Probabilistische dekadische Wetter- und Klimavorhersage für Zentral- und Westeuropa

Im Kontext ökonomischer Entwicklungen sind dekadische Klimaprognosen sehr wertvoll, da der Zeithorizont ökonomischer Planungen oft nicht über 5-10 Jahre hinausgehen kann. Im Rahmen des MiKlip Projektes PRODEF wird ein Werkzeug zur Erstellung dekadischer probabilistischer Vorhersagen auf der Basis von Statistisch-dynamischer Regionalisierung (engl. statistical-dynamical downscaling, SDD) entwickelt.

Dynamische Regionalisierung (engl. Dynamical downscaling, DD) mithilfe atmosphärischer regionaler Klimamodelle (regional climate models, RCM) wird oft zur räumlichen Interpretation globaler Modellvorhersagen herangezogen. Da DD aber sehr Ressourcen-intensiv ist, stellt sich die Frage, ob einfachere Methoden der statistischen oder probabilistischen Regionalisierung verwendet werden können, um ähnliche Ergebnisse der Regionalisierung zu erzeugen. Um tragfähige Schlussfolgerungen zu erzielen, müssen die angewandten Methoden mehr Informationen als den statistischen Zusammenhang zwischen großskaligen Klima- und Wetterindikatoren und lokalen Beobachtungen berücksichtigen. Daher nutzt das SDD-Verfahren den Mehrwert regionaler atmosphärischer Modellsimulationen zur statistischen und / oder probabilistischen Verfeinerung global-skaliger Vorhersagen.

Die Entwicklung eines kombinierten SDD- und probabilistischen Vorhersage-Werkzeugs besteht aus drei Schritten: Der Identifikation relevanter Wetterklassen und deren Auftrittshäufigkeiten in den Antriebsdaten, dem DD repräsentativer Episoden für die Wetterklassen und der Konstruktion einer Verteilung eines geeigneten Klima- oder Wetterindexes durch eine gewichtete „Rekombination“ der Verteilungen für die DD Episoden. Das Vorhersagewerkzeug wird mit der Monte-Carlo-Modellierung eines autoregressiven Prozesses die Übergangswahrscheinlichkeiten zur Konstruktion realistischer Zeitreihen der Wetter- und Klimaindikatoren nutzen.

SDD liefert ein vergleichsweise weniger aufwändiges Werkzeug zur Erzeugung großer Ensembles probabilistischer Vorhersagen. Dabei stehen drei Problemkomplexe im Vordergrund: i) europäische Winterstürme, ii) Windenergiepotential und iii) Starkregenereignisse. SDD setzt die statistische Interpretation großskaliger Antriebsdaten voraus und erlaubt damit eine Evaluierung der Vorhersagemodelle hinsichtlich der Unsicherheiten und des Modellfehlers.

PRODEF liefert einen Beitrag zu MiKlip Modul C und ist mit der Validierung der Ergebnisse in Modul E verbunden. SDD ist als komplementäre Methode zu klassischen DD Methoden zu verstehen, die aufgrund des geringen technischen Aufwands aus großen Ensembles globaler Vorhersagen größere Ensembles regionaler Vorhersagen zu erzeugen vermag.

Ziele

• Hauptziel: Entwicklung eines probabilistischen Vorhersage-Werkzeugs für ausgewählte Wetter-/Klima-Impakt-Indikatoren
• Ergebnisse: Identifikation von für die Fragestellung relevanten Wetterlagen, Evaluierungsmöglichkeit großskaliger Modelle anhand dieser Wetterklassen, Vorhersagepotential großskaliger Klimazustands-Indikatoren für die Übergangswahrscheinlichkeiten und Häufigkeiten der Wetterklassen
• Fragestellungen: Europäische Winterstürme, potentielle Energieerzeugung aus Wind, Starkregensituationen.