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.

Kontakt

Institut für Geographie und Geologie, Universität Würzburg
Prof. Dr. Heiko Paeth
0049 931 3184688
heiko.paeth@uni-wuerzburg.de

Institut für Geophysik und Meteorologie, Universität zu Köln
PD Dr. Joaquim G. Pinto
jpinto(at)nospammeteo.uni-koeln.de
0049 221 4703691

An effective drift correction for dynamical downscaling of decadal global climate predictions

2018 - Climate Dynamics

Paeth, H. | J. Li, F. Pollinger, W. A. Müller, H. Pohlmann, H. Feldmann, H.-J. Panitz