Module A - Zusammenfassung der ersten MiKlip Phase

In MiKlip Modul A das Ziel ist zu die Vorteil verschiedener Initialisierungsmethoden zu untersuchen und die damit verbundenen Mechanismen zu identifizieren, die zu einer verbesserten Vorhersagegüte führen. Mehrere Verfahren zur Ensemblegenerierung wurden getestet, dessen Ziel es ist, die Unsicherheit in den ozeanischen Anfangsbedingungen widerzuspiegeln. Eins der weiteren Ziele war es, die Vorteile ein Initialisierungsverfahren für die Bodenfeuchtigkeit zu untersuchen, die als eine potentielle Quelle von Vorhersagbarkeit auf jährlicher bis dekadischer Zeitskala dienen soll. 

Außerdem wurde es probiert Datenassimilations-Methoden und Anfangsbedingungen für die Ozean- und Eis-Komponente zu verbessern. Die wichtigsten Ergebnisse, die bis jetzt erreicht wurden und bestehende Herausforderungen sind unten hervorgehoben.

Ziel A1: Verbesserung der Anfangsbedingungen

A-Coordination: Eine neue Synthese des Ozeans GECCO2, welche den Zeitraum 1948-2014 abdeckt wurde produziert (Köhl, 2014; icdc.zmaw.de) und ist nun routinemäßig verfügbar für neue MiKlip Initialisierungen. GECCO2 erweitert die vorherige Synthese GECCO um die letzten Jahre, während gleichzeitig eine höhere horizontale und vertikale Auflösung bereitgestellt wurden, sowie Verbesserungen in der Modelsphysik. GECCO2 deckt nun auch den globalen ozeanischen Bereich ab und führte bereits erste Versuche zur Assimilation von Meereis durch, welche in Zukunft verstärkt werden müssen. Die GECCO2 Synthese wird im Rahmen des Ozean Reanalyse Vergleichsprojeks geprüft. Beispielsweise, Storto et al. (2015) analysierte das Verhalten von verschiedenen Synthesen bezüglich der globalen und regionalen sterischen Meeresspiegeländerungen und Toyoda et al. (2015) untersuchte wie sich die Tiefe der Mischschicht im Ozean in den verschiedenen Reanalysen dargestellt wird.
Die ersten gekoppelten Assimilationsexperimente wurden mit CESAM (http://www.cen.uni-hamburg.de/en/research/cen-models/cesam.html) durchgeführt, als Zwillingsexperimente, die Pseudodaten assimilierten (die durch das Model selbst erstellt wurden, von einem Standard Kontroll- Vektor). Die identischen Zwillingsexperimente zeigten die präzise Zurückgewinnung der voreingestellten Parameterwerte durch Assimilation der Daten mit einem stark (mit einer Magnitude größer fünf) reduzierten Gradienten in der Kostenfunktion. Diese Ergebnisse belegen die Nützlichkeit des Variations-Assimilationssystems um das ESM und demonstrieren die Möglichkeit Klimadaten zu assimilieren und gleichzeitig Anfangsbedingungen zu generieren, die die Modelparameter verbessern.

AODA-PENG implementierte einen singulären sich entwickelnden Ensemble Kalman Filter (SEIK) aus dem parallelen Datenassimilations-Rahmenwerk PDAF (Nerger and Hiller, 2013) in die ozeanische Komponente des gekoppelten MPI-ESM. SEIK wurde in einer globalen Konfiguration mit kleiner Ensemblegröße und einem Assimilationsintervall von einem Monat getestet (Brune et al. 2015, eingereicht). In einer Assimilation in welcher die Atmosphäre an Beobachtungen angepasst wurde („nudging“) und der Ozean mit SEIK wurde eine ähnliche Variabilität der Oberflächentemperaturen gefunden wie in den Beobachtungsdaten. Regional schwächere Korrelationen mit den Beobachtungsdaten wurden im Vergleich der „nudged“ Atmosphäre und Ozean Assimilationen für Baseline 1/Prototype gefunden.

Dies konnte man erwarten, da der Vorgang des Nudgings explizit so erstellt wurde, um die Beobachtungsdaten von dem Model zu reproduzieren, während SEIK dem Model ein größeres Maß an Freiheitsgraden gibt, was die Beobachtungen in einem gewissen Fehlerbereich wiederzugeben vermag. Allerdings, zeigten initialisierten Hindcasts von den nudged Atmosphäre und SEIK Ozean-Assimilation eine regional höhere Vorhersagegüte für Oberflächentemperaturen als die Hindcasts von Baseline 1/Prototype.

Ziel A2: Verbesserung der Initialisierungs und Ensemblegenerierungs-Verfahren

MODINI schlägt eine Initialisierungsmethode vor, in der die beobachteten Impulsfluss- Anomalien zu der saisonal wechselnden Klimatologie des gekoppelten Models addiert wurden (um den Kopplungsschock am Anfang der Vorhersage so gering wie möglich zu halten). Erste Hindcasts wurden erstellt und zeigten einer verbesserten Vorhersagegüte in den Tropen. Es wurde gezeigt, dass die Initialisierungsläufe Güte in der Reproduktion von ENSO-Ereignissen, der pazifisch dekadischen Oszillation und Teile der Variabilität des ostasiatischen Sommermonsuns (Ding et al., 2014a) und der Southern Annular Mode (Ding et al., 2014b) haben. Die oben angegebenen Ergebnisse wurden durch das Kieler Klimamodell (KCM; Park et al., 2009) durchgeführt. MODINI wurde auch in das MPI-ESM implementiert um initialisierte Hindcasts durchzuführen (Thoma et al., 2015). Die Bedeutung der Tropen als treibender Faktor im Klimasystem ist wohl bekannt (siehe, zum Beispiel, Greatbatch et al., 2012, für eine detaillierte Beschreibung). Nichtsdestotrotz, ist die Initialisierung in den Tropen problematisch, wie bereits von Bell et al. (2004) diskutiert. Weg von der äquatorialen Zone ist die vorherrschende Gleichgewicht im Ozean die geostrophische Balance. Am Äquator jedoch bricht die geostrophische Balance zusammen. In der Tat findet der überwiegende Ausgleich entlang des Äquators zwischen dem zonalen Druckgradienten und der zonalen Windreibung statt, welche nicht notwendigerweise ein stationäres Gleichgewicht darstellen sondern sich vielmehr dynamisch entwickeln. Das bedeutet, dass wenn die ozeanische Hydrografie in der äquatorialen Zone initialisiert wird, keinerlei Garantie besteht, dass der resultierende Druckgradient korrekt mit dem zonalen Winden im Gleichgewicht steht, die sich im initialisierten System ergeben. Diese Unausgeglichenheit kann zu Fehlern in der Vorhersage führen (zum Beispiel, kann sich die Vorhersage von einem La Niña zu einem El Niño wandeln). MODINI hat den Vorteil, dass es die zonale Windreibung und Druckgradienten im Ozean wieder ins Gleichgewicht bringt.

 

Abb 1. Karten der Anomaliekorrelation und der Güte der gemittelten quadratischen Fehler (MSESS). Die historische Läufe der CMIP5 Projektes, die drei Generationen des Vorhersagesystems und die alternative solche von MODINI werden mit einer Referenzvorhersage (HadCRUT4 Median) für mittlere Oberflächentemperaturen der 2 bis 5 Jahre nach der Initialiserung mit Hilfe der Anomaliekorrelation und des MSESS verglichen. Die Kreuze geben Werte an, die sich signifikant von Null unterscheiden und eine Marke von 5% überschreiten, es wurden 500 Bootstraps angewandt. Die grau schattierten Bereiche markieren fehlende Werte mit weniger als 90% Datenübereinstimmung in den Beobachtungen. (Abbildung bearbeitet von Thoma et al., 2015, Fig. 2)

 

PastLand: PastLand konzentriert sich auf Verbesserungen im Model, Sensitivitätsanalysen, der Auswertung von Beobachtungsdaten, aber auch der Optimierung von Zustand und Parametern der Landoberfläche im Model. Wichtige Errungenschaften sind:
(1) Ein 5-Schichtiges Bodenhydrologieschema wurde entwickelt für JSBACH von Hagemann und Stacke (2014), welches eine wesentliche Voraussetzung für die Optimierung von Parametern war, die auf Beobachtungen der Bodenfeuchte in den oberen Schichten basieren. Das neue Schema bildet das Feuchtigkeitsgedächtnis des Bodens viel besser ab, als das früher verwendete Eimer-Schema, durch eine tiefes Bodenschicht unter der Wurzelzone, welches als Langzeitpuffer für trockene Perioden dient. Das Schema ist nun in das MiKlip Vorhersagesystem eingefügt.
(2) Sensitivitätsanalysen für Bodenfeuchtigkeits-Initialisierungen zeigen ein Gedächtnis der Bodenfeuchte von ein paar Tagen bis hin zu mehreren Jahreszeiten (Abb. 2). Das verdeutlicht, welches Potential die Assimilationen der Bodenfeuchte für die Verbesserung der Vorhersagegüte im ESM haben könnte. Die Analyse zeigte ebenfalls komplexe Wechselwirkungen zwischen Gedächtnis und den verschiedenen Zuständen des Klimas, welche sich regional und temporär unterscheiden. Das führt zu der Annahme, dass die Vorhersagegüte möglicherweise nicht nur durch die räumliche Verteilung von Bodenfeuchte in den Anfangszuständen beeinflusst wird, sondern ebenso von der genauen Zeit der Initialisierung (Stacke and Hagemann, 2015).
(3) Die Analyse von auf Satelliten-basierenden Beobachtungen der Bodenfeuchtigkeit (ESA-ECVSM) hinsichtlich ihres Potentials und ihren Grenzen, um für die Validierung und Assimilation der Daten für die Landoberfläche zu dienen (Löw et al., 2013). Die Auswerteverfahren, die in dieser Untersuchung angewandt wurden, können von anderen Auswertungen der Beobachtungen der Landoberfläche in PastLand2 übernommen werden.
(4) Die Parameter- und Zustandsoptimierung benutzt das Optimierungs-Tool TAF (Kaminski et al., 2012) in JSBACH. Diese Methode hat sich für die Optimierung von erzeugten Daten, die die gesamte Wurzelzone betreffen, als geeignet erwiesen, ist aber in seiner Anwendung auf die oberen Bodenschichten begrenzt.

 

Abb 2. Saisonale Variationen und Verteilung der Wurzelzone des Bodenfeuchtigkeitsgedächtnisses (Abbildung von Stacke and Hagemann, 2015).

 

A-Coordination: Mit Hilfe des UCLA/MITgcm wurden drei Initialisierungsmethoden für dekadische Vorhersagen getestet, namentlich: Vollfeld-Initialisierung, Anomalie-Initialisierung und die Vollfeld-Initialisierung inklusive Korrektur für Wärme- und Frischwasserflüsse. Es wurde gezeigt, dass die Vollfeld-Initialisierung mit Flusskorrektur zu einer besseren Vorhersagegüte für Meeresoberflächentemperaturen (SST) führt, als Ergebnis des verbesserten mittleren Zustands und kleineren Bias in den Vorhersagen (Polkova et al., 2014). Vorhersaggüte in den ersten Jahren (bis zu den Jahren 2-5) und in den Regionen mit einer tiefen Mischschicht wurde dem Mechanismus der Wiedererscheinung der SST zugeordnet (Initialisierte Winter SST-Anomalien überstehen die saisonale Sprungschicht ohne in der Sommerzeit gedämpft in die Atmosphäre überzutreten und werden dann wieder vermischt in die tiefe Mischschicht, wo sie dann im folgenden Winter an der Meeresoberfläche wieder erscheinen. e.g. Deser et al, 2003). Deswegen resultierte die realistischere Darstellung der Mischschichttiefe in der Voll-Feld Initialisierung mit Flusskorrektur in einer besseren Vorhersagegüte in den Hindcasts. Ebenso zeigte diese Initialisierung bessere Ergebnisse für die Atlantische Meridionale Umwälzzirkulation (AMOC) (Vorhersagegüte bis in die Jahre 6-9), die Anomalie-Initialisierung hingegen hatte nur Vorhersagegüte bis in die Jahre 2-5. Die Flusskorrektur im derzeitigen Aufbau führt zu den besten Ergebnissen, gefolgt von der Vollfeld-Initialisierung und der Anomalie-Initialisierung.

Eine neues Ensemblegenerierungsverfahren, das auf Verfahren aus der Saisonalen Vorhersage basiert und sich empirische ozeanische Singulärvektoren zu nutzen macht, wurde entwickelt. Bezogen auf die Vorhersagegüte für Lufttemperaturen, zeigte der Singulärvektoransatz Verbesserungen gegenüber der zeitversetze („lagged“) atmosphärische Initialisierung über dem Nordatlantischen Ozean bis zum fünften Jahr der Vorhersage. Für andere Variablen zeigte die Analyse der Ergebnisse entweder keine nennenswerten Verbesserungen über die zeitversetze Initialisierung oder die Verbesserungen glichen sich mit zusätzlichen neuen Problemen aus.

AODA-PENG hat zwei Verfahren zur Ensemblegenerierung getestet, die da wären die Anomalie-Transformation (AT; Romanova und Hense (2015) und die Multi-Assimilation (MA; Kröger und von Storch, 2015, in Bearbeitung.) Diese Verfahren sowie den Ansatz der Singulärvektoren von A-Coordination, wurden ausgewertet und mit der zeitverzögerten Initialisierung verglichen, welche in den dekadischen Vorhersagen sehr gebräuchlich ist. Es wurden Hindcasts über zehn Jahre erstellt. Der Hindcast-Güte für alle neu implementierten Verfahren zeigt derzeit überall ähnliche Leistung im Vergleich mit der zeitverzögerten Initialisierung von Baseline 0/1 (Abb. 1). Dies sieht man in Abbildung 3 in der Vorhersagegüte, die durch den Korrelationskoeffizienten des Ensemblemittels und der Meeresoberflächentemperaturdaten vom HadISST aus dem Jahren 1 (links) und 2-5 (rechts) dargestellt wird.

AODA-PENG und A-Coordination: Der systematische Vergleich der Verfahren zur Ensemblegenerierung schien kein trivialer zu sein, da alle drei Methoden einen anderen Ansatz haben. Während Singulärvektoren (SV) dafür gemacht sind den schnellsten linear anwachsenden Fehler im Ozean zu erfassen, ist die AT entworfen, um typische Anomalien im Gleichgewicht in Raum und Zeit aufzunehmen. Auf der anderen Seite, untersucht die MA die Mischung von interner Modelvariabilität mit den Effekten der Datenassimilation nur dort, wo auch Beobachtungsdaten verfügbar sind. Nichtsdestotrotz haben wir die Standardmetriken für die Auswertung der Ensemblestreuung („Beta-Score“ und „Spread Score“) verwendet, um die Unterschiede in den Methoden abzuschätzen. Der Beta-Score fasst die Informationen der Rank Histogramm Analyse (ARH) zusammen und vergleicht die Streuung des Ensembles mit der Variabilität der Beobachtungen. Ein Beta-Score-Wert von Null zeigt eine perfekte oder flache ARH an, was bedeutet, dass die Ensemblestreuung die Variabilität der Beobachtungen gut abgedeckt. Solch ein Ensemble nennt sich „kalibriert“. Werte kleiner (größer) als Null zeigen ein unterdispersives (überdispersives) Ensemble, was bedeutet, dass die Streuung kleiner (größer) ist, als die Variabilität der Beobachtungen.

Das typische Verhalten von zeitverzögert initialisierten Vorhersagen ist die Unterschätzung der Streuung zu beginn der Vorhersage, gefolgt von einer wachsenden Streuung während der ersten 2-4 Jahre. In dieser Hinsicht konnte keins der Verfahren, weder AT noch MA, große Verbesserungen in der Streuung für den Beta-Score und dem Ergebnis der Ensemblestreuung für Wärmeinhalt im Ozean und SST zeigen. Die SV hingegen schien die Streuung zu beginn zu Überschätzen (Abb. 4). Die Überschätzung der Streuung bei SVs könnte im Zusammenhang mit zu Anfangs zu groß skalierten initiale Störungen stehen. Allerdings wurden in Modul A die SV so skaliert, dass sie den Fehler in den EN3 Beobachtungsdaten repräsentieren. Deshalb zeigte die Auswertung der Streuung hinsichtlich der EN3 Daten, dass die SV-Hindcasts in der Tat, die Streuung ebenso am Anfang unterschätzen, jedoch nicht so sehr wie in der zeitverzögerten atmosphärischen Initialisierung.

Auf der anderen Seite zeigte sich die Leistung der verschieden Verfahren zur Ensemblegenerierung als empfindlich gegenüber den verifizierenden Metriken und Datensätze . Zum Beispiel lässt sich der Unterschied in den Mustern der Streuungsergebnisse nennen, wenn man die Datensätze von HadISST oder Reynolds SST für die Auswertung benutzten. Die Streuung der SV-Hindcasts ausgewertet gegenüber HadISST ist viel größer als der gegenüber Reynolds SST. Außerdem zeigt eine Auswertung des Verhältnisses der jährlichen Variabilität die durch HadISST und Reynolds SST im Bezug auf die AMSRE Daten erklärt wird, dass HadISST die Variabilität in der extratropischen Hemisphäre und entlang der westlichen Grenzströme unterschätzt (Marini et al., 2015, in Bearbeitung

 

 

Abb. 3 SST Vorhersagegüte gemessen anhand des Korrelationskoeffizienten von Ensemblemittel und HadISST-Beobachtungen zu den Jahren 1 (links) und 2-5 (rechts) der Vorhersage.
Abb. 4 Beta-Scores für OHC700m (links) und SST (rechts) in verschiedenen Regionen. Jede Linie gehört zu einer Region und einem Typ von Ensembles. Blau stellt immer die zeitverzögerte atmosphärische Initialisierung dar, rot gehört zu Läufen mit AT (oben), SVs (Mitte), und Multi-Assimilations-Ansatz. Beobachtungen für die Verifikation sind aus dem NODC Datensatz für OHC700m und HadISST für SST.

 

AODA-PENG hat die Bedeutung der direkten und indirekten Effekte von Aerosolen in der Troposphäre untersucht, um die potentielle Vorhersagbarkeit von jährlicher bis dekadischer atmosphärischer Variabilität abzuschätzen. Hierzu sind bislang vier einzigartige Ensemblesimulationen mit ECHAM6 durchgeführt worden.
(1) ein 10 Mitglieder AMIP-ähnlichen Ensemble ohne Aerosole für die Periode 1995-2004, bei dem monatliche Mittelwerte der Meeresoberflächentemperaturen (SST) und Meereiskonzentrationen (SIC) aus dem HadISST Datensatz als Randbedingungen,
(2) ein 10 Mitglieder AMIP-ähnlichen Ensemble (Jahre 1995-2004) basierend auf HadISST mit räumlich und temporär variierenden aerosol-Strahlungseigenschaften, nach Kinne et al. (2006), wobei die direkten Strahlungseffekte von troposphärischen Aerosolen implementiert wurden ohne den Feedback des Models an die Atmosphäre,
(3) ein 10 Mitglieder AMIP-ähnlichen Ensemble (Jahre 1995-2004) mit dem HAM-, welches ECHAM6 hinzugefügt wurde und die direkten Effekte der Aerosole simuliert, basierend auf den Emissionsraten und mit Wechselwirkung mit der simulierten generellen atmosphärischen Zirkulation, und schließlich
(4) ein 10 Mitglieder AMIP-ähnlichen Ensemble (Jahre 1995-2004) mit dem HAM-Modul, welches ECHAM6 hinzugefügt wurde und beides simuliert; das direkte Strahlungseffekt der Aerosole und die indirekten Wolken-Aerosol Strahlungseffekte, durch die Emissionsraten und deren Wechselwirkung mit der simulierten generellen atmosphärischen Zirkulation.
Dieser Art von Versuchsaufbau erlaubt durch die Varianzanalyse, die Trennung von unvorhersehbarer interner atmosphärischer Variabilität und der potentiell Vorhersagbaren: SST induzierte Variabilität mit dem Potential zur dekadischen Vorhersagbarkeit und der Bedeutung von Variabilität induziert durch Aerosole mit und ohne den direkten und indirekten Auswirkungen. Abbildung 5 zeigt den relativen Beitrag der Auswirkungen der Aerosole auf die totale Variabilität als Summe von interner, SST und Aerosol-induzierter Variabilität. Abb. 5 (links) zeigt die Ergebnisse der direkten/indirekten ECHAM6/HAM gegenüber dem Ensemble ohne Aerosol und Abbildung 5 (rechts) zeigt für nur für die direkte gegenüber dem Ensemble ohne Aerosol für das jährliche Mittel, vertikal gemitteltes Strahlungsbudget. Der Vergleich zeigt, dass der Ensemble mit nur direkten Auswirkungen stärker auf das atmosphärische Strahlungsenergiebudget reagiert, weil der gesamte relative Beitrag deutlich größer ist als bei dem indirekten/direkten Ensemble.

 

Abb. 5 (Links) Ergebnisse über die Varianz-Analyse für jährliche Mittel des Energihaushaltes der atmosphärischen Strahlung im Vergleich mit dem direkten/indirekten ECHAM6/HAM Ensemble gegenüber dem reinen HadISST-Ensemble ohne Aerosole. Rechts gezeigt für nur das direkte Ensemble gegenüber dem HadISST-Ensemble ohne Aerosole. Beide Karten zeigen den geschätzten relativen Beitrag zur Varianz durch den Beitrag der Aerosole auf die Gesamtvarianz.

 

Referenzen

Bell, M., M.J. Martin, and N.K. Nichols, 2004: Assimilation of data into an ocean model with systematic errors near the equator, Q. J. R. Meteorol. Soc., 130, 873–893 doi:10.1256/qj.02.109.

Brune, S., Nerger, L. and Baehr, J., 2015: Assimilation of oceanic observations in a global coupled Earth system model with the SEIK filter, submitted to Ocean Modelling.
Deser C., Alexander M.A., and Timlin M.S., 2003: Understanding the Persistence of Sea Surface Temperature Anomalies in Midlatitudes. J. Climate, 16, 57–72.

Ding, H., R.J. Greatbatch, W. Park, M. Latif, V. Semenov, V. and X. Sun, 2014a: The variability of the East Asian Summer Monsoon and its relationship to ENSO in a partially coupled climate model., Clim. Dyn., 42, 367-379, doi:10.1007/s00382-012-1642-3.

Ding, H., R.J. Greatbatch and G. Gollan, 2014b: Tropical impact on the interannual variability and long-term trend of the Southern Annular Mode during austral summer from 1960/1961 to 2001/2002., Clim. Dyn. doi:10.1007/s00382-014-2299-x.

Greatbatch, R. J., G. Gollan, T. Jung, and T. Kunz, 2012: Factors influencing Northern Hemisphere winter mean atmospheric circulation anomalies during the period 1960/61 to 2001/02., Q.J.R. Meteorol. Soc., 138, doi:10.1002/qj.1947.

Hagemann, S., and T. Stacke, 2014: Impact of the soil hydrology scheme on simulated soil moisture memory., Clim. Dyn., 1-20, doi:10.1007/s00382-014-2221-6.

Kaminski, T., Knorr, W., Schürmann, G., Scholze, M., Rayner, P. J., Zaehle, S., Blessing, S., Dorigo, W., Gayler, V., Giering, R., Gobron, N., Grant, J. P., Heimann, M., Hooker-Strout, A., Houweling, S., Kato, T., Kattge, J., Kelley, D., Kemp, S., Koffi, E. N., Köstler, C., Mathieu, P., Pinty, B., Reick, C. H., Rödenbeck, C., Schnur, R., Scipal, K., Sebald, C., Stacke, T., van Scheltinga, A. T., Vossbeck, M., Widmann, H. and T. Ziehn, 2013: The BETHY/JSBACH Carbon Cycle Data Assimilation System: experiences and challenges., J. Geophys. Res., 118, doi:10.1002/jgrg.20118

Köhl A., 2014: Evaluation of the GECCO2 Ocean Synthesis: Transports of Volume, Heat and Freshwater in the Atlantic. Quart. J. Roy. Meteor. Soc., doi:10.1002/qj.2347.
Kröger J. and von Storch Jin-Song, 2015: Spurious initialization in near-term AMOC predictions, in prep.

Löw, A., Stacke, T., Dorigo, W., de Jeu, R. and S. Hagemann, 2013: Potential and limitations of multidecadal satellite soil moisture observations for selected climate model evaluation studies., Hydrol. Earth Syst. Sci., 17, 3523-3542, doi:10.5194/hess-17-3523-2013

Marini C., Polkova I., A. Köhl, and D. Stammer, 2015: Comparison of ensemble generation methods using oceanic singular vectors and lagged initialization for decadal climate prediction, in prep.

Molteni F., R. Buizza, T. N. Palmer, and T. Petroliagis, 1996: The ECMWF ensemble prediction system: Methodology and validation. Quart. J. Roy. Met. Soc., 122, 73-119.

Nerger L., and Hiller W., 2013: Software for ensemble-based data assimilation systems - Implementation strategies and scalability, Comp.&Geos. 55, 110–118, doi:10.1016/j.cageo.2012.03.026.

Polkova I., A. Köhl, and D. Stammer, 2014: Impact of initialization procedures on the predictive skill of a coupled ocean–atmosphere model. Clim. Dyn., 42, 3151-3169 doi:10.1007/s00382-013-1969.

Romanova, V. and A. Hense, 2015: Anomaly transform methods based on total energy and ocean heat content norms for generating ocean dynamic disturbances for ensemble climate forecasts, Clim. Dyn., 1-21.

Stacke, T. and S. Hagemann, 2015: Life time of soil moisture perturbations in a coupled land-atmosphere simulation, Earth Syst. Dynam. Discuss. 6(2): 1743-1788.

Storto, Andrea, et al., 2015: Steric sea level variability (1993–2010) in an ensemble of ocean reanalyses and objective analyses, Clim. Dyn., 1-21.

Thoma, Malte, et al., 2015: Decadal hindcasts initialized using observed surface wind stress: Evaluation and prediction out to 2024, Geophysical Research Letters 42.15, 6454-6461.

Toyoda, Takahiro, et al., 2015: Interannual-decadal variability of wintertime mixed layer depths in the North Pacific detected by an ensemble of ocean syntheses, Clim. Dyn., 1-17.

Mehr zu Modul ANews-Icon

Diese Darstellung fasst die Arbeiten in Modul A während der ersten Phase zusammen. Modul A arbeitet in MiKlip II weiter, hier lesen Sie mehr dazu.