Als Ziel dieses Arbeitspakets soll die optimale Post-Prozessierung des operationalen regionalen dekadischen Vorhersagesystems für Zentraleuropa identifiziert werden, welches systematische Fehler des regionalen Modelloutputs beseitigt, indem unterschiedliche Ansätze der Bias- und Driftkorrektur angewandt werden. Die statistische Post-Prozessierung stellt ein effizientes und kostengünstiges Werkzeug zur Kalibrierung von Klimamodelloutput vor der Weitergabe an Nutzer dar.

Das Arbeitspaket wird strukturiert durch unterschiedliche Aufgaben: Zuerst werden unterschiedliche Ansätze zur statistischen Post-Prozessierung angewandt, welche sich auf Beobachtungsdaten für Zentraleuropa und die multidekadischen Assimilationsläufe (mit Nudging an Beobachtungen) zur Biaskorrektur bzw. die dekadischen Vorhersagen zur Driftkorrektur stützen. Die entwickelten statistischen Transferfunktionen werden für verschiedene Variablen verglichen und zur Kalibrierung der dekadischen Vorhersagen angewandt, welche dann in einer Kreuzvalidierung mit unabhängigen Beobachtungsdaten evaluiert werden (C3-1.1, Abb. 1).

Die optimale Kombination der individuellen Ansätze zur statistischen Post-Prozessierung der dekadischen Vorhersagen wird detailliert und getrennt untersucht für unterschiedliche Jahreszeiten, Regionen in Zentraleuropa und Variablen oder Klimaphänomene (C3-1.2). Die entwickelte Metrik der kombinierten statistischen Post-Prozessierung wird in das zentrale Evaluierungssystem von MiKlip II eingebaut, um zur Kalibrierung von unterschiedlichen regionalen dekadischen Vorhersagen und zum Vergleich mit derjenigen von globalen dekadischen Vorhersagen herangezogen werden zu können (C3-1.3). Schließlich wird diese Metrik als effizienter Kalibrierungsansatz mit geringerem Rechenaufwand ebenso für das operationelle regionale dekadische Vorhersagesystem mit CCLM eingesetzt (C3-1.4).

Die zu liefernden Ergebnisse des Arbeitspakets sind gegeben durch die Meilensteine der unterschiedlichen Aufgaben: der Vergleich der individuellen Ansätze zur statistischen Post-Prozessierung (M1, Monat 24), die optimale Kombination der individuellen Ansätze zur statistischen Post-Prozessierung für unterschiedliche Jahreszeiten, Regionen und Variablen (M2, Monat 30) und die Integration der statistischen Post-Prozessierung in das zentrale Evaluierungssystem (M3, Monat 33) und in das operationelle Vorhersagesystem (M4, Monat 36).
 

Bisheriger Fortschritt

Wir haben einen zweistufigen Bias-Korrekturansatz entwickelt, um systematische Fehler der dekadischen Klimavorhersage zu reduzieren. Dieses Verfahren wurde an dekadischen Hindcasts (preop) der dritten Version von CCLM getestet. Im ersten Schritt schätzen wir Modellfehler basierend auf einem langen CCLM Assimilationslauf und Beobachtungsdaten, sowie eine Übertragungsfunktion (TF), die die Simulation des Modells in Richtung Realität anpassen kann. Im zweiten Schritt wenden wir die geschätzte TF auf den vollständigen Satz dekadischer Hindcast Simulationen (270 einzelne Läufe) an. Die Bias-adjustierten dekadischen Vorhersagen für den monatlichen Niederschlag werden sowohl für vorhersagejahrabhängige Mehrjahreszeiträume, als auch für monatliche Zeitskalen zur Bewertung der Inter- und Intraannuellen Variabilität innerhalb der dekadischer Vorhersagen ausgewertet. Wir erhalten eine maximale Erhöhung von 30% der erklärten Varianz (R2) und eine maximale Reduzierung von 40 mm/Monat in der Wurzel des mittleren quadratischen Fehlers (RMSE). Ein geschätzter mittlerer quadratischer Skill Score (MSSS) von mehr als 0.5 wird regional beobachtet. Ein Artikle über diese Studie mit dem Titel ‘Bias-adjustment for decadal predictions of precipitation in Europe from CCLM’ wird zur Zeit von den Co-autoren geprüft. Eine weitere Arbeit, die sich mit verschiedenen statistischen Methoden für diese Anwendung beschäftigt, ist in Vorbereitung.