ข้อมูลการเปลี่ยนแปลงสภาพภูมิอากาศ: วัดจากไหนและตีความอย่างไร?

โลกร้อน ภัยแล้ง น้ำท่วมแรง ระดับน้ำทะเลที่สูงขึ้น เป็นประเด็นที่หลายภาคส่วนวิตกกังวล เพราะหากการเปลี่ยนแปลงเหล่านี้รุนแรงขึ้น อาจจะก่อให้เกิดความเสียหายต่อผลผลิตทางการเกษตร ผลิตภาพแรงงาน ไปจนถึงสุขภาวะและทรัพย์สินของครัวเรือนได้ นอกจากนี้ นโยบายนำเข้าของประเทศคู่ค้า ซึ่งมีแนวโน้มที่จะต้องการเฉพาะสินค้าที่เป็นมิตรต่อสิ่งแวดล้อมมากขึ้น ย่อมจะส่งผลกระทบต่อผู้ส่งออกอย่างหลีกเลี่ยงไม่ได้

การสร้างองค์ความรู้เพื่อเข้าใจผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศจึงเป็นเรื่องสำคัญ อย่างไรก็ดี เรื่องนี้มีหลายมิติ เริ่มตั้งแต่

1. เราจะเก็บข้อมูลและวัดการเปลี่ยนแปลงของสภาพภูมิอากาศได้อย่างไร
2. การเปลี่ยนแปลงสภาพภูมิอากาศที่ผ่านมามีผลต่อกิจกรรมทางเศรษฐกิจอย่างไร
3. สาเหตุของการเปลี่ยนแปลงคืออะไร โดยปรากฏการณ์บางอย่าง เช่น เอลนิโญ (El Niño) มีสาเหตุส่วนหนึ่งจากเปลี่ยนแปลงตามธรรมชาติ แต่อีกหลาย ๆ ปรากฏการณ์ก็มาจากกิจกรรมทางเศรษฐกิจของมนุษย์
4. การคาดการณ์การเปลี่ยนแปลงของสภาพภูมิอากาศและผลกระทบในอนาคต
5. รัฐควรจะเข้ามาจัดการเรื่องนี้อย่างไร ไม่ว่าจะผ่านการแทรกแซงตลาดเพื่อแก้ปัญหาที่ผู้กระทำนั้นไม่ได้แบกรับต้นทุนโดยตรงจากกระทำดังกล่าว เช่น การปล่อยมลพิษ ไปจนถึงการเตรียมความพร้อมเพื่อช่วยเหลือภาคส่วนที่น่าจะได้รับผลกระทบ

บทความนี้ เป็นเพียงการปูพื้นความรู้เกี่ยวกับมิติด้านข้อมูลและวรรณกรรมที่เกี่ยวข้องสำหรับนักวิจัยที่ไม่ได้มีความชำนาญ แต่เริ่มมีความสนใจในงานสายนี้ โดยส่วนแรกจะเล่าถึงภาพใหญ่ของระบบสภาพภูมิอากาศ ส่วนที่สองเป็นเรื่องข้อมูลประเภทต่าง ๆ ส่วนที่สามอธิบายหลักฐานทางวิทยาศาสตร์ที่เกี่ยวข้อง และในส่วนสุดท้ายเล่าถึงประเด็นที่นักวิจัยควรพิจารณาเมื่อต้องการนำข้อมูลสภาพภูมิอากาศมาวิเคราะห์ผลต่อกิจกรรมทางเศรษฐกิจ รายละเอียดในมิติอื่น ๆ สามารถอ่านเพิ่มเติมได้ใน Samphantharak et al. (2023)

ที่จริงแล้ว สภาพภูมิอากาศ (climate) ไม่ได้หมายถึงเฉพาะอุณหภูมิเท่านั้น แต่ยังรวมถึงปริมาณน้ำฝน ความชื้นในอากาศและพื้นดิน วัฏจักรการหมุนเวียนของน้ำ ก๊าซในชั้นบรรยากาศ ซึ่งระบบเหล่านี้มีความเชื่อมโยงถึงกันและกัน ยกตัวอย่างเช่น หากพื้นผิวโลกมีอุณหภูมิสูงขึ้น น้ำก็จะระเหยจากแหล่งน้ำต่าง ๆ มากขึ้น ความชื้นในอากาศที่สะสมมากขึ้นจะส่งต่อไปเป็นการก่อตัวของเมฆที่ขนาดใหญ่ขึ้น ดังนั้น เมื่อฝนตกในแต่ละครั้ง ฝนจึงตกหนักมากขึ้น ขณะเดียวกันเมื่อน้ำระเหยมาก อากาศในบางพื้นที่จะมีความชื้นน้อยลง เมื่ออากาศแห้ง ผนวกกับอุณหภูมิที่สูงมาก จึงก่อให้เกิดไฟป่าได้ง่าย การเกิดไฟป่าบ่อยครั้ง ไม่เพียงแต่ก่อความเสียหายต่อทรัพย์สิน แต่ยังเป็นการทำลายพื้นที่ป่าและระบบนิเวศ ซึ่งเป็นแหล่งดูดซับคาร์บอนในชั้นบรรยากาศที่สำคัญด้วย และส่งผลให้โลกร้อนขึ้นอีกทอดหนึ่ง

ทำไมโลกจึงร้อนขึ้น? ปกติพื้นผิวโลกจะรักษาอุณหภูมิให้อยู่ในระดับเดิมได้ (โดยเฉลี่ย 14°C)¹ ก็ต่อเมื่อพลังงานจากแสงอาทิตย์ที่ส่งเข้ามาในชั้นบรรยากาศ สามารถส่งกลับออกไปได้ในอัตราเท่าเดิม ทั้งนี้ ในภาวะปกติ พลังงานส่วนหนึ่งจะถูกดูดซับไปโดยพื้นดินหรือน้ำทะเล ส่วนที่เหลือจะถูกแปลงเป็นรังสีอินฟราเรดและสะท้อนกลับไปภายนอก แต่หากในชั้นบรรยากาศมีความเข้มข้นของก๊าซเรือนกระจก เช่น คาร์บอนไดออกไซด์ (CO₂) มีเทน (CH₄) ไนตรัสออกไซด์ (N₂O) และคลอโรฟลูออโรคาร์บอน (CFC) ในระดับสูงแล้ว รังสีที่พื้นผิวโลกสะท้อนขึ้นมาจะกระทบกับก๊าซเหล่านี้และส่งพลังงานส่วนหนึ่งกลับมาที่พื้นผิวโลก เป็นเหตุให้โลกร้อนขึ้นนั่นเอง ดังแสดงในรูปที่ 1

ในทางวิทยาศาสตร์นั้น คำว่า climate หรือ สภาพภูมิอากาศ จะหมายถึงการดูทั้งระบบดังที่กล่าวข้างต้นและเป็นค่าเฉลี่ยของข้อมูลระยะยาว แต่หากเป็นข้อมูลของตัวแปรบางตัวในระยะสั้น ๆ เช่น รายวัน รายเดือน รายปี จะใช้ คำว่า weather หรือ สภาพอากาศ แหล่งข้อมูลที่นักวิจัยนำมาใช้จึงเป็นเรื่องของสภาพอากาศเสียมากกว่า โดยมีตั้งแต่ข้อมูลจากการสังเกตสภาพอากาศโดยตรง ข้อมูลจากการประมาณการ และข้อมูลจากสรรพสิ่งที่มีอายุยาวนาน ในส่วนนี้เราจะเล่าถึงข้อมูลหลัก ๆ ที่มีการนำมาใช้ และข้อดีและข้อด้อยของข้อมูลประเภทนั้น ๆ

ข้อมูลสถานีภาคพื้นดิน (ground stations) เป็นข้อมูลที่เก็บจากสถานีตรวจวัดสภาพอากาศในพื้นที่ที่มีสถานีตั้งอยู่ ในหลาย ๆ ประเทศ ข้อมูลที่สถานีจัดเก็บได้จะถูกส่งผ่านคลื่นวิทยุโดยอัตโนมัติมายังศูนย์ข้อมูลกลาง สำหรับตัวแปรสภาพอากาศที่สถานีจัดเก็บโดยตรง ข้อมูลจากสถานีค่อนข้างจะแม่นยำกว่าข้อมูลจากแหล่งอื่น ๆ อย่างไรก็ดี ข้อมูลสถานีเพียงอย่างเดียวอาจจะไม่ให้ภาพที่สมบูรณ์นักเนื่องจากในพื้นที่ห่างไกลมักจะไม่มีสถานีตั้งอยู่ ตัวอย่างข้อมูลประเภทนี้ ได้แก่ ฐานข้อมูล Global Historical Climatology Network (GHCN) ซึ่งมีข้อมูลจาก 100,000 สถานีใน 180 ประเทศ โดยมีข้อมูลอุณหภูมิสูงสุดและต่ำสุดรายวัน ปริมาณน้ำฝน และหิมะ และฐานข้อมูล Asian Precipitation – Highly Resolved Observational Data Integration Towards Evaluation (APHRODITE) ซึ่งมีข้อมูลปริมาณน้ำฝนและอุณหภูมิจาก 12,000 สถานีทั่วภูมิภาคเอเชีย โดยมีทั้งข้อมูลจาก GHCN และฐานข้อมูลอื่น ๆ มาร่วมด้วย

สำหรับประเทศไทย ข้อมูลสถานีภาคพื้นดินหลัก ๆ เป็นของกรมอุตุนิยมวิทยาและของสถาบันสารสนเทศทรัพยากรน้ำ (สสน.) โดยมีสถานีตรวจอากาศอยู่ประมาณ 100 สถานี และ 940 สถานี ตามลำดับ โดยมีข้อมูลอุณหภูมิ ปริมาณน้ำฝน และความชื้น แม้ว่า สสน. จะมีจำนวนสถานีมากกว่า แต่ข้อมูลของกรมอุตุนิยมวิทยามีรายละเอียดเกี่ยวกับสภาพอากาศบางอย่างมากกว่า และมีข้อมูลตั้งแต่รายชั่วโมงไปจนรายเดือน ในปัจจุบัน ทั้งสองหน่วยงานกำลังจะร่วมมือกันพัฒนาระบบข้อมูลเพื่อให้ข้อมูลด้านสภาพอากาศของไทยมีความสมบูรณ์ยิ่งขึ้น

ข้อมูลภาพถ่ายดาวเทียม (remote sensing data) เป็นการแปลข้อมูลจากภาพถ่ายหรือคลื่นสัญญาณให้เป็นข้อมูลสภาพภูมิอากาศและกิจกรรมทางเศรษฐกิจ เช่น ปริมาณน้ำ พื้นที่ป่า ระดับน้ำทะเล มวลน้ำแข็ง ระดับก๊าซเรือนกระจก การใช้ไฟในเวลากลางคืน และผลผลิตทางการเกษตร การใช้ข้อมูลจากภาพถ่ายดาวเทียมเริ่มขึ้นในช่วงทศวรรษ 1960 และมีการพัฒนามาอย่างต่อเนื่องทั้งด้านความละเอียดของภาพและความแม่นยำของการแปลผล ผู้ที่สนใจก็สามารถเข้าถึงข้อมูลได้ง่ายขึ้น

แม้ข้อมูลภาพถ่ายดาวเทียม จะไม่แม่นยำนักสำหรับพื้นที่ขนาดเล็ก แต่ก็มีความครอบคลุมมากกว่าข้อมูลสถานีภาคพื้นดิน โดยเฉพาะในพื้นที่ที่เข้าถึงได้ยาก ทั้งนี้ การแปลผลภาพถ่ายดาวเทียมต้องอาศัยทั้งข้อมูลดิบซึ่งเป็นภาพถ่ายหรือคลื่นสัญญาณร่วมกับข้อมูลจากสถานีภาคพื้นดินเพื่อตีความ ในบางกรณี ผู้เชี่ยวชาญต้องมีการปรับแก้ไขภาพถ่ายเพราะดาวเทียมอาจจะอยู่ในมุมที่ต่างไป มีคลื่นหรือแสงที่ไม่เกี่ยวข้องเข้ามารบกวน หรือถ่ายแล้วติดไอน้ำ ฝุ่นละออง หรือเมฆ ฐานข้อมูลภาพถ่ายดาวเทียมที่ใช้กันแพร่หลาย ได้แก่ The Tropical Rainfall Measuring Mission (TRMM) ของ NASA และ Climate Hazards Group InfraRed Precipitation with Station Data (CHIRPS)

สำหรับข้อมูลสภาพอากาศจากภาพถ่ายดาวเทียมของไทย มีทั้งที่ได้มาจากดาวเทียมของต่างประเทศและของไทยเอง ดาวเทียมไทยโชตของสำนักงานพัฒนาเทคโนโลยีอวกาศและภูมิสารสนเทศ (GISTDA) เป็นดาวเทียมไทยดวงแรกที่ใช้สำหรับสำรวจทรัพยากรธรรมชาติ โดย GISTDA ยังมีแผนที่จะปล่อยดาวเทียมอีกสองดวงภายในปีหน้า (2023) ซึ่งจะให้ภาพที่ละเอียดกว่าดาวเทียมไทยโชตอีกด้วย ข้อมูลภาพถ่ายดาวเทียมมักจะถูกนำไปใช้ร่วมกับข้อมูลอื่นในการทำ reanalysis ซึ่งจะกล่าวถึงในส่วนถัดไป

ข้อมูลราย grid (gridded data) เป็นการประมาณการในช่วง (interpolation) จากข้อมูลของพื้นที่ใกล้เคียง สำหรับกรณีพื้นที่ที่ไม่มีสถานีตั้งอยู่หรือภาพถ่ายจากดาวเทียมไม่สมบูรณ์นัก ตัวอย่างเช่น หากสถานีอากาศที่เมือง A วัดอุณหภูมิได้ 18°C และสถานีอากาศที่เมือง C วัดอุณหภูมิได้ 21°C การใช้ linear interpolation เพื่อประมาณอุณหภูมิเมือง B ซึ่งอยู่ตรงกลาง โดยห่างจาก A 50 กม. และห่างจาก C 100 กม. จะคิดเป็น 19°C ทั้งนี้ ในการประมาณการจริง ความแม่นยำของข้อมูลราย Grid ขึ้นอยู่กับจำนวนสถานีในพื้นที่ใกล้เคียง เทคนิค interpolation ที่ใช้ และตัวแปรที่ต้องการศึกษา เช่น การ interpolate อุณหภูมิ มักจะผิดพลาดน้อยกว่าการ interpolate ปริมาณน้ำฝน เพราะหากฝนตกที่เมือง A แต่ไม่ได้ตกที่เมือง C ก็ไม่ได้แปลว่าเมือง B มีโอกาส 1/3 ที่จะมีฝนตก ฝนอาจจะไม่ตกเลยก็เป็นได้ ฐานข้อมูลราย Grid ที่ใช้กันแพร่หลาย ได้แก่ ข้อมูล Climatic Research Unit gridded Time Series (CRU TS) ซึ่งมีข้อมูลย้อนหลังถึงต้นศตวรรษ 1900 และให้ความละเอียดสูง ประมาณการโดยใช้ข้อมูลรายเดือนจากสถานีภาคพื้นดินทั่วโลก

ข้อมูล Reanalysis เป็นการวิเคราะห์ข้อมูลจากหลายแหล่ง ทั้งจากสถานีภาคพื้นดิน ภาพถ่ายดาวเทียม หรือแหล่งอื่น ๆ ผ่านแบบจำลอง Global Climate Model ซึ่งเป็นการใช้ทฤษฎีทางฟิสิกส์ในการคำนวณความสัมพันธ์ระหว่างตัวแปรสภาพอากาศต่าง ๆ เพื่อสร้างข้อมูลให้สมบูรณ์ครอบคลุมทุกพื้นที่ที่ต้องการศึกษา หากแบบจำลองผ่านการทดสอบว่าอธิบายความสัมพันธ์ในอดีตได้ดี นักวิจัยก็สามารถใช้แบบจำลองนี้ไปพยากรณ์การเปลี่ยนแปลงสภาพภูมิอากาศในอนาคต อย่างไรก็ตาม การทำ reanalysis มีค่าใช้จ่ายสูงเพราะต้องใช้คอมพิวเตอร์ขนาดใหญ่ในการประมวลผล จึงมีศูนย์วิจัยไม่กี่แห่งที่มีการเผยแพร่ฐานข้อมูลชนิดนี้ เช่น Global Precipitation Climatology Center Princeton Global Meteorological Forcing Dataset for land surface modeling และ Physical Sciences Laboratory ของ the National Oceanic and Atmospheric Administration (NOAA) สำหรับประเทศไทย มหาวิทยาลัยรามคำแหงร่วมกับผู้เชี่ยวชาญในภูมิภาค ได้จัดตั้งศูนย์ข้อมูลกลาง The Southeast Asia Regional Climate Change Information System (SARCCIS) เพื่อพัฒนาฐานข้อมูล reanalysis และเผยแพร่ให้ผู้ที่สนใจ

งานที่สนใจเรื่องการเปลี่ยนแปลงของสภาพภูมิอากาศ (climate change) ซึ่งหมายถึงการเปลี่ยนแปลงในระยะยาวเป็นช่วงหลายร้อยหลายพันปี จำเป็นต้องกำหนดว่าจุดเริ่มต้น (baseline) คือ เมื่อใด สภาพภูมิอากาศ ณ จุดเริ่มต้นเป็นอย่างไร และในแต่ละยุคของโลกนั้น อุณหภูมิหรือการหมุนเวียนของน้ำถูกกระทบด้วยปัจจัยอะไรบ้าง (Hsiang & Kopp, 2018) ข้อมูลจากสถานีหรือภาพถ่ายดาวเทียมนั้นยังไม่ได้มีย้อนหลังมากนัก งานด้านนี้จึงมักจะอาศัยข้อมูลจากสรรพสิ่งที่มีอายุยาวนาน (บรรพชีวิน) มาประมาณการสภาพภูมิอากาศในอดีต ไม่ว่าจะเป็นเรื่องอุณหภูมิ ก๊าซในชั้นบรรยากาศ ลักษณะของพื้นผิวโลก รวมถึงสิ่งมีชีวิต โดยมีการศึกษาฟอสซิลต่าง ๆ ทั้งของพืชและสัตว์ ศึกษาวงปีของต้นไม้ที่มีอายุยืนเพราะขนาดและสีของวงปีบอกถึงอุณหภูมิและน้ำในอดีต ศึกษาขนาดของธารน้ำแข็ง สารเคมีและฟองอากาศในแต่ละชั้นแกนของแกนน้ำแข็ง ซึ่งบ่งได้ถึงการเกิดภูเขาไฟ มลพิษ หรือฝุ่นจากดาวตก เมื่อหลายพันปีที่ผ่านมา (Pardi & Smith, 2012)

ในปี 1988 World Meteorological Organization ร่วมกับ United Nations Environment Programme ได้ร่วมมือกันจัดตั้งคณะกรรมการกลาง Intergovernmental Panel on Climate Change (IPCC) เพื่อศึกษาเกี่ยวกับการเปลี่ยนแปลงของสภาพภูมิอากาศและสาเหตุของการเปลี่ยนแปลงดังกล่าวอย่างจริงจัง โดย IPCC ประกอบด้วยผู้เชี่ยวชาญจากทั่วโลก และมีสมาชิกกว่า 195 ประเทศ

IPCC ใช้เวลากว่า 3 ทศวรรษกว่าที่จะรายงานอย่างมั่นใจว่าโลกของเราร้อนขึ้นจากฝีมือมนุษย์ มิใช่เป็นการเปลี่ยนแปลงตามธรรมชาติ ตารางที่ 1 แสดงถ้อยคำในรายงานของ IPCC ซึ่งจะเห็นความมั่นใจที่เพิ่มขึ้นตามลำดับ

ในรายงานล่าสุด (IPCC, 2021) พบว่า ตั้งแต่ปี 1850 อุณหภูมิพื้นผิวโลกร้อนขึ้นมีแนวโน้มเพิ่มขึ้นทุกทศวรรษ และเพิ่มอย่างชัดเจนตั้งแต่ปี 1950 เป็นต้นมา (รูปที่ 2) และ IPCC ประมาณการว่ากิจกรรมทางเศรษฐกิจของมนุษย์มีส่วนให้อุณหภูมิโลกเพิ่มขึ้นโดยเฉลี่ย 1.1°C เมื่อเทียบกับช่วงก่อนปฏิวัติอุตสาหกรรม นอกจากนี้ ชั้นบรรยากาศยังมี CO₂ เป็นระดับสูงที่สุดในรอบ 2 ล้านปี ก๊าซ CH₄ กับ N₂O ก็เพิ่มสูงสุดในรอบ 800,000 ปี รวมทั้งปริมาณน้ำฝนทั่วโลกได้เพิ่มขึ้นตั้งแต่ปี 1950 ระดับน้ำทะเลเพิ่มขึ้นในอัตราที่สูงที่สุดในรอบ 3,000 ปี และธารน้ำแข็งได้หดตัวมากที่สุดในรอบอย่างน้อย 2,000 ปี

ในปัจจุบันได้มีหน่วยงานที่เก็บรวบรวมข้อมูลสภาพภูมิอากาศหลายแห่ง เช่น NOAA Climate.gov European Space Agency และ World Bank Climate Knowledge Portal นอกจากนี้ ยังมีศูนย์วิจัยที่ศึกษาผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศ เช่น Climate Impact Lab ซึ่งรวมทีมทั้งนักวิทยาศาสตร์ภูมิอากาศ เศรษฐศาสตร์ และวิทยาการคอมพิวเตอร์ จากสถาบันชั้นนำในสหรัฐอเมริกา สำหรับหลักฐานเกี่ยวกับการเปลี่ยนแปลงสภาพภูมิอากาศของไทย สามารถอ่านเพิ่มเติมได้ใน Thampanishvong et al. (2021) Chinwanno et al. (2016) Limsakul & Singhruck (2016) และ Paengkaew et al. (2020)

ตั้งแต่ช่วงปี 1970s เป็นต้นมา ได้เริ่มมีงานวิจัยทางเศรษฐศาสตร์ที่ศึกษาผลกระทบของสภาพอากาศต่อกิจกรรมทางเศรษฐกิจมากขึ้น โดยเรื่องที่สนใจมีตั้งแต่รายได้ประชาชาติ ผลผลิตทางการเกษตร ผลิตภาพของแรงงาน ไปจนถึงสุขภาพและการเคลื่อนย้ายของประชากร งานกลุ่มแรกเป็นงานด้านแบบจำลองเชิงโครงสร้าง (structural model) ซึ่งพยายามปรับเปลี่ยนแบบจำลองเศรษฐศาสตร์มหภาคเดิมที่มองเพียงทุนและแรงงานเป็นปัจจัยการผลิต ให้มีพลังงานจากถ่านหินเป็นอีกหนึ่งปัจจัยการผลิต โดยการใช้ปัจจัยการผลิตนี้จะปล่อยคาร์บอนออกมากระทบสภาพภูมิอากาศ และอาจจะก่อความเสียหายต่อครัวเรือน ธุรกิจ และผลผลิตรวมในที่สุด แบบจำลองจะถูกปรับจนสะท้อนกลไกการส่งผ่านและข้อมูลจริงในมิติต่าง ๆ เพื่อนำไปพยากรณ์ผลของการเปลี่ยนแปลงนโยบายในอนาคต ผู้ที่สนใจสามารถอ่านเพิ่มเติมได้ใน Hassler & Krusell (2018) และ Nordhaus (2019)

งานกลุ่มที่สอง ซึ่งเราจะกล่าวถึงมากกว่า คือ งานที่เน้นใช้ข้อมูลมาศึกษาความสัมพันธ์ของตัวแปรที่สนใจบางตัว โดยเราขอเล่าถึงประเด็นหลัก ๆ ที่นักวิจัยมักจะต้องพิจารณา 3 ประเด็น ได้แก่ การเลือกหน่วยวัด การแยกผลของสภาพอากาศออกจากผลของปัจจัยอื่น และการกำหนดรูปแบบความสัมพันธ์ระหว่างตัวแปรสภาพอากาศและกิจกรรมทางเศรษฐกิจ

เรื่องหน่วยวัดมีทั้งมิติด้านความละเอียดของพื้นที่และความถี่ของช่วงเวลา บ่อยครั้งนักวิจัยต้องแปลงหน่วยของตัวแปรที่ต้องการศึกษาให้เป็นหน่วยเดียวกัน เช่น หากมีข้อมูลสถานีอากาศรายอำเภอ แต่ต้องการศึกษาผลผลิตรายจังหวัด ก็ต้องแปลงข้อมูลรายอำเภอให้เป็นค่าเฉลี่ยรายจังหวัด และในการคำนวณค่าเฉลี่ยนั้น ก็ต้องเลือกว่าจะถ่วงน้ำหนักด้วยพื้นที่หรือจำนวนประชากรของแต่ละอำเภอ ดังนั้น หากนักวิจัยสนใจเรื่องผลผลิตทางการเกษตรซึ่งเพาะปลูกอยู่ทั่วจังหวัด การถ่วงน้ำหนักด้วยพื้นที่น่าจะเหมาะสม แต่หากสนใจเรื่องผลกระทบต่อผลิตภาพแรงงาน การถ่วงน้ำหนักด้วยประชากรน่าจะเหมาะสมกว่า เพราะบางอำเภออาจจะไม่ได้มีแรงงานอาศัยอยู่มากนัก วิธีคำนวณที่ต่างกันสามารถให้ภาพที่แตกต่างกันไปได้ เช่น อุณหภูมิเฉลี่ยของสหรัฐอเมริกาในปี 2000 นั้น หากถ่วงน้ำหนักด้วยพื้นที่ จะได้ค่าเป็น 8.3°C แต่หากถ่วงน้ำหนักด้วยประชากรจะได้ค่าเป็น 13.1°C เพราะมลรัฐทางเหนือซึ่งอากาศหนาวจัดไม่ได้มีคนอยู่มากนัก (Dell et al., 2014)

การเลือกหน่วยวัดด้านเวลาก็มีผลเช่นกัน หากเลือกช่วงเวลาสั้น เช่น รายไตรมาสหรือรายปี มักจะเห็นความผันผวนของสภาพอากาศมากกว่าการเลือกเฉลี่ยจากช่วงเวลาที่ยาวนาน เช่น ทุกสองทศวรรษ โดยช่วงเวลาของข้อมูลยังมีผลต่อการตีความว่า ความสัมพันธ์ที่ศึกษานั้นเป็นความสัมพันธ์ระยะสั้นหรือระยะยาว นอกจากนี้ ในบางกรณี ผลกระทบที่สนใจอาจจะไม่ได้แค่มาจากสภาพอากาศของพื้นที่นั้น ๆ แต่มาจากพื้นที่รอบข้างด้วย หรือผลกระทบอาจจะไม่ได้เกิดขึ้นทันทีแต่เป็นการสะสมมาจากในอดีต ดังนั้น นักวิจัยต้องอาศัยความรู้ทั้งทางวิทยาศาสตร์ กลไกการส่งผ่านจากสภาพอากาศไปยังกิจกรรมทางเศรษฐกิจ เพื่อให้เลือกข้อมูลและหน่วยวัดที่เหมาะสมกับคำถามที่ต้องการศึกษา

การทดลองในอุดมคติเพื่อแยกผลกระทบของตัวแปรสภาพอากาศให้ชัดเจนนั้น ต้องการการสุ่มคนสองกลุ่มที่มีลักษณะเหมือนกันทุกประการ และส่งไปอยู่ในพื้นที่สองแห่งที่แตกต่างกันเฉพาะสภาพอากาศที่ต้องการศึกษา จากนั้นก็เฝ้าสังเกตการณ์คนทั้งสองกลุ่มเป็นระยะเวลานานว่ามีพฤติกรรม กิจกรรม การปรับตัว หรือผลลัพธ์ทางเศรษฐกิจแตกต่างกันอย่างไร อย่างไรก็ตาม การทดลองดังกล่าวเป็นไปไม่ได้เลยในความเป็นจริง ที่พอจะมีอยู่บ้างเป็นการทดลองขนาดเล็ก เช่น สุ่มให้กลุ่มตัวอย่างเข้าไปอยู่ในห้องที่มีอุณหภูมิต่างกัน แล้วเปรียบเทียบคะแนนทดสอบทางสติปัญญา งานศึกษาส่วนมากจึงเป็นการใช้ข้อมูลเพื่อเลียนแบบการทดลองเสียมากกว่า

งานกลุ่มแรกใช้ข้อมูลภาคตัดขวาง (cross-sectional data) เป็นการเปรียบเทียบกิจกรรมทางเศรษฐกิจของพื้นที่หรือประเทศต่าง ๆ ซึ่งมีสภาพอากาศต่างกัน งานกลุ่มนี้มักจะมีปัญหาว่าไม่สามารถแยกผลของสภาพอากาศออกจากปัจจัยอื่น ๆ ได้ ตัวอย่างเช่น ประเทศที่ยากจน มักจะอยู่ในเขตอากาศร้อน รวมทั้งมีปัจจัยทางสถาบันที่อ่อนแอ จึงมีคำถามว่าจริง ๆ แล้วอากาศร้อนทำให้รายได้ต่ำ หรืออากาศร้อนทำให้สถาบันอ่อนแอ หรืออากาศร้อนไม่ได้ทำให้สถาบันอ่อนแอ แต่สถาบันที่อ่อนแอต่างหากส่งผลให้ประเทศนั้น ๆ มีรายได้ต่ำ แม้แต่ภาคตะวันออกเฉียงเหนือของไทยเองซึ่งมีอากาศร้อนก็มีรายได้เฉลี่ยต่ำกว่าภาคอื่น ๆ เช่นกัน แต่อากาศร้อนส่งให้รายได้ต่ำจริงหรือ หรือเป็นเพราะงานที่ใช้ทักษะสูง เงินเดือนสูง ส่วนมากอยู่ในกรุงเทพฯ และปริมณฑล แรงงานทักษะสูงจึงย้ายมาอยู่ในเมืองเสียมากกว่ากันแน่

งานกลุ่มที่สอง ซึ่งเป็นที่นิยมมากขึ้น เป็นการใช้ข้อมูล panel data หรือข้อมูลของพื้นที่เดิมหลายพื้นที่เป็นเวลานาน เพื่อดูผลของสภาพอากาศที่ผันผวนในบางช่วง (weather shock) โดยเทียบกับค่าเฉลี่ยของพื้นที่นั้น ๆ เอง การมีข้อมูลของพื้นที่เดิม ๆ ช่วยให้สามารถควบคุมปัจจัยที่เป็นลักษณะเฉพาะตัวของพื้นที่ได้ และการมีข้อมูลของหลาย ๆ พื้นที่ยังช่วยให้สามารถควบคุมปัจจัยร่วมที่ไม่เกี่ยวกับสภาพอากาศแต่ส่งผลต่อพื้นที่ทุกแห่งได้ อาทิ Deschênes & Greenstone (2011) ใช้ข้อมูลราย county ของสหรัฐอเมริกา ตั้งแต่ปี 1968–2002 เพื่อศึกษาผลของอุณหภูมิและปริมาณน้ำฝนต่ออัตราการตายของประชากร Schlenker & Roberts (2009) ใช้ข้อมูลราย county กว่า 50 ปี เพื่อศึกษาผลของอุณหภูมิต่อผลผลิตข้าวโพด

แม้งานที่ใช้ panel data จะดูน่าเชื่อถือในการแยกผลของความผันผวนทางสภาพอากาศออกจากปัจจัยอื่น ๆ แต่ก็ยังมีคำถามว่า ค่าประมาณการจากงานกลุ่มนี้ซึ่งเป็นความสัมพันธ์ระยะสั้น สามารถนำไปประเมินผลระยะยาวได้หรือไม่ วิกฤตสภาพภูมิอากาศในอนาคตอาจจะมีความรุนแรงมากกว่าความผันผวนในช่วงสั้น ๆ ในทางกลับกัน ครัวเรือนและธุรกิจก็อาจจะมีการปรับตัว ทำให้ในระยะยาวผลกระทบไม่รุนแรงนัก งานอีกกลุ่มหนึ่ง จึงพยายามใช้ข้อมูลในสองช่วงเวลาที่ค่อนข้างห่างกัน (long-difference) เพื่อดูผลระยะยาว เช่น Burke & Emerick (2016) เปรียบเทียบความสัมพันธ์ของอุณหภูมิและปริมาณน้ำฝนต่อผลผลิตทางการเกษตรในช่วงปี 1978–1982 และ 1998–2002 โดยใช้ข้อมูลราย county ของสหรัฐอเมริกา ดูเพิ่มเติมใน Hsiang (2016)

ทฤษฎีเศรษฐศาสตร์ไม่ได้บ่งบอกชัดเจนว่าสภาพอากาศจะส่งผลต่อกิจกรรมทางเศรษฐกิจในรูปแบบใด นักวิจัยจึงมักจะเน้นใช้ functional form ให้มีความยืดหยุ่น โดยไม่บังคับให้ความสัมพันธ์เป็นแบบ linear หรือ quadratic เท่านั้น เช่น Deschênes & Greenstone (2011) สร้างตัวแปรวัดอุณหภูมิของพื้นที่ต่าง ๆ โดยนับจำนวนวันในแต่ละปีที่มีอุณหภูมิมีค่า 1–3°C, 3–5°C, 5–7°C เป็นต้น เพื่อศึกษาผลกระทบของอุณหภูมิต่ออัตราการตายของประชากร Keane & Neal (2020) แสดงให้เห็นว่าแบบจำลอง panel data ที่ใช้ functional form ที่ยืดหยุ่นมากขึ้น และ Deep Neural Networks พยากรณ์ผลกระทบของสภาพอากาศต่อผลผลิตได้ดีกว่างานในอดีตที่ผ่านมา

ในกรณีของผลผลิตบางชนิด เช่น ข้าวโพด นักวิจัยพอมีองค์ความรู้อยู่บ้างว่าอุณหภูมิที่เหมาะสมต่อการเจริญเติบโต คือ 8–29°C ตัวแปรอุณหภูมิรายวันจึงมักจะถูกสรุปเป็น Growing Degree Days (GDD) หรือ Killing Degree Days (KDD) ของทั้งฤดูกาลเพาะปลูก โดย GDD คำนวณจากการรวมค่าอุณหภูมิเฉลี่ยของแต่ละวันที่สูงกว่า 8°C ส่วน KDD เป็นการรวมอุณหภูมิที่สูงสุดของแต่ละวันลบด้วย 29°C

นอกจากนี้ ผลกระทบบางอย่างอาจจะเกิดขึ้นก็ต่อเมื่อตัวแปรด้านสภาพอากาศหลายตัวมีการเปลี่ยนแปลงร่วมกัน นักวิจัยจึงมีการสร้างดัชนีต่าง ๆ เช่น ดัชนี Standard Precipitation-Evapotranspiration Index (SPEI) ซึ่งมีการใช้ข้อมูลทั้งปริมาณน้ำฝนรายเดือนและการระเหยของน้ำจากพื้นดิน ดัชนี US Climate Extremes Index (CEI) และ European Extreme Events Climate Index (E3CI) คำนวณมาจากทั้งอุณหภูมิสูงสุดและต่ำสุด ภัยแล้ง ปริมาณน้ำฝนและพายุ เพื่อสะท้อนภัยพิบัติ

แม้ว่าจะยังไม่มีใครมั่นใจว่าผลกระทบจากการเปลี่ยนแปลงของสภาพภูมิอากาศในอนาคตจะรุนแรงมากน้อยเพียงใด แต่หลักฐานที่ผ่านมาชี้ชัดว่ากิจกรรมทางเศรษฐกิจของมนุษย์นั้นส่งผลให้โลกร้อนขึ้นและโลกที่ร้อนขึ้นก็ได้ก่อความเสียหายในบางมิติบ้างแล้ว องค์ความรู้เกี่ยวกับผลกระทบของวิกฤตสภาพภูมิอากาศน่าจะเป็นที่ต้องการมากขึ้นในอนาคต บทความชิ้นนี้เป็นเพียงจุดเริ่มต้นสำหรับผู้ที่เริ่มสนใจงานด้านนี้ เพื่อช่วยให้เข้าใจถึงข้อมูลหลัก ๆ และวรรณกรรมที่เกี่ยวข้องบางส่วน การวิจัยเรื่องผลกระทบนั้น ต้องอาศัยความรู้ทั้งทางวิทยาศาสตร์และกลไกการส่งผ่านจากสภาพอากาศไปยังกิจกรรมทางเศรษฐกิจ รวมถึงความเข้าใจในข้อมูลที่นำมาใช้ว่ามีความแม่นยำมากน้อยเพียงใด เพราะการเลือกหน่วยวัด ลักษณะของข้อมูล และแบบจำลองล้วนมีผลต่อข้อสรุป การตีความ และความน่าเชื่อถือของผลการศึกษา