A3-WP – PastLand II

Zusammenfassung und Aufbau:

Vorhersagen des globalen Klimas hängen sowohl von den Startbedingungen des Klimamodells ab als auch von den angenommenen Änderungen in der Aerosol- und Treibhausgaskonzentration der Atmosphäre. Es ist anzunehmen, dass für einen Zeitraum von ungefähr zehn Jahren der Einfluss anthropogener Klimaveränderungen und die natürliche Variabilität in der gleichen Größenordnung liegen. Eine möglichst exakte Beschreibung des beobachteten Klimazustands in gekoppelten Modellen ist daher entscheidend für die Initialisierung dekadischer Klimasimulationen. Die Vorhersagbarkeit in Simulationen die über zwei Wochen hinaus gehen, ist  maßgeblich von Erdsystemkomponenten beeinflusst, die langfristiger als typische Wetterphänomene agieren. Solche Komponenten sind neben dem Ozean, Gletschern und Meereis der Bodenwassergehalt, die Schneebedeckung und die Biosphäre.

Im Rahmen von Pastland I wurde das Landoberflächenmodell in Hinblick auf einer realistische Darstellung des Bodenfeuchtegedächtnisses weiter entwickelt, neueste Bodenfeuchtebeobachtungen bewertet sowie Simulationen durchgeführt, welche es erlauben die räumlichen und zeitlichen Eigenschaften des Landoberflächengedächtnisses zu untersuchen. Somit wurden die notwendigen Voruntersuchungen erfüllt, um die Assimilation von Beobachtungsdaten der Landoberfläche in das Erdsystemmodell des Max-Planck-Institutes für Meteorologie (MPI-ESM) in Angriff zu nehmen.
Diese Aufgabe ist der Arbeitsschwerpunkt während der zweiten Phase von Pastland. Im Rahmen dieser wird ein Assimilationsschema, welches bereits innerhalb der Ozeankomponente des MPI-ESM genutzt wird, für die Landoberfläche angepasst und so modifiziert, dass es verschiedene Landvariablen assimilieren kann. Um die bestgeeigneten Landoberflächenvariablen zu erkennen, werden entsprechende Analysen aus PastLand1 ausgebaut und auf verschiedene Datensätze, z.B. Oberflächen- oder Bodentemperatur und Schneebedeckung, angewendet.  Der Einfluss von Landoberflächeninitialisierungen kann anschließend in Hindcast Ensemble Simulationen mit dem MPI-ESM untersucht werden. Abschließend kann Pastland II eine Aussage darüber treffen, ob die Verbesserungen in der Vorhersagegüte des MPI-ESM den Aufwand der zusätzlichen Assimilation rechtfertigen können.
 

Ziele:

  • Auffinden von weiteren Landoberflächenvariablen zusätzlich zur Bodenfeuchte, die zum Landgedächtnis und zur Vorhersagefähigkeit beitragen können
  • Bewertung aktueller Beobachtungsdatensätze bezüglich ihrer Eignung zur Assimilation
  • Anpassung der vorhandenen Assimilations- und Initialisierungsroutinen an die Nutzung von Landoberflächenbeobachtungen
  • Bewertung des Vorhersagegüte des MiKlip Vorhersagesystems mit und ohne Landoberflächeninitialisierungen

 

Erwartete Ergebnisse:

  • Datenbank mit Landoberflächenbeobachtungen, die zur Assimilation geeignet sind
  • Landoberflächenassimilations- und Initialisierungsschema
  • Dekadische Hindcast Simulationen
     

 

Bisheriger Fortschritt

Die vergangene Projektzeit in Pastland II wurde in die Entwicklung eines flexiblen Bodenfeuchte-Assimilationschemas für die Landkomponente JSBACH  innerhalb des MPI-ESM investiert. Ein technischer Schwerpunkt bei der Entwicklung war, das Schema als separates Modul mit möglichst wenigen Interaktionen zum MPI-ESM einzubauen um eine problemlose Implementierung in das MiKlip Vorhersagesystem zu gewährleisten. Des Weiteren kann es mit geringem Aufwand auch für die Assimilation andere Landoberflächenvariablen erweitert werden.

Die technische Entwicklung des Assimilationsschemas ist abgeschlossen, allerdings werden noch  weitere Assimilationsmethoden getestet um festzustellen, welche Methode am besten mit der modellinternen Dynamik der Bodenfeuchte sowie der zeitlichen Auflösung der Beobachtungsdaten vereinbar ist. Zur Zeit wird ein einfaches Nudging basierend auf Brocca et al (2010) eingesetzt, um die Bodenfeuchtewerte einmal pro Tag an die Beobachtungswerte anzunähern.

Erste Ergebnisse der Bodenfeuchteassimilation zeigen die stärksten Effekte auf der Landoberfläche. So wird beispielsweise der Südasiatische Monsun Index gegenüber der Referenzsimulation signifikant geändert. Über dem Ozean sind die Auswirkungen geringer. Für einzelne Regionen zeigen sich jedoch auch hier starke Signale, z. B. im Salzgehalt nahe der Mündungen großer Flüsse.

 

Anomaliekoerrelation für die oberflächennahe Temperatur

Die Assimilation extremer Bodenfeuchtezustände zeigt die stärksten Effekte auf der Landoberfläche mit deutlichen Änderungen der Oberflächentemperatur und Verdunstung. Darüber hinaus werden die großräumige Zirkulationssyteme, z.b. der Südasiatische Monsun Index, beeinflusst. Über dem Ozean sind die Auswirkungen geringer. Für einzelne Regionen zeigen sich jedoch auch hier starke Signale, z. B. im Salzgehalt nahe der Mündungen großer Flüsse.

Weitere Simulationen wurden mit satellitenbasierter Beobachtungen der Oberflächenbodenfeuchte und des Schneewasserequivalentes durchgeführt, wobei der Einfluss der Assimilation auf die Vorhersagefähigkeit des Modells jedoch gering zu sein scheint. Beide Variablen zeigen einen positiven Anomaliekorrelationskoeffizienten (ACC) für das erste Jahr einer jeden Simulation, die jedoch in den Folgejahren rasch abnimmt. Auch für die oberflächennahe Temperatur sind die globalen Verteilungen des ACC recht ähnlich. Im ersten Jahr zeigen die Simulationen eine leicht verbesserte Vorhersagegüte von Osteuropa bis Westasien, dafür aber auch eine Abnahme dieser für Ostasien und Alaska. In den folgenden Jahren nehmen diese Unterschiede für die meisten Regionen rasch ab.

Ausgehend von diesen Ergebnissen scheint es nicht notwendig zu sein, Landoberflächenassimilation zusätzlich zur Assimilation atmosphärischer und ozeanische Zustände durchzuführen – zumindest nicht in Hinblick auf die untersuchten zeitlichen und räumlichen Skalen. Es ist jedoch davon auszugehen, dass sich dieser Zustand ändern wird, sobald verlässliche Beobachtungen der Bodenfeuchte in der gesamten Bodensäule über lange Zeitraume verfügbar werden.

Abbildung: Anomaliekoerrelationskoeffizient (ACC) zwischen MPI-ESM Simulationen und HadCRUT4 Daten für die oberflächennahe Temperatur. Die linke Seite zeigt den ACC für ein Ensemble aus Simulationen, die auf der Assimilation von Atmosphären-, Ozean- und Landoberflächenzuständen basieren. Die rechte Seite zeigt die Änderung dieser verglichen mit Simulationen ohne Landoberflächenassimilation. Die obere Reihe bezieht sich auf das jeweils erste Jahr einer jeden Simulation, die untere auf die Jahre 2-5.

Referenzen

  • Brocca, L., Melone, F., Moramarco, T., Wagner, W., Naeimi, V., Bartalis, Z., and Hasenauer, S.: Improving runoff prediction through the assimilation of the ASCAT soil moisture product, Hydrol. Earth Syst. Sci., 14, 1881-1893, doi:10.5194/hess-14-1881-2010, 2010.

Kontakt

Max Planck Institute for Meteorology
Tobias Stacke
tobias.stacke(at)nospammpimet.mpg.de

Improved Seasonal Prediction of European Summer Temperatures With New Five‐Layer Soil‐Hydrology Scheme

2018 - Geophysical Research Letters, 45, 346–353

Bunzel, F. | Müller, W. A., Dobrynin, M., Fröhlich, K., Hagemann, S., Pohlmann, H., Tobias Stacke, Baehr, J.

Lifetime of soil moisture perturbations in a coupled land–atmosphere simulation

2016 - Earth Syst. Dynam., Vol. 7, pp. 1-19

Stacke, T. | S. Hagemann

Impact of the soil hydrology scheme on simulated soil moisture memory

2015 - Clim. Dyn., Vol 44 (9), pp. 1731-1750

Hagemann S. | T. Stacke

The BETHY/JSBACH Carbon Cycle Data Assimilation System: experiences and challenges

2013 - J. Geophys. Res., Vol.118(4), pp. 1414–142

Kaminski, T. | W. Knorr, G. Schürmann, M. Scholze, P.J. Rayner, S. Zaehle, S. Blessing, W. Dorigo, V. Gayler, R. Giering, N. Gobron, J.P. Grant, M. Heimann, A. Hooker-Stroud, S. Houweling, T. Kato, J. Kattge, D. Kelley, D., S. Kemp, E.N. Koffi, C. Köstler, P.-P. Mathieu, B. Pinty, C.H. Reick, C. Rödenbeck, R. Schnur, K. Scipal, C. Sebald, T. Stacke, A. Terwisscha van Scheltinga, M. Vossbeck, H. Widmann, and T. Ziehn

Potential and limitations of multidecadal satellite soil moisture observations for selected climate model evaluation studies

2013 - Hydrol. Earth Syst. Sci., 17, 3523-3542

Loew, A | T. Stacke, W. Dorigo, R. de Jeu, and S. Hagemann