A New Approach towards Adaptivity in Climate Models

Abstract

Integrating Adaptive Mesh Refinement (AMR) into climate models is problematic partly because several components have difficulty in accommodating adaptive grids. However, on coarse resolutions, errors from each component of climate models contribute to the overall errors of the model output. Using AMR in single components could reduce one source of model error. Use of AMR in existing climate models could significantly reduced development time compared to designing a new model equipped with AMR.

We integrate AMR into the tracer transport module of the atmospheric model, ECHAM6, and test our implementation in several idealized scenarios on spherical geometries as well as in a realistic application scenario (dust transport). In order to achieve this goal, we modified the Flux-Form Semi-Lagrangian (FFSL) transport scheme in ECHAM6 such that we can use the same scheme on adaptive meshes while retaining all important properties such as mass conservation of the original FFSL scheme. Our proposed AMR scheme is dimensionally split and ensures that high-resolution information is always transported on (locally) high-resolution meshes. We also introduce a data structure that can accommodate an adaptive Gaussian grid.

We demonstrate that our AMR scheme improves both accuracy and efficiency compared to the original FFSL scheme. More importantly, our approach improves the representation of transport processes in ECHAM6 for coarse resolution simulations although more assessments of the overall improvement of model accuracy are needed. The results of this thesis suggest that we can overcome the overhead of developing a fully adaptive earth system model by integrating AMR into single components while leaving data structures of the dynamical core untouched. This enables researchers to retain well-tested and complex legacy code of existing models while still reducing model errors.

Die Integration adaptiver Gitterverfeinerungsstrategien (AMR) in bestehende Klimamodelle ist teilweise problematisch, da mehrere Komponenten gleichzeitig Schwierigkeiten bei der Anpassung adaptiver Netze haben. Bei groben Auflösungen tragen jedoch Abweichung aus jeder Komponente von Klimamodellen zur Gesamtabweichung der Modellausgabe bei. Die Verwendung von AMR in einzelnen Komponenten sollte daher eine Quelle für den gesamten Modellfehler reduzieren. Auf der anderen Seite können wir AMR in bestehenden Klimamodellen mit deutlich verkürzter Entwicklungszeit verwenden, verglichen mit der Entwicklung eines neuen Modells, das mit AMR ausgestattet ist.

Wir integrieren AMR in das Tracer-Transportmodul des Atmosphärenmodells ECHAM6 und testen unsere Implementation in verschiedenen idealisierten und realistischen Szenarien auf sphärischen Geometrien. Als realistisches Anwendungsbeispiel ziehen wir exemplarisch den Transport von Staub heran. Um dieses Ziel zu erreichen, haben wir das Flux-Form Semi-Lagrangian (FFSL)-Transportschema in ECHAM6 so modifiziert, dass wir das gleiche Schema auf adaptiven Netzen verwenden können, ohne dabei die wichtigen Eigenschaften des ursprünglichen FFSL-Schemas, wie zum Beispiel Massenerhaltung, zu verlieren. Unser vorgeschlagenes AMR-Strategie basiert auf einem Operatorsplitting und stellt sicher, dass hochauflösende Informationen stets auf hochaufgelösten Gittern transportiert wird. Zu diesem Zweck stellen wir auch eine Datenstruktur vor, die ein solches adaptives Gaußgitter effizient beherbergen kann.

Wir zeigen an Hand verschiedener Tests, dass unser AMR-Schema sowohl die Genauigkeit als auch die Effizienz im Vergleich zum ursprünglichen FFSL-Schema verbessert. Noch wichtiger ist, dass unser Ansatz die Darstellung von Transportprozessen in ECHAM6 für Simulationen mit grober Auflösung verbessert, wobei die Überprüfung der gesamten Modellgenauigkeit noch weiter Untersuchungen bedarf. Die Resultate dieser Arbeit zeigen daher eine Strategie auf, die es ermöglicht adaptive Verfeinerungsmechanismen in bestehende Modelle zu integrieren ohne dabei die Datenstrukturen eines unterliegenden dynamischen Kernes zu ändern. Dies ermöglicht es Forscherinnen und Forschern existierenden komplexen und getesteten Code weiter zu verwenden aber die Genauigkeit des bestehenden Modells dennoch zu verbessern.