Die mögliche Genauigkeit von längerfristigen Wettervorhersagen

Transkript

1 1, ZAMG KS Steiermark Die mögliche Genauigkeit von längerfristigen Wettervorhersagen Landtechnisches Kolloquium des ÖKL 2018 Produktionsfaktor Wetter in Graz

2 Prognosen sind keine Prophezeiungen! 2

3 3 Die eingeschränkte Vorhersagbarkeit des Wetters folgt aus der physikalischen Eigenschaft, dass die Atmosphäre ein chaotisches System ist. Kleinste Störungen können schwerwiegende Folgen haben (Schmetterlingseffekt) Quelle: Google

4 z gw p v h pz t RT ln p v h p 0 t p p p p Die mögliche Genauigkeit von längerfristigen Wettervorhersagen z z t t z t N 2 e r 4 0 i j 1 B p r ij 1 dr n i j 1 mit n p ij igr igr hkl e r e V Z A i j 1 p ij Simulationsmodell der Atmosphäre Mithilfe der Analyse und sehr komplexen mathematischen Gleichungen werden mit den schnellsten Computern der Welt die Vorhersagen der nächsten Tage berechnet. Beispiel: 03:00 Der Computer beginnt zu rechnen 04:30 der Computer ist fertig Ergebnis: Wettermodelle die für bis 10 Tage in die Zukunft das Wetter weltweit voraussagen! Würde man das Wettermodell auf einem privaten PC rechnen, hätte der Computer nach 100 Jahren 1 Tag fertig!

5

6

7

8

9

10 1 dr e r e V igr i Z hkl Gr t z z t t z z t z w g p p v h 0 p ln p RT p p t p p v h j i ij j i j i n ij n ij p p r B p r e N 1 A mit Die mögliche Genauigkeit von längerfristigen Wettervorhersagen Folie 10 schwierige Aufgabe: Punktmessungen auf ein regelmäßiges 3 dimensionales Modellgitter zu interpolieren. Dieser Schritt ist beinahe so kompliziert wie die eigentliche Vorhersage. Analyse Datenassimilation

11 Auflösung der Wettermodelle GFS 30x30 km ECMWF 16x16 km ALADIN 9x9 km ALARO 5x5 km AROME 2.5x2.5 km INCA 1x1 km

12 Für die komplexe Topographie der mittleren Breiten (Alpen) sind punktgenaue Wetterprognosen schwieriger! 12 Quelle: NOAAH

13 14

14 Für die komplexe Topographie der mittleren Breiten (Alpen) sind punktgenaue Wetterprognosen schwieriger 15

15 Für das ebene Gelände der Subtropen hingegen deutlich einfacher 16

16 Raum- und Zeitskalen für meteorologische Prozesse 17 aus: promet, Jg.35, Nr. 1-3

17 Deterministische Wettervorhersage 18 Das Wetter ist nicht deterministisch vorhersagbar, weil der Anfangszustand (Analyse) der Vorhersagerechnung nur ungenau bekannt (beobachtet) ist, die Randbedingungen (z.b. Bodenfeuchte, Ozeanoberflächentemperaturen usw.) nur ungenau bekannt sind, die Modellgleichungen die Wirklichkeit nur näherungsweise beschreiben, die Lösungsalgorithmen die Differentialgleichungen nur näherungsweise lösen, das Fehlerwachstum skalenabhängig dazu führt, dass die Vorhersagbarkeit wenige Stunden (z.b. für Gewitter) bis wenige Tage (für Hoch- und Tiefdruckgebiete) beträgt

18 Probabilistische Wettervorhersage (Ensembleprognosen) 19 Um mehrere Störfaktoren in der numerischen Wettervorhersage zu berücksichtigen, werden Ensemble- Prognosen erstellt. dabei werden die Anfangsbedingungen vor jedem deterministischen Lauf (absichtlich) verändert, Daraus resultieren mitunter stark abweichende Members Alle Ergebnisläufe werden als Gesamtheit (Ensemble) dargestellt (Rauchfahnendiagramm, Spaghetii-Plots) Ensembles lassen sich von einem einzigen Modell als auch von mehreren Modellen (Multi Modell) erstellen Mit einem Ensemble lässt sich die Güte eines determinitischen Modellaufes bestimmen

19 Schematische Darstellung einer Ensemblevorhersage 20

20 14d- GFS-Ensemblevorhersage für Graz 21

21 The plumes show the daily evolution of the ensembles forecast distribution, binned in 12,5% intervalls 22

22 unterschiedliche Geo-Potential- Lösungen für Woche 4 23

23 ECMWF- EPS- Ensembles 10Tages- Prognose für Tag 10 24

24 ECMWF- EPS- Ensembles 10Tages- Prognose für Tag 9 25

25 ECMWF- EPS- Ensembles 10Tages- Prognose für Tag 8 26

26 ECMWF- EPS- Ensembles 10Tages- Prognose für Tag 7 27

27 ECMWF- EPS- Ensembles 10Tages- Prognose für Tag 6 28

28 ECMWF- EPS- Ensembles 10Tages- Prognose für Tag 5 29

29 ECMWF- EPS- Ensembles 10Tages- Prognose für Tag 4 30

30 ECMWF- EPS- Ensembles 10Tages- Prognose für Tag 3 31

31 ECMWF- EPS- Ensembles 10Tages- Prognose für Tag 2 32

32 ECMWF- EPS- Ensembles 10Tages- Prognose für Tag 1 33

33 Vorschritte in der Wetterprognose 34

34 Entwicklung der Vorhersagequalität großskaliger Ereignisse Weitgehend zufriedenstellende (aus meteorologischer Sicht) Performance wenn längere Zeiträume und größere Regionen betrachtet werden (z.b. 3 Tage) Probleme liegen in den Details: Timing und Ausprägung der Peaks innerhalb der Niederschlagsperiode Genaue Lokalisierung der Niederschlagsmaxima (vor allem bei eingelagerter Konvektion) 35

35 Kleinskalige Ereignisse machen hingegen Probleme in der Vorhersage Beispiel Unwetter Graz (April 2018) 36

36 Kleinskalige Ereignisse machen hingegen Probleme in der Vorhersage Beispiel Unwetter Graz (April 2018) 37

37 Kleinskalige Ereignisse machen hingegen Probleme in der Vorhersage Beispiel Unwetter Graz (April 2018) 38

38 Herausforderung lokale Konvektion / flash floods Regional über Orographie etwas besser lokalisierbar als fernab davon, Zeitpunkt des Triggerns jedoch oft zu früh Reale Niederschlagsmengen ( flash floods ) in abbildbar; dass der Ort genau getroffen wird ist aber Zufall POD (Probability of Detection) nimmt zu, FAR (False Alarm Ratio) jedoch auch Mit Scores für Gitterpunkte nicht zu belegen, bessere Chancen für Einzugsgebiete

39 Beispiel Tornado Wien-Schwechat Quelle: Kleine Zeitung

40 Beispiel Tornado Wien-Schwechat Globalmodell (EZ, GFS), Regionalmodell (ALARO), HRES-Modell (AROME) 41

41 ECMWF- EPS- Ensembles 15 Tages- Prognose 42

42 ECMWF- Weather regime clusters Monats- Prognosen Woche 1 43

43 ECMWF- Weather regime clusters Monats- Prognosen Woche 2 44

44 ECMWF- Weather regime clusters Monats- Prognosen Woche 3 45

45 ECMWF- Weather regime clusters Monats- Prognosen Woche 4 46

46 47

47 Verifikation von Langzeitprognosen 48

48 Seasonal Forecasts Dezember

49 Seasonal Forecasts Jänner

50 Seasonal Forecasts Februar

51 Seasonal Forecasts März

52 Die wichtigsten Ursachen für schlechte/falsche Prognose: Ausgangszustand der Modellrechnung Formulierung und Design des Wettermodells unzureichend (Physik/Dynamik) Räumliche und/oder zeitliche Auflösung des Modells unzureichend (Topographie, Physiographie) Fehler sickert während Modelllauf über Randdaten ein (Globalmodell) Mögliche Ursachen für erhöhte Variabilität: Variable Anzahl eingehende Beobachtungsdaten + Impactfaktor der Daten Hohe räumliche/zeitliche Auflösung ~ entsprechende hohe Sensitivität des Modells für Änderungen im Ausgangszustand Berücksichtigung dieser Unsicherheiten in der Vorhersage?

53 Lösungen Ensembleprognosen Anstatt ein Modell mit hoher Auflösung deterministisch zu rechnen, geht der Trend auch bei HRES-Modellen immer mehr in die Richtung, stärker auf Ensemblesysteme zu setzen, um die Unsicherheiten in den Modellprognosen, die bei hoher Auflösung teilweise in gesteigerter Form auftreten, besser berücksichtigen zu können; Ensemblesysteme sind nichts neues, aber sie werden weiterhin immer wichtiger 54 Einsatz von RUC- Systemen (Rapid Update Cycle Systeme) d.h. Modelle, die hochauflösend mit hoher Updatefrequenz rechnen und hochverfügbare Beobachtungsdaten nutzen (Radar, GNSS, ) MOS- Ansatz bei Punktprognosen Model Output Statistics ist ein statistisches Verfahren aus der Kombination von Wettermodellund Stationsmessdaten, bei dem jeder Wetterstation eine dem Standort und den historischen Messdaten angepasste Wetter-Charakteristik zugewiesen wird.

54 Vielen Dank für ihre Aufmerksamkeit! 55