GLOWA-ELBE Abschlusskonferenz 15./16. März 2004 in Potsdam

Transkript

1 GLOWA-ELBE Abschlusskonferenz 15./16. März 2004 in Potsdam Klima Entwicklung von regionalen Klimaänderungsszenarien für das Gebiet der Elbe Eberhard Reimer Freie Universität Berlin, Institut für Meteorologie

2 Zielstellung Erstellung von lokalen Klimareihen für hydrologische Modelluntersuchungen im Elbe Einzugsbereich für die Jahre 2001 bis 2055, Abschätzung der räumlichen Verteilungen und zeitlichen Variabilitäten der Niederschlagsaktivität, der Niederschlagsmenge, der Verdunstung und weiterer meteorologischer Parameter (Wolkenbedeckungs-grad, -typ, Temperatur, Wind und turbulente Flüsse in der planetaren Grenzschicht) für den Bereich der Elbe, Szenarien zur Wirkung der Rückkopplung von Vegetations- und Oberflächenveränderungen auf das lokale Klima, Anwendung von verschiedenen Modellen: dynamische Klimamodell ECHAM/REMO (MPI) mit verschiedenen horizontalen Auflösungen, statistisch/dynamische Modelle, basierend auf ECHAM/REMO-Modellrechnungen, gekoppelt mit lokalen Modellen basierend auf Neurofuzzy-Verfahren unter Kombination von Bebachtungsreihen und Modellergebnissen. statistische Modelle, basierend auf ECHAM-Rechnungen, gekoppelt mit lokalen statistischen Modellen, abgeleitet aus Beobachtungsreihen und Großwetterlagen zukünftige Kopplung des dynamischen Klimamodell REMO (MPI) mit verschiedenen horizontalen Auflösungen mit dem horizontal hoch aufgelösten Lokalmodells (LM) des DWD, Validierung der Modelle mit Datenreihen von Zirkulationsindex DSI, Wolkenparametern aus NOAA-AVHRR und METEOSAT Satelliten und Großwetterlagenklassifikationen.

3 . Strategie und Verfahrensablauf Ansätze in der Kimaforschung Gobales Klimamodell ECHAM MPI Hamburg Globale Klimadiagnose global regional Randbedingungen Dekaden regionales Klimamodell REMO MPI Hamburg Dekaden Häufigkeit und Übergänge von Großwetterlagen Prognose von Niederschlägen und Verdunstung bei einer Klimaänderung für die Elbe Region Lokal Modell DWD Typische Witterung der Großwetterlage lokal Wochen Wochen Wochen Beobachtungen der Wetterparameter 1980 bis Gegenwart Statistik

4 Projektschritte - Entwicklung eines dynamischen Zirkulationsindex (DSI) zur Beschreibung des großskaligen Zustandes, - Großwetterlagen zur Beschreibung der großräumigen Zirkulationsmuster - Diagnose zur lokalen Felddarstellung von Temperatur und Niederschlag von REMO im Vergleich mit Beobachtungen, - Klimabeschreibung und Szenarienbildung mit Großwetterlagen und darauf abgebildeten lokalen Statistiken von beobachteten Reihen von Temperatur, Niederschlag, Feuchte und abgeleitete Größen, - Klimabeschreibung und Szenarienbildung mit Großwetterlagen und lokalen Statistiken von Beobachtungen, troposphärischen Modellparametern und Modellbodendaten - Erstellung von Wolkenbedeckung und typ aus synoptischen Beobachtungen und Satellitendaten zur Validierung und statistischen Aufbereitung des Lokalmodells des Deutschen Wetterdienstes

5 Geographische Verteilung der 84 Haupt- und 285 Nebenstationen im Elbe- Einzugsgebiet

6 Klima Das Konzept der Wetterlagenklassifikation zur Regionalisierung von Klimamodelloutputs d22 d32 d42 d52 d23 d33 d43 d24 d34 d25 Mittels äquidistanter Analysefelder oder Felder globaler und regionaler Klimamodelle (Abb.1), sowie eines Distanzmaßes (Gl. 1), werden objektivierte Wetterlagen entwickelt. Als Feldgrößen werden Geopotential, Temperatur, Feuchte und daraus abgeleitete Größen verwendet. Gl. 1 m 2 D = ( pi di) * α 1 i

7 Großwetterlagen (Beispiel) 10 W 10 E 30 E W 10 E 30 E 10 W 10 E 30 E N N 60 N 50 N N 50 N Wetterlage sehr kalt : Tmax: -3,0 C ; Tmin: -8,9 C, relative Häufigkeit:: 1,2 % 10 W 10 E 30 E 10 W 10 E 30 E W 10 E 30 E N N 60 N N N N Wetterlage sehr warm Tmax: 25,0 C ; Tmin: 11,1 C; relative Häufigkeit:: 2,6 %

8 Regionalisierungsverfahren zur wetterlagenkonsistenten Projektion Problem: Wie kann die Häufigkeit extremer Ereignisse in künftigen Klimaszenarien abgeschätzt werden Lösung: Zerlegung von Zeitreihen in Witterungsabschnitte Zuordnung einer Wetterlagenklassifikation Bestimmung der Häufigkeitsverteilung der Wetterlagen im Szenario Erzeugen von Zeitreihen mittels Zufallsgenerator Vorteil: Simulation von Extremereignissen Konsistenz in Raum und Zeit Berücksichtigung der Änderung der Zirkulation in Klimaszenarien

9 Temperatur optimierte Wetterlagen Sommer kalt Jahr w arm Wetterlage kalt warm NCAR Analysen 1960 bis1999 ECHAM4 Szenario B bis 2049 Deutlich ist die Verschiebung hin zu warmen Wetterlagen erkennbar!

10 Temperatur optimierte Wetterlagen Winter kalt Jahr warm Wetterlage kalt warm NCAR Analysen 1960 bis1999 ECHAM4 Szenario B bis 2049 Sehr deutlich ist die Verschiebung hin zu warmen Wetterlagen erkennbar!

11 2.5 Änderung der Tagesmitteltemperatur als Mittel über 84 Stationen des GLOWA - Gebietes gegenüber dem Zeitraum Temperatur [K] Fruehling Sommer Herbst Winter Der starke Anstieg der Wintertemperaturen resultiert vor allem durch die Zunahme der Häufigkeit der Westwetterlagen (Klasse 9 und 10)

12 Änderung der Monatssumme des Niederschlages als Mittel über 84 Stationen des GLOWA - Gebietes gegenüber dem Zeitraum Niederschlag [mm] Fruehling Sommer Herbst Winter -15 Die Sommer werden trockner, die Winter hingegen feuchter

13 relative Häufigkeit relative Häufigkeit Tagesmitteltemperatur - Sommer [ C] Prognostizierte Änderung der Temperaturverteilung für den Zeitraum 2040 bis 2049, Mittelbildung über 84 Stationen des GLOWA - Gebietes Tagesmitteltemperatur - Winter [ C] Die Erwärmung zeigt sich auch durch eine Zunahme der Häufigkeit extrem warmer Klassen

14 50 relative Häufigkeit stündige Niederschlagssumme [mm] Sommer Prognostizierte Änderung der Niederschlagsverteilung für den Zeitraum 2040 bis 2049, Mittelbildung über 84 Stationen des GLOWA - Gebietes relative Häufigkeit stündige Niederschlagssumme [mm] Winter Im Sommer gibt es 10% mehr, im Winter 11 % weniger trockene Tage

15 Beispiel zur Erstellung von regionalen Klimaszenarien Methode : Fuzzy Logic verwendete Daten : Input: 16 Parameter aus ECHAM/REMO-Simulationen, 6 Parameter aus Großwetterlagenstatistik als Abweichung vom mittleren Jahresgang Output: Beobachtungsdaten von 6 verschiedenen Klimaparametern an 84 deutschen Stationen im Elbegebiet Funktionsprinzip: Fuzzy Logic Toolbox (Matlab) stellt nichtlineare Beziehungen zwischen Input und Output her. Die abgeleiteten Beziehungen können dann verwendet werden, um aus ECHAM/REMO-Szenarien Klimareihen von 2000 bis 2050 an den 84 deutschen Stationen zu erzeugen.

16 Input MATLAB-Fuzzy Toolbox Output Geopotential 1000hPa Geopotential 850hPa Geopotential 700hPa Geopotential 500hPa Temperatur 850hPa Temperatur500hPa relative Feuchte 850hPa relative Feuchte 500hPa Vorticity 1000hPa sug221 Vorticity850hP a Vorticity 700hP a Vorticity 500hP a rel.top 1000/850hPa rel.top 1000/700hPa rel.top 1000/500hPa T.-differenz hPa BEDE-Abw GLOB-Abw NIED-Abw WIND-Abw RELF-Abw TEMP-Abw (s uge no) 27rules Nieders chlag (Abw) RELF= relative Feuchte, BEDE= Bedeckungsgrad, TEMP=Temperatur, WIND=Wind, NIED=Niederschlag, GLOB=Globalstrahlung, Abw=Abweichung vom langjährigen Mittel

17 Mit Hilfe der Fuzzy Logik Toolbox werden über ein Screening die 4 wichtigsten Inputdaten für die Niederschlags- und Temperaturprognose ausgewählt. Niederschlag: Temperatur: Relative Feuchte 500 hpa Vorticity 700 hpa Nied(Abweichung) Geopotential 1000 hpa Temperatur 850 hpa Vorticity 700 hpa Schichtdicke 1000/850 hpa Temp(Abweichung)

18 Temperatur 500 hpa vorticity rel.top 1000/850 hpa relative Feuchte 850 hpa vorticity 850 Te m p(abw) Re lf(abw) vorticity 500 hpa sug101 (s ug eno) 5 rules Mean absolute Error =1.45 RMSE = 2.37 Te m pe ratur (Abweichung) vorticity 1000 hpa Wind(Abw) Station Berlin : Temperatur- und Niederschlagsmodelle relative Feuchte 500 hpa vorticity Nie d(abw) sug101 Mean absolute Error =1.68 RMSE = 3.03 Geopotential 1000 hpa vorticity 850 Te m p(abw) Re lf(abw) vorticity 500 hpa (s ug eno ) 8 rules Nie de rs chlag (Abweichung) Geopotential 850 hpa Wind(Abw)

19 Modellierung der Temperaturabweichungen Station Berlin

20 Fuzzy Modelle Fuzzy Verfahren sind in der Lage die Variation der Zeitreihen etwas vollständiger zu beschreiben als Statistiken. (Bekannt aus Steuerungsmodellen und Ozonprognose) Weiteres Vorgehen: - Das Zeitreihensignal wird aufgeteilt in einen Jahresgang (30Tage Filter) und die Abweichungsreihen. - Die Jahresgänge werden mit den Wetterlagen und den dazugehörigen zeitabhängigen Statistiken beschrieben. Die Wetterlagen wurden aus ECHAM und aus REMO ½ erstellt. - Die Abweichungsfelder werden durch Fuzzy-Modelle beschrieben. - Im Lernverfahren werden die Modelldaten der Wetterläufe der Remo-Versionen und die Beobachtungen verwendet. - In den Szenarienläufen werden ausschließlich Simmulationsdaten des Remo 1/2 und 1/6 - Die Szenarienreihen bis 2055 werden über Trend und Variation an die Istzeit angebunden. (Bias durch glattere Modellfelder) und 99 Variationen erstellt.

21 Semivariogamme für die 1990-Dekade des Niederschlags (mm) von 84 Stationen Grau: Beobachtungen Gelb: Remo ½ Grün: Remo 1/6

22 Boxplot der Jahresniederschlagssummen

23 Boxplot der Jahresmitteltemperaturen

24 Boxplot der Potentielle Jahresverdunstung

25 Linearer Trend der Niederschlagsjahressumme (ECHAM + Fuzzy)

26 Linearer Trend der Niederschlagsjahressumme im Winter (ECHAM + Fuzzy)

27 Linearer Trend der Niederschlagsjahressumme (Remo + Fuzzy)

28 Linearer Trend der Niederschlagsjahressumme im Winter (Remo + Fuzzy)

29 Abschlussbemerkungen - Die über Remo berechneten lokalen Trends sind gedämpft gegenüber den ECHAM-basierten Rechnungen. - Daher ist die Prognose nicht mehr eingeutig im Trend - Die wesentliche großräumige Veränderung ergibt sich aus der Verschiebung der Wetterlagen - Der nächste konsequente Schritt ist das feldmäßige Downscaling der Remosimulationen. (keine Stationen, sondern Felder) - Die Verwendung der Großwetterlagen und Modellvariablen bringt eine sinnvolle, lokale Korrektur - Die weitere Ankoppelung des LM des DWD wäre zur Erweiterung der Niederschlagsstrukturen sinnvoll. (Konvektive Niederschläge)

30 Regionale Klima Szenarien Autoren: Eberhard Reimer, Raimund Alfier, Eileen Mikusky, Dirk Koslowsky, Andrea Oestreich, Ines Langer, Peter Nevir, Sascha Brand, Wolfgang Enke Klima Freie Universität Berlin, Institut für Meteorologie, Carl-Heinrich-Becker- Weg 6-10, D Berlin,

31 GLOWA-ELBE Abschlusskonferenz 15./16. März 2004 in Potsdam Klima Vielen Dank für Ihre Aufmerksamkeit!