E-WP7 STEPCLIM: Severe thunderstorm evaluation and predictability in climate models

Projektziele

Meteorologische Gefahren, die in Verbindung mit schweren Gewittern gebracht werden (z.B. Hagel, Sturmwind, Tornados) können eine große Bedrohung für Menschenleben und Eigentum bedeuten. Seit 1980 haben schwere Gewitter in Europa fast 3 Milliarden Euro an Schaden verursacht. Während aktuelle Studien beschreiben, dass die Häufigkeit von Extremwetterereignissen aller Wahrscheinlichkeit im 21. Jahrhundert zunimmt, ist die Vorhersagbarkeit von schweren Gewitterstürmen auf saisonalen bis dekadischen Zeiträumen noch nicht sehr gut verstanden.

Des Weiteren unterbindet die räumliche und zeitliche Auflösung heutiger Klimamodelle die explizite Simulation von mittelskaliger Konvektion und daraus resultierenden Gefahren. Das STEPCLIM-Projekt konnte drei Hauptziele ausmachen um diese Probleme anzusprechen:

  • Die Implementierung von probabilistischen Gefahrenmodellen in das zentrale Evaluierungssystem (CES) von MiKlip

  • Die Optimierung der Gefahrenmodelle durch die Verbesserung der europäischen Extremwetterdatenbank (ESWD)

  • Evaluierung und Korrektur von systematischen Fehlern in der Häufigkeit von Gewittern und spezifischen konvektiven Gefahren, wie sie von dekadischen Hindcast-Simulationen vorhergesagt werden

 

Erwartete Ergebnisse

STEPCLIM wird die folgenden Produkte beisteuern:

  • Skripte, die Extremwetterparameter aus dem Modelloutput berechnen und die Wahrscheinlichkeit für Blitze und konvektive Gefahren abschätzen

  • ein MiKlip-CES Plug-In, welches gerasterte Häufigkeits- und Wahrscheinlichkeitskarten für Blitze und konvektive Gefahren erzeugt

  • die unterstützende Dokumentation für das Plug-In

Bisherige Fortschritte

Zuerst wurden mithilfe der ERA-Interim-Reanalysedaten, den EUCLID-Blitzdaten und den ESWD-Extremwetterreporten für den Zeitraum von 2008 bis 2016 probabilistische Modelle für Blitze, große Hagelkörner (≥ 2 cm), starken Wind (≥ 25 m s-1) und Tornados entwickelt und optimiert. Diese Modelle benutzen zusätzlich logistische Regression um die 6-stündige Wahrscheinlichkeit für Blitze und Einzelgefahren, basierend auf den Werten vieler für Extremwetter relevanter Parameter (z.B. troposphärische Feuchtigkeit, Instabilitäten und Scherwinde), abzuschätzen. Danach wurden die jährlichen mittleren Wahrscheinlichkeiten für Blitze und Einzelgefahren für die ERA-Interim-Reanalyse, die nichtinitialisierten historischen MPI-ESM-LR-Simulationen und die Baseline1-MPI-ESM-LR dekadischen Hindcasts berechnet. Zu guter Letzt wurden die Genauigkeit und die Ensembleverteilung der dekadischen Hindcasts untersucht mittels des MurCSS Plug-Ins. Die Genauigkeit und die Ensembleverteilungsmetriken, wie zum Beispiel die mittlere quadratische Fehlergüte (MSESS) oder die kontinuierlich eingeschätzte Wahrscheinlichkeitsgüte (SCRPSS), wurden für jede 5° × 5° große Gitterzelle innerhalb der Region von 22.5°W, 25°N bis 52.5°O, 75°N berechnet. Zusätzlich wurde die von Pasternack et al. (2018) entwickelte Klimavorhersagerekalibrierungsmethode auf die dekadischen Hindcasts von Baseline1 angewendet um bedingte und unbedingte systematische Fehler in der vorhergesagten Häufigkeit für Blitze und konvektive Gefahren zu verringern.

Wie Abbildung 1 zeigt, bewirken die dekadischen Hindcastprojektionen der Blitzwahrscheinlichkeit eine positive Vorhersagegüte für Teile im nordwestlichen, zentralen und östlichen Europa. Verglichen mit den nicht-initialisierten Simulationen sind die Verbesserungen der Vorhersagegüte am größten für die britischen Inseln, die Benelux-Staaten, Zentraleuropa, Italien und dem Balkan. Verminderungen in der Vorhersagegüte sind in Skandinavien und Finnland am stärksten ausgeprägt. Die Rekalibrierung gewährt beträchtliche Verbesserungen für die MSESS, speziell für die britischen Inseln, Skandinavien und Finnland, sowie die Balkanhalbinsel. Die einzigen Regionen wo die negative Vorhersagegüte erhalten bleibt nach der Rekalibrierung sind Frankreich und die iberische Halbinsel. Ein wichtiger Aspekt der Modellvorhersagen, welcher in dieser Analysis ausgeschlossen wurde, ist die Tendenz der dekadischen Hindcasts die Wahrscheinlichkeit von Blitzen und konvektiven Gefahren in Europa zu überschätzen.

Abbildung 1: Gerasterte Karten mit Anomaliekorrelation (oben), bedingtem systematischen Fehler (Mitte), und MSESS (unten) für die historischen (links), Baseline1 (Mitte) und rekalibrierten Baseline1 (rechts) Vorhersagen der mittleren jährlichen Blitzwahrscheinlichkeit. Die klimatologische Referenzvorhersage wird durch die ERA-Interim-Reanalyse repräsentiert. Die Analyse wurde durchgeführt für die Vorhersagejahre 1 bis 4 und für 30 Initialisierungsjahre für den Zeitraum 1984 bis 2013.

Wie Abbildung 2 aufzeigt, überschätzen die dekadischen Hindcasts signifikant die Häufigkeit feuchter (relative Feuchtigkeit bei 850-500 hPa >60%), instabiler (angehobener Index < 0) Bedingungen im Vergleich der ERA-Interim-Reanalyse. Pattantyús-Ábrahám et al. (2016) zeigten im Vorfeld, dass die Baseline1-Hindcasts große negative Temperaturabweichungen und positive systematische Fehler in der relativen Feuchtigkeit für die mittlere und obere Troposphäre aufweisen.

 

Abbildung 2: Gerasterte Karten mit der mittleren jährlichen Anzahl an feuchten, instabilen 6-stündigen Zeiträumen wie sie von Baseline1 (links) und der ERA-Interim-Reanalyse (rechts) vorhergesagt wurden. Die Analyse wurde durchgeführt für die Vorhersagejahre 1 bis 4 und für 30 Initialisierungsjahre für den Zeitraum 1984 bis 2013.

Abbildung 3 zeigt die kontinuierlich eingeschätzte Wahrscheinlichkeitsgüte der Ensembleverteilung (CRPSSES) und die logarithmische Ensembleverteilungsgüte (LESS). Die (CRPSSES) liefert einen Anhaltspunkt, wie gut die Ensembleverteilung die Vorhersageunsicherheit repräsentiert [sprich, den mittleren quadratischen Fehler (MSE)], wogegen die LESS anzeigt, ob die Ensemblevarianz unter- oder übermäßig verstreut ist. Die Vorhersageungenauigkeit ist gut durch die Ensembleverteilung der dekadischen Hindcasts für einige Regionen abgebildet, aber generell ist die Ensemblevarianz übermäßig verstreut über weite Teile Kontinentaleuropas (mit Ausnahme der Balkanhalbinsel).

Abbildung 3: Gerasterte Karten mit CRPSSES (oben) und LESS (unten) für die historischen (links), Baseline1 (Mitte) und rekalibrierten Baseline1 (rechts) Vorhersagen der mittleren jährlichen Blitzwahrscheinlichkeit. Die Analyse wurde durchgeführt für die Vorhersagejahre 1 bis 4 und für 30 Initialisierungsjahre für den Zeitraum 1984 bis 2013.

Kontakt

European Severe Storms Laboratory
Lars Tijssen
Lars.tijssen(at)nospamessl.org

European Severe Storms Laboratory
Pieter Groenemeijer
Pieter.groenemeijer(at)nospamessl.org

European Severe Storms Laboratory
Christopher Castellano
christopher.castellano(at)nospamessl.org

Identification of favorable environments for thunderstorms in reanalysis data

2016 - Meteorologische Zeitschrift

Westermayer A.T. | P. Groenemeijer, G. Pistotnik, R. Sausen and E. Faust

Validation of Convective Parameters in MPI-ESM Decadal Hindcasts (1971–2012) against ERA-Interim Reanalyses

2016 - Meteorologische Zeitschrift, Vol. 25 No. 6, pp. 753-766

Pistotnik, G | P. Groenemeijer, and R. Sausen

A Climatology of Tornadoes in Europe: Results from the European Severe Weather Database

2014 - Monthly Weather Review, Vol. 142 (12), pp. 4775-4790

Groenemeijer, P. | T. Kühne