Klima, Teil 16: Wir bauen uns ein Klimamodell!

 

Erstmal Wasser kochen

 

Unter dem Begriff „Klimamodell“ stellt sich der Laie etwas total Kompliziertes vor. Dabei geht es wie in jeder Datenverarbeitung nur um die Gestaltung zwischen Input und Output. Und im Fall eines Klimamodells bedeutet das: Energie rein, Temperatur raus.

 

Nehmen wir zum Beispiel einen Topf mit Wasser. Diesen Topf stellen wir auf eine Heizplatte und führen ihm für genau 60 Sekunden mit einer konstanten Leistung von 100 Watt Energie zu.

 

1 Watt ist ein Joule pro Sekunde. Die Heizplatte überträgt also in jeder Sekunde 100 Joule Energie auf den Topf. Nach 60 Sekunden hat sie insgesamt 6000 J zugeführt. Jetzt können wir die Frage stellen: Um wie viel steigt dadurch die Temperatur des Wassers? Um diese Frage zu beantworten, genügen diese Angaben noch nicht. Wir müssen zusätzlich wissen, wie groß die Wärmekapazität des Systems ist. Ein Liter Wasser hat eine Masse von ungefähr einem Kilogramm. Um ein Kilogramm Wasser um ein Kelvin beziehungsweise ein Grad Celsius zu erwärmen, benötigt man ungefähr 4.186 Joule. Die spezifische Wärmekapazität von Wasser beträgt also c ≈ 4.186 J/(kg·K). Für unseren Liter Wasser mit ungefähr 1 kg ergibt sich damit eine Wärmekapazität C ≈ 4.186 J/K. Unser Liter Wasser würde sich in diesen 60 Sekunden beziehungsweise bei einer Zuführung von 6000 J also um ungefähr 1,43 °C erwärmen. Das beschreibt bereits das einfachste denkbare thermische Modell.

 

Kurz zur Erklärung: Die spezifische Wärmekapazität bezieht sich auf die Energiemenge, die benötigt wird, um 1 kg eines Stoffes um 1 K zu erwärmen, während die allgemeine Wärmekapazität die gesamte Energiemenge beschreibt, die erforderlich ist, um die Temperatur eines gesamten Objekts zu ändern. Diese Unterscheidung ist wichtig, um verschiedene Materialien und deren Wärmeverhalten zu vergleichen.

 

Geben wir nun 10 Liter Wasser in den Topf, haben wir ungefähr die zehnfache Wärmekapazität. Mit derselben Heizplatte und derselben Energiemenge erwärmt sich der Topfinhalt daher nur um 0,143 °C. Der Unterschied liegt ausschließlich im Wärmespeicher. Aus einer zugeführten Energiemenge allein folgt noch keine Temperatur. Wir müssen wissen, auf welche Wärmekapazität diese Energie trifft.

 

Und weil wir immer in W/m² rechnen, stellt man sich gleich die Frage: Wie groß ist die Wärmekapazität von 1 m² Boden? Und genau hier fangen die Probleme an. Denn die Frage ist unvollständig. Wir müssen immer auch fragen, wie tief die Temperaturänderung reicht und aus welchem Material der Boden besteht. Fangen wir daher mit dem Ozean an, das macht es leichter.

 

Nehmen wir zunächst einen Quadratmeter Meeresoberfläche und darunter genau einen Meter Wasser. Dann haben wir ein Volumen von 1 m³, ungefähr 1000 kg. Um diese 1000 kg Wasser um 1 K zu erwärmen, brauchen wir mit der oben genannten Wärmekapazität für Wasser 4,18 MJ/(m²·K). Ein Tauchsieder mit 1000 W müsste fast 70 Minuten in diesem Kubikmeter Wasser Energie zuführen, um eine Erwärmung um 1 K zu erreichen. Schönen Gruß an die Stromrechnung. Beim Klima rechnen wir nicht mit der Gesamtleistung eines Tauchsieders, sondern mit der Leistung pro Fläche. Nehmen wir 1 W/m². Dieser dauerhafte Energieüberschuss von 1 W/m² würde – wenn keinerlei Energie wieder verloren oder in tiefere Schichten transportiert würde – eine einen Meter tiefe Wasserschicht in knapp 48 Tagen um 1 °C erwärmen. Bei 10 Metern Wassertiefe wären es damit 484 Tage. Und bei 100 Metern etwa 13,2 Jahre.

 

Aus einem Ozean werden zwei

 

Genau so rechnet man in einem Klimamodell. Beschreibt man den schnell reagierenden oberflächennahen Wärmespeicher zunächst näherungsweise durch ein global verteiltes Wasseräquivalent von etwa 50 Metern, dann beträgt seine Wärmekapazität C_s („surface“) rund 7 W·Jahr/(m²·K). Das bedeutet: Würde dauerhaft ein zusätzlicher Netto-Energiefluss von 1 W/m² in diesen Speicher fließen und gäbe es keinerlei Verluste oder Austausch mit einem anderen Speicher, bräuchte er ungefähr 7 Jahre, um sich um 1 °C zu erwärmen. (Wer nachrechnen will: Es sind ziemlich genau 6 Jahre und 7 Monate. Wir haben einfach gerundet.)

 

Der wirkliche Ozean ist natürlich wesentlich tiefer. Und natürlich bleibt die Energie nicht vollständig in den oberen 50 Metern. Ein Teil der Wärme wird durch Durchmischung, Strömungen und andere Austauschprozesse auch in größere Tiefen transportiert. Dort trifft sie auf einen gewaltigen zusätzlichen Wärmespeicher. Dieser reagiert wesentlich langsamer als die oberflächennahe Schicht, kann dafür aber sehr viel mehr Energie aufnehmen. Dafür verwenden wir einen zweiten, viel größeren Speicher unter unserem Quadratmeter Oberfläche: ein global verteiltes Wasseräquivalent von etwa 750 Metern. Diese Wassersäule besitzt eine flächenbezogene Wärmekapazität von rund 3,14 GJ/(m²·K). Würde ein zusätzlicher Energiefluss von 1 W/m² vollständig in diesen Speicher fließen und gäbe es keinerlei Energieaustausch oder Verluste, würde seine Temperatur in ungefähr 100 Jahren um 1 °C steigen. Daher können wir die Wärmekapazität dieses zweiten Speichers sehr anschaulich schreiben als: C_d („deep“) ≈ 100 W·Jahr/(m²·K).

 

Damit haben wir nun zwei unterschiedliche Wärmespeicher: Die Oberfläche des Ozeans (Surface, ein global verteiltes Wasseräquivalent von ca. 50 Metern Tiefe, schnell reagierend, mit einer Wärmekapazität von C_s ≈ 7 W·Jahr/(m²·K)) und die tieferen Schichten (Deep, ein global verteiltes Wasseräquivalent von ca. 750 Metern Tiefe, langsam reagierend, mit einer Wärmekapazität von C_d ≈ 100 W·Jahr/(m²·K)).

 

Der Wärmestab zwischen den Welten

 

Woher weiß nun die Wärme, in welchen Speicher sie fließen soll? Denn bislang stehen unsere beiden Wassersäulen einfach nur nebeneinander. Damit daraus ein Klimamodell wird, müssen wir sie miteinander verbinden. Genau dafür brauchen wir die dritte Größe unseres Zwei-Kammer-Modells: die Ozeankopplung γ. Stellen wir uns dazu unsere beiden Wasserspeicher nun tatsächlich übereinander vor. Oben liegt der kleine und schnell reagierende Speicher mit C_s ≈ 7 W·Jahr/(m²·K), darunter der viel größere und trägere Speicher mit C_d ≈ 100 W·Jahr/(m²·K). Jetzt geben wir oben Energie hinein – die obere Schicht wird dadurch zunächst wärmer als die untere – und verbinden die beiden Behälter mit einem wärmeleitfähigen Metallstab. Nun gibt es einen Energieausgleich: Wärme fließt vom wärmeren in den kälteren Bereich. Je größer der Temperaturunterschied zwischen beiden ist, desto stärker ist dieser Wärmefluss. Sind beide Behälter gleich warm, gibt es keinen Temperaturunterschied. Dann fließt durch den Stab netto keine Wärme mehr.

 

Ist der obere Behälter dagegen beispielsweise 1 °C wärmer als der untere, transportiert der Stab ständig Wärme nach unten. Dadurch geschieht zweierlei gleichzeitig: Der obere Speicher wird etwas weniger schnell warm, weil er einen Teil seiner Energie abgibt. Und der untere Speicher beginnt sich langsam zu erwärmen. Langsam, weil der untere Behälter gewaltig viel größer ist. Würden wir die Heizung jetzt ausschalten, näherten sich die beiden Temperaturen immer weiter an. Je kleiner ihr Unterschied wird, desto schwächer wird auch der Wärmestrom durch unseren Stab. Sind beide schließlich gleich warm, ist der Ausgleich beendet. Heizen wir dagegen dauerhaft weiter, bleibt langfristig ein Temperaturunterschied bestehen – denn genau dieser Unterschied hält den Wärmefluss in den tiefen Speicher aufrecht.

 

Wie schnell dieser Ausgleich geschieht, hängt aber nicht nur von der Größe der beiden Wasserspeicher ab. Es hängt auch davon ab, wie gut unser Stab Wärme leitet. Ein dünner Stab aus Glas würde nur wenig Energie pro Sekunde übertragen. Der obere Speicher könnte sich stark erwärmen, während der untere lange kalt bliebe. Ein dicker Kupferstab würde sehr viel mehr Wärme übertragen. Die Energie würde schneller in den großen unteren Speicher gelangen und der Temperaturunterschied zwischen beiden bliebe kleiner. Genau diese Leistungsfähigkeit unseres gedachten Wärmeleiters beschreibt im Zwei-Kammer-Modell die Größe γ.

 

γ = 0,7 W/(m²·K) bedeutet zum Beispiel: Wenn der obere Speicher um 1 K wärmer ist als der untere, werden über die Kopplung pro Quadratmeter 0,7 W/m² konstant vom oberen in den unteren Speicher übertragen. Bei einem Temperaturunterschied von 0,5 K sind es 0,35 W/m². Bei einem Temperaturunterschied von 2 K 1,4 W/m². γ beschreibt damit gewissermaßen, wie dick und wie gut wärmeleitend unser gedachter Stab zwischen Oberfläche und tiefem Ozean ist.

 

Ein Watt, hundert Jahre – was passiert?

 

Rechnet man das mit diesen Zahlen mal durch, ergibt sich nach einem Jahr ungefähr:

 

 

nach	Ts	Td	Ts−Td	Wärmefluss nach unten
Start	0	0	0	0 W/m2
1 Monat	0,01186 K	0,000003 K	0,01185 K	0,0083 W/m2
3 Monate	0,03527 K	0,000031 K	0,03524 K	0,0247 W/m2
6 Monate	0,06967 K	0,000123 K	0,06955 K	0,0487 W/m2
1 Jahr	0,13596 K	0,000483 K	0,13548 K	0,0948 W/m2

 

Nach einem ganzen Jahr mit dauerhaft 1 W/m² fließen also erst knapp 0,095 W/m² in die tiefe Box – nicht 0,7 W/m². Denn γ = 0,7 W/(m²·K) ist kein fester Anteil der eingehenden Energie. γ beschreibt lediglich, wie leistungsfähig die Verbindung zwischen den beiden Wärmespeichern ist. Je größer der Temperaturunterschied zwischen Oberfläche und Tiefe wird, desto mehr Wärme kann durch unseren gedachten wärmeleitfähigen Stab nach unten fließen. Nach ungefähr 13 Jahren werden erstmals rund 0,7 W/m² erreicht. Der Wärmefluss steigt danach weiter und nähert sich langfristig rund 0,935 W/m². Von unserem dauerhaft zugeführten 1 W/m² landen damit langfristig ungefähr 0,935 W/m² im großen tiefen Speicher und nur noch rund 0,065 W/m² im kleinen oberen Speicher. Dann erwärmen sich beide Speicher gleich schnell: Die 0,065 W/m² treffen oben auf die kleine Wärmekapazität C_s = 7 W·Jahr/(m²·K), die 0,935 W/m² unten auf C_d = 100 W·Jahr/(m²·K). Am Ende ergibt sich für beide nahezu dieselbe weitere Erwärmung von rund 0,0093 °C pro Jahr.

 

 

 

Zwischen den beiden Speichern bleibt dabei ein Temperaturunterschied von ungefähr 1,34 °C bestehen. Oben wärmer, unten kälter – und genau dieser Unterschied hält den Wärmefluss in den tiefen Speicher aufrecht.

 

Und bereits in diesem Moment ist die entscheidende Frage gelöst, wie unser Wärmespeicher auf einen dauerhaft positiven Netto-Energiefluss reagiert. Das kann man aus obiger Grafik ablesen, aber auch berechnen: Die Oberfläche erwärmt sich zunächst schnell, während zunehmend Energie in den tiefen Ozean fließt. Ein endgültiger Temperaturwert stellt sich bei unserem Versuch nicht ein. Das kann er auch nicht: Wir haben ausdrücklich angenommen, dass dauerhaft netto zusätzliche Energie im System verbleibt. Solange immer weiter Energie hinzukommt, muss auch der gespeicherte Wärmeinhalt weiter wachsen. Einen Erwärmungsstopp gibt es erst, wenn auch der Energieverlust nach außen zunimmt und der Netto-Energiefluss schließlich wieder gegen null geht. Genau dort kommt die thermische OLR-Gegenreaktion ins Spiel – und die Realität. Denn die CERES-Messungen sagen uns genau, wie groß der Nettoenergiefluss ist.

 

Jetzt kommt CERES ins Spiel

 

Für unsere Rechnung verwenden wir CERES EBAF Ed4.2.1; die EBAF-Produktfamilie und ihre Energiebilanzierung sind bei Loeb et al. (2018) beschrieben. CERES misst die absorbierte Sonnenstrahlung ASR und die in den Weltraum abgegebene langwellige Wärmestrahlung OLR. Ihre Differenz ist die Netto-Energiebilanz NET = ASR – OLR. Ist NET positiv, nimmt das Erdsystem in diesem Monat netto Energie auf. Ist NET negativ, gibt es in diesem Monat netto Energie ab. Damit können wir rechnen. Wir berücksichtigen, dass das Klimasystem im Juli 2002 bereits eine Vorgeschichte hatte. Dafür wiederholen wir zunächst den ersten vollständigen CERES-Jahreszyklus von Juli 2002 bis Juni 2003 so lange, bis sich zwischen oberem und tiefem Speicher ein stabiler jahreszeitlicher Temperaturunterschied eingestellt hat. Mit diesem Anfangszustand setzen wir unseren Temperaturnullpunkt auf Juli 2002 und lassen anschließend die tatsächlichen 282 CERES-Monate bis Dezember 2025 einmalig nacheinander durch das Modell laufen. Für jeden Monat berechnen wir aus dem aktuellen Energiefluss und dem Zustand des Vormonats die weitere Temperaturentwicklung. Das Ergebnis sieht so aus:

 

 

 

Warum ausgerechnet Juli 2002?

 

Warum beginnen wir ausgerechnet im Juli 2002? CERES liefert zwar bereits ab 2000/2001 Daten, für die eigentliche Attribution haben wir den Beginn aber vorab auf Juli 2002 festgelegt. Zu diesem Zeitpunkt beginnt nach der Inbetriebnahme von Aqua das von uns verwendete stabilere CERES-Messregime. Frühere CERES-Daten bleiben zur Kontrolle sichtbar, bestimmen aber nicht den Primärwert. Spätere Startzeitpunkte werden ebenfalls gerechnet – jedoch ausschließlich als Sensitivitätstest und niemals ausgewählt, weil sie ein günstigeres Ergebnis liefern. Das Ende liegt im Dezember 2025, weil dies der letzte gemeinsame vollständig eingefrorene Monat aller verwendeten Datensätze ist. Unser Primärfenster 07/2002–12/2025 stand also fest, bevor die Attributionszahlen berechnet wurden.

 

 

 

Der Zeitraum ist damit Teil des Versuchsaufbaus – nicht ein zusätzlicher Regler des Ergebnisses.

 

Das Modell läuft zu warm

 

Nun wird es interessant. Unser Wärmespeicher berechnet aus den tatsächlich gemessenen CERES-Energieflüssen zwischen Juli 2002 und Dezember 2025 für die schnelle Box eine Erwärmung von rund 1,21 K. Die gemessene Temperaturentwicklung ist deutlich kleiner. Der Rohtrend der von uns verwendeten UAH-v6.1-TLT-Reihe beträgt für denselben Zeitraum 0,239 °C pro Jahrzehnt (Methodik: Spencer et al., 2017). Über die rund 23,4 Jahre unseres Untersuchungszeitraums entspricht das einer trendbasierten Erwärmung von ungefähr 0,56 °C. Dabei verwenden wir bewusst den Rohtrend. In ihm steckt also auch die außergewöhnliche Ereignisphase 2023–2024, die in unserer späteren Zerlegung unter anderem mit ENSO und dem späten Ereignisterm behandelt wird. Wir vergleichen hier zunächst die vollständige beobachtete CERES-Energiebilanz mit der vollständigen beobachteten Temperaturentwicklung. Die Größenordnung des Unterschieds ist erheblich: Unsere schnelle Modellbox steigt um etwa 1,21 K, die beobachtete UAH-Trendgerade über denselben Zeitraum nur um rund 0,56 K. Dabei ist T_s noch nicht identisch mit UAH-TLT: Die eine Größe beschreibt unseren effektiven schnellen Wärmespeicher, die andere die satellitengemessene untere Troposphäre. Der Vergleich prüft zunächst nur die Größenordnung. Er ist noch kein Attributionsergebnis. Der direkte UAH-Abgleich erfolgt deshalb später erst nach dem gemeinsamen UAH-Beobachtungsoperator. Die große Abweichung zeigt hier zunächst, dass die absolute Temperaturskala des einfachen Wärmespeichers nicht unmittelbar mit der Satellitentemperatur gleichgesetzt werden kann.

 

Die Modellbadewanne schlägt zurück

 

Nun wäre es ausgesprochen einfach, dieses Problem verschwinden zu lassen. Wir kennen die gemessene Temperaturentwicklung. Also könnten wir C_s größer machen; dann erwärmt sich die obere Box langsamer. Wir könnten γ erhöhen, damit Energie schneller in den tiefen Ozean transportiert wird. Wir könnten C_d verändern und damit die langfristige Wärmeaufnahme verschieben. Mit drei miteinander gekoppelten Größen besitzt man genügend Möglichkeiten, die Temperaturkurve erheblich zu verändern, bis unser Modell die UAH-Kurve reproduziert. Aber damit würden wir an dieser Stelle wieder dasselbe methodische Problem erzeugen, das uns schon bei der Badewanne beschäftigt hat: Die drei Größen hängen gemeinsam davon ab, wie aus einem vorgegebenen Energiefluss eine Temperaturentwicklung entsteht. Vergrößern wir beispielsweise den schnellen Wärmespeicher, reagiert die Oberfläche langsamer. Verändern wir gleichzeitig den Wärmefluss in den tiefen Ozean, können wir einen Teil dieser Änderung wieder kompensieren. Auch mit einer anderen tiefen Wärmekapazität lässt sich die zeitliche Reaktion verschieben. Dann wüssten wir hinterher nicht mehr, weshalb das Modell die beobachtete Temperatur trifft. Vielleicht wäre C_s richtig. Vielleicht γ. Vielleicht wären beide falsch und ihre Fehler würden sich gegenseitig kompensieren. Ein dritter Fehler in C_d könnte das Ergebnis anschließend wieder genau auf die UAH-Kurve schieben. Der Output wäre richtig – aber möglicherweise aus vollständig falschen Gründen. Mehrere falsche Annahmen können sich also gegenseitig so ausgleichen, dass am Ende trotzdem eine vernünftig aussehende Temperaturkurve herauskommt – obwohl alle drei Zahlen mit der Realität nichts mehr zu tun haben.

 

Je stärker wir C_s, C_d und γ mit Blick auf genau diejenige Temperaturreihe auswählen würden, die wir anschließend „vorhersagen“ wollen, desto weniger wäre diese Temperatur noch ein unabhängiger Prüfstein unseres Modells. Das wäre wieder die Modellbadewanne: Wir verändern die Bauteile so lange, bis der Wasserstand stimmt, und erklären anschließend den richtigen Wasserstand zum Beleg dafür, dass die Bauteile richtig gewählt waren.

 

Deshalb gehen wir anders vor. Wir schauen zunächst, welche Größenordnungen für diese Parameter bereits aus der Fachliteratur bekannt sind. Geoffroy et al. (2013) haben ein solches Zwei-Schichten-Energiebilanzmodell für 16 gekoppelte Atmosphäre-Ozean-Klimamodelle aus CMIP5 untersucht. Dabei fanden sie genau die Struktur, die wir gerade anschaulich entwickelt haben: einen schnell reagierenden oberflächennahen Wärmespeicher, einen wesentlich größeren tiefen Ozeanspeicher und einen Wärmeaustausch zwischen beiden. Für die 16 Modelle ergibt sich als Multimodellmittel:

 

C_s = 7,3 W·Jahr/(m²·K)

 

C_d = 106 W·Jahr/(m²·K)

 

γ = 0,73 W/(m²·K)

 

Unsere Werte 7 / 100 / 0,7 stammen also nicht aus einer Optimierung auf UAH, sondern liegen unmittelbar in der Größenordnung dieses etablierten Zwei-Schichten-Modells. Wir frieren diesen Zentralfall deshalb zunächst ein und prüfen später systematisch, wie stark sich das Ergebnis bei C_s = 5 / 7 / 9, C_d = 70 / 100 / 130 und γ = 0,5 / 0,7 / 0,9 verändert. Das ist methodisch sauberer, als die drei Parameter einzeln auf die später verwendete UAH-Kurve zu optimieren.

 

Und damit stehen wir jetzt vor der eigentlich interessanten Frage: Warum erzeugen die gemessenen CERES-Energieflüsse in einem thermischen Modell mit etablierten Wärmespeicherparametern eine deutlich stärkere Erwärmung als die beobachtete Temperaturentwicklung? Dafür gibt es mehrere denkbare Stellen, an denen wir suchen müssen. Im Kern müssen wir nun untersuchen, wie empfindlich das Ergebnis innerhalb des in der Literatur plausiblen Bereichs von C_s, C_d und γ ist. Und wir müssen herausfinden, welche Bestandteile der gemessenen Strahlungsbilanz für die Diskrepanz verantwortlich sind.

 

Wenn der Fit täuscht

 

Dass mehrere falsche oder unsichere Modellbestandteile gemeinsam eine überzeugende Temperaturkurve erzeugen können, ist kein theoretisches Randproblem. Genau darüber reden wir seit mehreren Folgen bei der Beziehung N = F − αT. Kennt man die Temperaturentwicklung T und die resultierende Energiebilanz N, sind F und α deshalb noch lange nicht eindeutig bestimmt. Ein größerer angenommener Strahlungsantrieb F kann durch eine stärkere Gegenreaktion α kompensiert werden; ein kleinerer Antrieb verlangt entsprechend eine schwächere Gegenreaktion. In weiten Bereichen können also sehr unterschiedliche Kombinationen dieselbe historische Temperaturkurve erzeugen. Kiehl (2007) zeigte genau dieses Problem an neun gekoppelten Klimamodellen und zwei Energiebilanzmodellen: Alle reproduzierten die Erwärmung des 20. Jahrhunderts recht gut, obwohl sich ihre gesamten anthropogenen Strahlungsantriebe um mehr als einen Faktor zwei unterschieden. Modelle mit hoher Klimasensitivität arbeiteten dabei systematisch mit kleineren Nettoantrieben, Modelle mit niedriger Sensitivität mit größeren; allein die angenommene Aerosolkühlung variierte ungefähr um einen Faktor drei. Die richtige Temperaturkurve bewies also gerade nicht, dass Forcing und Sensitivität richtig bestimmt waren. Sie zeigte nur, dass ihre Kombination passte (Kiehl, 2007).

 

Genau hier liegt das grundsätzliche Identifikationsproblem der Modellkalibrierung. Wenn mehrere voneinander abhängige Parameter A, B und C so eingestellt werden, dass am Ende die beobachtete Größe D herauskommt, gibt es häufig sehr viele Kombinationen von A, B und C, die dasselbe D erzeugen. Besonders heikel wird es, wenn diese Größen – wie im Gregory-Rahmen – eng oder sogar linear miteinander verknüpft sind. Dann kann man einen Parameter erhöhen und einen anderen entsprechend nachführen, ohne dass sich die historische Temperaturkurve wesentlich verändert. Auf diese Weise lassen sich sowohl sehr unterschiedliche Forcings als auch sehr unterschiedliche Sensitivitäten mit einem guten historischen Fit vereinbaren – und entsprechend sehr unterschiedliche Zukunftsprojektionen erzeugen. Wird anschließend ausgerechnet dieser historische Fit als Beleg dafür verwendet, dass die zugrunde liegenden Parameter richtig seien, entsteht eine zirkuläre Validierung: Die Zielgröße, an die das Modell angepasst wurde, bestätigt anschließend das Modell, weil es die Zielgröße trifft.

 

Vier Modelle, ein Treffer – vier Zukünfte

 

Wie leicht diese Mehrdeutigkeit entsteht, lässt sich mit dem Gregory-Zusammenhang N = F − αT an einem einfachen konstruierten Beispiel zeigen. Vier sehr unterschiedliche Kombinationen von F und α werden dazu so gewählt, dass sie am selben historischen Zustand exakt dieselbe Temperatur, denselben Netto-Energiefluss und dieselbe momentane Erwärmungsrate liefern.

 

 

 

 

 

Alle vier Modelle wurden auf denselben historischen Zustand kalibriert: Sie liefern dort dieselbe Temperatur und dieselbe momentane Erwärmungsrate von 0,25 °C pro Jahrzehnt. Deshalb sind sie am Kalibrierpunkt anhand der Temperatur nicht zu unterscheiden. Trotzdem beruhen sie auf sehr unterschiedlichen Kombinationen von F und α – und damit auf Klimasensitivitäten zwischen 3,70 und 0,93 K pro CO₂-Verdopplung. Und deshalb laufen auch ihre Zukunftspfade auseinander. Der historische Fit legt also nicht eindeutig fest, welche Kombination aus Forcing und Rückkopplung tatsächlich richtig ist.

 

Das Beispiel macht den entscheidenden Punkt sichtbar: Am historischen Kalibrierpunkt sind alle vier Modelle gleich gut. Aus der beobachteten Temperaturentwicklung an diesem Punkt lässt sich deshalb nicht entscheiden, welches F und welches α richtig ist. Trotzdem unterscheiden sich die daraus folgenden Klimasensitivitäten erheblich, und sobald man die Modelle vorwärts laufen lässt, trennen sich auch ihre Temperaturpfade. Der historische Fit hat also nicht die Einzelparameter identifiziert – er hat lediglich eine Kombination von Parametern gefunden, die die historische Zielgröße reproduziert.

 

Dass genau solche Abstimmungen Teil realer Klimamodellentwicklung sind, ist gut dokumentiert. Mauritsen et al. (2012) und Hourdin et al. (2017) beschreiben ausdrücklich, wie nicht aufgelöste Prozesse parametrisiert und Modellparameter so abgestimmt werden, dass Größen wie globale Temperatur, Strahlungsbilanz, Wolken oder Meereis besser mit Beobachtungen übereinstimmen. Das ist technisch unvermeidlich – löst aber das Identifikationsproblem nicht. Eine richtige Gesamtantwort sagt noch nicht, welche der beteiligten Einzelgrößen richtig ist.

 

Wie weit solche Wechselwirkungen reichen können, zeigt CESM2. Gettelman et al. (2019) berichten für dieses CMIP6-Modell eine Gleichgewichts-Klimasensitivität von 5,3 K. Änderungen, die unter anderem das Verhalten gegenüber Aerosolen und Wolken verbessern sollten, beeinflussten gleichzeitig die Wolkenrückkopplungen und damit die Klimasensitivität. Die Autoren schreiben ausdrücklich, dass ein Teil der Modellentwicklung darauf gerichtet war, den langfristigen globalen und regionalen Temperaturtrend des 20. Jahrhunderts besser zu reproduzieren. Man verändert also nicht zwangsläufig einen isolierten Regler: Eine Änderung an einem Prozess kann über die Kopplungen des Systems an anderer Stelle die Temperaturantwort verändern (Gettelman et al., 2019).

 

Mit CMIP6 wurde dieses Problem besonders sichtbar. Zelinka et al. (2020) fanden bei 27 untersuchten CMIP6-Modellen effektive Klimasensitivitäten zwischen 1,8 und 5,6 K; zehn der 27 Modelle lagen über 4,5 K. Die Spannweite hatte sich gegenüber CMIP5 insbesondere am oberen Ende vergrößert, und die mittlere Sensitivität stieg von etwa 3,3 auf 3,9 K. Als wichtigste Ursache identifizierten die Autoren stärkere positive Wolkenrückkopplungen, insbesondere bei niedrigen außertropischen Wolken (Zelinka et al., 2020).

 

Das blieb nicht ohne Folgen. Tokarska et al. (2020) zeigten, dass gerade einige der besonders stark erwärmenden CMIP6-Modelle nicht gut zum beobachteten Erwärmungstrend der jüngeren Vergangenheit passen. Wenn die zukünftige Erwärmung anhand des tatsächlich beobachteten Trends eingegrenzt wird, sinken sowohl die zentrale Projektion als auch insbesondere der obere Rand gegenüber dem rohen CMIP6-Ensemble. Liang et al. (2020) kamen mit einem anderen Beobachtungsconstraint ebenfalls zu einer deutlichen Reduktion des oberen Projektionsrandes. Ribes et al. (2021) zeigten, dass historische Beobachtungen die Unsicherheit zukünftiger Erwärmungsprojektionen ungefähr halbieren können (Liang et al., 2020; Ribes et al., 2021; Tokarska et al., 2020).

 

Das Problem beschränkt sich auch nicht auf langfristige Gleichgewichtssensitivitäten. Besonders intensiv wurden Modell und Beobachtung bei der Temperatur der Troposphäre miteinander verglichen. Santer et al. (2017) untersuchten Satellitendaten und ein großes Ensemble von Klimamodellen. Für weite Teile des frühen 21. Jahrhunderts erwärmte sich die Troposphäre in den Modellen deutlich stärker als in den Satellitenbeobachtungen. Die Unterschiede waren nach ihrer Analyse überwiegend zu groß, um allein mit interner Klimavariabilität erklärt werden zu können. Als eine wesentliche Ursache identifizierten sie Fehler beziehungsweise Unzulänglichkeiten in den für die Simulationen verwendeten externen Antrieben nach dem Jahr 2000 (Santer et al., 2017).

 

Gerade dieser Befund ist für unsere Untersuchung wichtig. Denn Santer und Kollegen vergleichen hier nicht irgendeine abstrakte Modellgröße, sondern genau jene atmosphärische Temperaturentwicklung, die auch Satelliten beobachten. Wieder zeigt sich: Eine Abweichung zwischen Modell und Temperaturmessung kann nicht automatisch dadurch gelöst werden, dass man die thermischen Modellparameter verändert. Zunächst muss geprüft werden, ob Antriebe, interne Variabilität, Wärmeaufnahme und Beobachtungsgröße überhaupt konsistent beschrieben sind.

 

Hausfather et al. (2022) gaben dem schließlich einen ziemlich unmissverständlichen Namen: „hot model problem“. Ihre Konsequenz war ebenso eindeutig: Die Modelle des CMIP6-Ensembles sollten nicht einfach als gleichermaßen plausible Stichprobe möglicher Klimazukünfte behandelt werden. Beobachtungen und andere unabhängige Evidenz müssen darüber entscheiden, welche Modellantworten plausibel sind (Hausfather et al., 2022).

 

Noch direkter hat Scafetta die Frage untersucht. Statt lediglich die Spannweite der CMIP6-Sensitivitäten zu betrachten, verglich er die simulierten Temperaturänderungen mit mehreren unabhängigen Beobachtungsreihen. In einer umfangreichen Analyse von 38 CMIP6-Modellen, 143 Ensemble-Mittelwerten und 688 einzelnen Modellläufen stellte er die simulierte Erwärmung zwischen 1980–1990 und 2011–2021 ERA5, HadCRUT5, GISTEMP, NOAA und auch der satellitengemessenen unteren Troposphäre von UAH gegenüber (Scafetta, 2023a). Dabei zeigte sich ein klares Muster: Je höher die Klimasensitivität der Modelle, desto stärker fiel ihre Erwärmung aus. Die Modelle mit mittlerer und hoher ECS lagen in der großen Mehrzahl der untersuchten Fälle über der beobachteten Erwärmung; die Modelle mit niedriger ECS schnitten deutlich besser ab. Die statistische Interpretation dieser Vergleiche wurde kontrovers diskutiert; auf die Kritik von Schmidt et al. (2023) antwortete Scafetta (2023b), dass diese Kritik auf einer falschen Behandlung der Unsicherheiten beruhe und verwies unter anderem auf seine erweiterte Auswertung einzelner CMIP6-Ensemblemitglieder.

 

Bereits in einer früheren Analyse von 38 CMIP6-Modellen kam Scafetta zu dem Ergebnis, dass die Modelle mit höherer ECS die Erwärmung der vergangenen Jahrzehnte systematisch stärker simulierten und dass die Übereinstimmung mit den Beobachtungen mit sinkender ECS besser wurde (Scafetta, 2021, 2022). Scafettas Frage ist im Grunde dieselbe, die wir hier stellen: Wenn ein Modell aus den angenommenen Energieantrieben eine bestimmte Temperaturentwicklung erzeugt – findet man diese Temperaturentwicklung anschließend auch in den Messdaten? Wenn nicht, darf die Differenz nicht einfach dadurch beseitigt werden, dass man die Modellparameter so lange verändert, bis die Kurven übereinanderliegen.

 

Damit kommt aus unterschiedlichen Richtungen dasselbe Warnsignal. Kiehl zeigt die Möglichkeit kompensierender Fehler zwischen Forcing und Sensitivität. Mauritsen und Hourdin beschreiben die reale Praxis des Modell-Tunings. Santer findet zeitweise eine stärkere modellierte als satellitengemessene troposphärische Erwärmung. Zelinka dokumentiert die stark gestiegene Sensitivität eines Teils von CMIP6. Tokarska und Ribes zeigen, dass Beobachtungen die besonders heißen Projektionen deutlich einengen. Hausfather nennt das schließlich ausdrücklich das „hot model problem“. Und Scafetta zeigt beim direkten Temperaturvergleich, dass insbesondere die höher sensitiven CMIP6-Modelle zu warm laufen.

 

Der AR6 liefert für dieses Problem selbst ein bemerkenswertes Beispiel. Der IPCC räumt ausdrücklich ein, dass sowohl Modelle mit niedriger als auch mit hoher Klimasensitivität die historische Erwärmung reproduzieren können, weil sich unter anderem Klimasensitivität und Aerosolkühlung gegenseitig kompensieren. Genau das ist das Identifikationsproblem: Die richtige Temperaturkurve entscheidet nicht, welche Kombination aus Forcing und Rückkopplung richtig ist. Trotzdem wird aus mehreren solcher Evidenzlinien anschließend eine ECS von 2,5 bis 4,0 K als wahrscheinlich, 2,0 bis 5,0 K als sehr wahrscheinlich und eine ECS unter 1,5 K praktisch ausgeschlossen (Forster et al., 2021). Genau hier liegt unser Widerspruch zum AR6. Unsere unterschiedlichen Prüfansätze führen wiederholt in einen wesentlich niedrigeren Sensitivitätsbereich als 1,5 K. Wir bewegen uns damit nicht einfach am unteren Rand der IPCC-Spanne – wir stellen die Belastbarkeit ihrer unteren Grenze selbst infrage.

 

Nicht schrauben, erst prüfen

 

Für unsere eigene Rechnung folgt daraus eine ziemlich einfache Konsequenz: Wir werden die thermischen Parameter jetzt nicht an UAH anpassen. Wir lassen sie stehen und betrachten die Abweichung zwischen Modell und Messung als das, was sie ist: als Test des Modells. Und damit sind wir wieder bei unserer eigenen Rechnung.

 

Wenn unser Zwei-Kammer-Modell eine zu starke Temperaturänderung liefert, wäre die bequemste Lösung, C_s, C_d und γ so lange zu verändern, bis UAH getroffen wird. Genau damit würden wir aber die eben beschriebene Identifizierbarkeit verlieren. Ein größeres C_s könnte durch ein anderes γ kompensiert werden, ein verändertes C_d durch eine andere Oberflächenreaktion. Am Ende könnte die Temperatur stimmen, während wir keine Ahnung hätten, ob auch nur einer der drei Parameter richtig ist. Deshalb machen wir das Gegenteil: Wir verwenden zunächst Parameter, deren Größenordnung unabhängig von UAH aus der Literatur stammt. Wir geben die tatsächlich gemessenen CERES-Energieflüsse hinein und betrachten die Abweichung von der beobachteten Temperatur als Prüfergebnis. Erst anschließend variieren wir C_s, C_d und γ systematisch innerhalb eines vorher festgelegten plausiblen Bereichs. Der Unterschied ist fundamental:

 

Deshalb trennen wir zwei Fragen, die man nicht vermischen darf. Die erste Frage lautet: Stimmen die Relationen innerhalb des Wärmespeichers? Also: Ist der tiefe Speicher gegenüber dem schnellen Speicher ungefähr in der richtigen Größenordnung? Ist die Kopplung zwischen beiden so groß, dass Energie mit einer plausiblen Geschwindigkeit in die Tiefe gelangt? Und erzeugt diese Kombination die richtige zeitliche Form der Temperaturreaktion? Genau dafür verwenden wir zunächst die aus der Literatur begründeten Werte von ungefähr C_s = 7, C_d = 100 und γ = 0,7. Sie legen fest, wie unser Wärmespeicher intern arbeitet.

 

Die zweite Frage lautet: Wie groß ist die Temperaturantwort insgesamt? Dafür verändern wir C_s, C_d und γ gerade nicht mehr. Ihre innere Relation bleibt eingefroren. Zunächst laufen sämtliche Strahlungskanäle durch denselben thermischen Kern und anschließend durch denselben UAH-Beobachtungsoperator. Erst danach wird die Summe aller modellierten Temperaturantworten mit einem einzigen gemeinsamen Faktor auf die beobachtete UAH-Amplitude normiert. Derselbe Faktor gilt für jeden Strahlungskanal. Dadurch verändert sich die absolute Temperaturskala, nicht aber die zeitliche Struktur des Wärmespeichers oder das Verhältnis der einzelnen Strahlungsbeiträge zueinander.

 

Und wo bleibt das Land?

 

Daher beantworten wir als Nächstes die Frage: Ist dieses Zwei-Kammer-Modell überhaupt eine vernünftige Beschreibung der Erde? Für die globale Wärmespeicherung ist die Antwort erstaunlich klar: ja. Das Zwei-Kammer-Modell ist keine räumliche Beschreibung der Erde, aber als globale Wärmespeicher-Näherung erstaunlich realistisch. Geoffroy et al. (2013) zeigten, dass ein Modell mit einem schnellen und einem tiefen Wärmespeicher die globale Temperaturantwort von 16 vollständigen CMIP5-Klimamodellen sehr gut nachbilden kann.

 

Für die globale Wärmespeicherung bilden wir die Landfläche in dieser Rechnung nicht als eigenen Speicher ab. Denn rund 89 % der seit 1971 zusätzlich gespeicherten Wärme steckt im Ozean, nur etwa 6 % im Land, 4 % in der Kryosphäre und 1 % in der Atmosphäre (von Schuckmann et al., 2023). Für die globale Wärmespeicherung dominiert der Ozean also tatsächlich so stark, dass eine ozeanisch geprägte Zwei-Box-Näherung sinnvoll ist. Das Land wird aber wichtig, sobald wir von gespeicherter Energie auf beobachtete Temperatur übergehen: Landflächen erwärmen sich typischerweise deutlich stärker als die Ozeane. Sutton et al. (2007) fanden in 20 Klimamodellen Land-Ozean-Erwärmungsverhältnisse von etwa 1,36 bis 1,84; Joshi et al. (2008) zeigten zudem, dass dieser Unterschied nicht allein aus der geringeren Wärmekapazität des Landes entsteht, sondern wesentlich auch mit Feuchtigkeit, Verdunstung und atmosphärischen Rückkopplungen zusammenhängt.

 

Genau deshalb benutzen wir unser Zwei-Kammer-Modell für das, was es gut kann: die globale zeitliche Speicherung und Weitergabe von Energie. Anschließend wird die gesamte modellierte Temperaturantwort mit einem einzigen gemeinsamen Faktor auf die beobachtete UAH-TLT-Amplitude normiert. Derselbe Faktor gilt für alle Strahlungskanäle, so dass ihre relativen Beiträge unverändert bleiben.

 

ENSO, Hunga Tonga und Sonnenmaximum

 

Zuvor müssen wir noch die außergewöhnlichen Schwankungen aus dem Weg räumen. Die UAH-Temperaturkurve enthält nicht nur die langfristige Erwärmung, sondern auch einige starke kurzfristige Ausschläge. Drei Vorgänge sind dabei besonders auffällig: ENSO, die ungewöhnliche Entwicklung nach dem Hunga-Tonga-Ausbruch und das jüngste Sonnenmaximum.

 

ENSO ist der wichtigste kurzfristige natürliche Schwankungsmodus der globalen Temperatur. Bei El Niño wird Wärme aus dem tropischen Pazifik verstärkt an die Atmosphäre abgegeben, bei La Niña geschieht das Gegenteil. Das verändert die globale Lufttemperatur erheblich, ohne dass daraus ein neuer langfristiger Strahlungsantrieb entstehen muss. Außerdem reagiert die Temperatur nicht gleichzeitig mit dem Niño-3.4-Index aus NOAA ERSSTv6 (Huang et al., 2025a, 2025b). In unseren Daten folgt UAH dem ENSO-Signal am besten mit rund vier Monaten Verzögerung. Deshalb bestimmen wir den statistisch erklärbaren ENSO-Anteil der UAH-Kurve und ziehen nur diesen Anteil ab. Der langfristige Temperaturtrend bleibt unangetastet. Dasselbe Verfahren wird für OLR und ASR mit deren jeweils passenden Verzögerungen durchgeführt. Die gefundenen und genutzten Lags betragen vier Monate für UAH, zwei Monate für OLR und logischerweise null Monate für ASR.

 

Der zweite Sonderfall beginnt mit dem Hunga-Tonga-Ausbruch im Januar 2022. Dieser Vulkan verhielt sich ungewöhnlich: Er brachte enorme Mengen Wasserdampf in die Stratosphäre; Millán et al. (2022) schätzten die Injektion auf 146 ± 5 Tg H₂O, ungefähr 10 % des damaligen stratosphärischen Wasserdampfinventars. Der Ausbruch fiel damit genau in den Zeitraum, in dem die globale Temperatur 2023 und 2024 außergewöhnlich stark anstieg. Hinzu kamen weitere Einflüsse dieser Jahre. Wir versuchen deshalb nicht, jeden Zehntelgrad dieser Spitze Hunga Tonga zuzuschreiben. Stattdessen verwenden wir einen breiten statistischen Ereignisterm, der im Januar 2022 beginnt und in unserer festgelegten Form im April 2024 sein Maximum erreicht. Seine Amplitude wird aus den Daten geschätzt. Der Term beschreibt die außergewöhnliche späte Temperaturentwicklung als Ganzes, nicht eine vermeintlich exakt gemessene reine Hunga-Tonga-Wirkung. Genau deshalb heißt er im Modell „später Ereignisterm“.

 

Hinzu kommt das Sonnenmaximum der jüngsten Jahre. Auch die Sonnenaktivität schwankt im ungefähr elfjährigen Sonnenzyklus. Dieser Fall unterscheidet sich aber entscheidend von ENSO und unserem statistischen Ereignisterm: Eine Veränderung der solaren Einstrahlung erscheint tatsächlich in der kurzwelligen Energiebilanz. CERES misst am Ende, wie viel Sonnenenergie vom Erdsystem absorbiert wird. Solche Änderungen gehören deshalb in unseren beobachteten ASR-Kanal und werden dort mitgerechnet. ASR ist ohnehin ein Sammelkanal für die tatsächlich beobachtete kurzwellige Änderung; darin können Änderungen der Solarstrahlung, Wolken, Aerosole und Albedo stecken.

 

Für die eigentliche Strahlungszerlegung bilden wir deshalb zunächst eine bereinigte UAH-Kurve. Aus der Rohreihe entfernen wir den statistisch bestimmten ENSO-Anteil und den außergewöhnlichen späten Ereignisterm. Aus einem Rohtrend von rund 0,239 °C pro Jahrzehnt wird so im aktuellen Modell ein bereinigter Trend von rund 0,155 °C pro Jahrzehnt. Diese bereinigte Kurve ist nun unser Arbeitsfeld für die Strahlungszerlegung. Wir müssen innerhalb dieses Schrittes nicht gleichzeitig erklären, warum gerade 2023 ein starker El Niño herrschte oder wie groß der gesamte außergewöhnliche Ereigniskomplex 2023/2024 war. Stattdessen können wir fragen: Wie viel der verbleibenden Temperaturentwicklung lässt sich durch die beobachteten und physikalisch bestimmten Strahlungskanäle erklären?

 

Das Entscheidende dabei: Wir werfen die entfernten Teile nicht weg. Die Buchhaltung bleibt geschlossen. Nachdem die Strahlungszerlegung auf die bereinigte UAH erfolgt ist, werden ENSO und der späte Ereignisterm wieder hinzugefügt:

 

UAH roh = UAH bereinigt + ENSO + Ereignisterm

 

So trennen wir zwei Fragen, die sonst ständig ineinanderlaufen würden: Was ist die längerfristige Strahlungsentwicklung – und was sind außergewöhnliche kurzfristige Temperaturereignisse? Erst zerlegen wir den ruhigeren Grundpfad. Danach setzen wir die Sonderereignisse wieder auf die Rechnung drauf.

 

Jetzt zerlegen wir die Strahlung

 

Bis hierhin haben wir das absolute CERES-NET benutzt, um zu prüfen, wie unser Wärmespeicher auf den tatsächlich gemessenen Energiefluss reagiert. Für die Ursachenfrage interessiert uns nun etwas anderes: Welche Änderungen der Strahlungsbilanz haben die Temperatur seit 2002 verändert? Der bereits vorhandene Hintergrundfluss bestimmt den Ausgangszustand; für die Attribution zerlegen wir anschließend die zeitlichen Änderungen der Strahlung in ihre einzelnen Beiträge.

 

Der entscheidende Schritt kommt jetzt: Wir zerlegen die beobachtete Änderung der Netto-Strahlungsbilanz in ihre einzelnen Beiträge, bevor daraus Temperatur wird. Für jeden Monat schreiben wir die gesamte Strahlungswirkung als Summe mehrerer physikalisch unterscheidbarer Kanäle:

 

N(t) = N_ASR + N_CO₂ + N_H₂O,trop + N_H₂O,strat + N_LW,rest + N_thermal

 

Dabei steht ASR für Änderungen der absorbierten Sonnenstrahlung, CO₂ für den direkten langwelligen CO₂-Beitrag, H₂O,trop und H₂O,strat für troposphärischen und stratosphärischen Wasserdampf, LW,rest für den verbleibenden langwelligen Rest und thermal für die temperaturbedingte OLR-Gegenreaktion. Positive Beiträge wirken in dieser Buchhaltung erwärmend, negative kühlend. Der entscheidende Punkt ist: Keiner dieser Kanäle bekommt ein eigenes Klimamodell und keiner wird einzeln an UAH angepasst. Jeder einzelne Strahlungsverlauf läuft durch exakt denselben Zwei-Kammer-Wärmespeicher mit denselben Werten für C_s, C_d und γ und anschließend durch denselben UAH-Beobachtungsoperator.

 

An dieser Stelle ist eine Besonderheit unseres Modells entscheidend. Denn grundsätzlich ist Strahlung keineswegs einfach linear von der Temperatur abhängig. Für die thermische Abstrahlung gilt grundsätzlich das Stefan-Boltzmann-Gesetz (vgl. Pierrehumbert, 2010): Die abgestrahlte Leistung wächst mit der vierten Potenz der absoluten Temperatur. Deshalb könnte man nicht einfach zwei getrennt berechnete Temperaturänderungen addieren und anschließend behaupten, auch ihre Strahlungswirkungen ließen sich genauso addieren. Aber: Die Strahlungsphysik ist bereits erledigt, bevor die Energie in unseren Zwei-Kammer-Wärmespeicher gelangt. CERES liefert ASR und OLR bereits als fertige Energieflüsse in W/m². Ebenso liegen nach unserer Strahlungszerlegung die Beiträge von CO₂, Wasserdampf, der übrigen langwelligen Strahlung und der thermischen OLR-Reaktion bereits als Zeitreihen in W/m² vor. Auch der thermische OLR-Kanal wird vor diesem Schritt als Strahlungszeitreihe festgelegt; innerhalb des Zwei-Kammer-Kerns wird aus T_s kein neues T⁴ und keine neue OLR berechnet. In diesem Stadium bekommt der Wärmespeicher also keine Temperatur, aus der er erst über T⁴ eine Strahlung berechnen müsste. Er bekommt schlicht eine bestimmte Energiemenge pro Quadratmeter und Zeit. Wir rechnen also im Kern mit Strahlungen, nicht mit Temperaturen. Es gilt also: Temperaturänderung aus der Summe der Strahlung = Summe der Temperaturänderungen aus den einzelnen Strahlungskanälen.

 

Ab hier funktioniert das Modell sehr einfach: Ein Energiefluss erwärmt den schnellen Speicher; je größer der Temperaturunterschied zum tiefen Speicher wird, desto mehr Wärme wird über γ nach unten transportiert. Dabei bleiben C_s, C_d und γ konstant. Es gibt im Wärmespeicher keinen Mechanismus, bei dem ein doppelt so großer Eingang plötzlich die dreifache oder vierfache Wirkung erzeugt. Man kann sich das mit zwei Heizplatten vorstellen. Heizplatte A liefert einen bestimmten zeitlichen Energieverlauf, Heizplatte B einen zweiten. Wir können zunächst nur A einschalten und die Temperaturänderung berechnen. Danach nur B. Oder wir schalten beide gleichzeitig ein. Solange Wärmekapazitäten und Wärmeleitung unverändert bleiben, ist die gemeinsame Temperaturänderung exakt die Summe der beiden einzeln berechneten Temperaturänderungen.

 

Und wegen oben gilt für Temperaturänderungen relativ zu demselben Ausgangszustand:

 

Temperaturänderung aus (Strahlung A + Strahlung B) = Temperaturänderung aus A + Temperaturänderung aus B.

 

Und genau das macht unsere Strahlungszerlegung möglich. Wir können die beobachtete Änderung der Gesamtstrahlung zunächst in ihre einzelnen Strahlungskanäle zerlegen, jeden Kanal separat durch dieselbe thermische Maschine – also unser Modell – schicken und anschließend die resultierenden Temperaturbeiträge wieder addieren. Die Summe muss dieselbe Temperaturänderung ergeben wie ein einziger Lauf mit der Summe aller Strahlungskanäle. Das ist eine mathematische Eigenschaft des verwendeten Zwei-Kammer-Modells – und wir können sie im Code auf numerische Genauigkeit überprüfen. Und genau deshalb dürfen wir am Ende sinnvoll sagen: Dieser Anteil der Temperaturentwicklung stammt aus diesem Strahlungskanal, jener Anteil aus einem anderen – während alle durch exakt denselben Wärmespeicher gelaufen sind.

 

Und das macht die folgende Modellierung so interessant: Wir fragen nicht zuerst, welcher Temperaturanteil zu CO₂, Wasserdampf oder Sonne passen müsste. Wir bestimmen zuerst, welche Strahlungswirkung diese Größen tatsächlich erzeugen, lassen jede davon durch dieselbe thermische Maschine laufen und lesen erst danach ab, welchen Anteil an der Temperaturentwicklung sie hervorbringt.

 

CO₂ trifft Wasserdampf

 

Bis hierhin können wir uns weitgehend an Messdaten halten. CERES misst, wie viel kurzwellige Sonnenstrahlung die Erde absorbiert und wie viel langwellige Wärmestrahlung sie wieder in den Weltraum abgibt. Für CO₂ verwenden wir die global gemittelte monatliche NOAA-GML-Reihe (Lan et al., 2026), für den troposphärisch dominierten Wasserdampf die RSS-Merged-TPW-Reihe über eisfreien Ozeanen von 60°S bis 60°N (Wentz, 2015) und für den stratosphärischen Wasserdampf SWOOSH v2.72 (Davis et al., 2016). Das Entscheidende, was wir nicht direkt aus den CERES-Daten ablesen können, ist jedoch, welcher Teil der beobachteten langwelligen Strahlungsänderung auf CO₂ und welcher auf Wasserdampf entfällt. CERES sieht den gesamten ausgehenden Energiefluss – es schreibt nicht an jedes Watt, welches Molekül dafür verantwortlich war.

 

Und genau hier entsteht ein zusätzliches Problem: CO₂ und Wasserdampf wirken nicht unabhängig voneinander. Beide absorbieren Infrarotstrahlung, und ihre Absorptionsbereiche überlappen sich teilweise. Die Wirkung einer zusätzlichen Menge CO₂ hängt deshalb auch davon ab, wie viel Wasserdampf bereits in der Atmosphäre vorhanden ist – und umgekehrt. Man kann die beiden Beiträge also nicht einfach getrennt berechnen und anschließend bedenkenlos addieren.

 

Deshalb haben wir diesen Teil der Strahlungsphysik unabhängig nachgerechnet. Mit MODTRAN6, einem etablierten atmosphärischen Strahlungstransfermodell (Berk et al., 2014), wurde für viele Kombinationen von CO₂-Konzentration und Wasserdampfgehalt berechnet, wie viel langwellige Strahlung die Erde am Oberrand der Atmosphäre verlässt. Daraus entsteht die oben gezeigte Fläche: Auf einer Achse liegt die CO₂-Konzentration, auf der zweiten der Wasserdampfgehalt und in der Höhe die daraus resultierende OLR. Unser Raster umfasst 52 CO₂-Werte und zehn Wasserdampfstufen, also insgesamt 520 berechnete Atmosphärenzustände.

 

 

 

Die Strahlungsfläche haben wir anschließend unabhängig von MODTRAN6 gegengeprüft. Dazu verwendeten wir HITRAN-gestützte OLBL-Rechnungen („Oslo Line-by-Line“), die die spektralen Absorptionslinien wesentlich feiner auflösen. Als spektroskopische Datengrundlage diente HITRAN2020 (Gordon et al., 2022). Die Prüfrechnungen dienen hier ausschließlich als unabhängige Kontrolle der Strahlungsrechnung; für die eigentliche Attribution verwenden wir weiterhin unverändert die zuvor berechnete MODTRAN6-Fläche.

 

Für jeden Monat können wir nun die tatsächlich beobachtete Kombination aus CO₂ und Wasserdampf auf dieser Fläche aufsuchen. Wir wissen also nicht nur, wie sich CO₂ und H₂O verändert haben, sondern können auch berechnen, welche gemeinsame langwellige Strahlungswirkung daraus entsteht. Dieser CO₂-H₂O-Effekt wird unabhängig von der späteren Temperaturrechnung bestimmt.

 

Nun muss dieser gemeinsame Effekt noch zwischen CO₂ und H₂O aufgeteilt werden. Dazu rechnen wir den Weg auf der Fläche zweimal. Einmal verändern wir gedanklich zuerst CO₂ und danach den Wasserdampf. Beim zweiten Mal machen wir es umgekehrt: zuerst H₂O, dann CO₂. Weil sich ihre Absorptionswirkungen überlagern, fallen die beiden Einzelbeiträge je nach Reihenfolge etwas unterschiedlich aus. Die Unterschiede sind klein – etwa 0,02 W/m² –, aber vorhanden. Deshalb mitteln wir beide Wege. Der gemeinsame Überlappungsanteil wird dann symmetrisch auf CO₂ und Wasserdampf verteilt. Dieses Verfahren entspricht einer Shapley-Zerlegung (Shapley, 1953).

 

Am Ende erhalten wir zwei getrennte Zeitreihen: einen direkten CO₂-Strahlungsbeitrag und einen troposphärischen H₂O-Strahlungsbeitrag. Die wichtigste Kontrolle ist eingebaut: Addiert man beide wieder, erhält man exakt den zuvor gemeinsam auf der MODTRAN-Fläche berechneten CO₂-H₂O-Effekt. Es geht keine Strahlungswirkung verloren, und die Überlappung wird nicht doppelt gezählt. Wichtig ist noch etwas anderes: Wir schreiben nicht einfach den Teil der CERES-OLR, den wir sonst nicht erklären können, CO₂ und Wasserdampf zu. Das wäre eine Restpostenrechnung. Stattdessen bestimmen wir ihren gemeinsamen Beitrag unabhängig aus der Strahlungstransferrechnung und den tatsächlich gemessenen CO₂- und H₂O-Verläufen. Erst anschließend prüfen wir, wie dieser explizit berechnete Beitrag in die vollständige gemessene langwellige Energiebilanz passt. Was danach noch übrig bleibt, bleibt auch als langwelliger Rest stehen.

 

Sechs Kanäle, eine thermische Maschine

 

Damit ist das schwierigste Stück der Strahlungszerlegung gelöst: Aus einem gemeinsamen, physikalisch überlappenden CO₂-H₂O-Strahlungseffekt werden zwei getrennte Beiträge – ohne sie an die spätere Temperaturkurve anzupassen. Nun sind alle Strahlungskanäle gemessen oder bestimmt. Wir können die gesamte Energiebilanz deshalb in sechs Beiträge zerlegen:

 

• 1. ASR: Die absorbierte Sonnenstrahlung wird von CERES direkt gemessen. Steigt die ASR, bleibt mehr Sonnenenergie im Erdsystem; sinkt sie, wirkt das kühlend.
• 2. CO₂: Der direkte langwellige CO₂-Beitrag stammt aus unserer MODTRAN-Strahlungsfläche und dem tatsächlich gemessenen NOAA-CO₂-Verlauf. Die Überlappung mit Wasserdampf ist durch die eben beschriebene Shapley-Zerlegung berücksichtigt.
• 3. Troposphärischer Wasserdampf: Der beobachtete RSS-H₂O-Verlauf wird auf derselben MODTRAN-Fläche ausgewertet und gemeinsam mit CO₂ sauber zerlegt. CO₂ und H₂O stammen damit aus derselben Strahlungsrechnung und schließen wieder exakt auf ihren gemeinsamen Effekt.
• 4. Stratosphärischer Wasserdampf: Änderungen des Wasserdampfs in der Stratosphäre werden mit SWOOSH beobachtet und separat als zusätzlicher langwelliger Strahlungsbeitrag berücksichtigt.
• 5. Thermische OLR-Gegenreaktion: Wird die Atmosphäre wärmer, steigt ihre thermische Abstrahlung in den Weltraum. Diese temperaturbedingte zusätzliche OLR wirkt unserer Vorzeichenkonvention entsprechend kühlend. Sie erscheint deshalb als negativer Energiebeitrag: N_thermal = −ΔOLR_thermal.
• 6. Langwelliger Rest: Schließlich vergleichen wir die gesamte tatsächlich von CERES gemessene OLR-Entwicklung mit dem, was sich aus thermischer Gegenreaktion, CO₂ sowie troposphärischem und stratosphärischem Wasserdampf erklären lässt. Was danach noch fehlt, bleibt ausdrücklich als LW-Rest stehen. Wir erfinden dafür keinen zusätzlichen Verursacher. Die langwellige Buchhaltung wird so geschlossen, dass die Summe aller Einzelteile wieder exakt den empirisch bestimmten Gesamtbeitrag ergibt.

 

Alle sechs Strahlungskanäle müssen nun durch exakt denselben Wärmespeicher, denn sonst könnten wir CO₂ mit einer anderen thermischen Reaktion behandeln als Sonnenstrahlung oder Wasserdampf und hätten die gewünschten Anteile praktisch schon durch die Modellwahl vorgegeben. Stattdessen bekommt jeder Kanal dieselben Werte für C_s, C_d und γ und anschließend denselben Beobachtungsoperator für UAH.

 

Nun können wir das eigentliche Modell fast schon in wenigen Sätzen zusammenfassen. Für jeden Monat liegen sechs Strahlungskanäle vor. Jeder einzelne Kanal läuft durch denselben Zwei-Kammer-Wärmespeicher mit C_s = 7, C_d = 100 und γ = 0,7 und anschließend durch denselben UAH-Beobachtungsoperator. Kein Kanal erhält eine eigene Temperaturanpassung. Die Summe aller unskalierten Temperaturantworten steigt im Zentralfall mit rund 0,588 °C pro Jahrzehnt deutlich stärker als die zuvor um ENSO und den späten Ereignisterm bereinigte UAH-Reihe mit 0,155 °C pro Jahrzehnt. Deshalb wird die gesamte Temperaturantwort einmal gemeinsam auf UAH normiert.

 

Dieser Faktor verändert nicht die relative Gewichtung der Strahlungskanäle und auch nicht die innere Relation von C_s, C_d und γ. Er korrigiert nur die absolute Temperaturskala des einfachen Zwei-Kammer-Kerns gegenüber der beobachteten UAH-Amplitude. Das ist eine gemeinsame Einheitstransformation, keine kanalspezifische Anpassung.

 

Der dafür benötigte Faktor beträgt:

 

s = 0,155 / 0,588 ≈ 0,264

 

Jeder einzelne Temperaturbeitrag wird mit exakt diesem Faktor multipliziert. Dadurch ändert sich die absolute Temperaturskala, aber nicht das Verhältnis der Strahlungskanäle untereinander. CO₂ kann durch diese Anpassung also nicht gegenüber ASR größer oder kleiner gemacht werden; alle fahren mit demselben Maßstab. Genau diese gemeinsame Trendnormalisierung ist im Modell festgelegt.

 

Ein letzter Schritt fehlt allerdings noch. Der troposphärische Wasserdampf ist in unserer Strahlungsrechnung zunächst ein eigener beobachteter Kanal. Physikalisch ist ein großer Teil davon aber eine Reaktion auf Erwärmung: Wärmere Luft kann mehr Wasserdampf enthalten. Das zeigt sich auch unmittelbar in unseren Daten. Die Regression der 12-Monatswerte von RSS-Wasserdampf gegen UAH ergibt eine Zunahme von rund 7,15 % Wasserdampf pro Kelvin bei einem R² von etwa 0,92; aus den getrennten Langzeittrends ergeben sich rund 7,78 % pro Kelvin. Diese enge Beziehung zeigt, dass der beobachtete Wasserdampfanstieg stark an die Temperatur gekoppelt ist. Sie sagt für sich allein aber noch nicht, welcher Erwärmungstreiber welchen Anteil dieses Wasserdampfs verursacht hat. Die Größenordnung liegt nahe an der aus der Clausius-Clapeyron-Beziehung und aus Satellitendaten bekannten Kopplung zwischen Temperatur und atmosphärischem Wasserdampf (Held & Soden, 2006; Mears et al., 2007).

 

Wir erzeugen daraus keinen zusätzlichen theoretischen Wasserdampf. Für diese letzte Zuordnung verwenden wir deshalb eine einfache und transparente Buchhaltungsregel: Der tatsächlich beobachtete positive H₂O-Beitrag wird proportional auf die zuvor berechneten positiven Temperaturwirkungen von ASR, CO₂ und dem ENSO- und Ereignispfad verteilt. Das ist keine Messung, sondern eine transparente Zuteilung des H₂O-Aufwuchses auf die zuvor bestimmten positiven Temperaturpfade. Sie entsprechen in der Abbildung 16.7 den hellen Aufsätzen auf den drei positiven Balken. Der H₂O-Anteil des Ereignispfads bleibt beim Ereignis und wird nicht etwa nachträglich CO₂ zugeschlagen.

 

 

 

Jetzt wird abgerechnet

 

Das Ergebnis ist die eigentliche Bilanz unserer Untersuchung. Der größte positive Beitrag kommt im untersuchten Zeitraum aus der absorbierten Sonnenstrahlung ASR. Sie liefert direkt etwa 0,212 °C pro Jahrzehnt; mit dem ihr zugeordneten troposphärischen Wasserdampf sind es rund 0,248 °C pro Jahrzehnt. Das entspricht etwas mehr als 100 % des beobachteten UAH-Rohtrends. Das ist kein Widerspruch, denn anschließend werden starke negative Gegenreaktionen abgezogen. Und ASR bedeutet hier ausdrücklich nicht einfach „die Sonne“: In diesem gemessenen Kanal stecken alle Änderungen der absorbierten kurzwelligen Strahlung, also beispielsweise auch Änderungen von Wolken, Aerosolen und Oberflächenalbedo. Dass die CERES-Ära besonders auf der kurzwelligen Seite einen starken positiven Beitrag zeigt, berichten auch Loeb et al. (2021) und Raghuraman et al. (2021); für den außergewöhnlichen Anstieg 2023 heben Goessling et al. (2025) insbesondere die rekordniedrige planetare Albedo hervor.

 

Der direkte CO₂-Strahlungskanal trägt im aktuellen C4.5.4-Stand rund 0,0574 °C pro Jahrzehnt bei. Das sind 23,98 % des beobachteten Rohtrends. Rechnet man den Anteil des tatsächlich beobachteten troposphärischen Wasserdampfs hinzu, der diesem CO₂-Erwärmungspfad zugeordnet wird, steigt der Beitrag auf knapp 0,067 °C pro Jahrzehnt beziehungsweise 27,97 %. Das ist der zentrale CO₂-Wert unserer historischen Zerlegung. Der ENSO- und Ereignispfad 2022–2024 liefert einschließlich seines zugeordneten Wasserdampfanteils rund 0,098 °C pro Jahrzehnt, also etwa 41 % des Rohtrends. Dieser Wert beschreibt den statistisch isolierten Ereigniskomplex und wird anschließend wieder zur zuvor bereinigten UAH-Reihe hinzugefügt.

 

Auf der anderen Seite stehen die Gegenreaktionen. Der stratosphärische Wasserdampf trägt ungefähr −0,022 °C pro Jahrzehnt bei, der verbleibende langwellige Rest ist mit rund −0,002 bis −0,003 °C pro Jahrzehnt klein, und die mit Abstand größte Bremse ist die thermische OLR-Gegenreaktion mit ungefähr −0,149 °C pro Jahrzehnt. Sie nimmt allein rund 62 % des UAH-Rohtrends wieder heraus. Es bleibt exakt der beobachtete UAH-Rohtrend von rund 0,239 °C pro Jahrzehnt übrig. Das Grundmuster aus positiver troposphärischer H₂O-Reaktion und starker negativer thermischer OLR-Gegenreaktion findet sich auch in der CERES-basierten Feedbackanalyse von Dessler (2013).

 

Hält die 28?

 

Hält das Ergebnis auch dann, wenn unser Wärmespeicher nicht exakt 7 / 100 / 0,7 beträgt? Bislang haben wir mit unserem Zentralfall C_s = 7, C_d = 100 und γ = 0,7 gerechnet. Nun wäre es wenig überzeugend, wenn die rund 28 % für CO₂ einschließlich des zugeordneten Wasserdampfs nur genau bei diesen drei Zahlen herauskämen. Deshalb haben wir den Wärmespeicher systematisch verändert. Für C_s verwenden wir 5, 7 und 9, für C_d 70, 100 und 130 und für γ 0,5, 0,7 und 0,9. Das ergibt 27 verschiedene thermische Modelle rund um unseren Zentralfall. Zusätzlich prüfen wir für jede Kombination drei plausible Varianten des thermischen Anfangszustands im Juli 2002. So entstehen insgesamt 81 Modellkonfigurationen. Keine davon wird nach ihrem Ergebnis ausgewählt.

 

Das Ergebnis ist bemerkenswert stabil. Der Zentralwert liegt bei 27,97 %. Über das gesamte vorab festgelegte Strukturgrid schwankt der CO₂-Anteil einschließlich des zugeordneten troposphärischen Wasserdampfs nur zwischen rund 25,24 und 30,81 %. Wir können also den schnellen Speicher deutlich kleiner oder größer machen, die Tiefe verändern und die Kopplung zum tiefen Ozean abschwächen oder verstärken: Die genaue Temperaturkurve verändert sich, aber die Relation der Strahlungsbeiträge bleibt erstaunlich stabil.

 

 

 

Einmal kräftig durchschütteln

 

Dann kommt ein zweiter Test. Mit einem Blockbootstrap für abhängige Zeitreihen (Künsch, 1989) zerlegen wir die Zeitreihe in zusammenhängende 24-Monats-Blöcke und setzen sie in 5.000 neuen Kombinationen wieder zusammen. Anders als beim gewöhnlichen Ziehen einzelner Monate bleiben dadurch längere warme, kalte, feuchte oder strahlungsreiche Phasen erhalten. Der tatsächlich beobachtete UAH-Trend wird dabei festgehalten, weil wir hier nicht fragen, welche völlig andere Klimageschichte hätte stattfinden können, sondern wie stabil unsere Zerlegung dieser tatsächlich beobachteten Klimageschichte ist. Das bedingte 95-%-Band liegt bei rund 24,98 bis 30,94 %.

 

 

 

Die beiden Tests greifen an völlig unterschiedlichen Stellen an. Das Strukturgrid verändert die physikalische Übersetzung von Energie in Temperatur. Der Blockbootstrap verändert die zeitliche Abfolge der beobachteten Komponenten. Beide landen praktisch im selben Bereich. Genau deshalb ist „etwa 28 %“ nicht das Ergebnis einer glücklichen Einzelkonfiguration.

 

Rückwärts muss alles wieder passen

 

Ein Modell dieser Art bietet noch eine stärkere Kontrolle: Wir wissen an vielen Stellen vorher, was beim Rückwärtszusammensetzen herauskommen muss. Wir zerlegen beispielsweise die langwellige Strahlung in CO₂, troposphärischen Wasserdampf, stratosphärischen Wasserdampf und einen verbleibenden LW-Rest. Addieren wir diese vier Reihen anschließend wieder, muss exakt die zuvor bestimmte gesamte langwellige Strahlungswirkung entstehen. Genau das geschieht. Der maximale numerische Schließfehler liegt in der Größenordnung von 10⁻¹⁶ W/m² – also praktisch bei der Rechengenauigkeit des Computers.

 

 

 

Dasselbe prüfen wir an weiteren Stellen. CO₂ und H₂O müssen nach der Shapley-Zerlegung wieder exakt ihren gemeinsamen MODTRAN-Effekt ergeben. Die einzeln durch den Wärmespeicher gerechneten Strahlungskanäle müssen zusammen exakt dieselbe Temperaturantwort liefern wie ihre gemeinsame Strahlungssumme. Nach der gemeinsamen UAH-Skalierung müssen sämtliche positiven und negativen Temperaturbeiträge wieder genau auf die bereinigte UAH-Kurve schließen. Und ganz am Ende müssen bereinigte UAH, ENSO und der späte Ereignisterm wieder die ursprüngliche UAH-Reihe ergeben. Diese Closure-Tests sind im Modell als harte numerische Bedingungen eingebaut; alle schließen bis besser als 10⁻¹² °C. Wir zerlegen also die Wirklichkeit und setzen sie anschließend wieder zusammen. Wenn beim Zusammensetzen nicht exakt das herauskommt, womit wir angefangen haben, wäre die Rechnung falsch – das geschieht aber bei keinem der Tests.

 

Wie gut ist diese Schätzung?

 

Dieses Modell ist keine Spielerei mit ein paar passenden Regressionslinien. Es ist eine möglichst weitgehend beobachtungsgebundene lineare Energiebuchhaltung. Die kurzwellige Strahlung stammt aus CERES, die gesamte langwellige Bilanz stammt aus CERES, CO₂ und Wasserdampf werden beobachtet, ihre überlappende Strahlungswirkung wird mit MODTRAN berechnet, ENSO wird getrennt behandelt und sämtliche Strahlungskanäle laufen durch denselben Wärmespeicher. Wo wir etwas zerlegen, verlangen wir anschließend die exakte Rückwärts-Closure.

 

Man könnte die Erde natürlich wesentlich komplizierter modellieren: mit Kugelgeometrie, Breitenzonen, Kontinenten, Ozeanbecken, dreidimensionalen Strömungen, Wolkenfeldern, turbulenter Durchmischung und nichtlinearen Kopplungen. Für räumliche Vorhersagen ist all das unverzichtbar. Für unsere Anteilsfrage löst zusätzliche Komplexität aber das zentrale Identifikationsproblem nicht. Im Gegenteil: Je mehr frei gekoppelte Prozesse ein Modell besitzt, desto mehr Möglichkeiten gibt es, dass sich unterschiedliche Fehler gegenseitig kompensieren.

 

Unsere Frage ist enger: Wie teilen sich die tatsächlich beobachteten globalen Strahlungsänderungen auf die beobachtete globale Temperaturentwicklung auf? Dafür ist Linearität kein Mangel, sondern die Eigenschaft, die eine nachvollziehbare Zerlegung überhaupt ermöglicht. Das Modell soll für jede Energieeinheit nachvollziehbar machen, woher sie kommt, wie sie thermisch verarbeitet wird und welchen Anteil sie am beobachteten Temperaturtrend erhält. Genau das können wir testen.

 

Hat das schon jemand so gemacht?

 

An dieser Stelle lohnt sich noch eine Frage: Ist so etwas eigentlich schon einmal genau so gemacht worden? Einzelne Bausteine unserer Rechnung sind gut etabliert: CERES-Strahlungsdaten wurden mit Satellitentemperaturen verglichen, die TOA-Energiebilanz in Temperatur-, Wasserdampf-, Wolken-, Albedo- und Treibhausgasbeiträge zerlegt, CO₂-H₂O-Überlappungen mit Strahlungstransfermodellen behandelt und Zwei-Schichten-Modelle zur Übersetzung von Energie in Temperatur verwendet (Spencer & Braswell, 2010; Schmidt et al., 2010; Dessler, 2013; Geoffroy et al., 2013; Thorsen et al., 2018; Kramer et al., 2021; Loeb et al., 2021; Raghuraman et al., 2021). Auch der Vergleich modellierter und satellitengemessener Troposphärentemperaturen ist ein eigenes Forschungsfeld, etwa bei Santer et al. (2017) und Scafetta (2023a). Besonders nahe kommt unserer Fragestellung ein Preprint von Hoogeveen et al. (2025): Auch dort steigt seit 2000 vor allem die absorbierte Sonnenstrahlung, während OLR wesentlich schwächer zunimmt. Temperatur und Wasserdampf erklären einen großen Teil der OLR-Entwicklung; den erwarteten zusätzlichen Treibhausgasbeitrag konnten die Autoren mit ihrer regressionsbasierten Restmethode jedoch nicht robust isolieren. Gerade hier liegt ein wesentlicher Unterschied zu unserem Ansatz: Wir bestimmen CO₂ und Wasserdampf vorab aus ihren beobachteten Verläufen und einer gemeinsamen Strahlungstransferfläche, statt sie aus dem verbleibenden OLR-Rest abzuleiten.

 

Inhaltlich finden sich damit durchaus ähnliche Befunde wie bei uns: ein starker positiver ASR-Beitrag, eine deutliche temperatur- und wasserdampfbedingte langwellige Reaktion und erhebliche Schwierigkeiten, die einzelnen langwelligen Ursachen allein statistisch aus dem beobachteten OLR-Verlauf herauszulösen. Meist endet die Literatur deshalb entweder bei W/m², bei Feedbackparametern oder beim direkten Modell-Beobachtungs-Vergleich. Was ich in der Literatur bislang nicht gefunden habe, ist die Kombination dieser Schritte zu einer einzigen geschlossenen Rechnung: monatliche CERES-Strahlung, UAH-TLT, unabhängig gemessener troposphärischer und stratosphärischer Wasserdampf, ENSO und der Ereigniskomplex nach 2022, eine zustandsabhängige CO₂-H₂O-Strahlungszerlegung und anschließend für alle Beiträge derselbe thermische Operator – bis am Ende sämtliche positiven und negativen Beiträge wieder exakt zur beobachteten UAH-Temperaturentwicklung schließen. Die einzelnen Werkzeuge sind also bekannt und wissenschaftlich gut beschrieben – mit durchaus sehr ähnlichen Ergebnissen wie in dieser Analyse. Neu ist, sie in einer durchgehenden Energiebuchhaltung zusammenzusetzen und daraus relative Beiträge zur beobachteten Erwärmung abzuleiten. Genau deshalb habe ich so viel Wert auf die Rückwärtskontrollen gelegt: Wenn wir die Rechnung wieder zusammensetzen, muss am Ende genau das herauskommen, womit wir angefangen haben.

 

Wir haben hier also nichts grundsätzlich Neues ge- oder erfunden. Aber erstaunlich ist, dass die vorhandenen Messdaten und etablierten Methoden bisher offenbar noch niemand in genau dieser Form zu Ende gerechnet hat. Hmmm. Mal vielleicht über einen Aufsatz nachdenken… Ich hatte diese Rechnung ursprünglich nur gebaut, um eine Frage dieses Blogs sauber zu beantworten. Die Kombination scheint eigenständig genug zu sein, um daraus zusätzlich mehr zu machen.

 

Und jetzt vorwärts

 

Die Rückrechnung ist damit erledigt. Jetzt kommt der schwierigere Teil: vorwärts rechnen. Im letzten Kapitel entwickeln wir aus diesen Überlegungen ein eigenes Prognosemodell für die Zukunft – und dann muss sich zeigen, ob dieselbe Logik, die die Vergangenheit zerlegt, auch für die Zukunft etwas taugt. Das Ganze dann nächste Woche.

 

Literatur

 

Berk, A., Bernstein, L. S., & Robertson, D. C. (1989). MODTRAN: A moderate resolution model for LOWTRAN 7 (Report No. GL-TR-89-0122). Air Force Geophysics Laboratory.

 

Berk, A., Conforti, P., Kennett, R., Perkins, T., Hawes, F., & van den Bosch, J. (2014). MODTRAN6: A major upgrade of the MODTRAN radiative transfer code. Proceedings of SPIE, 9088, 90880H. https://doi.org/10.1117/12.2050433

 

Davis, S. M., Rosenlof, K. H., Hassler, B., Hurst, D. F., Read, W. G., Vömel, H., Selkirk, H., Fujiwara, M., & Damadeo, R. (2016). The Stratospheric Water and Ozone Satellite Homogenized (SWOOSH) database: A long-term database for climate studies. Earth System Science Data, 8(2), 461–490. https://doi.org/10.5194/essd-8-461-2016

 

Dessler, A. E. (2013). Observations of climate feedbacks over 2000–10 and comparisons to climate models. Journal of Climate, 26(1), 333–342. https://doi.org/10.1175/JCLI-D-11-00640.1

 

Forster, P., Storelvmo, T., Armour, K., Collins, W., Dufresne, J.-L., Frame, D., Lunt, D. J., Mauritsen, T., Palmer, M. D., Watanabe, M., Wild, M., & Zhang, H. (2021). The Earth’s energy budget, climate feedbacks, and climate sensitivity. In V. Masson-Delmotte et al. (Eds.), Climate change 2021: The physical science basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change (pp. 923–1054). Cambridge University Press. https://doi.org/10.1017/9781009157896.009

 

Geoffroy, O., Saint-Martin, D., Olivié, D. J. L., Voldoire, A., Bellon, G., & Tytéca, S. (2013). Transient climate response in a two-layer energy-balance model. Part I: Analytical solution and parameter calibration using CMIP5 AOGCM experiments. Journal of Climate, 26(6), 1841–1857. https://doi.org/10.1175/JCLI-D-12-00195.1

 

Gettelman, A., Hannay, C., Bacmeister, J. T., Neale, R. B., Pendergrass, A. G., Danabasoglu, G., Lamarque, J.-F., Fasullo, J. T., Bailey, D. A., Lawrence, D. M., & Mills, M. J. (2019). High climate sensitivity in the Community Earth System Model Version 2 (CESM2). Geophysical Research Letters, 46, 8329–8337. https://doi.org/10.1029/2019GL083978

 

Goessling, H. F., Rackow, T., & Jung, T. (2025). Recent global temperature surge intensified by record-low planetary albedo. Science, 387(6729), 68–73. https://doi.org/10.1126/science.adq7280

 

Gordon, I. E., Rothman, L. S., Hargreaves, R. J., Hashemi, R., Karlovets, E. V., Skinner, F. M., Conway, E. K., Hill, C., Kochanov, R. V., Tan, Y., Wcisło, P., Finenko, A. A., Nelson, K., Bernath, P. F., Birk, M., Boudon, V., Campargue, A., Chance, K. V., Coustenis, A., Drouin, B. J., Flaud, J.-M., Gamache, R. R., Hodges, J. T., Jacquemart, D., Mlawer, E. J., Nikitin, A. V., Perevalov, V. I., Rotger, M., Tennyson, J., Toon, G. C., Tran, H., Tyuterev, V. G., Adkins, E. M., Baker, A., Barbe, A., Canè, E., Császár, A. G., Dudaryonok, A., Egorov, O., Fleisher, A. J., Fleurbaey, H., Foltynowicz, A., Furtenbacher, T., Harrison, J. J., Hartmann, J.-M., Horneman, V.-M., Huang, X., Karman, T., Karns, J., Kassi, S., Kleiner, I., Kofman, V., Kwabia-Tchana, F., Lavrentieva, N. N., Lee, T. J., Long, D. A., Lukashevskaya, A. A., Lyulin, O. M., Makhnev, V. Yu., Matt, W., Massie, S. T., Melosso, M., Mikhailenko, S. N., Mondelain, D., Müller, H. S. P., Naumenko, O. V., Perrin, A., Polyansky, O. L., Raddaoui, E., Raston, P. L., Reed, Z. D., Rey, M., Richard, C., Tóbiás, R., Sadiek, I., Schwenke, D. W., Starikova, E., Sung, K., Tamassia, F., Tashkun, S. A., Vander Auwera, J., Vasilenko, I. A., Vigasin, A. A., Villanueva, G. L., Vispoel, B., Wagner, G., Yachmenev, A., & Yurchenko, S. N. (2022). The HITRAN2020 molecular spectroscopic database. Journal of Quantitative Spectroscopy and Radiative Transfer, 277, 107949. https://doi.org/10.1016/j.jqsrt.2021.107949

 

Hausfather, Z., Marvel, K., Schmidt, G. A., Nielsen-Gammon, J. W., & Zelinka, M. D. (2022). Climate simulations: Recognize the ‘hot model’ problem. Nature, 605, 26–29. https://doi.org/10.1038/d41586-022-01192-2

 

Held, I. M., & Soden, B. J. (2006). Robust responses of the hydrological cycle to global warming. Journal of Climate, 19(21), 5686–5699. https://doi.org/10.1175/JCLI3990.1

 

Hoogeveen, J. J. A., Meirink, J. F., & Selten, F. M. (2025). Likely breaks in cloud cover retrievals complicate attribution of the trend in the Earth Energy Imbalance. EGUsphere [Preprint]. https://doi.org/10.5194/egusphere-2025-418

 

Hourdin, F., Mauritsen, T., Gettelman, A., Golaz, J.-C., Balaji, V., Duan, Q., Folini, D., Ji, D., Klocke, D., Qian, Y., Rauser, F., Rio, C., Tomassini, L., Watanabe, M., & Williamson, D. (2017). The art and science of climate model tuning. Bulletin of the American Meteorological Society, 98(3), 589–602. https://doi.org/10.1175/BAMS-D-15-00135.1

 

Huang, B., Yin, X., Boyer, T., Liu, C., Menne, M., Rao, Y. D., Smith, T. M., Vose, R. S., & Zhang, H.-M. (2025a). Extended Reconstructed Sea Surface Temperature, Version 6 (ERSSTv6). Part I: An artificial neural network approach. Journal of Climate, 38(4), 1105–1121. https://doi.org/10.1175/JCLI-D-23-0707.1

 

Huang, B., Yin, X., Boyer, T., Liu, C., Menne, M., Rao, Y. D., Smith, T. M., Vose, R. S., & Zhang, H.-M. (2025b). Extended Reconstructed Sea Surface Temperature, Version 6 (ERSSTv6). Part II: Upgrades on quality control and large-scale filter. Journal of Climate, 38(4), 1123–1136. https://doi.org/10.1175/JCLI-D-24-0185.1

 

Joshi, M. M., Gregory, J. M., Webb, M. J., Sexton, D. M. H., & Johns, T. C. (2008). Mechanisms for the land/sea warming contrast exhibited by simulations of climate change. Climate Dynamics, 30(5), 455–465. https://doi.org/10.1007/s00382-007-0306-1

 

Kiehl, J. T. (2007). Twentieth century climate model response and climate sensitivity. Geophysical Research Letters, 34, L22710. https://doi.org/10.1029/2007GL031383

 

Kramer, R. J., He, H., Soden, B. J., Oreopoulos, L., Forster, P. M., & Smith, C. J. (2021). Observational evidence of increasing global radiative forcing. Geophysical Research Letters, 48(7), e2020GL091585. https://doi.org/10.1029/2020GL091585

 

Künsch, H. R. (1989). The jackknife and the bootstrap for general stationary observations. The Annals of Statistics, 17(3), 1217–1241. https://doi.org/10.1214/aos/1176347265

 

Lan, X., Tans, P., & Thoning, K. W. (2026). Trends in globally-averaged CO₂ determined from NOAA Global Monitoring Laboratory measurements (Version 2026-08) [Data set]. NOAA Global Monitoring Laboratory. https://doi.org/10.15138/9N0H-ZH07

 

Liang, Y., Gillett, N. P., & Monahan, A. H. (2020). Climate model projections of 21st century global warming constrained using the observed warming trend. Geophysical Research Letters, 47, e2019GL086757. https://doi.org/10.1029/2019GL086757

 

Loeb, N. G., Doelling, D. R., Wang, H., Su, W., Nguyen, C., Corbett, J. G., Liang, L., Mitrescu, C., Rose, F. G., & Kato, S. (2018). Clouds and the Earth’s Radiant Energy System (CERES) Energy Balanced and Filled (EBAF) Top-of-Atmosphere (TOA) Edition-4.0 data product. Journal of Climate, 31(2), 895–918. https://doi.org/10.1175/JCLI-D-17-0208.1

 

Loeb, N. G., Johnson, G. C., Thorsen, T. J., Lyman, J. M., Rose, F. G., & Kato, S. (2021). Satellite and ocean data reveal marked increase in Earth’s heating rate. Geophysical Research Letters, 48(13), e2021GL093047. https://doi.org/10.1029/2021GL093047

 

Mauritsen, T., Stevens, B., Roeckner, E., Crueger, T., Esch, M., Giorgetta, M., Haak, H., Jungclaus, J., Klocke, D., Matei, D., Mikolajewicz, U., Notz, D., Pincus, R., Schmidt, H., & Tomassini, L. (2012). Tuning the climate of a global model. Journal of Advances in Modeling Earth Systems, 4, M00A01. https://doi.org/10.1029/2012MS000154

 

Mears, C. A., Santer, B. D., Wentz, F. J., Taylor, K. E., & Wehner, M. F. (2007). Relationship between temperature and precipitable water changes over tropical oceans. Geophysical Research Letters, 34(24), L24709. https://doi.org/10.1029/2007GL031936

 

Millán, L., Santee, M. L., Lambert, A., Livesey, N. J., Werner, F., Schwartz, M. J., Pumphrey, H. C., Manney, G. L., Wang, Y., Su, H., Wu, L., Read, W. G., & Froidevaux, L. (2022). The Hunga Tonga-Hunga Ha’apai hydration of the stratosphere. Geophysical Research Letters, 49(13), e2022GL099381. https://doi.org/10.1029/2022GL099381

 

Pierrehumbert, R. T. (2010). Principles of planetary climate. Cambridge University Press.

 

Raghuraman, S. P., Paynter, D., & Ramaswamy, V. (2021). Anthropogenic forcing and response yield observed positive trend in Earth’s energy imbalance. Nature Communications, 12, 4577. https://doi.org/10.1038/s41467-021-24544-4

 

Ribes, A., Qasmi, S., & Gillett, N. P. (2021). Making climate projections conditional on historical observations. Science Advances, 7(4), eabc0671. https://doi.org/10.1126/sciadv.abc0671

 

Santer, B. D., Fyfe, J. C., Pallotta, G., Flato, G. M., Meehl, G. A., England, M. H., Hawkins, E., Mann, M. E., Painter, J. F., Bonfils, C., Cvijanovic, I., Mears, C., Wentz, F. J., Po-Chedley, S., Fu, Q., & Zou, C.-Z. (2017). Causes of differences in model and satellite tropospheric warming rates. Nature Geoscience, 10, 478–485. https://doi.org/10.1038/ngeo2973

 

Scafetta, N. (2021). Testing the CMIP6 GCM simulations versus surface temperature records from 1980–1990 to 2011–2021: High ECS is not supported. Climate, 9(11), 161. https://doi.org/10.3390/cli9110161

 

Scafetta, N. (2022). Advanced testing of low, medium, and high ECS CMIP6 GCM simulations versus ERA5-T2m. Geophysical Research Letters, 49(6), e2022GL097716. https://doi.org/10.1029/2022GL097716

 

Scafetta, N. (2023a). CMIP6 GCM ensemble members versus global surface temperatures. Climate Dynamics, 60, 3091–3120. https://doi.org/10.1007/s00382-022-06493-w

 

Scafetta, N. (2023b). Reply to “Comment on ‘Advanced testing of low, medium, and high ECS CMIP6 GCM simulations versus ERA5-T2m’ by N. Scafetta (2022)” by Schmidt et al. (2023). Geophysical Research Letters, 50(18), e2023GL104960. https://doi.org/10.1029/2023GL104960

 

Schmidt, G. A., Ruedy, R., Miller, R. L., & Lacis, A. A. (2010). Attribution of the present-day total greenhouse effect. Journal of Geophysical Research: Atmospheres, 115, D20106. https://doi.org/10.1029/2010JD014287

 

Schmidt, G. A., Jones, G. S., & Kennedy, J. J. (2023). Comment on “Advanced testing of low, medium, and high ECS CMIP6 GCM simulations versus ERA5-T2m” by N. Scafetta (2022). Geophysical Research Letters, 50(18), e2022GL102530. https://doi.org/10.1029/2022GL102530

 

Shapley, L. S. (1953). A value for n-person games. In H. W. Kuhn & A. W. Tucker (Eds.), Contributions to the theory of games (Vol. 2, pp. 307–317). Princeton University Press.

 

Spencer, R. W., & Braswell, W. D. (2010). On the diagnosis of radiative feedback in the presence of unknown radiative forcing. Journal of Geophysical Research: Atmospheres, 115, D16109. https://doi.org/10.1029/2009JD013371

 

Spencer, R. W., Christy, J. R., & Braswell, W. D. (2017). UAH Version 6 global satellite temperature products: Methodology and results. Asia-Pacific Journal of Atmospheric Sciences, 53(1), 121–130. https://doi.org/10.1007/s13143-017-0010-y

 

Sutton, R. T., Dong, B., & Gregory, J. M. (2007). Land/sea warming ratio in response to climate change: IPCC AR4 model results and comparison with observations. Geophysical Research Letters, 34, L02701. https://doi.org/10.1029/2006GL028164

 

Thorsen, T. J., Kato, S., Loeb, N. G., & Rose, F. G. (2018). Observation-based decomposition of radiative perturbations and radiative kernels. Journal of Climate, 31(24), 10039–10058. https://doi.org/10.1175/JCLI-D-18-0045.1

 

Tokarska, K. B., Stolpe, M. B., Sippel, S., Fischer, E. M., Smith, C. J., Lehner, F., & Knutti, R. (2020). Past warming trend constrains future warming in CMIP6 models. Science Advances, 6(12), eaaz9549. https://doi.org/10.1126/sciadv.aaz9549

 

von Schuckmann, K., Minière, A., Gues, F., Cuesta-Valero, F. J., Kirchengast, G., Adusumilli, S., Straneo, F., Ablain, M., Allan, R. P., Barker, P. M., Beltrami, H., Blazquez, A., Boyer, T., Cheng, L., Church, J., Desbruyeres, D., Dolman, H., Domingues, C. M., García-García, A., … Zemp, M. (2023). Heat stored in the Earth system 1960–2020: Where does the energy go? Earth System Science Data, 15(4), 1675–1709. https://doi.org/10.5194/essd-15-1675-2023

 

Wentz, F. J. (2015). A 17-yr climate record of environmental parameters derived from the Tropical Rainfall Measuring Mission (TRMM) Microwave Imager. Journal of Climate, 28(17), 6882–6902. https://doi.org/10.1175/JCLI-D-15-0155.1

 

Zelinka, M. D., Myers, T. A., McCoy, D. T., Po-Chedley, S., Caldwell, P. M., Ceppi, P., Klein, S. A., & Taylor, K. E. (2020). Causes of higher climate sensitivity in CMIP6 models. Geophysical Research Letters, 47, e2019GL085782. https://doi.org/10.1029/2019GL085782