C3-WP2 - Optimierte Ensemble-Charakteristika

Zielsetzung des Projektes

Dieses Arbeitspaket zielt auf die Optimierung der Ensemble-Charakteristika des operationellen regionalen dekadischen Vorhersagesystems hin zu einer realistischen Unsicherheitsspanne zwischen unterschiedlichen Ensemble-Simulationen. Eine optimale Teilmenge der globalen MPI-ESM Ensemble-Simulationen wird für das dynamische Downscaling mit CCLM definiert und die Ensemble-Streuung der dekadischen Vorhersagen wird an externen Multi-Modell-Ensembles kalibriert, wobei dynamisches und kostengünstiges statistisch-dynamisches Downscaling kombiniert werden. Die Verwendung einer Ensemble-Teilmenge ermöglicht im Hinblick auf die Rechenzeit eine effizientere Regionalisierung der MPI-ESM dekadischen hindcasts für das operationelle Vorhersagesystem.

Struktur des Projektes und Aufgabenstellungen

Das Arbeitspaket wird strukturiert durch unterschiedliche Aufgabenstellungen:
1) Mittels multivariater und Bayes-Statistik wird eine optimale Teilmenge an globalen MPI-ESM Ensemble-Simulationen für das dynamische Downscaling mit CCLM ausgewählt, welche die statistischen Eigenschaften des gesamten Ensembles repräsentiert. Dieser Ansatz ermöglicht eine Echtzeit-Anwendung im Rahmen der operationellen Vorhersagen (C3-2.1). 

2) Die Ensemble-Streuung der regionalen Vorhersagen in Zentraleuropa wird anhand einer Kombination von Regressionsmodellen, Probability-Matching und Bayes-Theorem an die adäquate Streuung der regionalen Multi-Modell-Ensembles der MiKlip I-, EURO-CORDEX- und ENSEMBLES-Projekte für verschiedene Variablen, Jahreszeiten und Regionen angepasst (C3-2.2). 

3) Statistisch-dynamische Downscaling-Methoden für die Regionalisierung der Standardvariablen Temperatur, Niederschlag und Wind werden entwickelt und auf das gesamte MPI-ESM Hindcast-Ensemble angewendet (C3-2.3 und C3-2.4).

4) Eine Strategie zur Kombination der Ergebnisse des dynamischen und statistisch-dynamischen Downscalings zur Optimierung der Ensemble-Charakteristika wird entwickelt und auf alle regionalen Vorhersagen in MiKlip II angewendet (C3-2.5).

5) Die resultierende Teilmenge an globalen Ensemble-Simulationen und die optimierte Ensemble-Streuung der regionalen Vorhersagen definieren die optimale Konfiguration und Post-Prozessierung des operationellen regionalen Vorhersagesystems und die entwickelten Methoden werden zum Vergleich mit globalen Vorhersagen in das zentrale Evaluierungssystem integriert (C3-2.6).

Zu liefernde Ergebnisse des Projektes

Die zu liefernden Ergebnisse des Arbeitspakets sind gegeben durch die Meilensteine der unterschiedlichen Aufgaben: die optimierte Teilmenge an globalen Ensemble-Simulationen (M1, Monat 12), die optimierte Ensemble-Streuung für verschiedene Variablen, Jahreszeiten und Regionen (M2, Monat 30), Methoden zum statistisch-dynamischen Downscaling (M3, Monat 27), homogene Zeitserien für Temperatur, Niederschlag und Wind aus dem statistisch-dynamischen Downscaling (M4, Monat 33), die Ensemble-Optimierung durch Kombination von dynamischem und statistisch-dynamischem Downscaling (M5, Monat 33) und die Integration der entwickelten Methoden in das zentrale Evaluierungssystem und das operationelle Vorhersagesystem (M6, Monat 36).

Projektfortschritte

Das statistisch-dynamische Downscaling beruht auf einer Wetterlagen-Klassifikation. In MiKlip-II soll der Fokus auf den Hess und Brezowsky Grosswetterlagen liegen. Bisher wurde eine objektive Grosswetterlagen Klassifizierung auf ERA40/ERA-Interim sowie auf das komplette verfügbare Ensemble des MiKlip Vorhersage-Systems angewendet (baseline0, baseline1, prototype, historische Läufe). 

Die Ensemble-Streuung von CCLM Baseline1 (50 Läufe, 10 Ensemble Member pro Jahrzehnt), und Preop (205 Läufe, 5 Ensemble Member pro Jahr) wurden mit denen der verschiedenen globalen und regionalen Multimodell-Ensembles verglichen, einschließlich CORDEX (13 Läufe von 10 Modellen), CMIP3 (58 Läufe von 24 Modellen) und CMIP5 (88 Läufe von 38 Modellen). Die CCLM (Preop) Temperatur Ensembles sind unter-dispersiv, aber scheinen von allen Datensätzen die besten Ensemble Spread Scores auf zu weisen. Die Kalibrierung von Temperatur Ensembles wurde getestet und die Ergebnisse zeigen verbesserte Modellfähigkeiten.