Atlas of Climate Change: Responsibility and Obligation of Human Society

این اطلس و منبع مرجع، آخرین یافته های تحقیقاتی را در مورد مسئولیت و تعهد جامعه بشری در قبال تغییرات آب و هوایی تاریخی گردآوری می کند. این به طور واضح و کمی تخمین می زند که جهان توسعه یافته و در حال توسعه تا چه اندازه مسئول تغییرات آب و هوایی تاریخی با توجه به انتشار کربن و گوگرد انسانی و همچنین تجارت جهانی کربن هستند، و بنابراین ابزاری بالقوه برای پرداختن به موضوع بحث برانگیز کاهش انتشار کربن در مذاکرات بین المللی آب و هوا از آنجایی که انتساب کمی تغییرات اقلیمی تاریخی بر اساس مدل‌های CMIP5 محاسبه می‌شود، صحت این مدل‌ها در نمایش تغییر اقلیم مشاهده‌شده نیز ارزیابی می‌شود. علاوه بر ارزیابی، تغییرات آب و هوایی آینده بر اساس مدل‌های CMIP5 نیز در مقیاس جهانی و منطقه‌ای (به ویژه برای چین و مناطق اطراف آن) از نظر دمای هوای سطحی، بارش، دمای سطح دریا، گردش‌های جوی و یخ‌های دریای قطب شمال نشان داده می‌شود. اطلس همچنین مقایسه‌های مختلفی را بین روش‌های مختلف مجموعه چند مدلی انجام می‌دهد تا قابل اطمینان‌ترین برآورد را به دست آورد.

This atlas and reference resource assembles the latest research findings on the responsibility and obligation of human society for historical climate change. It clearly and quantitatively estimates to what extent the developed and developing world are responsible for historical climate change with regard to anthropogenic carbon and sulfur emissions as well as global carbon trade, and so provides a potential tool to address the controversial issue of carbon emission reduction in international climate negotiations. Since the quantitative attribution of historical climate change is calculated based on CMIP5 models, the fidelity of these models in representing the observed climate change is also evaluated. In addition to evaluation, future climate change based on CMIP5 models is also shown both on global and regional scales (especially for China and its surrounding areas ) in terms of surface air temperature, precipitation, sea surface temperature, atmospheric circulations and Arctic Sea ice. The atlas also makes various comparisons among different multi-model ensemble methods in order to obtain the most reliable estimation.