海塩によるエアロゾル・雲相互作用の抑制効果の解明

エアロゾルは、雲との相互作用を介して降水の微物理特性や放射収支を変調させ、気候システムに重要な影響を及ぼします。しかしながら、エアロゾル・雲・降水相互作用は過程が非常に複雑であり、気候変動に対する影響の詳細なメカニズムは未だ定量的に明らかになっていません。一般に、エアロゾル数が増加すると、雲凝結核も増加し雲粒あたりの粒径が減少するため降水効率が下がり、結果として雲寿命は延びると考えられています(Albrecht, 1989)。その一方、例えば巨大な海塩粒子は、直接ドリズル(霧雨)の種となることで降水の発生を早めるはたらきを持つことが古くから指摘されているものの(e.g., Woodcock, 1953; Woodcock et al., 1971; Feingold et al., 1999)、それを考慮したモデリング研究はわずか数例しかありません。
本プロジェクトでは、こうした巨大海塩が雲・降水過程に及ぼす影響をモデル内で陽に取り扱うことにより、水循環の変化を介し気候システムに起こりうるフィードバックについて研究しています。

エアロゾル・雲相互作用とバッファ機構

人工衛星観測データと気候モデルを複合的に解析したこれまでの研究により、数値モデルによるエアロゾル・雲相互作用のシミュレーションには系統的なバイアスが存在することが明らかになっています。その中でも、特に雲寿命効果(エアロゾル数の変動に対する雲水の応答)の再現性に大きな不確実性を抱えています(Wang et al., 2012)。これは、モデルはエアロゾルの増加に対して降水の生成効率を抑制することで、雲寿命を長くするパラメタリゼーションが組み込まれていることに起因し、ほぼ全ての気候モデルに共通する傾向です(Michibata et al., 2016; Malavelle et al., 2017; Bender et al., 2018)。
このような、気候モデルコミュニティに根強く存在する系統バイアスを改善するために、様々なモデルの改良が実施されています。例えば、サブグリッドスケールのパラメタリゼーションの高度化(Guo et al., 2015)や、autoconversionスキームの改良(Zhang et al., 2019)、降水の取り扱いの精緻化(Gettelman and Morrison, 2015; Michibata et al., 2019)など、様々なアプローチにより気候モデル開発が推進されています。より現実的な素過程の再現を目指すことで、エアロゾル・雲相互作用のレジーム依存性(Michibata et al., 2016)を捉え、エアロゾルの増加に対する雲水の双方向な応答が再現できるようになりつつあります(Zhou and Penner, 2017)。このように、系に対する摂動に対して雲場だけでなく力学場・環境場との相互作用が加わった結果、元の系を安定させるようにはたらく負のフィードバックのことを、この分野では特に、バッファ機構(buffered systems; Stevens and Feingold, 2009)と呼んでいます。
巨大海塩が降水の生成を促進すると考えると、それはモデル内で表現されている雲寿命効果を部分的に打ち消す方向にはたらくため、エアロゾル・雲相互作用に対してバッファする役割を持つことになります。そこで本プロジェクトでは、気候モデルの共通バイアスの一つであるエアロゾル・雲相互作用の過大評価(Quaas et al., 2009)の原因が、巨大海塩とドリズルの相互作用に帰着する可能性を新たに考え、数値モデルを用いた研究を行っています。

巨大海塩とドリズルの相互作用のモデリング

図1:雲システムにおけるGCCN-Drizzle相互作用の役割を示した概念図.
現状の国内外ほとんど全てのエアロゾルモデルでは、雲凝結核(CCN)への活性化効率はエアロゾル種ごとに考慮されているものの、降水生成効率への寄与については、エアロゾル数が増加すると降水生成効率を単調に減少させる取り扱いがどのエアロゾル種にも適用されています。全球エアロゾル輸送モデルSPRINTARSは、海塩粒子を粒径0.1 µm 〜 10 µmまで4つの粒径ビンで取り扱っており(Takemura et al., 2000, 2002, 2005)、また降水を予報する2 momentスキームが導入済み(Michibata et al., 2019)であるため、原理上、巨大海塩(Giant CCN; 以後GCCN)が降水を強化する物理プロセスをモデル化することが可能です(図1)。
 GCCNと降水の相互作用は、特に海洋上の強風帯で重要なプロセスであり、典型的な領域として南大洋(40ºS-65ºS)が該当しますが、この領域では特に観測と比較し液層の雲の割合が少ないという、気候モデル間での共通バイアスが存在することが知られています(McCoy et al., 2015)。GCCNとドリズルの相互作用とそれに付随するフィードバックが駆動された結果として、こうした共通バイアスがどう変化するのかについて理解するためは、数値モデルを用いた実験が非常に有効な手段であるため、先端的な雲・降水スキームを用いて研究に取り組んでいます。


引用文献

Albrecht, B. A. (1989). Aerosols, cloud microphysics, and fractional cloudiness. Science, 245, 1227–1230.

Bender, F. A.-M., Frey, L., McCoy, D. T., Grosvenor, D. P., and Mohrmann, J. K. (2018). Assessment of aerosol–cloud–radiation correlations in satellite observations, climate models and reanalysis. Clim. Dyn., https://doi.org/10.1007/s00382-018-4384-z

Feingold, G., W. R. Cotton, S. M. Kreidenweis, and J. T. Davis (1999). The impact of giant cloud condensation nuclei on drizzle formation in stratocumulus: Implications for cloud radiative properties, J. Atmos. Sci., 56(24), 4100–4117.

Guo, H., Golaz, J.-C., Donner, L. J., Wyman, B., Zhao, M., and Ginoux, P. (2015). CLUBB as a unified cloud parameterization : Opportunities and challenges, Geophys. Res. Lett., 42, 4540–4547, doi:10.1002/2015GL063672.

Gettelman, A., and Morrison, H. (2015). Advanced two-moment bulk microphysics for global models. Part I: Off-line tests and comparison with other schemes. J. Clim., 28, 1268–1287.

Malavelle F et al., (2017). Strong constraints on aerosol-cloud interactions from volcanic eruptions, Nature, 546:485–491

McCoy, D. T., Hartmann, D. L., Zelinka, M. D., Ceppi, P., and Grosvenor, D. P. (2015). Mixed-phase cloud physics and Southern Ocean cloud feedback in climate models, J. Geophys. Res.- Atmos., 120, doi:10.1002/2015JD023603, 9539–9554.

Michibata, T., Suzuki, K., Sato, Y., and Takemura, T. (2016). The source of discrepancies in aerosol–cloud–precipitation interactions between GCM and A-Train retrievals. Atmos. Chem. Phys., 16, 15413–15424.

Michibata, T., Suzuki, K., Sekiguchi, M., and Takemura, T. (2019). Prognostic precipitation in the MIROC6-SPRINTARS GCM: Description and evaluation against satellite observations, J. Adv. Model. Earth Syst., 11, https://doi.org/10.1029/2018MS001596.

Quaas, J., Ming, Y., Menon, S., Takemura, T., Wang, M., Penner, J. E., et al. (2009). Aerosol indirect effects—General circulation model intercomparison and evaluation with satellite data. Atmos. Chem. Phys., 9, 8697–8717.

Stevens, B. and Feingold, G. (2009). Untangling aerosol effects on clouds and precipitation in a buffered system, Nature, 461, 607–613, doi:10.1038/nature08281.

Takemura, T., Okamoto, H., Maruyama, Y., Numaguti, A., Higurashi, A., and Nakajima, T. (2000). Global three-dimensional simulation of aerosol optical thickness distribution of various origins. J. Geophys. Res., 105, 17853.

Takemura, T., Nakajima, T., Dubovik, O., Holben, B. N., and Kinne, S. (2002). Single-scattering albedo and radiative forcing ofvarious aerosol species with a global three-dimensional model. J. Clim., 15, 333–352.

Takemura, T., Nozawa, T., Emori, S., Nakajima, T. Y., and Nakajima, T. (2005). Simulation of climate response to aerosol direct and indirect effects with aerosol transport-radiation model. J. Geophys. Res., 110, D02202. https://doi.org/10.1029/2004JD005029

Wang, M., Ghan, S., Liu, X., L'Ecuyer, T. S., Zhang, K., Morrison, H., et al. (2012). Constraining cloud lifetime effects of aerosols using A-Train satellite observations. Geophys. Res. Lett., 39, L15709. https://doi.org/10.1029/2012GL052204

Woodcock, A. H. (1953). Salt nuclei in marine air as a function of altitude and wind force, J. Meteorol., 10, 362–371.

Woodcock, A. H., R. A. Duce, and J. L. Moyers (1971). Salt particles and raindrops in Hawaii, J. Atmos. Sci., 28, 1252–1257.

Zhang, Z., Song, H., Ma, P.-L., Larson, V. E., Wang, M., Dong, X., and Wang, J. (2019). Subgrid variations of the cloud water and droplet number concentration over the tropical ocean: satellite observations and implications for warm rain simulations in climate models, Atmos. Chem. Phys., 19, 1077-1096, https://doi.org/10.5194/acp-19-1077-2019.

Zhou, C., and Penner, J. E. (2017). Why do GCMs overestimate the aerosol cloud lifetime effect? A comparison of CAM5 and a CRM. Atmos. Chem. Phys., 17, 21–29.