A-WP1 - A-Coordination2

Zielsetzung des Projektes

A-Coordination2 koordiniert Modul A. Eine der Hauptaufgaben dieses Arbeitspakets ist es, die Zusammenarbeit und Verbindung sowohl zwischen verschiedenen APs in Modul A als auch zwischen Modul A und den anderen Modulen in MiKlip II zu ermöglichen. Insbesondere die Kooperation mit Modul D ist wichtig, um die unmittelbare Relevanz der Modul-A-Ergebnisse für die Entwicklung des MiKlip-Vorhersagesystems sicherzustellen. Die wissenschaftlichen Hauptziele des AP sind:

  • Die GECCO2 (German contribution to the 'Estimating Circulation and Climate of the Ocean')-Anfangsbedingungen für MiKlip II herzustellen und das Ozean-Setting für den Deutscher Wetterdienst (DWD) geeignet zu machen.
  • Eine Mode-Initialisierungsmethode zu entwickeln, um die Vorhersagen durch eine Initialisierung von Klimamoden zu verbessern und somit einer Verminderung von Initialisierungsschocks zu erreichen.  
  • Die Initialisierung durch Anwendung einer Flusskorrektur der Auftriebsflüsse und des Windes zu erforschen, um die Vorhersagegüte für den äquatorialen Pazifik zu verbessern. 
  • Die Auswirkung der Klimamodellverbesserungen durch Parameterabschätzung auf die Vorhersagegüte des Vorhersagesystems  abzuschätzen.

Struktur des Projektes

Die Hauptziele des A-Coordination2 sind auf drei Arbeitspakete verteilt:


AP1.1: Abschätzung der  Anfangsbedingungen und Entwickelung der Klimamode-Initialisierungsmethode.
AP1.2: Untersuchung der Flusskorrekturmethode.
AP1.3: Entwicklung einer gekoppelten Dataassimilationsmethode.
 

Aufgabenstellung des Projektes

AP1.1: Die Bestimmung der Anfangsbedingungen durch die globale GECCO-Methode unter Berücksichtigung der verfügbaren Ozean- und Meereis-Beobachtungen wird fortgeführt. Die Erprobung der neue Klimamode-Initialisierungsmethode ist in folgende Aufgaben unterteilt: die Klimamoden für das MPI-ESM abzuschätzen, die Komponenten der Ozeansynthese, die sich nicht durch die Klimamoden des MPI-ESM dargestellt werden können herauszufiltern, und die weiteren Assimilationsläufe und Hindcasts, die mit diesen gefilterte Anfangsbedingungen starten, durchzuführen. 

Abb. 1. Illustration der Klima-Modi Initialisierungsmethode: ein Anfangszustand des Ozeans für eine dekadische Klimavorhersage wird auf die "Klima-Modi" des Vorhersagesystems projiziert. Die Relevanz verschiedener Beiträge, wie die Rastergröße oder Dichteanomalien etc., für die Klima-Modi wird durch Gewichtungskoeffizienten, die Teil der der Singulärwertzerlegung, aus denen die empirische orthogonale Funktionen (EOF) abgeleitet angewendet werden, sind, kontrolliert.

AP1.2: Für die  Erprobung der vollständigen  Initialisierungsmethode mit einer Flusskorrektur, sind folgende Aufgaben geplant: Berechnung einer Flusskorrektur durch Wiederholung der Klimasimulation mit Relaxation von Meeresoberflächenparametern wie Temperatur, Salzgehalt zu den saisonalen Werten der Beobachtungen/Reanalysen, entsprechend der von Polkova et al. (2014 a,b) beschriebenen Methode. Weiterhin werden Assimilationsläufe und Hindcasts mit der diagnostizierten Flusskorrektur durchgeführt. Abschließend werden eine Vorhersagegüteanalyse und ein Vergleich mit den Prototyp-Hindcasts durch den MiKlip Central Evaluation System (CES)  durchgeführt.  

Abb.2. Illustration des Flusskorrekturverfahrens. Nach Sausen et al. (1988) angepasst.

AP1.3: Wir werden die Assimilierungsexperimente basierend auf dem CESAM-Model durchführen, um die Leistungsfähigkeit der Methode von Abarbanel et al. (2010), die die Klimamodellparameter durch Datenassimilierung verbessern soll, zu testen. Die Hauptziel ist hierbei zweiteilig: erstens werden wir testen, ob die verbesserte Übereinstimmung von Klimamodel und Daten zu einer verbesserten Vorhersagegüte des Klimamodels auf verschiedenen Raum- und Zeitskalen führt. Zweitens beabsichtigen wir, eine gekoppelte Datenassimilationssynthese herzustellen. Die Synthese wird zuerst mit einem vereinfachten Modell mit grober Modellauflösung  berechnet werden. Retrospektive Klimaprognosen, die mit diesem optimierten Modell initialisiert werden, können einen Einblick in die Problematik des Einflusses der konsistenten Initialisierung auf die Vorhersagegüte des Vorhersagesystems ermöglichen. 

Zu liefernde Ergebnisse des Projektes

Die folgenden Lieferungen sind geplant:

⦁    Die GECCO2-Anfangsbedingungen für MiKlip II
⦁    Klimamode-Initialisierungsmethode und eine Flusskorrektur-Initialisierungsmethode
⦁    Gekoppelte Datenassimilationsexperimente
 

Projektfortschritte

AP1.1: Updates der GECCO2 Synthese werden regelmäßig durchgeführt und sind unter https://icdc.cen.uni-hamburg.de/1/daten/reanalysis-ocean/gecco2.html verfügbar. 

Um Initialisierungsschocks zu minimieren, die sich aus inkonsistenten Gittern zwischen der für die Initialisierung verwendeten Synthese und dem für die Vorhersage verwendeten Modell ergeben, arbeiten wir derzeit an einer höher auflösenden Version der Ozeansynthese. Die neue Konfiguration ist mit der Ozeankomponente der hochauflösenden Komponente des MPI-ESM-Modells (HR) kompatibel. Die Konfiguration wurde fertig gestellt und die Testläufe ohne Datenassimilation wurden durchgeführt. Nachdem die Daten für den Assimilationsvorgang aufbereitet wurden, befindet sich die Synthese nun in einem Stadium, in dem iterativ ein Modellzustand gefunden wird, der mit den assimilierten Daten konsistent ist. Die Synthese (GECCO3) wird die Jahre 1948-2017 abdecken und auch optimierte Mischkoeffizienten liefern.

Basierend auf dem Erd-System-Modell des Max-Planck Instituts für Meteorologie (MPI-ESM) wurde eine Klimamodus-Initialisierungsmethode für das dekadische Vorhersagesystem MiKlip entwickelt. Die Idee der Initialisierungsmethode besteht darin, die Vorhersagegüte des ESMs zu verbessern durch die Initialisierung miteinander konsistenter Komponenten der Anfangsbedingungen und durch das Herausfiltern von Komponenten, deren Zustände mit der Dynamik des Klimamodells nicht übereinstimmen. Zu diesem Zweck werden die Ozeanzustände aus der ORAS4-Reanalyse auf Modi, die die Variabilität maximieren und die aus einem Ensemble historischer Simulationen erzeugt wurden, projiziert. Die Klimamodi sind statistischen Modi, die basierend auf der bivariaten empirischen orthogonalen Funktionsanalyse (EOF) berechnet wurden. Die erklärte Standardabweichung in der gefilterten Reanalyse beträgt 66%. Da dieser Wert etwas niedriger ist als wir erwartet haben, gehen wir davon aus, dass Variabilitätsmodi der Reanalyse nicht hinreichend mit den Modi des Vorhersagesystems kompatibel sind oder dass diese noch nicht ausreichend durch die verfügbaren Daten zur Berechnung der EOFs abgedeckt wurden. Die Analyse von gefilterten und ursprünglichen ORAS4-Anomalien zeigt, dass das Signal über dem gesamten pazifischen Ozean gut erfasst und dargestellt wird, während im südlichen Ozean und im Nordatlantik ein großer Teil des Signals herausgefiltert wird. Die Anomalien der gefilterten Reanalyse werden dann zur Klimatologie des Modells hinzugefügt und als Ausgangszustände für eine Reihe von retrospektiven dekadischen Vorhersagen verwendet. Das Klimamodus-Initialisierungsverfahren wird mit dem üblicherweise verwendeten Anomalie-Initialisierungsverfahren verglichen, das in dem präoperationalen Vorhersagesystem MiKlip (Preop-LR) implementiert ist.

Ein Vergleich der Klimamodus-Initialisierung mit Preop-LR zeigt eine verbesserte Oberflächentemperatur-Vorhersage über dem tropischen Pazifischen Ozean auf saisonalen bis jahresübergreifenden Zeitskalen in Bezug auf Genauigkeit und Korrelation mit den Beobachtungen. Dieses Ergebnis zeigt ein Potential zur Verbesserung der saisonalen Vorhersage der El-Niño-Südoszillation. Für die Durchschnittswerte von 2-5 Jahren übertrifft die Klimamodus-Initialisierungsmethode die Vorhersagegüte der Anomalie-Initialisierung für die Oberflächentemperatur sowie den oberen Ozean-Wärmeinhalt über dem zentralen und nördlichen Pazifik. Für die subpolare Drehregion des Nordatlantiks sind die Klimamodus-Initialisierungsexperimente eher dem Trend der historischen Simulationen vergleichbar als dem von ORAS4 oder den Beobachtungen. Sie zeigen auch kleinere Amplituden der Variabilität im Vergleich zu der nicht gefilterten Initialisierung. Dies deutet auf die Notwendigkeit hin, das Design der Klimamodus-Initialisierungsmethode weiter zu verbessern, um die Variabilitätsmodi im Nordatlantik mit Hilfe einer größeren EOF-Basis besser zu erfassen oder/und eine unterschiedliche Gewichtung in Kombination mit regionalen Modi zu verwenden, um Variabilitätsstrukturen für die interessanten Regionen besser zu bestimmen.

Diese und die anderen im MiKlip-II-Projekt entwickelten Methoden zur Initialisierung und Ensembleerzeugung wurden in einer koordinierten Studie verglichen (Beiträge umfassen die Ergebnisse von A-Coordination2 und AODA-PENG2 aus Modul A, ATMOS-MODINI aus Modul B und FLEXFORDEC aus Modul D). Die Hauptergebnisse dieses Vergleiches führten zu einem Manuskript von Polkova et al. (2018, eingereicht bei JAMES). Der Vergleich zeigt, dass die getesteten Methoden einen Mehrwert für die Vorhersagegüte im Vergleich zu Preop-LR bieten, da sie die Vorhersagefähigkeit über den östlichen und zentralen Pazifik und verschiedene Regionen im Nordatlantik verbessern. In dieser Hinsicht zeigen der Ensemble Kalman Filter (von AODA-PENG2 Modul A) und die Klimamodus-Initialisierung die deutlichsten Verbesserungen gegenüber Preop-LR für Oberflächentemperaturen und den Wärmegehalt der oberen Ozeane, gefolgt von den anderen Methoden.

AP1.3:

In Zusammenarbeit mit Kollegen der Universität Hamburg wurde für dieses Arbeitspaket in zwei Richtungen geforscht:

(i) Die Untersuchung adjungierter Sensitivitäten mit dem gekoppelten Klimamodell CESAM wurde in der Studie von Stammer et al. (2017) veröffentlicht. Die Studie vergleicht modellierte und beobachtete Felder für Meeresspiegel, Wind, Temperatur und Wärmeflüsse und legt nahe, dass das CESAM, obwohl nur ein Modell mittlerer Komplexität, qualitativ mit den CMIP-gekoppelten Modellen vergleichbar ist. Adjungierte Sensitivitäten wurden berechnet, die Muster von Ozeananomalien ergeben, die eine maximale Veränderung der Lufttemperatur in Nordeuropa für einen Zeitraum von einem Monat verursachen. Die Studie analysierte die adjungierten Sensitivitäten, um eine Referenz zu erstellen, mit der spätere Klimasimulationen verglichen werden können.

(ii) Parameterschätzung und Erweiterung des Assimilationsfensters: Die Herstellung eines gekoppelten Datenassimilationsprodukts für Anwendungen im MiKlip-System ist aufgrund der Beschränkung durch die chaotische Natur der atmosphärischen Komponente der Klimamodelle eine Herausforderung. Die Rekonstruktion von Parametern innerhalb eines Assimilationsfensters auf klimatologisch relevanten Zeitskalen hat jedoch eine bessere Perspektive. Durch die Implementierung des Regularisierungsschemas (Synchronisation mit Beobachtungen) von Abarbanel et al. (2010) für die 4D-VAR-Methode, wurde die Anpassung von Klimamodellen an die Daten durch Datenassimilation über längere Assimilationsfenster möglich. Das Regularisierungsschema wurde in der atmosphärischen Komponente von CESAM implementiert, in dem die prognostischen Variablen an die Beobachtungen gezwungen werden, um das Wachstum von atmosphärischen Instabilitäten zu eliminieren. Die Studie von Lyu et al. (2018) beschreibt ausführlich die Experimente, in denen mit Hilfe von assimilierenden Modellbeobachtungen (Zwillingsexperimente) und ERA-Interim-Reanalyse Modellparameter rekonstruiert wurden. Der Vorteil dieses Verfahrens besteht darin, dass das Assimilationsfenster mit minimalen zusätzlichen Berechnungskosten erweitern werden kann.

Literatur
 

  • Abarbanel, Henry DI, Mark Kostuk, and William Whartenby, 2010: Data assimilation with regularized nonlinear instabilities. Quarterly Journal of the Royal Meteorological Society, 136.648 : 769-783.
  • Köhl A., 2015: Evaluation of the GECCO2 Ocean Synthesis: Transports of Volume, Heat and Freshwater in the Atlantic. Quart. J. Roy. Meteor. Soc., 141(686), 166-181. doi:10.1002/qj.2347.
  • Polkova I., A. Köhl, and D. Stammer, 2014a: 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.
  • Polkova, I., 2014b: Impact of initialization procedures on the predictive skill of a coupled ocean–atmosphere mode and related mechanisms for predictability, thesis. Reports on Earth System Science, 146.
  • Sausen R., Barthel K. and Hasselmann K,1988: Coupled ocean-atmosphere models with flux correction. Climate Dynamics, 2:145-163.
  • Lyu G., Köhl A., Matei I. and Stammer D. (2018). Adjoint‐Based Climate Model Tuning: Application to the Planet Simulator. Journal of Advances in Modeling Earth Systems, 1-16, doi: 10.1002/2017MS001194.
  • Polkova I., Brune S., Kadow C., Romanova V., Gollan G., Baehr J., Glowienka-Hense R., Greatbatch R.J., Hense A., lling S., Köhl A., Kröoger J., Müller W.A., Pankatz K. and Stammer D., (2018, submitted to JAMES). Initialization and ensemble generation for decadal climate predictions: A comparison of different methods, Journal of Advances in Modeling Earth Systems.
  • Stammer D., Köhl A., Vlasenko A., Matei I., Lunkeit F. and Schubert S. (2017). A Pilot Climate Sensitivity Study using the CEN Coupled Adjoint Model (CESAM). Journal of Climate, https://doi.org/10.1175/JCLI-D-17-0183.1.

Kontakt

Institut für Meereskunde, Universität Hamburg
Prof. Dr. Detlef Stammer

Climate‑mode initialization for decadal climate predictions

2019 - Climate Dynamics

Polkova, I. | Köhl, A., Stammer, D.

Seasonal Prediction of Northern European Winter Air Temperatures From SST Anomalies Based on Sensitivity Estimates

2019 - Geophysical Research Letters, 46(11), 6109-6117

Köhl, A. | Vlasenko, A.

Initialization and Ensemble Generation for Decadal Climate Predictions: A Comparison of Different Methods

2019 - Journal of Advances in Modeling Earth Systems

Polkova, I | Brune, S., Kadow, C., Romanova, V., Gollan, G., Baehr, J., Glowienka-Hense, R., Greatbatch, R.J., Hense, A., Illing, S., Köhl, A., Kröger, J., Müller, W.A., Pankatz, K., Stammer, D.

A Pilot Climate Sensitivity Study Using the CEN Coupled Adjoint Model (CESAM)

2018 - Journal of Climate

D. Stammer | A. Köhl, A. Vlasenko, I. Matei, F. Lunkeit, and S. Schubert

Adjoint‐Based Climate Model Tuning: Application to the Planet Simulator

2018 - Journal of Advances in Modeling Earth Systems, 1-16

Guokun Lyu | Armin Köhl, Ion Matei, Detlef Stammer