Stand: Seite 1 von 8

Transkript

1 Stand: Seite 1 von 8 Klimawandel und technische Klimatologie P. Becker (1), T. Deutschländer (1), J. Namyslo (1), M. Koßmann (1), U. Sievers (1), G. Süßenguth (1), B. Tinz (2) (1) Deutscher Wetterdienst, Abteilung Klima- und Umweltberatung, Offenbach, Deutschland, (2) Deutscher Wetterdienst, Abteilung Seeschifffahrt, Hamburg, Deutschland (thomas.deutschlaender@dwd.de / Telefon: ) Da sich die Indizien für einen bereits eintretenden Klimawandel häufen, nimmt der Bedarf an belastbaren Resultaten aus den verschiedenen Bereichen der Klimafolgenforschung stetig zu. Auf der Basis von Aussagen, die mittels Wirkanalysen erzielt werden, sollen Gegenmaßnahmen bzw. Anpassungsstrategien entwickelt werden. Damit kann ein Beitrag geleistet werden, um die Auswirkungen des Klimawandels auf den Menschen und seine Umwelt möglichst gering zu halten. Der Anwender steht häufig vor der Frage, welche Ergebnisse von regionalen Klimamodellen er als Eingabedatensätze für seine Wirkmodelle verwenden soll. Damit die Unsicherheit der Klimaprojektionen, die sich auf die Wirkmodellierung überträgt, z.b. in Form einer Spanne quantifiziert werden kann, ist die Verwendung mehrerer Simulationen sinnvoll. Ist dies auf Grund des damit verbundenen hohen Rechenaufwands nicht realisierbar, so bleibt alternativ die Verwendung der problemspezifisch bestgeeigneten Simulation. Die hiermit verbundene Auswahl setzt jedoch umfangreiche Untersuchungen der Datenqualität der einzelnen Modelle voraus. Zusätzlich gründet eine solche Herangehensweise auf der impliziten Annahme, dass sich die Rangfolge der Modellierungsgüte im Projektionszeitraum im Vergleich zum Kontrollzeitraum nicht wesentlich ändert. Der Deutsche Wetterdienst (DWD) betreibt seine Wirkmodelle zurzeit mit den Simulationsergebnissen von insgesamt vier regionalen Klimamodellen. Diese stehen für einen gemeinsamen Projektionszeitraum bis 2055 flächendeckend für das Gebiet der Bundesrepublik zur Verfügung. Es handelt sich um die Klimaprojektionen der statistischen Modelle WETTREG (Kreienkamp und Enke, 2006) und STAR (Orlowsky, 2007; Orlowsky et. al., 2007) der Potsdamer Institute CEC bzw. PIK sowie um die der numerischen Modelle REMO (Jacob, 2005) und CLM (Keuler und Lautenschlager, 2006) des MPI-M Hamburg bzw. des CLM-Konsortiums (BTU Cottbus, Koordinationsstelle). Zunächst beschränken sich die Rechnungen des DWD dabei auf die Resultate für das Emissionsszenario A1B inkl. der Kontrollläufe der Modelle. Als erste Anwendung werden hier die im Bereich der Heiz- und. Klimatechnik verwendeten Kartierungen der so genannten Gradtage vorgestellt. Letztere spielen im Zuge der Novellierung der Energieeinsparverordnung (EnEV) vom zur Ausstellung von Energieausweisen für Gebäude eine aktuelle Rolle: Die jährlichen (bzw. für einen Jahreszeitraum bereitgestellten) Gradtage (G, Einheit: K d/a) werden zur Berechnung eines Energieverbrauchskennwertes benötigt (BMVBS, 2007). Hierzu werden die aktuellen Gradtage G anhand eines so genannten Klimafaktors f Klima =G m /G "zur Witterungsbereinigung des Energieverbrauchs für Heizung" auf den bundeseinheitlichen, mittleren jährlichen Wert von Würzburg (G m = 3883 K d/a) bezogen. Um die zu erwartenden zukünftigen Änderungen abbilden zu können, werden die Gradtag- Kartierungen für unterschiedliche Zeitabschnitte erstellt: Für einen Beobachtungszeitraum

2 Stand: Seite 2 von bis 2000, für die jeweiligen modellspezifischen Kontrollzeiträume aus dem Zeitfenster 1951 bis 2000 und einen Projektionszeitraum 2011 bis Aus den Klimaprojektionen der Tagesmittel der Lufttemperatur werden hierzu mittlere jährliche Verläufe der Tagesmitteltemperaturen für die Kontroll- und Projektionszeiträume berechnet. Anhand dieser mittleren Verläufe werden mittlere jährliche Gradtage für den jeweiligen Zeitraum abgeleitet. Während die Daten der Kontroll- und Projektionszeiträume jeweils auf den gitter- und stationsspezifischen Werten der numerischen bzw. statistischen Klimaprojektionen der o.a. vier Modelle beruhen, ergeben sich die Daten des Beobachtungszeitraums aus gemessenen Tagesmittelwerten der Lufttemperatur. Alle Gradtag-Datentypen werden anhand eines statistischen multiplen Regressionsmodells auf ein 1-km-Raster in die Fläche interpoliert. Abbildung 1 zeigt beispielhaft den mittleren Jahresgang des Tagesmittels der Lufttemperatur für Kontroll- und Projektionszeitraum (A1B) des CLM-Modells am Gitterpunkt 52,4 geographischer Breite und 13,4 geographischer Länge (Stadtgebiet Berlin). Im Jahresmittel liegen die Temperaturen dabei im Projektionszeitraum um rund 0,5 K höher als im Kontrollzeitraum. Es fällt aber auf, dass dieser Trend nicht für alle Jahreszeiten einheitlich projiziert wird. Im Frühjahr ist, diesem Modell zu Folge, vielmehr sogar ein leichter Temperaturrückgang zu erwarten. Die flächenhafte Verteilung der jährlichen Gradtagsummen in Deutschland auf der Basis der Temperaturverläufe von insgesamt 2668 Gitterpunkten des CLM-Modells ist in den Abbildungen 2 und 3 dargestellt. Eine allgemeine Verschiebung um etwa eine Klassenbreite in Richtung niedrigerer Gradtagsummen (entsprechend höherer Temperaturen) ist deutlich zu erkennen. Die durch die orographische Verteilung der Bundesrepublik bedingte Struktur der Gradtagsummen bleibt jedoch weitestgehend unverändert Temperatur [ C] Julianischer Tag 1961 bis bis 2030 Abbildung 1: Mittlerer Jahresgang des Tagesmittels der Lufttemperatur am Gitterpunkt 52,4 Nord und 13,4 Ost (Berlin-Lichtenrade) für Kontroll- (blau) und Projektionszeitraum (rot) des CLM-Modells (A1B). Die resultierenden Jahresmitteltemperaturen ergeben sich zu 8,26 C bzw. 8,72 C. Die beobachteten Jahresmitteltemperaturen in den Außenbezirken Berlins lagen im Zeitraum 1961 bis 2000 bei ca. 9 C.

3 Stand: Seite 3 von 8 Abbildung 2: Geographische Verteilung der mittleren jährlichen Gradtagsummen im Zeitraum 1961 bis 2000 für die Bundesrepublik Deutschland auf der Basis der Klimasimulationen (A1B) des CLM- Modells (Kontrollzeitraum). Die Legende reicht von 2700 (Klassenuntergrenze dunkelbraun) bis 6060 K d/a (Klassenuntergrenze grün) bei einer Klassenbreite von 240 Gradtagen.

4 Stand: Seite 4 von 8 Abbildung 3: Geographische Verteilung der mittleren jährlichen Gradtagsummen im Zeitraum 2011 bis 2030 für die Bundesrepublik Deutschland auf der Basis der Klimasimulationen (A1B) des CLM- Modells (Projektionszeitraum). Die Legende reicht von 2700 (Klassenuntergrenze dunkelbraun) bis 6060 K d/a (Klassenuntergrenze grün) bei einer Klassenbreite von 240 Gradtagen.

5 Stand: Seite 5 von 8 Abbildung 4: Geographische Verteilung der Differenz (ΔG) der mittleren jährlichen Gradtagsummen zwischen Projektions- und Kontrollzeitraum basierend auf den Klimasimulationen (A1B) des CLM- Modells. Die Legende reicht von -375 (Klassenuntergrenze dunkelbraun) bis -25 K d/a (Klassenuntergrenze grün) bei einer Klassenbreite von ΔG=25 K d/a.

6 Stand: Seite 6 von 8 Abbildung 5: Geographische Verteilung der Differenz (ΔG) der mittleren jährlichen Gradtagsummen zwischen Projektions- und Kontrollzeitraum basierend auf den Klimasimulationen (A1B) des WETTREG-Modells. Die Legende reicht von -375 (Klassenuntergrenze dunkelbraun) bis -25 K d/a (Klassenuntergrenze grün) bei einer Klassenbreite von ΔG=25 K d/a.

7 Stand: Seite 7 von 8 Klimasimulationen weisen im Allgemeinen einen Bias auf. So liegen z.b. die vom CLM- Modell für den Kontrollzeitraum 1961 bis 2000 berechneten Jahresmitteltemperaturen im gesamten Modellgebiet um rund 0,5 K unterhalb der in diesem Zeitraum beobachteten Werte (vgl. hierzu auch Abb. 1). Dieser systematische Fehler bleibt auch im Projektionszeitraum erhalten, so dass die ausschließliche Verwendung absoluter Simulationsergebnisse zu grundsätzlichen Fehlern in der Wirkmodellierung führen kann. Durch Bildung der Differenzen zwischen den Resultaten des Projektions- und denen des modellspezifischen Kontrollzeitraums kann dem Bias des jeweiligen Modells jedoch weitgehend Rechnung getragen werden. Im Ergebnis lassen sich sowohl die Spanne als auch ein Mittel der zu erwartenden Änderungen der Gradtage für den Zeitraum 2011 bis 2030 kartieren. Ebenfalls am Beispiel des CLM-Modells zeigt Abbildung 4 die zu erwartende Abnahme der Gradtagsummen im Zeitraum 2011 bis 2030 gegenüber dem Kontrollzeitraum 1961 bis Vom Betrag her liegt sie in etwa in einem Bereich zwischen 330 K d/a und 120 K d/a. Zu den relativen heiztechnischen Gewinnern gehören demnach die Küstenbereiche sowie die Höhenlagen der Mittelgebirge und die Alpenregion. Geringere Änderungen sind u.a. für das Rhein-Main-Gebiet sowie große Teile der östlichen Bundesländer zu verzeichnen. Zwar nimmt der Heizbedarf auch hier ab, jedoch deutlich geringer als z.b. in Schleswig-Holstein. Dass die zukünftig zu erwartende Änderung der heiztechnischen Verhältnisse auch in anderer Form ablaufen kann, dokumentiert Abbildung 5. Die hier dargestellten Resultate basieren auf den Simulationen des WETTREG-Modells als Vertreter der statistischen Verfahren. Einzig die für das gesamte Bundesgebiet projizierte einheitliche Abnahme der jährlichen Gradtagsummen stimmt mit den Ergebnissen auf der Basis des CLM-Modells überein. Größenordnung und geographische Verteilung weisen hingegen z.t. markante Unterschiede auf. Grundsätzlich nimmt der Heizbedarf diesem Modell zu Folge wesentlich weniger stark ab. Der projizierte Bereich liegt etwa zwischen -180 K d/a und -5 K d/a und überschneidet sich somit nur leicht mit dem Gesamtbereich der auf den CLM-Projektionen basierenden Ergebnisse. Außerdem ist ein eindeutiges West-Ost-Gefälle zu erkennen, welches mit der Struktur in Abbildung 4 ebenfalls kaum Ähnlichkeiten aufweist. Abschließend wird ein Ausblick auf die Entwicklung eines Verfahrens zur Anbindung von mikroskaligen urbanen Klimamodellen an Klimaprojektionen gegeben. Im Bereich der Stadtund Umweltklimatologie sollen mit dem Klimamodell MUKLIMO_3 (Sievers, 1995) die sich innerhalb der Stadtgebiete einstellenden Lufttemperatur- und Strömungsverhältnisse für ausgewählte Wettersituationen simuliert werden. Unter den Vorgaben der oben genannten regionalen Klimaprojektionen wird es damit möglich sein, in bebauten Gebieten auf kleinster Skala Aussagen zu der in Zukunft zu erwartenden Wärmebelastungsverteilung zu treffen. In Verbindung mit dem Klima-Michel-Modell (Jendritzky u.a., 1990) können Bioklima-Karten erzeugt werden, die über die zu erwartenden Unterschiede der gefühlten Temperatur ("perceived temperature" PT) im gesamten Stadtgebiet Auskunft geben. Literatur: BMVBS (Bundesministerium für Verkehr, Bau und Stadtentwicklung), 2007: Bekanntmachung der Regeln für Energieverbrauchskennwerte im Wohngebäudebestand Vom 26. Juli S.

8 Stand: Seite 8 von 8 EnEV, 2007: Verordnung über energiesparenden Wärmeschutz und energiesparende Anlagentechnik bei Gebäuden (Energieeinsparverordnung - EnEV) vom , BGBl. I (2007), Nr. 34, S Jacob, D., 2005: REMO Climate of the 20th century run No , und A1B scenario run No , UBA Project, degree resolution, 1h Data. CERA- Datenbank: Jendritzky, G.; Menz, G.; Schirmer, H.; Schmidt-Kessen, W., 1990: Methodik zur raumbezogenen Bewertung der thermischen Komponente im Bioklima des Menschen (Fortgeschriebenes Klima-Michel-Modell). Beiträge Akademie Raumforschung u. Landesplanung 114. Keuler, K. und Lautenschlager, M., 2006: Climate Simulations with CLM. Climate of the 20th Century run No.1, , Data Stream 2 und Scenario A1B run No.1, , Data Stream 2. European region, MPI-M/MaD. CERA-Datenbank: Kreienkamp, F. und Enke, W., 2006: WETTREG 20C control run und WETTREG A1B scenario run , UBA Project. CERA-Datenbank: Orlowsky, B., 2007: Setzkasten Vergangenheit ein kombinatorischer Ansatz für regionale Klimasimulationen. Universität Hamburg. Dissertation zur Erlangung des Doktorgrades der Naturwissenschaften. 187 S. Orlowsky, B., F.-W. Gerstengarbe und P.C. Werner, 2007: STAR 2.0 ein kombinatorischer Ansatz für regionale Klimasimulationen. Persönliche Mitteilung. 36 S. Sievers, U., 1995: Verallgemeinerung der Stromfunktionsmethode auf drei Dimensionen. Meteorologische Zeitschrift, Neue Folge 4, 3-15.