Das konvektionserlaubende Ensemblevorhersagesystem COSMO-DE-EPS. Von der Entwicklung zu den Anwendungen

Transkript

1 Das konvektionserlaubende Ensemblevorhersagesystem COSMO-DE-EPS Von der Entwicklung zu den Anwendungen Michael Buchhold Christoph Gebhardt, Susanne Theis, Zied Ben Bouallègue und weitere Deutscher Wetterdienst

2 Themen Allgemeines zu Ensemblevorhersagen (EPS) Was ist das COSMO-DE und warum wurde COSMO-DE-EPS entwickelt? Aufbau des COSMO-DE-EPS Vorhersageprodukte des COSMO-DE-EPS und ein Fallbeispiel Verifikation (Ansatz und Zahlen) Anwendungen (Flughafen, erneuerbare Energien, ) Weitere Pläne für das COSMO-DE-EPS Literatur (Veröffentlichungen + Fortbildung)

3 Allgemeines zur Ensemblevorhersage

4 Unsicherheit in der numerischen Wettervorhersage Anfangsbedingungen (Beobachtungen und Verfahren) Mathematische Approximierungen Modelldynamik Vorhersageunsicherheit Parametrisierungen Modellphysik Es gibt KEINE Vorhersage OHNE Vorhersageunsicherheit Diskretisierung(sverfahren) räumliche / zeitliche Auflösung Numerik Randbedingungen

5 Was ist ein Ensemble? 0 Vorhersagezeit mehrere parallele Läufe eines (verschiedener) numerischen/-r Vorhersagemodells/-modelle mit gleichem Zieltermin der Vorhersage ( Member ) Generierung der Member soll die Quellen von Vorhersageunsicherheiten widerspiegeln

6 Was ist ein Ensemble? 0 Vorhersagezeit ein Ensemble soll die Vorhersageunsicherheit quantifizieren / schätzen (einschließlich ihrer zeitlichen Entwicklung) stichprobenhafte Beschreibung der Statistik der möglichen Wetterentwicklung

7 Was ist ein Ensemble? 0 Vorhersagezeit Mittlere Entwicklung Quantifizierung der Vorhersagevariabilität ( Spread ) Eintrittswahrscheinlichkeiten für Ereignisse Quantile (extreme) Szenarien

8 COSMO-DE -- Was ist das? COSMO-DE-EPS -- Warum wird das gemacht?

9 NWV Modell COSMO-DE Gitterweite 2,8 km ohne Parametrisierung hochreichender Konvektion (konvektions-erlaubend) Vorhersage: 0-27 Stunden, 8 Starts pro Tag (00, 03 UTC,...) Assimilation von Radardaten COSMO-EU (7km) GME (20km) COSMO-DE (2,8km) Verbesserte Genauigkeit in zeit-räumlicher Auflösung und den explizit modellierten atmosphärischen Prozessen

10 Beispiel einer Vorhersage ( , 18 UTC) Zunächst: beobachtete Realität Komposit der Radarreflektivität (15-minütig) --

11 Niederschlag (Stundensumme in mm) 20km

12 Niederschlag (Stundensumme in mm) 7km 20km

13 Niederschlag (Stundensumme in mm) 2,8km 20km 7km

14 Niederschlag (15-Minuten-Summe in mm) 2,8km 2,8km 20km 7km

15 Nutzen feinerer Gitterauflösungen Verbesserte Vorhersagen bodennaher Variablen Niederschlag, 2m-Temperatur, Windböen Verbesserte Beschreibung atmosphärischer Prozesse auf der synoptischen, meso-skaligen, konvektiven Skala Verbesserte Vorhersagen gefährlicher Wettererscheinungen (Horanyi et al. 2011) (Iversen et al. 2011) (Marsigli et al. 2008) (Bowler et al. 2008) etc

16 All in one 2,8km 2,8km 20km 7km

17 Beispiel einer Vorhersage ( , 18 UTC) Detailbetrachtung der COSMO-DE Vorhersage Niederschlag (Stundensumme in mm)

18 Beispiel einer Vorhersage ( , 18 UTC) Leicht unterschiedliche Einstellungen der Modellphysik im COSMO-DE Gleiche Rand- und Anfangsbedingungen

19 charakteristische Zeit Feinere Auflösung höhere Vorhersagbarkeit? Skalendiagramm Vorhersagbarkeit Woche Stunde konvektive Skala synoptische Skala 100 m 10 km 1000 km charakteristische horizontale Länge Vorhersagezeit

20 Feinere Auflösung höhere Vorhersagbarkeit? konvektive Prozesse sind kurzlebig und nichtlinear dadurch deterministische Vorhersagbarkeit stark begrenzt Uncertainties in small scales grow faster (Lorenz 1969) Modell täuscht auf der Gitterpunktsskala zu hohe Sicherheit bzw. Genauigkeit vor Vorhersagen des COSMO-DE sind zu gewissem Grade zufällig Vorhersageunsicherheit Eine probabilistische / statistische Sichtweise ist notwendig, um den Modellfortschritt optimal zu nutzen

21 COSMO-DE-EPS Wie wird das Ensemble generiert? Welche Quellen von Vorhersageunsicherheit werden wie berücksichtigt?

22 Ensemblevorhersagesystem COSMO-DE-EPS (operationell seit ) Gitterweite 2,8 km ohne Parametrisierung hochreichender Konvektion (konvektions-erlaubend) Vorhersage: 0-27 Stunden, 8 Starts pro Tag (00, 03 UTC,...) Assimilation von Radardaten COSMO-EU (7km) GME (20km) COSMO-DE (2,8km) 20 Member Störung von Modellphysik, Anfangs- und Randbedingungen

23 Erzeugung der Ensemble Member Variationen im Vorhersagesystem zur Repräsentierung der Vorhersageunsicherheit Anfangsbedingungen Randbedingungen Modellphysik

24 Erzeugung der Ensemble Member Variationen im Vorhersagesystem zur Repräsentierung der Vorhersageunsicherheit Anfangsbedingungen Randbedingungen Modellphysik Multi-Konfiguration Variation der Parameter der Modellphysik Feste Konfiguration pro Member Nicht stochastisch

25 Erzeugung der Ensemble Member Variationen im Vorhersagesystem zur Repräsentierung der Vorhersageunsicherheit Anfangsbedingungen Randbedingungen Modellphysik Multi-Modell angetrieben von verschiedenen Globalmodellen Multi-Konfiguration Variation der Parameter der Modellphysik Feste Konfiguration pro Member Nicht stochastisch

26 Erzeugung der Ensemble Member plus Variationen der Anfangsbedingungen Modellphysik Variation der Randbedingungen COSMO-DE-EPS 2,8km COSMO 7km GME, IFS, GFS, GSM

27 Niederschlag (Stundensumme in mm) 2 Member des COSMO-DE-EPS gleiche Störung der Modellphysik andere Rand- und Anfangsbedingungen Rand/Anfang aus GME Radar Rand/Anfang aus GFS

28 Erzeugung der Ensemble Member Variationen im Vorhersagesystem zur Repräsentierung der Vorhersageunsicherheit Anfangsbedingungen Randbedingungen Modellphysik Multi-Modell angetrieben von verschiedenen Globalmodellen Multi-Konfiguration Variation der Parameter der Modellphysik Feste Konfiguration pro Member Nicht stochastisch

29 Erzeugung der Ensemble Member Variationen im Vorhersagesystem zur Repräsentierung der Vorhersageunsicherheit Anfangsbedingungen Randbedingungen Modellphysik Multi-Modell die verschiedenen Globalmodelle werden genutzt, um die COSMO-DE Anfangsbedingungen zu modifizieren Multi-Modell angetrieben von verschiedenen Globalmodellen Multi-Konfiguration Variation der Parameter der Modellphysik Feste Konfiguration pro Member Nicht stochastisch

30 Die 20 Ensemble Member IFS GME GFS GSM

31 Die 20 Ensemble Member IFS GME GFS GSM

32 Die 20 Ensemble Member + Anomalie der Bodenfeuchte - Anomalie der Bodenfeuchte IFS GME GFS GSM

33 Vorhersageprodukte des COSMO-DE-EPS Fallbeispiel

34 Probabilistische Produkte Produktart Wahrscheinlichkeiten, Quantile, EPS-Mittel, -Spread, Maximum und Minimum der Member pro Gitterpunkt Variablen: Niederschlag, 2m-Temperatur, 10m-Windböen, Schneefall, Tmin und Tmax auf 2m neu: Wolkenbedeckung, synthetische Radarreflektivität, CAPE

35 Probabilistische Produkte Produktart Wahrscheinlichkeiten, Quantile, EPS-Mittel, -Spread, Maximum und Minimum der Member pro Gitterpunkt Variablen: Niederschlag, 2m-Temperatur, 10m-Windböen, Schneefall, Tmin und Tmax auf 2m neu: Wolkenbedeckung, synthetische Radarreflektivität, CAPE Zeitbezug (z.b. für Wahrscheinlichkeiten): 1, 6 und 12 Stunden Raumbezug: Gitterpunkt und 10 x 10 Gitterpunkte (nur Niederschlagswahrsch.)

36 Fallstudie vom 23. Mai 2012 starke Niederschläge über Nordrhein-Westfalen und Hessen Stundensummen bis 40 mm Hagel, Gewitter, leichte Überflutungen und Hangrutschungen Bilder: Bernd Brandt / wetteronline.de wirsiegen.de

37 Fallstudie vom 23. Mai 2012, 12 UTC angeeichte Radarmessung

38 Fallstudie vom 23. Mai 2012, Stundensumme UTC EPS, 90%-Perzentil angeeichte Radarmessung 00 UTC + 12 deterministisch 00 UTC + 12

39 Fallstudie vom 23. Mai 2012, Stundensumme UTC EPS, 90%-Perzentil deterministisch 00 UTC UTC + 12

40 Fallstudie vom 23. Mai 2012, Stundensumme UTC EPS, 90%-Perzentil deterministisch 03 UTC UTC + 09

41 Fallstudie vom 23. Mai 2012, Stundensumme UTC EPS, 90%-Perzentil deterministisch 06 UTC UTC + 06

42 Fallstudie vom 23. Mai 2012, Stundensumme UTC EPS, 90%-Perzentil deterministisch 09 UTC UTC + 03

43 Verifikation Fragestellung: Stimmt die Statistik der EPS-Vorhersagen mit der tatsächlichen (beobachteten) Statistik der atmosphärischen Größen überein (ereignisbezogen und allgemein)? z.b. 10mm Niederschlag in 6 Stunden (Wahrscheinlichkeit!!) z.b. mittlere 2m- Temperatur oder Ensemble-Spread

44 Bewertung von EPS-Vorhersagen Vorhersage für das Eintreten eines Ereignisses : 90% Ist das Ereignis eingetreten? JA War die Vorhersage gut oder schlecht?

45 Bewertung von EPS-Vorhersagen Vorhersage für das Eintreten eines Ereignisses : 90% Ist das Ereignis eingetreten? NEIN War die Vorhersage gut oder schlecht?

46 Bewertung von EPS-Vorhersagen Vorhersage für mehrere ähnliche Situationen: ähnlich heißt: unter Berücksichtigung der Quellen von (numerischer) Vorhersageunsicherheit nicht zu unterscheiden V: 90% 90% 90% 90% 90% 90% 90% 90% 90% 90% B: JA JA JA JA JA NEIN JA JA JA JA In diesem Zusammenhang ist 90% - NEIN nicht grundsätzlich eine schlechte Vorhersage. Das lässt sich aber im Einzelfall nicht entscheiden.

47 Bewertung von EPS-Vorhersagen Vorhersage für mehrere ähnliche Situationen: V: 90% 90% 90% 90% 90% 90% 90% 90% 90% 90% B: JA JA JA JA JA NEIN JA JA JA JA V: 90% 90% 90% 90% 90% 90% 90% 90% 90% 90% B: NEIN NEIN NEIN JA NEIN NEIN NEIN NEIN NEIN NEIN Im unteren Vorhersagesystem sind die Wahrscheinlichkeitsvorhersagen schlecht

48 Bewertung von EPS-Vorhersagen Die Qualität von vorhergesagten Wahrscheinlichkeiten kann streng genommen nicht im Einzelfall bewertet werden auch vorhergesagte Wahrscheinlichkeiten können falsch sein (Diskrepanz zwischen Vorhersage- und Ereignisstatistik) Evaluierung bezogen auf den Einzelfall natürlich dennoch sinnvoll : Bewertung der räumlichen Struktur der Wahrscheinlichkeiten Erfahrungs(!!)werte der Nutzer unterstützen die Entwicklung Training für die Nutzer

49 Brier Score (BS) Maß für die Distanz zwischen EPS-Wahrscheinlichkeiten (0 100%) und Beob. (0 oder 100%) Brier Skill Score (BSS) vergleicht den BS des EPS mit dem BS einer Referenzvorhersage ereignisbezogen (z.b. Niederschlag > 5mm in der letzten Stunde) BSS für stündlichen Niederschlag im Sommer Referenz: deterministisches COSMO-DE

50 Reliability Wie oft wird das Ereignis in den Fällen beobachtet, in denen es zu p % vorhergesagt wurde? ereignisbezogen (z.b. Niederschlag > 5mm in der letzten Stunde) Reliability-Diagramm für stündlichen Niederschlag im Sommer

51 Postprocessing -- Kalibrierung Anpassung der EPS-Statistik an die beobachtete Statistik z.b. mit Regressionsverfahren ( Trainingsdatensatz ) Beispiel: Wahrscheinlichkeit Niederschlag > 5/10 mm in 6h Kalibriert mittels logistischer Regression (noch nicht operationell) 5 mm/6h 10 mm/6h kalibriert unkalibriert

52 Postprocessing-Kalibrierung Beispiel Windgeschwindigkeit (in Entwicklung) Hamburg, 110 m wind speed: Threshold 6 m/s Raw Ensemble Calibrated by EMOS bivariate Gaussian distribution TP 2 04/

53 Ist ausreichend Spread im EPS? Beobachtung Rank Histogram U-Form EPS ist unterdispersiv (= nicht genügend Variabilität) Rankhistogram für stündlichen Niederschlag im Sommer

54 Anwendungen des COSMO-DE-EPS

55 Example of a customer : the DWD forecaster percentiles, exceeding probabilities, ensemble mean and spread, precipitation & snow, 10m wind gusts, 2m temperature, simulated radar reflectivity, CAPE, low level cloud cover tailored to DWD warning criteria forecaster can see the forecast: 2 ¼ hours after start of simulation

56 Visualization in NinJo EPSgrams at each grid point

57 Nutzeranforderung: COSMO-DE-EPS 28 km Produkte = 2.8 km Box = Niederschlag Member 1 Member 2 Member 3 Member 4 Member 5 frequency Häufigkeit 10/10 9/10 8/10 7/10 6/10 5/10 4/10 3/10 2/10 1/10 0/10 Member 6 Member 7 Member 8 Member 9 Member 10 Probability that precipitation occurs? 2.8 km 28 km

58 probability of precipitation > 20 mm/6h probability of precipitation > 20 mm/6h somewhere within a region

59 Anwendung in der Flugmeteorologie Das Projekt LuFo iport WiWi (DFS/DWD, ) Kernziel: Steigerung der Flughafen- Verkehrsleistung durch Optimierung des Flughafenverkehrsmanagements Minimierung des Wettereinflusses DWD: Bereitstellung eines Ensemblebasierten Windvorhersagesystem für den Flughafen Frankfurt (I. Alberts // N. Schuhen // M.Buchhold)

60 Circumstances and challenges Landings and take-offs should be performed under headwind conditions Critical situations: Tailwinds exceed a certain threshold Severe crosswinds Impact: Change of operational direction Runway closure there is a need for more reliable forecasts as basis for making optimal decisions and pro active reaction Minimise operational costs!

61 Frankfurt/Main Airport Runway Northwest: landings only -5 kn operational direction: east operational direction: west -15 kn parallel runways: landings and take-offs Runway West: take-offs only critical tailwind component

62 iport Wiwi Concept 1) COSMO-DE-EPS 2.8 km 2) Product generation Customer-oriented probabilistic forecasting products 5) Decision making with prob. forecasts 3) Calibration categorical decision change of runway YES or NO Which critical probability? chance for e.g. tail wind > v crit longer than 1 hour 4) Visualisation N 250

63 iport WiWi Products Developing products corresponding to the customer s requirements Regular meetings with forecasters and air traffic controllers Forecasts for 10 m wind and at glide path points up to 1500 m Ensemble mean as deterministic forecast Exceedance probabilities Tailwind +5, -5, -8, -10, -15 kn Crosswind ± 20 kn Selected quantiles Products based on calibrated distribution

64 iport WiWi Visualization visualization internal website for flight weather forecaster and air traffic controller choose between different glide path points

65 Beispiel RW 25 bahnparall.komp RW25 Querwind RW 18 Rückenwind

66 iport wiwi Kalibrierung und Verifikation EMOS, bivariate Gaussian distribution RW 18: prob tailwind > 8 kt Brier Skill Score 0.23

67 Anwendung im Sturmflutwarndienst (BSH) Deutsche Nordseeküste

68 Orkantief Xaver am 5. Dez MSLP UTC

69

70

71 Anwendung im Bereich der erneuerbaren Energien Forschungsprojekte EWeLiNE and ORKA Kristina Lundgren EWeLiNE & ORKA-Team Deutscher Wetterdienst, DWD

72 Hintergrund Anteil der Erneuerbaren Energien (EE) am Strommix steigt?? 2012: 25% 2010: 18%?? Hauptanteil durch Wind- und Solarstrom gedeckt Wetterabhängig, fluktuierende Stromerzeugung!

73 Herausforderung für den DWD Größtes Potenzial zur Optimierung der Leistungsprognosen liegt in der Verbesserung der Wettervorhersagen. Optimierung der Prognosen und Erstellung neuer Prognoseprodukte führt zu: erhöhter Netzsicherheit geringere Risiken verbessertes Modellsystem abschätzbare Risiken verlässliche Ensembleinformation Senkung der Kosten Minimierung der Reserve- und Ausgleichsleistungen und der EEG- Umlage allgemein Risikomanagement gewinnt generell an Bedeutung, d.h. zuverlässige probabilistische Prognosen werden für den operationellen Betrieb benötigt

74 Probabilistische Wetterprognosen für Wind- und PV-Leistungsprognosen Für eine sichere Einspeisung von EE in das Stromnetz (Risikoabschätzung) Anpassung der Ensemblegenerierung und Kalibrierungsverfahren an die Anforderungen der Anwender

75 Beispiel Windkraft: Kennlinie für Windenergie

76 Horizon. wind in m/s COSMO-DE-EPS Vorhersage der Windgeschwindigkeit in 100 m Höhe an der Plattform FINO1 in der Nordsee Abschaltgeschwindigkeit 60 MW 0 MW Forecast time in hours

77 Fallstudie Front Passage 18 Juli, 2012 COSMO-DE-EPS vs. Observations Lindenberg FINO 1 Global radiation Lindenberg Wind speed at 100 m FINO 1

78 EE research topics Improved ensemble generation Adapt post-processing methods to user requirements

79 EE research topics Improved ensemble generation Adapt post-processing methods to user requirements First step: Verify the forecasts for critical periods Example: Arkona, July (3 UTC run) Pyranometer obs. Global radiation quantile forecasts

80 Verifikation Globalstrahlung Example: Arkona, July (3 UTC run) Global radiation quantile forecasts Example: Germany, July to September 2013 (3 UTC run) Reliability diagram for 50% quantile-forecast Pyranometer obs. Reliable forecast if the Reliability curve is on the diagonal

81 Postprocessing Kalibrierung Beispiel Windgeschwindigkeit in Nabenhöhe, Hamburg Raw Ensemble Calibrated by EMOS TP 2 04/

82 Verifikation Wind in 100m Example: Meridional wind at 100 m, Karlsruhe, reliability, threshold 6 m/s

83 Anwendung in der Hydrologie

84 Anwendung in der Hydrologie Zur Verfügung gestellt von: LUWG Rheinland-Pfalz, Norbert Demuth 2014

85 Pläne und Weiterentwicklungen

86 Pläne und Weiterentwicklungen Operationalisierung der Kalibrierung Erweiterung auf 40 Member (Randdaten von COSMO-LEPS) Weitere Physikstörungen testen Ensemble-Kalmanfilter (LETKF) zur Störung der Anfangsbedingungen ICON-EPS zur Störung der Randbedingungen alternative Ansätze testen (stochastische Physikstörung)

87 Informationen zur Fortbildung S. Theis, C. Gebhardt (2011): COSMO-DE-EPS: das konvektionserlaubende Ensemble am DWD in promet 37, Heft 3/4, Probabilistische Wettervorhersage. S. Theis, C. Gebhardt (2009): Grundlagen der Ensembletechnik und Wahrscheinlichkeitsaussagen in promet 35, Heft 1-3, Moderne Verfahren und Instrumente der Wettervorhersage im Deutschen Wetterdienst. Archiv

88 Publikationen in Fachzeitschriften Ben Bouallègue, Z. (2013): Calibrated short-range ensemble precipitation forecasts using extended logistic regression with interaction terms. Wea. Forecasting, 28, Ben Bouallègue, Z., Theis, S.E. and C. Gebhardt (2013): Enhancing COSMO-DE ensemble forecasts by inexpensive techniques. Meteorologische Zeitschrift, 22 (1), Ben Bouallègue, Z. and S.E. Theis (2013): Spatial techniques applied to precipitation ensemble forecasts: From verification results to probabilistic products. Accepted by Meteorological Applications. Gebhardt, C., Theis, S.E., Paulat, M. and Z. Ben Bouallègue (2011): Uncertainties in COSMO-DE precipitation forecasts introduced by model perturbations and variation of lateral boundaries. Atmospheric Research, 100, Peralta, C., Z. Ben Bouallègue, S.E. Theis, C. Gebhardt, and M. Buchhold (2012): Accounting for initial condition uncertainties in COSMO-DE-EPS. J. Geophys. Res., 117 (D7), doi: /2011jd016581

89 Vielen Dank für Ihre Aufmerksamkeit!

90 Verification of operational forecasts EPS not calibrated or post-processed observations: rain-gauge adjusted radar or SYNOP STATUS

91 summer 11 Brier Skill Score (reference: deterministic run of COSMO-DE) hourly precipitation winter 11/12 summer 12 winter 12/13

92 summer 11 ROC area hourly precipitation winter 11/12 summer 12 winter 12/13

93 summer 11 Reliability hourly precipitation winter 11/12 summer 12 winter 12/13

94 summer 11 Rank histogramm hourly precipitation winter 11/12 summer 12 winter 12/13

95 Nutzer A Nutzer B Tag A Tag B Wer weiß mehr über die Wetterentwicklung?

96 Vorhersageunsicherheit gut oder böse? Es gibt KEINE Vorhersage OHNE Vorhersageunsicherheit deterministische Vorhersage ist nicht genauer, sondern ignoriert die Vorhersageunsicherheit ( Pseudo-Genauigkeit des Ein-Member-Ensembles ) ein Ensemble erfindet keine Vorhersageunsicherheit, sondern quantifiziert sie inklusive ihrer Variabilität Zusatzinfo

97 Vorhersageunsicherheit gut oder böse? Es gibt KEINE Vorhersage OHNE Vorhersageunsicherheit deterministische Vorhersage ist nicht genauer, sondern ignoriert die Vorhersageunsicherheit ( Pseudo-Genauigkeit des Ein-Member-Ensembles ) ein Ensemble erfindet keine Vorhersageunsicherheit, sondern quantifiziert sie inklusive ihrer Variabilität Zusatzinfo Nutzen hängt von den Vorhersageprodukten und den Arbeitsbedingungen und der Ausbildung des Nutzers ab interdisziplinäre Aufgabe

98 Was soll ich mit Wahrscheinlichkeiten? Ich will wissen, wie das Wetter wird! Was soll ich ohne Abschätzung der Verlässlichkeit der Vorhersage? Ich will wissen, welche möglichen Entwicklungen das Wetter nehmen könnte!