Volltextdatei(en) vorhanden
Titel: Estimating the Uncertainty of Areal Precipitation using Data Assimilation
Sonstige Titel: Unsicherheitsschätzung für flächendeckenden Niederschlag mittels Datenassimilation
Sprache: Englisch
Autor*in: Merker, Claire
Schlagwörter: Unsicherheitsschätzung; Nowcasting; Data assimilation; Kalman Filter; Precipitation measurements; Uncertainty estimate; Rain radar; Nowcasting
GND-Schlagwörter: Datenassimilation; Kalman-Filter; Niederschlagsmessung; Wetterradar
Erscheinungsdatum: 2017
Tag der mündlichen Prüfung: 2017-10-20
Zusammenfassung: 
This thesis presents a method to estimate spatially and temporally variable uncertainty of an areal precipitation product. The aim of the method is to merge measurements from different sources into a combined precipitation product and to provide an associated dynamic uncertainty estimate. Requirements for this estimate are an accurate representation of the actual uncertainty of the product, an adjustment to additional observations merged into the product through data assimilation, and flow dependency. Such detailed uncertainty description is important in order to assess the reliability of the precipitation product. It is especially important for areal precipitation information as it is needed, for example, to generate precipitation ensembles for probabilistic hydrological modelling, or to specify accurate error covariance when using precipitation observation for data assimilation into numerical weather prediction models.
The presented method uses data assimilation as a tool to merge precipitation observation. The Local Ensemble Transform Kalman Filter (LETKF) is coupled to an ensemble nowcasting model providing information about the precipitation displacement over time. A continuous nowcasting of a precipitation field and repeated assimilation of additional observations is performed. By this means, the precipitation product and its uncertainty estimate obtained from the nowcasting ensemble evolve consistently in time and become flow-dependent. An ensemble data assimilation framework is implemented and tested in order to perform a proof of concept study of the presented method. Two scores are defined to test the performance of the uncertainty estimation method. The evaluation of both considered scores demonstrates that the provided areal uncertainty estimate outperforms constant benchmark uncertainty values. It enables a more accurate spatial and temporal distribution of uncertainty, increasing the uncertainty estimate for regions where the precipitation product exhibits large errors, and decreasing it where the product has smaller errors. The proof of concept study elaborated in this thesis shows good results and establishes the groundwork for further studies and possible applications.

Diese Arbeit stellt eine Methode zur Schätzung der räumlich und zeitlich variablen Unsicherheiten eines flächendeckenden Niederschlagsprodukts vor. Das Ziel der Methode ist es, Beobachtungen aus verschiedenen Quellen zu einem kombinierten Produkt zusammenzufügen und eine dazugehörige, dynamische Unsicherheitsschätzung zu liefern. Anforderungen an diese Schätzung sind eine präzise Darstellung der tatsächlichen Unsicherheit des Produkts, eine Anpassung an zusätzliche, durch Datenassimilation hinzugefügte Beobachtungen und Strömungsabhängigkeit. Solch eine genaue Unsicherheitsschätzung ist wichtig um die Zuverlässigkeit des Niederschlagsprodukts beurteilen zu können. Sie ist besonders wichtig für flächendeckende Niederschlagsinformation, um zum Beispiel Niederschlagsensemble für probabilistische hydrologische Modellierung zu generieren oder um präzise Fehlerkovarianzmatrizen für die Assimilation von Niederschlagsbeobachtungen in nummerische Wettervorhersagemodelle bereitzustellen.
Die vorgestellte Methode verwendet Datenassimilation als ein Werkzeug um Niederschlagsbeobachtungen zu kombinieren. Der Local Ensemble Transform Kalman Filter (LETKF) ist an ein Ensemble-Nowcasting-Modell gekoppelt welches Information über die zeitliche Verlagerung des Niederschlags liefert. Ein kontinuierliches Niederschlagsnowcasting mit wiederholter Datenassimilation zusätzlicher Beobachtungen wird durchgeführt. Dadurch entwickeln sich das Niederschlagsprodukt und dessen Unsicherheitsschätzung, die aus dem Nowcasting-Ensemble abgeleitet wird, zeitlich konsistent und werden strömungsabhängig. Um eine Machbarkeitsstudie der dargestellten Methode durchzuführen wird ein Ensemble-Datenassimilationssystem implementiert und getestet. Zwei Bewertungskennzahlen werden definiert um die Güte der Methode zur Unsicherheitsschätzung zu untersuchen. Die Auswertung beider Kennzahlen zeigt, dass die erzeugte flächendeckende Unsicherheitsschätzung besser als konstante Richtwerte für die Unsicherheit ist. Die neue Unsicherheitsschätzung erlaubt eine präzisere räumliche und zeitliche Verteilung der Unsicherheit. Die Unsicherheitsschätzung wird dort erhöht wo das Niederschlagsprodukt große Fehler aufweist, und dort verringert wo das Produkt kleinere Fehler aufweist. Die erarbeitete Machbarkeitsstudie zeigt gute Ergebnisse und schafft die Grundlage für weiterführende Studien und mögliche Anwendungen.
URL: https://ediss.sub.uni-hamburg.de/handle/ediss/7430
URN: urn:nbn:de:gbv:18-88278
Dokumenttyp: Dissertation
Betreuer*in: Ament, Felix (Prof. Dr.)
Enthalten in den Sammlungen:Elektronische Dissertationen und Habilitationen

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat  
Dissertation.pdf5.45 MBAdobe PDFÖffnen/Anzeigen
Zur Langanzeige

Diese Publikation steht in elektronischer Form im Internet bereit und kann gelesen werden. Über den freien Zugang hinaus wurden durch die Urheberin / den Urheber keine weiteren Rechte eingeräumt. Nutzungshandlungen (wie zum Beispiel der Download, das Bearbeiten, das Weiterverbreiten) sind daher nur im Rahmen der gesetzlichen Erlaubnisse des Urheberrechtsgesetzes (UrhG) erlaubt. Dies gilt für die Publikation sowie für ihre einzelnen Bestandteile, soweit nichts Anderes ausgewiesen ist.

Info

Seitenansichten

64
Letzte Woche
Letzten Monat
geprüft am 16.04.2021

Download(s)

34
Letzte Woche
Letzten Monat
geprüft am 16.04.2021
Werkzeuge

Google ScholarTM

Prüfe