Endbericht für das Forschungsprojekt

Transkript

1 Universität für Bodenkultur Institut für Meteorologie Endbericht für das Forschungsprojekt Einsatzmöglichkeiten verschiedener Downscalingmethoden für Klimaänderungsszenarien in topographisch stark gegliederten Terrain und explizite Anwendung auf Österreich für Niederschlag und Temperatur Mag. Dr. Herbert Formayer Mag. Dr. Christoph Matulla Mag. Dr. Patrick Haas Mag. Nikolaus Groll Prof. Dr. Helga Kromp-Kolb Geschäftszahl GZ /1-VIII/A/4a/2001 Im Auftrag des Bundesministeriums für Bildung, Wissenschaft und Kultur Wien, im Juni 2004

2 Vorwort... 3 I: Regionalisierungsverfahren Warum ist Regionalisierung notwendig? Dynamische Regionalisierungsverfahren Statistische Regionalisierungsverfahren Statistische Verfahren auf Monatsbasis Statistische Verfahren auf Tagesbasis Wettergeneratoren Statistisch-Dynamische Regionalisierungsverfahren... 6 II: Validierungsexperimente und Ergebnisse Ergebnisse Temperatur Ergebnisse Niederschlag... 7 III: Szenarienexperimente und Ergebnisse... 8 IV: Literatur

3 Vorwort Dieses Projekt wurde in enger Zusammenarbeit mit der Arbeitsgruppe von Hans v. Storch vom Forschungszentrum GKSS-Geesthacht durchgeführt. Im Zuge der Projektarbeiten sind mehrere Publikationen entstanden, in denen unsere Arbeitsschritte dokumentiert sind. Die Publikationen erfolgten entweder in reviewten Zeitschriften oder in der Zeitschriftenreihe des GKSS-Forschungszentrums. In Absprache mit Dr. Smejkal vom BM:BWK bilden diese Publikationen den Hauptbestandteil des Endberichtes für dieses Projekt. Zu diesen Publikationen gehören: Penlap E., C. Matulla, H. v. Storch, 2004: Downscaling of GCM scenarios to assess precipitation changes in the little rainy season (March June) in Cameroon. Clim. Res. 26: Matulla C., E. Penlap, P. Haas and H. Formayer, 2003: Comparative Analysis of spatial and seasonal variability: Austrian precipitation during the 20th century. Int. J. Climatol. 23: Matulla C., H. Scheifinger, A. Menzel, E. Koch, 2003: Exploring two methods for statistical downscaling of Central European phenological time series. Int. J. Biometeorol. 48: Matulla C. and H. Scheifinger, 2003: Estimating changes of Central European phenological occurence dates on the basis of direct downscaling. TERRA NOSTRA 2003/6: Matulla C., E. Penlap und H. v. Storch, 2002: Empirisches Downscaling Überblick und zwei Beispiele. Klimastatusbericht des Deutschen Wetterdienstes. Matulla C., H. Formayer, P. Haas und H. Kromp-Kolb, 2004: Mögliche Klimatrends in Österreich in der ersten Hälfte des 21. Jahrhunderts. ÖWAW, 56,1-9. Matulla C., H. Scheifinger, A. Menzel, E. Koch, 2003: Direct downscaling of Central European phenological time series using two empirical techniques. GKSS-report 2003/7. Matulla C., E. Penlap, P. Haas and H. Formayer, 2003: Detection of homogeneous precipitation regions in Austria during the 20th century. GKSS-report 2003/8. Penlap E., C. Matulla, H. v. Storch, 2003: Empirical Dwonscaling in the Tropics-possible changes of the little rainy season (March-June) in Cameroon. GKSS-report 2003/11. Matulla C. und P. Haas, 2003: Prädiktorsensitives Downscaling gekoppelt mit Wettergeneratoren: saisonale und tägliche CC-Szenarien in komplex strukturiertem Gelände. GKSS-report 2003/24. Diese Publikationen liegen in gedruckter Form als auch digital auf CD diesem Endbericht bei. Zusätzlich zu dieser Publikationssammlung findet sich hier im Endbericht eine ausführliche Zusammenfassung unserer Ergebnisse in allgemein verständlicher Formulierung, um allen Klimafolgenforschern ein Basiswissen im Umgang mit regionalen Klimaänderungsszenarien zu vermitteln. Die in diesem Projekt erarbeiteten regionalen Szenarien stehen natürlich allen Klimafolgenforschern zur Verfügung. 3

4 I: Regionalisierungsverfahren 1.1 Warum ist Regionalisierung notwendig? Die derzeitigen gekoppelten Globalen Zirkulations Modelle (GCM) sind recht gut in der Lage, das Klima auf globalem bis kontinentalem Maßstab (Scale) zu reproduzieren. Die Berechnungen erfolgen dabei auf einem dreidimensionalen Gitter mit horizontalen Gitterpunktsweiten von einigen 100 km. Aufgrund dieser groben räumlichen Auflösung sind sie jedoch nicht in der Lage, regionale Informationen direkt zu liefern (IPCC, 2001). Nach Stott et al. (1999) sind die heutigen GCM s in der Lage, Phänomene mit einer räumlichen Ausdehnung von mehr als 2000 km und einer zeitlichen Periode von mindestens 30 Jahren, sowohl in ihrem mittleren Zustand als auch in ihrer Variabilität zu reproduzieren. Diese Größenordnung wird auch als skillful scale eines GCM s bezeichnet. Speziell in dem topographisch stark gegliederten Gelände der Alpen wirkt sich die geringe räumliche Auflösung der GCM s besonders stark aus, da alle orographisch verursachten oder verstärkten Wettererscheinungen (z. B. Lee- Zyklogenese, konvektiver Niederschlag) nur grob parametrisiert oder gar nicht berücksichtigt werden. Globale Modelle mit einer besseren Auflösung zu rechnen ist derzeit wegen der begrenzten Computerkapazität nicht möglich. Um dennoch zu regionalen Aussagen aus den GCM - Szenarien zu gelangen, werden seit Beginn der 90er Jahre verschiedene Regionalisierungs-(Downscaling) Verfahren entwickelt. Hierbei unterscheidet man grundsätzlich zwischen zwei unterschiedlichen Ansätzen, dem dynamischen Downscaling und dem statistischen Downscaling (Hewitson et al., 1996) 1.2 Dynamische Regionalisierungsverfahren Bei den dynamischen Downscaling Verfahren wird ein physikalisches Modell (ähnlich oder gleich einem GCM) mit einer höheren räumlichen Auflösung für ein kleineres Gebiet betrieben. Dabei dienen die Ergebnisse des GCMs als Anfangs- bzw. Randbedingungen. Ziel dabei ist, alle regional relevanten Faktoren (z. B. Gebirge, Landnutzung, aber auch konvektive Prozesse) räumlich besser aufzulösen (Giorgi et al., 1991). Mittelfristig wird das dynamische Downscaling das wichtigste Regionalisierungsverfahren werden, da es die regionalen Effekte direkt berücksichtigt und physiklisch konsistente meteorologische Felder sowohl in zeitlicher, als auch in räumlich feiner Auflösung liefert. Derzeit befindet sich dieses Downscalingverfahren jedoch noch im Experimentierstadium. In Österreich beschäftigt sich eine Forschergruppe im Projekt reclip:more (Züger et. al. 2004) mit den Möglichkeiten dieses Verfahrens. Ein wesentlicher Nachtteil sind die enormen Computeransprüche dieses Verfahres, sowohl bezüglich Rechenzeit als auch Speicherplatz, was die Entwicklung von lokalen Szenarien zeitaufwendig und teuer macht. 1.3 Statistische Regionalisierungsverfahren Statistische Downscaling Verfahren sind in der Klimafolgenforschung weit verbreitet, da sie meist viel geringere Ansprüche an die Infrastruktur stellen als dynamische Verfahren und relativ einfach an die jeweiligen Ansprüche der Forscher angepasst werden können (Hewitson et al., 1996). Bei diesen Verfahren wird ein statistischer Zusammenhang zwischen gemessenen meteorologischen Stationsdaten und großräumigen Verhältnissen abgeleitet. Unter der Voraussetzung, daß dieser statistische Zusammenhang in einer Klimaänderung erhalten bleibt, 4

5 können dann die globalen Projektionen der GCM auf den regionalen Maßstab übertragen werden (v. Storch,1993). Ein weiterer wesentlicher Vorteil statistischer Verfahren ist, dass mit relativ wenig Aufwand verschiedene GCMs oder GCM-Läufe zur Regionalisierung herangezogen werden können, wenn einmal der statistische Zusammenhang zwischen großräumigen meteorologischen Feldern und lokaler Witterung abgeleitet ist. Dies erlaubt sogenannte Ensembleanalysen, was bei regionalen Szenarien besonders wichtig ist, da die GCMs zwar auf globaler Ebene recht ähnliche Ergebnisse liefern, aber regional doch starke Unterschiede aufweisen können. Wichtig für das statistische Downscaling ist, dass die Prädiktorfelder mindestens die Größe des skillful scales haben (ab 8x8 GCM Gitterpunktswerte) und das Prädiktorfeld das gesamte Klimaänderungssignal beinhaltet. Die regionale Klimaänderung setzt sich aus dynamischen Effekten, wie der Änderung der Häufigkeitsverteilung von Anströmrichtungen oder Wetterlagen und thermodynamischen Effekten, wie die Änderung der Luftmasseneigenschaften (Temperatur, Feuchtigkeit) zusammen. Verwendet man z.b. als Prätiktorfeld den Bodenluftdruck, so erhält man lediglich die dynamische Komponente und unterschätzt zwangsläufig die Klimaänderung. Durch die Verwendung von Anomaliefeldern anstatt der Absolutfelder als Prädiktoren, erlauben die statistischen Verfahren eine einfache Korrektur von Fehlern in den GCMs, die aus einem reinen Offset bestehen Statistische Verfahren auf Monatsbasis Der Großteil der bisherigen statistischen Verfahren beruht auf Monatsfelder. Dies liegt einerseits daran, dass für klimatologische Untersuchungen diese zeitliche Auflösung ausreicht, andererseits frühere GCM-Generationen die zeitliche Variabilität unterhalb eines Monats nur sehr schlecht reproduziert haben. Ein weiterer nicht unwesentlicher Grund besteht darin, dass der statistische Zusammenhang zwischen der lokalskaligen Witterung und den großräumigen meteorologischen Feldern auf Monatsbasis meist besser gegeben ist als auf Tagesbasis. Die wichtigsten Verfahren auf Monatsbasis sind die Multiple Lineare Regression und die Kanonische Korrelationsanalyse (CCA). Eine ausführliche Beschreibung dieser Methoden findet sich in Matulla et. al, 2003b. Durch das Nachschalten von Wettergeneratoren können für einzelne Stationen Klimaänderungsszenarien auf Tagesbasis aus diesen Monatsszenarien generiert werden Statistische Verfahren auf Tagesbasis Für die Klimafolgenforschung, aber auch für die Analyse von Klimaänderungsszenarien in Hinblick auf Extremereignisse, sind Szenarien auf Tagesbasis wünschenswert. Um diese direkt aus GCM-Szenarien zu erzeugen, muss man jedoch meist einen geringeren statistischen Zusammenhang zwischen den Skalen in Kauf nehmen. Dies reduziert natürlich die Verlässlichkeit der regionalen Szenarien. Durch die Verwendung von Ensembles kann man versuchen Aussagen über die Robustheit der Szenarien abzuleiten. Ein weitverbreitetes Verfahren auf Tagesbasis ist die Verwendung von Wetterlagenklassifikationen Hierbei handelt es sich eigentlich um eine Kombination aus direktem Downscaling und 5

6 einem Wettergenerator, da der Wetterlage nicht eine einzelne Eigenschaft zugeschrieben wird, sondern eine Häufigkeitsverteilung. Welcher aktuelle Wert aus dieser Häufigkeitsverteilung abgegriffen wird, bestimmt ein Zufallsgenerator. Ein Problem bei der Wetterlagenklassifikation besteht darin, dass man zwar die Veränderung des Auftretens von Wetterlagen recht einfach bestimmen kann, aber keine Informationen darüber hat, wie sich die Eigenschaften der Wetterlage verändern. Lässt man die Eigenschaften gleich, so erhält man wiederum nur das dynamische Signal der Klimaänderung und unterschätzt diese. Daher sollte man die thermodynamischen Eigenschaften der Wetterlage mit einer geeigneten meteorologischen Größe skalieren (z.b. Feuchtegehalt, Mittelschichtstemperatur etc.), um das gesamte Klimaänderungssignal zu erhalten. Durch die Verwendung der Analogmethode können einige Probleme der Wetterlagenklassifikation vermieten werden. In der Analogmethode wird für ein Prädiktorfeld des GCMs das ähnlichste meteorologische Feld in der Vergangenheit gesucht und die Witterung an diesem Tag dem GCM-Feld zugeschrieben. Dadurch können direkt Tagesreihen aus dem GCM generiert werden. Nachteil dieser Methode ist, dass nur bisher beobachtete Ereignisse als Auswahl zur Verfügung stehen und keine neuen Extrema erzeugt werden können. Der Vorteil ist, dass man sowohl räumlich als auch physikalisch konsistente Zeitreihen erhält, da ja reale Beobachtungen verwendet werden Wettergeneratoren Wetterlagengeneratoren sind mathematische Modelle, die in der Lage sind, meteorologische Elemente wie Temperatur, Niederschlag, Strahlung und Luftfeuchte miteinander zu verknüpfen und die statistischen Eigenschaften für einen Standort zu reproduzieren. Sie sind hervorragend für Sensitivitätstests geeignet, da man einfach eine Änderung des Mittelwertes oder der Variabilität vorgeben und neue Zeitreihen generieren kann. Die Güte der Zeitreihen hängt von der Komplexität des Wettergenerators und der Qualität und Länge der Beobachtungszeitreihe ab, für die der Wettergenerator kalibriert wird. Um Wettergeneratoren für Klimaänderungsszenarien zu verwenden, muss man jedoch die Veränderungen der statistischen Eigenschaften der meteorologischen Elemente mit einer anderen Methode bestimmen. Ein Nachteil ist, dass mit Wettergeneratoren keine räumlich konsistenten Szenarien erzeugt werden können. 1.4 Statistisch-Dynamische Regionalisierungsverfahren Hierbei handelt es sich um eine Kombination der obigen Verfahren. Um Rechenzeit zu sparen werden mit einem dynamischen Modell nur ausgewählte Wetterlagen gerechnet und danach statistisch untersucht, wie sich diese Wetterlagenhäufigkeit im GCM-Szenario gegenüber heute verändert. 6

7 II: Validierungsexperimente und Ergebnisse Um die Güte der verschiedenen statistischen Verfahren zu testen, wurden die Beobachtungsdaten (1948 bis 2000) in zwei Perioden unterteilt. In der einen Periode werden die statistischen Zusammenhänge abgeleitet und in der zweiten Periode angewandt und die Residuen bestimmt. Hierbei wurde einerseits die Möglichkeiten einer Methode ausgetestet, andererseits bestimmt, welche Prädiktorfelder bzw. Prädiktorkombinationen bei der Verwendung mehrerer Felder die besten Ergebnisse erzielen. Auf Monatsbasis hat sich die CCA-Methode gegenüber der Multiplen Linearen Regression als überlegen herausgestellt. Eine ausführliche Darstellung der Experimente und der Ergebnisse findet sich in Matulla und Haas (2003). 2.1 Ergebnisse Temperatur Für die Temperatur liefern sowohl die CCA als auch die Analogmethode zufriedenstellende Ergebnisse. Sowohl was die Reproduktion der statistischen Eigenschaften wie Mittelwert und Varianz betrifft, als auch die zeitliche Korrelation auf saisonaler Basis. Es werden Korrelationen (R) um 0.8 erreicht. In den Wintermonaten gehen in den Tal- und Flachlandstationen die Korrelationen etwas zurück, was durch die Abkoppelung aufgrund der winterlichen Inversionen erklärt werden kann. Während der übrigen Jahreszeiten zeigt sich kein regionaler Unterschied. Bei den Prädiktorfeldern hat sich die Temperatur auf der 850 hpa Fläche und die relative Topographie 850/700 hpa als besonders gut geeignet herausgestellt. Der Zusammenhang lokalskalige Temperatur/großräumiges meteorologisches Feld kann als durchaus robust bezeichnet werden und ist sehr gut für die Erstellung von regionalen Klimaänderungsszenarien geeignet. 2.2 Ergebnisse Niederschlag Der Niederschlag ist eine wesentlich komplexere Größe als die Temperatur. Er ist kleinräumig höchst inhomogen und kann durch verschiedene physikalische Vorgänge entstehen. Daher zeigt sich ein wesentlich schlechterer statistischer Zusammenhang zwischen lokalskaligem Niederschlag und großräumigen meteorologischen Feldern. Hier schneidet das Verfahren auf Monatsbasis deutlich besser ab als die Analogmethode, wobei beide Verfahren nicht wirklich befriedigend sind. Die klimatologischen Kenngrößen werden noch einigermaßen zufriedenstellend reproduziert. Die zeitliche Korrelation sinkt jedoch bei der CCA-Methode auf rund 0.4 ab, bei der Analogmethode ist sie noch niedriger. Generell sind die Ergebnisse im Winter etwas besser als in den Übergangsjahreszeiten und im Sommer, was auf die konvektiven Niederschläge (Gewitter) zurückzuführen ist. Bei der CCA-Methode hat sich kein Prädiktorfeld besonders ausgezeichnet. Vielmehr schwankt die Güte der Prädiktorfelder je nach Jahreszeit und Region. Generell scheinen die Vorticity und der Wind auf verschiedenen Druckflächen am besten geeignet. Bei der Analogmethode erwiesen sich der Luftdruck auf Meeresniveau und die relative Topographie als am besten geeignet. Diese Ergebnisse zeigen die Problematik der Erstellung von Klimaänderungsszenarien für den Niederschlag deutlich auf. Dieser geringe statistische Zusammenhang lokalskalig/großskalig kann auch durch Ensembleszenarien nicht vollständig ausgeglichen werden. Deshalb sollten bei Klimafolgenforschungen für den Niederschlag neben direkt downgescalten Szenarien auch Sensitivitätsstudien durchgeführt werden. 7

8 III: Szenarienexperimente und Ergebnisse Im Rahmen dieses Projektes wurden regionale Szenarien auf Monatsbasis für den Zeitraum 2000 bis 2048 basierend auf dem GCM ECHAM-4 erarbeitet. Eine detailierte Darstellung der Szenarienbildung und der Ergebnisse findet sich in Matulla und Haas (2003) und in Matulla et. al. (2004). Die Ergebnisse für die Temperatur sind recht robust. Die Unterschiede zwischen den vier gerechneten Ensembles (zwei verschieden Prädiktoren und zwei GCM-Läufe) sind weit geringer als das Temperaturänderungssignal. Die Erwärmung bis 2050 ist in den Übergangsjahreszeiten mit rund 1 bis 2 C deutlich geringer als im Winter und im Sommer mit je 2 bis 3 C. Im Winter ist die Erwärmung auf den Bergstationen um rund 0.5 C stärker als in den Tal- und Flachlandbereichen. Für den Niederschlag lässt sich aus diesen Ensembles kein eindeutiger Trend ablesen, vielmehr schwanken die Ergebnisse zwischen den Ensembles recht stark und können sogar das Vorzeichen wechseln. Generell schwanken die Änderungen differenziert in Regionen und Saisonen maximal zwischen ± 15 %. Lediglich im Süden Österreichs zeigen alle Ensembles eine leichte Reduktion des Niederschlages. Dieses indifferente Ergebnis liegt einerseits in der oben diskutierten Problematik des Niederschlagsdownscalings, andererseits erkennt man aber, dass zumindest das ECHAM-GCM für unsere Region keine gravierende Niederschlagsveränderung modelliert. Für die Klimafolgenforschung liegen je 4 Ensembleszenarien für die Temperatur und den Niederschlag an rund 30 Stationen auf Monatsbasis für den Zeitraum 2000 bis 2048 vor. Je ein Szenario für die Temperatur und den Niederschlag wurde mittels GIS mit einer Auflösung von 1 km in die Fläche interpoliert und liegt in monatlicher Auflösung für obigen Zeitraum vor. IV: Literatur Giorgi, F., and L.O. Mearns, 1991: Approaches to the simulation of regional climate change: A review. Rev. Geophys., 29, Hewitson, B. C., Crane, R. G., 1996: Climate downscaling: techniques and application. Climate Research, 7, IPCC, 2001: Climate Change 2001: The Scientific Basis. Cambridge University Press, Cambridge UK. pp 944. Matulla C., E. Penlap, P. Haas and H. Formayer, 2003a: Comparative Analysis of spatial and seasonal variability: Austrian precipitation during the 20th century. Int. J. Climatol. 23: Matulla C., H. Scheifinger, A. Menzel, E. Koch, 2003b: Exploring two methods for statistical downscaling of Central European phenological time series. Int. J. Biometeorol 48:

9 Matulla C. and H. Scheifinger, 2003c: Estimating changes of Central European phenological occurence dates on the basis of direct downscaling. TERRA NOSTRA 2003/6: Matulla C., E. Penlap und H. v. Storch, 2002: Empirisches Downscaling Überblick und zwei Beispiele. Klimastatusbericht des Deutschen Wetterdienstes. Matulla C., H. Formayer, P. Haas und H. Kromp-Kolb, 2004: Mögliche Klimatrends in Österreich in der ersten Hälfte des 21.Jahrhunderts. ÖWAW, 56,1-9. Matulla C., H. Scheifinger, A. Menzel, E. Koch, 2003d: Direct downscaling of Central European phenological time series using two empirical techniques. GKSS-report 2003/7. Matulla C., E. Penlap, P. Haas and H. Formayer, 2003e: Detection of homogeneous precipitation regions in Austria during the 20th century. GKSS-report 2003/8. Matulla C. und P. Haas, 2003: Prädiktorsensitives Downscaling gekoppelt mit Wettergeneratoren: saisonale und tägliche CC-Szenarien in komplex strukturiertem Gelände. GKSS-report 2003/24. Penlap E., C. Matulla, H. v. Storch, 2004: Downscaling of GCM scenarios to assess precipitation changes in the little rainy season (March June) in Cameroon. Clim. Res. 26: Penlap E., C. Matulla, H. v. Storch, 2003: Empirical Dwonscaling in the Tropics-possible changes of the little rainy season (March-June) in Cameroon. GKSS-report 2003/11. Stott, P. A., Tett S. F. B., Jones G. S., Ingram W., Mitchell J. F. B., Allen M. R., 1999: Natural and anthropogenic causes of twentieth century temperature change. Oral presentation at: Conference on Detection and Modeling of Regional Climate Change, 9 12 June ICTP, Trieste. Von Storch, H., Zokita, E, Cubasch, U.,. 1993: Downscaling of global climate change estimates to regional scales: An pplication to Iberian rainfall in Wintertime. J. Clim., 6, Züger H., 2004: Reclip: more Validating a regional climate model and applying climate change scenarios in the alpine region. Poster presentation at: REGIONAL-SCALE CLIMATE MODELLING WORKSHOP, Lund Sweden. 9