Kalibrierung von  probabilistischen, dekadischen Klimavorhersagen

Aufgrund der Unsicherheit der Startbedingungen bei Wetter- und Klimavorhersagen, muss auf probabilistische Verfahren zurückgegriffen werden. Probabilistische Vorhersagen betrachten somit die Unsicherheiten der Startbedingungen, jedoch auch mögliche Unsicherheiten- bzw. Abhängigkeiten des verwendeten Vorhersage-Modells. Ein häufiges Problem der probabilistischen Vorhersage ist jedoch, dass die Vorhersagen nicht verlässlich sind, d. h. die vorhergesagten Wahrscheinlichkeiten stimmen nicht mit den beobachteten Häufigkeiten überein.

Dieses Projekt zielt auf die Entwicklung und Implementierung bestimmter Verfahren ab, die eine (Re-)Kalibrierung des Vorhersage-Ensembles durchführen und gleichzeitig die Probleme dekadischer Vorhersagen mitberücksichtigen (geringer Umfang des Ensembles, begrenzter Beobachtungszeitraum). Hierzu werden zunächst Verfahren für normalverteilte Variablen entwickelt, welche die typischen Probleme von dekadischen Vorhersagen (Modelldrift, Klimatrend) beheben sollen. Danach sollen auch nicht-normalverteilte Größen berücksichtigt werden, da nicht alle für den Endbenutzer relevanten Variablen einer Gaussverteilung unterliegen (z.B. Niederschlag, Feuchtigkeit und Windböen). Darüber hinaus werden auch Verfahren zur Kalibrierung von Vorhersagen von dichotomen bzw. zählbaren Ereignissen (z.B. Dürren) entwickelt, welche ebenfalls von großem Nutzerinteresse sind. Eine Implementierung in das zentrale Evaluierungs-system (CES) ermöglicht allen MiKlip Projekten eine (Re-)Kalibrierung der Ensemble-Vorhersagen durchzuführen und bereitet die Kalibrierung für den operationellen Betrieb vor.
 

Ziele:

• Übertragung, des von Weigel et al. (2009) beschriebenen CCR-Verfahrens (Climate Conserving Recalibration) in das dekadische Vorhersagesystem von MiKlip. Ursprünglich wurde das Verfahren für normalverteilte Größen auf der saisonalen Zeitskala unter stationären Bedingungen (kein Modelldrift, kein Trend) entwickelt. Demgegenüber steht das dekadische Vorhersagesystem von MiKlip, welches sich typischerweise durch folgendes auszeichnet: Instationarität (Klimatrend), Modelldrift vom Anfangszustand in Richtung Klimatologie, geringe Ensemblegröße und nicht-normalverteilte Größen.

• Untersuchung der Auswirkungen von Klimatrend, initialisierungsbedingten Modelldrift, geringer Ensemblegröße sowie begrenztem Beobachtungszeitraum auf das CCR-Verfahren mit Hilfe von synthetisch erzeugten Ensemble-Vorhersagen, auch „Spielzeugmodell“ genannt (Weigel et al., 2008).

• Untersuchung von Verfahren, die sowohl rekalibrieren, als auch Klimatrend und Modelldrift berücksichtigen.

• Übertragung der vorherigen Ergebnisse auf nicht-normalverteilte Größen.
  Implementierung einer Kalibrierung von Vorhersagen von dichotomen bzw. zählbaren Ereignissen.

• Implementierung der entwickelten Algorithmen in das CES. Dokumentation der Software für den operationellen Betrieb.

Bisheriger Fortschritt

Im Rahmen des Projektes wurde eine Rekalibrierungsmethode für dekadische Vorhersagen entwickelt (DeFoReSt, decadal forecast recalibration strategy). Diese Methode korrigiert den Unconditional-Bias, Conditional-Bias und den Ensemble-Spread, wobei charakteristische Probleme von dekadischen Vorhersagen, wie Model-Drift und Klimatrend, berücksichtigt werden. Hierbei sind die parametrischen Korrekturterme für Unconditional-Bias, Conditional-Bias und Ensemble-Spread, von der Vorhersagezeit und dem Initialisierungsjahr abhängig und können somit Ursachen für eine fehlende Kalibrierung dekadischer Vorhersagen identifizieren. Hierbei wurde DeFoReSt in das zentrale MiKlip-Evaluierungssystem (CES) implementiert.

Für eine Analyse der Wirkungsweise von DeFoReSt wurde ein s.g. Toy-Model entwickelt, welches synthetisch dekadische Vorhersage-Beobachtungs-Paare generiert. Außerdem wurde DeFoReSt für die dekadischen 2m-Temperaturen des MiKlip-Prototype Systems angewendet. Die Ergebnisse dieser Anwendungen werden in einer Publikation aufgeführt.

Der ursprüngliche Ansatz von DeFoReSt nimmt ein Polynom dritter Ordnung für den Unconditional-Bias und Conditional-Bias an sowie ein Polynom zweiter Ordnung für die Ensemble-Dispersion an. Weiterhin wird ein lineare Initialisierungsjahr-Abhängigkeit angenommen. Es soll nun die Ordnung der Polynome nicht mehr im Vorfeld festgelegt werden. Stattdessen werden die relevanten Variablen für eine Rekalibrierung über eine systematische Modellselektion, basierend auf non-homogeneous boosting, identifiziert.

Literatur

Messner J. W., G. J. Mayr, and A. Zeileis, 2017: Nonhomogeneous boosting for predictor selection in ensemble postprocessing. Monthly Weather Review, 145(1):137–147.

Weigel, A.P., M. A. Liniger, and C. Appenzeller, 2008: Can multi-model combination really enhance the prediction skill of probabilistic ensemble forecasts? Quart. J. Royal Meteor. Soc., 134 (630):241 260.

Weigel, A.P., M. A. Liniger, and C. Appenzeller, 2009: Seasonal ensemble forecasts: Are recalibrated single models better than multimodels? Mon. Weather Rev., 137(4):1460–1479.