The severity of damaging human-induced climate change depends not only on the magnitude of the change but also on the potential for irreversibility. This paper shows that the climate change that takes place due to increases in carbon dioxide concentration is largely irreversible for 1,000 years after emissions stop. Following cessation of emissions, removal of atmospheric carbon dioxide decreases radiative forcing, but is largely compensated by slower loss of heat to the ocean, so that atmospheric temperatures do not drop significantly for at least 1,000 years. Among illustrative irreversible impacts that should be expected if atmospheric carbon dioxide concentrations increase from current levels near 385 parts per million by volume (ppmv) to a peak of 450-600 ppmv over the coming century are irreversible dry-season rainfall reductions in several regions comparable to those of the "dust bowl" era and inexorable sea level rise. Thermal expansion of the warming ocean provides a conservative lower limit to irreversible global average sea level rise of at least 0.4-1.0 m if 21st century CO(2) concentrations exceed 600 ppmv and 0.6-1.9 m for peak CO(2) concentrations exceeding approximately 1,000 ppmv. Additional contributions from glaciers and ice sheet contributions to future sea level rise are uncertain but may equal or exceed several meters over the next millennium or longer.

Recent coordinated efforts, in which numerous climate models have been run for a common set of experiments, have produced large datasets of projections of future climate for various scenarios. Those multi-model ensembles sample initial condition, parameter as well as structural uncertainties in the model design, and they have prompted a variety of approaches to quantify uncertainty in future climate in a probabilistic way. This paper outlines the motivation for using multi-model ensembles, reviews the methodologies published so far and compares their results for regional temperature projections. The challenges in interpreting multi-model results, caused by the lack of verification of climate projections, the problem of model dependence, bias and tuning as well as the difficulty in making sense of an ‘ensemble of opportunity’, are discussed in detail.

Abstract Recent coordinated efforts, in which numerous general circulation climate models have been run for a common set of experiments, have produced large datasets of projections of future climate for various scenarios. Those multimodel ensembles sample initial conditions, parameters, and structural uncertainties in the model design, and they have prompted a variety of approaches to quantifying uncertainty in future climate change. International climate change assessments also rely heavily on these models. These assessments often provide equal-weighted averages as best-guess results, assuming that individual model biases will at least partly cancel and that a model average prediction is more likely to be correct than a prediction from a single model based on the result that a multimodel average of present-day climate generally outperforms any individual model. This study outlines the motivation for using multimodel ensembles and discusses various challenges in interpreting them. Among these challenges are that the number of models in these ensembles is usually small, their distribution in the model or parameter space is unclear, and that extreme behavior is often not sampled. Model skill in simulating present-day climate conditions is shown to relate only weakly to the magnitude of predicted change. It is thus unclear by how much the confidence in future projections should increase based on improvements in simulating present-day conditions, a reduction of intermodel spread, or a larger number of models. Averaging model output may further lead to a loss of signal—for example, for precipitation change where the predicted changes are spatially heterogeneous, such that the true expected change is very likely to be larger than suggested by a model average. Last, there is little agreement on metrics to separate “good” and “bad” models, and there is concern that model development, evaluation, and posterior weighting or ranking are all using the same datasets. While the multimodel average appears to still be useful in some situations, these results show that more quantitative methods to evaluate model performance are critical to maximize the value of climate change projections from global models.

Abstract In the context of phase 5 of the Coupled Model Intercomparison Project, most climate simulations use prescribed atmospheric CO2 concentration and therefore do not interactively include the effect of carbon cycle feedbacks. However, the representative concentration pathway 8.5 (RCP8.5) scenario has additionally been run by earth system models with prescribed CO2 emissions. This paper analyzes the climate projections of 11 earth system models (ESMs) that performed both emission-driven and concentration-driven RCP8.5 simulations. When forced by RCP8.5 CO2 emissions, models simulate a large spread in atmospheric CO2; the simulated 2100 concentrations range between 795 and 1145 ppm. Seven out of the 11 ESMs simulate a larger CO2 (on average by 44 ppm, 985 ± 97 ppm by 2100) and hence higher radiative forcing (by 0.25 W m−2) when driven by CO2 emissions than for the concentration-driven scenarios (941 ppm). However, most of these models already overestimate the present-day CO2, with the present-day biases reasonably well correlated with future atmospheric concentrations’ departure from the prescribed concentration. The uncertainty in CO2 projections is mainly attributable to uncertainties in the response of the land carbon cycle. As a result of simulated higher CO2 concentrations than in the concentration-driven simulations, temperature projections are generally higher when ESMs are driven with CO2 emissions. Global surface temperature change by 2100 (relative to present day) increased by 3.9° ± 0.9°C for the emission-driven simulations compared to 3.7° ± 0.7°C in the concentration-driven simulations. Although the lower ends are comparable in both sets of simulations, the highest climate projections are significantly warmer in the emission-driven simulations because of stronger carbon cycle feedbacks.

[1] A new ensemble of climate models is becoming available and provides the basis for climate change projections. Here, we show a first analysis indicating that the models in the new ensemble agree better with observations than those in older ones and that the poorest models have been eliminated. Most models are strongly tied to their predecessors, and some also exchange ideas and code with other models, thus supporting an earlier hypothesis that the models in the new ensemble are neither independent of each other nor independent of the earlier generation. On the basis of one atmosphere model, we show how statistical methods can identify similarities between model versions and complement process understanding in characterizing how and why a model has changed. We argue that the interdependence of models complicates the interpretation of multimodel ensembles but largely goes unnoticed.