E-WP6 - DroughtClip

Projektziele

Klimamodellergebnisse und somit Klimavorhersagen zeigen systematische Abweichungen des beobachteten Klimastatus, speziell auf regionaler Skala. Dieser Bias reduziert die Vorhersagegüte und schränkt die Nutzbarkeit und den Wert der vorhergesagten Größen. Diese Abweichungen allerdings können oft mit statistischen Nachbearbeitungsmethoden korrigiert werden, um aussagekräftigere Ergebnisse zu erzielen. Der Bias und seine Korrektur im Bezug auf verzogene Variablen, wie zum Beispiel Windgeschwindigkeit oder Niederschlag, ist Gegenstand der Forschung von DroughtClip während der zweiten Phase von MiKlip.

Die Hauptziele sind:

  • Entwicklung von verbesserten Biaskorrekturmethoden für das dekadische Vorhersagesystem MiKlip
  • Untersuchung ihrer Auswirkungen auf Nutzerrelevante Parameter, wie z.B. Dürren, mit dem Ziel die Vorhersagbarkeitsgüte zu verbessern
E6 - DroughtClip Abb.3
Abbildung 1: Mittlerer Quadratischer Fehler (MSE) für Gamma-verteilte Werte resultierend aus verschiedenen Bias-Korrekturmethoden. Der MSE der unkorrigierten Werte von 23,5 kann mit jeder Methode effizient verbessert werden. Die Methode, die beim zentralen Vorhersagesystem von MiKlip zum Einsatz kommt (“add”; Bias-Korrektur des Mittelwertes), wird von fast allen anderen Methoden übertroffen.
Dennoch werden von “norm” bis “dist” ähnliche MSE erreicht, obwohl die Methoden sich stark voneinander unterscheiden im Bezug auf ihre Fähigkeit die höheren Ordnungen zu korrigieren.

Aufgabenstellung und erwartete Ergebnisse

Verschiedene bekannte Bias-Korrekturmethoden sollen verglichen werden und es ist eine Implementierung in das zentrale Vorhersage- und Evaluierungssystem geplant. Die angewendeten Ansätze enthalten parametrisierte und nichtparametrisierte Techniken, im Speziellen Methoden, die auf Verteilungsfunktionen und Quantilverhältnisse zwischen beobachteten und vorhergesagten Variablen basieren. Desweiteren ist die Entwicklung einer verbesserten Bias-Korrektur geplant, welche zusätzlich das Problem der Klimamodelldrift adressiert und zietabhängige systematische Fehler reduziert. Die Evaluierung der Bias-Korrekturmethoden wird begleitet von der Analyse der Vorhersagegüte. Sie bestimmen aus Endnutzerperspektive effizient deren Wert. Die Variablen mit dem Hautaugenmerk sind dabei Dürreereignisse, und wie und in welchem Ausmaß Bias-Korrekturmethoden dabei helfen, ihre Vorhersage zu verbessern.

Abbildung 2: Bewertete Wahrscheinlichkeitsgüte (RPSS) für 3 Kategorien (kein Niederschlag, weniger oder mehr als der Median). Positive Werte zeigen Verbesserungen gegenüber einer Vergleichsvorhersage. Die Bias-Korrektur mit "add" ist nicht besser als die klimatologische Vorhersage ("clim"). Die Methoden "lin" (lineare Transferfunktion basierend auf der Quantilbeziehung zwischen beobachteter und vorhergesagter Werte) und "dist" (Transferfunktion basierend auf geschätzten Verteilungsfunktionen) erreichen positive RPSS gegenüber der Klimatologie und obwohl mit ähnlichem MSE (Abbildung 1) weichen ihre RPSS substantiell von einander ab.
E6 - DroughtClip Abb.3
Abbildung 3: Durchgehend bewertete Wahrscheinlichkeitsgüte (CRPSS), welche die vorhergesagte und beobachtete Verteilungsfunktion vergleicht. Positive Werte zeigen Verbesserungen gegenüber Vergleichsvorhersagen. Besser kalibrierte Ensemble können mit verbesserter Bias-Korrektur erreicht werden.

Projektfortschritte

Aus der Literatur wurde ein Set an Bias-Korrekturmethoden ausgesucht. Diese umfassen ein breites Feld verschiedener Strategien um systematische Abweichungen zu reduzieren. Basierent auf einer Simulationsstudie konnten die folgenden Hauptergebnisse erzielt werden:

  • Unterschiede in der Leistung von Bias-Korrekturmehtoden für verzogene Variablen können nicht mit Distanzmaßnahmen, wie dem mittleren quadratischen Fehler oder dem mittleren absoluten Fehler beschrieben werden. So lange wie der Mittelwert und die Varianz erfolgreich korrigiert werden, werden ähnliche Fehler erreicht, sogar mit großen Verteilungsabweichungen in den korrigierten Werten (Abbildung 1). Probabilistische Maßnahmen jedoch können die Leistungsunterschiede zwischen den Bias-Korrekturmethoden nicht aufdecken (Abbildungen 2 und 3)
  • Die Bias-Korrekturmethoden, die höhere Ordnungen berücksichtigen, verbessern die probabilistischen Maßnahmen: die Konsistenz der Ensemblemitglieder, die Richtigkeit der Wahrscheinlichkeitsvorhersagen für mehrere Kategorien (Abbildung 2) und sie reduzieren den Unterschied zwischen vorhergesagter und beobachteter Verteilungsfunktion (Abbildung 3). Zusammengefasst, Bias-Korrekturmethoden reduzieren nicht nur systematische Fehler, sie können zusätzlich auch besser kalibrierte Ensemble ergeben.

Kontakt

Max-Plank-Insitut für Meteorologie
Dr. Wolfgang Müller
Dr. Frank Sienz
Dr. Holger Pohlmann

A twentieth-century reanalysis forced ocean model to reconstruct the North Atlantic climate variation during the 1920s

2015 - Clim. Dyn., Vol. 44 (7), pp. 1935-1955

Müller, W. A. | D. Matei, M. Bersch, J. H. Jungclaus, H. Haak, K. Lohmann, G. P. Compo, P. D. Sardeshmukh, and J. Marotzke

Ensemble size impact on the decadal predictive skill assessment

2015 - Meteorologische Zeitschrift Vol. 25 No. 6, pp. 645-655

Sienz, F. | H. Pohlmann, and W.A. Müller

Decadal climate predictions for the period 1901–2010 with a coupled climate model

2014 - Geophys. Res. Lett., Vol. 41 (6), pp. 2100–2107

Müller, W. A. | H. Pohlmann, F. Sienz, and D. Smith