In climate economics integrated assessment models (IAMs) are used to predict economic impacts resulting from climate change. These IAMs attempt to model complex interactions between human and geophysical systems to provide quantifications of economic impact, typically using the Social Cost of Carbon (SCC) which represents the economic cost of a one ton increase in carbon dioxide. Another difficulty that arises in modeling a climate economics system is that both the geophysical and economic submodules are inherently stochastic. Even in frequently cited IAMs, such as DICE and PAGE, there exists a lot of variation in the predictions of the SCC. These differences stem both from the models of the climate and economic modules used, as well as from the choice of probability distributions used for the random variables. Seeing as IAMs often take the form of optimization problems these nondeterministic elements potentially result in heavy computational costs. In this thesis a new IAM, FAIR/DICE, is introduced. FAIR/DICE is a discrete time hybrid of DICE and FAIR providing a potential improvement to DICE as the climate and carbon modules in FAIR take into account feedback coming from the climate module to the carbon module. Additionally uncertainty propagation in FAIR/DICE is analyzed using Polynomial Chaos Expansions (PCEs) which is an alternative to Monte Carlo sampling where the stochastic variables are projected onto stochastic polynomial spaces. PCEs provide better computational efficiency compared to Monte Carlo sampling at the expense of storage requirements as a lot of computations can be stored from the first simulation of the system, and conveniently statistics can be computed from the PCE coefficients without the need for sampling. A PCE overloading of FAIR/DICE is investigated where the equilibrium climate sensitivity, modeled as a four parameter Beta distribution, introduces an uncertainty to the dynamical system. Finally, results in the mean and variance obtained from the PCEs are compared to a Monte Carlo reference and avenues into future work are suggested. / Inom klimatekonomi används integrated assessment models (IAMs) för att förutspå hur klimatförändringar påverkar ekonomin. Dessa IAMs modellerar komplexa interaktioner mellan geofysiska och mänskliga system för att kunna kvantifiera till exempel kostnaden för den ökade koldioxidhalten på planeten, i.e. Social Cost of Carbon (SCC). Detta representerar den ekonomiska kostnaden som motsvaras av utsläppet av ett ton koldioxid. Faktumet att både de geofysiska och ekonomiska submodulerna är stokastiska gör att SCC-uppskattningar varierar mycket även inom väletablerade IAMs som PAGE och DICE. Variationen grundar sig i skillnader inom modellerna men också från att val av sannolikhetsfördelningar för de stokastiska variablerna skiljer sig. Eftersom IAMs ofta är formulerade som optimeringsproblem leder dessutom osäkerheterna till höga beräkningskostnader. I denna uppsats introduceras en ny IAM, FAIR/DICE, som är en diskret tids hybrid av DICE och FAIR. Den utgör en potentiell förbättring av DICE eftersom klimat- och kolmodulerna i FAIR även behandlar återkoppling från klimatmodulen till kolmodulen. FAIR/DICE är analyserad med hjälp av Polynomial Chaos Expansions (PCEs), ett alternativ till Monte Carlo-metoder. Med hjälp av PCEs kan de osäkerheter projiceras på stokastiska polynomrum vilket har fördelen att beräkningskostnader reduceras men nackdelen att lagringskraven ökar. Detta eftersom många av beräkningarna kan sparas från första simuleringen av systemet, dessutom kan statistik extraheras direkt från PCE koefficienterna utan behov av sampling. FAIR/DICE systemet projiceras med hjälp av PCEs där en osäkerhet är introducerad via equilibrium climate sensitivity (ECS), vilket i sig är ett värde på hur känsligt klimatet är för koldioxidförändringar. ECS modelleras med hjälp av en fyra-parameters Beta sannolikhetsfördelning. Avslutningsvis jämförs resultat i medelvärde och varians mellan PCE implementationen av FAIR/DICE och en Monte Carlo-baserad referens, därefter ges förslag på framtida utvecklingsområden.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-223985 |
| Date | January 2018 |
| Creators | Nydestedt, Robin |
| Publisher | KTH, Optimeringslära och systemteori |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-SCI-GRU ; 2018:031 |
Page generated in 0.0128 seconds