„Wir betrachten Zeitreihen nicht als eine Abfolge von Messungen, sondern eher als Abfolge von Wahrscheinlichkeiten im Laufe der Zeit“, sagt Bedartha Goswami vom Potsdam-Institut für Klimafolgenforschung (PIK), Leitautor der Studie, die jetzt in Nature Communications erschienen ist. „Es geht nicht mehr darum, den Wert einer Beobachtung zu einem bestimmten Zeitpunkt zu kennen, sondern wie wahrscheinlich ein bestimmter Wert der Beobachtung zu diesem Zeitpunkt war.“
Das Team von Wissenschaftlern wandte diese mathematische Methode auf Probleme der realen Welt an. „Unsere Analyse zeigte, dass die Veränderungen, die in den Daten von Aktienindizes im Zeitraum 2004-2016 identifiziert wurden, zusammenhingen mit der US-Hypothekenkrise, der Krise der Eurozone und dem Brexit, also Großbritanniens Entscheidung für den EU-Austritt,“ sagt Goswami. „Das ist natürlich nicht besonders überraschend, aber es hat gezeigt, dass unser Konzept gut funktioniert. Neue Erkenntnisse gab es bei der Anwendung unserer Methode auf die Temperaturen der Meeresoberfläche im Pazifik. Wir haben entdeckt, dass die Veränderungen während eines El Niño wahrscheinlicher sind, wenn zwei Arten von Temperaturschwankungen in einer ähnlichen Phase sind. Das eröffnet einen neuen Aspekt für unser Verständnis von El Niño - ein Phänomen, welches das Wetter rund um den Globus beeinflusst.“
“Das ist ein wichtiger Schritt vorwärts für die Analyse dynamischer Systeme im Allgemeinen – nicht nur das Klima, sondern zum Beispiel in der Wirtschaft”, sagt Ko-Autor Jürgen Kurths, Leiter des PIK-Forschungsbereichs Transdisziplinäre Konzepte und Methoden. Die Wissenschaftler erweitern damit den Rahmen der so genannten Rekurrenz-Analyse. Der neue Ansatz ist besonders wichtig, um abrupte Veränderungen im Erdklima der Vergangenheit zu identifizieren, etwa Verringerungen des asiatischen Sommermonsuns in den letzten 10.000 Jahren.
Artikel: Bedartha Goswami, Niklas Boers, Aljoscha Rheinwalt, Norbert Marwan, Jobst Heitzig, Sebastian F.M. Breitenbach, Jürgen Kurths (2018): Abrupt transitions in time series with uncertainties. Nature Communications. [DOI:10.1038/s41467-017-02456-6]
Link zum Artikel: https://www.nature.com/articles/s41467-017-02456-6
