PUBLIZIERBARER Endbericht Studien

Transkript

1 PUBLIZIERBARER Endbericht Studien A) Projektdaten Titel: reclip:century-entwicklung eines Basisdatensatzes regionalisierter Klimaszenarien Programm: Klimafolgenforschung Project Call 2007 Koordinator/ Projekteinreicher: Kontaktperson - Name: Kontaktperson Adresse: AIT Austrian Institute of Technology GmbH Dr. Wolfgang Loibl Donau-City Str. 1, 1220 Wien Kontaktperson Telefon: Kontaktperson Projekt- und Kooperationspartner (inkl. Bundesland): Projektwebsite: +43(0) wolfgang.loibl@ait.ac.at Univ. f. Bodenkultur, Inst. f. Meteorologie (BOKU-Met), 1190 Wien Karl-Franzens-Univ. Graz, Wegener Zentrum für Klima und globalen Wandel, 8010 Graz, Stmk. Zentralanstalt für Meteorologie und Geodynamik (ZAMG), 1190 Wien Schlagwörter: Klimaszenarien, regionale Klimasimulationen, Datenbereitstellung Projektgesamtkosten: Fördersumme: Klimafonds-Nr: A Projektstart & Ende 10/2008 5/2011

2 B) Projektübersicht 1 Executive Summary Mit reclip:century wird ein konsistentes Ensemble von mehreren Klimaszenarien im 10x10km Raster für den Alpenraum mit Fokus Österreich generiert. Ziel war es, Klimaszenarien zu erzeugen, die auf unterschiedlichen Treibhausgaskonzentrationsanstiegen beruhen generiert mit unterschiedlichen Regionalmodellen unter Verwendung von Ergebnissen unterschiedlicher globaler Klimamodelle als Antriebsdaten. Die Ergebnisse sollen einereits der Klima-Impact-Forschung zur Verfügung stehen, darüber hinaus wurden Sensitivitäts- und Unsicherheitsanalysen durchgeführt, um entsprechende Aussagen über die Treffsicherheit der Ergebnisse machen zu können. In der aktuellen Phase 1 von reclip:century wurden vier transiente Ensembles - mit 2 Treibhausgas-Konzentrationsanstiegsszenarien und unterschiedlichen Globalmodell - Regionalmodell -Kombinationen - berechnet. Die Auswahl der Treibhausgasszenario-, Global- und Regionalmodell-Kombinationen berücksichtigt die internationale Erfahrung, dass die Modellwahl die Modellergebnisse (bis 2050) stärker beeinflusst, als alternative Treibhausgas-Szenariovarianten. Für den Zeitraum wurden 4 Klimasimulationen unter Anwendung der zwei IPCC Szenarien A1B und B1 durchgeführt. Die Antriebsdaten stammen von den zwei globalen Klimamodellen ECHAM5 und HadCM3). Die regionalen Simulationen erfolgen mit den zwei Regionalmodellen MM5 und CLM und liefern Ergebnisse für Mitteleuropa in einem 10km Raster. Vorab wurden Hindcast- und Control-Läufe für den Zeitraum mit ERA40 Daten bzw. Daten retropsektiver ECHAM5 und HADCM3 Läufe durchgeführt, um die Effekte des Einsatzes unterschiedlicher Antriebsdaten zu analysieren. Die Modellergebnisse - die gerasterten Datensätze der Simulationsläufe - und ausgewählter Klimawandel-Signale je Dekade werden der Öffentlichkeit über ein Data Warehouse zur Verfügung gestellt. 2 Hintergrund und Zielsetzung Bis dato standen für Österreich keine transienten Klimasimulationen in hoher Auflösung und parametrisiert für die Alpen und Österreich zur Verfügung. Europaweite Simulationen des Projekts Ensembles liegen nur in 20km Auflösung vor. Die REMO-UBA Simulationen des MPI in 10km Auflösung sind auf Deutschland zugeschnitten und bilden die Klimaentwicklung über den Alpen, v.a. was Niederschlag betrifft, nicht zuverlässig ab

3 Ein Projektteam unter der Leitung des Austrian Institute of Technology (AIT) mit Beteiligung des Instituts für Meteorologie der Universität für Bodenkultur, des Wegener Zentrums der Universität Graz sowie der Zentralanstalt für Meteorologie und Geodynamik hat sich deshalb zum Ziel gesetzt, ein für Österreich und den Alpenraum maßgeschneidertes Ensemble regionalisierter Klimaszenarien zu erarbeiten, um einheitliche, für Österreich gültige Datengrundlagen zu schaffen, mit welchen die Auswirkungen des Klimawandels analysiert werden können. Schwerpunkte des Projektes Ziel dieses Projekts ist es, ein konsistentes Ensemble von Klimaszenarien im 10x10km Raster für den Alpenraum mit Fokus Österreich mit verschiedenen regionalen Klimamodellen unter Verwendung verschiedener Globalmodell-Ergebnisse denen unterschiedliche Treibhausgasszenarien zugrunde liegen, zu berechnen. Insgesamt werden vier Jahrhundert-Simulationen mit zwei regionalen Klimamodellen durchgeführt, die auf Daten zweier globaler Klimamodelle aufsetzen und auf zwei IPCC- Szenarien der Entwicklung künftiger Treibhausgas-Konzentrationen basieren. Die Validierung der Ergebnisse anhand der Control- und Hindcast Modelläufe und Uncertainty- Analysen der Zukunftsszenarien erlauben eine Abschätzung der Unsicherheitsbereiche. Aus den stündlich vorliegenden Simulationsergebnissen werden Monats- und Jahresmittel abgeleitet, weitere Indikatoren z. B. Extremereignisse betreffend (Hitzeperioden, Starkregenereignisse) werden aus Tagesdaten errechnet. Ausgewählte Rasterdatensätze, Stundendaten sowie Mittelwerte (bzw. Summen) für Monate und Jahre für Temperatur und Niederschlag und weitere Indikatoren werden über ein Web-Interface bereitgestellt Das Projekt wird in zwei Phasen durchgeführt. Projektphase 1 liefert Simulationsergebnisse für den Zeitraum 1960 bis 2000 (für die Modellvalidierung) und Szenarien bis (Projektphase 2 führt die Simulationen bis 2100 fort und ergänzt das Ensemble um ein weiteres Treibhausgasszenario. Einordnung in das Programm Ein Ensemble von Klimaszenarien mit hoher Aussagekraft für den Alpenraum dient der gesamten Österreichischen Klima- und Klimafolgenforschung. Hier insbesondere auch den drei deklarierten Zielen des ACRP-Programms coordinating and strengthening existing climate research in Austria, and integrating it into international research networks; promoting climate research that produces useful results for Austria s scientific, business and public policy communities; strengthening Austrian capacity for advanced (interdisciplinary) analysis and integrated assessment with policy-relevance. Die Ergebnisse dieses Projektes sind ein wichtiger Meilenstein auf den Weg zu einem nationalen Ensemble an Klimaszenarien.

4 Verwendete Methoden Die eingesetzten Methoden sind in erster Linie numerische Modelle, welche das Klima in diskreten Zeitschritten räumlich explizit in einem regionalen Maßstab simuliert. Hinzu kommen: statistische Verfahren zur Datenanalyse, Einsatz Geographischer Informationssysteme und Map-Algebra Funktionen zur räumlich expliziten Darstellung von Simulationsergebnissen und zur Berechnung (absoluter sowie relative) Differenzen zur Darstellung der Klimaänderungssignale. Aufbau der Arbeit Die Arbeit gliedert sich in folgende Workpackages (WPs) WP A Datenaufbereitung Modellinput (Antriebs- und Prüfdaten für regionale Klimamodelle) WP B Simulation: Hindcast und Kontrollläufe des aktuellen Klimas WP C Simulation: Szenarioläufe des künftigen Klimas bis 2050 WP D Evaluierung der Ergebnisse WP E Abschätzung der Unsicherheiten WP F Ergebnisanalyse zur Identifizierung der regionalen Signale des Klimawandels, WP G: Aufbereitung der Datensätze und Auswertungen; Daten-Bereitstellung Das Projekt wurde vom Austrian Institute of Technology (AIT) koordiniert und mit den Partnerinstitutionen Institut für Meteorologie der Universität für Bodenkultur (BOKU-Met), Wegener Zentrum für Globalen und Klimawandel, Universität Graz, sowie Zentralanstalt für Meteorologie und Geodynamik (ZAMG). durchgeführt. Die meisten Workpackages wurden den Partnern gemeinsam bearbeitet: WP A Datenaufbereitung (alle Partner in unterschiedlichem Ausmaß WP B und C - Simulationen in folgender Aufteilung AIT: HADCM3-getriebene CCLM Simulationen BOKU-Met: ECHAM5-getriebene MM5 Simulationen. Wegener Center und ZAMG: ECHAM5 getriebene CCLM Simulationen. WP D: Evaluierung: BOKU-Met: Niederschlag, Globalstrahlung, ZAMG: Temperatur WP E Unsicherheits-Analysen: Wegener Center WP F und G Ergebnisanalyse und Datenbereitstellung: AIT

5 3 Projektinhalt und Ergebnis Auswahl der Antriebsdaten Die Auswahl der Szenarien und Globalmodelle als Antriebsdaten für die regionalen Simulationen erfolgte nach eingehender Prüfung. Sie geht von folgenden Bedingungen aus: Es sollen zwei unterschiedliche GCMs verwendet werden,, ECHAM5, das bereits in reclip:more (Loibl et al., 2009) verwendet wurde, steht als ein Referenz-GCM fest, Das zweite GCM soll im Hinblick auf den zu erwartenden Anstieg der Treibhausgaskonzentration eine höhere Klimasensitivität als ECHAM5 zeigen. Als erste Wahl eines globalen GCM-Datensatzes wird das gekoppelte Atmosphäre-Ozean- GCM Modell (AOGCM) ECHAM5/MPI-OM (mit einer horizontalen Auflösung von T63 - etwa 180 km), verwendet, das eine mittlere Klimasensitivität zeigt. Die Wahl des zweiten GCM-Datensatzes erfolgte nach einer Analyse aller CMIP3 Datensätze (der globalen Klimaszenarien für den IPCC AR4) über Europa. Dabei wurde die Wahl von ECHAM5 als ersten Datensatz durch seine bessere Performance als andere GCMs bestätigt (Prein, 2009). HadCM3 zeigt sich als Datensatz mit ähnlich guter Performance, obwohl HadCM3 über eine gröbere horizontale Auflösung (T42, ca. 250 km) verfügt. Die HadCM3 Ergebnisse liegen nahe dem Mittelwert des CMIP3 Multi-Modell-Ensembles und zeigen damit einen steileren Temperaturanstieg als jene der ECHAM5/MPI-OM Simulationen (vgl. Abbildung 1). Damit kam das Konsortium überein, die Daten dieses Modells als 2. Antriebsdatensatz zu verwenden. Für die Hindcast-Läufe mit den RCMs CLM und MM5 wurden ERA40 Daten für den Zeitraum 1961 bis 2000 herangezogen und aufbereitet. Die GCM-Daten für die Control-runs und die Scenario runs wurden in ihrer verfügbaren Auflösung für den Zeitraum 1960 bis 2050 heruntergeladen (ECHAM5/MPI-OM: T63, ~ 180 km; HadCM3: T42, ~ 250 km). ECHAM5/MPI-OM Daten wurden dazu aus der Datenbank CMIP3 der IPCC-Daten Distributionszentrum abgerufen. Der Abruf der Daten HadCM3 erwies sich als schwierig, da am Hadley Center die notwendigen Daten nicht in 6h-iger zeitlicher Auflösung zur Verfügung standen. Schließlich wurden die Daten von AIT von der ETH Zürich bezogen. Als heranzuziehende Treibhausgas-Szenarien A1B und B1 festgelegt. Abbildung 1 zeigt eine Gegenüberstellung von möglichen GCM-RCM-Kombinationen. Das Ziel hierbei war, durch die hier ausgewählten Szenarioläufe eine Bandbreite an Klimaprojektionen zu erreichen und damit Modellen zu nutzen, die weniger und stärker auf denselben Treibhausgasanstieg (greenhouse gas, GHG) reagieren. Als Referenzszenario wurde die GCM/RCM/GHG-Kombination ECHAM5/CCLM A1B ausgewählt. Als alternatives GHG-Szenario zu A1B wird B1 gewählt, sodass als weitere Kombination ein ECHAM5/CCLM B1 Lauf simuliert wird.

6 Als alternativer A1B-Antriebsdatensatz wird HadCM3 herangezogen, der CCLM antreibt, und somit ein Szenario HadCM3/CCLM-A1B generiert. Um das Referenzszenario mit einer zweiten RCM-Simulation zu vergleichen, wurde wieder das bereits öfter eingesetzte Regionalmodell MM5 herangezogen, welches, wie auch das Referenzszenario, mit ECHAM5 angetrieben wird: ECHAM5/MM5-A1B. Die folgende Tabelle 1 zeigt die GCM-RCM-GHG-Szenario Kombinationen der berechneten Simulationen Ensembles Phase 1 Regionalmodell COSMO CLM Antriebsdaten hindcast control run scenario runs ERA40 Messdaten A1B B1 ECHAM HADCM Regionalmodell MM5 Antriebsdaten hindcast control run scenario runs ERA40 Messdaten A1B B1 ECHAM Tab. 1: Übersicht über die durchgeführten Simulationen (gelb unterlegt) Für die Berechnungen wurden folgende Domains und Setups festgelegt: EU-Domain: von Island/Russland bis Nordafrika, 104 x 104 Zellen, Auflösung 0,44 Grad (~50 km) ALPS- Domain: vom Golf von Lyon bis Budapest und von Korsika bis Südpolen ( 4 E und 19 E und 43 N und 50 N, 125 x 110 Zellen; Auflösung 0,09 Grad (~10 km). COSMO CLM: Domain 1 50km, Domain2 10 km, 32 vertikale Layer, Rechenschritte; 360 sec, 80 sec MM5: Domain 1 30 km, Domain 2 10 km, 31 vertikale Layer, Rechenschritte; 30sec, 10 sec.

7 Hindcast und Controlläufe Wie aus Tab 1 hervorgeht wurden 2 Hindcast Läufe unter Nutzung der ERA40 Daten mit den Regionalmodellen MM5 und COSMO CLM (CCLM) durchgeführt, um damit die Modellparametrisierung, sowie Validierungen durchzuführen. Auf die Ergebnisse der Läufe selbst wird hier nicht eingegangen Validierung: Vergleich Hindcast und Control runs mit Beobachtungsdaten: Temperatur in C Abb. 1: Differenz der simulierten Temperaturminima in (tasmin), Mittelwerte (tas), und Maxima (tasmax) der Hindcast-Läufe und der gegitterten Beobachtungen aus E-OBS [ C] Generell zeigt sich ein negativer Bias der Simulationen gegenüber den Reanalysedaten: die Temperaturmittelwerte werden vom Modell CCLM um 0,5-1 C, vom Modell MM5 um 2-3 C unterschätzt. Die Temperaturmaxima werden von beiden Modellen unterschätzt mit Werten von 0 bis mehr als 3 C im MM5

8 in C Abb. 2: Mittlere saisonale Abweichung der 2m-Temperatur [ C]; CCLM-Hindcast vs HISTALP, 1961/2000 Zwischen den Saisonen zeigen sich deutliche Unterschiede: Der Bias wird vor allem durch die simulierten Winter und Frühjahrsperioden geprägt, während im Sommer und Herbst in den Flachund Hügellandbereichen im Osten und in der Po-Ebene eine leicht Überschätzung (0,5-1 C) zu beobachten ist. (Das rot-blaue Rauschen entlang des Alpenbogens - vor allem im Frühjahr und Sommer - also das Springen der Abweichungen zwischen + und Werten erfolgt vor allem durch die Interpolation der HISTALP-Daten). Niederschlag Abb.3: Relative Niederschlagsanomalie im Sommerhalbjahr (oben) und im Winterhalbjahr (unten) links MM5 und rechts CLM jeweils ERA40 getrieben, verglichen mit ETHZ Niederschlagsdaten

9 Als Referenz für den Niederschlag im Alpenraum wurde nicht der E-OBS Datensatz (Haylock et al., 2008) verwendet, da bei diesem die räumliche Dichte der Stationen nicht ausreicht, um die räumliche Niederschlagsvariabilität abzubilden. Statt dessen wurde der gerasterte Niederschlagsdatensatz auf Tagesbasis der ETH-Zürich (Frei et al., 1998) verwendet. Sowohl CCLM als auch MM5 zeigen beim Antrieb mit Reanalysedaten räumlich strukturierte Abweichungen im Alpenraum gegenüber den Beobachtungen, die an einzelnen Gitterpunkten über 100 % gehen können. Beide Modelle sind sowohl im Sommer- als auch im Winterhalbjahr zu feucht (~ 20 %), und die Überschätzung ist am stärksten am Alpenhauptkamm. Es ist jedoch anzumerken, dass die Unsicherheit der Niederschlagsmessungen durch Verdriftung durch Wind mit zunehmender Höhenlage stakt zunimmt. Im Winter beispielsweise beträgt der Fehler für Messungen über 1500m mehr als 40% (Sevruk,1985). Frei et al. (2003, Tabelle 1) geben für gerasterte Analysen an, dass der Winterniederschlag im Mittel etwa um 11% unterschätzt wird, im Sommer um ca. 6%. Abb. 4: Vergleich der Niederschlags-Simulationen mit Mess- und Reanalysedaten Der Vergleich der Control runs mit den Hindcast runs und den Messdaten zeigt bei den Niederschlägen meist eine Überschätzung der Hindcast-Ergebnisse gegenüber den (gerasterten) Messungen: Die Control runs zeigen unterschiedliche Trends: der ECHAM5 Control run zeigt mit Ausnahme des Sommers eine deutliche Überschätzung der Niederschläge; der HadCM3 Control run zeigt gegenüber dem Hindcast run eine Unterschätzung der Niederschläge während der Monate Dezember bis April und der Monate Juli und August. Aufgrund der Unsicherheiten werden die Signale des Klimawandels schließlich nicht als Differenz der Zukunftsszenarien von den aktuellen Messdaten dargestellt, sondern als Differenz der (alternativen) Simulationen eines künftigen Klimas von der Simulation des gegenwärtigen Klimas (dem Controlrun). Um diese Fehlerbandbreiten einzugrenzen wird auf die Simulation des regionalen Klimas der Gegenwart unter Verwendung von Simulationsergebnissen von GCMs der Gegenwart (Control runs unter Verwendung von GCM-Simulationen, die auf Treibhausgaskonzentrationen der Kontrollperiode - oft ) aufbauen), sowie von Simulationen unter Verwendung globaler Messwerte in GCM-Auflösung als Antriebdaten (dem ERA40-Datensatz für den Hindcast run) großer Wert gelegt. Die Differenz zwischen dem Hindcast run und dem Control run zeigt den regional schwankenden Fehlerbereich von dem auszugehen ist und je nach verwendeten RCM/GCM Kombinationen variiert. Die Differenzen zwischen dem Control run und den Scenario runs (die jeweils mit dem identen

10 Regionalmodell, angetrieben mit Daten desselben GCMs generiert werden) zeigen das Klimaänderungssignal. Strahlung Bei der Globalstrahlung zeigen sowohl CCLM als auch MM5 eine recht gute Übereinstimmung mit den Beobachtungsdaten. Bei der Globalstrahlung stehen keine gerasterten flächendeckenden Tagesdaten zur Verfügung, daher wurden Stationsbeobachtungen verwendet (WRDC, 2011). Verglichen mit Regionalmodellen des EU-Projektes ENSEMBLES zeigen die beiden reclip:century Läufe deutlich bessere Ergebnisse (siehe Abb. 6). Die ENSEMBLES Modelle wurden jedoch mit 25 km Auflösung betrieben. CCLM ist hierbei das einzige Modell das im Sommer tendenziell eine Unterschätzung aufweist. Dies liegt in erster Linie an einer Unterschätzung von nahezu wolkenlosen Tagen. Abb.5: Abweichung der Globalstrahlung (saisonale Summen) an 25 Stationen im Alpenraum. CCLM und MM5 sowie 3 ENSEMBLES Modelle jeweils angetrieben von ERA40 Der Übergang von Reanalyseantrieb zu GCM Antrieb zeigt bei der Globalstrahlung keine so starke Wirkung wie beim Niederschlag. In Abb. 7 sind exemplarisch die Ergebnisse vom CCLM für Wien dargestellt. Grundsätzlich zeigen alle Modellergebnisse ähnliche Abweichungen. Im Frühjahr und Sommer zeigt das Modell eine deutliche Unterschätzung der strahlungsreichen Tage, im Winter und Frühjahr werden hingegen die sehr trüben Tage unterschätzt. Die starke Niederschlagszunahme im ECHAM5 Fall führt im Winter natürlich zu einer noch deutlicheren Überschätzung strahlungsarmer Tage. Im Sommer zeigt CCLM bei Betrieb mit HadCM3 gegenüber jener mit ECHAM5 eine realistischere Strahlungsverteilung. Dies liegt aber an der deutlichen Niederschlagsunterschätzung bei dieser Modellkombination in den Monaten Juli und speziell im August.

11 Abb. 6: Häufigkeit der Tagessummen der Globalstrahlung in Wien, Beobachtung (schwarz) sowie CCLM Modellergebnisse betrieben mit ERA40-Reanalyse-Daten, HadCM3 und ECHAM5 Ergebnisse der Szenario-Simulationen Die Simulationen aller Modelle werden über den Zeitraum in diskreten Zeitschritten von unterschiedlicher Länge durchgeführt: Die Simulationen für die EU-Domain im 80 sec.-intervall (MM5) bzw. im 360 sec.-intervall (CCLM), jene für die ALPS Domain im 10sec.-Intervall (MM5) bzw. im 80 sec.-intervall (CCLM). Abgespeichert werden die Daten dann stündlich als 3D-Felder, daraus werden Tagesmittelwerte (sowie Minima und Maxima) bzw. Tagessummen (für Niederschlag) und in weiterer Folge Monatsmittel/Summen, saisonale Mittel/Summen und Jahresmittel/Summen (bezogen auf 10 Jahres-- oder 30 Jahresperioden) und davon die absoluten oder relativen Differenzen zwischen den Perioden berechnet. Die folgenden 2 Tafeln zeigen die 30 Jahresmittelwerte für Temperatur und Niederschlagsummen 1971/2000 und 2021/2050 für zwei A1B Szenarien (Abb. 7 und 8). Danach folgen die Kartendarstellung der Klimasignale in ihrer regionalen Variabilität die Differenzen der Jahresmittelwerte zwischen den 30-Jahre-Perioden 1971/2000 und 2021/2050 in C bzw. für den Niederschlag in Prozent der Niederschlagssumme - für alle vorliegenden reclip:century Szenarien (Abb. 9 und 10). Dahinter folgen die Differenzkarten für alle Jahreszeiten (Abb11 bis 14). Die Karten aller saisonaler Temperaturmittel und Niederschlagssummen für die 30-Jahr-Perioden 1971/2000 und 2021/2050 (6 Tafeln mit je 8 Karten) sind nur in der Langfassung des Berichts enthalten, um die 20 Seiten-Vorgabe für die Ergebnisse so gut als möglich einzuhalten.

12 Abb. 7: Jährliche Temperaturmittel (in C) für die 30-Jahre-Periode 1971/2000 sowie 2021/2050: (Szenarien: ECHAM5/CCLM/A1B (oben), HadCM3/CCLM/A1B (unten) Abb. 8: Mittlere jährliche Niederschlagssummen (in mm) für 1971/2000 sowie 2021/2050. (Szenarien: ECHAM5/CCLM/A1B (oben), HadCM3/CCLM/A1B (unten)

13 Abb. 9: Entwicklung der mittleren jährlichen Temperaturen: 30-Jahre-Periode 2021/2050 gegenüber 1971/2000, Temperaturänderung in C (ECHAM5/CCLM/A1B, ECHAM5/CCLM/B1, HadCM3/CCLM/A1B) Abb. 10: Veränderung der jährlichen Niederschläge (in %): 30-Jahre-Periode 2021/2050 gegenüber 1971/2000 (ECHAM5/CCLM/A1B, ECHAM5/CCLM/B1, HadCM3/CCLM/A1B)

14 Abb. 11: Entwicklung der saisonalen Temperaturen Frühling, Sommer: 30-Jahre-Periode 2021/2050 gegenüber 1971/2000, Temperaturänderung in C (Szenarien: ECHAM5/CCLM/A1B, ECHAM5/CCLM/B1, HadCM3/CCLM/A1B)

15 Abb. 12: Entwicklung der saisonalen Temperaturen Herbst, Winter: 30-Jahre-Periode 2021/2050 gegenüber 1971/2000, Temperaturänderung in C (Szenarien: ECHAM5/CCLM/A1B, ECHAM5/CCLM/B1, HadCM3/CCLM/A1B)

16 Abb. 13: Veränderung der saisonalen Niederschläge in %. Frühling, Sommer: 30-Jahre-Periode 2021/2050 gegenüber 1971/2000 (ECHAM5/CCLM/A1B, ECHAM5/CCLM/B1, HadCM3/CCLM/A1B)

17 Abb. 14: Veränderung der saisonalen Niederschläge (in %) Herbst, Winter: 30-Jahre-Periode 2021/2050 gegenüber 1971/2000 (ECHAM5/CCLM/A1B, ECHAM5/CCLM/B1, HadCM3/CCLM/A1B)

18 Temperatur und Niederschlagsentwicklung nach Regionen Die folgende Tafel (Abb.15) fasst die Entwicklung für Österreich nach Klimaregionen zusammen. Beim Temperatursignal wurden die Ergebnisse aller 3 vorliegenden Simulationen (HadCM3/CCLM/A1B; ECHAM5/CCLM/A1B, ECHAM5/CCLM/B1) in ihrer Bandbreite dargestellt oft sind die Trends der 3 Szenarien ähnlich, sodass dann nur ein Wert (etwa der Mittelwert) in die Regionen eingetragen wurde. Bei größeren Abweichungen wurde der Ausreißer (i.d.r. das HadCM3/CCLM-Szenario) und die anderen beiden, einander ähnlichen durch Schrägstriche getrennt angeführt Beim Niederschlagssignal hier ist die Abweichung nun in % dargestellt- weichen die saisonalen Ergebnisse der Szenarien stark voneinander ab. Das B1-Szeanrio liefert dabei oft völlig entgegengesetzten Trends, weshalb hier nur die mehrheitlich ähnlich verlaufenden Trends der beiden A1B-Szenarien berücksichtigt werden: Bei Änderungen innerhalb von +/- 10 % werden, als innerhalb der Unsicherheitsbandbreite liegend, nur der Änderungstrend mit Richtung <- oder -> registriert. Wenn eines der Szenarios Ergebnisse über bzw. unter +/- 10 % liefert, wird etwa der Mittelwert der Abweichung in % angeführt. Zusammenfassend können folgende Aussagen gemacht werden: die Temperatur-Trends sind eindeutig : alle Szenarien zeigen einen deutlichen Anstieg Niederschlag: hier zeigen sich Differenzen zwischen den Szenarien, die sich allerdings auf niedrigem Niveaubewegen generell: finden sich deutliche saisonale Unterschiede: Winter: Temperatur +1,6 bis 2,2 C, Niederschlag: Zunahme +8 bis +13% im Osten mehr im Süden und Westen weniger Frühling: Temperatur +1 bis 1,2 C, Niederschlag: konstant bis leichte Abnahmen, im Osten deutlicher Sommer: Temperatur +1 bis 2,5 C, Niederschlag: geringe Abnahme, Szenarien uneinig! im Süden deutlicher Herbst: Temperatur +1,7 bis 2,3 C, Niederschlag: geringe Abnahme, W, S: mehr, N: divergent im S, SO, in den Niedere Tauern: deutlicher

19 Abb. 15: Regionale Klimaänderungssignale der reclip:century Szenarien gegenüber 1971/2000: Differenz der saisonalen Temperaturmittelwerte (bei HadCM3/CCLM/A1B; ECHAM5/CCLM/A1B, ECHAM5/CCLM/B1), relative Änderung des Niederschlags in % ( bei HadCM3/CCLM/A1B; ECHAM5/CCLM/A1B: explizit in % oder bei geringer Änderung - nur als <-/-> Trend)

20 Zur Repräsentativität des reclip:century Ensembles Die Repräsentativität der Ergebnisse wurde durch Vergleich mit den ENSEMBLES -Simulationen ( anhand der saisonalen Temperatur und Niederschlagsveränderung 1961/ /2050 für die Alpen-Domain überprüft (Heinrich G., 2011). Abb. 17: Einbettung der Klimasignale der reclip:century Simulationen in die Signale der ENSEMBLES- Simulationen für den Winter Abb. 16: Einbettung der Klimasignale der reclip:century Simulationen in die Signale aller möglichen ENSEMBLES GCM/RCM Kombinationen für den Winter

21 Die beiden Abbildungen zeigen (am Beispiel der Winter-Signale) wie gut die reclip:century Simulationen die Bandbreite der ENSEMBLES-Simulationen abdecken. (Abbildung 21 zeigt die simulierten Ergebnisse für alle möglichen ENSEMBLES-RCG/GCM-Kombinationen zur Kompensation der Ungleichgewichte die durch Konzentration der Simulationen mit bestimmten Modellkombinationen auftreten können. (Heinrich G., 2011) Datenbereitstellung: Die Simulationsergebnisse wurden auf der Projekthomepage zum Download zur Verfügung gestellt. Dazu wurde eine Benutzeroberfläche entwickelt, welche die Möglichkeit bietet, Daten auszuwählen, sowie beliebige Zeitspannen aus den Modelläufen zu visualisieren, und auch Daten etwa eines Transekts - in einem Diagramm darzustellen, wie die folgende Abbildung illustriert: Abb. 17: reclip:century GUI für Daten-Auswahl, Visualisierung und Exploration. (

22 3 Schlussfolgerungen und Empfehlungen Projekterkenntnisse: Ein wichtiges Ergebnis ist, dass die nationalen reclip:century Szenarien in der Bandbreite der europäischen Ensembles liegen und diese in höherer Auflösung - gut repräsentieren. Aus unserer Sicht ist die Zahl der nationalen Szenarien in hoher Auflösung noch nicht groß genug, um die Unsicherheitsbandbreiten ausreichend gut zu belegen. Bei der Temperaturentwicklung zeigen sich eindeutige Trends, bei der Veränderung des Niederschlags wären noch weitere Modelläufe notwendig, um die regionalen Unterschiede besser beurteilen zu können. Künftige Weiterarbeit mit den Ergebnissen Zweck des Projekts war die Bereitstellung von Ergebnissen für die weiterführende Klimafolgenforschung. Natürlich sind die Projektergebnisse für die Klimaforschung und Klimafolgenforschung von großem Nutzen und damit ein bedeutender Baustein zur Politikunterstützung. Sie bilden eine wesentliche Grundlage für die Entwicklung von Anpassungsmaßnahmen und werden eine regionsspezifische, flexible Steuerung dieser Maßnahmen ermöglichen. Die Ergebnisse werden auch in die nationale Anpassungsstrategie einfließen. Sie stehen, für jedermann zugänglich, zum Download auf der AIT-Webseit ( ) zur Verfügung können aber auch auf der Homepage des Klima- und Energiefonds veröffentlicht werden. Relevanz für andere Zielgruppen Die Simulationsergebnisse werden für die Öffentlichkeit über ein Data-Warenhouse verfügbar gemacht. Mit den Ergebnissen liegen erstmals einheitliche Datensätze für Österreich vor, welche die Basis für weiterführende Forschungsarbeiten in der Klimafolgenforschung liefern und dazu beitragen, die Ergebnisse unterschiedlicher Projekte vergleichbar zu machen. Sowohl das Projektteam, wie auch andere ForscherInnengruppen werden die Daten weiter nutzen, Mitglieder des Projektteams werden andere Teams unterstützen, wenn es darum geht detaillierte Modellergebnisse auf Stundenbasis in neuen Projekten zu nutzen.

23 C) Projektdetails 4 Methodik Grundlagen zur Klimamodellierung Klimamodelle simulieren das Klimasystem der Erde auf Grundlage von physikalischen Gesetzen mit mathematischen Gleichungen. Diese Gleichungen stellen die Komponenten des Klimasystems und ihre komplexen Wechselwirkungen vereinfacht dar und sind damit kein exaktes Abbild der Realität. In Abhängigkeit der jeweilig eingesetzten Näherungen können sich die Ergebnisse der einzelnen Modelle daher mitunter stark unterscheiden. Das Grundgerüst derartiger Modelle besteht aus den primitiven (d. h. ursprünglichen) Gleichungen, die deshalb so genannt werden, weil sie aus ersten physikalischen Prinzipien hergeleitet und (fast) frei von Annahmen sind. (Roeckner, 2003): die Gleichungen für die Impulserhaltung (Navier-Stokes Bewegungsgleichung), der Massenerhaltung (Kontinuitätsgleichung) und der Energieerhaltung (1. Hauptsatz der Thermodynamik). weitere Bilanzgleichungen für Wolken- und Regenwasser und feste Niederschlagspartikel. (Groß und Etling, 2003). Bei den Gleichungssystemen handelt es sich um nichtlineare partielle Differentialgleichungen, für welche exakte analytische Lösungen zur Bestimmung des zukünftigen Zustands der Atmosphäre nicht möglich sind. Durch numerische Verfahren können diese Gleichungen allerdings näherungsweise gelöst werden. Um die kontinuierlich ablaufenden raumzeitlichen Prozesse abzubilden, werden diese Gleichungssysteme in der Praxis räumlich und zeitlich diskretisiert, d.h. nur an Orten und Zeitpunkten in einer bestimmten definierten Distanz gelöst. Für die räumliche Diskretisierung werden Atmosphäre und Ozeane in ein dreidimensionales Gitterpunktnetz unterteilt, in welchem die atmosphärischen Zustände in Zeitintervallen abgebildet sind. Die Differentialgleichungen enthalten dann keine Ableitungen mehr, sondern nur noch rein algebraische Ausdrücke. Die zeitliche Diskretisierung erfolgt durch Zeitschritte von wenigen Minuten. Globale Reanalyse- und Klimamodelle Globale Klimamodelle (General Circulation Models GCM s) berechnen ausgehend von einem Anfangszustand mit numerischen Lösungsverfahren für das Gleichungssystem die zeitliche Entwicklung der globalen Verteilung der Variablen an den Gitterpunkten. Für jeden Netzknoten werden die atmosphärischen Zustände z.b. Luftdruck, Temperatur, Niederschlag, Wind etc. - nicht nur für die Erdoberfläche, sondern für viele atmosphärische Schichten, Ozeanlayer und Bodenschichten - generiert. Mit den coupled Atmosphere-Ocean General Circulation Models werden die wesentlichen, das Klimasystem beeinflussenden Komponenten (z.b. Ozean, Boden, Vegetation) einbezogen und damit die Wetter- und Klimaphänomene realitätsnäher simuliert. Die Maschenweite eines Gitters ist durch die Rechenleistung der Computer nach unten limitiert. Je dichter das Punkt-Netz geknüpft ist, desto höher ist die räumlich Auflösung,

24 und damit die benötigte Rechenleistung. Die geometrische Auflösung der globalen Modelle ist vergleichsweise gering - in Mitteleuropa zwischen 100 und 300 km - so dass z.b. Gebirgsformationen als unstrukturierte, vergleichsweise flache Erhebungen erfasst werden, einzelne Gebirgsrücken und Täler bleiben unsichtbar. Ebenso werden klein strukturierte Küstengebiete meist als Meeresfläche behandelt. Damit sind diese Ergebnisse für detaillierte Aussagen für Berg- wie auch für Küstenregionen viel zu ungenau. Topographische Einflussfaktoren wie Höhenlage, Gebirgsstruktur, Hang-Exposition und Landnutzung, die alle für die räumliche Variabilität der meteorologischen Größen (vor allem der Niederschlagsverteilung) verantwortlich sind, gehen verloren. Hinzu kommt, dass das regionale Klima eines Gebirgsraumes und der angrenzenden Gebiete aufgrund ausgeprägter mesoskaliger Lee-Luv-Effekte sehr empfindlich auf Verschiebungen der globalen Zirkulation reagiert. All diese Informationen müssen aber in hoher raum-zeitlicher Auflösung vorhanden sein, wenn regionale Effekte einer globalen Klimaänderung abgeschätzt werden sollen. Die Abbildung des Zustands der Atmosphäre mittels eines dreidimensionalen Gitters ist zwar eine Vereinfachung, dennoch erfordert die numerische Integration der Modellgleichungen auf globaler Basis enorm leistungsfähige Computer. Globale Gitterpunktmodelle sind heute noch nicht in der Lage, die benötigten Informationen in hoher räumlicher Auflösung zu liefern. Diese Einschränkungen konnten teilweise durch die Entwicklung spektraler Modelle umgangen werden. ERA40 Die Reanalyse ERA40 ist die Analyse vorhandener Beobachtungsdaten - z.b. von Wetterstationen, Radiosondenaufstiegen, Schiffsmessungen und seit den 1970er Jahren auch Satellitenmessungen - für die Vergangenheit von 1958 bis Dazu werden diese Messdaten in das dreidimensionale Modell Integrated Forecasting System (IFS) des European Centre for Medium-Range Weather Forecasts (ECMWF) assimiliert. Das verwendete Modell hat eine horizontale Auflösung von T159 (ca x ) mit 60 vertikalen Schichten. Die Daten liegen global täglich im 6h-Intervall vor. Ergebnisse können auf Modelllevel (ML), Drucklevel (PL) oder für die Erdoberfläche (SFC) herangezogen werden. Darüber hinaus sind monatliche Mittelwerte (MM) sind verfügbar. Die Reanalyse ist in Gebieten mit geringer Stationsdichte (z.b. Arktis, Afrika) mit größeren Unsicherheiten behaftet, als in Gebieten mit hoher Stationsdichte wie Europa, weitere Details im ECMWF Newsletter No 101 (2004) und bei Uppala et. al (2005). ECHAM5 ECHAM5 wurde am Max-Planck-Institut für Meteorologie in Hamburg und der Universität Hamburg auf der Grundlage des europäischen Wettervorhersage Modells des ECWMF entwickelt. ECHAM5 ist ein Atmosphärenmodell, welches die Atmosphäre bis zu einer Höhe von 30km berücksichtigt, - als ECHAM5-OM erweitert um die Meereszirkulation. Eigenschaften der Erdoberfläche gehen nur als Randbedingungen ein. Albedo, Bodenfeuchte, Bodentemperatur etc. werden über grobe Landnutzungs- oder Bodenmodelle

25 parametrisiert. Die prognostischen Variablen des ECHAM5-Modells umfassen Vorticity (vertikale Wirbelstärke), Divergenz, Temperatur, Bodenluftdruck, spezifische Feuchtigkeit sowie Massenmischungsverhältnis von Wasserdampf und Wolkenwasser. Die Berechnung der Dynamik erfolgt spektral mittels einer Reihenentwicklung von Kugelflächenfunktionen. Aus praktikablen Gründen wir die Reihendarstellung durch ein dreieckförmiges Abschneiden im Wellenzahlenraum (triangular truncation) auf eine endliche Anzahl von Gliedern beschränkt. In ECHAM5 erfolgt dies je nach Option bei der Wellenzahl 21, 31, 42, 63, 85, 106 oder 159. Je höher die noch berücksichtigten Wellenzahlen sind, umso feiner ist die Maschenweite des Gitters. Die Wellenzahl T42 hat eine Auflösung von 2,8 (bezogen auf die geographische Breite von Mitteleuropa also etwa km), T63 von 1,9 (etwa km), T106 von 1,5 (ca km). (Die hier zur Anwendung kommenden Daten haben die Auflösung T63.) Mit jedem Zeitschritt werden die Kugelflächenfunktionen auf ein Gauß sches Gitter transformiert. Prozesse, die kleinräumiger als die Maschenweite des Modellgitters sind, (z.b. Wolkenbildung und Strahlungstransfer), werden mit Hilfe von empirischen oder physikalischen Ansätzen parametrisiert. Details findet zu ECHAM5 findet man bei Roeckner et al, HadCM3 Das GCM HadCM3 (Hadley Centre Coupled Model, Version 3) wurde am Hadley Centre in England entwickelt (vgl. Gordon et al., 1999). HadCM3 ist anders als ECHAM5 ein grid point Modell. Die atmosphärische Komponente des Modells verfügt über eine horizontale Auflösung von 2,5 x 3,75 geogr. Breite x Länge, was ein globales Gitternetz von 96 x 73 Zellen in 19 Ebenen ergibt. Für den Alpenraum in 48 nördlicher Breite beträgt die räumliche Auflösung etwa 250 km - vergleichbar mit einer spektralen Auflösung von T42. Die Strahlungs-Effekte der Treibhausgase (CO2, Wasserdampf und Ozon) sind explizit dargestellt. Die Aerosol-Hintergrundkonzentration ist einfach parametrisiert. Das globale Wolken- und Niederschlagssystem wurde im Hinblick auf den Wolkenwassergehalt formuliert. Ein konvektives System wird verwendet, um die direkten Auswirkungen der Konvektion auf die Dynamik zu beschreiben. Subskalige orographische Effekte sind ebenfalls parametrisiert. Das Landoberflächenschema berücksichtigt den Bodenwasserhaushalt inklusive gefrieren. Die Formulierung der Verdunstung erfolgt in Abhängigkeit von Stomata-Widerstande gegenüber Temperatur, Dampfdruck und CO2 Konzentration. Der Oberflächen-Albedo ist als Funktion aus Schneehöhe, Art der Vegetation und Temperatur über Schnee und Eis integriert. Die ozeanische Komponente des Modells besteht aus 20 Ebenen mit einer horizontalen Auflösung von 1,25 x 1,25 Grad, sodass wichtige Details in ozeanischen aktuellen Strukturen und Strömungen dargestellt werden können (Wood et al.,2000). Das Meereis-Modell arbeitet mit einem einfachen thermodynamischen System samt Zuleitungen und Schneedecke (vgl.

26 Regionale Klimamodelle Regionale Klimamodelle betrachten einen Ausschnitt der Atmosphäre in einer feineren räumlichen Auflösung. Sie benötigen dazu Informationen über die globalen atmosphärischen Zustände und Prozesse als Randbedingungen aus globalen Klimamodellen als sogenannte Antriebsdaten. Regionale Modelle berechnen damit das regionale atmosphärische Geschehen in einem Punktgitter mit einer Maschenweite von typischerweise 10x10 bis 50x50 km. In der feineren Auflösung können Gebirgsformationen, die von GCMs als unstrukturierte, vergleichsweise flache Erhebungen erfasst werden, besser in Berge und Täler aufgelöst werden und orographische Einflussfaktoren, die für die räumliche Variabilität meteorologischer Größen verantwortlich sind, bleiben erhalten. Regionalmodell MM5 Das Mesoscale Meteorological Model MM5 (Grell, 1994) wurde gemeinsam an der Penn State University (PSU) und dem National Center for Atmospheric Research (NCAR) als Limited Area Model entwickelt. MM5 ist ein nicht-hydrostatisches mesoskaliges Modell, entwickelt für meteorologische Applikationen in verschiedener räumlicher Auflösung und wurde auch vielfach für Klimastudien verwendet. MM5 wir vielfach in der Forschung eingesetzt, da es eine Vielzahl an optionalen Möglichkeiten anbietet (physikalische Parametrisierung, Bodenmodelle, etc.) wodurch eine Optimierung des Modells für die jeweilige Anwendung möglich ist. ( Regionalmodell COSMO-CLM Das regionale Klimamodell COSMO-CLM (CCLM) geht aus dem Lokalen Modell (LM) hervor, dem aktuellen Vorhersagemodell des Deutschen Wetterdienstes (DWD) und wurde von nationalen Wetterdiensten weiterentwickelt, die sich zum Consortium for Small-scale MOdelling zusammengeschlossen haben ( wurde es zum Community Modell der deutschen Klimaforschung. Das Modell ist ebenfalls ein nicht-hydrostatisches Modell und wurde für Langzeitsimulationen erweitert, damit Trends von Treibhausgaskonzentrationen und der Energie- und Wassergehalte im tiefen Boden berücksichtigt werden können. Als dynamisches Regionalmodell kann das CCLM auch nichtlineare Zusammenhänge, soweit sie durch die verwendete Gitterstruktur aufgelöst werden können, wiedergeben. Das Modell liefert Zeitreihen meteorologischer bodennaher und atmosphärischer Elemente. Die im Projekt verwendete CCLM Version ist cosmo_090213_4.8_clm8. (vgl. CEC, 2008; Die Unsicherheiten der Modelle Klimasimulationen unterliegen drei dominierenden Unsicherheits-Faktoren: der Modellunsicherheit des GCM und jener des RCM, sowie durch die Annahmen über den Anstieg der Treibhausgas-Konzentration ( Emissions-Szenario ) (vgl. Déqué et al., 2007). Die Modellunsicherheiten für GCMs und RCMs durch die raumzeitliche Diskretisierung und die dadurch notwendige Parametrisierung subskaliger Prozesse (siehe unten) haben unterschiedlich große Effekte: GCMs haben größere Unsicherheiten aufgrund der gröberen

27 Auflösung, andererseits werden Unsicherheiten des GCM an das RCM vererbt, können also, was den globalen Einfluss betrifft, nicht eliminiert werden, da die RCM Ergebnisse auf GCM-Daten angewiesen sind, auch wenn sie diese nur an den Domainrändern übernehmen. Darüber hinaus zeigen RCMs durch die Eingrenzung des Modellraumes und damit das Ausklammern gewisser weiter entfernter atmosphärischer Zustände mit mittelbarer Auswirkung auf den Modellraum eine weitere Unsicherheit. Näheres dazu in den folgenden Abschnitten. Unsicherheit durch raumzeitliche Diskretisierung: Die räumliche Auflösung ist bei GCMs die größere Unsicherheitsquelle. GCMs berechnen die globalen atmosphärischen Prozesse und können damit nicht so ins Detail gehen. Die räumliche Auflösung der simulierten Prozesse, wie auch der eingesetzten Modelle zur Abbildung der Rahmenbedingungen (Höhen-, Landnutzungs- und Bodenmodelle, Meeresströmungsmodelle) unterscheiden sich mit km Rasterweite deutlich von jener der RCMs mit km Rasterweite. Gerade die eingesetzten Höhenmodelle haben wesentlichen Anteil an der Brauchbarkeit regionaler Ergebnisse in komplexem Terrain, liefern sie doch auch Rahmenbedingungen für kleinräumige Prozesse und deren Effekte unterhalb der Auflösungsgenauigkeit der GCMs (z.b. Staulagen, konvektive Niederschläge, Schneedeckenbildung, alpine Trockentäler, Föhnlagen, Inversionslagen etc.). Die Unsicherheit durch subskalige Prozesse wird bei der Parametrisierung angesprochen. Unsicherheit durch die zeitliche Diskretisierung: Die Wahl des Zeitschritts ist ein weiterer kritischer Aspekt. Beim Übergang von räumlichen Differentialen zu endlichen Differenzen ergibt sich ein gewisser Informationsverlust, wo aufgrund der Nichtlinearität des Systems kleine Fehler im Anfangsfeld derartig anwachsen können, dass ab einem gewissen Zeitpunkt keine sinnvollen Vorhersagen mehr gemacht werden können. Eine Voraussetzung für die Stabilität eines numerischen Lösungsverfahrens ist die Wahl des Zeitschrittes. Diese wird durch das so genannte CFL- Kriterium eingeschränkt, das garantiert, dass die maximale Phasengeschwindigkeit eines betrachteten Prozesses während eines Zeitschrittes zu keiner Informationsübertragung von einer Gitterzelle zur nächsten führt. Je kleinräumiger die Prozesse sind, desto kürzer muss der Zeitschritt gewählt werden, was die Rechenzeit maßgeblich verlängert. Unsicherheit durch Parametrisierung subskaliger Prozesse Durch die Diskretisierung der simulierten atmosphärischen Prozesse auf Zeit- und Rasterpunkte bleiben subskalige Prozesse unberücksichtigt. Zu diesen Prozessen gehören z.b. die Energieumsätze an der Erdoberfläche, Divergenzen und Konvergenzen der Strahlungsströme, turbulente Transporte von Impuls, fühlbarer und latenter Wärme in der planetaren Grenzschicht oder Konvektionsvorgänge. Diese subskaligen Prozesse werden durch Parametrisierungen berücksichtigt, die statistische Beschreibungen klimatischer Prozesse für die Rasterpunkte unter der Auflösung der Rasterweite in Atmosphäre und Ozean darstellen. Die Parametrisierungen enthalten empirische Parameter, abgeleitet aus

28 Messdaten, die nicht für alle Jahreszeiten, Wettersituationen und Räume repräsentativ sind. Modellierergruppen benutzen zum Teil recht unterschiedliche Parametrisierungen, um die für sie relevante Region möglichst gut abzubilden oder um ausgeglichene globale Ergebnisse zu erreichen. Die Parametrisierung stellen damit eine wesentliche Quelle der Modellunsicherheit dar. Unsicherheit durch die RCM-Domain-Abgrenzung: Die Abgrenzung einer Modellregion ist eine Unsicherheitsquelle bei RCMs: RCMs berechnen die atmosphärischen Prozesse für einen Ausschnitt der Erde und übernehmen dazu die atmosphärischen Zustände der globalen atmosphärischen Zirkulation in größeren Zeitschritten (z.b. 6h) an ihren Modellrändern. Der Wahl des Ausschnitts für das regionale Modell (der Domain ) kommt damit einige Bedeutung zu: denn (i) bei einer falschen Wahl des Ausschnitts werden bestimmte globale Effekte, die Auswirkung auf die jeweilige Region im Regionalmodell haben, nicht (ausreichend) erfasst: So kann eine Alpendomain die zu wenig nach Norden reicht z.b. die Effekte der Nordseetiefdruckgebiete nicht ausreichend abbilden Nordstaulagen enthalten zu wenig Niederschlag. Wenn die Domain zu wenig weit nach Süden reicht, geht der Einfluss von Adria-Tiefdrucksituationen im Simulationsgebiet ggf. verloren und Südstaueffekte werden nicht ausreichend abgebildet), (ii) die Simulationsergebnisse an den unmittelbaren Randbereichen der Regionalmodelle liefern keine plausiblen Ergebnisse, was bei den deutschen REMO Simulation des Niederschlags im Alpenraum deutlich sichtbar wurde. Die Domain muss deshalb größer gewählt werden, als der zu betrachtende Raum. Unsicherheit durch Annahmen über die künftige Treibhausgaskonzentration Das Klima wird unter anderem von der Veränderung der chemischen Zusammensetzung der Atmosphäre beeinflusst. Die Effekte wachsender Konzentration von Treibhausgasen werden durch Emissionsszenarien nachvollzogen. Die derzeit verwendeten Emissionsszenarien sind jene des Intergovernmental Panel on Climate Change (IPCC), welches vier verschiedene Basisszenarien (A1, A2, B1, B2) mit vielen Subvarianten (insgesamt nahezu 40) vorgeschlagen hat (IPCC, 2000). Die in reclip:century einbezogenen Emissionsszenarien sind die Varianten A1B sowie B1 des 4. IPCC Assessment.Reports (IPCC. 2007) mit folgenden Trends: A1B Das Szenario A1B beschreibt eine zukünftige Welt mit sehr starkem Wirtschaftswachstum, einer Mitte des 21. Jahrhunderts kulminierenden und dann rückläufigen Weltbevölkerung und rascher Einführung neuer, effizienterer Technologien. Das Szenario geht von einer ausgewogenen Nutzung aller Energiequellen ohne allzu große Abhängigkeit von einer bestimmten Quelle aus und nimmt ein ähnliches Optimierungspotential für Energieversorgung- und Verbrauch an. B1. Das Szenario B1 beschreibt eine sich stärker vernetzende Welt mit einer rückläufigen Weltbevölkerungsentwicklung sowie mit Änderungen der wirtschaftlichen Strukturen hin zu

29 einer Dienstleistungs- und Informationswirtschaft bei Rückgang des Materialverbrauchs und Einführung von sauberen und Ressourcen-effizienten Technologien. Abb. 18 : Entwicklung der bodennahen Temperatur in Europa aus allen CMIP3 Simulationen (A1B) 2001 bis 2050 (Referenz: 1971 bis 2000). Die Temperaturverläufe als Ergebnis der beiden als Antriebsdaten gewählten GCMs sind orange (ECHAM5/MPI-OM) und rot (HadCM3), markiert.

30 5 Arbeits und Zeitplan Ursprünglich war eine Projektlaufzeit von 18 Monaten vorgesehen, welche schließlich um 14 Monate verlängert wurde. Das Projekt wurde somit im Oktober 2008 begonnen und mit Mai 2011 beendet. Grund für die Verzögerung waren zum einen die Unterschätzung des Rechenaufwandes, zum anderen Hardwareprobleme bei einem Partner die Simulationen der BOKU-Met auf dem Vienna Scientific Cluster (VSC) verzögerten sich, da das Rechenzentrum die notwendigen CPU-Ressourcen nicht unterbrechungsfrei zur Verfügung stellen konnte, was sich angesichts des Rechenaufwandes gravierend auswirkte: Immerhin wurden 5 Simulationen über 40 Jahre für die Vergangenheit und 4 Simulationen für 50 Jahre in die Zukunft gerechnet und dies zweifach: einmal für Europa in einer Auflösung von 50 bzw. 30 km (EU-Domain) und dann unter Verwendung der Europa-Ergebnisse noch einmal für den Alpenraum für 10x10km Rasterfelder (ALPS-Domain) insgesamt also 18 Simulationsläufe. Davon entfallen jene 6, die auf dem MM5-Modell basieren, auf BOKU-Met. Die Validierungen konnten erst nach Vorliegen der Hindcast und Control runs für die Vergangenheit, bzw. nach Vorliegen der die RCM-Szenario-Simulationen für die EU-Domain für die Zukunft durchgeführt werden. Die vergleichenden Analysen der Ergebnisse für Saisonen und österreichische Regionen konnten erst nach Vorliegen der wesentlichen Szenarioergebnisse der ALPS-Domain durchgeführt werden. Der Zeitplan ergibt sich nun wie folgt: Tab. 2: revidierter Zeitplan

31 5 Publikationen und Disseminierungsaktivitäten Die Daten wurden bisher in vielfältiger Weise angewendet, publiziert und präsentiert: Die folgende Liste gibt einen Überblick über die bereits erschienenen wesentlichen Publikationen und Präsentationen der Mitglieder aus den Projektteams. Aubrecht, C., Steinnocher K., Köstl, M., Züger J., Loibl W. (2011), Spatially modeled high detail population and climate prospects for a European transect An outlook to future patterns of vulnerability. In: Proceedings of the 4th International Conference on Safety and Security Engineering. 4-6-Juli, 2011, Antwerp, Belgium. (WIT Transactions on the Built Environment (ISSN: ) ) Awan, N. K. and A. Gobiet (2011), Regional climate modelling efforts in South East Asia (oral), Indus workshop, 2nd 5th May, 2011, ETH Zurich, Switzerland. Gobiet, A., N.K. Awan, G. Heinrich, A. Leuprecht, T. Mendlik, A. Prein, M. Suklitsch, M.J. Themeßl, H. Truhetz, R.A.I. Wilcke (2011), On the reliability of climate scenarios for the European Alpine region (oral), International Conference on the Occasion of the 125 Anniversary of Sonnblick Observatory, Aug 28 Sep 1, 2011, Salzburg, Austria. Gobiet, A., M. Themeßl, G. Heinrich, T. Mendlik (2010), Climate scenarios for small-scale climate change impact studies in the European Alpine Area: How reliable are they? (oral), Global Change and the World's Mountains Conference, Sep , Perth, Scotland Loibl, W., I. Anders, H. Formayer, A. Gobiet, P. Haas, Ch. Matulla, I. Nadeem, I. Schicker, W. Schöner, M. Suklitsch and J. Züger (2011), Evaluation of regional climate simulations using COSMO-CLM and MM5 for Austria and the Alpine Region. In. ICAM 2011, 31st International Conference on Alpine Meteorology, 23rd 27th May Aviemore, Scotland Loibl W., Tötzer T., Köstl M, Züger J., Knoflacher M.(2011), Modelling Micro-climate Characteristics for Urban Planning and Building Design, pp IFIP Advances in Information and Communication Technology, (IACT) 359, Springer. Heidelberg Loibl, W., H. Formayer, H. Truhetz, W. Schöner, I. Anders, A. Gobiet, G. Heinrich, I. Nadeem, A. Prein, I. Schicker, M. Suklitsch, J. Züger (2011), reclip:century - inside: scenario results and uncertainty ranges (oral, in German), 12th Austrian Day of Climate (12. Österreichischer Klimatag), Sep , Vienna, Austria. Loibl W. (2011), Reclip:century, a base data set of regional climate scenarios for the Greater Alpine Region (10x10km). International Conference on the Occasion of the 125 Anniversary of Sonnblick Observatory, Aug 28 Sep 1, 2011, Salzburg, Austria (oral). Loibl W. (2011) Reclip:century Entwicklung eines Basisdatensatzes regionalisierter Klimaszenarien für den Alpenraum. Tagung des Klima- und Energiefonds Klimafolgenforschung in Österreich. May 17-18, 2011; Museumsquartier, Arena 21. Wien Invited lecture, (oral). Loibl, W., Formayer, H., Gobiet, A, Schöner, W., Köstl, M. und Züger, J. (2010), reclip:century - Entwicklung eines Basisdatensatzes regionaler Klimaszenarien, Paper V23. Universität für Bodenkultur Wien, et al. (Hrsg.), Tagungsband des 11. Österreichischen Klimatag "Klima im Wandel, Auswirkungen und Strategien", März, Wien, Loibl W. Züger J., Köstl M., et al. (2010), reclip:century - a project conducting 21st century regional climate simulation runs focussing on the Greater Alpine Region. EGU - May 2010, Vienna, Poster, abstract.