Teilbericht 5a: Regionalisiertes Klimamodell

Transkript

1 Studie Save our Surface im Auftrag des Österreichischen Klima- und Energiefonds Teilbericht 5a: Regionalisiertes Klimamodell Arbeitspaket 3 Flächennutzungspotenziale und -szenarien Michael Beham Thomas Mendlik Andreas Gobiet Wegener Center für Klima und Globalen Wandel, Universität Graz Graz, Oktober

2 Inhalt 1 ZIELE AUSWAHL PASSENDER MODELLE KLIMADATEN FÜR P3 (LANDWIRTSCHAFTSMODELL) Korrektur der Daten Fehlercharakteristik KLIMADATEN FÜR P6 (WALDMODELL) Aufbereitung der Modelldaten Korrektur der Daten Fehlercharakteristik KLIMATRENDS DANKSAGUNGEN LITERATUR

3 1 Ziele Das Wegener Zentrum für Klima und Globalen Wandel (WegCenter) der Universität Graz ist im Projekt S.O.S. für die Bereitstellung und Aufbereitung regionalisierter Klimaänderungsszenarien bis 2050 zuständig. Das beinhaltet insbesondere die Auswahl geeigneter Szenarien und deren Einordnung im Kontext der Bandbreite der möglichen Klimaänderung bis 2050, ihre Verfeinerung auf die im Projekt benötigte Skala, und die Korrektur von Modellfehlern um einen Satz direkt anwendbarer Klimadaten als Input für landund forstwirtschaftliche Modelle zu liefern. Die Klimaszenarien werden für das gesamte Österreichische Bundesgebiet aufgearbeitet. 2 Auswahl passender Modelle Um die mögliche Bandbreite zukünftiger Klimaänderung realistisch abzudecken und dennoch im Rahmen wahrscheinlicher Klimaänderung zu bleiben, wurden aus den derzeit aktuellsten verfügbaren regionalen Klimaszenarien für Österreich ein Szenario, dass als moderat warm und trocken und eines, dass als moderat kühl und feucht charakterisiert werden kann ausgewählt. Zur Auswahl standen dabei alle 18 Simulationen die im Zuge des ENSEMBLES-Projektes erstellt wurden (siehe Tabelle 1). ENSEMBLES ist ein integriertes EU Forschungsprojekt des sechsten Rahmenprogramms das über den Zeitraum von 2004 bis 2009 vom Met Office Hadley Centre koordiniert wurde ( Als Ergebnis wurden probabilistische Szenarien des europäischen Klimas erstellt, die helfen sollen, Forscher, Entscheidungsträger, Unternehmen und auch der Öffentlichkeit, Zugang zu Informationen der jüngsten Klimamodellierung und ihrer Analysewerkzeuge bereitzustellen (VAN DER LINDEN et. al. 2009). Alle ENSEMBLES Simulationen beruhen auf dem Emissionsszenario A1B (NAKIZENOVIC et. al., 2000), und unterschiedlichen globalen und regionalen Klimamodellen. Damit sind die wesentlichen Komponenten der Unsicherheit abgedeckt, da sich die Wahl des Emissionsszenarios bis 2050 nur wenig auf die Klimaänderung auswirkt (PREIN and GOBIET, 2010). Die Ergebnisse aller ESEMBLES Simulationen liegen auf einem 25 km x 25 km Gitter über Europa auf Tagesbasis vor. Die probabilistischen Szenarien aus ENSEMBLES konnten in S.O.S. nicht direkt genutzt werden, da sie den Anforderungen des Projekts sowohl in Bezug auf zeitliche und räumliche Auflösung, als auch in Bezug auf die Fehlercharakteristik nicht gerecht werden. Dennoch bilden die in ENSEMBLES durchgeführten Simulationen eine wichtige Basis für das Projekt, da sie es ermöglichen die Bandbreite möglicher Klimaänderung in Europa abzuschätzen und innerhalb dieser Bandbreite gezielt einzelne Simulationen auszuwählen, welche in Folge gemäß der Projekterfordernisse weiter aufbereitet werden. 3

4 1 KNMI-RACMO2_ECHAM5-r3 2 SMHI-RCA_BCM 3 SMHI-RCA_ECHAM5-r3 4 MPI-REMO_ECHAM5 5 METNO-HIRHAM4_BCM 6 METNO-HIRHAM4_HadCM3Q0 7 C4I-RCA_HadCM3Q16 8 UCLM-PROMES_HadCM3Q0 9 ETHZ-CLM_HadCM3Q0 10 HC-HadRM3_HadCM3Q0 11 HC-HadRM3_HadCM3Q3 12 HC-HadRM3_HadCM3Q16 13 ICTP-RegCM_ECHAM5-r3 14 DMI-HIRHAM5_ARPEGE 15 DMI-HIRHAM5_ECHAM5 16 OURANOS-CRCM_CGCM3 17 CNRM-ALADIN_ARPEGE 18 VMGO-RRCM_HadCM3Q0 Tab. 1: Liste aller Modelle des ENSEMBLE-Projektes (weitere Informationen unter Um die Auswahl geeigneter Klimaszenarien zu erleichtern, wurden die Klimaänderungssignale der ENSEMBLES Simulationen für Temperatur und Niederschlag auf jährlicher sowie saisonaler Basis, bezogen auf die Fläche von Österreich, graphisch dargestellt ( verglichen mit ). 4

5 Abb.1: Mittlere Veränderung (Differenz zwischen und ) von Temperatur und Niederschlag auf jährlicher Basis für alle Modelle des ENSEMBLE-Projektes. Das Fadenkreuz zeigt den Mittelwert aller Modellwerte. Die Legende zu den einzelnen Datenpunkten ist in Tabelle 1 ersichtlich. Aus Abbildung 1 ist ersichtlich, dass alle Modelle eine Erwärmung und die meisten Modelle leicht feuchtere Bedingungen erwarten lassen. Ebenfalls ersichtlich ist, dass keines der 18 Modelle nahe am Mittelwert liegt. Aus diesem Grund, und um die Unsicherheit der Klimaszenarien abzubilden, entschied sich das Projektkonsortium auf ein mittleres Szenario zu verzichten und zwei in ihren Trends gegensätzliche Modelle näher zu untersuchen, welche sich dennoch nicht zu sehr vom Mittelwert unterscheiden. Zum einem wurde ein Modell dessen Trend heiße und trockene Bedingungen, zum anderen ein Modell das kalte und feuchte Bedingungen wiedergibt ausgewählt. 5

6 Abb.2: Mittlere Veränderung von Temperatur und Niederschlag (Differenz zwischen und ) auf jahreszeitlicher Basis für alle Modelle des ENSEMBLE-Projektes (Schwarz = Winter, Blau = Frühling, Grün = Sommer, Rot = Herbst). Das Fadenkreuz zeigt den Mittelwert aller Modellwerte. Die Legende der einzelnen Datenpunkte ist in Tabelle 1 ersichtlich. Anhand von Abbildung 2 wurden jahreszeitliche Trends näher untersucht. Auf qualitativer Basis wurden dazu die unterschiedlichen Abstände der Trends vom Mittelwert getrennt für Niederschlag und Temperatur aufgelistet. Auf diese Weise konnten jene Modelle herausgefiltert werden, dessen Trends sich in möglichst allen vier Jahreszeiten entweder im heiß-trockenen bzw. kalt-feuchten Quadranten befinden. Auf Basis dieser Analyse wurde Modell Nr. 9 ETHZ-CLM_HadCM3Q0 für den heiß-trockenen Trend und Modell Nr. 5 METNO-HIRHAM4_BCM für den kalt-nassen Trend ausgewählt, welche folglich für die weiteren Berechnungen des Projektes herangezogen wurden. Die Klimawandelsignale der ausgewählten Modelle sind in Tabelle 2 auf saisonaler sowie jährlicher Basis angegeben. 6

7 Temperatur Niederschlag (9) ETHZ (5) METNO (9) ETHZ (5) METNO Winter +2,26 +1,6 +10% +2,5% Frühling +1,7 +0,85-4% +7% Sommer +2,35 +0,6-4,5% +5,5% Herbst +1,95 +0,7 +4% +5,4% Jahr +2,08 +0,94 +0,9% +5,4% Tab. 2: Klimawandelsignale für das Modell Nr. 9 ETHZ-CLM_HadCM3Q0 sowie für das Modell Nr. 5 METNO-HIRHAM4_BCM (Differenz zwischen und ). 3 Klimadaten für P3 (Landwirtschaftsmodell) Als Datengrundlage für die Klimaszenarien, die in weiterer Folge von Projektpartner P3 (LFZ Raumberg-Gumpenstein) genutzt werden, wurden die in Abschnitt 2 erwähnten ENSEMBLES-Modelldatensätze herangezogen. Für die bereits erwähnte Korrektur der Modellfehler wurden Beobachtungsdaten der Zentralanstalt für Meteorologie und Geodynamik von Wolfgang Schöner (SCHOENER) eingesetzt, welche in einer Auflösung von 1x1 km für die Fläche von Österreich und für die Jahre (für Temperatur) bzw (für Niederschlag) auf Tagesbasis vorliegen. 3.1 Korrektur der Daten Da auch die besten heutigen Klimamodelle mit Fehlern von einigen Grad Celsius bzw. einigen 10% Niederschlag behaftet sind (z.b. SUKLITSCH et. al., 2010), wurden die Modellergebnisse mit Hilfe einer empirisch-statistischen Methode, dem sogenannten Quantile Mapping (QM) (THEMEßL et. al., 2010) korrigiert (Kalibrierungsperiode von für Temperatur bzw für Niederschlag). Methodologisch werden dabei die Werte eines Parameters (wie z.b. Temperatur) tageweise, und für jeden Tag inklusive eines Zeitfensters von +/- 15 Tagen, über alle Jahre der Kalibrierungsperiode erfasst. Im nächsten Schritt wird daraus für jeden einzelnen Tag (z.b. 16. Aug [+/- 15d]) und jeden Gitterpunkt des Beobachtungsdatensatzes eine kumulative Verteilungsfunkion (empirical cumulative distribution function kurz ecdf) für Modellwerte als auch Beobachtungswerte erstellt. Durch diese Vorgehensweise erreicht man eine ausreichend große Datendichte die eine den Jahresgang berücksichtigende Korrektur und eine räumliche Verfeinerung der Modellergebnisse ermöglicht. 7

8 Bei der Korrektur selbst wird ein Modellwert aus der Anwendungsperiode ( ), in der Modell-Ecdf der Kalibrierungsperiode gesucht und das dazugehörige Quantil bestimmt. Der Korrekturwert für den besagten Modellwert ergibt sich dann aus der Differenz zwischen dem Modellwert und dem Beobachtungswert des gleichen Quantils in der Kalibrierungsperiode. Auf diese Weise wird die Korrektur auf jeden Modellwert der Anwendungsperiode angewandt und somit die Abweichung des Modells von den Beobachtungen weitestgehend entfernt. (THEMEßL et. al., 2010) 3.2 Fehlercharakteristik In diesem Abschnitt wird kurz auf die aufgetretene Fehlercharakteristik der Modelle eingegangen. Abb.3: Vergleich der unkorrigierten Temperatur-Modelldaten (ETHZ) mit den Beobachtungsdaten der ZAMG (SCHOENER) für den Zeitraum ). 8

9 Abb.4: Vergleich der korrigierten Temperatur-Modelldaten (ETHZ) mit den Beobachtungsdaten der ZAMG (SCHOENER) für den Zeitraum ( ). Die Unterteilung der Legende erfolgt im Vergleich zu Abb.3 in Zehntel-Grad-Schritten. Der in Abbildung 3 angeführte Vergleich zwischen unkorrigierten Modelldaten (ETHZ- CLM_HadCM3Q0) mit den Beobachtungsdaten (SCHOENER) zeigt vorwiegend eine Unterschätzung der Temperatur durch das Modell vor der Anwendung des Quantile Mappings. Nach der Korrektur sind in Abbildung 4 nur mehr sehr geringe Abweichungen des Modells von den Beobachtungen ersichtlich (etwa um eine Größenordnung geringer als vor der Korrektur). Es sei hier darauf hingewiesen, dass die Unterteilung der Legende von Abbildung 4 im Vergleich zu Abbildung 3 in Zehntel-Grad-Schritten erfolgt, um die verbleibenden Abweichungen besser zu veranschaulichen. Analog ist die Fehlercahrakteristik des Modells METNO und die verbleibenden Fehler nach Korrektur in Abbildung 5 dargestellt. Ein ebenso gutes Ergebnis liefert auch die Niederschlagskorrektur. In Abbildungen 6 und 7 wird gezeigt, dass Fehlercharacteristik der Klimamodelle durch die Anwendung der Korrektur etwa um den Faktor 10 verbessert wird. 9

10 Abb.5: Unkorrigierte (oben) sowie korrigierte (unten) Temperatur-Modelldaten (METNO) im Vergleich zu den Beobachtungsdaten der ZAMG (SCHOENER) für den Zeitraum ( ). Die Unterteilung der Legende erfolgt im unteren Plot in Zehntel-Grad-Schritten. 10

11 Abb.6: Unkorrigierte (oben) sowie korrigierte (unten) Niederschlags- Modelldaten (ETHZ) im Vergleich zu den Beobachtungsdaten der ZAMG (SCHOENER) für den Zeitraum ( ). 11

12 Abb.7: Unkorrigierte (oben) sowie korrigierte (unten) Niederschlags-Modelldaten (METNO) im Vergleich zu den Beobachtungsdaten der ZAMG (SCHOENER) für den Zeitraum ( ). 12

13 4 Klimadaten für P6 (Waldmodell) Die Klima-Datengrundlage für das Waldmodell von Projektpartner P6 (Department für Waldund Bodenwissenschaften, BOKU) stellen erneut die zwei schon beschriebenen ENSEMBLES-Simulationen dar (siehe Abschnitt 2). Als Beobachtungsdaten für die empirisch-statistische Korrektur wurde aber in diesem Fall nicht ein gerasterter Datensatz mit begrenzter Auflösung verwendet, sondern die Daten von 2510 Stationen der Universität für Bodenkultur Wien (BOKU) welche über ganz die Fläche von ganz Österreich verteilt sind. In diesem Datensatz liegen auf Monatsbasis die Parameter Temperatur, Niederschlag, Globalstrahlung sowie auch das Dampfdruckdefizit von 1961 bis 1990 vor. 4.1 Aufbereitung der Modelldaten Abgesehen von den Temperatur- und Niederschlagsdaten, die schon in den gewünschten Einheiten direkt aus den Modellen vorlagen, mussten die übrigen Datensätze erst an die Beobachtungsdaten umgewandelt werden. Abgesehen von der Umrechnung der Globalstrahlungswerte von W/m² auf MJ/m², lag das Dampfdruckdefizit nicht als separater Datensatz vor und musste erst von anderen Daten abgeleitet werden. Unter Verwendung der ENSEMBLES-Datensätze für relative Feuchte (2-meter relative humidity, hurs ), spezifische Feuchte (2-meter specific humidity, huss ) und Druck (surface air pressure, ps ) wurden Dampfdruck (e) und Sättigungsdampfdruck (E) bestimmt, um schließlich das Dampfdruckdefizit (ΔE=E-e) berechnen zu können. 4.2 Korrektur der Daten Die Korrektur der Modelldaten auf Basis der Beobachtungsdaten (Kalibrierungsperiode ) wurde mit Hilfe des bereits zuvor erklärten Quantile Mapping (siehe Abschnitt 3.1) realisiert. Die kumulativen Verteilungsfunkionen (ecdf) für jeden Monat wurden in diesem Falle aber ohne Verwendung eines Zeitfensters erstellt um die jahreszeitlich unterschiedliche Fehlercharakteristik der Modelle darstellen zu können. Außerdem wurden, abgesehen von den Temperaturwerten, alle Parameter mit Hilfe einer leicht abgeänderten Version des QMs korrigiert. Der Unterschied zum regulären QM liegt darin, dass zur Korrektur der Modellwerte ein relativer Korrekturfaktor verwendet wurde. Die Notwendigkeit dafür ergibt sich aus dem Umstand, dass die herkömmliche QM-Korrekturfunktion, angewandt auf die auf Monatsbasis vorliegenden Daten, negative Werte (z.b. negativer Niederschlag) zurückgeben kann. Dieses Problem tritt immer dann auf, wenn ein Modellwert aus der Anwendungsperiode kleiner ist als der niedrigste Wert in der Modell-Ecdf der Kalibrierungsperiode. 13

14 4.3 Fehlercharakteristik In diesem Abschnitte wird auf die Fehlercharakteristik der korrigierten und unkorrigierten Modelle eingegangen. In dem jeweils linken Panel jeder Abbildung wird mit Hilfe eines Box- Whisker Plots Mittelwert, Median und Streuung der Modellfehler (unkorrigiert) an allen Stationen monatlich für die Jahre dargestellt (d.h. jeweils 30 Monatsmittel/Monat). Zu Vergleich sind die korrigierten Daten im jeweils rechten Panel zu sehen. Abbildung 8 zeigt die Fehlercharakteristik von ETHZ, Abbildung 9 jene von METNO. Die unkorrigierten Mittelwerte weichen teilweise sehr stark von der 0 C-Linie ab, es besteht also eine große Differenz zwischen den unkorrigierten Modelldaten und den Beobachtungsdaten in allen Parametern. Ähnlich wie bei der Korrektur auf Tagesbasis (Abschnitt 3) wird auch durch die Korrektur auf Monatsbasis eine Verbesserung um etwa eine Größenordnung erreicht. Dabei ist zu beachten, dass die zeitliche Korrelation zwischen Modell und Beobachtung durch die Korrektur nicht verbessert wird ein Umstande der aber im Kontext von Klimaszenarien, die ohnehin keinerlei Korrelation mit dem Wetter auf Tagesbasis aufweisen, unwichtig ist. Darüber hinaus sollte beachtet werden, dass diese Evaluierung einen Idealfall darstellt (Kalibrierungsperiode = Evaluierungsperiode). Bei der Anwendung auf Klimaszenarien kann eine Änderung der Modellfehlercharakteristik nicht ausgeschlossen werden und somit ist eine Verschlechterung der Effizienz der Korrektur zu erwarten. Die Größenordung dieser Verschlechterung konnte im Rahmen diese Projektes nicht quantitativ abgeschätzt werden, es ist aber davon auszugehen, dass größere Fehler auch in Zukunftsszenarien ähnlich effizient eliminiert werden können, während kleinere Fehler eventuell nicht verbessert werden. 14

15 Abb.8: Unkorrigierte (links) und korrigierte (rechts) Monatswerte des ETHZ- Datensatzes im Vergleich zu den BOKU-Daten über alle Stationen ( ). Dargestellt sind die Parameter (a) Temperatur, (b) Niederschlag, (c) Globalstrahlung, (d) Dampfdruckdefizit. 15

16 Abb.9: Unkorrigierte (links) und korrigierte (rechts) Monatswerte des METNO- Datensatzes im Vergleich zu den BOKU-Daten über alle Stationen ( ). Dargestellt sind die Parameter (a) Temperatur, (b) Niederschlag, (c) Globalstrahlung, (d) Dampfdruckdefizit. 16

17 5 Klimatrends Die beschriebenen korrigierten Szenarien wurden als Eingangsgrößen für Land- und Forstwirtschaftliche Modellierung auf Tages- bzw. Monatsbasis an die Projektpartner weitergegeben. Um einen Überblick über die Klimaänderungssignale in diesen Daten zu geben, werden im Folgenden die Differenzen der Perioden und dargestellt. Da durch Differenzbildung erhebliche Teile der Modellfehler entfernt werden, sind diese Ergebnisse erwartungsgemäß den beschriebenen saisonalen Änderungssignalen der unkorrigierten Modelle in Abschnitt 2 ähnlich. Abb.10: Klimatrend der korriegierten Modelldaten (QM ETHZ/QM METNO) auf Basis der BOKU Beobachtungsdaten (Mittelwert über alle Stationspunkte). Dargestellt sind die Parameter Temperatur (oben links), Niederschlag (oben rechts), Globalstrahlung (unten links) und Dampfdruckdefizit (unten rechts) über den Zeitraum verglichen mit Die Jahresgänge der Änderungen von Temperatur und Niederschlag in Abbildung 10 geben im Allgemeinen die Charakteristika des warm-trockenen (ETHZ) sowie des kalt-nassen Modells (METNO) wieder. Damit einhergehend reagieren die Parameter Globalstrahlung und 17

18 Dampfdruckdefizit ebenfalls deutlich auf die temperatur- und niederschlagsbedingten Änderungen. Ein ähnliches Bild, aber räumlich differenziert, bieten in Abbildung 11 bis 14 das Klimaänderungssignal der auf Basis des Schoener Datensatzes korrigierten Modelldaten. Hier wird besonders auch der Einfluss der geographischen Gegebenheiten, z.b., der Niederschlagsanstieg entlang der Alpen im Winter, widergespiegelt. Abb.11: Klimatrend der quantile gemappten Modelldaten (QM ETHZ) auf Basis der SCHOENER Beobachtungsdaten. Dargestellt ist der Parameter Temperatur über den Zeitraum vs

19 Abb.12: Klimatrend der quantile gemappten Modelldaten (QM METNO) auf Basis der SCHOENER Beobachtungsdaten. Dargestellt ist der Parameter Temperatur über den Zeitraum vs Abb.13: Klimatrend der quantile gemappten Modelldaten (QM ETHZ) auf Basis der SCHOENER Beobachtungsdaten. Dargestellt ist der Parameter Niederschlag über den Zeitraum vs

20 Abb.14: Klimatrend der quantile gemappten Modelldaten (QM METNO) auf Basis der SCHOENER Beobachtungsdaten. Dargestellt ist der Parameter Niederschlag über den Zeitraum vs Bemerkenswert an den Klimaszenarien ist, dass sich die Modelle in der Richtung, nicht aber in der Größe der Temperaturänderung einig sind. Weiters zeigen beide Modelle zunehmende Winterniederschläge, aber uneinheitliche Ergebnisse bezüglich der Sommerniederschläge. Diese zwei Modellergebnisse können insofern als repräsentativ die für die Unsicherheiten in Klimaszenarien für Österreich angesehen werden (d.h. im Einklang mit laufenden Studien welche Unsicherheiten in Klimaszenarien für Österreich explizit analysieren), als dass sie einheitlich eine Temperaturerhöhung erwarten lassen (sehr robust), zunehmende Winterniederschläge anzeigen (mäßig robust), aber keine deutlichen Rückschlüsse über Niederschlagsänderungen in anderen Saisonen zulassen. 20

21 6 Danksagungen Die in diesem Projekt verwendeten Beobachtungsdaten auf Tagesbasis ( SCHÖNER Datensatz ) wurden dankenswerter Weise von der Zentralanstalt für Meteorologie und Geodynamik (ZAMG) zur Verfügung gestellt. The ENSEMBLES data used in this work was funded by the EU FP6 Integrated Project ENSEMBLES (Contract number ) whose support is gratefully acknowledged. 7 Literatur van der Linden P., Mitchell J.F.B. (Hg.) (2009): ENSEMBLES: Climate Change and its Impacts: Summary of research and results from the ENSEMBLES project. Met Office Hadley Centre, FitzRoy Road, Exeter EX1 3PB, UK Hewitt C.D., Griggs D.J. (2004): Ensembles-based predictions of climate changes and their impacts. Eos 85, 566. Themeßl M., Gobiet A., Leuprecht A. (2010): Empirical-statistical downscaling and error correction of daily precipitation from regional climate models. International Journal of Climatology, In press. Prein F. A., Gobiet A. (2010): Quality, climate change, and uncertainty in the CMIP3 ensemble over Europe from a regional climate modeler s point of view. Journal of Climate, Submitted. Nakizenovic N., Swart R. (2000): Special Report on Emissions Scenarios. Cambridge, University Press. Suklitsch M., Gobiet A., Truhetz H., Awan N. K., Göttel H., Jacob D. (2010): Error characteristics of high resolution regional climate models over the Alpine area. Climate Dynamics, DOI /s