OzeanEval Evaluierung verschiedener Ozeanparameter aus den MPI-ESM Jahreszeitenvorhersagen. Sabrina Plagemann

Größe: px

Ab Seite anzeigen:

Download "OzeanEval Evaluierung verschiedener Ozeanparameter aus den MPI-ESM Jahreszeitenvorhersagen. Sabrina Plagemann"

Stefan Kaufman
vor 8 Jahren
Abrufe

1 OzeanEval Evaluierung verschiedener Ozeanparameter aus den MPI-ESM Jahreszeitenvorhersagen Sabrina Plagemann

2 Seamless Prediction Warum benötigen wir Jahreszeitenvorhersagen? Kick-Off-Meeting Copernicus am DLR Bonn

3 Wofür? Deutschland Quelle: Quelle: Dirk Ingo Franke Energieversorgung Verkehrsinfrastruktur Quelle: Landwirtschaft Quelle: ww.noaanews.noaa.gov Katastrophenschutz Extremereignisse Global Kick-Off-Meeting Copernicus am DLR Bonn

4 Woher? Beispiel: Deutscher Wetterdienst ECMWF European Centre For Medium Weather Forecasts ECMWF Seasonal Forecasting System S4 u.a. globale monatliche und saisonale Vorhersagen ECMWF: The reason for creating a multi-model forecasting system is that research has consistently shown that better and more reliable seasonal forecasts can be created by combining the output from several models, rather than taking just one model. In most cases, the multi-model combination is better than the best single model. ( EUROSIP Multi-model Seasonal Forecasting System Kick-Off-Meeting Copernicus am DLR Bonn

5 Deutscher EUROSIP Beitrag MPI-ESM (Erdsystemmodell): ECHAM6 JSBACH HAMOCC MPIOM OASIS Atmosphärenmodell Landbiosphäre Biogeochemie im Ozean Ozeanmodell Koppler zwischen Atmosphäre und Land & Ozean und Biogeochemie Quelle: Kick-Off-Meeting Copernicus am DLR Bonn

6 Jahreszeitenvorhersagen des MPI-ESM März Juni Sep Dez März Vorhersage: In jedem Monat Ein Ensemble (durch verschiedene Randwertbedingungen) Für mehrere Monate im Voraus (meist 7 Monate) Produkt: Wahrscheinlichkeitsaussage über die Anomalie (z.b. Temperatur) Temperaturanomalie (Vergleich: ) Kick-Off-Meeting Copernicus am DLR Bonn

7 Wie gut? - Evaluierung Statistik probabilistische Kenngrößen (Evaluierung von Wahrscheinlichkeitsaussagen des Ensembles) deterministische Kenngrößen (Evaluierung des Erwartungswerts, z.b. Median oder Mittelwert des Ensembles) Vergleich des Vorhersageergebnisses mit Beobachtungsdaten

8 Bsp.: Deterministische Evaluierung MPI-ESM Anomaly Correlation Coefficient mit 9 Ensemblemitgliedern für 2 m-lufttemperatur Hindcast-Periode: / Start: November / Vorhersage: für Dezember bis Februar (gemittelt) / schwarze Punkte: signifikant beim 95% Konfidenzniveau Gute Vorhersagequalität Schlechte Vorhersagequalität Anomaly Correlation Coefficient (ACC) f = Anomalie der Vorhersage o = Anomalie der Beobachtung c = klimatologischer Mittelwert (hier: ) Kick-Off-Meeting Copernicus am DLR Bonn

9 Ziele des Projekts OzeanEval Erstellung eines Evaluierungstools für die Jahreszeitenvorhersage, u.a. zur Quantifizierung möglicher Fehlerquellen des MPI-ESM- Modells Automatisierung und Operationelle Anwendung des Tools Hauptaugenmerk Meeresoberflächentemperatur, Meereis und Salzgehalt Quelle: Kick-Off-Meeting Copernicus am DLR Bonn

10 Wie gut? - Evaluierung Statistik probabilistische Kenngrößen (Evaluierung von Wahrscheinlichkeitsaussagen des Ensembles) deterministische Kenngrößen (Evaluierung des Erwartungswerts, z.b. Median oder Mittelwert des Ensembles) Vergleich des Vorhersageergebnisses mit Beobachtungsdaten Notwendig: - qualitativ hochwertige Beobachtungsdaten - vollständige Abdeckung des Untersuchungsgebiets und -zeitraums

11 Beobachtungsdaten Bojen & Schiffsmeldungen Problem: Vollständige Abdeckung des Untersuchungsgebiets und zeitraums ist nicht gegeben Quelle: Lösung: Beobachtungsdaten aus Satellitenmessungen Ocean Monitoring and Forecasting Providing Products and Services for all marine applications Sentinel-1 (Quelle: Kick-Off-Meeting Copernicus am DLR Bonn

12 Zusammenfassung Projekt OzeanEval Erstellung eines Evaluierungstools für die Jahreszeitenvorhersage des Erdsystemmodells MPI-ESM Bewertung der Ozeanparameter Anwendung verschiedener Beobachtungsdaten, insbesondere der neuen Sentinel-Daten Kick-Off-Meeting Copernicus am DLR Bonn

13 Vielen Dank! Dipl.-Met. Sabrina Plagemann Tel.: 069/ Kick-Off-Meeting Copernicus am DLR Bonn

Ähnliche Dokumente

MSF 4D-Asset-Oszillator LU0665001441 A1JD3F

MSF 4D-Asset-Oszillator LU0665001441 A1JD3F Der Halloween-Effekt: wissenschaftlich erwiesen, empirisch bestätigt: die Renditen an Aktienmärkten sind im Zeitraum November April höher als von Mai -Oktober