Werkstattbericht. Management von Klimafolgen in der Metropolregion Hannover-Braunschweig-Göttingen(-Wolfsburg)

Transkript

1 Werkstattbericht Management von Klimafolgen in der Metropolregion Hannover-Braunschweig-Göttingen(-Wolfsburg) Analyse der Unsicherheiten von der globalen zur regionalen Klimaprojektion Andrea Krause Institut für Meteorologie und Klimalogie der Leibniz Universität Hannover Da es sich bei der Analyse der Klimadaten um Auswertungen der Modellergebnisse handelt, stellt sich auch immer wieder die Frage nach der Aussagekraft und Robustheit der Ergebnisse regionaler Klimasimulationen. Dies führt häufig zu einer Verunsicherung der Entscheidungsträger, die zumeist schon heute die regionalen Folgen auch für die Zukunft abschätzen müssen um rechtzeitig Maßnahmen einleiten zu können. Es sei bereits vorweggenommen, dass die Modellergebnisse den momentan besten Stand des Wissens darstellen. Um die Aussagekraft der Modellergebnisse richtig interpretieren zu können ist es aber auch notwendig die Grenzen und Unsicherheiten der einzelnen Parameter mit einzubeziehen. Durch das menschliche Wirken seit der industriellen Revolution hat sich die weltweite anthropogene Treibhausgasemission um ein Vielfaches erhöht. Kohlendioxid (C02), Methan (CH4) und Lachgas (N2O) verzeichnen dabei den markantesten Anstieg. So hat sich beispielsweise die weltweite C0 2 Emission zwischen 1970 und 2004 um 80% erhöht, welches auf die Verbrennung fossiler Brennsffe aber auch auf Landnutzungsänderungen zurückzuführen ist. Laut Bernstein et. al. (2008) gilt es als sehr wahrscheinlich (>90%), dass die Erhöhung der globalen Mitteltemperatur durch den Anstieg der anthropogenen Treibhausgasemissionen begründet ist. Erdgeschichtlich gab es zwar auch schon früher Zeiten mit erhöhter C02 Konzentration und damit auch einem wärmeren Klima, dennoch übertrifft die aktuelle atmosphärische Konzentration an Treibhausgasen die natürliche Schwankungsbreite der letzten Jahre. So lagen im Zeitraum im globalen Mittel 11 der 12 wärmsten Jahre seit Beginn der instrumentellen Wetteraufzeichnungen (seit etwa 1850). Seit 1906 steigt die globale Temperatur im Mittel um 0.74 K pro Dekade an (Bernstein et. al., 2008), wobei 1

2 es jedoch deutliche regionale Unterschiede gibt, welches die Abbildung 1 verdeutlicht. Abb. 1: Vergleich der beobachteten Änderungen der Erdoberflächentemperatur auf kontinentaler und globaler Skala mit den von Klimamodellen auf Grund natürlicher und anthropogener Antriebe berechneten Resultaten. Die Jahrzehnt-Mittel der Beobachtungen sind für den Zeitraum (schwarze Linie) im Zentrum des Jahrzehnts und relativ zum entsprechenden Mittel von eingezeichnet. Die Linien sind gestrichelt, wenn die räumliche Abdeckung weniger als 50% beträgt. Blau schattierte Bänder zeigen die 5-95%-Bandbreite für 19 Simulationen von 5 Klimamodellen, welche nur die natürlichen Antriebe durch Sonnenaktivität und Vulkane berücksichtigen. Rot schattierte Bänder zeigen die 5-95%-Bandbreite für 58 Simulationen von 14 Klimamodellen unter Verwendung sowohl der natürlichen als auch der anthropogenen Antriebe (Bernstein et. al., 2008). {WGI Abbildung 10.9, SPM.4} Die höheren Temperaturen führen zu einer Zunahme von heißen Tagen und Hitzewellen, wobei kalte Tage sehr wahrscheinlich weniger häufig auftreten werden. Gleichzeitig verschieben sich aber auch die Niederschläge, wobei für den nord- und mitteleuropäischen Raum eine Zunahme der Niederschläge im Winter und eine Abnahme der Sommerniederschläge erwartet wird, die in 2

3 Südeuropa noch stärker ausgeprägt sind. Für viele Bereiche, wie z.b. die Landwirtschaft oder die Versicherungswirtschaft ist darüber hinaus die Entwicklung von Extremereignissen, wie z.b. Hitzeund Trockenperioden und die Häufigkeit und Intensität von Niederschlägen von besonderem Interesse. Um das Klima der Erde zu bestimmen werden globale Zirkulationsmodelle eingesetzt. Diese Modelle beschreiben die wichtigsten klimarelevanten physikalischen Vorgänge in der Erdatmosphäre, den Ozeanen und auf der Erdoberfläche. Um eine größtmögliche Genauigkeit zu erzielen werden die globalen Zirkulationsmodelle häufig noch mit einem Ozeanmodell, einem Schnee- und Eismodell und einem Vegetationsmodell gekoppelt um die zahlreiche Wechselwirkungen im Klimasystem besser abbilden zu können. Allerdings sind diese Modelle so komplex, dass sie derzeit nur mit einer horizontalen Auflösung von maximal 150 x 150 km² gerechnet werden können. Es wird jedoch nicht nur das Klima der vergangenen Jahrzehnte berechnet, sondern heute interessiert es zunehmend wie sich das Klima im 21. Jahrhundert weiterhin verändern wird. Um das Klima des 21. Jahrhunderts zu simulieren werden Annahmen zur zukünftigen Entwicklung der Weltbevölkerung und der Treibhausgasemissionen gemacht. Diese hängen von ökonomischen, demographischen, technologischen und politischen Parametern ab, die per se nicht exakt vorhersagbar sind. Daher wurden vom IPCC 40 mögliche Zukunftsszenarien entwickelt, die den Hauptgruppen B1, B2, A1 und A2 zugeordnet werden. Die Klimaszenarien sind jedoch keine Prognosen, sondern beschreiben lediglich eine mögliche Entwicklung des zukünftigen Klimas. Das in dieser Arbeit dargestellte A1B-Szenario beschreibt einen Anstieg der Weltbevölkerung bis zur Mitte des 21. Jahrhunderts mit sehr raschem Wirtschaftswachstum. Gleichzeitig kommt es aber auch zu einer schnellen Einführung sauberer und effizienter Technologien. Die auf diesen Annahmen basierenden zukünftigen anthropogenen Treibhausgasemissionen gehen als Randbedingungen in das globale Klimamodell mit ein. Je nach verwendetem Szenario ändert sich ebenfalls die Spannbreite zukünftiger Klimaänderungen basierend auf der Annahme der weltweiten Treibhausgasemission, welches die Abbildung 2 veranschaulicht. 3

4 Abbildung 2: Linke Tafel: Weltweite THG-Emissionen (in CO2 Äq.) ohne Klimaschutzmaßnahmen: sechs beispielhafte Musterszenarien (farbige Linien) und der 80. Perzentilbereich neuerer post-sresreferenzszenarien (grau schattierter Bereich). Gestrichelte Linien zeigen die gesamt Bandbreite der postsres-referenzszenarien. Die Emissionen beinhalten CO2, CH4, N2O und F-Gase. Rechte Tafel: Die durchgezogenen Linien sind globale Multimodell-Mittel der Erwärmung an der Erdoberfläche der SRES-Szenarien A2, A1B und B1, dargestellt als Fortsetzungen der Simulationen für das 20. Jahrhundert. Diese Projektionen rechnen auch Emissionen kurzlebiger THG und Aerosole mit ein. Die rosafarbene Linie steht nicht für ein Szenario, sondern für AOGCM-Simulationen, in denen die Konzentrationen konstant auf Jahr-2000Werten gehalten wurden. Die Balken rechts von der Abbildung zeigen die besten Schätzwerte (durchgezogene Linie innerhalb jedes Balkens) und die wahrscheinliche Bandbreite, die für dir sechs SRES-Musterszenarien für abgeschätzt wurde. Alle Temperaturen sind relativ zum Zeitraum (Bernstein et. al., 2008). {Abbildung SPM.5.} Treibhausgase, wie z.b. CO2 und Methan beeinflussen unterschiedlich stark die Energiebilanz der Erde, d.h. den Strahlungsantrieb. Die unterschiedliche Verweildauer verschiedener Treibhausgase in der Atmosphäre, und somit ihr Beitrag zum Treibhauseffekt, wird in Form von CO2-Äquivalenten dargestellt. Da z.b. 1 kg Methan jedoch 25 Mal stärker zum Treibhauseffekt beiträgt als 1 kg CO2 wird der Beitrag des Methans mit dem Fakr 25 multipliziert. Üblicherweise wird diese Maßzahl über einen Zeitraum von 100 Jahren angegeben (Bernstein et. al., 2008). Im Szenario A1B wird bis zur Mitte des 21. Jahrhunderts nahezu eine Verdopplung der weltweiten Treibhausgasemission von 40 GTCO2-Äquivalent auf 75 GTCO2-Äquivalent projiziert. Diese ist danach leicht rückläufig und liegt zum Ende des 21. Jahrhunderts bei 60 GTCO 2-Äquivalent (Bernstein et. al., 2008). Die Temperatur steigt im A1B-Szenario jedoch bis zum Ende des 21. Jahrhunderts kontinuierlich an. Im globalen Mittel wird eine Zunahme um 2.8 C projiziert mit einer Schwankungsbreite zwischen 4

5 1.8 C und 4.4 C. Da das Szenario A1B aber nur eine mögliche Entwicklung darstellt gehen somit die Bevölkerungsentwicklung, die Entwicklung der globalen und der regionalen Wirtschaft und die daraus hervorgehende Treibhausgasemission als Unsicherheitsfakren in die globalen Klimasimulationsergebnisse mit ein. Allen Szenarien gemein ist jedoch der kontinuierliche Anstieg der Temperatur im 21. Jahrhundert, auch wenn die Treibhausgasemissionen je nach Szenario mehr oder weniger stark zurückgehen. Hier spielen insbesondere Langzeiteffekte eine Rolle. Weitere Unsicherheitsfakren, die den globalen Strahlungsantrieb beeinflussen sind z.b. die Veränderung der Solarkonstante, Rückkopplungen durch Wolken, die Langzeitwirkung von Aerosolen sowie die Veränderung der Oberflächenalbedo durch Landnutzungsänderungen (Bernstein et. al., 2008). In den Klimasimulationen wird die Änderung der Landnutzung und die sich daraus ergebenden regionalen Klimaänderungen nicht mit einbezogen. Die globalen Klimamodelle rechnen heute üblicherweise mit einer horizontalen Gitterweite von 150 x 150 km². Diese Auflösung ist jedoch für regionale Fragestellungen viel zu groß, so dass in einem zweiten Schritt ein regionales Klimamodell verwendet wird um die Klimafolgen besser abschätzen zu können. Die Randbedingungen für das regionale Modell liefert das globale Klimamodell. Gleichzeitig werden aber auch die bereits erwähnten Unsicherheiten der globalen Klimamodelle an das Regionalmodell weitergegeben. In Deutschland werden die 4 großen regionalen Klimamodelle CLM, REMO, WETTREG und STAR mit dem Globalmodell ECHAM5, welches vom Max-Planck-Institut für Meteorologie in Hamburg entwickelt wurde, angetrieben. Für das statistische Modell STAR liefert das ECHAM5 allerdings nur die Trendvorgaben. Es gibt jedoch auch andere globale Klimamodelle, die auch ihren spezifischen Unsicherheitsbereich besitzen (Bernstein et. al., 2008). Würde also ein anderes Globalmodell als Antrieb verwendet werden, würden sich ebenfalls die Resultate des regionalen Klimamodells ändern. In jedem Fall beeinflusst das globale Modell auch das Ergebnis der Klimaänderungen im regionalen Klimamodell. Insbesondere bei der zukünftigen Änderung der Niederschläge herrschen noch sehr große Unsicherheiten, welches die Abbildung 3 verdeutlicht. Die weißen Flächen zeigen beispielsweise all jene Flächen der Erde wo weniger als 66% der Klimamodelle bezüglich des Vorzeichens der Niederschlagsänderung übereinstimmen. Nur auf den gepunkteten Flächen zeigt sich eine weitestgehende Übereinstimmung des Vorzeichens (>90%). Nichtsdestrotz sind diese Modelle der momentan beste Stand des Wissens und sie können unter Berücksichtigung der Unsicherheiten für weiterführende Untersuchungen eingesetzt werden. 5

6 Abb. 3: Relative Änderungen der Niederschläge (in Prozent) für den Zeitraum im Vergleich zu Die Werte sind Multimodell-Mittel, basierend auf dem SRES-A1B-Szenario für Dezember bis Februar (links) und Juni bis August (rechts). Flächen, für die weniger als 66% der Modelle bezüglich des Vorzeichens der Änderung übereinstimmen, sind weiß dargestellt; solche, für die mehr als 90% der Modelle bezüglich des Vorzeichens der Änderungen übereinstimmen, sind punktiert (IPCC, 2007). {WGI Abbildung 10.9, SPM} Das verwendete regionale Klimamodell hat ebenfalls Einfluss auf die Simulation der Klimaänderungen. Grundsätzlich stehen zwei Regionalisierungsansätze zur Verfügung. Die dynamischen Modelle repräsentieren die Dynamik der physikalischen und chemischen Prozesse in der Atmosphäre. Die Randbedingungen liefert das globale Zirkulationsmodell. Statistische Regionalisierungsverfahren stellen eine Beziehung zwischen großskaligen und regionalen Klimaparametern her. Diese werden aus langjährigen Messreihen der Klimastationen abgeleitet (Walkenhorst & Sck, 2009). Im Projekt ZWEK (Zusammenstellung von Wirkmodell-Eingangsdatensätzen für die Klimafolgenabschätzung) des DWD wurden ein Modellvergleich zwischen den dynamischen regionalen Klimamodellen CLM und REMO und den statistischen Regionalmodellen WETTREG und STAR durchgeführt. Die Abbildung 4 zeigt die Projektionen der 4 regionalen Klimamodelle für die Jahresmitteltemperatur. Als Referenzzeitraum dient die Periode In der oberen Zeile ist das Temperaturänderungssignal im Vergleich zum Referenzzeitraum aufgetragen. CLM und REMO zeigen einen ähnlichen Temperaturanstieg um 0.5 bis 1 K. Auch WETTREG zeigt die gleiche Tendenz, wenngleich die Änderung nicht ganz so stark ausfällt. Bei STAR wird der größte Temperaturanstieg von K berechnet. Für den Zeitraum im Vergleich zu werden von den statistisch-dynamischen Modellen CLM und REMO Temperaturerhöhungen um K projiziert, wobei beim statistischen Verfahren WETTREG der Anstieg mit K geringer ausfällt. Da mit STAR nur Berechnungen bis zum Jahr 2055 durchgeführt werden können entfällt diese in der Darstellung. 6

7 Abb. 4: Modellvergleich für die Jahresmitteltemperatur (SGA, 2007).Die obere Reihe zeigt die Änderung der Jahresmitteltemperatur für den Zeitraum im Vergleich zum Referenzzeitraum Die untere Reihe zeigt die Simulationsergebnisse für den Zeitraum im Vergleich zu Da die Projektionsrechnungen bei STAR nur bis 2055 durchgeführt wurden, wurde sie in der unteren Reihe nicht dargestellt. Die Simulation der Niederschlagsänderungen z.b. mit dem CLM zeigt, dass sich der Jahresniederschlag in Deutschland auch im 21. Jahrhundert nicht signifikant verändern wird. Allerdings kommt es zu einer saisonalen Verschiebung der Niederschläge, wobei im Winter Niederschlagszunahmen und im Sommer Niederschlagsabnahmen zu erwarten sind. Exemplarisch ist hier der Modellvergleich der Winterniederschläge in Abbildung 5 aufgeführt. Beim Winterniederschlag zeigen sich mittelfristig bei CLM und REMO sowohl Niederschlagszunahmen als auch -abnahmen. WETTREG simuliert für den Großteil Deutschlands eine Niederschlagszunahme um 5-15%. Lediglich im Osten Deutschlands zeigt sich kein signifikanter Trend. Bei STAR werden Niederschlagszunahmen im Norden und Niederschlagsabnahmen im Süden Deutschlands simuliert. Für den langfristigen Zeitraum zeigt sich jedoch in allen Modellen eine eindeutige Niederschlagszunahme, die jedoch bei WETTREG mit teilweise bis zu +50% deutlich höher ausfällt als bei CLM und REMO. 7

8 Abb. 5: Modellvergleich für die Summe des Winterniederschlags (DJF) (SGA, 2007). Die obere Reihe zeigt die prozentuale Änderung des Winterniederschlags für den Zeitraum im Vergleich zum Referenzzeitraum Die untere Reihe zeigt die Simulationsergebnisse für den Zeitraum im Vergleich zu Da die Projektionsrechnungen bei STAR nur bis 2055 durchgeführt wurden, wurde sie in der unteren Reihe nicht dargestellt. Die Abbildungen haben gezeigt, dass je nach verwendetem Klimamodell auch das Klimaänderungssignal mehr oder weniger stark variieren kann. Daher ist es grundsätzlich sinnvoll und auch notwendig möglichst viele Modelle miteinander zu vergleichen um die mögliche Spannbreite regionaler Klimaänderungen besser abschätzen zu können. Im Projekt Management von Klimafolgen in der Metropolregion Hannover-Braunschweig-Göttingen bilden die CLM-Simulationsergebnisse die Grundlage für die Abschätzung der Klimafolgen. Für die überwiegend hydrologischen Fragestellungen im Projekt ist jedoch auch die Auflösung des CLM mit 0.2, welches in etwa 16 x 18 km² entspricht, viel zu groß um regionale Abschätzungen treffen zu können. Daher werden die CLM-Simulationsergebnisse in einem nächsten Schritt auf eine Auflösung von 1 x 1 km² mit dem mesoskaligen Modell FITNAH herunterskaliert. Durch das Einbeziehen detaillierter Informationen zu Topographie und Landnutzung innerhalb der Metropolregion wird eine höhere Detailgenauigkeit durch intelligente Interpolation innerhalb des CLM-Gitters erreicht. Im Mittel bleiben die CLM-Simulationsergebnisse jedoch erhalten. Bei den FITNAH Simulationen handelt es sich nicht um Klimarechnungen, sondern um eine bessere Anpassung der Klimaparameter des regionalen Klimamodells an die lokalen Gegebenheiten. Allerdings wird die Landnutzung im 21. Jahrhundert nicht an die veränderten Klimabedingungen angepasst, so dass sich daraus ebenfalls ein 8

9 Unsicherheitsfakr ergibt. Die Abbildung 6 zeigt den Vergleich zwischen der Temperatur im CLM Raster (rechts) und dem 1km²-Raster, welches mit dem FITNAH berechnet wurde Abb. 6: Jahresmittel der Temperatur im Zeitraum Links: FITNAH im 1x1km Raster, rechts: CLM im 16x18km Raster Die Abbildung 6 verdeutlicht, dass durch das FITNAH ein deutlicher Mehrgewinn an Informationen erzielt werden konnte. Insbesondere regionale Temperaturunterschiede, z.b. bedingt durch die Höhenlage des Harz und des Sollings im Süden der Metropolregion, können vom FITNAH realistischer erfasst werden. Im CLM wird die Topographie deutlich abgeflacht dargestellt. Dort ist der Harz nur in etwa 500 m hoch. Abbildung 7: Jahresmittel der Temperatur im Zeitraum (DWD, 2003) Der Vergleich mit den tatsächlichen Beobachtungsdaten des DWD in Abbildung 7 zeigt, dass die 9

10 räumlichen Muster mit dem FITNAH sehr gut erfasst werden. Im direkten Vergleich wird die Temperatur vom CLM etwas höher simuliert als die Beobachtungen des DWD. Beim Niederschlag hingegen zeigen sich teils deutliche Abweichungen zwischen den CLM-Daten und den Beobachtungsdaten des DWD. Mit dem FITNAH kann auch für den Niederschlag eine detaillierte räumliche Verteilung angezeigt werden, wodurch z.b. auch Luv-Lee-Effekte sichtbar gemacht werden können. Nichtsdestrotz bleibt die vom CLM im Mittel deutlich zu hohe Niederschlagsprojektion weiterhin bestehen, welches die Abbildung 8 am Beispiel von Hannover verdeutlicht. Abb. 8: Vergleich der DWD-Beobachtungsdaten für die Jahressumme des Niederschlags mit den CLM-Daten für den Gitterpunkt Hannover. Für den Zeitraum wurde an der Station Hannover-Langenhagen ein mittlerer Jahresniederschlag von 655 mm gemessen. Vom CLM wird für den gleichen Zeitraum für diese Gitterbox ein mittlerer Jahresniederschlag von 788 mm simuliert. Die Differenz beträgt 133 mm, d.h. das CLM simuliert in diesem Fall 20% mehr Niederschlag als tatsächlich gemessen. Auch in anderen Regionen der Metropolregion wird der Niederschlag vom CLM systematisch zu hoch berechnet. Wie hoch der Modellfehler ist, ist jedoch nicht exakt bestimmbar, da auch die Vergleichsdaten, also die gemessenen Niederschläge vom DWD, mit Fehlern behaftet sind. Allein bei der Niederschlagsmessung ergibt sich ein Messfehler von teilweise bis zu 10-20% je nach Windverhältnissen. Darüber hinaus liegen die Niederschlagsmessstationen in Deutschland im Mittel 9 10

11 km voneinander entfernt. Die Daten werden dann vom DWD numerisch mittels der Inverse Distance Methode und Regressionsbeziehungen auf ein Gitter von 1 x 1 km² interpoliert (Müller-Westermeier, 1999). Die teils großen Abweichungen zwischen den DWD-Daten und den CLM Simulationsergebnissen sind außerdem auf die immer noch sehr grobe Auflösung des CLM von ca. 16 x 18 km² zurückzuführen, in der kleinräumige Phänomene, wie beispielsweise Luv-Lee-Effekte oder aber auch konvektive Niederschläge nur unzureichend dargestellt werden können. Der Jahresgang des Niederschlags wird jedoch sehr gut vom CLM erfasst (Keuler et. al., 2007). Da jedoch Abweichungen von teilweise bis zu +200 mm Niederschlag in einigen Regionen der Metropolregion für beispielsweise die Berechnung der Grundwasserneubildung oder aber für die Abschätzung des zukünftigen Wasserbedarfs für die Feldberegnung viel zu groß sind, wurden im Projekt Management von Klimafolgen in der Metropolregion Hannover-Braunschweig-Göttingen als Referenzdaten für den Zeitraum die DWD-Daten verwendet. Die vom CLM berechneten Niederschlagsmengen wurden hinsichtlich bestehender Trends analysiert und quantifiziert. Die bereits heute zu beobachteten Niederschlagszunahmen im Winter und die Niederschlagsabnahmen im Sommer werden vom CLM ebenfalls wiedergegeben und relativ auf die DWD-Daten angepasst. Ein weiterer Unsicherheitsfakr bei der Simulation des Klimas ist die interne Variabilität der Klimamodelle, welche auf den zahlreichen Wechselwirkungen der einzelnen Komponenten des Klimasystems beruht. Um diese abzubilden wurden mit dem CLM mehrere Realisierungen eines Szenarios gerechnet. Für den Kontrolllauf ( ) C20 wurden 3 Realisierungen durchgeführt (C20_1, C20_2 und C20_3) sowie für das Szenario A1B zwei Läufe (A1B_1 und A1B_2), die in der Abbildung am Beispiel der Jahresmitteltemperatur in der Metropolregion Hannover-BraunschweigGöttingen dargestellt sind. Die Rechnungen wurden basierend auf den gleichen Annahmen und mit den gleichen Randbedingungen aus dem globalen Modell ECHAM 5 durchgeführt. Lediglich die Startbedingungen wurden leicht verschoben, wodurch sich aber ebenfalls der Verlauf des Klimasignals ändert. Die verschiedenen Realisierungen helfen den Unsicherheitsbereich abzuschätzen und dürfen bei der kritischen Auseinandersetzung mit den Modellergebnissen nicht fehlen. Mit dem FITNAH wurde jedoch nur jeweils eine Realisierung, nämlich C20_2 und A1B_1 gerechnet. Die Betrachtung aller Realisierungen eines Szenarios ermöglicht es jedoch, den möglichen Schwankungsbereich der Klimasimulationsergebnisse zu quantifizieren und in planungsrelevante Prozesse zu integrieren. In der Abbildung 9 ist das Jahresmittel der Temperatur in der Metropolregion Hannover-Braunschweig-Göttingen dargestellt. 11

12 Abbildung 9: Das Jahresmittel der Temperatur in der Metropolregion Hannover-Braunschweig-Göttingen, simuliert mit CLM. Die dickeren Linien zeigen das 10-jährige gleitende Mittel. Die Abbildung verdeutlicht, dass sich bereits bei minimalem Verschieben der Anfangsbedingungen ein anderer zeitlicher Temperaturverlauf ergibt. Für die Temperatur ergeben sich beispielsweise für die 3 30-jährigen Mittelungszeiträume , und folgende Werte, wie sie in Tabelle 1 aufgeführt sind. Zeitraum / Szenario C20_1 C20_2 C20_3 A1B_1 A1B_ C 7.64 C 8 C C 8.98 C C C Tab. 1: Die mittlere Jahrestemperatur in der Metropolregion Hannover-Braunschweig-Göttingen für die verschiedenen Realisierungen des C20-Laufs für und die 2 Realisierungen des A1B-Szenarios für die Zeiträume und Während sich im 30-jährigen Mittel nur geringfügige Schwankungen von weniger als 0.5 K ergeben, zeigt sich insbesondere beim Vergleich einzelner Jahre ein hoher Schwankungsbereich, welcher in der Abbildung 10 veranschaulicht ist. Durch rote Punkte ist die Temperaturdifferenz in Kelvin zwischen den beiden Realisierungen A1B_1 und A1B_2 für die Jahresmitteltemperatur dargestellt. Auf der x- 12

13 Achse sind auf einer logarithmischen Skala die verschiedenen Mittelungszeiträume aufgetragen. Die Differenzen wurden im Zeitraum 2001 bis 2100 gleitend, um jeweils ein Jahr versetzt, gemittelt, wodurch sich die hohe Dichte der Punkte ergibt. Abb. 10: Schwankungsbreite der Jahresmitteltemperatur für die Realisierungen A1B_1 und A1B_2 im Zeitraum für verschiedene Mittelungszeiträume. Die Abbildung belegt, dass insbesondere beim direkten Vergleich zweier Jahre deutliche Differenzen zwischen A1B_1 und A1B_2 von bis zu 3 K Temperaturunterschied auftreten können. Je größer jedoch der Mittelungszeitraum ist, des geringer werden auch die Unterschiede. Üblicherweise wird ein Zeitraum von 30 Jahren betrachtet. Dabei liegt die maximale Differenz zwischen den beiden Realisierungen bei rund 0.5 K. Über den gesamten Simulationszeitraum, also 100 Jahre gemittelt, beträgt die Differenz 0.1 K und ist somit nicht signifikant. Beim Niederschlag zeigen sich weitaus größere Abweichungen, veranschaulicht in Abbildung 11. Selbst für den 30-jährigen Zeitraum betragen die Differenzen zwischen den beiden Realisierungen noch ± 50 mm. 13

14 Abb. 11: Schwankungsbreite des Jahresniederschlags für die Realisierungen A1B_1 und A1B_2 im Zeitraum für verschiedene Mittelungszeiträume. 14

15 Zusammenfassung Für den Umgang mit den Klimasimulationsergebnissen lassen sich folgende Schlüsse ziehen. Bei den Ergebnissen handelt es sich um Modellergebnisse von Szenarienrechnungen (keine Vorhersagen), die den heute besten Stand des Wissens darstellen. Sie können unterstützen bei der Abschätzung regionaler Klimafolgen. Allerdings können sie jedoch auch nur so gut sein, wie den ihnen zugrunde gelegten Annahmen. Grundsätzlich variieren die Unsicherheiten in Abhängigkeit von Parameter, Region und Zeithorizont und nehmen zu je weiter der Zeithorizont in der Zukunft liegt. Große Unsicherheiten herrschen beispielsweise noch bei der Analyse von Extremereignissen, da hier, um gesicherte Aussagen treffen zu können, sehr lange Zeitreihen mit hoher räumlicher und zeitlicher Auflösung notwendig sind (IPCC, 2007). Auch Niederschläge können vom Modell bislang nur mit relativ großen Unsicherheiten reproduziert werden. In der Abbildung 12 ist die prozentuale Verteilung der Unsicherheiten regionaler Klimamodellierung in Abhängigkeit des betrachteten Zeithorizonts dargestellt. Interne Variabilität Unsicherheit durch das Szenario Modellunsicherheit Abb.12: Die Unsicherheiten regionaler Klimamodellierung am Beispiel der globalen Mitteltemperatur (Hawkins & Sutn, 2009). Es wird deutlich, dass der Einfluss der internen Variabilität des Klimasystems, also den natürlichen Klimaschwankungen, abnimmt, je größer der zu betrachtende Zeitraum ist (Hawkins & Sutn, 2009). 15

16 Für kürzere Zeiträume, z.b. einzelne Jahre, steigt der Einfluss der internen Variabilität. Dies wurde am Beispiel der Metropolregion bereits in Abbildung 10 und 11 verdeutlicht. Daher empfiehlt es sich immer mehrere Dekaden zu betrachten. Die Unsicherheiten durch das angenommene SRES-Szenario nehmen im Laufe der Jahre zu, da die zugrunde gelegten Annahmen nur eine mögliche Entwicklung der Weltbevölkerung und der Treibhausgasemissionen darstellen. Nach Rahmsrf et. al. (2007) liegt der global gemittelte Temperaturverlauf bereits heute am oberen Rand der SRES-Szenarien. Die Modellunsicherheit ist definiert als die Abweichungen der simulierten Klimaänderungen von den Messdaten. Diese hängen von der Wahl des Regionalisierungsmodells und damit auch von der Regionalisierungsmethode ab. Laut Hawkins & Sutn (2009) sind die Unsicherheiten regionaler Klimamodellierung, die, bezogen auf die nächsten Dekaden, im Wesentlichen durch die Modellunsicherheiten und die interne Variabilität bestimmt sind, potenziell nur durch einen weiteren Fortschritt in der Klimasimulation zu verbessern. Die Unsicherheiten in der Modellkette von der globalen zur regionalen Klimasimulation soll zunächst am Beispiel der Temperatur (Abbildung 13) aufgezeigt werden. Die Daten wurden für Deutschland, für die Metropolregion und für den Gitterpunkt Hannover von der CERA-Datenbank heruntergeladen und ausgeschnitten. Für die Auswertung standen für das Szenario A1B für den Zeitraum folgende Daten aus der CERA-Datenbank zur Verfügung. ECHAM 5 CLM REMO WETTREG A1B_1 A1B_1 A1B (UBA) 10 verschiedene A1B_2 A1B_2 A1B (BFG) Realisierungen A1B_3 Tab. 2: Für die Auswertung verwendete Datensätze aus der CERA-Datenbank für das Szenario A1B. Für den Zeitraum wurden die Daten des C20 Laufs für das 20. Jahrhundert verwendet. ECHAM 5 CLM REMO WETTREG C20_1 C20_1 C20 (UBA) 10 verschiedene C20_2 C20_2 C20 (BFG) Realisierungen C20_3 C20_3 Tab. 3: Für die Auswertung verwendete Datensätze aus der CERA-Datenbank für den Referenzzeitraum

17 Aus den zur Verfügung stehenden Datensätzen wurde eine Matrix der Klimaänderungssignale für jede Realisierung berechnet. In einem zweiten Schritt wurde daraus der Mittelwert (im Folgenden mit einem Kreuz gekennzeichnet) sowie Minimum und Maximum berechnet, die die äußeren Begrenzungen der Balken darstellen. Die verschiedenen Realisierungen, die sich aus der Veränderung der Anfangsbedingungen ergeben, zeigen die interne Variabilität des Klimasystems auf und werden im Folgenden in Form von Spannbreiten wiedergegeben. Abb. 13: Die Änderung des Jahresmittels der Temperatur im Szenario A1B für den Zeitraum im Vergleich zu In der ersten Spalte ist die Spannbreite der globalen Temperaturänderungen aufgezeigt, die mit verschiedenen Globalmodellen unterschiedlicher Komplexität berechnet wurden. Vom IPCC (2007) wurde hierbei der Zeitraum im Vergleich zum Referenzzeitraum gewählt. Für das Szenario A1B wird von allen Modellen eine mögliche Temperaturerhöhung von K simuliert, wobei die beste Schätzung +2.8 K beträgt. Die Spannbreite von insgesamt 2.7 K resultiert dabei hauptsächlich aus der Komplexität der verwendeten Modelle, die sowohl einfache Klimamodelle, verschiedene Erdsystemmodelle mittlerer Komplexität und eine Vielzahl gekoppelter 17

18 Atmosphäre-Ozean-Modelle beinhalten (IPCC, 2007). Die nächsten Spalten zeigen den berechneten Temperaturanstieg der regionalen Klimamodelle REMO, CLM und WETTREG für den Zeitraum im Vergleich zur Referenzperiode zunächst für Deutschland, dann für die Metropolregion und schließlich für Hannover. Allen Modellen gemein ist der Antrieb aus dem gekoppelten Atmosphäre-Ozean-Modell ECHAM 5-MPIOM, welches die Randbedingungen liefert. Daher wurde der vom ECHAM5 projizierte Temperaturanstieg in rot ebenfalls dargestellt. Das globale Zirkulationsmodell ECHAM5 zeigt im Deutschlandmittel einen mittleren Temperaturanstieg um 3.5 K mit einer Spannbreite von ± 0.3 K. Vergleicht man dies mit der besten Schätzung der globalen Modelle im IPCC, so liegt die Temperaturerhöhung im Jahresmittel in Deutschland deutlich über dem mittleren globalen Temperaturanstieg. In der Metropolregion ist die Temperaturänderung im Vergleich zu geringfügig höher als im Deutschlandmittel. Da das ECHAM5 eine Gitterweite von 150 x 150 km² aufweist wurde für den Gitterpunkt Hannover ebenfalls der Wert für die Metropolregion verwendet. Mit dem ECHAM5 werden für alle drei Regionen höhere Werte als mit den Regionalisierungsmodellen berechnet. Im Vergleich der Regionalisierungsmodelle untereinander zeigt sich eine gute Übereinstimmung bei den dynamischen Modellen REMO und CLM. Für die Metropolregion wird mit dem CLM ein mittlerer Temperaturanstieg von 3.09 K (Spannbreite K) berechnet und mit REMO 3.23 K (Spannbreite K). Auffällig ist hier, dass beim REMO deutlich größere Spannbreiten möglicher Temperaturerhöhungen aufgezeigt werden als beim CLM. Die grünen Punkte beim CLM zeigen die im Projekt für weiterführende Untersuchungen verwendete Kombination der Realisierungen, in diesem Fall A1B_1 und C20_2. Es zeigt sich, dass diese jeweils die obere Begrenzung der Spannbreiten markieren und können somit innerhalb des CLMs als ein Maximumszenario gewertet werden. Das statistische Modell WETTREG liegt deutlich unter den Projektionen von CLM und REMO. Für Deutschland beträgt der mittlere Temperaturanstieg 2.15 K ± 0.05 K und liegt somit 1 K niedriger als CLM und REMO. Eine mögliche Erklärung könnte der unterschiedliche Regionalisierungsansatz sein, da WETTREG die Temperaturänderungen aus Stationszeitreihen statistisch ableitet. Die Abbildung verdeutlicht, dass bei allen Regionalisierungsmodellen Konsens darin herrscht, dass sich die Jahresmitteltemperatur erhöhen wird. Es wird jedoch auch deutlich, dass sich die Stärke des Klimaänderungssignals je nach Regionalisierungsmethode sowie auch durch das verwendete globale Zirkulationsmodell verändert. 18

19 Beim Niederschlag zeigen sich in allen 3 Untersuchungsräumen für den Zeitraum im Vergleich zur Referenzperiode im Sommer Niederschlagsabnahmen und im Winter Niederschlagszunahmen, welches die Abbildungen 14 und 15 verdeutlichen. In den beiden Abbildungen wurde das globale Mittel nicht dargestellt, da sich wie bereits in Abbildung 3 auf Seite 6 veranschaulicht, teils große regionale Unterschiede ergeben. Darüber hinaus stimmen die verschiedenen globalen Modelle für einige Regionen teilweise nicht einmal im Vorzeichen überein. Das ECHAM5 und somit auch die Regionalmodelle CLM, REMO und WETTREG zeigen für Deutschland, die Metropolregion und Hannover im Sommer Niederschlagsabnahmen zwischen -15% und -30% und für den Winter Niederschlagszunahmen zwischen 10 und 65%. Auch hier sind die beim CLM für weiterführende Betrachtungen verwendete Realisierungen A1B_1 und C20_2 mit einem grünen Punkt markiert. Beim Sommerniederschlag stellen sie ebenfalls für den betrachteten Zeitraum das maximale Szenario dar, wohingegen sie für die Wintermonate leicht darunter liegen, jedoch noch über dem Mittelwert. Abb. 14: Die prozentuale Änderung der Sommerniederschläge (JJA) im Szenario A1B für den Zeitraum im Vergleich zu

20 Beim Sommerniederschlag fällt auf, dass die Regionalisierungsmodelle recht gut sowohl untereinander, als auch mit dem ECHAM 5 übereinstimmen. REMO simuliert hier die geringsten Niederschlagsabnahmen. Auffällig ist die relativ geringe Spannbreite von maximal ± 5%. Beim Winterniederschlag zeigt sich ein differenziertes Bild. Auffällig ist auch hier die gute Übereinstimmung zwischen ECHAM 5 und CLM mit einer durchschnittlichen Niederschlagszunahme von 18%. REMO zeigt für Deutschland und Hannover zwar ähnliche Werte, aber einen deutliche größeren Schwankungsbereich. Bei der Metropolregion wird mit REMO ein doppelt so hohe Niederschlagszunahme als mit dem CLM berechnet. Die Spannbreite beträgt 13.8 bis 65.8% Niederschlagszunahme und einem Mittel von 40%. WETTREG simuliert ebenfalls deutlich höhere Werte für die Metropolregion zwischen 35 und 40%. Im Deutschlandmittel schwanken die Ergebnisse zwischen 23 und 48% im Szenario A1B. Abb. 15: Die prozentuale Änderung der Winterniederschläge (DJF) im Szenario A1B für den Zeitraum im Vergleich zu Die im Szenario A1B dargestellten Ergebnisse stehen sinnbildlich auch für die Szenarien A2 und B1, welche ebenfalls ausgewertet, aber aufgrund der Fülle an Informationen an dieser Stelle nicht 20

21 dargestellt werden. Das Szenario B1 zeigt insgesamt eine geringere Zunahme im Winter mit durchschnittlich 5-10% und Abnahmen zwischen -10 und -25% im Sommer. Das Szenario A2 wurde vom CLM nicht gerechnet, sodass hier nur die Werte von WETTREG und REMO zur Verfügung standen. Diese liegen in der gleich Größenordnung wie beim Szenario A1B. Wenngleich sich das Änderungssignal in den einzelnen Szenarien ändert, bleibt die Spannbreite, d.h. die interne Variabilität des Klimasystems in den einzelnen Regionalisierungsmodellen erhalten. Abschließend sei nochmal auf das Problem der Absolutbeträge der Niederschläge hingewiesen, welches die Abbildung 16 am Beispiel der Sommerniederschlagssumme verdeutlicht. Diese Abbildung ist um die Messwerte des DWD in schwarz erweitert. Die Werte für das Gebietsmittel des Niederschlags in Deutschland wurden der Homepage des Deutschen Wetterdienstes entnommen. Für die Metropolregion wurde der Mittelwert aus 16 Stationen gebildet, deren Messwerte bei MüllerWestermeier (1996) nachzulesen sind. Es zeigt sich sowohl bei CLM, als auch bei REMO eine Überschätzung der Sommerniederschläge. So beträgt die Differenz für die Station bzw. den Gitterpunkt Hannover bei CLM +50 mm und bei REMO +100 mm. Abb. 16: Die Summe der Sommerniederschläge (JJA) im Zeitraum Selbst unter Einbezug eines Messfehlers von durchschnittlich 10% bei den Niederschlagsmessungen, 21

22 welcher, laut Richter (1995), durch z.b. Windeinfluss entsteht, würden die Ergebnisse der dynamischen Modelle noch deutlich über den Messwerten liegen. Vom globalen Modell ECHAM5 wird der Niederschlag in allen drei Regionen unterschätzt. WETTREG zeigt eine sehr gute Übereinstimmung mit dem Gebietsmittels des Niederschlags in Deutschland und auch Hannover ist mit einer Abweichung von -20 mm recht gut getroffen. Dies liegt wahrscheinlich darin begründet, dass das statistische Regionalisierungsmodell auf einer Wetterlagenklassifikation basiert und auf Stationszeitreihen beruht. Abschließend lässt sich sagen, dass sich die Rolle der Unsicherheiten immer auch problemspezifisch gestaltet. Wie groß der jeweilige Toleranzbereich ist hängt auch immer von der jeweiligen Fragestellung ab. So ist dieser im hydrologischen Bereich, wie beispielsweise der Feldberegnung oder die Grundwasserneubildung sehr klein, da gerade in der niedersächsischen Landwirtschaft, in der schon heute zusätzlich bewässert wird, jeder Millimeter Niederschlag zählt. Da die Verträge für die Wasserentnahme bereits für 7 Jahre im Voraus gemacht werden, sind hier möglichst exakte Prognosen notwendig. In anderen Bereichen, wie z.b. dem Stadtklima sind die Unsicherheiten eher von untergeordneter Rolle. Hier ist es zwar entscheidend in welche Richtung sich Temperatur und Niederschlag verändern, aber nicht so sehr die exakte Höhe. Grundsätzlich gilt für die Abschätzung der Unsicherheiten, die regional voneinander abweichen können, dass immer möglichst alle Realisierungen mit einbezogen werden müssen um die Variabilität innerhalb eines Szenarios abzuschätzen. Die Betrachtung mehrerer Szenarien erscheint zudem sinnvoll um die mögliche Bandbreite des Klimaänderungssignals zu bestimmen. Die auch weiterhin für regionale Fragestellungen zu grobe Auflösung und die Unsicherheiten in der Modellkette erlauben es nicht, punktgenaue Aussagen zu treffen. Daher empfiehlt es sich immer ein größeres Untersuchungsgebiet zu betrachten und über mindestens 5 x 5 Gitterpunkte zu mitteln. Beim Vergleich mit den Beobachtungsdaten sollten ebenfalls nur Mittelwerte, Varianzen und Häufigkeitsverteilungen miteinander verglichen werden. Für die Metropolregion hat sich gezeigt, dass die Temperatur im Mittel sehr gut reproduziert werden kann. Für den 30-jährigen Zeitraum ergeben sich zwischen den beiden Realisierungen A1B_1 und A1B_2 Abweichungen von maximal 0.5 K. Beim Niederschlag sind die Unterschiede größer, welches einerseits auf Schwierigkeiten bei der Niederschlagssimulation durch z.b. regionale Besonderheiten zurückzuführen ist aber auch auf die Vergleichsdaten, die ebenfalls mit Fehlern behaftet sind. Da die absoluten Niederschläge in der Metropolregion systematisch zu hoch liegen, wurden für den Referenzzeitraum im Projekt Management von Klimafolgen in der Metropolregion HannoverBraunschweig-Göttingen die Daten des Deutschen Wetterdienstes verwendet. Für die absoluten 22

23 Niederschlagsänderungen wurden die relativen Änderungen dann auf die Niederschlagsmengen des DWD angepasst. Trotz der bestehenden Unsicherheiten ermöglichen die regionalen Klimamodelle einen Ausblick in die Zukunft zu geben und stellen so für die Entscheidungsträger ein geeignetes Werkzeug dar, regionale Klimaauswirkungen zu erkennen und rechtzeitig Handlungsmaßnahmen einzuleiten. Zukünftiges Ziel muss es dennoch sein, die Klimamodelle weiterhin zu verbessern und die Klimasimulationsergebnisse basierend auf den verschiedenen Unsicherheitsfakren kritisch zu hinterfragen. 23

24 Quellenverzeichnis: Bernstein, L., P. Bosch et. al., 2008: Klimaänderung 2007 Synthesebericht, Deutsche IPCC Koordinierungsstelle, Berlin, 109 S. CERA-Datenbank, 2010: Webseite: ( ) DWD, 2010: Zeitreihen von Gebietsmitteln, Webseite: ( ) Foken, T., 2003: Angewandte Meteorologie -Mikrometeorologische Methoden, Springer-Verlag Berlin Heidelberg New York, 289 S. Hawkins, E., R. Sutn, 2009: The potential narrow uncertainty in regional climate predictions, Bulletin of the American Meteorological Society, Volume 90, Issue 8, S IPCC, 2007: Summary for Policymakers. In: Climate Change 2007: The Physical Science Basis. Contribution of Working Group I the Fourth Assessment Report of the Intergovernmental Panel on Climate Change [Solomon, S., D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt, M. Tignor, and H.L. Miller (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA. Keuler, K. et. al., 2006: Quantifizierung von Ungenauigkeiten Klimaänderungssimulationen (QUIRCS), Abschlussbericht, 155 S. regionaler Klima- und Keuler, K. et. al., 2007: Hinweise zur Nutzung von CLM-Ergebnissen, CLM-Workshop und Kontaktforum, Powerpointpräsentation, Hamburg Müller-Westermeier, G. et. al., 1999: Klimaatlas Bundesrepublik Deutschland Teil 1, Selbstverlag des deutschen Wetterdienst, Offenbach am Main Müller-Westermeier, G., 1996: Klimadaten von Deutschland Zeitraum , Selbstverlag des deutschen Wetterdienst, Offenbach am Main, 431 S. Nationales Komitee für Global Change Forschung, 2009: Positionspapier: Regionale Klimamodelle Potentiale, Unsicherheiten und Perspektiven, 4 S. Rahmsrf, S., A. Cazenave, J.A. Church, J.E. Hansen, K.F. Keeling, D.E. Parker, J.C.J. Somerville, 2007: Recent Climate Observations Compared Projections, Science Vol. 316 No. 5825, S. 709 Richter, D., 1995: Ergebnisse methodischer Untersuchungen zur Korrektur des systematischen Meßfehlers des Hellmann-Niederschlagsmessers, Ber. d. dt. Wetterdienstes 194, 93 S. SGA, 2007: Das Projekt ZWEK des Deutsches Wetterdienstes, Webseite: ( ) Walkenhorst, O., M. Sck, 2009: Regionale Klimaszenarien für Deutschland Eine Leseanleitung, E-Paper der Akademie für Raumplanung [ ], Hannover, 16 S. 24