Probabilistic Forecasts

Transkript

1 Probabilistic Forecasts Susanne Theis Deutscher Wetterdienst Forschung & Entwicklung Meteorologische Analyse und Modellierung Interpretation und Verifikation Inhalt historischer Abriss heutige Ensemblesysteme (DWD-Perspektive) Wahrscheinlichkeiten ohne Ensembles - Model Output Statistics - Geostatistics Vermittlung von Wahrscheinlichkeiten 1

2 Historischer Überblick Seit wann gibt es Wahrscheinlichkeitsvorhersagen? Historischer Überblick (1) 1871: subjektive Vorhersagen by Cleveland Abbe Probabilities, Indications Forecasts (1889) um 1900: exaktere Wissenschaft, physikalische Gesetze Übergang zu deterministischen Vorhersagen etwa 1950: Entwicklung der numerischen Wettervorhersage Verstärkung der deterministischen Sichtweise 2

3 Historischer Überblick (2) 1963: Lorenz: Atmosphäre ist chaotisch deterministische Vorhersagegüte prinzipiell begrenzt 1969: Epstein: Idee zu stochastisch-dynamischen Vorhersagen explizite Berücksichtigung von Unsicherheiten in Modellintegration? 1974: Leith: mehrere Vorhersagen mit Variation im Anfangszustand Idee der Ensemblevorhersage Historischer Überblick (3) 1970/80: Dominanz der Herangehensweise eine Lösung massive Verbesserung der deterministischen Vorhersage (Satellitenbeobachtungen, verbesserte Modelle) ab 1990: Entwicklung von operationellen Ensemblesystemen z.b. ECMWF ab 2000: Entwicklung von regionalen Ensemblesystemen mit höherer Auflösung 3

4 Historischer Überblick (4) nicht zu vernachlässigen: 1965: operationell erzeugte, subjektive Wahrscheinlichkeiten (USA, auch in Medien) 1969: erste objektive Wahrscheinlichkeiten model output statistics (Niederschlag, Niederschlagstyp, Gewitter) Heutige Ensemblesysteme (DWD-Perspektive) 4

5 Ensembles verfügbar am DWD Gitterweite [km] 50 EZMW-Ensemble 10 PEPS COSMO-LEPS 2,8 LAF (COSMO-DE) Vorhersagezeit [Tage] Wie erzeugt man ein Ensemble? Es gibt keine allgemeingültige Methode! single model ensembles Nutzung eines einzelnen Modells Störung von Anfangsbedingung und Modell multi model ensembles Zusammenstellung verschiedener Modelle lagged average forecast (LAF) ensembles Simulationen mit unterschiedlichem Startzeitpunkt 5

6 EZMW-Ensemble Ensemble 51 globale Simulationen ca. 55km horizontale Auflösung Störungen in Anfangsbedingungen und Modell Beispiel: Mainz Niederschlagsvorhersage [mm/12h] mm/12h Vorhersagetag COSMO-LEPS Regionalisierung des EZMW-Ensembles mit dem COSMO Modell 16 Repräsentative Mitglieder aus EZMW-Ensemble (55km) 16 x COSMO Modell (7 km) 16 x Nesting Vorhersage von extremen Niederschlägen besser als EZMW! 6

7 Beschränkung EZMW / COSMO-LEPS Achtung! Unrealistisch kleiner Spread bis Vorhersagetag zwei Vorhersagetag Poor Man s EPS (PEPS) Michael Denhard Anzahl der Modelle Kurzfristvorhersage: mehrere Vorhersagesysteme innnerhalb Europas überlappende Vorhersagegebiete Zusammentragen der Vorhersagen 7

8 Beschränkung von PEPS Achtung! Wenn alle Modelle eine bestimmte Entwicklung verpassen, dann verpasst die PEPS-Wahrscheinlichkeit das auch! PEPS kann z.b. nicht: sehr kleinräumige Prozesse erfassen (< 10 km) COSMO-DE COSMO-DE Kürzestfrist: < 18 h Gitterweite: 2,8 km GME COSMO-EU konvektionsauflösend Michael Baldauf 8

9 Warum Ensembles für f Kürzestfrist? Skalendiagramm Vorhersagbarkeit charakteristische Zeit 1 Woche 1 Stunde Cumulonimbus 100 m Zyklonen 10 km 1000 km charakteristische horizontale Länge Vorhersagezeit Warum Ensembles für f Kürzestfrist? Lebensdauer der Wetterphänomene << 18 h Vorhersagezeit selbst eine Kurzfristvorhersage wird zur Langfristvorhersage mesoskalige Strukturen oft nicht genau vorhersagbar 9

10 Lagged Average Ensemble COSMO-DE Simulationen mit unterschiedlichem Startzeitpunkt aber gültig für den gleichen Zeitpunkt Gezeigte Variable: Niederschlagsvorhersage der einzelnen Simulationen Achtung! Beschränkung vom LAF nur ein Nebenprodukt, kein spezifisch konstruiertes Ensemble nur ein Indiz für Unsicherheit Wichtung ist unklar ( alt so gut wie neu?) bisher keine Aufbereitung 10

11 Geplante Ensembles Gitterweite [km] 50 INM-Ensemble 10 COSMO- SREPS 2,8 EPS mit COSMO-DE am DWD 2 4 Vorhersagezeit [Tage] COSMO-DE Ensemble Explizite Simulation von Quellen der Unsicherheit im COSMO-DE Derzeitige Arbeiten: Variation der lateralen Randbedingungen (zunächst: Nesting in COSMO-SREPS Ensemble) Variation der Modellphysik (zunächst: Veränderung von Physikparametern) (Christoph Gebhardt, Tanja Winterrath, Susanne Theis, Volker Renner, Peter Krahe) 11

12 Beschränkung vom COSMO-DE EPS??? WORK IN PROGRESS Blick über den Tellerrand Weitere Globale und Regionale Ensembles: NCEP (USA) CMC (Canada) UK Met Office und so weiter 12

13 Blick über den Tellerrand Weitere Globale und Regionale Ensembles: NCEP (USA) CMC (Canada) UK Met Office und so weiter Nächste Frage: Was passiert mit dem Ensemble-Output? Statistische Interpretation Über 100 Vorhersagen Was Tun? Komprimieren der Informationsflut Mittelwert, Spread usw Wichtung & Auslese von Einzelvorhersagen Außerdem: Kalibrierung z.b. 80% 60% 13

14 Statistische Ensembles Ergänzung der Dynamischen Ensembles ensemble dressing spatio-temporal neighbourhood geostatistical output perturbation usw Wahrscheinlichkeiten ohne Ensembles (MOS, Geostatistik) 14

15 MOS (Model Output Statistics) Langzeitvergleich / Entwicklung Predict OBS Routine aktuelle Vorhersage MOS systematische Korrektur lokale Besonderheiten Wahrscheinlichkeiten Beispiel: WarnMOS Aktuelle Daten und Vorhersagen GME Synops Radar Blitze WARNMOS Vorhersage von Wahrscheinlichkeiten für 150 Ereignisse für Warnkriterien auf Landkreisebene Derzeitiger Routinebetrieb: 2x pro Tag für Vhs über 7 Tage 2x pro Stunde für Vhs über 24h Intranet NinJo 15

16 WarnMOS im DWD-Intranet Wind Gewitter Dauerregen Schneefall WarnMOS im NinJo-System 16

17 Achtung! Beschränkungen von MOS MOS kann z.b. folgendes nicht: krasse Fehlvorhersagen korrigieren extreme Wetterereignisse gut vorhersagen RMSE bestraft große Fehler überproportional MOS-Vorhersage lehnt sich ungern aus dem Fenster Umgebungsmethode für f r COSMO-DE Automatische Ableitung von Wahrscheinlichkeiten aus einer einzelnen Simulation 30 % ohne historische Daten ohne Ensemble Methode ist verwandt mit Geostatistik 17

18 Die Umgebung Annahme: Vorhersagewerte innerhalb einer räumlich-zeitlichen Umgebung seien Realisierungen der Vorhersage am zentralen Gitterpunkt Durchmesser: z.b. 56 km und 3h Pseudo-Ensemble (Theis et al. 2005, Meteorological Applications) Umgebungsmethode für f r COSMO-DE z.b. Böen, Ereignis: VMAX > 14 m/s JA / NEIN Wahrscheinlichkeiten 56km 3h % seit April 2007: operationell für 13 Warnkriterien 18

19 Achtung! Beschränkungen der Umgebung Wahrscheinlichkeiten basieren auf Annahmen: die Modellausgabe sei auf den groben Skalen perfekt die Modellausgabe sei frei von systematischen Fehlern Vorhersageunsicherheit sei ableitbar aus räuml.-zeitl. Variabilität bedingte Wahrscheinlichkeiten Ausblick auf DWD-Planungen Zusammenführung von WarnMOS, PEPS, COSMO-DE-Wahrscheinlichkeiten etc zu einer gemeinsamen Warnguidance 19

20 Vermittlung von Wahrscheinlichkeiten Fragen über Fragen Wer ist der Nutzer? Wie versteht er Wahrscheinlichkeiten? Welche Information sucht er? Was liest er aus Grafiken? 20

21 Literaturtipp Bericht der National Academy of Sciences (USA) Completing the Forecast: Characterizing and Communicating Uncertainty for Better Decisions Using Weather and Climate Forecasts Mit Empfehlungen an den nationalen Wetterdienst! Verständnis von Wahrsch keiten Morgen gibt es 30% Wahrscheinlichkeit für Regen. Was heißt das für Sie? Morgen regnet es in 30% der Region. Morgen regnet es während 30% der Zeit. Es regnet an 30% der Tage, die wie der morgige Tag sind. (Gigerenzer et al., 2005) 21

22 Ortsbezug: Punkt Fläche Wahrscheinlichkeit für ein Ereignis irgendwo im Landkreis 40% 40% 40% 80% 80% Landkreiswahrscheinlichkeit wäre in beiden Fällen gleich! Ortsbezug: Punkt Fläche Wahrscheinlichkeit für ein Ereignis an Ihrem Aufenthaltsort im Landkreis (genauer Ort nicht spezifiziert) 40% 40% 40% 80% 80% Landkreiswahrscheinlichkeit wäre im linken Fall höher! 22

23 Verständnis von Wahrsch keiten Wichtig: Raum- und Zeitbezug angeben! Übermittlung von Wahrsch keiten Wie verpacke ich die Information? U.K. Met Office Internet-Umfrage Präsentation von mehreren Grafikformaten mit Fragen zu Verständnis der Information Lieblingsgrafik 23

24 Übermittlung von Wahrsch keiten Übermittlung von Wahrsch keiten 24

25 Übermittlung von Wahrsch keiten Übermittlung von Wahrsch keiten 25

26 Übermittlung von Wahrsch keiten Umgang mit Wahrsch keiten Beeinflussen Wahrscheinlichkeiten Nutzer-Entscheidungen? Mark Roulston, U.K. Met Office: Laborversuche mit Studenten Ergebnis: mal ja, mal nein es kommt auch auf die Präsentation der Information an! 26

27 Wahrscheinlichkeiten + Nutzer...ist ein interdisziplinäres Thema! Nutzerbefragung, Nutzerklassifizierung social sciences Decision-Making under Uncertainty economics, psychology,... Risikoabschätzung, Risikowahrnehmung geography, sociology, psychology,... Vielen Dank für f r Ihre Aufmerksamkeit! 27