Embed Size (px)
Citation preview
Arbeitsgruppe Meteorologische Umweltforschung/Klimatologie
Institut für Meteorologie und Geophysik der J. W. Goethe-Universität Frankfurt/M.
Tim Staeger
Empirisch-statistische Analyse von Wechselbeziehungen zwischen Klimasystem und
Anthroposphäre in neoklimatologischer Zeit
Disputations-Vortrag am 13. März 2003
Gliederung:
Teil I: Signalanalyse globaler und regionaler Klimadatenfelder
Teil II: Witterungseinflüsse auf deutsche Ernteerträge
I Signalanalyse globaler und regionaler Klimadatenfelder
Fragestellung:
Welche Anteile der Variationen in beobachteten Klimaelementen sind mittels Regression natürlichen und anthropogenen Ursachen zuzuordnen?
Wie signifikant lässt sich ein anthropogenes Signal vom Zufall und von den natürlichen Signalen unterscheiden?
1860 1870 1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
K
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
Global gemittelte Temperatur-Anomalien 1956 bis 2002 nach Jones
Ansatz:
Mit Hilfe klimatologischer Vorkenntnisse erhält man ein Reservoir an potenziellen Einfluss-Zeitreihen.
Durch die Selektionsstrategie der schrittweise Regression werden signifikante Einfluss-Zeitreihen ausgewählt, die in ein multiples Regressionsmodell einfließen.
Das Signal-Rausch-Verhältnis der anthropogenen Signale ist ein Maß für deren Signifikanz.
Berücksichtigte Antriebe / Prozesse:
Anthropogene Treibhausgas-Konzentrationen (GHG)
Troposphärische Sulfatkonzentrationen* (SUL)
El Niño – Southern Oscillation (SOI)
Explosiver Vulkanismus (VUL)
Schwankungen der Solarkonstanten (SOL)
Nord-Atlantik-Oszillation (NAO)
* Signale unplausibel
1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
T-A
no
ma
lien
in K
-0,7
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
-0,7
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
GHG + SOL + SOI + VUL
erklärte Varianz: 78,9%
Globale Mitteltemperatur 1878 – 2000, Jahresmittel nach Jones
Ges. GHG SUL SOL SOI VUL NAO
proz
ent
uale
erk
lärt
e V
aria
nz
0
10
20
30
40
50
60
70
80
90
100
0
10
20
30
40
50
60
70
80
90
100
Erklärte Varianz des Gesamtmodells und der einzelnen Einflüsse an der globalen Mitteltemperatur 1878 - 2000
Signifikanz des Treibhaus-Signals:
Ein Signal muss sich hinreichend vom Rauschen abheben:
)()(
),(Sia
xs
txS
r
ghg
Unter der Vorraussetzung Gauß-verteilter Residuen lässt sich die zu einem gegebenen Signal-Rausch-Verhältnis gehörende Signifikanz berechnen.
Was ist Rauschen?
Fall 1: „Rauschen“ repräsentiert den Zufall:
Um die „zufallsartige“ Komponente zu erhalten, wird das Residuum in eine strukturierte und unstrukturierte Komponente zerlegt.
txRschtxRtxRtxR polytrend ,,,,
Hierbei wird getestet ob sich das Treibhaus-Signal signifikant vom Zufall unterscheidet
Was ist Rauschen?
Fall 2: „Rauschen“ beinhaltet die natürliche Variabilität und die unerklärte Varianz:
Hierbei wird getestet ob sich das Treibhaus-Signal signifikant von der Variabilität nicht anthropogenen Ursprungs unterscheidet
txStxRtxRsch nat ,,,
1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
T-A
no
mal
ie in
K
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6SOI
99.9%
99.9%
99%
99%
95%
95%
srsch
srsch
Fall 1: Unstrukturierte Residualkomponente als Rauschen
1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
T-A
no
mal
ie in
K
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6
99.9%
99%
99%
95%
95%
srsch
srsch
99.9%
1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
T-A
no
mal
ie in
K
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6GHGSOLVULSOI
99.9%
99.9%
99%
99%
95%
95%
srsch
srsch
Fall 1: Unstrukturierte Residualkomponente als Rauschen
1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
T-A
no
mal
ie in
K
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6GHGSOLVULSOI
99.9%
99%
99%
95%
95%
srsch
srsch
Fall 2: Komplettes Residuum und natürliche Variabilität als Rauschen
Vorhandene Gebietsmittel, Temperatur Jahresmittel 1901 - 2000
Datenfelder:
Räumliche Differenzierung führt zu Gebietsmittelreihen die nicht unabhängig voneinander sind, da sie alle einen Teil desselben Feldes meteorologischer Parameter beschreiben
Datenfeld EOF-Transformation
PC
Schrittweise Regression
Rücktransformation
Signalfelder,
Residuenfeld
Vorbehandlung von Feldern:
Treibhausgas-Signalfeld im Jahr 2000 relativ zum Jahr 1901 in [K]:
Treibhausgas-Signalfeld saisonale Mittel im Jahr 2000 relativ zum Jahr 1901 in [K]:
Winter Frühjahr
Sommer Herbst
Solares Signalfeld im Jahr 2000 relativ zum Jahr 1906 (erstes Sonnenfleckenmaximum im Analysezeitraum) in [K]:
Ges. GHG SOL SOI VUL NAO
proz
ent
uale
erk
lärt
e V
aria
nz
0
10
20
30
40
50
60
70
80
90
100
0
10
20
30
40
50
60
70
80
90
100
Erklärte Varianz des Gesamtmodells und der einzelnen Einflüsse an den globalen Gebietsmitteln der Temperatur 1878 - 2000
Prozentuale Signifikanz des GHG-Signals im Jahr 2000 relativ zum Jahr 1901:
Fall 1: Unstrukturierte Residualkomponente als Rauschen
Fall 2: Komplettes Residuum und natürliche Variabilität als Rauschen
Prozentuale Signifikanz des GHG-Signals im Jahr 2000 relativ zum Jahr 1878:
Fall 1: Unstrukturierte Residualkomponente als Rauschen
Fall 2: Komplettes Residuum und natürliche Variabilität als Rauschen
Treibhausgas-Signalfeld Europa im Jahr 2000 relativ zum Jahr 1878 in [K]:
Prozentuale Signifikanz des GHG-Signals in Europa im Jahr 2000 rlativ zum Jahr 1878:
Fall 1: Unstrukturierte Residualkomponente als Rauschen
Fall 2: Komplettes Residuum und natürliche Variabilität als Rauschen
1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
T-A
no
mal
ie in
K
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
GHGSOLNAO
90%
90%
srsch
srsch
Signfikanz des Treibhaus-Signals in der Deutschland-Mitteltemperatur 1878 - 2000:
Fall 1: Unstrukturierte Residualkomponente als Rauschen
1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000
T-A
no
mal
ie in
K
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
GHGSOLNAO
90%
90%
srsch
srsch
Signfikanz des Treibhaus-Signals in der Deutschland-Mitteltemperatur 1878 - 2000:
Fall 2: Komplettes Residuum und natürliche Variabilität (ohne NAO) als Rauschen
Vergleich erklärter Varianzen des Gesamtmodells und der einzelnen Einflüsse an verschiedenen Temperatur-Datensätzen 1878 - 2000:
pro
zen
tual
e er
klä
rte
Var
ian
zen
0
10
20
30
40
50
60
70
80
0
10
20
30
40
50
60
70
80
GESGHGSOLSOIVULNAO
GlobalesMittel
GlobalGebietsmittel
Europa Deutschland
Zusammenfassung Teil I:
Die erklärten Varianzen sind in den global und hemisphärisch gemittelten Temperaturen am höchsten (ca. 70% - 80%) und verringern sich mit zunehmender räumlicher Differenzierung (Ausnahme: Deutschland-Mitteltemperatur).
Die Sulfat-Signale sind unplausibel. Die verwendeten Einfluss-Zeitreihen sind wahrscheinlich ungeeignet.
Anthropogene Treibhausgase sind auf der globalen Skala der wichtigste Einfluss auf die bodennahe Lufttemperatur, und dort auch signifikant vom Zufall und von der natürlichen Variabilität unterscheidbar.
Auf der Europäischen Skala dominiert die NAO – das Treibhaus-Signal ist dort nicht signifikant. Dies gilt auch für das Europäische Luftdruck- und Niederschlagsfeld.
II Witterungseinflüsse auf deutsche Ernteerträge:
Meteorologische Daten:
Monatsmittel bzw. -Summen aus sieben westdeutschen Bundesländern von Temperatur und Niederschlag, die aus Gitterpunktsdaten abgeleitet wurden (0,5° x 0,5°).
Bayern
Baden-Württemberg
Rheinland-Pfalz
Hessen
Nordrhein-Westfalen
Niedersachsen
Schleswig-Holstein
II Witterungseinflüsse auf deutsche Ernteerträge:
Ertragsdaten:
Bundeslandmittel von 21 Fruchtarten in [t/ha]
Winterweizen
Sommerweizen
Wintergerste
Sommergerste
Roggen
Hafer
Frühkartoffeln
Spätkartoffeln
Zuckerrüben
Runkelrüben
Weisskohl
Rotkohl
Wirsing
Gras
Klee
Winterraps
Sommerraps
Ackerbohnen
Körnermais
Spargel
Erdbeeren
1950 1955 1960 1965 1970 1975 1980 1985 1990 1995
Ert
rag
in
[t
/ ha]
0
1
2
3
4
5
6
0
1
2
3
4
5
6ungefiltert10-jährig Gauß-tiefpassgefiltert10-jährig-Gauß-hochpassgefiltert
Hochpassfilterung von Ertragsreihen:
Beispiel: Erträge des Sommerweizens in Bayern 1950 - 1998
Korrelationen zwischen Ertrags- und Klimazeitreihen:
Fragestellung: Gibt es Monate, in denen der Einfluss von meteorologischen Parametern besonders ausgeprägt ist?
Korrelationen zwischen Ertrags- und Klimazeitreihen:
Fragestellung: Gibt es Monate, in denen der Einfluss von meteorologischen Parametern besonders ausgeprägt ist?
T
Feb Mar Apr Mai Jun Jul Aug Sep Okt VP
Pea
rso
n-K
orr
elat
ion
sko
eff.
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
Si 99
Si 99
Si 95
Si 95
N
Feb Mar Apr Mai Jun Jul Aug Sep Okt VPP
ears
on
-Ko
rrel
atio
nsk
oef
f.-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
Si 99
Si 99
Si 95
Si 95
Beispiel: Ackerbohnen in Baden-Württemberg
N
Feb Mar Apr Mai Jun VPP
ears
on
-Ko
rrel
atio
nsk
oef
f.-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
Si 99
Si 99
Si 95
Si 95
T
Feb Mar Apr Mai Jun VP
Pea
rso
n-K
orr
elat
ion
sko
eff.
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
Si 99
Si 95
Si 99
Si 95
Korrelationen zwischen Ertrags- und Klimazeitreihen:
Fragestellung: Gibt es Monate, in denen der Einfluss von meteorologischen Parametern besonders ausgeprägt ist?
Beispiel: Spargel in Niedersachsen
Korrelationen zwischen Ertrags- und Klimazeitreihen:
Abgeleitete Einflussgrößen: a) Quadrieren
Vorstellung: Extreme wirken sich besonders stark auf die Erträge aus
N*N
Feb Mar Apr Mai Jun Jul Aug Sep Okt VPP
ears
on
-Ko
rrel
atio
nsk
oef
f.
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
Si 99
Si 99
Si 95
Si 95
T*T
Feb Mar Apr Mai Jun Jul Aug Sep Okt VP
Pea
rso
n-K
orr
elat
ion
sko
eff.
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
Si 99
Si 95
Si 99
Si 95
Korrelationen zwischen Ertrags- und Klimazeitreihen:
Beispiel: Ackerbohnen in Baden-Württemberg
Abgeleitete Einflussgrößen: a) Quadrieren
Vorstellung: Extreme wirken sich besonders stark auf die Erträge aus
N*N
Feb Mar Apr Mai Jun VPP
ears
on
-Ko
rrel
atio
nsk
oef
f.-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
Si 99
Si 99
Si 95
Si 95
T*T
Feb Mar Apr Mai Jun VP
Pea
rso
n-K
orr
elat
ion
sko
eff.
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
Si 95
Si 99
Si 99
Si 95
Korrelationen zwischen Ertrags- und Klimazeitreihen:
Beispiel: Spargel in Niedersachsen
Abgeleitete Einflussgrößen: a) Quadrieren
Vorstellung: Extreme wirken sich besonders stark auf die Erträge aus
Korrelationen zwischen Ertrags- und Klimazeitreihen:
Abgeleitete Einflussgrößen: b) Multiplizieren / Dividieren
Vorstellung: Temperatur und Niederschlag wirken in Kombination
T/N
Feb Mar Apr Mai Jun Jul Aug Sep Okt VPP
ear
son
-Ko
rrel
atio
nsk
oef
f.
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
Si 99
Si 99
Si 95
Si 95
T*N
Feb Mar Apr Mai Jun Jul Aug Sep Okt VP
Pea
rso
n-K
orr
elat
ion
sko
eff.
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
Si 99
Si 95
Si 95
Si 99
Korrelationen zwischen Ertrags- und Klimazeitreihen:
Beispiel: Ackerbohnen in Baden-Württemberg
Abgeleitete Einflussgrößen: b) Multiplizieren / Dividieren
Vorstellung: Temperatur und Niederschlag wirken in Kombination
T/N
Feb Mar Apr Mai Jun VPP
ears
on
-Ko
rrel
atio
nsk
oef
f.-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
Si 99
Si 99
Si 95
Si 95
T*N
Feb Mar Apr Mai Jun VP
Pea
rso
n-K
orr
elat
ion
sko
eff.
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
-0,5
-0,4
-0,3
-0,2
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
Si 99
Si 95
Si 99
Si 95
Korrelationen zwischen Ertrags- und Klimazeitreihen:
Beispiel: Spargel in Niedersachsen
Abgeleitete Einflussgrößen: b) Multiplizieren / Dividieren
Vorstellung: Temperatur und Niederschlag wirken in Kombination
Hochsignifikanter (Si > 99%) Einfluss trocken-heisser sommerlicher Witterungen:
BAY BWB RPF HES NRW NSA SHS
Zuckerrüben
Gras
Klee
Ackerbohnen
Hafer
Frühkartoffeln
Spätkartoffeln
Zuckerrüben
Runkelrüben
Rotkohl
Gras
Klee
Spätkartoffeln
Zuckerrüben
Runkelrüben
Weisskohl
Gras
Klee
Weisskohl
Gras
Ackerbohnen
Hafer
Gras
Sommergertse
Hafer
Frühkartoffeln
Spätkartoffeln
Aufgelistet sind alle Fruchtarten, bei denen eine hochsignifikante Korrelation zwischen dem Ertrag und den Quotientenreihen aus Temperatur und Niederschlag für die Monate Juni, Juli und August vorliegen.
Schrittweise Regression:
Potenzielle Regressoren:
- Monatsmittel der Temperatur bzw. Monatssummen des Niederschlages innerhalb der Vegetationsperiode und des vorausgehenden Monats
- Abgeleitete Zeitreihen (quadriert, multipliziert bzw. dividiert) aus den „Basis-Regressoren“ Temperatur und Niederschlag derselben Zeiträume
- Basis-Regressoren und abgeleitete Zeitreihen der jeweiligen Vegetationsperioden
1950 1955 1960 1965 1970 1975 1980 1985 1990 1995
Ert
rag
s A
no
mal
ien
in [
t/h
a]
-2,0
-1,6
-1,2
-0,8
-0,4
0,0
0,4
0,8
1,2
-2,0
-1,6
-1,2
-0,8
-0,4
0,0
0,4
0,8
1,2Sommergerste - Schleswig-Holstein, e.V.: 64,6%
1950 1955 1960 1965 1970 1975 1980 1985 1990 1995
EO
F-t
ran
sfo
rmie
rte
N-A
no
mal
ien
-200
-100
0
100
200
300
-200
-100
0
100
200
300Niederschlag Junisummen Schleswig-Holstein
1950 1955 1960 1965 1970 1975 1980 1985 1990 1995
Ert
rag
s A
no
mal
ien
in [
t/h
a]
-2,0
-1,6
-1,2
-0,8
-0,4
0,0
0,4
0,8
1,2
-2,0
-1,6
-1,2
-0,8
-0,4
0,0
0,4
0,8
1,2Sommergerste - Schleswig-Holstein, e.V.: 64,6%
vpshssg tanatan
tanananataae 8
27
26543210 4647646ˆ
1950 1955 1960 1965 1970 1975 1980 1985 1990 1995
EO
F-t
ran
sfo
rmie
rte
T-A
no
mal
ien
-6
-4
-2
0
2
4
6
8
10
12
14
16
-6
-4
-2
0
2
4
6
8
10
12
14
16Temperatur Junimittel Schleswig-Holstein
1950 1955 1960 1965 1970 1975 1980 1985 1990 1995
Ert
rag
s-A
no
mal
ien
in [
t/h
a]
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0Sommergerste - Hessen, e.V.: 65,5%
1950 1955 1960 1965 1970 1975 1980 1985 1990 1995
EO
F-t
ran
sfo
rmie
rte
N-A
no
mal
ien
-100
0
100
200
-100
0
100
200Niederschlag Aprilsummen Hessen
1950 1955 1960 1965 1970 1975 1980 1985 1990 1995
Ert
rag
s-A
no
mal
ien
in [
t/h
a]
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0Sommergerste - Hessen, e.V.: 65,5%
vphessg n
tata
n
tatnatnanananataae 9
2876543210 78438422ˆ
1950 1955 1960 1965 1970 1975 1980 1985 1990 1995
EO
F-t
ran
sfo
rmie
rte
T-A
no
mal
ien
-5
0
5
10
15
-5
0
5
10
15Temperatur Aprilmittel Hessen
1950 1955 1960 1965 1970 1975 1980 1985 1990 1995
Ert
rag
s-A
no
mal
ien
in [
t/h
a]
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0
-1,0
-0,8
-0,6
-0,4
-0,2
0,0
0,2
0,4
0,6
0,8
1,0Spargel - Hessen, e.V.: 54,1%
5ˆ 10 taae hessp
Selektierte Regressoren:
Getreide - T
v8 v9 v10 v11 2 3 4 5 6 7 8 9 vp
Hae
ufi
gke
it
0
5
10
15
20
25
30
0
5
10
15
20
25
30
Getreide - N
v8 v9 v10 v11 2 3 4 5 6 7 8 9 vp
Häu
fig
keit
0
5
10
15
20
25
30
0
5
10
15
20
25
30
Getreide - T*T
v8 v9 v10 v11 2 3 4 5 6 7 8 9 vp
Hae
ufi
gke
it
0
5
10
15
20
25
30
0
5
10
15
20
25
30
Getreide - N*N
v8 v9 v10 v11 2 3 4 5 6 7 8 9 vp
Hae
ufi
gke
it
0
5
10
15
20
25
30
0
5
10
15
20
25
30
Getreide - T * N
v8 v9 v10 v11 2 3 4 5 6 7 8 9 vp
Hae
ufi
gke
it
0
5
10
15
20
25
30
0
5
10
15
20
25
30
Getreide - T / N
v8 v9 v10 v11 2 3 4 5 6 7 8 9 vp
Hae
ufi
gke
it
0
5
10
15
20
25
30
0
5
10
15
20
25
30
Regressor pos. neg.
n4 2 29
tn4 3 25
Zusammenfassung Teil II:
Durch die notwendige Hochpassfilterung der Ertragsreihen können keine niederfrequenten Variationsanteile analysiert werden.
Viele Fruchtarten sind empfindlich gegenüber trocken-heissen Witterungsabschnitten im Sommer.
Feucht-warme Witterung im April wirkt sich negativ auf Getreideerträge aus.
Extreme Anomalien in den meteorologischen Parametern wirken sich fast ausschließlich negativ auf die Erträge aus.
Fazit:
Der anthropogene Zusatz-Treibhauseffekt ist der wichtigste Einfluss auf die beobachtete bodennahe Lufttemperatur der letzten 100 – 120 Jahre, und ist dort (bei hinreichender räumlicher Mittelung) signifikant nachweisbar.
Der Witterungseinfluss auf Ernteerträge der letzten ca. 50 Jahre in Westdeutschland ist überwiegend sichtbar. Extreme Anomalien der meteorologischen Parameter führen häufig zu Ernteeinbrüchen.
Um den Impakt einer Klimaänderung auf Ernteerträge in Deutschland beurteilen zu können, sind künftig vor allem Änderungen im Extremverhalten meteorologischer Parameter zu untersuchen.
