systemet har man ennå ikke.
Enten man modellerer et lokalt område, eller hele jordkloden, må det volumet av atmosfæren som modelleres deles opp i enkeltverdier. Dette gjøres ved at man bygget et grid, eller gitter, som enklest forklart består av en rekke små bokser. Omtrent som en figur bygget av legoklosser, der hver legokloss er en gridcelle. Hver celle kan inneholde 1 verdi for hver av de ulike faktorene som inngår i modellen. I tillegg, vil hver celle kunne interaktere med nabocellene. Antall celler har en øvre begrensning, siden modellen krever mer ressurser for å kjøre dess mindre cellene er (flere celler). En global klimamodell med dagens IT-teknologi tilgjengelig, har gridceller på omtrent 200×200 km.
Det introduserer en annen viktig utfordring, nemlig skalaproblematikken. Når man skal populere hver celle med 1 verdi for en gitt parameter, må man bruke et gjennomsnitt av de observerte og forventede verdiene innenfor cellen. Dette kaller vi oppskalering. Det er mange måter å gjøre oppskalering på, og det krever god matematisk forståelse for å gjøre det. Men uansett hvordan man oppskalerer, kommer man ikke bort fra det faktum at det går tapt mye informasjon i prosessen. F.eks. dersom man måler luftfuktighet hver 100 m innenfor en 200×200 km celle, vil man sannsynligvis få mange ulike verdier. Alle disse verdiene skal så representeres med ett enkelt tall i gridcellen.
Dette innebærer også at man mister effekten av små, og lokale variasjoner i klima. Disse kan være viktige i den store sammenhengen, og klimamodellen kan ende opp med feil resultat dersom disse ikke tas hensyn til. Ved hjelp av avanserte algoritmer og mye matematikk forsøker man å ta hensyn til alle faktorer som spiller en rolle.
Problemet blir å få full oversikt over hvilke faktorer som er viktige, og hvorfor de er det, og så videre være i stand til å representere dem på en god måte i klimamodellen.
Når man så har en klimamodell som man er fornøyd med, kan man kjøre modellen (simulere), og på den måte undersøke hvordan klima endres i følge modellen. For å kontrollere om modellen gjør en god jobb i å representere virkeligheten, forsøker man å kjøre den mot kjente data. En klimamodell kan f.eks. kjøres fra år 1900 til 2000, og modellen vil da “prediktere” temperaturendringer i dette tidsrommet. Disse kjenner vi fra før, og dermed kan vi sammenligne modellen med “fasiten”.
Når modellen viser en god match med fortidens klima, kan man så kjøre modellen nye hundre år. Dette blir da en prediksjon på fremtidens klima.
Så langt, så greit. De virkelige utfordringer er blant annet at en rekke av faktorene som inngår i modellen også er dynamiske. Vi vet ikke hvor mye CO2 som slippes ut om 5 år, 10 år eller 50 år. Vi vet ikke hvordan solen vil oppføre seg, noe som er svært viktig for klimaet. Vi vet ikke noe om fremtidig vulkansk aktivitet på jorden, eller om regnskogen blir hugget ned eller plantet på nytt. Vi vet ikke hvordan landbruksindustrien, som er en av de største utslippere av CO2, vil utvikle seg fordi det avhenger av befolkningsvekst, verdensøkonomi, lokaløkonomi osv. Man kan skrive flere bøker om alle faktorer som til syvende og sist påvirker klimaet, eller kan påvirke klimaet.

Klimamodell. Illustrasjon: University of Utah
Denne usikkerheten gjenspeiles i klimamodellene, og dermed er det helt umulig å modellere fremtidig klima med høy sikkerhet.
- Ingen modeller er riktige, men noen modeller kan være nyttige, sa statistikeren George Box, og det hadde han rett i. Selv om usikkerhetene er mange, og store, og til dels ukjente, betyr ikke det at man ikke kan stole på klimamodellene i det hele tatt. Til en viss grad, kan man forvente at klimamodellene gir et relativt realistisk bilde av utviklingen gitt at de ulike parametrene utvikler seg slik man tror.
For å begrense skalaproblematikken til en viss grad, kan man sette sammen en stor modell av flere mindre modeller. På den måten kan man modellere først med mindre celler, og integrere de små modellene i en stor, global modell. Men da øker også usikkerheten, og det blir en kost-nytte diskusjon.
Fremtidige modeller vil være større, raskere og mer nøyaktige fordi man da vil ha tilgang på mer prosesseringskraft og større datamaskiner, bedre forståelse av faktorene som inngår i modellen og mer historie å matche modellen mot.
I mellomtiden må vi klare oss med de modeller vi har tilgjengelig i dag. De gir oss tross alt resultater, om enn svært usikre.

En annen viktig utfordring forskere står ovenfor når man skal lage klimamodeller, er at man ikke er enige om fortidens klima. Dermed er det usikkerhet involvert i hvilken versjon av klima bakover i tid man bruker.
Figuren til venstre viser ulike rekonstruksjoner (heltrukne linjer) og simuleringer (stiplede linjer) av temperatur de siste 1800 år. Det er åpenbart at det er forskjeller i kurvene. Likevel viser alle en overordnet trend, som man dermed til en viss grad kan stole på.