Model Output Statistics (MOS)

Ähnliche Dokumente
Wie kommt der Vorhersagemeteorologe zu einer schlüssigen Wettervorhersage?

Kapitel 7. Crossvalidation

Bereitstellung hochaufgelöster Wettervorhersagen für Geoportale

Wettervorhersagen und ihre Aussagekraft

Regionalisierungsmethoden hydrometeorologischer Beobachtungsdatensätze zu hydrologisch relevanten Rasterdatensätzen (HYRAS) im ReKliEs-De Projekt

Statistik II. Lineare Regressionsrechnung. Wiederholung Skript 2.8 und Ergänzungen (Schira: Kapitel 4) Statistik II

2 Die Niederschlagsverteilung für Deutschland im Jahr Überblick

Die neue Struktur der Flugwetterberichte für die allgemeine Luftfahrt. Carina Seidel Kundenbetreuung und Vertrieb

Fortgeschrittene Statistik Logistische Regression

Seminar zur Energiewirtschaft:

Mathematische und statistische Methoden I

Die Wettervorhersage und ihre Tücken

Statistik II Übung 4: Skalierung und asymptotische Eigenschaften

Rabea Haas, Kai Born DACH September 2010

Naturgefahrenmodellierung in Österreich in der Praxis Sturm und Starkniederschlag. Alexander Beck

Lokalprognosen in Wetter-Apps: Was steckt dahinter? Wie genau sind sie?

Was sind Zusammenhangsmaße?

Amt für Stadtentwicklung, Stadtplanung, Verkehrsplanung Münster

numerische Berechnungen von Wurzeln

Systematische Optimierungsverfahren verbessern mit geringem Aufwand Prozesse und Produkte

KNN-Methode zur Einschätzung von Veränderungen des Salzgehaltes in Ästuaren

WIR MACHEN WETTER ZU WERTEN.

Statistik, Geostatistik

Aufgabe 1 (Exponentielles Wachstum, wird teilweise auch in Vorlesung besprochen, Teile a) bis c) sind exakt die Aufgaben von Blatt 2, Aufgabe 3))

Aufgaben zu Kapitel 8

Klimaänderungen Prognosen Unsicherheiten

Wettervorhersagen des DWD als Grundlage für Windleistungsprognosen. aktuelle und zukünftige Potenziale

Aktuelle Vertikalprofile

Übungen mit dem Applet Interpolationspolynome

Die Vorteile hochaufgelöster Wettervorhersagen durch Meteorologen im 24/7 Betrieb

Wetterservice für Gemeinden und Städte

Mathematische und statistische Methoden I

TEIL 13: DIE EINFACHE LINEARE REGRESSION

8. Konfidenzintervalle und Hypothesentests

Grundlagen der numerischen Wetterprognose

DAS VORHERGESAGTE CHAOS

Statistik. Ronald Balestra CH St. Peter

Informationsblatt Meteodaten

Amt für Stadtentwicklung, Stadtplanung, Verkehrsplanung Informationsmanagement und Statistikdienststelle Münster

Exponentialfunktionen: 10 x und e x

Übungen (HS-2010): Urteilsfehler. Autor: Siegfried Macho

Wetter. Benjamin Bogner

Wettervorhersage -modelle

REGNIE: Regionalisierte Niederschläge Verfahrensbeschreibung und Nutzeranleitung

Multiple Regressionsanalyse - Kurzabriss

Karten mit aktuellem Wetter

Informationen zur KLAUSUR am

Ableitung einer Z/R-Beziehung mittels inverser hydrologischer Modellierung

Internationale Wettervorhersagesysteme: Eigenschaften und Unterschiede. Jörg Kachelmann, Martin Fengler

Regression ein kleiner Rückblick. Methodenseminar Dozent: Uwe Altmann Alexandra Kuhn, Melanie Spate

Lineare Algebra I (WS 12/13)

Lage- und Streuungsparameter

Messprotokoll: Aufnahme der Quantenzufallszahl

7. Wettervorhersage und Vorhersagbarkeit (aus der Theorie-Vorlesung von K. Fraedrich)

Wetterservice für Dachdecker und Pflasterer

Numerische Wettervorhersage beim Deutschen Wetterdienst (DWD)

Nutzung regionaler Reanalysen im Anwendungsbereich regenerativer Energien

Annahmen des linearen Modells

Gibt es in Niedersachsen einen Klimawandel?

Grundlagen der numerischen Wettervorhersage und der Klimamodellierung

Skalenniveaus =,!=, >, <, +, -

5.6 Empirische Wirtschaftsforschung

Das Warnmanagement des Deutschen Wetterdienstes

Lösungsvorschläge zur Klausur Beschreibende Statistik und Wirtschaftsstatistik (Sommersemester 2013)

Die Wetterdaten sind hier abrufbar:

Klimawandel in Niedersachsen

Übung 5 : G = Wärmeflussdichte [Watt/m 2 ] c = spezifische Wärmekapazität k = Wärmeleitfähigkeit = *p*c = Wärmediffusität

HISTALP LANGZEITKLIMAREIHEN ÖSTERREICH SOMMERBERICHT 2013

Softwareentwicklung für Schneimeister

Das Dialogfeld für die Regressionsanalyse ("Lineare Regression") findet sich im Statistik- Menu unter "Regression"-"Linear":

Aerologische Auswertungen Darstellungen und Interpretationen der Daten ausgewählter deutscher Radiosondenstationen der letzten 50 Jahre. H.

Wir messen und beobachten das Wetter ein fächerübergreifendes Projekt

Analyse meteorologischer Probleme im Aufbau und Betrieb von Offshore-Windkraftanlagen

Seminar im Wintersemester 2010/2011: Quantitative und implementierte Methoden der Marktrisikobewertung

Tutorial: Anpassungstest

Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend

Physikalische Übungen für Pharmazeuten

Kombination von amtlichen statistischen Daten mit der ECOIN- VENT-Datenbank zur Erzeugung von Sachbilanzen Fallbeispiel Bauprodukte

3 Evaluation als Beschreibung von Zuständen

Steckbrief. Atmosphärische Bedingungen und meteorologisch-geografische Kennwerte. Kurt Winkler

Bivariate lineare Regression. Statistik für SozialwissenschaftlerInnen II p.154

Einführung in die Meteorologie (met210) - Teil VII: Synoptik

GREF. Ergebnisse. Produkte. Integriertes Geodätisches Referenzstationsnetz. Kontakt.

riskkv Scorenalyse riskkv Scoring Seite 1 von 9

Grundlagen der Statistik I

Verwandte Begriffe Maxwell-Gleichungen, elektrisches Wirbelfeld, Magnetfeld von Spulen, magnetischer Fluss, induzierte Spannung.

Klimawandel Fakten aus der Vergangenheit und Prognosen für die Zukunft

Teil: lineare Regression

Aufgaben zu Kapitel 9

Das Wetter. Das Wetter. Stationenlernen

Kartendienst zur Luftschadstoffbelastung in Deutschland

Temperaturmessung. 1) Lies an der Wetterstation ab, wie viel C die Außentemperatur beträgt. 9,45 C 22,2 C 12.4 C 39 C

1 Messfehler. 1.1 Systematischer Fehler. 1.2 Statistische Fehler

DOE am Beispiel Laserpointer

Mathematische Grundlagen der dynamischen Simulation

Erfassung von Anlagegütern als Zugang oder Vortrag

Inhalt. 1. Einführung in die Informatik. 2. Algorithmen Definition, Eigenschaften, Entwurf Darstellung von Algorithmen Beispiele.

Transkript:

Model Output Statistics (MOS) Numerische Modelle zur Wettervorhersage (NWV Modelle) berechnen den zukünftigen Zustand der Atmosphäre zu bestimmten Zeitpunkten (Prognose). Als Basis für die Berechnung der Prognose dienen Beobachtungswerte und das Lösen von atmosphärischen Gleichungen. Die Prognosen werden dabei für sogenannte Gitterpunkte erstellt, mit denen die Erde im Modell netzartig überzogen wird. NWV Modelle besitzen Schwächen. Sie vereinfachen die Gegebenheiten am Boden, da sie die Erdoberfläche als ein Netz von Gitterpunkten interpretieren. Kleinräumige Effekte können nicht beliebig genau berechnet werden. Zudem sind gewünschte Variablen oder geographische Punkte nicht explizit repräsentiert. Weiterhin sind die Prognosen der NWV Modelle auch mit systematischen Fehlern behaftet. MOS Verfahren werden genutzt, um die direkten Vorhersagen von NWV Modellen anhand von vorher ermittelten statistischen Beziehungen zwischen dem Direct Model Output (DMO) und meteorologischen Beobachtungen zu optimieren. Ziel ist die geringstmögliche Abweichung zwischen Modellvorhersage und Beobachtungswerten. Im Allgemeinen werden dabei mittels multipler linearer Regression (MLR) diejenigen Parameter (Prediktoren) mit Hilfe eines langen Datensatzes historischer Beobachtungs und Modeldaten selektiert und verknüpft, welche signifikant dazu beitragen die Variabilität in den interessierenden Parametern (Prediktanden) zu erklären. Model Output Statistics (MOS) ist ein Verfahren des statistischen Post Processing, das systematische Abhängigkeiten zwischen den Prediktanden und den gegebenen Prädiktoren (DMO und aktuelle Beobachtungen) ermittelt und für eine bestimmte meteorologische Situation anwendet. Warum MOS? In der Praxis haben sich die MOS Verfahren durch ihre hohe Genauigkeit als wertvolle Interpretationshilfen für die Meteorologen des DWD erwiesen. Insbesondere MOSMIX wird im Routinebetrieb regelmäßig zu Rate gezogen. Die MOS Verfahren werden im DWD regelmäßig durch Hinzunahme aktueller Mess und Modellvorhersagereihen aktualisiert und durch die Aufnahme weiterer Stationen erweitert.

Model Output Statistics MIX (MOSMIX) Das vollautomatische MOSMIX Verfahren des DWD optimiert und interpretiert die Berechnungen der numerischen Modelle ICON des DWD und IFS des ECMWF, kombiniert diese und berechnet statistisch optimierte Wettervorhersagen in Form von Punkt Termin Prognosen (PTP). Damit werden statistisch korrigierte aktualisierte Vorhersagen für die nächsten zehn Tage für insgesamt mehr als 4000 Standorte weltweit berechnet. In Deutschland und Europa befinden sich die meisten Vorhersagestandorte, siehe Abbildung 1. Abb. 1: Weltweite Verteilung der MOSMIX Vorhersagen; hier Vorhersagen der Temperatur in 2 m Höhe, berechnet am 7.3.2014 um 9 Uhr UTC für den 10.3.2014 um 18 Uhr UTC. MOSMIX Vorhersagen (PTPs) beinhalten nahezu alle üblichen meteorologischen Wetterparameter, wie sie von Beobachtungsstationen gemessen werden: Temperatur und Taupunkt in 2m Höhe, Windgeschwindigkeit, Windrichtung, maximale Windböe in 10 m Höhe, erwartete Niederschlagsmengen, Niederschlagsart (Regen oder Schnee), Luftdruck, Sonnenscheindauer und viele mehr. Das MOSMIX Verfahren liefert 38 meteorologische Parameter. Auch Wetterelemente, wie z.b. die Sichtweite, für die die numerischen Modelle zunächst keine Werte liefern, werden durch statistische Parametrisierungen und Interpretationen vorhergesagt.

Ebenso liefern MOSMIX Vorhersagen probabilistische Vorhersagen, also Wahrscheinlichkeitsaussagen für das Auftreten von z.b. starken Böen oder Niederschlägen. Grundzüge des Verfahrens MOSMIX Die Berechnung der MOSMIX Vorhersagen (PTP) wird in zwei Schritten vorgenommen: Im ersten Schritt werden die numerischen Modelle ICON (DWD) und IFS (ECMWF) einzeln statistisch nachbearbeitet. Ergebnis sind Vorhersagen des ICON MOS und IFS MOS. Im zweiten Schritt werden diese statistisch optimal kombiniert. Durch die stündliche Aktualisierungsrate der MOSMIX Vorhersagen fließen stets die aktuellsten Beobachtungen in die Vorhersage mit ein. Somit wird in den ersten Vorhersagestunden eine sehr hohe Vorhersagequalität gewährleistet. Die Ergebnisse des MOSMIX Verfahrens sind auch eine Grundlage für die amtlichen Wettervorhersagen und Wetterwarnungen des DWD. Randbedingungen und Vorgehensweise der statistischen Optimierung Die statistische Optimierung und Interpretation des Modelloutput des ICON und des IFS, basiert auf langjährigen Zeitreihen von meteorologischen Beobachtungen an Wetterstationen und Berechnungen der numerischen Modelle für diese Orte. Um aktuelle statistisch optimierte Vorhersagen zu erzeugen, werden systematische Unterschiede und statistische Zusammenhänge der Zeitreihen aus der Vergangenheit analysiert und die aktuellen Vorhersagen entsprechend angepasst. Ein Beispiel: Wurde festgestellt, dass die Temperaturwerte der numerischen Modelle im Vergleich zur den beobachteten Größen in der Vergangenheit bei Regen oft zu hoch waren, dann wird die aktuelle Modellberechnung der Temperatur im Fall von Regen entsprechend mit Hilfe sogenannter MOS Koeffizienten reduziert, um eine verbesserte Vorhersage zu erzeugen. Die Analyse und Parametrisierung dieser statistischen Zusammenhänge geschieht mathematisch mit Hilfe einer schrittweisen multiplen linearen Regression (MLR). Auf diese Weise können auch Wetterelemente statistisch interpretiert und prognostiziert werden, die zunächst nicht von den numerischen Modellen berechnet t wurden. Ebenso werden Wahrscheinlichkeitsaussagen erstellt, indem nach statistischen Zusammenhängen zwischen den Modellberechnungen und der Häufigkeit des beobachteten Auftretens der fraglichen Wetterereignisse in den Zeitreihen gesucht wird. Für das MOS Verfahren sollten die genutzten Zeitreihen von Beobachtungen und Modelldaten möglichst lang sein, um insbesondere bei extrem starken und seltenen Wetterereignissen diese statistischen Zusammenhänge zuverlässig analysieren zu können. Für das IFS des EZMW betragen die Zeitreihen an Vorhersagedaten aktuell 15 Jahre, für das ICON Modell des DWD liegen Zeitreihen für Vorhersagewerte seit 2015 vor. Zurzeit werden noch ältere numerische Vorhersagen des DWD genutzt, um eine längere Zeitreihe für Vorhersagedaten nutzen

zu können. Sprünge in den Zeitreihen auf Grund von Modellwechsel oder Änderungen der numerischen Modelle sind statistisch berücksichtigt. Ablauf des MOSMIX Verfahrens Abb. 2: Ablauf des MOSMIX Verfahrens. Langjährige Zeitreihen der numerischen Modellvorhersagen (hier ICON und IFS) sowie Stationswerte werden mithilfe MLR analysiert. Die berechneten statistischen Korrekturen und Parametrisierungen werden genutzt, um aus den aktuellen Modellvorhersagen in der täglichen Routine optimierte Wettervorhersagen zu berechnen (MOSMIX Vorhersagen PTPs). Die mit Hilfe der MOS Koeffizienten optimierten Vorhersagen der jeweiligen Modelle ICON (DWD) und IFS (EZMW) werden zu einer bestmöglichen gemeinsamen Vorhersage kombiniert. Ähnlich wie in der Entwicklung werden dazu langjährige Zeitreihen dieser bereits optimierten Vorhersagen zusammen geführt, um Beobachtungsdaten ergänzt und ebenfalls mithilfe MLR analysiert. Das finale Ergebnis sind einheitliche Wettervorhersagen, die die unterschiedlichen Informationsgehalte der beiden numerischen Modelle und deren jeweilige besondere Vorzüge berücksichtigen und insgesamt die bestmögliche Vorhersagezuverlässigkeit bieten. Da die systematischen Zusammenhänge insbesondere für bodennahe Wetterparameter, wie z.b. der Temperatur in 2m Höhe, sehr von der jeweiligen Wetterstation abhängen, gelten die statistischen Korrekturen für jede Station individuell. Außerdem sind die Korrekturen abhängig vom Startzeitpunkt der Vorhersage und vom Zeitpunkt, für den die Vorhersage gilt. Berücksichtigt werden zudem tageszeitliche, und jährliche systematische Schwankungen. Dies gilt sowohl für die Optimierung der numerischen Modelle, als auch für die Kombination der optimierten Vorhersagen. Das MOSMIX Verfahren nutzt mehr als eine Milliarde statistischer Korrekturen und Parametrisierungen die einzeln aus Zeitriehen von bis zu 15 Jahren berechnet werden, da national und international ca. 5400 Stationen betrachtet werden, 4 mal täglich Vorhersagen berechnet werden, der Vorhersagezeitraum bis zu 240 Stunden lang ist, vier Jahreszeiten in der statistischen Bearbeitung berücksichtigt sowie 38 Parameter pro Vorhersage berechnet werden.

Datenverfügbarkeit Es werden MOSMIX Vorhersagen für ca. 5400 Stationen weltweit berechnet. Wegen der ständigen Qualitätssicherung ändert sich die Anzahl der Stationen unregelmäßig. Ca. 2800 der weltweit berechneten Stationen sind sogenannte Entwicklungsstationen (auch Hauptstationen genannt ), d.h. MOS Koeffizienten werden für jede einzelne dieser Stationen auf Basis von historischen Beobachtungen und Modelldaten explizit für eine stations spezifische Anzahl von Parametern, je nach Verfügbarkeit der Beobachtungen, berechnet. Die restlichen ca. 2600 Vorhersagepunkte sind sogenannte Interpolationsstationen, deren Vorhersagen mittels Interpolation (horizontal, vertikal, zeitlich) von benachbarten Stationen, für die explizite Werte vorliegen, berechnet werden. Produktionszyklus des 3h MOSMIX: Die MOSMIX Läufe um 04, 10, 16 und 22 UTC haben eine maximale Vorhersagezeit von +237 bzw. +243 Stunden und werden Nutzern der DWD Daten verfügbar gemacht. Das Vorhersageintervall beträgt jeweils 3 Stunden. Fehlende Vorhersagewerte werden als sogenannte NIL Werte mit dem Wert 9950 gekennzeichnet. MOSMIX beinhaltet exakt 38 Parameter. Genauere Angaben zum Output finden sich in der KML Beschreibung. Vorläufiger Hinweis: In der 1h MOSMIX Version, die voraussichtlich ab Q4 2017 verfügbar ist, wird es folgende Änderungen geben: MOSMIX wird jede Stunde verfügbar sein alle Läufe werden eine maximale Verfügbarkeit von +240 Stunden haben.