C3-WP1 - Post-Prozessierung

Als Ziel dieses Arbeitspakets soll die optimale Post-Prozessierung des operationellen regionalen dekadischen Vorhersagesystems für Zentraleuropa identifiziert werden, welches systematische Fehler des regionalen Modelloutputs beseitigt, indem unterschiedliche Ansätze der Bias- und Driftkorrektur angewandt werden. Die statistische Post-Prozessierung stellt ein effizientes und kostengünstiges Werkzeug zur Kalibrierung von Klimamodelloutput vor der Weitergabe an Nutzer dar.

Das Arbeitspaket wird strukturiert durch unterschiedliche Aufgaben: Zuerst werden unterschiedliche Ansätze zur statistischen Post-Prozessierung angewandt, welche sich auf Beobachtungsdaten für Zentraleuropa und die multidekadischen Assimilationsläufe (mit Nudging an Beobachtungen) zur Biaskorrektur bzw. die dekadischen Vorhersagen zur Driftkorrektur stützen. Die entwickelten statistischen Transferfunktionen werden für verschiedene Variablen verglichen und zur Kalibrierung der dekadischen Vorhersagen angewandt, welche dann in einer Kreuzvalidierung mit unabhängigen Beobachtungsdaten evaluiert werden (C3-1.1, Abb. 1).

Abb. 1: Forschungskonzept und mögliche Ansätze der statistischen Post-Prozessierung

Die optimale Kombination der individuellen Ansätze zur statistischen Post-Prozessierung der dekadischen Vorhersagen wird detailliert und getrennt untersucht für unterschiedliche Jahreszeiten, Regionen in Zentraleuropa und Variablen oder Klimaphänomene (C3-1.2). Die entwickelte Metrik der kombinierten statistischen Post-Prozessierung wird in das zentrale Evaluierungssystem von MiKlip II eingebaut, um zur Kalibrierung von unterschiedlichen regionalen dekadischen Vorhersagen und zum Vergleich mit derjenigen von globalen dekadischen Vorhersagen herangezogen werden zu können (C3-1.3). Schließlich wird diese Metrik als effizienter Kalibrierungsansatz mit geringerem Rechenaufwand ebenso für das operationelle regionale dekadische Vorhersagesystem mit CCLM eingesetzt (C3-1.4).

Die zu liefernden Ergebnisse des Arbeitspakets sind gegeben durch die Meilensteine der unterschiedlichen Aufgaben: der Vergleich der individuellen Ansätze zur statistischen Post-Prozessierung (M1, Monat 24), die optimale Kombination der individuellen Ansätze zur statistischen Post-Prozessierung für unterschiedliche Jahreszeiten, Regionen und Variablen (M2, Monat 30) und die Integration der statistischen Post-Prozessierung in das zentrale Evaluierungssystem (M3, Monat 33) und in das operationelle Vorhersagesystem (M4, Monat 36).
 

Bisheriger Fortschritt

Bias-Korrekturen wurden erfolgreich auf die CCLM dekadischen Hindcasts für den monatlichen Niederschlag angewendet. Diese Bias-Korrekturen führen zu einer Erhöhung der Erklärten Varianz (bis zu 20% für Skandinavien) und einer Reduktion des Bias (bis zu 40 mm/Monat für den Alpen) im Bezug auf E-OBS. Der Test und der Vergleich zwischen verschiedenen statistischen Methoden, Trainings-Simulationen und Trainingszeiträumen weisen auf innovative Möglichkeiten für die Bias-Korrektur der dekadischen Hindcast Vorhersage hin.