Klimadynamik, Wettervorhersage und Paläo: wie geht das zusammen? Andreas Hense Meteorologisches Institut Universität Bonn

Transkript

1 Klimadynamik, Wettervorhersage und Paläo: wie geht das zusammen? Andreas Hense Meteorologisches Institut Universität Bonn

2 1 Assistentin 2 wissenschaftliche MitarbeiterInnen 9 Doktoranden 2 Diplomanden

3 Meteorologische und klimatologische Probleme, die durch den stochastischen Charakter der Atmosphäre und des Klimasystems bestimmt werden in Lehre und Forschung

4 (1) Klimamodellierung (P) (2) Physik des Klimasystems, Klimatologie (S) (3) Paläoklima (P) (1) Einführung Dynamik der Atmosphäre (S) (2) Thermodynamik der Atmosphäre (S) (3) Lineare Dynamik der Atmosphäre (S) (4) Allgemeine Zirkulation der Atmosphäre (S) (1) Grundlagen der Statistik (S) (2) Multivariate Statistik (S) (3) Zeitreihenanalyse (S) (4) Numerische Analyse,Datenmodellierung (S) (5) Statistik in der Wettervorhersage (6) Rechnergestützte Statistik (vergl. Brown et.al. 1999, BAMS)

5 Klimaänderungsanalyse mit Hilfe der Bayesischen Statistik Seung-Ki Min, Daniel Simonis Reverend Sir Thomas Bayes 1701/02 bis : * allows you to start with what you already believe (in climate change) * to see how new information changes your confidence in that belief Es gibt keine deterministischen Parameter. Alle relevanten Größen werden mit Wahrscheinlichkeiten belegt. Dies können auch subjektive Größen sein.

6 Daten, Beobachtungsfehler Modellfehler, (sub.) Modelleinschätzung

7 IPCC 4. Sachstandsbericht, Globale Modellierung ECHAM5/MPI-OM (E. Röckner, MPI-HH) Atmosphärenmodell T63 L30 ECHO-G (MIUB, METRI Seoul) Atmosphärenmodell ECHAM4 T30 L19 Simulationen 20.Century Climate Change 20C3 Solar&Vulkane THG&Schwefelaerosol Vergleich mit Einzelantriebe in ECHO-G Vergleich von 17 verschiedenen Modellen mit 20C3 Antrieb

8

9

10

11

12 Umweltaktivist Klimaskeptiker

13 Interdisziplinarität und Klimaforschung Projekt Klimavorhersage- und Vorsorge Europäische Akademie Bad Neuenahr GLOWA Impetus (Heiko Paeth) Uni Bonn und Köln, angeschoben vor 7 Jahren durch die beiden Meteorologie- Institute Wasserverfügbarkeit Westafrika Regionale Klimaänderungen Afrika mit REMO Paläoklima (siehe unten)

14 Schwerpunktprogramm SPP 1167 PQP PQP: Praecipitationis Quantitativae Praedictio

15 Stochastische Probleme bei der Wettervorhersage Vorhersage einer Wahrscheinlichkeitsdichtefunktion Szenarien der zukünftigen Wetterentwicklung Für konvektive Prozesse sind Vorhersagen über 2-3 Tage Langfristvorhersagen Nur Wahrscheinlichkeitsaussagen möglich Fokker-Planck Gleichung nummerisch nicht zugänglich (~ 10 9 Freiheitsgrade) Monte Carlo Verfahren Kalibration und Verifikation von Wettervorhersagen

16 Stochastische Wettervorhersage Stichprobenerzeugung Anfangsbedingungen: Breeding (Jan Keller) Unsicherheiten in Parametrisierungen und Randbedingungen im LM (Susanne Theis) Extraktion statistischer Information aus einer deterministischen Vorhersage (Susanne Theis) Statistische Kalibration von Vorhersagen, MOS (Steffen Weber, Timo Winkelnkemper in Zusammenarbeit mit WetterOnline, Gamila El Drogi für Libyen, Petra Friederichs mit ECHAM4) MOS für Wahrscheinlichkeiten, Entscheidungen (Armin Mathes)

17 mm/h Effect of Stochastic Physics (Susanne) OUTLINE Introduction Statistical Postprocessing Tuning Parameters: a = 0.25 D = 1 x T = 18 t original LM-forecast , UTC lead time: 43 hours 177x177 grid points standard deviation between ensemble members Experimental Ensemble -Aims - Stoch. Phys. -Init. Cond. - Summary - Outlook

18 Zeitreihe (Januar) für Station Brilon (52119) (Armin Mathes, Vorticity und Feuchtefeld vs Niederschlag)

19 Forecast skill Brier Skill Score BSS = 1 BS/CS BS: Differenz MSE zwischen Beobachtungen und vorhergesagter Wahrscheinlichkeit; CS: Differenz MSE zw. Beobachtungen und klimatologische Vorhersage (hier: Mittelwert der Zeitreihe) Log Odds Ratio log Θ = log a + log d - log b - log c a, b, c, d: hit, false alarm, miss, correct rejection aus Kontigenztafel

20 Brier Skill Score (oben) und Log Odds Ratio (unten) Station Brilon (52119) Korrekte Vorhersage 12mal wahrscheinlicher rr_ev > 0 mm; p > 0.3

21 Petra Friederichs: MOS mit ECHAM4 + CRU ,15 Realisierungen Benin: GLOWA Impetus Robin Girmes/Heiko Paeth Korrelation ECHAM4-CRU

22 MOS für Quantile statt Mittelwert, Extremwertvorhersage Fehlermaß Klima ECHAM4

23 Quantitative Paläoklimarekonstruktion drei gemeinsame Projekte mit dem Institut für Paläontologie, Prof. Thomas Litt (Paläobotanik) SFB 350/DFG: Rekonstruktion Eem ka BP Mitteleuropa BMBF: KIHZ Rekonstruktion Holozän Naher Osten/Totes Meer

24 The transfer relationship - a probabilistic view k : physical system state e.g. temperature, precipitation etc b : geochemical or biological system state, proxy data Complete information is provided by the joint probability density function (pdf) p(k,b) which can be split into conditional and marginal pdf s

25 The transfer relationship - a probabilistic view p(k,b) = cond(k b) rd(b) = cond(b k) rd(k) cond(k b): reconstruction / posterior cond(b k): likelihood, training rd(k): marginal pdf of climate variables, prior

26 Paläoklimarekonstruktion für Eem 115 ka BP (Christoph Gebhardt (DWD) zusammen mit Norbert Kühl Paläontologie)

27 Rekonstruktion Holozän Totes Meer, Christian Schölzel mit Frank Neumann (Paläontologie) Jahr P Sommer T Winter T

28 Nordatlantische Oszillation Seit 1985: Lagrange-Index für gemeinsame Variabilität des Island-Tief und Azoren Hoch Mit historischer Literatur (Hann, 1890) auch für Modelle geeignet (Reduktion des systematischen Fehlers) (siehe Paeth et al., 1999)

29 NAO Index 20.tes Jahrhundert

30

31 NAO Index aus ECHAM4 Ensemblesimulation