Downscaling von Klimaprojektionen

Transkript

1 Downscaling von Klimaprojektionen Dr. Thomas Deutschländer, Dr. Kristina Trusilova, Dr. Meinolf Koßmann, Kristin Hoffmann, Dr. Florian Imbery, Sabrina Plagemann, Ulf Riediger Regionalisierung von Klimadaten für Thüringen, 23. Mai 2011

2 Überblick 1 2 Klimawandel und Stadtklima a b c Das urbane Klimamodell als Wirkmodell Projekt JenKAS Integration einer neuen Stadtparametrisierung in das COSMO-CLM Regionalisierung und Postprozessierung von Klimaprojektionsdaten 2

3 Überblick 1 2 Klimawandel und Stadtklima a b c Das urbane Klimamodell als Wirkmodell Projekt JenKAS Integration einer neuen Stadtparametrisierung in das COSMO-CLM Regionalisierung und Postprozessierung von Klimaprojektionsdaten 3

4 Stadtklimasimulation Beispiel: Bestimmung der Anzahl der Sommertage Tmax 25 C im Raum Frankfurt am Main mit dem Modell MUKLIMO_3 4

5 Klimawandel: Änderung der Anzahl Sommertage Konfidenzintervall auf 90% Signifikanzniveau Box-Whisker Diagramm: Perzentile REMO CLM WETTREG STAR Tage pro Jahr für (A1B) vs gemittelt über das Stadtgebiet von Frankfurt am Main 5. 5

6 DWD-Expertise ExWoSt-Modellstadt Jena Modellvorhaben Urbane Strategien zum Klimawandel: Kommunale Strategien und Potenziale Konzept zur Anpassung an veränderte Bedingungen Im Rahmen des Projektes JenKAS unterstützt der DWD die Stadt Jena und führt stadtklimatologische Untersuchungen durch zu den klimatischen Auswirkungen realer Bebauungsstrukturen und geplanter städtebaulicher Vorhaben, der Ausprägung von Wärmeinseleffekten (thermische Belastungssituation) unter dem Einfluss des Klimawandels, den nächtlichen Kaltluftflüssen im Saaletal und ausgewählten Nebentälern. Ortsbesichtigung Messprogramm Analyse Bericht 6

7 DWD-Expertise ExWoSt-Modellstadt Jena Temporäre Messungen N N Modellrechnungen Auswertung klimatolog. Zeitreihen DWD-, TLUG-, MPI-Station lokale Forschungsassistenz Fa. ThINK Übersichtskarte zum Messprogramm: Profilfahrtstrecken, Standorte der mobilen und stationären Messungen Kartengrundlage: TK 1 : (Maßstab verändert), GeoBasisDE / TL VermGeo 7

8 Simulation Kaltluftabfluss (nächtliche Durchlüftung) KLAM_21 Ausschnitt aus 150 km x 150 km Testsimulation mit 200 m Raster Erste Nachthälfte: Kaltluftzufluss aus Seitentälern, kein Saaletalwind 6h nach 2h Sonnenuntergang Zweite Nachthälfte: viel geringere Abflüsse aus Seitentälern, Saaletalwind (1-2 m/s) Modellevaluierung durch Messungen vor Ort 8

9 Schematische Darstellung der Wechselwirkungen der Stadtumgebung Wärmeinseleffekt Vertikale Überhöhung der Grenzschicht Veränderte Wolkenbildung Plume J.Hidalgo et. al.,

10 Strahlungseigenschaften und Funktionalität Undurchlässige Oberflächen Wasserverdunstung Abkühlung T Dunkle Oberflächen (Asphalt, Dächer) Albedo Wärmeaufnahme T Hohe Wärmekapazität der Gebäude Wärmespeicherung T Mehrfach Reflexion und Absorption der Strahlung (Straßenschluchten) T vom Menschen verursachte Wärme (Heizung/Kühlung) T Abschattung durch Gebäude T heat accumulation runoff 10

11 Zirkulationseffekte und Luftverschmutzung Wärmeinseleffekt Antrieb der Konvektion PP, Qv kü Hohe Rauhigkeit der Oberfläche Wind-Dissipation Belüftung T m ar w rm wa hl warm kühl kühle Lüft Luftverschmutzung durch Treibhausgase Konsequenzen für Ökosystem & Gesundheit Luftverschmutzung durch Aerosole Änderung der Wolkenmikrophysik und der Strahlungsbilanz der Atmosphäre 11 e Lü ft

12 Das regionale Klimamodell COSMO-CLM Regionales Klimamodell Globales Klimamodell Einbau einer neuen Stadtparametrisierung in das COSMO-CLM 12

13 Das Town Energy Budget (TEB) Schema von Valéry Masson, MétéoFrance Eigenschaften des TEB-Schemas: Energiebilanz für 3 Oberflächen (Dach, Wand, Straße) Multi-Schicht-Struktur für 3 Oberflächen (Dach, Wand, Straße) Wasser-/Schnee-Reservoir (auf den Dächern, in den Straßen) Reflektion und Absorption der Strahlung (in der Straßenschlucht) 13

14 Projekt MegaCity in Deutschland Forschungsfragen: Wie hoch ist die Wärmebelastung der Städte Deutschlands heute? Wie weit reicht die urbane Wärmebelastung in die Umgebung? Welche Gebiete Deutschlands sind am meisten betroffen? Hat die urbane Umgebung einen Einfluss auf den Niederschlag? Wie ändern sich die obengenannten Effekte in der Zukunft? 14

15 Projekt MegaCity in Indonesien Forschungsfragen: Wie hoch ist die Wärmebelastung der Städte Indonesiens heute? Wie ändert sich die Wärmebelastung mit dem Monsun-Zyklus? Welche Gebiete Indonesiens sind am meisten betroffen? Wie wirkt sich die urbane Umgebung auf den Niederschlag in Indonesien aus? Wie ändern sich die obengenannten Effekte in der Zukunft? 15

16 Projekt MegaCity Klimaprojektionen control run (ohne Städte) experimental run (mit Städten) EFFECT = experimental run - control run 16

17 Überblick 1 2 Klimawandel und Stadtklima a b c Das urbane Klimamodell als Wirkmodell Projekt JenKAS Integration einer neuen Stadtparametrisierung in das COSMO-CLM Regionalisierung und Postprozessierung von Klimaprojektionsdaten 17

18 Methodenübersicht (Projekt KLIWAS) 1. Gittertransformation 2. Downscaling / Regionalisierung - Interpolationsverfahren - Niederschlag mit DOWNIE - Koordinatentransformation - Temperatur in 2m mit DOWTEMP - Globalstrahlung mit DOWGLOB - usw. 3. BIAS-Korrektur 4. Aussagen aus KP-Ensembles - Linear Scaling - Eintrittswahrscheinlichkeiten - Quantile-Mapping - statistische Auswertung hydrologischer Kenngrößen - Konsistenzprüfung verschiedener Variabeln 18

19 Statistisches Downscaling / Regionalisierung Allgemeine Methoden Klassifikationsverfahren Wettergeneratoren Analogmethode Markovketten Fuzzy Klassifikation stochastische Modelle Monte-Carlo-Methode Hybride Ansätze etc. Ziel: Regressionsmethoden lineare Regression kanonische Korrelationsanalyse Methode der Verweilzeit Neuronale Netze etc. Kriging etc. Bestimmung der Abhängigkeit zwischen lokalen Klimavariablen (hydrologische Modelle: ETRS89-LCC in 5x5 km2) und den großskaligen Feldern (regionale Klimamodelle: meist rotiertes Gitter in 10x10 km2 bis 25x25 km2) über ausgewählte Prädiktoren 19

20 Downscaling / Regionalisierung von Klimaprojektionsdaten DWD-Methoden Niederschlag Temperatur in 2m Gobalstrahlung DOWNIE = Downscaling von Niederschlagsdaten aus KP: DOWTEMP = Downscaling von DOWGLOB = Downscaling von Temperaturdaten aus KP: Globalstrahlungsdaten aus KP: Erstellung von Hintergrundfeldern über multiple lineare Regression basierend auf monatlichen Niederschlagssummen Erstellung von Hintergrundfeldern über multiple lineare Regression basierend auf täglichen Temperaturen Kein statistisches Downscaling Erstellung täglicher Temperaturfelder mit Hilfe des Hintergrundfeldes Erstellung täglicher Globalstrahlungswerte mit Hilfe der extraterrestrischen Strahlung Erstellung täglicher Niederschlagssummen mit Hilfe des Hintergrundfeldes Bestimmung der täglichen extraterrestrischen kurzwelligen Einstrahlung 20

21 Verwendete Einflussgrößen DOWNIE Gitterpunktskoordinaten Höhe über NN Hangexposition DOWTEMP Gitterpunktskoordinaten Feuchtemaß in 750 hpa Schichtdicke zwischen 500hPa und 925hPa Temperatur in 850 hpa Druck in Meereshöhe 2m Höhe 21

22 DOWNIE (Niederschlag) KNMI-RACM02_ECHAM5-r3_A1B 22

23 DOWTEMP (Temperatur) KNMI-RACM02_ECHAM5-r3_A1B 23

24 DOWGLOB (Globalstrahlung) KNMI-RACM02_ECHAM5-r3_A1B 24

25 Bias-Korrektur von Klimaprojektionsdaten SMHIRCA_HadCM3 (A1B) im Nachgang HadRM3_HadCM3 (A1B) SMHIRCA_ECHAM5 Aufgrund der systematischen Fehler wird des (A1B) Downscalings eine Klimaprojektionsdaten vollzogen 1.8 CBias-Korrektur der1.45 C 0.72 C (Deterministische) Klimamodelle HadRM3_HadCM3 (A1B) SMHIRCA_HadCM3 (A1B) SMHIRCA_ECHAM5 (A1B) T C Prozessen produzieren eine reduzierte Abbildung1.8von 1.45 C 0.72 C in der Natur: Systematische Abweichungen (Bias) Je nach Fragestellung: Bias-Korrektur einzelner Variablen Für die Betrachtung relativer Änderungen (Trend, Änderungssignale) ist keine Korrektur nötig Korrektur über Vergleich von Beobachtungsdaten mit Kontrollzeitraum Modelllauf (z. B ) Erfolg einer Bias-Korrektur hängt stark von der Qualität KP [C20-ECHAM5-SMHIRCA] [E-OBS] der Referenzdaten ab KNMI OBS KP eine nichtlineare Bias-Korrektur verändert das KNMI - OBS Klimaänderungssignal! 25

26 OHNE Niederschlagsadvektion MIT Niederschlagsadvektion REGNIE-KLIWAS (Beobachtungen) Geländehöhe (m) Orographischer Niederschlag Oberrheingraben: Querschnitt durch den Schwarzwald Niederschlag DJF 2006 Bias-Korrektur Motivation (Beispiel 1) COSMO4.8-CLM11 26

27 Bias-Korrektur Motivation (Beispiel 2) HadRM3_HadCM3 1.8 C SMHIRCA_HadCM3 (A1B) SMHIRCA_ECHAM5 (A1B) 1.45 C 0.72 C KP KNMI E-OBS- OBS Differenzen und Häufigkeitsverteilungen der Lufttemperatur zwischen Kontrollläufen ( ) und Referenzdaten (E-OBS) 27

28 Korrekturverfahren Referenzdaten: HYRAS km Gitter Vorteile Beispiel Bias-Korrektur Lineare Korrektur Niederschlag Lufttemperatur Monatsweise Berechnung von Korrekturfaktoren bzw. Offset pro Gitterzelle Geringer Rechenaufwand Adaptionsfähig Korrektur Gitterpunktweise nachvollziehbar Nachteile Gesamte Verteilung mit gleichen Korrekturfaktoren korrigiert Verschiebung der Extrema 28

29 Korrekturverfahren Histogramme mit linearer Bias-Korrektur des Niederschlags für RACMO-ECHAM5 P* = f P f =R ij C ij 29 1

30 Korrekturverfahren Ergebnisse mittlere monatliche Niederschlagssummen Januar HYRAS-Regnie ERA40-HIRHAM5 ERA40-HIRHAM5 [downie1.0] [downie1.0, lin. scaling] 30

31 Korrekturverfahren Ergebnisse mittlere monatliche Niederschlagssummen Juli HYRAS-Regnie ERA40-HIRHAM5 ERA40-HIRHAM5 [downie1.0] [downie1.0, lin. scaling] 31

32 Korrekturverfahren Evaluation der Ergebnisse Skill PDF = n Anzahl Klassen Zm Frequenz modellierte Werte Zo Frequenz Beobachtungen n min(z m, Zo ) 1 1 0,9 0,8 0,7 score 0,6 0,5 0,4 [ERA40_CLM ds] 0,3 [ERA40_CLM ds bc] 0,2 [ERA40_HIRHAM5 ds] 0,1 [ERA40_HIRHAM5 ds bc] Monat Skill Score auf PDF nach Perkins et al

33 Korrekturverfahren Ergebnisse Tagesniederschlagssummen KNMI-RACMO2-ECHAM5_r3 [orginal] 25x25 km [downie1.0] 5x5 km [downie1.0, lin. scaling] 5x5 km 33

34 Wetterlagenabhängige Korrektur Mittlerer Tagesniederschlag ( ) der Südwestwetterlage HYRAS Datensatz Simulationen Regionaler Klimamodelle Regionalisierte Beobachtungsdaten 34

35 Wetterlagenabhängige Korrektur Taylordiagramm jeder Punkt = Maß für die Reproduktionsfähigkeit der Niederschläge einer Wetterlage Wetterlagenabhängiges Verhalten des Niederschlagsbias Wetterlagenabhängige Biaskorrektur 35

36 Wetterlagenabhängige Korrektur Abweichungen des mittleren Jahresniederschlags ( ) Unkorrigiert Korrigiert Wetterlagenabhängige Biaskorrektur der Niederschläge Linear Scaling für die hydrologischen Halbjahre RCA ECHAM5 36

37 Korrekturverfahren Ausblick Beispiel Bias-Korrektur Quantile Mapping Z ij = FOj 1 [ Fsj (Y ji )] R C i j FOj Fsj : Referenzdaten : Kontrollzeitraum : Gitterzelle : Monat : CDF Referenzdaten : CDF Kontrollzeitraum Vorteile Verteilungsunabhängig (geringer Bias geringe Korrektur) Nachteile Rechenaufwand Verzerrung der Niederschlagsverteilung (Standardabweichung und Extremwerte stimmen u. U. nicht mehr) 37

38 Vielen Dank für Ihre Aufmerksamkeit! 38

39 Literatur Auswahl: GeoBasisDE / TL VermGeo sfelder/2010/urbanestrategienklimawandel/01 Start1.html 39