A-WP2 - AODA-PENG II

Die Ziele von Modul A während der zweiten Phase von MiKlip sind (1) verbesserte Schätzungen des Anfangszustands in Ozean, Kryosphäre und Bodenfeuchte zu liefern, (2) basierend auf diesen Zustandsschätzungen bessere Initialisierungsverfahren für das Vorhersagesystem zu entwickeln und (3) die Prozeduren zur Schätzung der Unsicherheiten in den Anfangszuständen zur Erzeugung des Vorhersageensembles zu optimieren. Das Arbeitspaket WP3 des Moduls A ist das Teilprojekt AODA-PENG2 (Atmospheric and Oceanic Data Assimilation & Ensembles Generation). Das zentrale Ziel des Teilprojektes ist die Ensembleerzeugung mit Hilfe zweier unterschiedlicher Herangehensweisen. Diese werden für das Erdsystemmodell MPI-ESM1.2 implementiert. Aus Ensemblesimulation mit den gestörten Anfangsbedingungen über den Vorhersagebereich von 10 Jahren wird das Fehlerwachstum bestimmt und somit die Vorhersageunsicherheit quantifiziert.

Als erste Methode wird die weitgehend dynamische breeding Methode eingesetzt. Es wird eine modifizierte Variante genutzt, die es ermöglicht für ausgewählte Zeit- und Raumskalen die Unsicherheitsstrukturen mit Hilfe des dynamischen Modells MPI-ESM1.2 zu ermitteln. Speziell sollen dabei großräumige, gemeinsame Störungsmuster in Temperatur, Salzgehalt und Strömungsgeschwindigkeit für den Ozean berechnet werden, die für jahresübergreifende und dekadische Vorhersagen relevant sind. In skalierter Form werden diese dann auf den Anfangszustand addiert und generieren so die Anfangszustände für die einzelnen Ensemblerealisierungen.

Die zweite Methode kombiniert Statistik mit Dynamik und basiert auf dem bereits implementierten Ensemble Kalman Filter in der ozeanischen Komponente von MPI-ESM1.2 Für die gegenwärtige Version wurde Vorhersagegüte bereits nachgewiesen, wenn man das in der Datenassimilation entstehende Ensemble von Realisierungen als freie Simulationen über den Zeitraum von 10 Jahren fortsetzt. Allerdings haben Arbeiten aus der Literatur gezeigt, dass diese Qualität noch deutlich gesteigert werden kann, wenn man die sogenannte lokalisierte und varianzerhöhte Version des Kalman Filters nutzt und die Anzahl der Ensemblerealisierungen auf mehr als 30 Simulationen erhöht.

Zusammen werden dann umfangreiche Datensätze zur Verfügung stehen, mit denen das Fehlerwachstum und die Unsicherheitsquantifizierung detailliert erfasst und analysiert werden kann.

 

Bisheriger Fortschritt

WP 3.1

Die Bred-Vector-Methode (BV) wurde zur Ensemble-Generierung eingesetzt. Es werden dazu die am stärksten anwachsenden Störungen auf jährlichen und mehrjährigen Zeitskalen sowie den korrespondierenden räumlichen Skalen abgeschätzt. BV basiert auf Änderungen im Geschwindigkeits-, Temperatur- und Salzgehaltsfeld, die Störungen werden mit einer gewichteten totalen Energie normiert. Die Routinen zum Ausführen von BV wurden außerhalb von MPI-ESM-LR entwickelt, um Flexibilität für zukünftige Modellversionen zu erhalten.

Mit BV initialisierte Hindcasts wurden von 1961-2016 mit jährlichem Start und mit jeweils 10 Jahren Laufzeit erstellt. Dazu wurden neun Bredvektoren über fünf 12-Monats-Zyklen genutzt. BV-Hindcasts wurden mit MiKlip CES und VECAP sowie mit weiteren Hindcast-Scores (Romanova et al. 2017) evaluiert. Es zeigt sich, daß BV die Hindcastqualität verbessern kann.

In einer zusätzlichen Studie wurden während der Breeding-Zyklen die Klimazustände für ein La-Nina-Jahr (2010) und ein El-Nino-Jahr (2015) untersucht. Es zeigen sich dabei fundamentale Unterschiede im Störungswachstum in Abhängigkeit vom Klimazustand (Fig.1). Diese werden damit in BV-Hindcasts folglich besser berücksichtigt als bei der traditionellen lagged Initialisierung.

Abb. 1 Störungswachstum für die Oberflächentemperatur des Ozeans am Ende des vierten Breeding-Zyklus in einem La-Nina-Jahr (2010, links) und einem El-Nino-Jahr (2015, rechts).

WP3.2

Die globale Variante des Ensemble-Kalman-Filter (EnKF) in MPI-ESM-LR aus MiKlip I (Brune et al. 2015) wurde durch eine lokalisierte Variante des EnKF ersetzt. Der Einfluss der Ozeanbeobachtungen (Profile von Temperatur und Salzgehalt) auf den modellierten Zustand des Ozeans kann dadurch gesteigert werden. Um die großskalige Ozeanzirkulation während der Assimilation zu stabilisieren, wurde eine zweistufige Einschwingphase (Spin-up) der eigentlichen Assimilation vorgeschaltet: (i) 300 Jahre Nudging der Atmosphäre zu monatlichen Werten (1958) aus der ERA40-Reanalyse mit mitlaufendem Ozean, und (ii) weitere 50 Jahre Nudging der Atmosphäre wie in (i) zusammen mit lokalisierter EnKF-Assimilation von monatlichen beobachteten Temperatur- und Salzgehaltsprofilen aus dem EN4-Datensatz, kumuliert über den Zeitraum 1950-1959. Die anschließende eigentliche Assimilation erfolgt mit Atmosphärennudging zur ERA40/ERAInterim-Reanalyse bei gleichzeitiger lokalisierter EnKF-Assimilation der EN4-Profile für den Zeitraum 1958-2016. Die Qualität der dadurch initialisierten Hindcasts (10 Jahre, gestartet jeden November 1959-2016) ist für die Oberflächentemperaturen allgemein verbessert im Vergleich zu den Hindcasts initialisiert durch Atmosphärennudging und die globale EnKF-Assimilation im Ozean. Verglichen mit dem präoperationellen Vorhersagesystem aus MiKlip II ist die Hindcastqualität der Oberflächentemperaturen im tropischen Pazifik und im Nordatlantik verbessert.Die lokalisierte EnKF-Assimilation wird im Moment auf MPI-ESM-HR übertragen. Das Setup muss dabei an die höhere Auflösung angepasst werden. Die Qualität der Assimilation für Oberflächentemperaturen ist in MPI-ESM-HR/EnKF gut. Besondere Aufmerksamkeit wird während der Assimilation jedoch auch auf eine stabile großskalige ozeanische Zirkulation gelegt. Damit erhöht sich der Aufwand in der Testperiode des Assimilationsset-ups erheblich.

 

Abb.2 Korrelation mit Oberflächentemperaturen aus dem Beobachtungsdatensatz HadCRUT4: a) local EnKF / MPI-ESM-LR Hindcasts Leadjahr 1, b) local EnKF / MPI-ESM-LR Hindcasts Leadjahr 2-5, c,d) Differenzen in den Korrelationen zwischen local EnKF / MPI-ESM-LR und Pre-Op.

Referenzen

  • Brune, S., L. Nerger, J. Baehr (2015): Assimilation of oceanic observations in a global coupled Earth system model with the SEIK filter. Ocean Modelling 96, Part 2:254–264, DOI 10.1016/j.ocemod.2015.09.011

  • Brune, S., A. Düsterhus, H. Pohlmann, W. Müller, and J. Baehr (2017), Time dependency of the prediction skill for the North Atlantic subpolar gyre in initialized decadal hindcasts, Climate Dynamics, in press, doi:10.1007/s00382-017-3991-4.

  • Romanova V., and Hense A. (2015) Anomaly Transform Methods Based on Total Energy and Ocean Heat Content Norms for Generating Ocean Dynamic Disturbances for Ensemble Climate Forecasts. ClimDyn. DOI: 10.1007/s00382-015-2567-4

  • Romanova, V., Hense, A., Wahl, S., Brune, S., Baehr, J. (2017): Skill assessment of different ensemble generation schemes for retrospective predictions of surface freshwater fluxes on inter and multi-annual timescales - Meteorologische Zeitschrift, doi:10.1127/metz/2017/0790

Kontakt

Institut für Meereskunde Universität Hamburg
Prof. Dr. Johanna Baehr
Dr. Sebastian Brune

Meteorologisches Institut Universität Bonn
Prof. Dr. Andreas Hense
Dr. Vanya Romanova

Initialization and Ensemble Generation for Decadal Climate Predictions: A Comparison of Different Methods

2019 - Journal of Advances in Modeling Earth Systems

Polkova, I | Brune, S., Kadow, C., Romanova, V., Gollan, G., Baehr, J., Glowienka-Hense, R., Greatbatch, R.J., Hense, A., Illing, S., Köhl, A., Kröger, J., Müller, W.A., Pankatz, K., Stammer, D.

Time dependency of the prediction skill for the North Atlantic subpolar gyre in initialized decadal hindcasts

2018 - Climate Dynamics 51(5-6), 1947–1970

Brune, S. | Düsterhus, A., Pohlmann, H., Müller, W. A., Baehr, J.

Hindcast skill for the Atlantic meridional overturning circulation at 26.5°N within two MPI-ESM decadal climate prediction systems.

2016 - Clim. Dyn.

Müller, V. | H. Pohlmann, A. Düsterhus, D. Matei, J. Marotzke, W. A. Müller, M. Zeller and J. Baehr

Assimilation of oceanic observations in a global coupled Earth system model with the SEIK filter

2015 - Ocean Modelling, Vol. 96(2), pp. 254–264

Brune, S. | L. Nerger and J. Baehr