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

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.

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.