Global sensitivity analysis in a regional climate Integrated Assessment Model across different sensitivity indices

In this thesis work, we use literature-based distributions and recent advancements in long-term projections of population, GDP per capita, and emissions as inputs for an Integrated Assessment Model, the regional integrated climate-economy model (RICE). The goal is to identify the sources of uncertainty in future CO2 emissions, supporting robust decision-making in climate policy. For this goal, we developed a flexible and efficient pipeline adaptive to different RICE versions. We performed a Functional Principal Component Analysis on the projections aiming at reducing the number of inputs. Then, we derived a dataset of 50000 model input-output couples using Monte Carlo techniques. The simulation was performed for three scenarios: cost-benefit analysis with no cooperation, cost-benefit analysis with cooperation, and cost-effective analysis with a 2°C maximum temperature increase after 2100. Then, we assessed the emissions sensitivity to the uncertainties using novel multivariate sensitivity analysis techniques. The Global Sensitivity Analysis methods applied come from different research fields: Optimal Transport and Reproducing Kernel Hilbert Spaces. The study reveals that, in the cost-benefit case, the most influential uncertainties are related to projected business-as-usual emissions and climate damages. In the cost-effective analysis, the main driver is, by far, the climate sensitivity to the emissions, followed again by projected emissions. We performed the same analysis on the global and regional levels, finding similar patterns but also peculiar behaviors. Overall, we can conclude that the model results are heavily affected by uncertainties in future projections and by uncertainty in the model parametric assumptions. This shows how sensitivity analysis is a key tool for robust interpretation of model outputs with respect to inevitable uncertainty.

In questo lavoro di tesi utilizziamo le distribuzioni basate sulla letteratura e i recenti progressi nelle proiezioni a lungo termine di popolazione, PIL pro capite ed emissioni come input per un modello di valutazione integrata, il regional integrated climate-economy model (RICE). L'obiettivo è identificare le fonti di incertezza nelle emissioni future di CO2, supportando un processo decisionale robusto nelle politiche climatiche. A tal fine, abbiamo sviluppato una struttura flessibile, efficiente e adattabile a diverse versioni di RICE. Abbiamo eseguito un'analisi funzionale delle componenti principali sulle proiezioni con l'obiettivo di ridurre il numero di input. Quindi abbiamo ricavato un insieme di 50000 coppie ingresso-uscita dal modello utilizzando tecniche Monte Carlo. La simulazione è stata eseguita per tre scenari: analisi costi-benefici senza cooperazione, analisi costi-benefici con cooperazione e analisi costi-efficacia con un obiettivo di 2°C di aumento massimo dopo il 2100. Abbiamo poi valutato la sensibilità delle emissioni alle incertezze utilizzando nuove tecniche di analisi di sensibilità multivariata. I metodi di analisi di sensibilità globale applicati provengono da due campi di ricerca: Trasporto ottimale e Spazi di Hilbert a kernel riproducibile. Lo studio rivela che, nel caso dell'analisi costi-benefici, le incertezze più influenti sono legate alle proiezioni delle emissioni business-as-usual e ai danni climatici. Nell'analisi costi-efficacia invece il fattore principale è di gran lunga la sensibilità del clima alle emissioni, seguita dalle emissioni previste. Abbiamo eseguito la stessa analisi a livello globale e regionale, trovando modelli simili ma anche comportamenti particolari. Complessivamente, ciò significa che i risultati del modello sono fortemente influenzati dalle incertezze delle proiezioni future e dall'incertezza nelle ipotesi parametriche del modello. Questo dimostra come l'analisi di sensitività sia uno strumento fondamentale per una interpretazione robusta degli output del modello rispetto all'inevitabile incertezza.