Bachelorarbeit - Universität Leipzigresearch.uni-leipzig.de/climate/cheng_hanmibachelorarbeit2015.pdf · Windgeschwindigkeit auf 500hPa zwischen Nord- und Nordostindien analysiert

Universität Leipzig

Institut für Meteorologie

Studiengang Meteorologie

Bachelorarbeit

Im Zeitraum vom 11.02.2015 bis 21.07.2015

Betreut durch

Prof. Dr. Johannes Quaas

1. Gutachter: Prof. Dr. Johannes Quaas

2. Gutachter: Dr. Marc Salzmann

Einflüsse multidekadischer Variabilität

auf den asiatischen Sommermonsun

Vorgelegt von

Hanmi Cheng

Matrikelnummer 2912710

Leipzig, den 17. Juni 2015

Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun

2

Abtract

Auswirkungen des Klimawandels auf „Indian Summer Monsoon Rainfall

(ISMR)“ und die wachsende Bevölkerung stellen eine große Bedrohung für die

Wasser- und Lebensmittelsicherheit in Indien, daher ist zuverlässige Modelle

nötig sind, um die Änderung zu untersuchen. Hier wird gefunden, dass die

meisten Modelle im Ensemble von CMIP5 (Siehe Tabelle 1) die gesamte

Niederschlag- smenge von Juni bis September von 1950 bis 2000 in zentralem

Nordindien (NCI) unterschätzt, nämlich zählen sie die NCI-Region zur

trockenen Zone im West. Gleichzeitig zeigt der gesamte Niederschlag eine

positive Korrelation mit der Variabilität des Niederschlagstrends. D.h., die

meisten Ensemblemodelle unterschätzen die Niederschlagsvariabilität in NCI,

sodass die interne Variabilität vielleicht eine größere Rolle im

Niederschlagstrend spielt, als die Modelle es zeigen. Des Weitere zeigen 14

von 15 Modellen eine Verspätung der Meeresoberflächentemperaturabnahme

im äquatorialen östlichen indischen Ozean um ungefähr 10 bis 15 Jahre im

Vergleichen zur Beobachtungen, gleichzeitig ist die Phänomen in östlichen

indischen Ozean nicht zu sehen, die zu einer Unterschätzung des indischen

Ozean Dipol Indexes führt, damit es auch möglicherweise zur einer

Unterschätzung des ISMRs sorgen kann. Die Unterschiede zwischen den

Niederschlagstrend von individueller Realisation sind sehr groß. In dieser

Arbeit werden sie auch ausführlich analysiert.


3

Inhaltsverzeichnis

1. Einleitung---------------------------------------------------------------------------------4

2. Grundlage---------------------------------------------------------------------------------5

2.1 Der asiatische Sommermonsun-------------------------------------------------5

2.2 Interne Variabilität-------------------------------------------------------------------6

2.3 IOD und El- Niño/ /Southem Oscillation---------------------------------------7

3. Methoden---------------------------------------------------------------------------------8

4. Ergebnisse

4.1 Niederschläge------------------------------------------------------------------------9

4.1.1 Niederschlagsanalyse---------------------------------------------------------9

4.1.2 Zusammenhang zwischen gesamten Niederschlagsmenge und

Variabilität des Niederschlagstrends--------------------------------------15

4.2 Temperatur und horizontale Wind-----------------------------------------------18

4.3 SST auf IOD und IOD-Index------------------------------------------------------21

4.4 Verlagerungen der ITCZ-----------------------------------------------------------26

5. Zusammenfassung und Diskussion---------------------------------------------28

Literatur, Abbildungsverzeichnis und Abkürzungen-----------------------------30


4

1. Einleitung

Der indische Subkontinent liegt an der Westseite des südostasiatischen

Sommermonsun-Systems und der südasiatische Summermonsun bietet bis zu

80 % des jährlichen durchschnittlichen Niederschlags für die meisten

Regionen von Indien und hat enorme Auswirkungen auf die Landwirtschaft,

Gesundheit, Wasser Ressourcen, Wirtschaft und Ökosysteme in ganzen

Südasien (Webster et al.,1998). Eine mögliche langfristige (dekadische bis

hundertjährige) Verschiebung der Monsunregenfälle mit Klima verbunden

Änderungen könnten sehr weitreichende Konsequenzen haben. Viele

Beobachtungsstudien untersuchten den multidekadischen Niederschlagstrend

und fanden einen anhaltenden Trockentrend in Indien, Südindien und

Westpazifik in der zweiten Hälfte des 20. Jahrhunderts (Chung et al., 2006 und

Lau et al.,2010). Durchschnittlich reduzierte die Nie- derschlagsmenge über

ganzes Indien um 4 % bis 5 % in diesen 50 Jahre (Ramanathan et al. 2005).

Obwohl zeigt Salzmann et al., 2014 und Bollasina et al. (2011) eine starke

Einflüsse der anthropogenen Aerosole auf dem südasiatischen Sommer-

monsun, wird der Trockentrend über zentralen Nordindien (NCI) nicht durch

das Coupled Model Intercomparison Project Phase 5 (CMIP5) Modell

Ensemble Mittel wiedergegeben (Salzmann et al., 2014). Gleichzeitig sind die

Unterschiede zwischen den Niederschlagstrend von individueller Realisation

sehr groß. Insbesondere stimmen einige Läufe recht gut mit der Beobachtung

überein, während andere Läufe eine große Abweichung zeigen. Dies weist

darauf hin, dass die interne Variabilität potential eine wichtige Rolle bei der

Erklärung des beobachteten Trends spielt (Salzmann und Cherian, 2015).

Deshalb ist das erst Ziel dieser Arbeit die Detaillierung der Läufe. Auf der

anderen Seite zeigt der simulierte mittlere gesamte Niederschlag von Juni bis

September (JJAS) 1950-1999 durch 15 CMIP5 Modelle bei Salzmann et al.,

2014 ganz anderes als die Beobachtung in dem NCI-Region. Das trockene

Gebiet bei der Simulation erstreckt sich nach Osten bis zum NCI, damit der

mittlere simulierte JJAS-Niederschlag im NCI viel niedriger als die

Beobachtung ist. Die weist darauf hin, dass der simulierte niedrige/starke

gesamte Niederschlag vielleicht die Variabilität der Niederschlagstrends

beeinflusst, daher wird den Zusammenhang zwischen den gesamten JJAS

Niederschlag und Variabilität der Läufe in Abschnitt 4.1.2 diskutiert. Ashok et

al., (2001) haben gezeigt, dass das IOD spielt eine wichtige Rolle in dem

südostasiatischen Sommermonsun, damit im Absatz 4.3 wird die SST von IOD

analysiert, um die Leistung der Modell zu einschätzen. Am Ende wird auch die

ostwärts Verlagerung der ITCZ (Salzmann et al., 2015) untersucht, um den

Beweis von vertikalen Bewegung zu finden.


5

2.Grundlage

2.1 Der asiatische Sommermonsun

Monsune sind großräumige, mit beständigen Winden einher gehende

Luftströmungen in den Tropen mit halbjährlichem Richtungswechsel. Der

asiatische Sommermonsun setzt im Juni/Juli (JJAS) ein und hält bis

September/Oktober an. Da die senkrechte Sonnenstrahlung im Nord-

hemisphärischen Sommer sich nicht auf dem Äquator sondern ein bisschen

nördlich liegt, erwärmt sich das Festland Süd- und Südostasiens stark und die

innertropische Konvergenzzone (ITCZ) wandert nach Norden (Ruppert, 2012).

Wegen der großen kontinentalen Oberfläche, besonders der tibetischen

Hochebene, erscheint das Monsunphänomen in Indien mit einer

ITCZ-Verlagerung bis 30° nördlicher Breite sehr deutlich. Auch ist der indische

Monsun der einzige Monsun, welcher eine Wirkung bis in die oberen

Schichten der Troposphäre aufweist (Wikipedia: Indischer Monsun). Infolge

der Corioliskraft besitzen großräumige Horizontal bewegungen auf der

Nordhalbkugel eine Ablenkung nach rechts, deshalb weht der Monsunwind

vom indischen Ozean aus südwestlichen Richtungen auf den indischen

Subkontinent (Siehe die Abbildung 1). Klimatologisch werden Summen des

Niederschlags von mehr als 1200 mm über Indien und den umliegenden

Indischen Ozean während der Monsunzeit beobachtet

Abbildung 1: Das asiatische Sommermonsun mit der Verschiebung der

ITCZ im Sommer (Hunter College of the city University of New York).


6

Abbildung 2: Schematische Darstellung der internen Variabilität.

(http://judithcurry.com/)

2.2 Interne Variabilität

"Klimawandel" bezieht sich auf eine Änderung in dem Zustand des Klimas, die

durch die Änderungen in dem Durchschnitt und/oder die Variabilität der

Eigenschaften, und das bleibt für einen längeren Zeitraum, typischerweise

Jahrzehnte oder mehr. Der Klimawandel kann durch interne Prozesse

und/oder externe Antreibe verursacht werden. Z.B das Auftreten von

Extremereignissen können durch Strahlungsantrieb, sondern auch durch

interne Interaktionen zwischen den Komponenten des Klimasystems

verursacht werden. Aber auch ohne die Änderung der externen Antrieb kann

das Klima natürlich variieren, da es in einem System die Komponenten mit

sehr unterschiedlichen Reaktionszeiten und nichtlinearen Wechselwirkungen

gibt, sind die Komponenten fast niemals im Gleichgewicht und variiere sie

ständig. Die Reaktion des Klimas zur internen Variabilität des Klimasystems

und externe Antrieb wird durch Rückkoppelung und nichtlinearen

Wechselwirkungen der Komponenten kompliziert. Nennt man ein Prozess

Rückkoppelung, wenn die Auswirkungen des Prozesses seinen Ursprung

betreffen, somit der Original-Effekt verstärkt (positive Rückkopplung) oder

Verringerung (negative Rückkopplung). Ein Beispiel einer solchen internen

Klimaschwankung ist das El-Nino-Southern Oszillation (ENSO), das aus der

Wechselwirkung zwischen Atmosphäre und Ozean im tropischen Pazifik

entstehen (IPCC Fourth Assessment Report: Climate Change 2007).


7

Identifizieren und Trennen der internen und externen Komponenten von

Klimaschwankungen sind abhängig von dem Kontext der Studie (Hoerling et

al., 2007). Z.B berücksichtigt man die Ozean Variationen im Rahmen der

jahreszeitliche atmosphärische Variabilität als externer Antrieb. Die Abbildung

2 zeigt shematisch, dass die Komponenten im System durch die interne

Variabilität um die externen Antriebe variieren. Nach IPCC ist die Summe der

internen Variabilität über einen ausreichenden langen Zeitraum null. Aber man

muss immer merken, dass die anthropogenen Antriebe sich nicht immer linear

wie die Abb.2 zeigen. Z. B, mit einem zeitlich zunehmenden anthropogenen

Antrieb kann ein linearer Detrend die interne Variabilität nicht richtig

beschreiben.

2.3 IOD und El- Niño/ /Southem Oscillation

El Niño und die Southern Oscillation (ENSO) beschreiben ein komplex

gekoppeltes Zirkulationssystem von Erdatmosphäre und Meeresströmung im

Pazifik. El Niño steht dabei eher für die ozeanischen Zusammenhänge,

während die Südliche Oszillation bzw. Southern Oscillation für die

atmosphärischen Zusammenhänge steht. Die ENSO ist negativ mit dem

Niederschlag des indischen Sommermonsuns (auf Englisch Indian summer

monsoon rainfall, ISMR) korreliert (Ashok, 2001). Eine El- Niño kann zu

Trockenheit in indischen Subkontinent führen, umgekehrt ist eine La-Niña zu

intensiven Niederschlag führen.

Der Indische Ozean Dipol (IOD) bezeichnet eine natürlich vorkommende

Anomalie der Meeresoberflächentemperatur (engl. sea-surface-temperature

daher auch kurz SST-Anomalie) am äquatorialen Ost- und Westende des

Indischen Ozeans. Ein Index zur Quantifizierung der IOD wird als SST

Differenz zwischen den tropischen westlichen Indischen Ozean (50°-70°E,

10°S-10°N) und tropischen südöstlichen indischen Ozean (90°-110°E, 10°S-0°)

definiert (Saji et al., 1999). Ein positives IOD Ereignis fällt auf dem indischen

Subkontinents mehrere Niederschlag aufgrund des starken ausgeprägten

Meer-Land Temperatur- und damit auch Druckunterschieds. Ein positives IOD

Ereignis kann von einem positiven ENSO Ereignis ausgelöst werden, aber

auch ein IOD Ereignis kann ein positives ENSO Ereignis auslösen, die interne

Variabilität dieses Systems erlaubt aber auch ein Vorkommen

unterschiedlicher Phasen ohne äußere Einflüsse (Ashok et al., 2004). Und

damit wird ISMR durch die Zusammenarbeit von ENSO und IOD beeinflusst

(Gadgil et al., 2003).


8

3.Methoden

Das Coupled Model Intercomparison Project Phase 5 (CMIP5) bietet

typischerweise mehrere Realisationen pro Klimamodell aus einer Reihe von

Modellexperimenten. Die historical Experiment wird durch die beobachtete

Änderungen der atmosphärischen Komponenten (Enthalte anthropogenen

und auch die natürlichen Quellen) und noch die Landbenutzung angetrieben

(Taylor et al., 2012). Da ideal jede Realisation einen möglichen Zustand des

Klimas repräsentiert, kann man durch die Differenz der Realisationen die

interne Variabilität untersuchen. Ich analysiere in dieser Arbeit insgesamt 68

historical Läufe aus 15 CMIP5 Modellen (Siehe Tabelle 1). Für die Analyse in

Absatz 4.1.2 verwende ich zusätzlich 4 Modelle, um das Ergebnis zu

verbessern. Die Analyse fokussiert auf die süd- und südöstliche Asian-Region

(SSEA, 75° bis 120 ° E und 5° bis 30° N), die durch den Sommermonsun

starke Niederschläge besitzt, und auf die zentrale Nordindien-Region (NCI, 76°

bis 87°E und 20° bis 28° E). Die NCI-Region ist gleich wie Bollasina et al.

(2011). Eine andere Region Nordwestindochina (NWIC,90°-100°W,15°-28°）

wird auch zur Niederschlag- analyse verwendet, um zu vergleichen.

Um die Verlagerung der ITCZ zu untersuchen wird die Differenz der vertikalen

Windgeschwindigkeit auf 500hPa zwischen Nord- und Nordostindien

analysiert. Und die genauen Regionen werden im Absatz 4.4 definiert.

Im Vergleichen zu den Simulationen werden in dieser Arbeit die Beobachtung-

sdaten für 2m-Temperatur und Niederschlag von Climate Research Unit (CRU)

TS 3.10.01 und the University of Delaware (UDel) verwendet. Die

beobachteten Niederschläge werden nur im Land gezeichnet. Für die Sea

Surface Temperture (SST) wird die HadiSST v1.1 als Beobachtungs-

datensätze verwendet.

Das statistische Signifikanzniveau eines kleinsten-Quadrate Trends wird durch

den zweiseitigen Student-t-Test ausgeführt.

Die fehlenden Werte im Landkarteplot werden durch Poission-Gleichung

interpoliert (z.B. Wind auf 850hPa Niveau).


9

2 Ergebnisse

4.1 Niederschläge

4.1.1 Niederschlagsanalyse

Der mittlere lineare Niederschlagstrend nach der Methode der kleinsten

Quadrate aller 68 Läufe von 15 Modelle von Juni bis September 1950-2000 ist

für NCI -0.13±0.47 mm/Tag, NWIC -0.09±0.51 mm und für SSEA -0.12±0.22

mm/Tag. Die simulierten mittleren Niederschlagstrends aller 3 Regionen sind

auf der gleiche Größenordnung. Aber die Niederschlagstrends in NCI und

NWIC zeigen eine zweifach stärkere Variabilität als in SSEA. Da die NCI und

NWIC Regionen sind viel kleiner als SSEA, weisen sie vielleicht die Wichtigkeit

der kleinskaligen Variabilität in dem Monsunniederschlagstrend, als Salzmann

et al., (2014) vorbringt, auf.

Die genaue Verteilung des Niederschlagstrends wird in der Abb. 4 dargestellt.

Die Niederschlagstrends von 68 Modellläufen in NCI sind sehr weit verbreitet,

sogar auch in demselben Modell (Siehe Beispiel Abb.5). Obwohl der mittlere

Wert weist nur leicht trockene Trend auf, zeigen 3 Modellläufe einen ziemlich

starke trockene Trend mit größer als -1.2 mm/Tag (50 Jahre-1), während 17

Modelle davon zeigen eine leichte Niederschlags- zunahme zwischen 0-0.2

mm/Tag (50 Jahre-1). Die 5.Realisation von CanESM simuliert einen stärksten

Trockentrend mit -1.46 mm/Tag, während die 3.Realisation von CSIRO-MK3-

6-0 simuliert eine stärkste Niederschlagszunahme mit 0.86 mm/Tag. Die

beobachteten Niederschlagstrends in NCI von CRU mit 1.08 mm/Tag (p=0.02)

und UDel -0.90 mm/Tag (p=0.06) (50 Jahre-1) liegen außer dem Intervall

zwischen den mittleren Wert plus/minus eine Standard- abweichung aber

innerhalb plus/minus zwei Standardabweichungen. Das heißt, dass der Trock-

entrend in NCI teilweise durch die Variabilität erklärt werden kann, aber

insgesamt ist es sehr wahrscheinlich, dass die Simulation des Trockentrends

in NCI bei diesem Modellensemble scheitert.

Der beobachtete Niederschlagstrend in NWIC von CRU beträgt -0.49 mm/Tag

(p=0.24) und UDel -1.28 mm/Tag (p=0.01) (50 Jahre-1). Obwohl der

beobachtete Trockentrend von CRU ist viele kleiner als UDel und liegt sie

zwischen den mittleren Wert plus/minus eine Standardabweichung aller 68

Läufe, ist sie leider nicht statistisch signifikant (p=0.24). Die Verteilung der

Niederschlagstrend ist auch wie NCI sehr weit breit. Also die Beobachtung

wird nochmal nicht durch die meisten Simulationen wiedergegeben.

Für die SSEA-Region fallen die Niederschlagstrends aller Läufe in einem

relativ kleineren Intervall als die oben zwei kleinere Regionen zwischen -0.6

bis 0.4 mm/Tag (50 Jahre-1) ein. Der Trend von CRU mit -0.30 mm/Tag (p=0.07)

liegt in dem Intervall zwischen den mittleren Wert plus/minus eine Standard-

abweichung, aber der Trend von UDel mit -0.59 mm/Tag (p=0.003) liegt

nochmal weiter trockener als minus zwei Standardabweichungen.


10

Tabelle 1a 19 CMIP5 Modelle

Modell Anzahl der Läufeb Referenz

bcc-csm1-1 3 Wu et al. [2010]

CanESM2 5 Arora et al. [2011]

CCSM4 6 Gent et al. [2011

GFDL-CM3 5 Donner et al. [2011]

GFDL-ESM2 1 Dunne et al. [2012]

CNRM-CM5d 10 Voldoire et al. [2012]

CSIRO-Mk3-6-0 10 Rotstayn et al. [2012]

GISS-E2-H 5 Schmidt et al. [2014]

GISS-E2-R 5 Schmidt et al. [2014]

HadGEMe 4 Chalmers et al. [2013]

IPSL-CM5A-MRc 3 Dufresne et al. [2013]

IPSL-CM5 6 Dufresne et al. [2013]

MIROC-ESM 3 Watanabe et al. [2011]

MIROC-ESM-C 1 Watanabe et al. [2011]

MRI-CGCM3 1 Yukimoto et al. [2012]

NorESM 3 Kirkevag et al. [2013]

MPI-ESM-LRc 3 Giorgetta et al. [2013]

MPI-ESM-MRc 3 Giorgetta et al. [2013]

MIROC5c 5 Watanabe et al. [2010] a Die Tabelle basiert auf Jiang et al. (2012) und Salzmann et al. (2014). b Anzahl der Läufe im historical Experiment. c Sie werden zusätzlich in der Analyse in Absatz 4.1.2 verwendet. d Die SST-Daten von 1. Realisation sind verloren. e Omega-Daten auf 500 hPa sind nicht verwendbar.

Abbildung 3：Räumliche Verteilung des JJAS Niederschlagstrends von

1950 bis 2000 in mm/Tag (50 Jahre-1) für UDel (rechts) und CRU (links).

Die größere Box entspricht SSEA und die kleineren Boxen entsprechen

NCI und NWIC. Die kleine schwatze Punkt bedeutet ein Signifikantsniveau

größer als 95%.


11

Abbildung 4 : Die Verteilung der JJAS Niederschlagstrends 1950-2000 von

68 Modellläufen für NCI (oben) und SSEA (unten). Die orangen und blauen

Sterne entsprechen die Beobachtungen von UDel und CRU. Die roten

Linien repräsentiert der mittlere Wert von 68 Modellläufen und die grauen

Linien entsprechen dem mittleren Wert plus/minus eine/zwei Standard-

abweichungen.


12

Für die räumliche Verteilung des Niederschlagstrends stimmen einige Läufe

relativ gut mit den Beobachtungen überein (Siehe Abb. 1 und Beispiel 6).

Diese Läufe zeigen einen akzeptierbaren Trockentrend in Indischem

Subkontinent, Südostasien und Indochina, und gleichzeitig weisen sie in

gewissem Maße die Niederschlagszunahme in Südchina. Aber die andere

Läufe zeigen ganz unterschiedlich mit einander. Die simulierten Unterschiede

zwischen diesen individuellen Läufen in demselben Modell sind nicht nur

großskalig, sondern auch sehr kleinräumig, damit man sehr schwierig ein

analoges Schema zu finden.

Zeitlich zeigen die Beobachtungen und die Modellsimulationen auch eine sehr

intensive Variabilität des gesamten Niederschlags (Siehe Abb. 5). Z.B ist der

gesamte JJAS Niederschlag von 1952 dreifach größer als von 1955 bei der

zweiten Realisation. Wenn man sogar 1 Jahre weniger für den

Niederschlagstrend mitrechnet, z.B von1950 bis 1999, trägt die Abweichung

des Niederschlagstrends bei einiger Realisationen und auch die Beobachtung

manchmal von 10%.

Abbildung 5：Ein Beispiel der zeitlichen Variabilität des Niederschlags in

mm/Tag von HadGEM2-ES. Zeitliche Entwicklung des gesamten

Niederschlags in NCI von 1950 bis 2000l. Auf der rechten Seite werden die

Niederschlagstrends von 1.Realisation bis 4.Realisation dargestellt. Die

Standardabweichung zwischen 4 Läufen trägt 0.66 mm/Tag.


13

Abbildung 6 ： Verschiedene Läufe, die gut mit den Beobachtungen

übereinstimmt. Sonst wie Abb.3.


14

Abbildung 7: Die Standardabweichung der Niederschlagstrends zwischen

den Läufe von jedem Modell, die mehr als 1 Realisation besitzen, als

Landkarte in mm/Tag (50 Jahre-1) gezeichnet.

Wenn man die Standardabweichung des Niederschlagstrends innerhalb eines

Modells, nämlich die simulierte interne Variabilität, betrachtet (Siehe Abb. 7),

zeigen die Modelle CSIRO-Mk3-6-0 und CNRM-CM5 (die erst zwei Plots) eine

starke Variation auf Westpazifik und auch Südostasien. 8 Modelle davon

simulieren eine ausgeprägte Variation auf dem Indischen Ozean entlang des

Äquators, während im Vergleichen zu den anderen 4 Modellen (GISS-E2-E,


15

GISS-E2-R, HadGEM2-ES, NorESM1-M), die eine schwache oder kaum

Variabilität auf den indischer Ozean simulieren, auch eine relativ stärkere

Variabilität in NCI und SSEA-Region zeigen. Das weist man hin, dass die

mutidekadische Variabilität der „Indian Ocean Dipol“ vielleicht auch eine

wichtige Rolle in der JJAS-Monsunniederschlag spielt, obwohl als

Ummenhofer et al, (2011) und Ashok et al, (2001) vorgebracht haben, dass der

ganze Zusammenhang zwischen den südostasiatischen Monsunnieder-

schläge und El-Niño und auch IOD sind noch nicht ganz klar. Insbesondere hat

man die Interaktionen zwischen El-Niño und positive/negative IOD noch nicht

vollständig verstanden. El-Niño ist negativ mit JJAS-Niederschlag auf dem

Indischen Subkontinent korreliert, während ein positives IOD eine

zunehmende Niederschlagsmenge mitbringt (Ashok, 2001). Also die

Niederschlagsmenge wird durch die Zusammenarbeit der El-Niño und IOD

entscheidet. Und über das IOD werde ich weiter in dieser Arbeit diskutieren.

Weiter zeigen beide GISS-Modelle (erst zwei Modelle der 3.Reihe) eine

besondere starke Variabilität entlang der Westküste von Myanmar und

Bengalen im Vergleichen zu den anderen Teilen der Simulation, weil 70% der

Läufe davon eine sehr starke anomale kleinräumige Niederschlagszunahme

simuliert, während die Reste leicht Abnahme zeigen.

4.1.2 Zusammenhang zwischen gesamten Niederschlagsmenge und

Variabilität des Niederschlagstrends

Abbildung 8: Mittlere gesamte JJAS Niederschlagsmenge von 1950 bis

2000 in mm/Tag für CRU (links) und UDel (rechts). Die schwarzen Punkte

entsprechen einem Signifikantsniveau größer als 95%.

Als Abb.8 gezeigt ist der gesamte JJAS Niederschlagsmenge in NCI ungefähr

zwischen 8 bis 10 mm/Tag. Westlich davon ist die gesamte Niederschlags-

menge für Westasien ziemlich klein zwischen 0 bis 2 mm/Tag. Das heißt, dass

nach den Beobachtungen die NCI-Region sich noch in der feuchten Zone

befindet, während die Simulationen dieses Modelle-Ensemble sehr

unterschiedlich sind. Für die gesamte Niederschlagsmenge zeigen die meisten


16

Modelle eine ost- oder südostwärts Erweiterung der trockenen Zone ins NCI.

Nur GFDL-CM3 und GFDL-ESM2M simulieren eine akzeptierbare gesamte

Niederschlagsmenge in der NCI-Region. Die anderen Modelle zählen NCI

ganz falsch zu dem trockenen Gebiet im West (Siehe Abb.9). Darauf weist

man hin, dass der gesamte Niederschlag die Stärke der Variabilität

beeinflussen kann. Um diesen Zusammenhang zu untersuchen, stellt man die

Gesamte JJAS Niederschlagsmenge und die Standardabweichung der

Niederschlagstrends zwischen den Realisationen jedes Modells (kann man

sich als interne Variabilität vorstellen) als XY-Punktdiagramm dar (Siehe

Abb.10). Nur die Modelle, die mehr als 3 Realisationen besitzt, werden

mitgerechnet.

Abbildung 9: Mittlerer gesamter JJAS Niederschlag von 1950 bis 2000

jedes Modells in mm/Tag (Jahr-1).


17

Abbildung10: Standardabweichung vs. Gesamter JJAS Niederschlag von

originalen Modellläufen (oben) und mit zusätzlich 4 Modellen (unten) für

NCI (links) und SSEA (rechts). Die schwarzen Linien entsprechen der

linearen Regression. Die orangen Sterne in der X-Achse repräsentieren

die Beobachtung von UDel und die blauen Sterne für CRU. 4 Modelle

werden zusätzlich verwendet um die Stichprobe zu vergrößern (Siehe

auch Tabelle 1).

Die Verteilung des gesamten Niederschlags in NCI ist sehr breit und auch der

Standardabweichung zwischen den Läufen ist sehr groß (Siehe Abb.10),

nämlich für gesamten Niederschlag von ungefähr 0.5 mm/Tag bis fast 12

mm/Tag und Variabilität von 0.2 bis 0.95 mm/Tag (50 Jahre-1). Auf der anderen

Seite liegen der gesamte Niederschlag von SSEA in einem engeren Intervall

von 6 bis 9.5 mm/Tag liegen. Also für die große SSEA-Region ist die

Simulation des gesamten Niederschlags relativ gut mit der Beobachtung

übereinstimmt.

Für das Ensemble ohne zusätzlich Modell zeigt der gesamte Niederschlag

eine klare lineare Korrelation mit der Standardabweichung in SSEA mit einem

Signifikantsniveau p=0.06 und in NCI nicht so gut mit p=0.23 (Abb.10 oben).

Da die Stichprobe relativ klein ist (12 Modelle), setze ich zusätzlich 4 Modelle

P=0.06 P=0.28

p=0.03

r=0.54 p=0.03

r=0.55


18

(Siehe Tabelle 1), um das Ergebnis überzeugender zu machen. Nach der

Einsetzung dieser 4 Modelle erhöht das Signifikantsniveau der lineare

Regression in SSEA sich von p=0.06 auf p=0.03 und in NCI von p=0.23 auf

p=0.03. Also Es ist damit deutlich, dass die Standardabweichung des

Niederschlagstrends der Läufe (Variabilität) mit der gesamten

Niederschlagsmenge zunehmen. Für NCI ist die lineare Regression

y=0.046x+0.183 und für SSEA y=0.055x-0.247, mit y die Variabilität und x die

gesamte Niederschlag in mm/Tag. Das Korrelations- koeffizient ist jeweilig für

NCI r=0.54 und für SSEA r=0.55. Statistisch kann man auch einfach verstehen,

dass die Abweichung natürlich durch die originalen Werte beschränkt ist.

Auffällig variiert der gesamte Niederschlag in SSEA um ca. 30% aber die

Standardabweichung von ungefähr 100%. D.h, dass die Variation des

gesamten Niederschlags nicht immer prozentual mit der Variation des

Niederschlagstrends übereinstimmt. Es hängt von dem Intervall des gesamten

Niederschlags ab. Zusammen mit der Beobachtung des gesamten

Niederschlags ist die Variabilität des Niederschlagstrends nach der

Regression ungefähr 0.5-0.6 mm/Tag für NCI und 0.15-0.2 mm/Tag für SSEA,

die fast halb Grüße als der Beobachtete Trend sind.

Da die meisten Modelle die gesamte Niederschlagsmenge in NCI nicht gut

reproduzieren können, nämlich zu wenig gesamter Niederschlag, wird die

Intensität der Niederschlagsvariabilität auch stark untergeschätzt. Zusammen-

gefasst kann man mindestens sagen, dass die Niederschlagssimulation in NCI

scheitert ist. Das Scheitern der Simulation vom JJAS Niederschlagstrend in

Indian von CMIP5 Modelle nach Anamitra Saha, 2014 kann auch teilweise

durch den falsch simulierten gesamten Niederschlag erklärt werden,

mindestens in der NCI-Region.

4.2 Temperatur und horizontale Wind

Für die Temperaturanalyse wird in den Karten die Bodennähe Temperatur von

2m für Landmasse und die Temperatur auf dem Meerspiegel für den Ozean

verwendet.

6 Modelle davon, nämlich bcc-csm1-1, CCSM4, CanESM2, CNRM-CM5,

NorESM1-M und IPSL-CM5A-LR zeigen fast über die ganzen ausgeschnitten

Region eine Temperaturzunahme (Siehe Abb.11 und 12), gleichzeitig weisen

die Beobachtungen die Temperaturabnahme auf Südchina, Tibet und Region

Nordpakistan. Auf der anderen Seite sind die Trends des divergierenden

Winds auf 850hPa von diesen 6 Modellen nicht gut mit der Temperatur

zusammenpassen. Die Verteilungen der Windtrends sind meistens sehr

kleinräumig, deshalb ist es sehr schwierig für man, um ein analoges Muster

zwischen dieser kleinräumigen Variabilität zu finden (Siehe Beispiel Abb.13).

Für die anderen individuellen Modellläufe, die eine relativ gute Temperatur-

abnahme in oben genannten Region und auch die starke Temperaturzunahme

in Westasien richtig simuliert haben, (außer MIROC-ESM-CHEM und GFDL-


19

ESM-2M und einige Läufe) zeigen ein klares Muster der Windtrends wie das

gezeigte Ensemblemittel von Salzmann et al., 2014. Durch den starken

Thermokontrast zwischen Ost/Südostasien und Westasien, nämlich

Temperaturabnahme in Ostasien und Temperaturzunahme in Westasien,

entstehende anomale Zirkulation (Luftaufstieg in Westasien und Absinken in

Osten) wird die originale Monsunzirkulation verhindert, damit die Kondensation

des Wasserdampfs langsamer wird und ein großräumig Trocken in Osten

verursacht.

Abbildung 11 : Mittlere bodennahe JJAS Temperaturtrend von 1950 bis 1999

jedes Modells in K (50 Jahre-1).


20

Abbildung 12：Der Trend von 2 m Temperatur von CRU (links) und UDel

(rechts). Die roten Schatten entsprechen Temperaturzunahme. Die kleine

schwatze Punkt bedeutet ein Signifikantsniveau größer als 95%.

Abbildung 13: Divergenzen in s-1 und divergierende Wind in m s-1 auf

850hPa von 15 Modellen. Rot bedeckt Divergenz und blau Konvergenz.


21

Wie Abb.14 dargestellt, zeigen CSIRO-MK3-6-0 und MIROC-ESM Modelle

insbesondere eine starke Temperaturvariabilität in NCI über 1K. Weiterhin

weisen 3 Modelle (IPSL-CM5A-LR, CCSM4, CanESM2), die fast die

Temperatur- abnahme nicht simuliert haben, aber sehr intensive Variation über

Westasien und teilweise auch Nordafrika auf. Und es ist wie erwartet zeigt,

dass das Land eine stäkere Temperaturvariabilität als das Meer besitzt.

Abbildung 14: Die Standardabweichung der Temperaurtrends zwischen

den Läufe von jedem Modell, die mehr als 1 Realisation besitzen, als

Landkarte in K (50 Jahre-1) gezeichnet.

4.3 SST auf IOD und IOD-Index

Wie in der Einleitung beschrieben, die Meeroberflächentemperatur von dem

indischen Ozean und Pazifik spielen eine wichtige Rolle in der JJAS

Niederschläge auf dem indischen Subkontinent. Nächst werde ich die

Beobachtete SST vom westlichen indischen Ozean (WIO, 50°-70°E,

10°S-10°N), östlichen indischen Ozean (EIO, 90°-110°E, 10°S-0°) mit jeder

Modellsimulation vergleichen, um möglichweise einen Zusammenhang zu

finden. Man kann auch gleichzeitig die Fähigkeit von Variabilität jedes Modells


22

in der SST-Simulation einschätzen. Man macht zunächst eine lineare

Regression für die SST-Daten. Die interne Variabilität der SST wird durch Torig

– Tre (Torig entsprechen die originalen SST-Daten und Tre entspricht die lineare

Regression) ausgerechnet, also De-trend. Schließlich wird die SST-Variation in

10 Jährigen Mittel dargestellt. Aber man muss hier bemerken, dass der

Detrend-SST hier in WIO nicht die interne Variabilität vorständig richtig

darstellt, da hier der Anthropogene Antrieb vielleicht nicht linear ist.

Die SST steigt wegen der globalen Erwärmung von 1900 bis 2000 fast stetig

auf. Nach der Beobachtung fällt die SST von ungefähr 1940 bis 1950 plötzlich

ab, und danach steigt die SST von 1950 bis 2000 schnell auf (Siehe Abb.15).

Auffällig zeigen die Modelle außer GFDL-ESM2M und MRI-CGCM3 eine

Verzögerung der Temperaturabnahme von 10 bis 15 Jahre. damit die meisten

Modelle die SST-Zunahme von 1950 bis 200 (nach Beobachtung) auch leicht

unterschätzt (Siehe Abb.15). Die Temperaturabnahme kann aus fast jedem

Modell und auch aus Beobachtung finden, deshalb muss sie anthropogen sein,

da für den Fall der internen Variabilität die Beobachtung und auch so viele

Modell sehr unwahrscheinlich eine solche identische Temperaturabnahme

aufweisen können. D. h, dass insgesamt durch die verspätende Einse- tzung

hat fast jedes Modell die Temperaturzunahme von 1950 bis 2000 für den WIO

untergeschätzt.

Gleichzeitig ist die simulierte Variation auf dem EIO relativ gut (Siehe Abb.16).

Aber NorESM1-M simuliert eine schwächere Intensität als die Beobachtung

und die Simulation von GFDL-ESM2M ist zu intensiv (Siehe Anhang A1).

Abb.17 zeigt den linearen Trend des IOD-Index. Der mittlere SST-Trend

beträgt 0.04±0.21 K, während die Beobachtung einen positiven SST-Trend mit

0.4 K besitzt, damit er größer als der mittlere Wert plus eine Standard-

abweichung aller Läufe ist. Weiter zeigen nur 3 Läufe von 68 Modellen einen

stärkeren Trend als die Beobachtung. Zusammengefasst sind für die meisten

Modelle den IOD-Index untergeschätzt, die zur einen Unterschätzung der

Nieder- schlagsmenge von 1950 bis 2000 auf dem indischer Subkontinent

führen kann. Obwohl ein positives IOD-Index zu einem starken ausgeprägten

Niederschlag in Indien führen kann, kann man nicht so einfach feststellen, ob

die Modelle die JJAS Niederschläge des indischen Subkontinents unter-

geschätzt oder nicht, da leider in dieser Arbeit die SST-Daten vom Pazifik nicht

analysiert werde. Und das ENSO zeigen in der meisten Zeit von 1958 bis 1997

eine stärkere Korrelation mit dem ISMR als IOD (Ashok et al, 2001), bedeutet,

dass der Pazifik einen stärkeren Einfluss auf dem ISMR als IOD hat. Eigentlich

wird ISMR durch die Zusammenarbeit von IOD und ENSO beeinflusst, weil ein

positive IOD Ereignis und ein El- Niño miteinander auslösen kann, deswegen

kann man nicht rein durch den IOD-Index eine Schlussfolgerung über ISMR

zusammenfassen. Aber mindestens kann man sagen, wenn ESON und IOD

nicht voneinander abhängig ist, ist die ISMR bezüglich der IOD bei diesem

Ensemble untergeschätzt, obwohl im Mittel ist der Trockentrend bei die

Modelle von CMIP5 schon untergeschätzt.


23

Abbildung 15: Der 10 jährig gemittelt SST-Verlauf minus den mittleren Wert

(T-Tavg) auf dem WIO von 1900 bis 2000 in K. Die roten Linien entsprechen die

mittle Variation der SST der Modelle und die grünen Linien entsprechen die

Beobachtung von HadiSST v1.1. Die grauen Linien zeigen das Anfang der

Temperaturabnahme.


24

Abbildung 16: Der 10 jährig gemittelt SST-Verlauf minus den mittleren Wert

(T-Tavg) auf dem EIO von 1900 bis 2000 in K. Die roten Linien entsprechen die

mittle Variation der SST der Modelle und die grünen Linien entsprechen die

Beobachtung von HadiSST v1.1..


25

Abbildung 17: Der lineare Trend des IOD-index JJAS von 1950 bis2000. Die

blauen Punkte entsprechen dem Trend des IOD-Index. Der grüne Stern zeigt

den mittleren Wert jedes Modells. Der orange Stern repräsentiert die

Beobachtungen mit 0.4 K (50 Jahre-1). Schwarzen Linien entsprechen die

mittleren Werte plus/minus eine Standardabweichung. Die Linie in leichtem

Blau repräsentiert den mittleren Wert aller Läufe


26

4.4 Verlagerungen der ITCZ

Vertikal gesehen sind die Trends der vertikalen Geschwindigkeit auf 500 hPa

(500 hPa Omega) von jedem Modell sehr gut mit der Niederschlagstrends

übereinstimmen. Wegen der Erwärmung durch die Treibhausgase verlagert

sich ITCZ ostwärts über Pazifik und auch von Indien bis zum Pazifik

(Salzmann et al., 2014). Da Indian gerade an der Westgrenze der ITCZ, kann

der Trockentrend in NCI vielleicht teilweise durch die Verlagerung der ITCZ

erklärt werden. Salzmann et al., (2015) zeigte in einigen Region einen

ausgeprägten Omega-Gradient auf 500hPa zwischen den aufsteigenden und

absinkenden Zone im Modellmittel, gleichzeitig zeigt auf der Westseite dieser

Region ein starkes Absteigen, das könnte als einen Beweis der Verlagerung

der ITCZ betrachten. Um die Verlagerung der ITCZ zu untersuchen definiere

ich hier zwei Regionen: Region A (20°-28°N, 53°-67°W) und Region B

(17°-25°N, 69°-81°W). Man rechnet die Differenz des vertikalen

Geschwindigkeitstrends der beiden Regionen auf 500hPa von 1950 bis 2000

(Siehe Abb.18), die durch die folgende Form ausgerechnet werden können:

ωdiff=ωA-ωB.

ωA,ωB die jeweilige vertikale Geschwindigkeit auf 500 hPa. Positive Werte

entsprechen dem Absinken der Luft.

Abbildung 18: Region A und Region B.

Theoretisch durch eine ostwärts Verlagerung der ITCZ soll ein negativer

Differenz der vertikalen Geschwindigkeit zwischen den nicht bewirkende Zone

A und Übergangszone, nämlich die Region B, gezeigt werden. Aber der

mittlere Wert ωdiff aller Läufe beträgt -0.00124±0,0042 Pa/s (Siehe Abb.19). 8

von 13 Modellen, die mehr als 1 Realisation besitzt, zeigen eine negative

mittlere Differenz zwischen -0.002 bis -0.003 Pa s-1. Da aber die mittlere

Differenz aller Läufe relativ klein und die Variabilität ziemlich groß ist, also das

Ergebnis kann nicht signifikant von 0 unterscheiden, damit man nicht zur einen

Schlussfolgerung kommen kann, ob es wirklich ein stärkerer Trend des

Absinkens (schwächerer Aufstieg) in Region B als in Region A gibt. Insgesamt

kann man statistisch nicht durch die Differenz der vertikalen Geschwindigkeit


27

auf 500hPa ein Ergebnis schließen, ob die Verlagerung der ITCZ wirklich die

Region A beeinflusst.

Ein möglicher Grund für das Scheitern dieser Untersuche liegt vielleicht daran,

dass die räumliche Verteilung und auch die Lage der ITCZ verschiedener

Modelle sich miteinander unterschieden (Siehe Beispiel Abb.20). Das heißt,

dass die gewählten Regionen sich nicht exakt auf dem Rand der ITCZ jedes

Modells befinden können, sodass für manche Modelle diese Omega-Differenz

die Verlagerung der ITCZ nicht beschreiben kann. Weitere könnte die

Monsunzirkulation durch viele verschiedene Antriebe, wie anthropogene

Aerosole, beeinflussen, sodass diese durch Verlagerung der ITCZ sorgte

Vertikale Änderung verbogen werden könnte.

Abbildung 19: Differenz des vertikalen Geschwindigkeitstrends zwischen

Region A (15°-28°N, 75°-90°W) und Region B (15°-28°N, 90°-105°W) auf


28

500hPa von 1950 bis 2000 in Pa/s (50 Jahre-1). Die roten Punkte

entsprechen den Omega-Differenzen. Der grüne Stern zeigt den mittleren

Wert jedes Modells. Schwarzen Linien entsprechen die mittleren Werte

plus/minus eine Standardabweichung. Die Linie in leichtem Blau

repräsentiert den mittleren Wert aller Läufe mit 0,00124 Pa/s.

Abbildung 20: Gefüllte Kontur: Die lineare Trends der JJAS vertikalen

Geschwindigkeit von 1950 bis 2000 auf 500hPa in Pa/s. Konturlinien: 50

jährige mittlere vertikale Geschwindigkeit auf 500hPa von -0.1 bis -0.02 (blau)

und von 0.02 bis 0.1 (orange) in Stufe von 0.02 Pas-1 und 0 (weiß). Ein

negative Wert entspricht ein Aufstieg.

3 Zusammenfassung und Diskussion

Die Ergebnisse von diesen CMIP5 Modelle zeigen einen viel leichteren

Trockentrend als die Beobachtungen in der Monsunregion, aber die Variation

der Niederschlagstrends sind sehr stark nicht nur zwischen den Modelle,

sondern auch die individuelle Läufe in demselben Modell. Für die kleinere

Regionen NCI und NWIC ist die Verbreitung der Niederschlagstrends aller

Läufe ziemlich weit mit einer Standardabweichung zwei- bis dreifach größer

als der mittlere Trend. Obwohl Saha, (2014) die Modelle in der Simulation von

ISMR von 1950 bis 2000 scheitert findet, denke ich hier, dass der beobachtete

Trend wie Salzmann et al., (2014) noch teilweise durch die interne Variabilität

erklärt werden kann, da einige Läufe noch intensiven Trockentrend zeigen.

Aber gleichzeitig finde ich eine positive lineare Korrelation zwischen den

gesamten Niederschlag und die Variabilität. Weil die meisten Modelle eine

Erstreckung der trockenen Zone ins NCI simuliert haben, sind für meisten

Modelle die simulierte gesamte Niederschlagsmenge ganz falsch, damit die

interne Variabilität des Niederschlagstrends auch stark untergeschätzt. Also

man soll merken, dass die Voraussetzung der Diskussion von

Niederschlagsvariabilität ist die richtige Simulation bei dem

Gesamtniederschlag. Für die Modelle, die zu wenig Niederschlag aufweisen,

können deren Variabilität nicht mehr die Realität repräsentieren.


29

Die anomale Zirkulation zwischen West- und Südostasien (Salzmann et al.,

2014) wird hier durch viele individuelle Läufe wiedergegeben. Die Modelle, die

keinen Temperaturgradient zwischen West- und Südostasien zeigen, nämlich

1/3 aller Modelle, weisen auch keine solche Zirkulation auf. Weitere zeigen

einige Modelle gar keine Temperaturabnahme wie die Beobachtung in

Südchina, Tibet und Region Nordpakistan, obwohl deren Gradienten richtig

dargestellt sind. Es weist man hin, dass diese identische Temperaturzunahme

durch die globale Erwärmung vielleicht die durch anthropogene Aerosole

verursachte Niederschlagsabnahme in Südchina verborgen. Die weitere

Variation von bodennaher Temperatur und horizontale Wind auf 850 und 300

hPa sind ziemlich kleinräumig, darauf kann man kaum analoges Schema

finden.

Im dieser Arbeit wird auch die SST von IOD analysiert. Daraus findet man,

dass durch die verspätende Einsetzung eines anthropogenen Antriebs die

SST-Abnahme in WIO von meisten Modelle um ungefähr 10 bis 15 Jahre im

Vergleichen zur Beobachtung verschiebt, damit der SST-Trend in WIO von

1950 bis 2000 stark untergeschätzt ist. Gleiches Spiel tritt nicht mehr in EIO

vor. Insgesamt ist der Trend des IOD Indexes auch untergeschätzt. Dann im

Bezug auf IOD-Index kann es zur Unterschätzung des ISMR-Trends führen,

Obwohl diese multidekadische Variabilität vielleicht nicht so stark mit ISMR

von 1950 bis 2000 korreliert (r=0.32) (Saji et al., 1999).

Die Verlagerung der ITCZ wird leider in dieser Arbeit nicht statistisch erfolglich

durch Omega auf 500 hPa Niveau beweist. Aber es bedeutet nicht, dass die

Verlagerung der ITCZ nicht existiert. Auf der anderen Seite könnte die oben

genannte Erstreckung der trockenen Zone als eine mögliche Unterstützung

sein. Die Verlagerung der ITCZ ist noch eine sehr wahrscheinlich Faktor im

Trockentrend in NCI.

Zusammengefasst zeigen diese CMIP5 Modelle noch einige Ungewissheit

über einige wichtige Elemente des Südostasiatischen Sommermonsuns.

Korrekte Darstellung der Elemente in Modellen der nächsten Generation kann

die Zuverlässigkeit der ISMR Projektionen zu verbessern. Man soll auch

bemerken, dass der Summermonsun immer durch viele Elemente gleichzeitig

beeinflusst wird, deswegen ist es immer schwierig durch einziges Element

einer Aussage über die gesamte Situation zu befassen


30

Literaturen

Arora, V. K., J. F. Scinocca, G. J. Boer, J. R. Christian, K. L. Denman, G. M.

Flato, V. V. Kharin, W. G. Lee, and W. J. Merryfield, Carboni emission limits

required to satisfy future representative concentration pathways of

greenhouse gases, Geophys. Res. Lett., 38, doi: 10.1029/2010GL046270.

2011

Ashok Karumuri, Zhaoyong Guan and Toshio Yamagata, Impact of

the Indian Ocean Dipole on the Relationship between the Indian Monsoon

Rainfall and ENSO, GEOPHYSICAL RESEARCH LETTERS, VOL.

28, NO. 23, PAGES 4499-4502, DECEMBER 1, 2001

Ashok K, Guan Z, Saji NH, Yamagata T. On the individual and combined

influences of the ENSO and the Indian Ocean dipole on the Indian summer

monsoon. Journal of Climate 17: 3141–3154. 2004.

Bollasina, M. A., Y. Ming, and V. Ramaswamy , Anthropogenic aerosols

and the weakening of the South Asian summer monsoon, Science, 334,

502–505,doi:472 10.1126/science.1204994, 2011.

Caroline C Ummenhofer, Alexander Sen Gupta, Yue Li, Andrea S

Taschetto and Matthew H England, Environ. Res. Lett. 6, 034006 (8pp),

doi:10.1088/1748-9326/6/3/034006, 2011

Chalmers, N., E. J. Highwood, E. Hawkins, R. Sutton, and L. J. Wilcox

(2013), Aerosol contribution to the rapid warming of near-term climate

under RCP 2.6, Geophys. Res. Lett., 39, doi:10.1029/2012GL052848.

Chung C. E., V. Ramanathan, J. Clim. 19, 2036, 2006.

Donner, L. J., B. L. Wyman, R. S. Hemler, L. W. Horowitz, Y. Ming, M. Zhao,

J.-C. Golaz, P. Ginoux, S.-J. Lin, D. M. Schwarzkopf, J. Austin, G. Alaka, W.

F. Cooke, T. L. Delworth, S. M. Freidenreich, C. T. Gordon, S. M. Griffies, I.

M. Held, W. J. Hurlin, S. A. Klein, T. R. Knutson, A. R. Langenhorst, H.-C.

Lee, Y. Lin, B. I. Magi, S. L. Malyshev, P. C. D. Milly, V. Naik, M. J. Nath, R.

Pincus, J. J. Ploshay, V. Ramaswamy, C. J. Seman, E. Shevliakova, J. J.

Sirutis, W. F. Stern, R. J. Stouffer, R. J. Wilson, M. Winton, A. T. Wittenberg,

and F. Zeng (2011), The Dynamical Core, Physical Parameterizations, and

Basic Simulation Characteristics of the Atmospheric Component AM3 of

the GFDL Global Coupled Model CM3, J. Climate, 24(13), 3484–3519, doi:

10.1175/2011JCLI3955.1.

Dufresne, J.-L., M.-A. Foujols, S. Denvil, A. Caubel, O. Marti, O. Aumont, Y.

Balkanski, S. Bekki, H. Bellenger, R. Benshila, S. Bony, L. Bopp, P.

Braconnot, P. Brockmann, P. Cadule, F. Cheruy, F. Codron, A. Cozic, D.

Cugnet, N. de Noblet, J. Duvel, C. Eth e, L. Fairhead, T. Fichefet, S.

Flavoni, P. Friedlingstein, J.-Y. Grandpeix, L. Guezi, E. Guilyardi, D.

Hauglustaine, F. Hourdin, A. Idelkadi, J. Ghattas, S. Joussaume, M.

Kageyama, G. Krinner, S. Labetoulle, A. Lahellec, M. Lefebvre, F. Lefevre,

C. Levy, Z. Li, J. Lloyd, F. Lott, G. Madec, M. Mancip, M. Marchand, S.

Masson, Y. Meurdesoif, J. Mignot, I. Musat, S. Parouty, J. Polcher, C. Rio,


31

M. Schulz, D. Swingedouw, S. Szopa, C. Talandier, P. Terray, and N. Viovy

(2013), Climate change projections using the IPSL-CM5 Earth System

Model: from CMIP3 to CMIP5, submitted to Clim. Dyn.

Dunne, J. P., J. G. John, A. J. Adcroft, S. M. Griffies, R. W. Hallberg, E.

Shevliakova, R. J. Stouffer, W. Cooke, K. A. Dunne, M. J. Harrison, J. P.

Krasting, S. L. Malyshev,. P. C. D. Milly, P. J. Phillipps, L. T. Sentman, B. L.

Samuels, M. J. Spelman, M. Winton, A. T. Wittenberg, and N. Zadeh

(2012), GFDL’si ESM2 global coupled climate-carbon Earth System

Models. Part I: Physical formulation and baseline simulation character-

istics, J. Climate, 25(19), 6646–6665, doi:10.1175/JCLI-D-11-00560.1.

Gadgil S, Vinayachandran PN, Francis PA. 2003. Droughts of the Indian

summer monsoon: role of clouds over the Indian Ocean. Current Science

85(12): 1713–1719.

Gent, P. R., G. Danabasoglu, L. J. Donner, M. M. Holland, E. C. Hunke, S.

R. Jayne, D. M. Lawrence, R. R. Neale, P. J. Rasch, M. Vertenstein, P. H.

Worley, Z.-L. Yang, and M. Zhang, The Community Climate System Model

Version 4, J. Climate, 24(19), 4973–4991, doi:10.1175/2011JCLI4083.1.

2011.

Giorgetta, M. A., J. Jungclaus, C. H. Reick, S. Legutke, J. Bader, M.

B ottinger, 444 V. Brovkin, T. Crueger, M. Esch, K. Fieg, K. Glushak, V.

Gayler, H. Haak, H.-D. 445 Hollweg, T. Ilyina, S. Kinne, L. Kornblueh, D.

Matei, T. Mauritsen, U. Mikolajew- 446 icz, W. Mueller, D. Notz, F. Pithan, T.

Raddatz, S. Rast, R. Redler, E. Roeckner, 447 H. Schmidt, R. Schnur, J.

Segschneider, K. D. Six, Stockhause, C. Timmreck, J. Weg- 448 ner, H.

Widmann, K.-H. Wieners, M. Claussen, J. Marotzke, and B. Stevens

(2013), 449 Climate and carbon cycle changes from 1850 to 2100 in

MPI-ESM simulations for the 450 Coupled Model Intercomparison Project

phase 5, J. Adv. Model. Earth Syst., 5 (3), 451, 572–597, doi:

10.1002/jame.20038.

Hoerlingi, G. Hegerl, D. Karoly, A. Kumar, and D. Rind, At tribution of the

causes of climate variations and trends over North America during the

modern reanalysis period. Re-analysis of Historical Climate Data for Key

Atmospheric Features: Implications for Attribution of Causes of Observed

Change, R. Dole, M. Hoerling, and S. Schubert, Eds, NOAA 47–92., 2007

IPCC, Fourth Assessment Report: Climate Change 2007: Working Group I:

The Physical Science Basis (Stand 22,02,2012) :

http://www.ipcc.ch/publications_and_data/ar4/wg1/en/ch9s9-1.html

Jiang, J. H., H. Su, C. Zhai, V. S. Perun, A. D. Genio, L. S. Nazarenko, L. J.

Donner, L. Horowitz, C. Seman, J. Cole, A. Gettelmani, M. A. Ringer, L.

Rotstayn, S. i, T. Wu, F. Brient, J. L. Dufresne, H. Kawai, T. Koshiro, M.

Watanabe, T. S. L` Ecuyer, E. M. Volodin, T. Iversen, H. Drange, M. D. S.

Mesquita, W. G. Read, J. W. Waters, B. Tian, J. Teixeira, and G. L.

Stephens, Evaluation of cloud and water vapor simulations in CMIP5

climate models using NASA “A-Train” satellite observations, J. Geophys.

http://www.ipcc.ch/publications_and_data/ar4/wg1/en/ch9s9-1.html


32

Res., 117, doi:10.1029/2011JD017237.2012.

Kirkevag, A., T. Iversen, Ø. Seland, C. Hoosei, J. E. i, H. Struthersi, A. M. L.

Ekman, S. Ghan, J. Griesfeller, E. D. Nilsson, and M. Schulz,

Aerosol-climate interactions in the Norwegian Earth System Model -

NORESM1-m, Geosci. Model Dev., 6(1), 207–244, doi:-

10.5194/gmd-6-207-2013. 2013

Lau William k. M., Kyu-Myong Kim, Fingerprinting the impacts of aerosols

on long-term trends of the Indian summer monsoon regional rainfall,

Geophysical Research Letters, 2010, DOI: 10.1029/2010GL043255.

Ramanathan V. et al., Proc. Natl. Acad. Sci. U.S.A. 102,5326 , 2005.

Rotstayn, L. D., S. J. Jeffrey, M. A. Collier, S. M. Dravitzki, A. C. Hirst, J. I.

Syktus, and K. K. Wong (2012), Aerosol- and greenhouse gas-induced

changes in summer rainfall and circulation in the Australasian region: a

study using single-forcing climate simulations, Atmos. Chem. Phys., 12(14),

6377–6404, doi:10.5194/acp-12-6377-2012.

Ruppert Thomas, Sommermonsun auf dem Rückzug, Deutscher

Wetterdienst, 2012

Saji, N.H., B. N. Goswami, P. N. Vinayachandran, and T. Yamagata:,1999:

A dipole mode in the tropical Indian Ocean, Nature, 401, 360-363.

Salzmann, M., H. Weser, and R. Cherian, Robust response of Asian

summer monsoon to anthropogenic aerosols in CMIP5 models, J.

Geophys. Res. Atmos., 119, doi: 10.1002/2014JD021783. 2014

Salzmann M., R. Cherian, On the enhancement of the Indian summer

monsoon drying by Pacific multidecadal variability during the latter half of

the 20th century, eingereicht, 2015

Saha Anamitra, Subimal Ghosh, A. S. Sahana and E. P. Rao, Failure of

CMIP5 climate models in simulating post-1950 decreasing trend of Indian

monsoon, Geophysical Research Letters, Volume 41, Issue 20, pages

7323–7330, 28 October 2014, doi: 10.1002/2014GL061573.

Schmidt, G. A., M. Kelley, L. Nazarenko, R. Ruedy, G. L. Russell, I. Aleinov,

M. Bauer, S. E. Bauer, M. K. Bhat, R. Bleck, V. Canuto, Y.-H. Chen, Y.

Cheng, T. L. Clune, A. D. Genio, R. de Fainchtein, G. Faluvegi, J. E.

Hansen, R. J. Healy, N. Y. Kiang, D. Koch, A. A. Lacis, A. N. LeGrande, J.

Lerner, K. K. Lo, E. E. Matthews, S. Menon, R. L. Miller, V. Oinas, A. O.

Oloso, J. P. Perlwitz, M. J. Puma, W. M. Putman, D. Rind, A. Romanou, M.

Sato, D. T. Shindell, S. Sun, R. A. Syed, N. Tausnev, K. Tsigaridis, N.

Unger, A. Voulgarakis, M.-S. Yao, , and J. Zhang (2014), Configuration and

assessment of the GISS ModelE2 contributions to the CMIP5 archive, J.

Adv. Model. Earth Syst., 6, 141–184, doi:10.1002/2013MS000265.

Taylor, K. E., R. J. Stouffer, and G. A. Meehl, An overview of CMIP5 and

theexperiment design, Bull. Amer. Meteorol. Soc., 93(4), 485–498,

doi:10.1175/BAMS-D-11-00094.1. 2012.

Voldoire, A., E. Sanchez-Gomez, D. Salas y M elia, B. Decharme, C.


33

Cassou, S. S en esi, S. Valcke, I. Beau, A. Alias, M. Chevallier, M. D equ e,

J. Deshayes, H. Douville, E. Fernandez, G. Madec, E. Maisonnave, M.-P.

Moine, S. Planton, D. Saint-Martin, S. Szopa, S. Tyteca, R. Alkama, S.

Belamari, A. Braun, L. Coquart, and F. Chauvin (2012), The CNRM-CM5.1

global climate model: description and basic evaluation, Clim. Dynam.,

doi:10.1007/s00382-011-1259-y.

Watanabe, S., T. Hajima, K. Sudo, T. Nagashima, T. Takemura, H. Okajima,

T. Nozawa, H. Kawase, M. Abe, T. Yokohata, T. Ise, H. Sato, E. Kato, K.

Takata, S. Emori, and M. Kawamiya (2011), MIROC-ESM 2010: model

description and basic results of CMIP5-20c3m experiments, Geosci. Model

Dev., 4(4), 845–872, doi:10.5194/gmd-4-845-2011.

Webster P. J., J. Geophys. Res. 103, 14451 , 1998.

Wikipedia: Indischer Monsun,

http://de.wikipedia.org/wiki/Indischer_Monsun (Stand: 08.04.2015)

Wu, T., R. Yu, F. Zhang, Z. Wang, M. Dong, L. Wang, X. Jin, D. Chen, and

L. Li, The Beijing Climate Center atmospheric general circulation model:

description and its performance for the present-day climate, Clim. Dynam.,

34(1), 123–147, doi: 10.1007/s00382-008-0487-2. 2010

Yukimoto, S., Y. Adachi, M. Hosaka, T. Sakami, H. Yoshimura, M. Hirabara,

T. Y. Tanaka, E. Shindo, H. Tsujino, M. Deushi, R. Mizuta, S. Yabu, A.

Obata, H. Nakano T. Koshiro, T. Ose, and A. Kitoh (2012), A new global

climate model of the Meteorological Research Institute: MRI-CGCM3 –

Model description and basic performance, J. Meteor. Soc. Japan, 90A, 23–

64, doi:10.2151/jmsj.2012-A02.

http://de.wikipedia.org/wiki/Indischer_Monsun


34

Abbildungsverzeichnis

Department of Geography, Hunter College of the city University of New

York, Asian Summer Monsoon:

http://www.geography.hunter.cuny.edu/tbw/wc.notes/7.circ.atm/monsoons

/asian_summer_monsoon.htm (Stand: 10.12.2004)

What is internal variability? (stand:11.03.2015) :

http://judithcurry.com/2013/08/29/what-is-internal-variability/

Abkürzungsverzeichnis

ITCZ: die innertropische Konvergenzzone

ISMR: Indian summer monsoon rainfall

ENSO: El-Nino-Southern Oszillation

IOD: Indische Ozean Dipol

SST: Meeresoberflächentemperatur

SSEA: südöstliche Asian-Region

NCI: zentrales Nordindien

NWIC: Nordwestindochina

EIO: Östlicher indischer Ozean

WIO: Westlicher indischer Ozean

http://www.geography.hunter.cuny.edu/tbw/wc.notes/7.circ.atm/monsoons/asian_summer_monsoon.htm

http://www.geography.hunter.cuny.edu/tbw/wc.notes/7.circ.atm/monsoons/asian_summer_monsoon.htm

http://judithcurry.com/2013/08/29/what-is-internal-variability/


35

Anhang

A1: 10 jährig gemittelte interne Variabilität (detrended) der SST auf dem

EIO von 1900 bis 2000 in K. Die roten Linien entsprechen die mittle

Variation der SST der Modelle und die grünen Linien entsprechen die

Beobachtung von HadiSST v1.1.


36

A2:10 jährig gemittelte interne Variabilität (detrended, aber mit

anthropogenem Einfluss) der SST auf WIO von 1900 bis 2000 in K. Die

roten Linien entsprechen die mittle Variation der SST der Modelle und die

grünen Linien entsprechen die Beobachtung von HadiSST v1.1.

Documents

Bachelorarbeit - Universität Leipzigresearch.uni-leipzig.de/climate/cheng_hanmi__bachelorarbeit__2015.pdf · Windgeschwindigkeit auf 500hPa zwischen Nord- und Nordostindien analysiert

Bachelorarbeit - Universität Leipzigresearch.uni-leipzig.de/climate/cheng_hanmibachelorarbeit2015.pdf · Windgeschwindigkeit auf 500hPa zwischen Nord- und Nordostindien analysiert