C2-WP1 - Mehrwert der Regionalisierung für Nutzer-relevante Variablen

Zielsetzung des Projektes

Ziel dieses Arbeitspakets ist die Bestimmung des dekadischen Vorhersage-Skills der Extrema von Standard-Klimavariablen (Temperatur, Wind, und Niederschlag) sowie von Nutzer-relevanten Parametern für Zentral-Europa (z.B. Windenergie und Sturmschäden), welche in Zusammenarbeit mit Endnutzern ausgewählt werden.  Der Fokus liegt dabei auf dem Mehrwert der Regionalisierung für die Vorhersagbarkeit dieser Variablen, welche stark von lokalen Bedingungen und physikalischen Prozessen auf der regionalen Skala beeinflusst werden. In dem Arbeitspaket werden Methoden zur Berechnung der Parameter auf der globalen (GCM) und regionalen (Regionalmodelle) Skala angepasst oder neu entwickelt. Da sich die zeitliche und räumliche Skala von Beobachtungen und Modell-Output in der Regel unterscheiden und eine Nachbearbeitung der simulierten Größen nötig sein wird, ist die Berechnung der Nutzer-relevanten Parameter mitunter aufwendig. Verschiedene Skill-Metriken sollen angewendet werden um den Mehrwert der Regionalisierung zu quantifizieren. Die hier entwickelten Methoden sollen zu dem zentralen Evaluierungs-System (CES) und zu einer effizienten Weitergabe der Projektergebnisse an potentielle Nutzer beitragen.
 
 

Struktur des Projektes

Das Arbeitspaket C2-WP1 ist unterteilt in zwei thematische Aspekte: Entwicklung/Anwendung von Methoden zur Bestimmung von Nutzer-relevanten Parametern, und Quantifizierung des Vorhersage-Skills sowie des Mehrwerts der Regionalisierung dieser Variablen.
 

Aufgabenstellung des Projektes

T1 Entwicklung/Anwendung von Methoden zur Bestimmung Nutzer-relevanter Parameter
Für die Bestimmung Nutzer-relevanter Parameter sind verschiedene geeignete Methoden notwendig. Für diese Aufgabenstellung sollen bereits existierende Ansätze erweitert oder neue Methoden entwickelt werden. Die verschiedenen Methoden werden dann auf den Standard-Output des globalen und regionalen dekadischen Vorhersage-Systems und auf Beobachtungs-Datensätze angewendet.

T2 Analysis of decadal predictability and added value of downscaling
Die Intention dieses Aufgabenbereichs ist es, geeignete Skill-Metriken auszuwählen und anzuwenden um die Vorhersage-Güte und die Unsicherheitsspanne des MiKlip Vorhersage-Systems in Bezug auf Klimaextreme und Nutzer-relevante Parameter abzuschätzen. Diese Metriken werden sowohl auf globale als auch regionale Hindcast-Simulationen angewendet um den Mehrwert der Regionalisierung zu quantifizieren. 
 

Zu liefernde Ergebnisse des Projektes

D1a Methoden zur Bestimmung Nutzer-relevanter Parameter
D1b Homogene Zeitreihen der Parameter auf der globalen und regionalen Skala
D2a Geeignete Skill-Metriken für Vorhersage-Güte und Vertrauenswürdigkeit
D2b Übersicht des Vorhersage-Skills für Extrema und Nutzer-relevante Parameter

Projektfortschritte

Einige möglicherweise Nutzer-relevante Variablen wurden identifiziert: Windsturm-Schäden, Starkniederschläge, Wein-Produktivität und Temperaturextreme. Bezüglich Windsturm-Schäden wurde in Kooperation mit GERICS eine Zusammenarbeit mit einer Versicherungsgesellschaft aufgebaut. Der Fokus liegt auf der Vorhersage von Windböen, die Schäden verursachen können, für die nächsten 1 bis 5 Jahre. Die dekadische Vorhersagbarkeit der Anzahl von Tagen pro Jahr, an denen ein bestimmter Grenzwert überschritten wird, wird dabei analysiert. Im nächsten Schritt sollen die Ergebnisse mit Versichertendaten verschnitten werden.
Hinsichtlich Starkniederschläge werden Ereignisse untersucht, die zu Hochwasser in den großen europäischen Flüssen führen können. Dafür wurde ein statistisches Downscaling, basierend auf Analogen, entwickelt. Die Methode wurde getestet und übertrifft CCLM-ERA in einigen Regionen (z.B. Osteuropa). Momentan wird die Methode auf die globalen Hindcasts angewendet um die dekadische Vorhersagbarkeit für die Einzugsgebiete der großen europäischen Flüsse zu untersuchen.
Zum Thema Weinproduktivität werden verschiedene bioklimatische Indizes untersucht, die zur Identifizierung von geeigneten Jahren für Weinwachstum genutzt werden, beispielsweise der „Hydrothermic Index“ von Branas, Huglin‘s „Heliothermal Index“, „Dryness Index“ und der „Winter Severity Constraint“.
Eine Bias-Korrektur wird momentan auf die zugrunde liegenden Variablen (Maximum-/Minimum-/Mittel-Temperatur und Niederschlag) angewandt, bevor die einzelnen Indizes für ERA und die MiKlip Hindcasts berechnet werden.

 

Abbildung 1: MSESS für mittlere Tmax in baseline1 (links) und prototype (ORAs4, rechts) für lead time 2-5

In Bezug auf Temperaturextreme liegt der Fokus zunächst auf Maximaltemperaturen. Eine statistische multilineare Regression wurde entwickelt. Sie wurde gegen E-OBS Daten validiert und dann auf alle verfügbaren Hindcast-Generationen (baseline1, prototype, preop) angewendet. Für Deutschland zeigt baseline1 einen hohen Vorhersage-Skill für yr2-5, während die Skill-Scores für prototype geringer sind (Abbildung 1). Ähnliche Analysen werden momentan für das regionale MiKlip-Ensemble durchgeführt.

Kontakt

Institut für Meteorologie und Klimaforschung (IMK-TRO), Karlsruhe Institute of Technology (KIT)
Prof. Dr. Joaquim Pinto
joaquim.pinto(at)nospamkit.edu
+49 (0)721 608-28467

Institut für Meteorologie und Klimaforschung (IMK-TRO), Karlsruhe Institute of Technology (KIT)
Julia Mömken
julia.moemken(at)nospamkit.edu
+49 (0)721 608-22805

Decadal predictability of regional scale wind speed and wind energy potentials over Central Europe

2016 - Tellus A, Vol. 68 (29199)

Moemken, J. | M. Reyers, B. Buldmann, and J.G. Pinto JG

Contrasting interannual and multi-decadal NAO variability

2014 - Clim Dyn., Vol. 45 (1), pp. 539-556

Woollings, T. | C. Franzke, D.L.R. Hodson, B. Dong, E.A. Barnes, C.C. Raible and J.G. Pinto

Development of a wind gust model to estimate gust speeds and their return periods

2014 - Tellus A, Vol. 66 (22905)

Seregina, L.S. | R. Haas, K. Born, and J.G. Pinto

Decadal predictability of regional-scale peak winds over Europe based on MPI-ESM-LR

2014 - Meteorologische Zeitschrift, Vol. 25 No. 6, pp. 739-752

Haas, R. | M. Reyers, and J.G. Pinto