Setzkasten Vergangenheit - ein kombinatorischer Ansatz für regionale Klimasimulationen

Abstract

Grundlage aller Abschätzungen der Folgen eines sich ändernden Klimas sind Untersuchungen der klimatischen Entwicklung selbst, gestützt entweder auf die Messdaten der Beobachtungsperiode oder auf Simulationen, etwa wenn zukünftige Entwicklungen interessieren. Diese können von Region zu Region sehr unterschiedlich ausfallen, so dass räumlich hoch aufgelöste Simulationen benötigt werden, möchte man den lokalen Eigenheiten des Klimawandels gerecht werden. Üblicherweise werden dazu die nur grob aufgelösten Simulationen eines Allgemeinen Zirkulationsmodells Zeitschritt für Zeitschritt auf eine feinere Auflösung übertragen, sei es dynamisch durch eine räumlich und zeitlich feiner aufgelöste Abbildung der physikalischen Prozesse, oder statistisch, indem während der Beobachtungsperiode festgestellte Zusammenhänge zwischen einzelnen Zustandsvariablen des Wettergeschehens verwendet werden.

Gegenstand dieser Arbeit ist ein solches statistisches Verfahren, das auf täglichen Stationsdaten der untersuchten Region basiert. Es liefert Simulationsreihen für diese Stationen, wiederum mit täglicher Auflösung. Eine wichtige Besonderheit des Verfahrens ist, dass die Simulationsreihen lediglich durch die Parameter einer linearen Regressionsgeraden beschränkt werden, die die lineare zeitliche Entwicklung einer ausgewählten Klimavariable (üblicherweise die Temperatur) beschreiben. Die Simulationsreihen werden dabei aus Beobachtungen der Beobachtungsperiode zusammengesetzt, so dass die Neuaneinanderreihung der Beobachtungen eine Entwicklung der ausgewählten Variable ergibt, die der vorgegebenen Regressionsgeraden entspricht. Da die Beobachtungen neben der ausgewählten Variable auch alle anderen erfassten Messgrößen enthalten und diese bei der Neuaneinanderreihung mitgeführt werden, bestehen die Reihen aus einzelnen Elementen, die physikalisch konsistent sind. Das gleiche gilt für die Konsistenz der räumlichen Verteilungen, da die Reihenfolge der Neuaneinanderreihung an allen Stationen die selbe ist. Heuristische Kriterien stellen außerdem sicher, dass die Simulationsreihen realistische Jahresgänge und Erhaltungsneigung aufweisen. Stochastische Elemente des Verfahrens ermöglichen die Erzeugung ganzer Simulationsensembles.

Ein Kreuzvalidierungsexperiment mit Daten des Elbeeinzugsgebiets zeigt, dass das Verfahren in der Lage ist, eine beobachtete Klimatologie realistisch zu reproduzieren. Dazu wird ein Datensatz mit täglichen Beobachtungen in zwei unabhängige Teilperioden zerlegt. Mit den Beobachtungen der ersten wird die Klimatologie der zweiten simuliert, wobei die lineare Entwicklung der Temperatur als ausgewählter Klimavariable in der zweiten Periode vorgegeben wird. Simulation und Beobachtung können so für die zweite Periode direkt verglichen werden. Neben klassischen Statistiken wie Mittelwert und Streuung werden Erhaltungsneigung und Extremereignisse in befriedigender Übereinstimmung wiedergegeben, auch für die häufig kritische Variable des Niederschlags. Der Vergleich mit einem ähnlichen Experiment mit einem dynamischen Modell zeigt, dass der statistische Ansatz eine erheblich bessere Übereinstimmung mit den Beobachtungen erbringt.

Die Anwendung des Verfahrens auf die klimatische Zukunft des Elbegebiets zeigt mit der vorgegebenen Erwärmung einhergehend eine leichte Abnahme der Niederschläge, die vor allem im Sommer stattfindet. Für die Winter hingegen lassen sich unveränderte bis leicht zunehmende Niederschläge feststellen. Durch die mit der Erwärmung verbundene zunehmende Verdunstung ist allerdings mit einer deutlich stärkeren Austrocknung zu rechnen, als es die Entwicklung der Niederschläge allein nahelegt.

Insgesamt erlaubt dieses Verfahren, schnell zu akkuraten Abschätzungen regionaler Klimaentwicklungen zu gelangen, die als fundierter Ausgangspunkt für Klimafolgeuntersuchungen dienen können.

Every impact analysis of a changing climate first requires an understanding of the climate development, based on observations or, if future developments are considered, simulations. Climate change varies enormously among different regions. In order to take its local features into account properly, simulations at high resolution are necessary. Typically, to this end coarse resolution simulations from a General Circulation Model are translated to finer spatial scales. This can be achieved by a finer (both in space and in time) representation of physical processes - the dynamical approach -, or by making use of statistical relationships detected during an observation period between different climatological variables.

Subject of this thesis is such a statistical approach, which is based on daily meteorological station data from a region of interest. It generates simulated series of daily observations for each of the concerned stations. As an important feature, the simulated series are only constrained by the parameters of a linear regression line, which describes the linear development of a chosen characteristic climate variable (usually temperature). Simulated series are assembled from segments of the observed series, such that the rearrangement of the observations yields series corresponding to the prescribed regression line. As the observations consist not only of the chosen variable but comprise all of the measured variables, which are rearranged as well, the simulated series consist of elements which are physically consistent. The same holds for the spatial distributions, as the order of the rearrangement is identical at all stations. A set of heuristic rules makes sure that the simulated series exhibit realistic annual cycles and persistence. Stochastic elements enable the generation of ensembles.

A cross validation experiment using data from the Elbe river basin proves the approach to be able to reproduce an observed climatology. To this end, a dataset of daily observations is split into two independent sub periods. Based on the data from the first, the climatology of the second is simulated, prescribing the linear temperature development from the second. Thereby, simulations and observations from the second period can be compared. Besides classic statistics such as mean or variance, persistence features and extreme events are well reproduced, even for precipitation. The comparison with a similar experiment, for which a dynamical model is used, shows that the statistical approach yields a much closer match between simulated and observed data.

Using this approach to simulate the climatological future of the Elbe river basin gives slightly decreasing precipitation, corresponding to a prescribed warming. This decrease mainly happens during the summer, while winter experiences unchanged or even increased precipitation. However, as with temperature also evaporation increases, a drier climate is to be expected.

To conclude, this approach allows for quick and accurate simulations of regional climate simulations, which may serve as a sound starting point for climate impact investigations.