DIPLOMARBEIT

angefertigt am Max-Planck-Institut für Meteorologie, Hamburg

unter Betreuung von

Prof. Dr. Jörg Matschullat, Prof. Dr. Mojib Latif und Dr. Wolfgang Enke

„Regionale Klimamodellierung -

Wetterlagenklassifikation auf Basis des globalen

Atmosphärenmodells ECHAM“

vorgelegt der Fakultät 3 der TU Bergakademie Freiberg

von

Jana Sillmann

cand. Diplom-Geoökologin

November 2003

vi

ZITAT

„Der Ausdruck Klima bezeichnet in seinem allgemeinsten Sinne alle Veränderungen, in der

Atmosphäre, die unsere Organe merklich afficieren: die Temperatur, die Feuchtigkeit, die

Veränderungen des barometrischen Druckes, den ruhigen Luftzustand oder die Wirkungen

ungleichnamiger Winde, die Größe der elektrischen Spannung, die Reinheit der Atmosphäre

oder die Vermengung mit mehr oder minder schädlichen gasförmigen Exhalationen, endlich

den Grad habitueller Durchsichtigkeit und Heiterkeit des Himmels: welcher nicht bloß wichtig

ist für die vermehrte Wärmestrahlung des Bodens, die organische Entwicklung der

Gewächse und Reifung der Früchte, sondern auch für die Gefühle und ganze

Seelenstimmung des Menschen“

Alexander von Humboldt (1769-1859)

KOSMOS, 1. Band (1859)

vii

ABSTRACT

„Regional climate modelling - weather pattern classification on the basis of the AGCM ECHAM“

The weather pattern classification method (WPCM) developed at the Free University of Berlin is used to analyse daily global climate data from the Atmospheric General Circulation Model (AGCM) ECHAM of the Max Planck Institute for Meteorology in Hamburg. This scheme allows the assessment of the (coupled and un-coupled) ECHAM5 model in comparison to its previous version ECHAM4 in terms of the simulation of weather patterns. The described WPCM is a statistical-downscaling procedure for global climate simulations. The regionalisation concentrates on the mid-European area. Long time series of observed daily climate data and typical circulation patterns or at least 3-days stable weather patterns are required for this method. The output of the WPCM includes 10 and 8 weather classes in the temperature and precipitation regime, respectively, which represent defined circulation or pressure patterns over Europe. The four seasons are treated separately in the WPCM, because the characteristics (e.g. daily mean temperature) of each weather class differ between the seasons. The WPCM has been used in previous studies on the regionalisation of climate data from the CGCM ECHAM4/OPYC3 and is now applied to the new ECHAM-5-model output. Various analyses of the weather class distribution calculated by the WPCM with input data from the two ECHAM model versions were preformed to find differences or similarities between the models. The analyses include the comparison of the weather class distribution for AMIP experiments of the AGCMs ECHAM4 and ECHAM5 as well as for the control and scenario runs of the coupled models ECHAM4/OPYC3 and ECHAM5/MPI-OM1. Weather classes based on data of the NCEP/NCAR-Reanalyses were used as reference in these analyses. Furthermore, studies were done on the influence of the horizontal resolution (T42 and T106) of the global climate model on the output of the WPCM. Finally, it was investigated to which extent the typical weather class distribution obtained by the WPCM could be recognized in the original coupled ECHAM5 model data. The analyses reveal some important results: The WPCM is able to assess global climate model data. Systematic errors of the GCM are reflected in the weather class distribution obtained by the WPCM. There is no real improvement in the weather class distribution based on the new ECHAM5 model compared to ECHAM4. Both coupled ECHAM models yield similar changes in the weather class distribution for the scenario of doubled atmospheric CO2-concentration concerning a rise of the extreme warm and extreme dry weather classes. A higher horizontal resolution of the GCM causes changes in the WPCM output. Nevertheless, the scenario analyses with the ECHAM4 time slice experiments confirm the results of the scenario analyses with the coupled ECHAM models (T42). The distribution of the weather classes identified by the WPCM cannot be explicitly recovered in the original ECHAM5/MPI-OM1 model data.

viii

ZUSAMMENFASSUNG Gekoppelte Ozean-Atmosphärenzirkulationsmodelle (AOGCM) sind der aktuelle Stand der Wissenschaft zur Untersuchung klimatischer Zusammenhänge und zur Modellierung von Klimaszenarien. Ein großes Problem dieser globalen Klimamodelle ist u. a. ihre limitierte horizontale Auflösung. Für viele Fragestellungen besteht die Notwendigkeit die globalen Klimadaten zu regionalisieren. Eine Möglichkeit der Regionalisierung bietet das Wetterlagenklassifizierungsmodell (ENKE 2003). Dieses Modell berechnet anhand der globalen Klimadaten Wetterlagen für Mitteleuropa, welche charakterisiert werden durch die Größen Temperatur und Niederschlag. Als Eingangsdaten für das Modell wurden in dieser Diplomarbeit die Klimasimulationen der globalen Zirkulationsmodelle ECHAM4 und ECHAM5 sowie deren gekoppelten Versionen (ECHAM4/OPYC3 und ECHAM5/MPI-OM1) verwendet. Die vorliegende Arbeit hatte zur Aufgabe, das Wetterlagenklassifizierungsmodell auf verschiedene ECHAM-Modellsimulationen anzuwenden und die aktuellste Modellversion ECHAM5 zu validieren. Die Untersuchungen umfassen eine Betrachtung des Ausgabezeitpunkt der globalen Klimadaten und dessen Auswirkung auf die Wetterlagenverteilung, die Analyse der Modellvariabilität, den Vergleich von AMIP-, Kontroll- und 2xCO2-Szenarienläufen der beiden ECHAM-Modelle in unterschiedlichen horizontalen Auflösungen (T42 und T106) sowie einen Vergleich der ECHAM5/MPI-OM1-Rohdaten mit den wetterlagenspezifischen Verhältnissen. Die Analysen zeigen, dass das Wetterlagenklassifizierungsmodell systematische Fehler der ECHAM-Modelle offenbart. Es kann somit als ein effizientes Verfahren zum Modellvergleich herangezogen werden. Beide ECHAM-Modelle weisen systematische Fehler auf, die sich jedoch unterschiedlich auf die Häufigkeitsverteilungen der Wetterlagen auswirken. Der Modellvergleich der AMIP- und Kontrollläufe der ECHAM-Modellversionen hat verdeutlicht, dass die Wetterlagenverteilungen basierend auf ECHAM4 und ECHAM5 bzw. deren gekoppelten Versionen besonders im Temperaturregime gut mit den Wetterlagen der NCEP/NCAR-Reanalysen übereinstimmen. Im Niederschlagsregime sind dagegen meist nur mäßige Übereinstimmungen zu erkennen. Die Analyse der Szenarienläufe der gekoppelten ECHAM-Modelle ergab übereinstimmend, dass bei einer Verdopplung der CO2-Konzentration eine starke Zunahme der extrem warmen Wetterlagen und eine Abnahme der extrem kalten Wetterlagen zu erwarten ist. Im Niederschlagsregime simulieren beide gekoppelten ECHAM-Modelle im 2xCO2-Szenarium eine Zunahme der Wetterlage mit sehr starkem Niederschlag im Winter und in den anderen Jahreszeiten eine Zunahme der sehr trockenen Wetterlage. Die Auswertung der ECHAM4(T106)-Zeitscheibenexperimente bestätigt zumindest im Temperaturregime die Ergebnisse der Szenarienanalyse der gekoppelten ECHAM-Modelle (T42). Weiterhin zeigen die Wetterlagenhäufigkeitsverteilungen basierend auf den ECHAM4(T106)-Zeitscheiben-experimenten im Niederschlagsregime bessere Übereinstimmungen mit den Wetterlagen der NCEP/NCAR-Reanalysen als im Temperaturregime. Letztendlich konnten die mit dem Wetterlagenklassifizierungsmodell auf Basis des Modells ECHAM5/MPI-OM1 ermittelten Wetterklassen im Temperatur- und Niederschlagsregime in den Rohdaten des gekoppelten ECHAM5-Modells nur unzureichend reproduziert werden. Die Auswertung der globalen Klimadaten der beiden ECHAM-Modelle mit dem Wetterlagenklassifizierungsmodell hat gezeigt, dass das Modell ECHAM5, unter Berücksichtigung der systematischen Fehler beider ECHAM-Modelle, vergleichbare Ergebnisse wie sein Vorgängermodell ECHAM4 liefert. Das gekoppelte Modell ECHAM5/MPI-OM1 hat jedoch den Vorteil, dass es ohne Flusskorrektur stabile Klima-simulationen liefert.

INHALTSVERZEICHNIS Zitat ……………………………………………………………………………………….......... vi Abstract ……………………………………………………………………………………….. vii Zusammenfassung ………………………………………………………………………… viii 1 Einleitung …………………………………………………………………………………… 1 1.1 Ziel der Arbeit ………………………………………………………………………………. 2 2 Grundlagen ………………………………………………………………………………… 3 2.1 Das Klimasystem ………………………………………………………………………….. 3 2.2 Die globalen Zirkulationsmodelle ………………………………………………………… 4 2.3 Regionalisierungsmethoden ……………………………………………………………… 5 2.4 Die Problematik der Großwetterlagen …………………………………………………… 6 3 Modellbeschreibung ……………………………………………………………..... 7 3.1 Das globale Klimamodell …………………………………………………………............ 7 3.1.1 Allgemeine Beschreibung des Atmosphärenmodells ECHAM ………………… 7 3.1.2 Unterschiede zwischen den Modellversionen ECHAM4 und ECHAM5 ……….. 9 3.1.3 Beschreibung der gekoppelten Modellversionen von ECHAM ………………… 9 3.2 Das Wetterklassifizierungsmodell ……………………………………………………….. 11 3.2.1 Herleitung objektiver Wetterlagen ………………………………………………… 11 3.2.2 Normierung und Screening-Diskriminanzanalyse ………………………………. 14 3.2.3 Zuordnung der Einzeltage zu den Wetterklassen ………………………………. 15 3.2.4 Geltungsbereich und fortführende Verwendung des Wetterlagenklassifizierungsmodells ……………………………………………….

16

4 Daten und Analyseschwerpunkte …………………………………………………… 18 5 Methoden ……………………………………………………………………………………. 21 5.1 Allgemeine Methodik ……………………………………………………………………… 21 5.2 Rekonstruktion bestehender Ergebnisse ……………………………………………….. 21 5.3 UTC-Vergleich ……………………………………………………………………………… 22 5.4 Dekadenvergleich und Untersuchung der Modellvariabilität ………………………….. 22 5.5 Modellvergleich der AMIP- und Kontrollläufe …………………………………………… 23 5.6 Szenarienanalyse ………………………………………………………………………….. 24 5.7 Datenanalyse des ECHAM4-(T106)-Zeitscheibenexperiments ……………………… 24 5.8 Rohdatenanalyse ………………………………………………………………………….. 25 6 Ergebnisse ………………………………………………………………………………….. 26 6.1 UTC-Vergleich ……………………………………………………………………………… 26 6.2 Dekadenvergleich und Analyse der Modellvariabilität …………………………………. 28 6.2.1 Temperaturregime ………………………………………………………………….. 28 6.2.2 Niederschlagsregime ……………………………………………………………….. 31 6.3 Modellvergleich der AMIP- und Kontrollläufe ……………………………………………. 33 6.3.1 Temperaturregime ………………………………………………………………….. 33 6.3.2 Niederschlagsregime ……………………………………………………………….. 38 6.4 Szenarienvergleich ………………………………………………………………………… 43 6.4.1 Temperaturregime ………………………………………………………………….. 43 6.4.2 Niederschlagsregime ……………………………………………………………….. 46

6.5 Datenanalyse des ECHAM4 (T106)-Zeitscheibenexperiments ………………………. 49 6.5.1 Vergleich von ECHAM4-AMIP-Läufen mit unterschiedlicher horizontaler Auflösung ……………………………………………………………………………..

49

6.5.2 Ensembleanalyse des ECHAM4 (T106)-Zeitscheibenexperiments …………… 52 6.6 ECHAM5/MPI-OM1 Rohdatenanalyse 56 6.6.1 Temperaturregime ………………………………………………………………….. 56 6.6.2 Niederschlagsregime ……………………………………………………………….. 57 7 Interpretation der Ergebnisse ………………………………………………………… 60 7.1 UTC-Vergleich ……………………………………………………………………………… 60 7.2 Dekadenvergleich und Analyse der Modellvariabilität …………………………………. 60 7.3 Modellvergleich der AMIP- und Kontrollläufe …………………………………………… 61 7.4 Szenarienvergleich ………………………………………………………………………… 63 7.5 Zeitscheibenexperimente mit ECHAM4 (T106) ………………………………………… 65 7.6 Rohdatenanalyse ………………………………………………………………………….. 66 8 Schlussfolgerungen und Ausblick ………………………………………………….. 68 9 Literaturverzeichnis ……………………………………………………………………... 70 Abkürzungsverzeichnis ………………………………………………………………………... 74 Abbildungsverzeichnis ………………………………………………………………………… 76 Tabellenverzeichnis ……………………………………………………………………………. 78 ANHANG A ANHANG B

Einleitung

___________________________________________

1 Der Modellname ECHAM setzt sich aus der Abkürzung des Wettervorhersagemodells des europäischen Zentrums für mittelfristige Wetterprognosen ECMWF, auf Grundlage dessen ECHAM entwickelt wurde, und seinem Entstehungsort Hamburg zusammen.

1

1 EINLEITUNG Der über einen längeren Zeitraum gemittelte Zustand der Atmosphäre an einem bestimmten Ort wird als Klima bezeichnet. Maßgeblich wird das Klima durch seine Elemente (z.B. Temperatur, Niederschlag, Luftfeuchte und -druck) sowie Systemkomponenten (Pedosphäre, Hydrosphäre, Atmosphäre, Biosphäre und Kryosphäre) charakterisiert und bestimmt. Aufgrund der multiplen Interaktionen seiner Elemente und Komponenten ist das Klima durch einen hohen Grad an Komplexität gekennzeichnet, der dazu führt, dass das Klimasystem und seine Rückkopplungsprozesse bisher noch nicht vollständig verstanden sind. Erschwerend kommt hinzu, dass eine enge Verknüpfung zwischen den Klimaprozessen und den Aktivitäten des Menschen besteht. Seit dem letzten Jahrhundert greift der Mensch in einem erheblichen Ausmaß in die natürlichen Steuerprozesse des Klimasystems ein (z.B. durch Emission von Treibhausgasen) und verändert es somit nachhaltig (HOUGHTON et al. 2001). Um den Einfluss des menschlichen Handelns auf das natürliche Klima objektiv einschätzen zu können, benötigt man als Grundlage ein umfangreiches Wissen über das Klimasystem. Deshalb versuchen Wissenschaftler weltweit das vergangene und heutige Klima mit verschiedenen Methoden zu erforschen (z.B. Analyse von Beobachtungs- und Proxydaten, Trendanalysen) und das Klimasystem mit Modellen realitätsnah zu simulieren (Lozán et al. 2001). Neben der realistischen Simulation des Gegenwartsklimas ist es zudem unabdingbar, Prognosen über zukünftige Klimaveränderungen zu erstellen, um die Konsequenzen unseres Handels besser einschätzen und effektive Frühwarnsysteme entwickeln zu können. Die Notwenigkeit von belastbaren Klimaszenarien wird den Menschen immer wieder bei so genannten Klimakatastrophen (z.B. Sturmfluten, Dürren, Überschwemmungen) bewusst, welche die Existenzen von vielen Menschen bedrohen oder vernichten. Ob sich solche Ereignisse in Zukunft häufen oder welche Gebiete davon betroffen sein werden, sind brennende Fragen in der Klimaforschung. Die Entwicklung von Klimaszenarien kann jedoch nur durch (über Beobachtungen hinausreichende) Untersuchungen mit aufwendigen numerischen Modellrechnungen erfolgen (DKRZ 1994). Diese Modellsimulationen müssen in der Lage sein, die natürliche Klimavariabilität wiederzugeben und anthropogene Einflussfaktoren einzubeziehen. Viele renommierte Forschungsinstitute beschäftigen sich aus diesem Grund mit der Entwicklung von möglichst realitätsnahen Klimamodellen. Am Max-Planck-Institut (MPI) für Meteorologie in Hamburg wird zum Beispiel intensiv an der Entwicklung von hochleistungsfähigen globalen Zirkulationsmodellen, wie dem globalen Atmosphärenmodell ECHAM1, gearbeitet. Die 5. Generation des ECHAM-Modells befindet sich mittlerweile in der Validierungsphase. Die globalen Klimamodelle sind wichtige Werkzeuge für die Klimaforschung, jedoch sind ihnen, wie allen Modellen, Grenzen gesetzt. Ein großes Problem der globalen Klimamodelle ist z.B. ihre eingeschränkte räumliche Auflösung, die in der Regel nur einen Gitterpunktsabstand von 300 km bis max. 125 km umfasst. Da sich die globale Klimaveränderung jedoch regional sehr unterschiedlich auswirkt, sind für viele Belange (z.B. in der Klima-Folgenforschung) kleinere Skalen (Auflösung zwischen 50 - 100 km) von großem Interesse. Aus diesem Grund wurden in der regionalen Klimaforschung verschiedene Methoden entwickelt, globale Klimamodelldaten zu „regionalisieren“.

Einleitung

2

Ein Beispiel für solch eine Regionalisierungsmethode bildet das in dieser Diplomarbeit verwendete Wetterlagenklassifizierungsverfahren (ENKE et al. 2003). Dieses Verfahren klassifiziert auf Basis von Beobachtungsdaten und Daten aus einem globalen Klimamodell (z.B. ECHAM) bestimmte Wetterlagen für Teilbereiche Mitteleuropas. Die mit dem Wetterlagenklassifizierungsmodell ermittelten Wetterlagen sind eng korreliert mit den Klimaelementen Temperatur und Niederschlag. Durch die Betrachtung der Häufigkeitsverteilungen dieser Wetterlagen für einzelne Regionen im mitteleuropäischen Raum können Analysen hinsichtlich des regionalen Klimas und dessen zukünftigen Veränderungen durchgeführt werden. Dies ist u. a. sehr nützlich, um die Häufigkeitswahrscheinlichkeit von Wetterlagen, die z.B. Extremereignisse mit sich bringen, abschätzen und entsprechende Vorkehrungsmaßnahmen (z.B. in Regional- und Landschaftsplanung oder im Hochwassermanagement) treffen zu können. 1.1 Ziel der Arbeit Mit dem zentralen Hintergrund einer Verbesserung der regionalen Klimamodellierung sollen die Ergebnisse dieser Diplomarbeit die Validierung des neuen ECHAM5-Modells unterstützen und die Anwendungsmöglichkeiten des Wetterlagenklassifizierungsmodells unter verschiedenen Gesichtspunkten aufzeigen. Dazu ist in der vorliegenden Diplomarbeit das o. g. Wetterlagenklassifizierungsmodell mit Daten aus verschiedenen Versionen des globalen Atmosphärenmodells ECHAM5 und seinem Vorgänger ECHAM4 angewendet worden. Dabei sollten mögliche Unterschiede sowie gegebenenfalls Veränderungen in der Ausprägung und Häufigkeit von objektiv hergeleiteten Wetterlagen durch Vergleich verschiedener ECHAM-Modellversionen herausgearbeitet und interpretiert werden. Zur Untersuchung standen verschiedene Fragestellungen, welche die Modellsensitivität und -variabilität, die Wetterlagenverteilungen in Kontroll- und Szenarienläufen sowie die Auswirkung verschiedener Modellauflösungen umfassen. Mit statistischen Methoden sollten mögliche Unterschiede in den Modellversionen auf ihre Signifikanz geprüft werden.

Grundlagen

3

2 GRUNDLAGEN 2.1 Das Klimasystem Das Klimasystem stellt ein äußerst komplexes System dar, welches aus verschiedenen interagierenden Klimasystemkomponenten (z.B. Atmosphäre, Hydrosphäre, Kryosphäre, Pedosphäre, Biosphäre, etc.) besteht. Die Abbildung 1 veranschaulicht überblicksweise das Zusammenspiel von Klimaelementen (z.B. Temperatur, Niederschlag, Wind, usw.) und den Klimasystemkomponenten.

Pedosphäre Biosphäre Hydrosphäre

Atmosphäre

Wolken

Aerosole/Treibhausgase

Temperatur

WindNiederschlag

Luftfeuchte

Luftdruck

Wärme- und Energieaustausch

Kryosphäre

Abbildung 1: Schematische Darstellung der Elemente (orange) und Komponenten des Klimasystems Eine maßgebliche Eigenschaft des Klimas ist seine natürliche Variabilität. Die Ursachen für Klimaschwankungen sind einerseits intern, in den Klimasystemkomponenten selbst, oder extern zu suchen. Zu den externen Faktoren zählen z.B. atmosphärische Aerosole, Vulkanausbrüche und Veränderungen in der Sonneneinstrahlung. Die Klimaschwankungen äußern sich auf unterschiedlichen Zeitskalen, wie u. a. in den Tages- und Jahresgängen der Temperatur, den interannualen Schwankungen (z.B. Nordatlantische Oszillation, ENSO-Phänomen) oder den Schwankungen über Jahrhunderte bzw. Jahrtausende (verursacht z.B. durch die Milankovic-Zyklen). Zusätzlich zu den natürlichen Klimafaktoren müssen die anthropogenen Einflüsse auf das Klima in Betracht gezogen werden, da der Mensch seit Beginn der Industrialisierung im 19. Jahrhundert einen entscheidenden Einfluss auf das Klimasystem nimmt (HOUGHTON et al. 2001). Klimaforscher haben diverse Modelle entwickelt, um das Klima und seine Komponenten einerseits zu verstehen bzw. nachzubilden sowie andererseits die anthropogenen Interaktionen zu qualifizieren und quantifizieren. Einfache Modelle, deskriptive oder konzeptionelle, vermögen jedoch die Komplexität des Klimasystems nicht zu erfassen. Aus diesem Grund sind, parallel zu den Fortschritten in der Computer- und Großrechnertechnik, aufwendige numerische Modelle entstanden, die in der Lage sind, die Dynamik des Klimasystems wiederzugeben. Diese Klimamodelle unterscheiden sich hauptsächlich in ihrer räumlichen und zeitlichen Auflösung sowie in ihrer Komplexität. Einerseits wurden räumlich hoch auflösende Modelle zur Vorhersage des Wettergeschehens (Wettervorhersagemodelle) für wenige Tage konzipiert. Anderseits existiert eine Vielzahl von globalen Zirkulationsmodellen (GCM), die die Dynamik des Klimasystems auf der Erde in großen Skalen simulieren. In diesen GCMs können entweder einzelne Klimakomponenten repräsentiert sein, wie z.B. in Atmosphärenmodellen oder Ozeanmodellen, oder verschiedene Klimakomponenten miteinander gekoppelt sein. Letztere zählen zu den hochkomplexen Erdsystemmodellen. Fortführende Informationen zum Klimasystem und seiner Modellierung können in TRENBERTH (1992) oder VON STORCH et al. (1999) nachgelesen werden.

Grundlagen

4

2.2 Die globalen Zirkulationsmodelle (GCM) Die globalen Zirkulationsmodelle (GCM) gehören zu den dreidimensionalen, realitätsnahen Modellen des Klimasystems. Sie beruhen auf physikalischen Grundgesetzen, wie dem Impuls- oder Massenerhaltungssatz. Da sie eine Vielzahl von Annahmen (Annäherungen an Gesetzmäßigkeiten und physikalische Parametrisierungen) beinhalten, ist die Realitätsnähe der Simulationsergebnisse in gewissem Maße begrenzt (VON STORCH et al. 1999). Atmosphärenzirkulationsmodelle (AGCM) waren die ersten dreidimensionalen Modelle, die großräumig die allgemeine Dynamik der Atmosphäre und damit das Klima auf der Erde simulierten. Die Randbedingungen der Atmosphäre (z.B. Meeresoberflächentemperatur, Meereisbedeckung und Sonneneinstrahlung) müssen dem AGCM anhand von Beobachtungsdaten vorgeschrieben werden. Innerhalb des internationalen Vergleichsprojektes für Atmosphärenmodelle „Atmospheric Model Intercomparison Project (AMIP)“ unter Federführung des Weltklimaforschungsprogramms (WCRP) wurden die Ergebnisse von Atmosphärenmodellen weltweit systematisch analysiert und verglichen (http://www-pcmdi.llnl.gov/amip). Zur Berechung von Klimaszenarien ist es nicht möglich die Randbedingungen aus Beobachtungsdaten vorzugeben. Diese müssen durch andere Modelle (z.B. Ozeanmodelle, Meereismodelle, Vegetationsmodelle) simuliert und an das AGCM durch eine Modellkopplung weitergegeben werden. In Abbildung 2 wird der Kopplungsprozess von einem Atmosphären- mit einem Ozeanmodell veranschaulicht. Dieser Kopplungsprozess verursacht jedoch Fehler in den Wärme-, Wasser- und Impulsflüssen, die dazu führen, dass das Modellklima deutlich vom beobachteten Klima abweicht. Dieses Problem wird als so genannte „Klimadrift“ bezeichnet (VON STORCH et al 1999). Ein Ansatz, mit dem die Klimadrift in GCMs umgangen werden soll, ist die Flusskorrektur. Sie hält das Modell-Klimasystem durch nicht-physikalische Anpassungen stabil, verschleiert dadurch aber systematische Fehler des Modells. Systematische Fehler im Modell sind unabhängig von einem bestimmten Modell-Zeitausschnitt und haben ein statistisch signifikantes Ausmaß.

Abbildung 2: Schematische Darstellung der Kopplung von einem Atmosphären- und Ozean Zirkulationsmodell (Quelle: www.hamburger-Bildungsserver.de) Die Fähigkeit von GCMs statistische Eigenschaften des derzeitigen Klimas realitätsnah wiederzugeben, wird in so genannten Kontrollläufen getestet und beurteilt. Das GCM rechnet im Kontrolllauf mit den gegebenen Anfangs- und Randbedingungen den zeitlich mittleren Zustand des Klimas und erzeugt eine bestimmte (Modell-)Klimavariabilität. Somit wird das gegenwärtige Klima als dynamisches Gleichgewicht im GCM simuliert. Die natürliche Klimavariabilität wird jedoch meist von den GCMs unterschätzt, da die GCMs nicht alle

Grundlagen

5

Prozesse und Rückkopplungsmechanismen im Klimasystem vollständig berücksichtigen können (VON STORCH et al. 1999). Die Kontrollläufe, welche meist mehrere hundert Jahre umfassen, dienen bei Szenarienrechnungen als Referenz zur Beschreibung der Klimaänderungen im Modell. Klimaänderungsszenarien beinhalten Annahmen über die globale Emission von Treibhausgasen und den sozio-ökonomischen Entwicklungen in der Zukunft. In den Szenarienläufen gekoppelter GCMs (CGCM) werden die Konzentrationen bestimmter atmosphärischer Treibhausgase und teilweise auch von Aerosolen in vorgeschriebener Weise verändert. Findet diese Veränderung kontinuierlich über mehrere Modelljahre statt, so spricht man von transienten Szenarienläufen (z.B. Steigerung der CO2-Konzentration um 1% pro Jahr). Das Intergovernmental Panel on Climate Change (IPCC) hat sich zur Aufgabe gemacht, die Ergebnisse von Szenarienrechungen aus verschiedenen GCMs, die mit denselben Annahmen durchgeführt wurden, zusammenzustellen und auszuwerten (HOUGHTON et al. 2001). Weiterhin wurden in einem weltweiten Vergleich gekoppelter Modelle (CMIP -„Coupled Model Intercomperison Project “) innerhalb des WCRPs eine Vielzahl von AOGCMs auf ihre Sensitivität gegenüber Änderungen hinsichtlich der CO2-Konzentration in der Atmosphäre getestet (http://www-pcmdi.llnl.gov/cmip). Diese Sensitivitätsstudien stellen gegenüber den IPCC-Szenarien keine realitätsnahen Szenarienläufe dar, da sie andere Treibhausgase und Aerosole außer Acht lassen. Ein großes Problem der komplexen GCMs ist ihre limitierte räumliche Auflösung. Es existiert zurzeit kein Computer, der schnell genug ist alle Klimavariablen an jedem Punkt der Erde in einem akzeptablen Zeitrahmen zu berechnen. Deshalb werden die Berechnungen an gleichmäßig über die Erdoberfläche verteilten Gitterpunkten ausgeführt. Die zum heutigen Zeitpunkt meist verwendete Auflösung in den GCMs ist 2,8° x 2,8° (T42). Dies bedeutet einen Gitterpunktsabstand von ca. 300 km. Höhere Auflösungen, wie z.B. ein Gitterpunktsabstand von ca. 125 km (T106), können in GCMs nur mit einem ernormen Rechenaufwand realisiert werden. Deshalb werden Rechnungen in dieser Auflösung momentan in so genannten Zeitscheibenexperimenten für einen relativ kurzen Zeitabschnitt (ca. 10 Jahre) durchgeführt (TRENBERTH 1992). 2.3 Regionalisierungsmethoden Aufgrund des hohen Rechenaufwandes und der limitierten räumlichen Auflösung der GCMs, sind diese für die meisten regionalen Anwendungen, wie u. a. die Simulation des Wasserhaushaltes eines Flusseinzugsgebiets, Auswirkungen von Landnutzungsänderungen auf das Regionalklima oder Luv- und Leewirkungen von Gebirgen (z.B. Alpen), nicht ausreichend. In der regionalen Klimaforschung wurden deshalb verschiedene Ansätze zur Regionalisierung von globalen Klimamodelldaten entwickelt. Ein Ansatz sind die regionalen Klimamodelle (RCM), welche von einem GCM angetrieben werden, d.h. die Randbedingungen des RCM werden von globalen Klimamodelldaten vorgegeben (GIORGI 1990). Dieser Regionalisierungsansatz wird auch als Nesten bezeichnet. Das bedeutet aber, dass die Probleme der GCM (systematische Fehler) teilweise auf das RCM übertragen werden. Beispiele für solche regionalen Atmosphärenmodelle sind in HAGEMANN et al. (2002) verglichen. Einen anderen Ansatz liefern die empirischen Regionalisierungsverfahren, welche auf statistischen Methoden beruhen, und unter dem Begriff Downscaling zusammengefasst sind. Das Downscaling-Verfahren basiert auf Datensätzen, die einerseits aus regionalen Klimabeobachtungen und andererseits aus globalen Klimamodelldaten bestehen, und untersucht deren statistische Zusammenhänge. Werden mehrere unabhängige Variablen auf

Grundlagen

6

lokaler und globaler Ebene gleichzeitig auf ihre Zusammenhänge untersucht, spricht man von multipler Regression bzw. kanonischer Korrelation. Einen Überblick über die Regressionsmethode und andere empirische Regionalisierungsverfahren (Klassifizierung, neuronale Netzte, Empirische Orthogonalfunktionen (EOFs), etc.) liefern WILBY & WIGLEY (1997) und ZORITA & VON STORCH (1999). Als Grundlage für die Downscaling-Verfahren dienen u. a. die großskaligen Zirkulations-muster der Atmosphäre, welche durch GCMs relativ gut wiedergegeben werden. Diese Muster können mit dem regionalen Klima- bzw. Wettergeschehen durch synoptische Klassifikation mit verschiedenen statistischen Verfahren (Korrelation, Clustering, Classifiction and Regression Trees (CART)) in Verbindung gebracht werden (z.B. FUENTES & HEIMANN 1996; ZORITA et al. 1995; FREY-BUNESS 1993). Die synoptische Klassifikation beinhaltet insbesondere die Betrachtung von Großwetterlagen. 2.4 Die Problematik der Großwetterlagen Die Dynamik der zyklonalen Westwindzirkulation der höheren mittleren Breiten führt u. a. dazu, dass sich dynamische Hoch- bzw. Tiefdruckgebiete bilden. Diese Druckgebilde führen in Mitteleuropa zu den charakteristischen Witterungsverläufen, die man in verschiedene Großwetterlagen und -typen klassifizieren kann (WEISCHET & ENDLICHER 2000). Großwetterlagen sind nach BAUR (1948) definiert als die mittlere Luftdruckverteilung eines Großraums (z.B. Europa) über einen mehrtägigen Zeitraum, d.h. mindestens 3 Tage. Als Merkmale bestimmter Großwetterlagen wurden die geographische Lage der Steuerungszentren sowie die Lage der Erstreckung von Frontalzonen ausgewählt. Zudem sind Großwetterlagen nach ihrem zyklonalen bzw. antizyklonalen Charakter eingeteilt. Hochdrucklagen über Mitteleuropa haben in der Regel einen antizyklonalen Charakter, wobei Tiefdrucklagen durch ihren zyklonalen Charakter bestimmt sind. HESS & BRESOWSKY haben 1957 einen „Katalog der Großwetterlagen Europas“ veröffentlicht, in dem 29 Großwetterlagen in Europa definiert werden. Mehrere verwandte Großwetterlagen können zu einem Großwettertyp zusammengefasst werden, bei dem hauptsächlich die Zirkulationsform (zonal, meridional oder zonal-meridional) und die Hauptströmungsrichtung der Luftmassen berücksichtigt werden. GERSTENGARBE et al. (1999) geben eine genaue Beschreibung dieser Großwetterlagen und -typen. Der Deutsche Wetterdienst (DWD) nutzt diese Klassifikation, um mit subjektiven Methoden das Witterungsgeschehen in Mitteleuropa zu dokumentieren. Durch diese Untersuchungen stellten sich z.B. die Westwetterlagen (zonal) als häufigster Großwetterlagentyp in Mitteleuropa heraus (DWD 2001). Einen objektiveren Ansatz der Klassifikation und Analyse von Großwetterlagen liefern die statistischen Downscaling-Verfahren (z.B. ZORITA et al. 1995; DWD 2001; ENKE 2003). In diesen wird der Zusammenhang zwischen der Häufigkeit von Großwetterlagen und z.B. den mittleren Lufttemperaturen bzw. des mittleren Tagesniederschlages genutzt, um für bestimmte Regionen das vorherrschende Klima bzw. Wettergeschehen zu simulieren und Zukunftsszenarien zu modellieren. Die Veränderungen der Häufigkeitsverteilungen von Großwetterlagen, verursacht durch die anthropogene Klimaänderung, können in Europa regional große Auswirkungen haben. Sei es durch eine erhöhte Wahrscheinlichkeit von Starkniederschlagsereignissen (z.B. Elbehochwasser 2002) oder von lang anhaltenden Hochdrucklagen, die vor allem im Sommer zu Trocken- und Hitzeperioden (z.B. Hitzeperiode 2003 in Europa) führen können. Aus diesem Grund ist die Betrachtung von Großwetterlagen ein wichtiger Bestandteil der regionalen Klimamodellierung geworden.

Modellbeschreibung

7

3 MODELLBESCHREIBUNG 3.1 Das globale Klimamodell 3.1.1 Allgemeine Beschreibung des Atmosphärenmodells ECHAM Das globale Atmosphären-Zirkulationsmodell ECHAM wurde Anfang der 90er Jahre am Max-Planck-Institut (MPI) für Meteorologie in Hamburg entwickelt. Das Wettervorhersagemodell des europäischen Zentrums für mittelfristige Wetterprognosen (ECMWF, Simmons et al., 1989) diente dabei als Grundlage und wurde an die speziellen Anforderungen der Klimamodellierung und -vorhersage angepasst. Das numerische ECHAM-Modell befindet sich mittlerweile in der 5. Generation. Eine ausführliche Beschreibung der dem Modell zugrunde liegenden Dynamik und Numerik findet man in ROECKNER et al. (1992) und DKRZ (1992). Zusätzliche Informationen zur Version ECHAM4 bietet ROECKNER et al. (1996). Die Entwicklung der aktuellsten Version ECHAM5 ist abgeschlossen. Die Dokumentation und Modellvalidierung dieser Version sind zurzeit noch in Arbeit (ROECKNER et al. 2003b). Die prognostischen Variablen des ECHAM-Modells umfassen die Vorticity (Vertikalkomponente der Wirbelstärke), die Divergenz, die Temperatur, den Logarithmus des Bodenluftdrucks, die spezifische Feuchtigkeit und die Massenmischungsverhältnisse von Wasserdampf und Wolkenwasser. Die Berechnung der Dynamik, welche sich aus den Variablen Vorticity, Divergenz, Temperatur und Bodendruck ergibt, erfolgt spektral mittels einer Reihenentwicklung von Kugelflächenfunktionen. Die prognostischen Gleichungen für die spezifische Feuchte und die Wolkenkomponenten werden im Gitterpunktraum mittels der Windfelder berechnet, die sich aus der Vorticity und der Divergenz ableiten. Die horizontale Auflösung des Modells wird durch Dreiecksabschneidung (triangular truncation) bestimmt. Das bedeutet, dass die Wellenzahl im Spektralraum auf eine bestimmte Zahl (42 bzw. 106) limitiert wird. In dieser Arbeit werden zwei Modellauflösungen betrachtet (siehe Abbildung 3). Zum einen wird die für ein globales Atmosphärenmodell typische horizontale Auflösung T42 (2,8° Länge x 2,8° Breite) verwendet. Zum anderen dient die hochaufgelöste Variante T106 (1,1° x 1,1°) des ECHAM-Modells als Vergleich. Die T42- Auflösung entspricht am Äquator einem Gitterpunktsabstand von ca. 300 km. Die Gitterpunktsweite verringert sich auf ca. 125 km bei der T106-Auflösung.

Abbildung 3: Horizontale Modellauflösung T42 und T106 mit orographischen Gegebenheiten von ECHAM ( aus MERKEL 2003)

Modellbeschreibung

_________________________________________________

1 Ein σ-p-Koordinatensystem wird beschrieben durch die Gleichung pk=Ak+Bk*ps, wobei pk [Pa] der Druck in einer bestimmten Schicht (k=0, 1, …, n) und ps [Pa] der Bodendruck ist. A und B sind Konstanten. Im Grenzfall A=0 liegen reine Sigmakoordinaten und im Grenzfall B=0 reine Druckkoordinaten vor.

8

Prozesse, die kleinräumiger als die Maschenweite des Modellgitters sind, wie z.B. Wolkenbildung und Strahlungstransfer, müssen mit Hilfe von empirischen oder physikalischen Ansätzen parametrisiert werden. Die Verbindung von Spektral- und Gitterpunktsraum wird durch eine Fourier-Transformation realisiert. Tabelle 1 gibt einen Überblick über die prognostischen Variablen und die parametrisierten Prozesse im ECHAM5-Modell.

Tabelle 1: Prognostische Variablen und parametrisierte Prozesse im ECHAM5-Modell

Die vertikale Auflösung der in dieser Arbeit eingesetzten ECHAM-Modellversionen wird durch 19 ungleichmäßig verteilte Schichten von der Erdoberfläche bis zu einem Druck von 10 hPa bestimmt. Dabei folgen die Sigma-Koordinaten in einem hybriden σ−p Koordinatensystem1 an der Erdoberfläche dem Oberflächenprofil und gehen mit zunehmender Höhe allmählich in konstante Druckschichten über. Die höchste Auflösung wird in der planetaren Grenzschicht erreicht. Abbildung 4 zeigt schematisch die vertikale Auflösung des ECHAM-Modells mit 19 Schichten.

Abbildung 4: Vertikale Auflösung von ECHAM mit 19 Schichten (ROECKNER et al. 1992)

Prognostische Variablen

Vorticity Divergenz Natürlicher Logarithmus des Oberflächendruckes Temperatur Spezifische Feuchte Mischungsverhältnis des Gesamtwolkenwassers (flüssige and Eis-Phase) Spurengase und Wolkenaerosole (optional)

Parametrisierte “sub-skalige” Prozesse

Wolkenbedeckung Vertikaler turbulenter Austausch Strahlungstransfer (lang- und kurzwellig) Gravitationswellen Cumulus-Konvektion Großskalige Kondensation Bodenprozesse

Modellbeschreibung

9

Das System der Differenzialgleichungen wird im ECHAM-Modell mit Hilfe von numerisch stabilen Zeitschrittverfahren gelöst. Die zeitliche Auflösung des Modells hängt im Wesentlichen von der räumlichen Auflösung ab. Das bedeutet, dass sich (gemäß Courant-Friedrichs-Lewy-Kriterium) bei einer engeren Gitternetzauflösung die Zeitschritte zur Berechnung der Variablen proportional dazu verringern müssen (TRENBERTH 1992). Tabelle 2 zeigt die in dieser Arbeit angewandten räumlichen und zeitlichen Auflösungen der ECHAM-Modellversionen. Tabelle 2: Überblick über die verwendeten räumlichen und zeitlichen Auflösungen der ECHAM-

Modellversionen (verändert nach MERKEL (2003))

3.1.2 Unterschiede zwischen den Modellversionen ECHAM4 und ECHAM5 In der vorliegenden Arbeit wurden die beiden Modellversionen ECHAM4 und ECHAM5 verwendet und miteinander verglichen. Prinzipiell ist der spektrale Teil im ECHAM5 unverändert von ECHAM4 übernommen worden. Die Hauptunterschiede bestehen vor allem in einer Verbesserung der physikalischen Parametrisierung sowie der Advektion der drei Wasserkomponenten. Dabei sind im Wesentlichen die folgenden Prozesse betroffen:

• Advektiver Transport • Wolkenbedeckung und -Mikrophysik • Langwellige Strahlung und Sonneneinstrahlung • Kopplung von Landoberfläche und Atmosphäre • Oberflächenalbedo • Schneebedeckung auf dem Kronendach von Vegetation • Temperatur und Eisdicke in Seen • Landoberflächenmerkmale (Blattflächenindex, Waldbedeckung, etc.) • Zeitliche und räumliche Verteilung von Ozon • Horizontale und vertikale Auflösung.

Detaillierte Informationen zu den Modifikationen in der aktuellen Version ECHAM5 bezüglich ECHAM4 findet man in ROECKNER et al. (2003). 3.1.3 Beschreibung der gekoppelten Modellversionen von ECHAM Das ECHAM-Modell stellt ein reines Atmosphären-Zirkulationsmodell (AGCM) dar, in dem die Randbedingungen, wie die Meeresoberflächentemperatur (SST) und Meereisbedeckung, aus Beobachtungsdaten vorgeschrieben werden. Auf Grund des internationalen Vergleichsprojektes globaler AGCMs (AMIP) werden in dieser Arbeit die ungekoppelten ECHAM-Atmosphärenmodellläufe als AMIP-Läufe bezeichnet. In der vorliegenden Arbeit wurden weiterhin Daten aus den Simulationen der gekoppelten ECHAM-Modellversionen ECHAM4/OPYC3 und ECHAM5/MPI-OM1 verwendet. Das mit ECHAM4 gekoppelte globale Ozeanmodell OPYC3 wurde am MPI für Meteorologie und am Deutschen Klimarechenzentrum (DKRZ) in Hamburg entwickelt. OPYC3 enthält ein integriertes dynamisches Meereismodell und wird durch eine vertikale Auflösung von 11 Flächen gleicher Dichte (Isopykne) in einem Lagrange-Koordinatensystem bestimmt. Die horizontale Auflösung beträgt ca. 2,8° x 2,8°. Im MPI Report Nummer 7 (OBERHUBER 1993) kann man die detaillierte Modelldokumentation nachlesen.

Maschen-weite

Gitterpunkte Gitterpunkts-abstand

Vertikale Auflösung

Zeitliche Auflösung

T42 2.8° x 2.8° 8192 ca. 300 km 19 Schichten ∆t = 24 Minuten T106 1.1° x 1.1° 51200 ca. 125 km 19 Schichten ∆t = 12 Minuten

Modellbeschreibung

10

Die aktuellste Version ECHAM5 ist mit dem Ozean-Zirkulationsmodell des MPI für Meteorologie in Hamburg (MPI-OM1) gekoppelt. Das MPI-OM1 ist eine Version des globalen Ozean-Zirkulationsmodels HOPE und wird in MARSLAND et al. (2003) beschrieben. Im Gegensatz zum OPYC-Modell wird die vertikale Auflösung im MPI-OM1 durch normale Höhenkoordinaten (z) in 23 vertikalen Schichten charakterisiert. Die horizontale Auflösung des MPI-OM1 beträgt ca. 2,5° x 2,5° über dem Nordatlantik, wobei die Pole variabel angeordnet werden können. Auch in diesem Ozeanmodell ist das dynamische Meereismodell ein integraler Bestandteil. Das AOGCM ECHAM5/MPI-OM1 enthält im Gegensatz zu seiner Vorgängerversion ECHAM4/OPYC3 keine Flusskorrektur. Analysen der Klimamodelldaten simuliert mit ECHAM5/MPI-OM1 ergaben, dass das AOGCM auch ohne Flusskorrektur stabile Klimasimulationen liefert (BOTZET 2003, persönliche Mitteilung). Die systematischen Fehler sind im gekoppelten Modell durch das Weglassen der Flusskorrektur größer, jedoch enthält das Modell nun keine nicht-physikalischen Terme mehr. Die gekoppelten Modelle ECHAM4/OPYC3 und ECHAM5/MPI-OM1, deren Klimadaten in dieser Arbeit Verwendung finden, werden vor allem dazu genutzt, Klimaszenarien zu simulieren. In den Kontrollläufen wurden die gekoppelten Modelle ECHAM4/OPYC3 und ECHAM5/MPI-OM1 über mehr als 100 Jahre unter Annahme heutiger Klimabedingungen und den beobachteten atmosphärischen Gaskonzentrationen von 1990 (z.B. 348ppm CO2) gerechnet. Diese Kontrollläufe dienen als Referenzen für Szenarien-Simulationen und als Vergleich zu Klimabeobachtungen. Die Szenarienläufe der Modelle ECHAM4/OPYC3 und ECHAM5/MPI-OM1, die in dieser Diplomarbeit verwendet wurden, sind im Grunde genommen Sensitivitätsexperimente bezüglich einer CO2-Erhöhung, die z.B. im CMIP Anwendung fanden.

Modellbeschreibung

11

3.2 Das Wetterlagenklassifizierungsmodell Die Grundlagen für das Wetterlagenklassifizierungsmodell wurden in den Jahren 1994-1997 an der FU Berlin im Rahmen des BMBF-Teilprojektes „Klimavariabilität und Signalanalyse“ (ENKE & SPEKAT 1997, WEHRY et al. 1999) als Ausgangspunkt für ein Regionalisierungsverfahren von globalen Klimamodelldaten entwickelt. Es handelte sich dabei um ein statistisches Downscaling-Modell, das auf der Zuordnung der atmosphärischen Zirkulationsmuster zu bestimmten Wetterlagen basiert. In den letzten Jahren wurde die ursprüngliche Version des Modells weitestgehend modifiziert und weiterentwickelt. Die aktuelle und im Weiteren beschriebene Version findet in mehreren Bundesländern (z.B. Sachsen, Thüringen, Baden-Württemberg, Hessen, Bayern) Interesse. Außerdem wird das Wetterlagenklassifizierungsmodell auch in zwei Bundesland-übergreifenden Projekten eingesetzt (z.B. Projekte GLOWA Elbe (ENKE 2003) und KLIWA (ENKE 2003b) zur Regionalisierung globaler Klimadaten für den Bereich des Elbe-Einzugsgebietes bzw. der Bundesländer Bayern und Baden-Württemberg). Die Entwicklung des Wetterlagenklassifizierungsmodells basierte auf den Daten der NCEP/NCAR-Reanalysen, die vom Nationalen Zentrum für Atmosphärenforschung in Boulder, Colorado (USA) erarbeitet wurden (siehe auch Kapitel 4). Weiterhin beruht das Modell auf Beobachtungsdaten, die als synoptische Daten vom Deutschen Wetterdienst (DWD) für Deutschland erhoben und bereitgestellt wurden. Grundlage für eine Regionalisierung globaler Klimaszenarien durch das Wetterlagenklassifizierungsmodell sind tägliche Daten aus einer Klimasimulation, wie sie z.B. durch das Atmosphärenmodell ECHAM oder dessen gekoppelte Versionen vom MPI für Meteorologie in Hamburg bereitgestellt werden (DMG 2003). Diese globalen Klimamodelldaten bzw. bestimmte Felder aus den Klimadaten, wie Temperatur, Geopotential und relative Feuchte, fließen als Eingangsdaten in das Wetterlagenklassifizierungsmodell ein, und dienen zur Berechnung von Wetterklassen, die durch ein bestimmtes Temperatur- und Feuchtregime charakterisiert sind. Die Wetterlagenklassifizierung beinhaltet mehrere Schritte, die im Folgenden näher erläutert werden sollen. 3.2.1 Herleitung objektiver Wetterlagen Zur Herleitung der objektiven Wetterlagen wird ein halbempirisches Verfahren herangezogen. Die räumlich gemittelte maximale Tagestemperatur sowie die räumlich gemittelte Tagessumme des Niederschlags dienen bei diesem Verfahren als „Leitgrößen“. Diese Leitgrößen werden zunächst in bestimmte Klassen eingeteilt, deren Klassengrenzen subjektiv festgelegt wurden. Als Datengrundlage für die Festlegung der Klassengrenzen dienen die räumlichen Mittel von Temperatur bzw. Niederschlagssumme an ausgesuchten Wetterstationen in der zu untersuchenden Region (ENKE 2003).

Die Wetterlagenklassifikation in dieser Arbeit beruht auf den Stationsdaten des Einzugsgebietes der Elbe (GLOWA-Projekt, ENKE 2003). Eine Karte des GLOWA-Elbe-Einzugsgebietes ist im Anhang A1 zu finden. Die aus den Stationsdaten abgeleiteten Klassengrenzen für die maximale Tagestemperatur und die mittlere Tagessumme des Niederschlags sind in Tabelle 3 bzw. 4 ersichtlich. Unter Verwendung dieser Klasseneinteilung wurde jeder Tag im Zeitraum 1961 bis 2000 einer bestimmten Temperatur- und Niederschlagsklasse zugeordnet, welche als Musterwetterklassen dienen.

Modellbeschreibung

12

Tabelle 3: Bezeichnung und Klassengrenzen der empirischen Wetterlagen des Temperaturregimes auf der Basis des räumlichen Mittels der Maximumtemperatur über die Klimastationen des GLOWA-Elbe-Einzugsgebietes (nach ENKE 2003)

Intervall (in °C) Klasse Bezeichnung Abkürzung Frühling Sommer Herbst Winter

1 sehr extrem kalt

sexK = -2 = 14 = -2 = -12

2 extrem kalt exKa > -2 = 1 >14 = 16 > -2 = 1 >-12 = -8 3 sehr kalt seKa > 1 = 4 >16 = 18 > 1 = 4 >-8 = -5 4 kalt Kalt > 4 = 7 >18 = 20 > 4 = 7 >-5 = -2 5 leicht

unternormal Nor- > 7 = 10 >20 = 22 > 7 =10 >-2 = 1

6 normal Norm <10 = 13 >22 = 24 >10 =13 >1 = 4 7 leicht

übernormal Nor+ >13 = 16 >24 = 26 >13 =16 >4 = 7

8 warm Warm >16 = 19 <26 = 28 >16 =19 >7 =10 9 sehr warm seWa >19 = 21 >28 = 30 >19 =21 >10 =13 10 extrem warm exWa >21 >30 >21 >13

Tabelle 4: Bezeichnung und Klassengrenzen der empirischen Wetterlagen des Niederschlagsregimes auf der Basis des räumlichen Mittels der 24-stündigen Niederschlagssumme über Klimastationen des GLOWA-Elbe-Einzugsgebietes (nach ENKE 2003)

Klasse Bezeichnung Abkürzung Intervall (in mm/d)

1 sehr trocken seTr 0 - 0,05 2 trocken Troc 0,05 - 0,5 3 wenig Niederschlag weNi 0,5 - 1 4 leichter Niederschlag leNi 1 - 3 5 mittlerer Niederschlag miNi 3 - 5 6 stärkerer Niederschlag maNi 5 - 10 7 starker Niederschlag stNi 10 - 15 8 sehr starker

Niederschlag ssNi > 15

Im nächsten Schritt erfolgt die Berechnung der in Tabelle 5 beschriebenen mittleren Felder für jede der in Tabelle 3 und 4 aufgelisteten Temperatur- und Niederschlagsklassen und für jeden Tag im oben beschriebenen Zeitraum.

Modellbeschreibung

13

Tabelle 5: Mittlere Felder auf Basis der NCEP/NCAR-Reanalysen zur Beschreibung der Wetterlagen des Temperatur- und Niederschlagsregimes für Deutschland (Die fett gedruckten Felder werden in der vorliegenden Arbeit zur Beschreibung des Temperaturregimes (rot) bzw. des Niederschlagsregimes (blau) siehe Punkt 3.2.2 verwendet)

Nr. Feldtyp Niveau (in hPa)

Kurzbezeichnung

1 Geopotential 1000 GP 1000 2 Geopotential 850 GP 850 3 Geopotential 700 GP 700 4 Geopotential 500 GP 500 5 Temperatur 850 TP 850 6 Temperatur 500 TP 500 7 Relative Feuchte 850 RH 850 8 Relative Feuchte 500 RH 500 9 Horizontale Geopotentialdifferenzen N-S 850 HD1 850 10 Horizontale Geopotentialdifferenzen W-O 850 HD2 850 11 Horizontale Geopotentialdifferenzen N-S 500 HD1 500 12 Horizontale Geopotentialdifferenzen W-O 500 HD2 500 13 Vorticity 1000 VOR 1000 14 Vorticity 850 VOR 850 15 Vorticity 700 VOR 700 16 Vorticity 500 VOR 500 17 Schichtdicke 1000/850 RT 1000/850 18 Schichtdicke 1000/700 RT 1000/700 19 Schichtdicke 1000/500 RT 1000/500 20 Temperaturdifferenz 850-500 TD 850-500

Als Grundlage für die Berechnung der mittleren Felder dienen die NCEP/NCAR-Reanalysen. Die Klimadaten aus diesen Reanalysen haben eine Gitterpunkt-Auflösung von 2,5° x 2,5°. Diese Felder werden zur besseren Weiterverarbeitung auf ein annähernd äquidistantes Gitter mit einer Auflösung von ca. 150 km interpoliert. In Abbildung 5 sind der verwendete Ausschnitt des äquidistanten Gitters sowie die geographische Lage der interpolierten Gitterpunkte dargestellt.

Abbildung 5: Ausschnitt und geographische Lage der äquidistanten Gitterpunkte zur Ableitung der objektiven Wetterlagen (aus ENKE 2003)

50°N

10°O

60°N

40°N

20°O 0°

Modellbeschreibung

14

Die großräumigen Druckregime, die mit den jeweiligen empirisch ermittelten Wetterlagen (siehe Tabelle 3 und 4) verbunden sind, findet man für das Temperatur- und Niederschlagsregime getrennt nach Jahreszeiten im Anhang A3. Zusätzlich sind in den Abbildungen des Anhangs A3 die Minimum- und Maximumtemperaturen bzw. die mittleren Werte für die relative Feuchte und die Niederschlagstagessumme, welche in den einzelnen Wetterlagen zu erwarten sind, abgebildet. 3.2.2 Normierung und Screening-Diskriminanz-Analyse Da die Skalen der in Tabelle 5 aufgelisteten meteorologischen Felder eine sehr unterschiedliche Größenordnung haben, wird der eigentlichen Screening-Diskriminanz-Analyse eine Normierung vorangestellt. Die Normierung wird anhand folgender Gleichung durchgeführt:

x = S

xxi − (1)

_ Dabei ist x der Mittelwert der Größe xi und S (Spread) die wetterlagenspezifische absolute Differenz zwischen Minimum und Maximum der gemittelten Felder. Im Anschluss an die Normierung wird die Screening-Diskriminanz-Analyse zur Bestimmung der optimalen Feldtypenkombination durchgeführt. Diese Analyse dient zur Wiedererkennung der empirisch vorgegebenen Musterwetterklassen (siehe Tabelle 3 und 4) mit den daraus gemittelten Feldern (siehe Tabelle 5). Als Distanzmaß D wird die RMSD (Root Mean Square Distance) in Gleichung 2 genutzt.

D = RMSD = ∑=

n

iiR

n 1

21 (2)

R stellt in Gleichung 2 die Differenz zwischen den normierten mittleren Feldern und den normierten Feldern des zu diskriminierenden Tages an den Gitterpunkten dar. Die Anzahl der Gitterpunkte wird durch die Variable n beschrieben. Wird für mehr als ein Feld das Distanzmaß berechnet, werden die einzelnen Distanzmaße der Felder addiert, was durch die vorhergehende Normierung ermöglicht wird. Die Klasse mit dem geringsten Distanzmaß wird jeweils dem betrachteten Tag zugeordnet. Danach wird geprüft, ob die Zuordnung mit der Originalklassifikation übereinstimmt. Im ersten Schritt wird jedes Feld aus Tabelle 5 einzeln genutzt. Das Feld, das die beste Wiedererkennungsrate hat, wird als erster Diskriminator ausgewählt. Im zweiten Schritt wird das Feld gesucht, welches in Kombination mit dem ersten Diskriminator (meteorologischen Feld) die beste Wiedererkennungsrate aufweist. Die Screening-Prozedur wird solange durchgeführt, bis entweder eine vorgegebene maximale Anzahl von vier Feldern erreicht wurde oder sich die Wiedererkennungsrate nur weniger als ein vorgegebenes Maß verbessert hat. Mit Hilfe der Screening-Diskriminanz-Analyse werden so aus den in Tabelle 5 aufgeführten Feldern schrittweise maximal vier Felder selektiert, welche eine Wiedererkennung der Musterwetterlagen am besten realisieren. Für die Wetterklassifizierung in dieser Arbeit wurden zur Beschreibung des Temperaturregimes die Felder der Schichtdicke RT 1000/850 und RT 1000/700 (siehe Tabelle 5) für alle Jahreszeiten selektiert. Zur Beschreibung des Niederschlagsregimes dienen die Felder der Vorticity (VOR 850), relativen Feuchte (RH 850 und RH 500) und der horizontalen Geopotentialdifferenzen (HD1 500). Ein Beispiel der 20 möglichen Eingangsfelder (siehe Tabelle 5), die für die Screening-Diskriminanz-Analyse

Modellbeschreibung

15

benötigt werden, ist im Anhang A2 für das Modell ECHAM5 (AMIP) für einen Modelltag dargestellt. Letztendlich wird mit der Screening-Diskriminanz-Analyse für jede Jahreszeit die optimale Feld-Kombination bestimmt, die im letzten Schritt der Wetterlagenklassifikation eine endgültige Zuordnung der einzelnen Tage zu den Klassen im Temperatur- und Niederschlagsregime ermöglicht. 3.2.3 Zuordnung der Einzeltage zu den Wetterklassen Aus Erfahrung weiß man, dass das tägliche Wetter nicht exakt durch eine konkrete Wetterlage charakterisiert ist, sondern von mehreren Wetterlagen in unterschiedlichem Ausmaß beeinflusst wird. Das Wetterlagenklassifizierungsmodell bietet deshalb zwei Möglichkeiten zur endgültigen Zuordnung der Einzeltage zu einer Wetterlage. Je nach Aufgabenstellung ordnet man jeden Tag in eine bestimmte Wetterklasse ein, oder man gibt die Wahrscheinlichkeit an mit der jede Wetterklasse am Einzeltag vorkommt. Das Verfahren der unscharfen und der eindeutigen Zuordnung der Wetterklassen mit Hilfe eines Distanzmaßes und eines Fuzzyfizierungsexponenten (nur für die unscharfe Zuordnung) ist in ENKE (2003) beschrieben. Tabelle 6 zeigt ein Beispiel der zwei Ausgabevarianten des Wetterlagenklassifizierungsmodells.

Tabelle 6 : Beispiel der Ausgabedatei des Wetterlagenklassifizierungsmodells mit eindeutiger und unscharfer Zuordnung der Wetterklassen im Temperaturregime zu den einzelnen Tagen in der Jahreszeit Sommer

Datum eindeutige Wetter-klassen- Zuordnung

Abkürzung der Wetter-klassen

unscharfe Wetterklassen-Zuordnung (prozentualer Anteil jeder Wetterklasse am Einzeltag) 1 2 3 4 5 6 7 8 9 10

19510101 5 Nor- 0.0 0.6 3.9 16.3 32.8 24.9 12.0 5.8 3.6 0.1 19510102 6 Norm 0.0 0.1 0.9 4.7 15.6 32.7 23.7 12.4 9.6 0.1 19510103 6 Norm 0.0 0.1 0.4 2.3 11.3 34.4 28.5 15.6 7.4 0.0 19510104 7 Nor+ 0.0 0.1 0.8 2.4 6.2 16.1 26.5 26.0 19.5 2.4 19510105 8 Warm 0.0 0.0 0.2 0.7 2.0 6.7 19.0 30.3 26.3 14.8 19510106 9 seWA 0.0 0.0 0.1 0.4 1.2 4.3 12.9 25.2 36.8 18.9 19510107 9 seWA 0.0 0.0 0.1 0.3 1.4 6.5 17.3 27.8 35.8 10.7 19510108 7 Nor+ 0.0 0.1 0.8 2.7 6.9 17.9 27.9 25.6 16.1 2.1 In dieser Arbeit wurde nur auf die eindeutige (bzw. scharfe) Wetterlagenzuordnung zurückgegriffen. Die Zuordnung eines Tages zu einer konkreten Wetterlage bedeutet generell eine Vergröberung des realen Wettergeschehens. Dies kann zu Ungenauigkeiten führen und sollte bei der Interpretation der Ergebnisse beachtet werden. Die mittels dem Wetterlagenklassifizierungsmodell erzeugten objektiven Wetterklassen (siehe Punkt 3.2.2) weisen gegenüber der empirischen Zuordnung der Einzeltage zu einer Wetterklasse (siehe Punkt 3.2.1) eine höhere Unschärfe auf. Die Wiedererkennungsrate beträgt laut ENKE (2003) für das Temperaturregime über 90% und für das Niederschlagsregime ca. 80%. Die geringere Wiedererkennungsrate im Niederschlagsregime ist dadurch zu begründen, dass der Niederschlag aufgrund seiner Heterogenität und kleinräumigen Verteilungsmuster allgemein schwieriger zu modellieren ist. Niederschlags-Extremereignisse lassen sich zudem mit statistischen Methoden nur unzulänglich vorhersagen (ENKE 2003). Die Klassengrenzen bzw. Klassenmittelwerte, der für das engere Mitteleuropa neu abgeleiteten objektiven Wetterlagen, findet man in Tabelle 7. Die ursprünglichen Klassengrenzen, die zur Herleitung der empirischen Wetterlagen verwendet wurden (siehe Tabelle 3 und 4) sind nur noch ansatzweise zu erkennen.

Modellbeschreibung

16

Tabelle 7: Wetterlagenspezifische Mittelwerte der Temperaturminima und -maxima (in °C) des GLOWA-Elbe-Einzugsgebietes der objektiv abgeleitete n Wetterlagen für das engere Mitteleuropa (aus Enke 2003)

Frühling Sommer Herbst Winter WL Min Max

MW Min Max MW Min Max MW Min Max MW

1 -8,9 -3 -6,0 7,4 14,6 11,0 -3 0,8 -1,1 -15,3 -9,4 -12,4 2 -5,1 1,9 -2,6 8,8 16,3 12,6 -3,4 1,2 -1,1 -13 -7,4 -10,2 3 -1,8 4,6 1,4 10 17,6 13,8 -0,4 4,6 2,1 -10 -4 -7,0 4 0,4 7,4 3,9 11,2 19,6 15,4 1,7 7,3 4,5 -8,4 -2,7 -5,6 5 2,2 10,3 6,3 11 20,9 16,0 3,2 9,8 6,5 -5,2 -0,2 -2,7 6 4,5 13,3 8,9 12,7 23,2 18,0 6,6 13,5 10,1 -2,5 2,2 -0,2 7 5,8 16,1 11,0 12,5 24,3 18,4 8,2 16,2 12,2 -0,8 4,2 1,7 8 7,9 19,2 13,6 14,1 26,4 20,3 9,1 18,4 13,8 0,6 6,3 3,5 9 9,8 21,6 15,7 14,4 28,1 21,3 10,6 21,6 16,1 3,3 9,1 6,2 10 11,1 25 18,1 16,8 30,9 23,9 10,7 22,9 16,8 3,9 11 7,5

Tabelle 8: Wetterlagenspezifische Mittelwerte der 24-stündigen Niederschlagssumme (in mm/d) des GLOWA-Elbe-Einzugsgebietes der objektiv abgeleiteten Wetterlagen für das engere Mitteleuropa

Wetter-klasse

Frühling Sommer Herbst Winter

1 0,3 0,8 0,3 0,2 2 0,8 1,1 1,2 1 3 1,7 2 1,4 1,3 4 1,7 2,4 2,4 1,8 5 2,6 3,5 2,4 2,4 6 3,2 4,1 3,5 2,8 7 3,2 4,9 4,2 5 8 6,4 8,8 4,5 5,2

Einen weiteren Unterschied zwischen den Wetterklassen im Temperatur- und Niederschlagsregime findet man in der Trennschärfe von nebeneinander liegenden Klassen. Durch das Verfahren der Screening-Diskriminanz-Analyse kommt es laut ENKE (2003) zu einem „Verschmieren“ der Niederschlagsereignisse auf benachbarte Klassen. Die objektiven Wetterklassen mit mittlerem Niederschlag sind deshalb größtenteils unterrepräsentiert. Im Temperaturregime ist die Trennschärfe der Klassen hingegen besser ausgeprägt. 3.2.4 Geltungsbereich und fortführende Verwendung des Wetterlagen- klassifizierungsmodells Die ursprünglich mit den oben genannten Wetterstationen des GLOWA-Elbe-Einzugsgebietes hergeleitete Wetterlagenklassifizierung hat nach ENKE (2003) auch ihre berechtigte Gültigkeit im engeren Mitteleuropa. Die Verwendbarkeit der Daten für Süddeutschland wurde im Rahmen des KLIWA-Projektes (ENKE 2003b) geprüft. Eine Ableitung von Wetterlagen für andere Regionen der Erde außerhalb der Tropen und Subtropen ist jederzeit, bei Vorhandensein der nötigen Beobachtungs- und Klimamodelldaten, möglich. Das beschriebene Regionalisierungsverfahren weist gegenüber verwandten Verfahren (subjektive Wetterlagenklassifikation nach HESS & BRESOWSKY oder CART (z.B. ZORITA et al. 1995) einige Vorteile auf. Zu nennen wären z.B. die absolute Objektivität des

Modellbeschreibung

17

Klassifikationsverfahrens und die geringe Variabilität innerhalb der einzelnen Wetterlagen. Das Verfahren nach ENKE (2003) kann außerdem mit geringem Arbeits- und Computerrechenaufwand durchgeführt werden. Die Prozedur der Wetterlagenklassifikation muss für jedes Wetterelement (z.B. Temperatur und Niederschlag) einzeln durchgeführt werden, kann aber auch auf andere Zielgrößen ausgedehnt werden. Die in den vorherigen Abschnitten beschriebenen Schritte bilden die Grundlage zu den im Methodenteil dieser Arbeit beschriebenen Analysen unter Verwendung der globalen Klimamodelldaten als Eingangsgrößen. Diese Schritte sind jedoch nur der Anfang des Verfahrens zur wetterlagenkonsistenten Projektion von Zeitreihen und deren Extreme nach ENKE (2003), welches das eigentliche Regionalisierungsverfahren darstellt. Detaillierte Information zum gesamten Regionalisierungsverfahren findet man in ENKE (2003).

Daten und Analyseschwerpunkte

18

4 Daten und Analyseschwerpunkte Die Analysen der globalen Klimadaten mit dem Wetterlagenklassifizierungsmodell umfassen verschiedene Läufe der AGCM ECHAM4 und ECHAM5 und deren gekoppelten Versionen. Als Referenz dienen die Daten aus den NCEP/NCAR-Reanalysen. Die NCEP/NCAR-Reanalysen wurden in einer Zusammenarbeit des Nationalen Zentrums für Atmosphärenforschung (Boulder, CO, USA) und dem Nationalen Zentrum für Umweltvorhersagen (Washington DC, USA) auf Basis von globalen Beobachtungsdaten diverser Klimasystemkomponenten erstellt. Die Reanalysedaten umfassen einen Zeitraum von 50-Jahren und haben eine horizontale Auflösung von T63 (ca. 210 km). Sie dienen weltweit als Unterstützung in der Atmosphärenforschung. Nähere Informationen zur Struktur der Reanalysen sind in KALNAY et al. (1996) zu finden. In der vorliegenden Arbeit werden die NCEP/NCAR-Reanalysen als Substitut für Beobachtungsdaten im Vergleich der Klimamodelldaten des MPI für Meteorologie verwendet. Es muss jedoch darauf hingewiesen werden, dass es sich auch bei den NCEP/NCAR-Reanalysen um einen Modelldatensatz handelt, der gewisse Schwächen hinsichtlich der Realitätsnähe aufweist. Beeinträchtigt sind die Reanalysen z.B. durch systematische Fehler des Modells und durch Inhomogenitäten bei der Ermittlung und Übertragung der einfließenden Beobachtungsdaten (KISTLER et al. 1999). Tabelle 9 gibt eine Übersicht über alle in dieser Diplomarbeit analysierten Läufe der globalen Klimamodelle des MPI für Meteorologie. Weiterhin wird in der Tabelle erkenntlich, zu welchen Analysen die einzelnen Modellläufe herangezogen wurden und welche Besonderheiten sie gegenüber anderen Läufen aufweisen.

Daten und Analyseschwerpunkte

* nicht an das Kalendarium geknüpfte Jahreszahlen (außer NCEP/NCAR-Reanalysen)

19

Tabelle 9: Übersicht über die analysierten Modellläufe Modell-version

Modell-Lauf ID-Nummer

Modell-jahre*

Bemerkungen Analysen

NCEP/ NCAR

NCEP/NCAR-Reanalysen (T63)

NCAR 1951-2000 (50a)

basierend auf Beobachtungsdaten

Modell-vergleich Modell-Variabilität

ECHAM4 ECHAM4 (T42) AMIP

22943amip 1979-1995 (16a)

vorgeschriebene SST Modell-vergleich

ECHAM4 (T106) AMIP

22590ech4 03-12 (10a)

vorgeschriebene SST Zeitscheibenexperi-ment mit horizontaler Auflösung T106

Modell-vergleich

ECHAM4 (T106) (Kontrolllauf)

Ensemble (5 x DJF)

Zeitscheibenexperi-ment (T106) mit klimatologischer SST, nur Winter (350ppm CO2)

Vergleich der Auf-lösungen T42, T106

ECHAM4 (T106) (Szenarienlauf)

Ensemble (5 x DJF)

Zeitscheibenexperi-ment (T106) mit vorgeschriebener SST, nur Winter (2x CO2)

Szenarien-Vergleich der Auf-lösungen T42, T106

ECHAM4/OPYC3 (T42) (Kontrolllauf)

71413e4op 173-242 (70a)

gekoppeltes Atmosphären-Ozeanmodell ECHAM4/OPYC

Modell-vergleich Modell-Variabilität

ECHAM4/OPYC3 (T42) (ersten 10 Jahre als Kontrolllauf)

12082scb2 230-239 (10a)

gekoppeltes Atmosphären-Ozeanmodell ECHAM4/OPYC gestartet mit heutigen Klimabedingungen, d.h. 350ppm CO2

Daten-Rekon-struktion (ENKE 2003)

ECHAM4/OPYC3 (T42) (Szenarienlauf)

12082scb2 260-300 (41a)

IPCC Szenario B2 Daten-Rekon-struktion

ECHAM4/OPYC3 (T42) (Szenarienlauf)

12079cmip 310-329 (20a)

gekoppeltes Atmosphären-Ozeanmodell ECHAM4/OPYC3 1%CO2-Anstieg/Jahr

Szenarien-Vergleich

ECHAM5 ECHAM5 (T42) AMIP

12364tt42 1978-1993 (15a)

vorgeschriebene SST aktuellste Version

Modell-vergleich

ECHAM5/MPI-OM1 (T42) (Kontrolllauf)

13100_D16 2050-2109 (60a)

gekoppeltes Atmosphären-Ozeanmodell ECHAM5/MPI-OM1 (24h-Datenausgabe )

UTC- Vergleich Modell-Variabilität Rohdaten-analyse

ECHAM5/MPI-OM1 (T42) (Kontrolllauf)

13100_D45 2068-2087 (20a)

gekoppeltes Atmosphären-Ozeanmodell ECHAM5/MPI-OM1 (6h-Datenausgabe)

UTC- Vergleich

ECHAM5/MPI-OM1 (T42) (Szenarienlauf)

13100_D44 2128-2147 (20a)

gekoppeltes Atmosphären-Ozeanmodell ECHAM5/MPI-OM1 1%CO2-Anstieg/Jahr

Szenarien-Vergleich Rohdaten-analyse

Daten und Analyseschwerpunkte

20

Die Rechnungen der gekoppelten Klimamodelle ECHAM4/OPYC3 und ECHAM5/MPI-OM1 geben entweder 24- oder 6-stündig Klimadaten aus. Die globalen Klimadaten, die zu unterschiedlichen Zeitpunkten herausgeschrieben werden, können möglicherweise Einfluss auf die Ergebnisse des Wetterlagenklassifizierungsmodells haben. Dieser Punkt soll als erstes in dieser Arbeit betrachtet werden. Die AMIP-Läufe der ECHAM-Versionen dienen als Vergleich zu den Kontrollläufen der jeweiligen gekoppelten Modellversion ECHAM4/OPYC3 und ECHAM5/MPI-OM1. Der systematische Fehler eines reinen Atmosphärenmodells müsste geringer sein als der von einem gekoppelten Klimamodell, da das Atmosphärenmodell mit Beobachtungsdaten u. a. von der Meeresoberflächentemperatur und Meereisbedenkung angetrieben wird. Die Auswirkungen der Kopplung sowie der Einfluss der Flusskorrektur könnten sich in den Ergebnissen der Wetterlagenklassifizierung widerspiegeln und sollen in dieser Arbeit analysiert werden. Die Analyse der Szenarien-Läufe der gekoppelten ECHAM-Modellversionen (T42) mit dem Wetterlagenklassifizierungsmodell soll die Auswirkungen einer Erhöhung der atmosphärischen CO2-Konzentration auf die Verteilung der Wetterlagen verdeutlichen. Dabei handelt es sich um transiente Läufe, die mit der CO2-Konzentration von 1990 (348 ppm) gestartet, und mit einem Anstieg von 1% Kohlendioxid pro Jahr weitergerechnet wurden. Somit liegt der Zeitpunkt der CO2-Verdopplung im 70. Modelljahr, um welches die 20 analysierten Modelljahre zentriert wurden. Andere klimawirksame Parameter (z.B. weitere Treibhausgase, Aerosole) wurden bei den verwendeten Szenarienläufen konstant gehalten (siehe CMIP). ENKE (2003) hat bei seinen Analysen den ECHAM4-Lauf verwendet, der im IPCC-Bericht dem Szenarium B2 entspricht (HOUGHTON et al. 2001). Ein sinnvoller Vergleich dieses Szenarienlaufes mit ECHAM5 ist zurzeit nicht möglich, da es noch keinen, dem IPCC-B2-Szenarium entsprechenden Lauf, gibt. Die Zeitscheibenexperimente, in denen das Atmosphärenmodell ECHAM4 mit einer höheren horizontalen Auflösung (T106) gerechnet wurde, sollen mögliche Auswirkungen verschiedener Auflösungen auf die Ergebnisse der Wetterlagenklassifizierung im Vergleich zu den entsprechenden AMIP-Läufen der Modelle ECHAM4 und ECHAM5 in T42-Auflösung aufzeigen. Üblicherweise erwartet man bei einer höheren Auflösung bessere Ergebnisse im Bezug zu Beobachtungsdaten bzw. in dieser Arbeit zu den NCEP/NCAR-Reanalysen. Weiterhin wurden Zeitscheibenexperimente des ECHAM4-Modells mit vorgeschriebener klimatologischer Meeresoberflächentemperatur (SST) in T106-Auflösung verwendet, die in MERKEL (2003) näher analysiert und beschrieben sind. Es wurden zwei Ensembles, Kontroll- und 2xCO2-Lauf, untersucht. Die Ensembles umfassen jeweils 5 Realisationen, welche sich aus den Wintermonaten Dezember, Januar und Februar (DJF) zusammensetzen. Jedes Ensemblemitglied wurde mit leicht veränderten Anfangsbedingungen gestartet. Mit der Analyse dieses Zeitscheibenexperimentes soll die Sensitivität der Ergebnisse aus den Szenarienanalysen hinsichtlich einer Veränderung der horizontalen Modellauflösung untersucht werden. Die Klimadaten aus dem AOGCM ECHAM5/MPI-OM1 wurden schließlich noch zu einer direkten Datenanalyse ohne die Zwischenschaltung des Wetterlagenklassifizierungsmodells herangezogen. Charakteristische Häufigkeitsverteilungen der Wetterklassen im Temperatur- und Niederschlagsregime, die sich anhand des Wetterlagenklassifizierungsmodells herausstellen, sollen durch die direkte globale Klimadatenanalyse erkannt oder widerlegt werden.

Methoden

21

5 METHODEN 5.1 Allgemeine Methodik Für alle Analysen der Wetterlagen mussten als erstes die Wetterlagen des Temperatur- und Niederschlagsregimes für jeden einzelnen Modelltag mittels des Wetterlagenklassifizierungs-modells anhand der globalen Klimamodelldaten (siehe Tabelle 3) berechnet werden. Dazu dienten zwei FORTRAN-Programme. In das erste Programm (ECHAM_to_Aequi_13x13.f90) fließen die unter Punkt 3.2.2 (Modellbeschreibung) beschriebenen Felder des zu untersuchenden globalen Klimamodells ein. Die globalen Klimadaten mit der Auflösung T42 bzw. T106 werden, wie in Punkt 3.2.1 (Modellbeschreibung) beschrieben, auf ein äquidistantes Gitter mit 13x13 Gitterpunkten interpoliert (siehe auch Abbildung 3). Im zweiten FORTRAN-Programm (wetlazuordempi.f90) werden gemäß Punkt 3.2.3 (Modellbeschreibung) die Wetterlagen aus den globalen Feldern ermittelt und den einzelnen Tagen zugeordnet. Die Ausgabe der Wetterklassen erfolgt getrennt für die vier Jahreszeiten Frühling (MAM), Sommer (JJA), Herbst (SON), Winter (DJF). Nach Berechnung der Wetterlagen erfolgte die Bestimmung der absoluten und relativen Häufigkeitsverteilungen der Wetterklassen. Die Auswertung der Häufigkeitsverteilungen der Wetterlagen wurde prinzipiell separat für die einzelnen Jahreszeiten durchgeführt. Die Analyse der Häufigkeitsverteilungen (Tabellenarbeit und Diagramme) sowie die Berechnung von statistischen Parametern (Mittelwert und Standardabweichung) erfolgten mit dem Softwareprogramm EXCEL von Microsoft. Zur Kennzeichnung der Wetterlagen in den Diagrammen wurden die Abkürzungen gemäß Tabelle 3 und 4 für das jeweilige Regime verwendet. Die farbliche Gestaltung der Wetterlagen erfolgte im Temperaturregime von Blau für besonders kalte Wetterlagen über Grün bis zu Rot für die extrem warmen Wetterlagen. Im Niederschlagsregime sind die extrem trockenen Wetterlagen rot und die extrem niederschlagsreichen Wetterlagen blau gekennzeichnet. Die Bearbeitung der Klimadaten aus den verwendeten globalen Klimamodellversionen des Max-Planck-Institutes (siehe Tabelle 3) erfolgte auf Linux-Rechnern mit den entsprechenden Editoren Xemacs und nedit für die Programmierung bzw. Bearbeitung von SHELL-Skripten und FORTRAN-Programmen.

5.2 Rekonstruktion bestehender Ergebnisse Zur Überprüfung der Konsistenz bzw. der richtigen Arbeitsweise des Wetterlagenklassifizierungsmodells auf den Rechnern des MPI für Meteorologie, sollten am Anfang der Diplomarbeit die Daten rekonstruiert werden, die in ENKE (2003) veröffentlich wurden. Die Ergebnisse in ENKE (2003) basieren auf NCEP/NCAR-Reanalysen und ECHAM4/OPYC3-Klimamodelldaten. Die exakte Rekonstruktion der Ergebnisse scheiterte jedoch aus verschiedenen Gründen. Zum einen herrschten Unklarheiten über den als Kontrolllauf verwendeten ECHAM4/OPYC3-Datensatz. Zum Zweiten wurde zur Berechung der geopotentiellen Höhe aus den Sigmaflächen der ECHAM4-Modellrohdaten in ENKE (2003) ein von der FU Berlin bereitgestelltes Programm („afterburner“) verwendet, welches sich als fehlerhaft herausstellte. Aufgrund des Fehlers in diesem „afterburner“ wurden Korrekturfelder eingeführt, die die Wetterlagen basierend auf den ECHAM-Modelldaten vergleichbar mit denen der NCEP/NCAR-Reanalysen machen sollten (ENKE 2003, persönliche Mitteilungen). Diese Korrekturfelder wurden in der vorliegenden Diplomarbeit jedoch nicht benötigt, da der „afterburner“ des MPI für Meteorologie eingesetzt wurde.

Methoden

___________________________ * nicht an das Kalendarium geknüpfte Jahreszahlen

22

Weiterhin gab es einige Anpassungen im FORTRAN-Code des Wetterlagen-klassifizierungsmodells während der Bearbeitungszeit der vorliegenden Diplomarbeit, um die Berechnung der Wetterlagen im Niederschlagsregime stabiler zu machen. Die Veränderungen bezogen sich hauptsächlich auf die Verwendung stabiler Felder und deren Gewichtung zur Berechnung der Wetterlagen im Niederschlagsregime. Diese Veränderungen im Programm, fanden ebenfalls aufgrund des fehlerhaften „afterburners“ statt (ENKE 2003, persönliche Mitteilungen). Da von Beginn dieser Arbeit an der „afterburner“ des MPI für Meteorologie verwendet wurde, kann man bei den verwendeten globalen Klimamodelldaten von einer korrekten Nachbearbeitung der Rohdaten ausgehen. Aus diesem Grund wurde in der vorliegenden Arbeit die Programmversion des FORTRAN-Programms wetlazuordempi.f90 Stand März 2003 benutzt. 5.3 UTC-Vergleich In dieser Analyse fanden die zwei Kontrollläufe der Modelle ECHAM4/OPYC3 und ECHAM5/MPI-OM1 mit 6-stündiger Datenausgabe Verwendung. Die Wetterlagen für das Temperatur- und Niederschlagsregime wurden jeweils für den Zeitpunkt 0 UTC und 12 UTC aus den beiden gekoppelten ECHAM-Läufen berechnet. Anschließend folgte die Berechnung der relativen Häufigkeiten der Wetterlagen im jeweiligen Regime für die beiden Zeitpunkte. Zur Auswertung des Einflusses des Zeitunterschieds wurden die Häufigkeitsverteilungen der Wetterlagen zu den beiden Zeitpunkten verglichen und die mittlere Abweichung der relativen Häufigkeiten der Wetterlagen zwischen den Zeitpunkten ausgewertet. Im Temperaturregime erfolgte ein weiterer Schritt, um den Unterschied der relativen Häufigkeiten der Wetterlagen zwischen den beiden Zeitpunkten in genauen Temperaturunterschieden auszudrücken. Dazu wurden für beide gekoppelten ECHAM-Modellversionen die absoluten Häufigkeiten der Wetterlagen mit der zur jeweiligen Wetterlage zugeordneten mittleren Temperatur (siehe Tabelle 7) multipliziert und der Mittelwert aus allen Wetterlagen für die jeweilige Jahreszeit gebildet.

5.4 Dekadenvergleich und Untersuchung der Modellvariabilität Zur Untersuchung der Modellvariabilität wurden die NCEP/NCAR-Reanalysen als Referenz sowie die beiden Kontrollläufe der gekoppelten Modellversionen von ECHAM4 und ECHAM5 herangezogen. Bedingung für die Analyse war, dass für die einzelnen Läufe mindestens fünf konsistente Modelldekaden zur Verfügung standen. Wichtig ist hierbei, dass es sich bei dem Kontrolllauf des AOGCM ECHAM5/MPI-OM1 um einen Lauf mit nur 24-stündiger Datenausgabe handelt. Das bedeutet, dass die Daten immer um 0 UTC herausgeschrieben wurden. Tabelle 10 gibt eine Übersicht über die analysierten Modelldekaden. Tabelle 10: Übersicht über die analysierten Modelldekaden Modellversion Modelljahre Dekaden NCEP/NCAR-Reanalysen

1951 – 2000 1951-60, 61-70, 71-80, 81-90, 91-2000

ECHAM4/OPYC3 173 – 232* 173-182, 183-192, 203-212, 213-222, 223-232 ECHAM5/MPI-OM1 2051 – 2100* 2051-60, 61-70, 71-80, 81-90, 91-2100

Methoden

23

Nach Berechnung der Wetterlagen im Temperatur- und Niederschlagsregime mit dem Wetterlagenklassifizierungsmodell wurde die relative Häufigkeitsverteilung der Wetterlagen pro Saison für jede Dekade ermittelt. Anschließend folgte eine statistische Analyse der Wetterlagen innerhalb der beiden Regime hinsichtlich des Mittelwertes, der Standardabweichung und der Varianz über die 5 betrachteten Dekaden. Um mögliche Unterschiede in den Modellvariabilitäten festzustellen, wurden die Standardabweichungen der betrachteten Modell-Versionen verglichen. Die Standardabweichung ist dabei für jede Wetterklasse einzeln für die 5 Modelldekaden ermittelt worden. Die Berechnung der doppelten Standardabweichung dient letztendlich zur Abgrenzung des Signifikanzbereiches beim Vergleich der einzelnen Modelle. Bei der Betrachtung der Modelldekaden der gekoppelten ECHAM-Modellversionen muss beachtet werden, dass diese beliebig gegeneinander austauschbar sind, d.h. die Reihenfolge der Modelldekaden ist im Prinzip unwichtig, da die Randbedingungen sich nicht ändern. Im Gegensatz dazu repräsentieren die Dekaden der NCEP/NCAR-Reanalysen die tatsächliche Abfolge der vergangenen Jahre. Die Reanalysen basieren auf realen Beobachtungsdaten, so dass die Veränderungen z.B. in den atmosphärischen Gaskonzentrationen der letzten Jahrzehnte eine Rolle spielen.

5.5 Modellvergleich der AMIP- und Kontrollläufe Für den Vergleich der einzelnen Klimamodellversionen des MPI für Meteorologie wurden jeweils die AMIP-Läufe sowie die gekoppelten Modellversionen von ECHAM4 und ECHAM5 (siehe Tabelle 7) verwendet. Bei der Berechnung der Wetterlagen mit dem Wetterlagenklassifizierungsmodell wurde darauf geachtet, dass die verwendeten Klimadaten aus den betrachteten Modellen mit 6-stündiger Datenausgabe alle vom selben Zeitpunkt (12 UTC) stammen. Je nach verfügbarer Länge der Modellläufe konnten die Wetterlagen für 15 bis 50 Jahre berechnet werden. Der Vergleich der relativen Häufigkeiten der Wetterlagen aus den verschiedenen Modellen beschränkte sich aber letztendlich auf max. 16 Jahre für die AMIP-Läufe sowie 20 Jahre für den ECHAM5/MPI-OM1-Lauf mit 6-stündiger Datenausgabe, da für diese Läufe nicht mehr Klimadaten zur Verfügung standen. Bei der Berechnung der Wetterlagen basierend auf den NCEP/NCAR-Reanalysen und den gekoppelten ECHAM4/OPYC3-Lauf wurden jedoch alle 50 Modelljahre berücksichtigt. Die relativen Häufigkeiten der Wetterlagen basierend auf den NCEP/NCAR-Reanalysen dienen als Referenz bei den Modellvergleichen und werden zur Validierung der ECHAM-Modellversionen herangezogen. Die Häufigkeitsverteilung der Wetterlagen aus den unterschiedlichen Klimamodell-Versionen wurde in Häufigkeitsdiagrammen für die einzelnen Jahreszeiten dargestellt. Dabei wurden jeweils die AMIP-Läufe und die Kontrollläufe getrennt voneinander mit den NCEP/NCAR-Reanalysen verglichen. Der Mann-Whitney U-Test (SCHÖNWIESE 1992) wurde als statistischer Test dazu verwendet, die Häufigkeitsverteilungen der verschiedenen ECHAM-Modellversionen gegenüber den NCEP/NCAR-Reanalysen auf Gleichverteilung zu testen. Der U-Test ist nach SACHS (1999) eines der schärfsten nicht-parametrischen Prüfverfahren, welches besonders gegenüber Mediandifferenzen der untersuchten Stichproben-Verteilungen empfindlich ist. In der Nullhypothese dieses Tests wurden die Verteilungen der Wetterlagen basierend auf den verschiedenen Modellversionen als gleich verteilt angenommen. Der Test wurde mit einer Irrtumswahrscheinlichkeit von 0,05 durchgeführt. Es wurden jeweils die Wetterlagenverteilungen der gekoppelten und ungekoppelten ECHAM4- und ECHAM5-Modellversionen gegen die Wetterlagenverteilung der NCEP/NCAR-Reanalysen getestet.

Methoden

24

Zur Ermittlung möglicher signifikanter Unterschiede zwischen den ECHAM-Modellversionen und den NCEP/NCAR-Reanalysen hinsichtlich der relativen Häufigkeit der einzelnen Wetterlagen wurde die Differenz zwischen den Modellen und den Reanalysen gebildet. Die zweifache Standardabweichung der NCEP/NCAR-Reanalysen wurde als Signifikanzbereich ausgewählt. Sie entspricht erfahrungsgemäß einem statistischen Signifikanzniveau von ca. 95% (SACHS 1999). Die Standardabweichung wurde in der Dekadenanalyse (Kapitel 5.3 und 6.2) für 10 Jahre berechnet. Bei Betrachtung eines längeren Zeitraumes, wie im Modellvergleich die 50-Modelljahre der NCEP/NCAR-Reanalysen und des ECHAM4/OPYC3-Modells, verringert sich die Standardabweichung. Da auf Grund der geringen Datenmenge eine Bestimmung der Standardabweichung für 50 Jahre nicht möglich ist, dient die Standardabweichung für 10 Jahre als Schätzwert. Aufgrund der hohen Stichprobenanzahl (z.B. 4600 Tage) ist die Verwendung der doppelten Standardabweichung als Abschätzung des 95%-Signifikanzniveaus gerechtfertigt. Bei einer geringen Stichprobenanzahl wäre der CHI²-Test zum Vergleich zweier empirischer Eintrittshäufigkeiten (TAUBENHEIM 1969) eine genauere Methode, um die Ähnlichkeit zweier Häufigkeiten zu bestimmen. Berechnungen des genannten CHI²-Tests für einzelne Modelläufe im Zuge der Auswertung des Modellvergleichs haben die Ergebnisse der Abschätzung des 95%-Signifikanzniveaus mit der doppelten Standardabweichung bestätigt. Alle Abweichungen der relativen Häufigkeiten der Wetterlagen basierend auf den analysierten Klimamodellversionen, die merklich außerhalb des Signifikanzbereiches (2*σ10a) der NCEP/NCAR-Reanalysen liegen, werden in der vorliegenden Arbeit mit einer Irrtumswahrscheinlichkeit von 5% als signifikant verschieden von den NCEP/NCAR-Reanalysen angesehen.

5.6 Szenarienvergleich Die Basis für diese Analyse bildeten jeweils die Klimadaten aus dem Kontrolllauf und dem Szenarienlauf der beiden gekoppelten Modelle ECHAM4/OPYC3 und ECHAM5/MPI-OM1 (siehe Tabelle 7). Die Berechnung der Wetterlagen erfolgte über 20 Modelljahre. Dabei wurden die 20 Modelljahre der beiden betrachteten Szenarienläufe um den Zeitpunkt der CO2-Konzentrationsverdopplung zentriert, d.h. vom 60. bis 80. Modelljahr. Nach der Berechnung der relativen Häufigkeiten der Wetterlagen im Temperatur- und Niederschlagsregime für die Kontroll- und Szenarienläufe wurden die jeweiligen Häufigkeitsverteilungen in Diagrammen dargestellt und miteinander verglichen. Weiterhin wurde die Differenz zwischen dem jeweiligen Kontroll- und Szenarienlauf ermittelt, um die Veränderungen in der relativen Häufigkeit der Wetterlagen bei erhöhter CO2-Konzentration darzustellen. 5.7 Daten-Analyse des ECHAM4-(T106)-Zeitscheibenexperiments Zur Analyse des Einflusses der horizontalen Auflösung auf die Ergebnisse des Wetterlagenklassifizierungsmodells wurden die Klimadaten aus dem gekoppelten Modell ECHAM4/OPYC3 mit den Daten aus den so genannten Zeitscheibenexperimenten verglichen. In Letzteren wurde das ungekoppelte ECHAM4-Modell mit einer T106-Auflösung gerechnet und mit den Randbedingungen des gröber auflösenden, gekoppelten Modell ECHAM4/OPYC3 (T42) angetrieben. Zum ersten wurden die Wetterklassen für den in Tabelle 7 aufgelisteten AMIP-Lauf im Temperatur- und Niederschlagsregime berechnet und deren relative Häufigkeiten bestimmt. Die Häufigkeitsverteilung der Wetterklassen basierend auf diesem AMIP-Lauf konnte dann

Methoden

25

mit den Wetterklassen-Häufigkeitsverteilungen basierend auf den AMIP-Läufen der ECHAM-Modellversionen mit T42-Auflösung (siehe Tabelle 7) sowie den NCEP/NCAR-Reanalysen (T63) verglichen werden. Die doppelte Standardabweichung der Wetterklassen der NCEP/NCAR-Reanalysen diente dazu, die signifikanten Abweichungen in den relativen Häufigkeiten der Wetterklassen basierend auf dem ECHAM4-AMIP-Lauf (T106) zu ermitteln. Dieser Vergleich soll dazu beitragen, die Realitätsnähe der Wetterklassen-häufigkeitsverteilung auf Basis des ECHAM4-AMIP-Laufs (T106) einzuschätzen. Zum Zweiten wurden die Wetterklassen für die Klimadaten der ECHAM4-(T106)- Zeitscheibenexperimente (MERKEL 2003) jeweils für ein Ensemble (5 x DJF) im Kontroll- und 2xCO2-Szenarienlauf (siehe Tabelle 7) berechnet. Die Betrachtung der Häufigkeitsverteilungen der Wetterklassen beschränkte sich bei dieser Analyse mangels Daten für die anderen Jahreszeiten auf den Winter. Die Häufigkeitsverteilung der Wetterklassen im Temperatur- und Niederschlagsregime wurde jeweils für den Kontroll- und Szenarienlauf ermittelt und graphisch dargestellt. Ein Vergleich dieser Häufigkeitsverteilungen mit den entsprechenden Wetterklassenhäufigkeitsverteilungen basierend auf den gekoppelten ECHAM-Modellversionen (ECHAM4/OPYC3 und ECHAM5/MPI-OM1) in T42-Auflösung sollte letztendlich zeigen, ob die Auflösung des globalen Klimamodells Auswirkungen auf die Ergebnisse der Szenariensimulationen hat. 5.8 Rohdatenanalyse Die Daten für die maximale 2 m-Temperatur (Code 201) und der Tagessumme des Niederschlages (Code 260) wurden mit Hilfe des „afterburners“ aus dem Klimadaten des gekoppelten Modells ECHAM5/MPI-OM1 herausgezogen. Dabei fanden jeweils die Daten aus dem Kontroll- und dem transienten Szenarienlauf mit einem jährlichen CO2-Anstieg von 1% Beachtung. Der Kontrolllauf umfasst eine Länge von 96 Jahren und ist beschränkt auf eine 24-stündige Datenausgabe. Für den Szenarienlauf stehen nur 20 Jahre (zum Zeitpunkt der Verdopplung der CO2-Konzentration) zur Analyse zur Verfügung, bei einer 6-stündigen Datenausgabe. Die Tagessumme des Niederschlags musste somit über die 4 Termine (0, 6, 12, 18 UTC) gemittelt werden. Für die maximale 2 m-Temperatur wurde der größte Wert aus den 4 Terminen zur Analyse ausgewählt. Nach Auszug der beiden Größen Temperatur und Niederschlag wurden die Klimadaten mit Hilfe eines SHELL-Skriptes in die vier Jahreszeiten eingeteilt und in bestimmte Temperatur- bzw. Niederschlagsklassen unterteilt. Die Klassengrenzen entsprechen denen, die in ENKE (2003) zur Herleitung der empirischen Wetterlagen verwendet wurden und in Tabelle 3 und 4 (Kapitel 3) aufgelistet sind. In die Untersuchung der Häufigkeitsverteilung der Temperatur- und Niederschlagsklassen fließen jeweils nur die über den geographischen Bereich Deutschlands gemittelten Klimadaten des ECHAM5/MPI-OM1-Modells ein, d.h. insgesamt 6 Gitterpunkte von 11° bis 15° östliche Länge und 48° bis 55° nördliche Breite. Zum Ersten erfolgte ein Vergleich der Häufigkeitsverteilungen der Temperatur- bzw. Niederschlagsklassen, die einerseits mit den ECHAM5/MPI-OM1-Rohdaten und andererseits mit dem Wetterlagenklassifizierungsmodell berechnet wurden. Zum Zweiten sollte festgestellt werden, ob die Klassenverteilungen ähnliche Tendenzen im 2xCO2-Szenarium zeigen. Dazu erfolgte die Berechnung der Differenz zwischen Szenarien- und Kontrolllauf für die Rohdaten und die Wetterlagen.

Ergebnisse

26

6 ERGEBNISSE Aus Effizienzgründen werden im Folgenden die Wetterlagen, die mit den Daten aus den AMIP-Läufen und den Kontrollläufen der ECHAM-Modellversionen berechnet wurden, als die Wetterlagen des ECHAM4- bzw. ECHAM5-Modells bezeichnet. Die Wetterlagen basierend auf den NCEP/NCAR-Reanalysen werden abkürzend auch als NCEP/NCAR-Reanalysen benannt. 6.1 UTC-Vergleich Der Vergleich der relativen Häufigkeiten der Wetterlagen berechnet für die beiden Zeitpunkte 0 und 12 UTC auf Basis der beiden Kontrollläufe der gekoppelten ECHAM-Modellversionen zeigt, dass besonders im Temperaturregime der zeitliche Aspekt der Klimadaten eine Rolle spielt (siehe Abbildungen 6 und 7).

TEMPERATURREGIMEECHAM5/MPI-OM1

-4-3-2-1012345

Frühling Sommer Herbst Winter

mitt

lere

Abw

eich

ung in

%

sexK

exKa

seKa

KaltNor-

Norm

Nor+

Warm

seWaexWa

ECHAM4/OPYC3

-4-3-2-1012345

Frühling Sommer Herbst Winter

mitt

lere

Ab

wei

chu

ng

in %

Wetterklassen

Abbildung 6: Mittlere Abweichungen der relativen Häufigkeiten der Wetterlagen im Temperaturregime berechnet für 0 und 12 UTC auf Basis der beiden ge- koppelten Klimamodelle (Abkürzungen der Wetterklassen siehe Tabelle 3 und 4) In der Abbildung 6 kann man im Temperaturregime deutlich erkennen, dass sich im Frühling und im Sommer vor allem bei den Wetterlagen des Modells ECHAM5/MPI-OM1 ein Trend von den wärmeren zu den kälteren Wetterlagen abzeichnet. Dieser Trend veranschaulicht, dass zum Zeitpunkt 0 UTC häufiger kältere und weniger wärmere Wetterlagen auftreten als zum Zeitpunkt 12 UTC. Bei den Wetterlagen berechnet mit ECHAM4/OPYC3 ist dieser Trend nur im Frühling ansatzweise zu erkennen. Die größten negativen Abweichungen treten in beiden ECHAM-Modellversionen bei der normalen Wetterlage (Norm) im Sommer auf. Die größte positive Abweichung wird im Modell ECHAM5/MPI-OM1 durch die sehr extrem kalte Wetterlage (sexK) bestimmt (siehe auch Tabelle 12). Für die Jahreszeiten Herbst und Winter ist für beide Versionen des gekoppelten ECHAM-Modells kein Trend ersichtlich. Die mittleren Abweichungen der relativen Häufigkeiten der Wetterlagen schwanken hier im Bereich der Modellvariabilität.

Ergebnisse

27

Um den Unterschied zwischen den relativen Häufigkeiten der Wetterlagen für 0 und 12 UTC im Temperaturregime mit realen Temperaturen zu verdeutlichen, ist in Tabelle 11 der tatsächliche Temperaturunterschied in °C aufgezeigt. Diese Temperaturunterschiede sind minimal und nicht auf ihre Signifikanz getestet, jedoch veranschaulichen sie die Problematik. Tabelle 11: Temperaturunterschied zwischen den Zeitpunkten 0 und 12 UTC, ermittelt aus den Wetterlagen der beiden gekoppelten ECHAM -Modellversionen

ECHAM5/MPI-OM1 ECHAM4/OPYC3 0 UTC 12 UTC Differenz 0 UTC 12 UTC Differenz

Frühling 5,73 6,43 -0,70 7,86 8,24 -0,38 Sommer 15,36 15,93 -0,57 17,52 17,79 -0,27 Herbst 7,94 8,21 -0,28 9,30 9,45 -0,15 Winter 1,64 1,69 -0,05 3,33 3,37 -0,05

Man erkennt, dass der Frühling jeweils bei beiden ECHAM-Modellversionen die größte Temperaturdifferenz zwischen 0 und 12 UTC aufweist. Die Temperaturdifferenzen im Frühling und Sommer sind jedoch bei den Wetterlagen des Modells ECHAM5/MPI-OM1 immer größer als die des ECHAM4/OPYC3-Modells.

NIEDERSCHLAGSREGIMEECHAM5/MPI-OM1

-4-3-2-10

12345

Frühling Sommer Herbst Winter

mitt

lere

Ab

wei

chu

ng

in % seTr

TrocweNi

leNi

miNi

maNi

stNissNi

ECHAM4/OPYC3

-4-3-2-1012345

Frühling Sommer Herbst Winter

mitt

lere

Abw

eich

ung

in %

Wetterklassen

Abbildung 7: Mittlere Abweichungen der relativen Häufigkeiten der Wetterlagen im Niederschlagsregime berechnet für 0 und 12 UTC auf Basis der beiden gekoppelten Klimamodelle Im Niederschlagsregime schwanken die mittleren Abweichungen der relativen Häufigkeiten der Wetterlagen für beide gekoppelten ECHAM-Modellversionen im Rahmen der Modellvariabilität ohne das ein Trend zu erkennen ist (siehe Abbildung 7). Die Schwankungen treten bei beiden Modellen in vergleichbarer Größenordung (ca. 1,5%) auf. Die größten Abweichungen findet man im Sommer vor allem bei den sehr trockenen bis trockenen Wetterlagen basierend auf ECHAM5/MPI-OM1. Diese Abweichungen bewegen sich aber auch in der Größenordnung der Standardabweichung der jeweiligen Wetterlage.

Ergebnisse

28

Eine Zusammenfassung der wichtigsten Unterschiede aus dem UTC-Vergleich der beiden gekoppelten ECHAM-Modellversionen ist in Tabelle 12 dargestellt. Tabelle 12: Übersicht der Ergebnisse aus dem UTC-Vergleich der relativen Häufigkeiten der Wetterlagen basierend auf ECHAM5/MPI-OM1 und ECHAM4/OPYC3

Regime ECHAM5/MPI-OM1 ECHAM4/OPYC3 Temperatur Trend erkennbar v.a. Frühling und

Sommer 0 UTC mehr kalte und weniger warme WL als 12 UTC Abweichungen größer im Frühling und Sommer als Herbst und Winter max. +4% sexK im Sommer min. -3,5% Norm im Sommer

schwacher Trend erkennbar (Ausnahme Norm (Frühling) und Nor+ (Sommer) 12UTC generell warme WL häufiger max. +1,75% Nor- im Sommer min. -2,75% Norm im Sommer

Niederschlag kein Trend erkennbar Abweichungen allgmein im Frühling+Sommer größer als im Herbst+Winter max. +2,55 seTr im Sommer min. -2,55 Troc im Sommer

kein Trend erkennbar Abweichungen allgmein im Frühling+Sommer größer als im Herbst+Winter max. +1,9% stNi im Sommer min. -2,4% seTr im Frühling

Aufgrund der vorliegenden Ergebnisse im UTC-Vergleich wurde in dieser Arbeit darauf geachtet, die Wetterlagen grundsätzlich mit Klimadaten, die um 12 UTC herausgeschrieben wurden, zu berechnen. Der über 100-Modelljahre umfassende gekoppelte ECHAM5/MPI-OM1-Lauf (D16) mit 24-stündiger Datenausgabe (um 0 UTC) wurde daher nur zur Untersuchung der Modellvariabilität herangezogen, da für diese Analyse mindestens 5 Modelldekaden nötig waren. Die Modellvariabilität dürfte durch den Zeitpunkt der Datenausgabe nicht beeinflusst sein, da es sich nur um zwei unterschiedliche Simulationen (D16 und D45) des gleichen gekoppelten Modells handelt. 6.2 Dekadenvergleich und Analyse der Modellvariabilität 6.2.1 Temperaturregime In Abbildung 8 sind die relativen Häufigkeiten der Wetterlagen im Temperaturregime für die NCEP/NCAR-Reanalysen und die gekoppelten Modelle ECHAM4/OPYC3 und ECHAM5/MPI-OM1 dargestellt. Aus Gründen der Übersichtlichkeit werden in der Abbildung nur die Jahreszeiten Sommer und Winter gezeigt. Die vollständigen Tabellen mit den Ergebnissen für alle Jahreszeiten befinden sich im Anhang B2. Die relativen Häufigkeitsverteilungen der Wetterlagen der NCEP/NCAR-Reanalysen und der ECHAM4/OPYC3-Modelldaten sehen in den einzelnen Dekaden ähnlich aus (siehe Abbildung 8). Die unter- bis übernormal warmen Wetterlagen (Nor-, Norm und Nor+) sind jedoch im Sommer bei den mit ECHAM4/OPYC3 erzeugten Wetterlagen häufiger als bei den NCEP/NCAR-Reanalysen. Die relativen Häufigkeiten der Wetterlagen aus den ECHAM5/MPI-OM1-Modelldaten sind im Vergleich zu den NCEP/NCAR-Reanalysen deutlich zu den kälteren Wetterlagen verschoben. Dies kann hauptsächlich durch den systematischen Fehler im ECHAM5/MPI-OM1-Modell begründet sein, welcher einen so genannten „cold bias“ über Eurasien verursacht. Das bedeutet, dass das gekoppelte ECHAM5-Modell generell über Europa zu kalt ist. Der Temperaturfehler kann bis zu -10°C über Eurasien betragen (BOTZET 2003, persönliche Mitteilung). Dieser systematische Fehler wirkt sich besonders im Winter auf die Häufigkeitsverteilung der Wetterlagen des ECHAM5/MPI-OM1-Modells aus.

Ergebnisse

29

-Sommer-

05

1015202530

1951-60 1961-70 1971-80 1981-90 1991-2000

rel.

Häu

fig

keit

in %

-Winter-

05

1015202530

1951-60 1961-70 1971-80 1981-90 1991-2000

rel.

Häu

figk

eit

in %

NCEP/NCAR-Reanalysen

ECHAM4/OPYC3

ECHAM5/MPI-OM1

05

1015202530

I II III IV V

rel.

Häu

figk

eit i

n %

05

1015202530

I II III IV V

rel.

Häu

figk

eit i

n %

05

1015202530

I II III IV V

Dekade

rel.

Häu

figk

eit i

n %

05

1015202530

I II III IV V

Dekade

rel.

Häu

figke

it in

%

Abbildung 8: Darstellung der relativen Häufigkeitsverteilung der Wetterlagen im Temperaturregime basierend auf verschiedenen Modellen über 5 Dekaden für Sommer und Winter Bei genauerer Betrachtung der extrem warmen Wetterlage (exWa) basierend auf den NCEP/NCAR-Reanalysen wird ein positiver Trend von der ersten (1951-61) bis zur letzten (1991-2000) Dekade ersichtlich. Dieser Trend ist bei den Wetterlagen, erzeugt mit den Kontrollläufen der beiden gekoppelten ECHAM-Modellversionen, nicht vorhanden. Die ECHAM-Modelldekaden sind außerdem beliebig gegeneinander austauschbar, da sie nicht an Beobachtungsdaten geknüpft sind. Die Ergebnisse der Berechnung der Standardabweichung der relativen Häufigkeiten der einzelnen Wetterlagen über 5 Dekaden sind für die drei betrachteten Modelle in Abbildung 9 für das Temperaturregime aufgezeigt. Auch hier wird nur der Sommer und Winter abgebildet.

Ergebnisse

30

-Winter-

00,5

11,5

22,5

33,5

44,5

5

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

-Sommer-

00,5

11,5

22,5

33,5

44,5

5

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

-Temperaturregime-

Wetterklasse Wetterklasse

%%

Abbildung 9: Vergleich der Standardabweichung der relativen Häufigkeit der einzelnen Wetterlagen im Temperaturregime über 5 Modelldekaden für die verschiedenen Modellversionen Die Abbildung 9 zeigt, dass die Standardabweichungen der drei Modelle für die einzelnen Wetterlagen sehr unterschiedlich ausfallen. Unter diesem Gesichtspunkt muss darauf geachtet werden, dass die gekoppelten Klimamodelle ECHAM4/OPYC3 und ECHAM5/MPI-OM1 von ihrer Konzeption aus die natürliche Variabilität des Klimasystems wiedergeben sollen bzw. die Klimavariabilität bei konstanter CO2-Konzentration (348 ppm) in der Atmosphäre. In den Wetterlagen der NCEP/NCAR-Reanalysen spiegelt sich, zusätzlich zu der natürlichen Klimavariabilität, auch die anthropogene Klimaveränderung wider, verursacht z.B. durch erhöhte Treibhausgasemissionen. Diese anthropogene Klimaveränderung kann unter Umständen der Grund für den positiven Trend in der extrem warmen Wetterlage (exWa), berechnet aus den NCEP/NCAR-Reanalysen, sein. Um nur die natürliche Klimavariabilität in den Wetterlagen der NCEP/NCAR-Reanalysen betrachten zu können, müsste man den Trend von der Gesamtvariabilität abziehen. Einen kurzen zusammenfassenden Überblick über die wichtigsten Ergebnisse aus dem Vergleich der Standardabweichungen im Temperaturregime gibt Tabelle 13. Tabelle 13: Übersicht der Ergebnisse aus dem Vergleich der Modellvariabilität bzw. der Standardabweichung der Wetterlagen über 5 Modelldekaden im Temperaturregime für die verschiedenen Modelle

NCEP/NCAR-Reanalysen ECHAM4/OPYC3 ECHAM5/MPI-OM1 im Frü, Som und Win Zunahme der exWa WL von 1951-2000 größte STABW: Frü à Nor- (2,9) Som à Kalt (2,9) Her à Kalt (3,0) Win à Norm (3,7)

kein deutlicher Trend erkennbar größte STABW: Frü à Warm (4,6) Som à Nor- (3,1) Her à seKa (2,5) Win à ex Wa (3,2)

im Her größte rel. Häufigkeit der exWa WL, kein deutl.Trend erkennbar größte STABW: Frü à Nor- (3,2) Som à sexK (2,2) Her à seKa (2,5) Win à Kalt (2,8)

Ergebnisse

31

6.2.2 Niederschlagsregime Abbildung 10 stellt die relativen Häufigkeiten der Wetterlagen basierend auf den gekoppelten ECHAM-Modelldaten sowie den NCEP/NCAR-Reanalysen über 5 Dekaden für das Niederschlagsregime dar. Zur besseren Übersicht sind nur der Sommer und Winter abgebildet. Die vollständigen Tabellen mit den Ergebnissen für alle Jahreszeiten befinden sich im Anhang B3. Erwartungsgemäß weisen die sehr trockene (seTr) und trockene (Troc) Wetterlage von allen drei Modellen im Vergleich zu den anderen Wetterlagen im Niederschlagsregime die größte relative Häufigkeit auf. Die zwei genannten Wetterlagen besitzen zudem auch die größte Standardabweichung über die 5 Dekaden, wie in Abbildung 6 zu erkennen ist. Die Dominanz dieser beiden Wetterlagen ist jedoch bei den Häufigkeitsverteilungen der Wetterlagen der ECHAM4/OPYC3-Modelldaten nicht so ausgeprägt. Die Häufigkeitsverteilungen der Wetterlagen über die 5 Dekaden sind allgemein für die 3 Modellversionen ähnlich. über 5 Modelldekaden der verschiedenen Modellversionen

NCEP/NCAR-Reanalysen

ECHAM4/OPYC3

ECHAM5/MPI-OM1

-Sommer-

05

10152025303540

1951-60 1961-70 1971-80 1981-90 1991-2000

rel.

Häu

figk

eit i

n %

-Winter-

05

10152025303540

1951-60 1961-70 1971-80 1981-90 1991-2000

rel.

Häu

figke

it in

%

05

10152025303540

I II III IV V

rel.

Häu

figk

eit i

n %

05

10152025303540

I II III IV V

rel.

Häu

fig

keit

in %

05

10152025303540

I II III IV V

Dekade

rel.

Häu

figke

it in

%

05

10152025303540

I II III IV VDekade

rel.

Häu

figke

it in

%

Abbildung 10: Darstellung der relativen Häufigkeitsverteilung der Wetterlagen im Niederschlagsregime basierend auf verschiedenen Modellen über 5 Dekaden für Sommer und Winter Weiterhin ist auch im Niederschlagregime bei den Wetterlagen der NCEP/NCAR-Reanalysen ein ansteigender Trend ersichtlich. Dieser bezieht sich auf die sehr trockene Wetterlage (seTr) besonders im Winter (siehe Abbildung 10) sowie im Frühling und Herbst (nicht dargestellt). Hierbei gilt ebenfalls zu beachten, dass die NCEP/NCAR-Reanalysen die natürlichen sowie die anthropogen verursachte Klimavariabilität beinhalten. Die Wetterlagen basierend auf den beiden gekoppelten ECHAM-Modellversionen weisen keinen Trend über die 5 Modelldekaden auf. Ein Vergleich der Standardabweichungen der drei betrachteten Modelle ist in Abbildung 11 für den Sommer und den Winter dargestellt.

Ergebnisse

32

-Niederschlagsregime-

Wetterklasse Wetterklasse

%%

-Sommer-

0123456789

10

seTr Troc weNi leNi miNi maNi stNi ssNi

-Winter-

0123456789

10

seTr Troc weNi leNi miNi maNi stNi ssNi

Abbildung 11: Vergleich der Standardabweichung der relativen Häufigkeit der einzelnen Wetterlagen im Niederschlagsregime über 5 Modelldekaden für die verschiedenen Modellversionen Die größte Standardabweichung mit über 9% weist die sehr trockene Wetterlage (seTr) der NCEP/NCAR-Reanalysen im Winter auf, gefolgt von der auf den ECHAM4/OPYC3-Modelldaten basierenden sehr trockenen Wetterlage mit 6%. Die Standardabweichung der restlichen Wetterlagen im Niederschlagsregime schwankt für alle drei betrachteten Modellversionen zwischen 0,5 bis 3%. Die Größe der Standardabweichung ist allgemein proportional zur relativen Häufigkeit der Wetterlagen. Die wichtigsten Ergebnisse des Vergleichs bezüglich der Wetterlagenstandardabweichungen für die betrachteten Modelle über 5 Dekaden sind in Tabelle 14 kurz zusammengefasst. Tabelle 14: Übersicht der Ergebnisse aus dem Vergleich der Modellvariabilität bzw. der Standardabweichung der Wetterlagen über 5 Modelldekaden im Niederschlagsregime für die verschiedenen Modelle

NCEP/NCAR-Reanalysen ECHAM4/OPYC3 ECHAM5/MPI-OM1 vor allem im Frü und im Her Anstieg der seTr WL von 1951-2000 à diese WL hat die größte rel. Häufigkeit und STABW in allen Jahreszeiten (Frü (6,7),Som (3,7),Her (3,0), Win (9,6))

kein deutlicher Anstieg der seTr WL auch hier hat diese WL die größte rel. Häufigkeit und STABW (außer Her) in allen Jahreszeiten (Frü (2,2),Som (4,0),Her (2,3), Win (6,0)) im Her hat ssNi größte STABW (2,4)

kein deutlicher Anstieg der seTr WL auch hier hat diese WL die größte rel. Häufigkeit und STABW in allen Jahreszeiten (Frü (3,7),Som (2,4),Her (5,1), Win (1,9))

Zusammenfassend kann man sagen, dass die Untersuchung der Standardabweichung der Wetterlagenhäufigkeiten im Temperatur- und Niederschlagsregime ergeben hat, dass die Modellvariabilität zwischen den ECHAM-Modellen und den NCEP/NCAR-Reanalysen sehr variiert. Die NCEP/NCAR-Reanalysen enthalten zusätzlich zur natürlichen Klimavariabilität, die durch die ECHAM-Modelle wiedergegeben werden soll, einen wahrscheinlich anthropogen verursachten Trend. Zur Beurteilung von Änderungen in den Wetterlagenhäufigkeiten (z.B. Szenarienanalyse) ist es wichtig, den Schwankungsbereich der Standardabweichung im Auge zu behalten. Im Durchschnitt liegt die Standardabweichung der Wetterlagenhäufigkeit im Temperaturregime bei 1,5% und im Niederschlagsregime bei 2%, wobei bei der Betrachtung einer konkreten Wetterlage die exakte Standardabweichung berücksichtigt werden muss. Abweichungen der Wetterlagenhäufigkeiten, die im Rahmen der Schwankungsbreite der Standardabweichung liegen, können vernachlässigt werden, da sie sich innerhalb der Modellvariabilität bewegen.

Ergebnisse

33

6.3 Modellvergleich 6.3.1 Temperaturregime 6.3.1.1 Vergleich der AMIP-Läufe der ECHAM-Modellversionen In Abbildung 12 sind zum Vergleich die relativen Häufigkeiten der Wetterlagen basierend auf den AMIP-Läufen der Modelle ECHAM4 und ECHAM5 sowie den NCEP/NCAR-Reanalysen für die einzelnen Jahreszeiten im Temperaturregime dargestellt. Die relativen Häufigkeiten der NCEP/NCAR-Reanalysen dienen bei allen Modellvergleichen als Referenz. Die Abbildung 12 zeigt, dass in allen Jahreszeiten die Häufigkeitsverteilungen der Wetterlagen basierend auf den AMIP-Läufen der ECHAM-Modellversionen mit den NCEP/NCAR-Reanalysen allgemein gut übereinstimmen. Im Sommer wird eine leichte Verschiebung der ECHAM4-Wetterlagen zu den wärmeren Wetterlagen (Nor+, Warm, seWa, exWa) deutlich. Die beim gekoppelten ECHAM5/MPI-OM1-Modell beobachtete Verschiebung der Wetterlagenverteilung zu den kälteren Wetterlagen (siehe Punkt 6.2.1) tritt bei dem ECHAM5-AMIP-Lauf nicht auf.

-Temperaturregime--Frühling-

0

5

10

15

20

25

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

rel.

Häu

figk

eit i

n %

-Sommer-

0

5

10

15

20

25

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

rel.

Häu

figke

it in

%

-Herbst-

0

5

10

15

20

25

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

rel.

Häu

figk

eit i

n %

-Winter-

0

5

10

15

20

25

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

rel.

Häu

figk

eit i

n %

Abbildung 12: Vergleich der relativen Häufigkeiten der Wetterlagen berechnet mit den AMIP- Läufen von ECHAM4 und ECHAM5 sowie den NCEP/NCAR-Reanalysen (NCAR) (einfache Standardabweichung) im Temperaturregime Die statistische Auswertung der Häufigkeitsverteilungen der betrachteten Modelle mit dem Mann-Whitney U-Test ergab für die AMIP-Läufe der beiden ECHAM-Modellversionen keine signifikanten Unterschiede im Vergleich zu den NCEP/NCAR-Reanalysen. Die konkreten Ergebnisse des Tests sind dem Anhang B1 zu entnehmen.

Ergebnisse

34

Die genauere Betrachtung der einzelnen Wetterlagen basierend auf den ECHAM-Modellversionen und den NCEP/NCAR-Reanalysen ergab jedoch in den relativen Häufigkeiten einiger Wetterlagen signifikante Unterschiede. Die Differenz der Wetterlagenhäufigkeiten berechnet aus den AMIP-Läufen der ECHAM-Modellversionen und den NCEP/NCAR-Reanalysen ist in Abbildung 13 veranschaulicht. Weiterhin ist der Signifikanzbereich (ca. 95%), der sich aus der doppelten Standardabweichung der NCEP/NCAR-Reanalysen ergibt, durch eine rote untere und obere Grenze gekennzeichnet. Diejenigen Wetterlagen, die in ihrer relativen Häufigkeit mehr als die doppelte Standardabweichung von den NCEP/NCAR-Reanalysen abweichen, können als signifikant verschieden von den Reanalysen angesehen werden.

-Frühling-

-8

-6

-4

-2

0

2

4

6

8

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

Dif

fere

nz i

n %

-Sommer-

-8

-6

-4

-2

0

2

4

6

8

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

Dif

fere

nz in

%

-Herbst-

-8-6

-4-2

024

68

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

Dif

fere

nz in

%

-Winter-

-8-6-4

-202

468

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

Dif

fere

nz in

%

-Temperaturregime-

Abbildung 13: Differenz zwischen den relativen Häufigkeiten der Wetterlagen basierend auf den AMIP-Läufen der beiden gekoppelten ECHAM-Modellversionen und den NCEP/NCAR-Reanalysen im Bereich der doppelten Standardabweichung der Reanalysen im Temperaturregime Allgemein wird in Abbildung 13 sichtbar, dass im Frühling und im Winter die beste Übereinstimmung der relativen Häufigkeiten der Wetterlagen der ECHAM-Modellversionen mit den NCEP/NCAR-Reanalysen vorliegt. Im Sommer werden vor allem die warmen Wetterlagen durch das ECHAM4-Modell überschätzt und die sehr extrem kalten bis sehr kalten Wetterlagen unterschätzt. Das ECHAM5-Modell liefert in allen Jahreszeiten gute bis sehr gute Übereinstimmungen mit den NCEP/NCAR-Reanalysen.

Ergebnisse

35

6.3.1.2 Vergleich der Kontrollläufe der ECHAM-Modellversionen In Abbildung 14 sind die relativen Häufigkeiten der Wetterlagen, berechnet aus den Kontrollläufen der beiden gekoppelten Modelle ECHM4/OPYC3 und ECHAM5/MPI-OM1, im Vergleich zu den NCEP/NCAR-Reanalysen dargestellt. Die Abbildung 14 zeigt, dass in allen Jahreszeiten eine Verschiebung der Wetterlagenverteilung des gekoppelten ECHAM5-Modells zu den kälteren Wetterlagen hin auftritt. Dies liegt an dem schon in Punkt 6.2.1 beschriebenen „cold bias“ im gekoppelten ECHAM5-Modell über Europa bzw. Eurasien. Die Verteilung der Wetterlagen berechnet mit den Daten des gekoppelten ECHAM4-Modells ist im Vergleich dazu besonders im Sommer mehr zu den wärmeren Wetterlagen hin verschoben. Im Frühling stimmen die Wetterlagen der gekoppelten ECHAM-Modellversionen mit den NCEP/NCAR-Reanalysen am besten überein. Dagegen ist die Übereinstimmung im Sommer und Winter weniger ausgeprägt.

-Frühling-

0

5

10

15

20

25

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

rel.

Häu

figk

eit

in %

-Sommer-

0

5

10

15

20

25

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

rel.

Häu

figk

eit i

n %

-Herbst-

0

5

10

15

20

25

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

rel.

Häu

figk

eit i

n %

-Winter-

0

5

10

15

20

25

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

rel.

Häu

figke

it in

%

-Temperaturregime-

Abbildung 14: Vergleich der relativen Häufigkeiten der Wetterlagen berechnet mit den Kontrollläufen der gekoppelten ECHAM -Modellversionen sowie den NCEP/NCAR-Reanalysen (einfache Standardabw eichung) im Temperaturregime Die Berechnungen mit dem statistischen Mann-Whitney U-Test haben ergeben, dass die Häufigkeitsverteilungen der Wetterlagen der gekoppelten ECHAM-Modellversionen nicht signifikant verschieden sind von der Häufigkeitsverteilung der NCEP/NCAR-Reanalysen. Die Ergebnisse des U-Tests sind für die durchgeführten Modellvergleiche im Anhang B1 für das Temperatur- und Niederschlagsregime zusammengestellt. Einzelne Wetterlagen basierend auf den ECHAM-Modellversionen differieren jedoch in ihrer relativen Häufigkeit deutlich von denen der NCEP/NCAR-Reanalysen. In Abbildung 15 ist dazu die Differenz zwischen dem jeweiligen gekoppelten ECHAM-Modell und den NCEP/NCAR-Reanalysen dargestellt. Abweichungen der AMIP-Läufe, die größer als der rot gekennzeichnete Signifikanzbereich sind, können mit einer Irrtumswahrscheinlichkeit von ca. 5% als signifikant verschieden von den NCEP/NCAR-Reanalysen angesehen werden.

Ergebnisse

36

-Temperaturregime--Frühling-

-8

-6

-4

-2

0

2

4

6

8

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

Dif

fere

nz in

%-Sommer-

-8

-6

-4

-2

0

2

4

6

8

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

Dif

fere

nz in

%

-Herbst-

-8

-6-4

-2

0

24

6

8

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

Dif

fere

nz in

%

-Winter-

-8

-6

-4

-2

0

2

4

6

8

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

Dif

fern

ez in

%

Abbildung 15: Differenz zwischen den relativen Häufigkeiten der Wetterlagen basierend auf den Kontrollläufen der beiden gekoppelten ECHAM-Modellversionen und den NCEP/NCAR-Reanalysen im Bereich der doppelten Standardabweichung der Reanalysen im Temperaturregime Man erkennt in Abbildung 15, dass im Frühling und im Herbst eine gute Übereinstimmung der Wetterlagen basierend auf den beiden gekoppelten ECHAM-Modellen mit den NCEP/NCAR-Reanalysen vorliegt. Außer der sehr extrem kalten Wetterlage (sexK) des Modells ECHAM5/MPI-OM1 im Frühling und der unternormal warmen Wetterlage (Nor-) des Modells ECHAM4/OPYC3 im Herbst liegen alle Wetterlagen innerhalb des gekennzeichneten Signifikanzbereiches. Im Sommer und im Winter ist die Übereinstimmung weniger ausgeprägt und einige der systematischen Fehler der ECHAM-Modelle werden offensichtlich. Besonders im Winter äußert sich dies darin, dass die Wetterlagenverteilung des ECHAM5/MPI-OM1-Modells im Vergleich zu den NCEP/NCAR-Reanalysen mehr zu den kälteren Wetterlagen verschoben ist und die warme und sehr warme Wetterlage (Warm, seWa) unterschätzt werden. Im Modell ECHAM4/OPYC3 ist dagegen besonders im Sommer die Tendenz erkennbar, die sehr extrem bis sehr kalten Wetterlagen (sexK, exKa, seKa) zu unterschätzen. Eine Zusammenfassung der wichtigsten Ergebnisse aus dem Vergleich der Modelle im Temperaturregime ist in Tabelle 15 zu finden.

Ergebnisse

37

Tabelle 15: Übersicht über die wichtigsten Ergebnisse aus dem Vergleich der Kontroll- und AMIP-Läufe der ECHAM-Modellversionen mit den NCEP/NCAR-Reanalysen im Temperaturregime

ECHAM4 ECHAM5 Fru sehr gute Übereinstimmung gute Übereinstimmung

Abweichungen bei den kalten und warmen WL (sexK, seKa à überschätzt; seWa à unterschätzt)

Som schlechte Übereinstimmung warme WL (Norm, Nor+, Warm) à überschätzt kalte WL (sexK, exKa seKa) à unterschätzt

gute Übereinstimmung Nor- à überschätzt Warmà überschätzt

Her gute Übereinstimmung sexK, Nor- à unterschätzt

mäßige Übereinstimmung sexK, exKa à überschätzt Norm, Nor+ à unterschätzt

Kontroll- lauf

Win gute Übereinstimmung Nor- à unterschätzt exWa à überschätzt

sehr schlechte Übereinstimmung kalte Wetterlagen (sexK, seKa, Kalt, Nor-) à überschätzt warme Wetterlagen (Nor+, Warm, seWa) à unterschätzt

Fru sehr gute Übereinstimmung gute Übereinstimmung, außer WL sexK à überschätzt

Som schlechte Übereinstimmung kalte WL (sexK, exKa, seKa) à unterschätzt warme WL (Norm, Nor+, Warm, exWa)à überschätzt

gute Übereinstimmung, außer WL Nor- à überschätzt

Her mäßige Übereinstimmung Nor-, Norm à unterschätzt exWa à überschätzt

mäßige Übereinstimmung Nor-, Nor+ à unterschätzt exKa à überschätzt

AMIP-Lauf

Win gute Übereinstimmung, außer WL seKa à überschätzt

sehr gute Übereinstimmung

Abschließend kann man für das Temperaturregime folgendes formulieren. Die Wetterlagen berechnet aus den AMIP-Läufen beider ECHAM-Modellversionen liefern ein besseres Ergebnis als die Kontrollläufe der gekoppelten ECHAM-Modelle hinsichtlich der Übereinstimmung mit den NCEP/NCAR-Reanalysen. Dies war zu erwarten, da die gekoppelten Modelle immer eine gewisse Klimadrift aufweisen. Besonders gut werden Frühling und Winter durch die AMIP-Läufe repräsentiert. Größere Abweichungen treten im Sommer in der Wetterlagenverteilung des Modells ECHAM4 auf. Man kann im Temperaturregime keines der beiden gekoppelten ECHAM-Modelle hinsichtlich der Wiedergabe der Wetterlagenverteilung der NCEP/NCAR-Reanalysen favorisieren. Die systematischen Fehler der beiden Modelle spiegeln sich deutlich in der Wetterlagenverteilung wider. Besonders schlecht schneidet dabei das Modell ECHAM5/MPI-OM1 im Winter und das Modell ECHAM4/OPYC3 im Sommer ab.

Ergebnisse

38

6.3.2 Niederschlagsregime 6.3.2.1 Vergleich der AMIP-Läufe der ECHAM-Modellversionen Der Vergleich der Häufigkeitsverteilungen der Wetterlagen basierend auf den AMIP-Läufen der ECHAM-Modellversionen ist für das Niederschlagsregime in Abbildung 16 dargestellt. Man erkennt, dass die Verteilungen der Wetterlagen der ECHAM-Modellversionen in den vier Jahreszeiten ähnlich denen der NCEP/NCAR-Reanalysen sind. Dies wird durch den Mann-Whitney U-Test bestätigt, mit dessen Hilfe für diesen Vergleich der Wetterlagen-häufigkeitsverteilungen keine signifikanten Unterschiede festgestellt werden konnten. Die Ergebnisse des Tests sind im Anhang B1 zu finden.

-Niederschlagsregime--Frühling-

05

1015202530354045

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häu

figk

eit i

n %

-Sommer-

05

1015202530354045

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häu

figk

eit

in %

-Herbst-

05

1015202530354045

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häu

figk

eit i

n %

-Winter-

05

1015202530354045

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häu

figk

eit i

n %

Abbildung 16: Vergleich der relativen Häufigkeiten der Wetterlagen berechnet mit den AMIP-Läufen von ECHAM4 und ECHAM5 sowie den NCAR/NCEP-Reanalysen (einfachen Standardabweichung) im Niederschlagsregime Einige Wetterlagen weichen jedoch in ihrer relativen Häufigkeit signifikant (mit einer Irrtumswahrscheinlichkeit von ca. 5%) von den NCEP/NCAR-Reanalysen ab. Dies veranschaulicht die Abbildung 17. Dort sind die Differenzen der relativen Häufigkeiten der einzelnen Wetterlagen, berechnet mit den ECHAM-Modellversionen und den NCEP/NCAR-Reanalysen, dargestellt. Der Bereich der doppelten Standardabweichung der NCEP/NCAR-Reanalysen ist durch rote Linien gekennzeichnet.

Ergebnisse

39

-Niederschlagsregime--Frühling-

-15

-10

-5

0

5

10

15

seTr Troc weNi leNi miNi maNi stNi ssNi

Dif

fere

nz in

%-Sommer-

-20

-15

-10

-5

0

5

10

15

seTr Troc weNi leNi miNi maNi stNi ssNi

Dif

fere

nz in

%

-Herbst-

-15

-10

-5

0

5

10

15

seTr Troc weNi leNi miNi maNi stNi ssNi

Dif

fere

nz in

%

-Winter-

-15

-10

-5

0

5

10

15

seTr Troc weNi leNi miNi maNi stNi ssNi

Dif

fere

nz in

%

Abbildung 17: Differenz zwischen den relativen Häufigkeiten der Wetterlagen basierend auf den AMIP-Läufen der beiden gekoppelten ECHAM-Modellversionen und den NCEP/NCAR-Reanalysen im Bereich der doppelten Standardabweichung der Reanalysen im Niederschlagsregime Besonders schlecht werden die relativen Häufigkeiten der Wetterlagen im Herbst und im Sommer von beiden ECHAM-Modellen wiedergegeben (siehe Abbildung 19). Die sehr trockene Wetterlage (seTr) wird vom ECHAM5-Modell im Herbst deutlich unterschätzt. Dagegen werden die Wetterlagen mit mäßigem (maNi) und sehr starken Niederschlägen (ssNi) durch das ECHAM5-Modell im Frühjahr und Winter überschätzt. Die relativen Häufigkeiten der Wetterlagen des ECHAM4-Modells stimmen im Allgemeinen besser mit den NCEP/NCAR-Reanalysen überein als die Wetterlagen des ECHAM5-Modells. Große Abweichungen in Bezug auf die NCEP/NCAR-Reanalysen konzentrieren sich vor allem im Sommer auf die sehr trockene Wetterlage (seTr) und die Wetterlage mit mittlerem Niederschlag. In Tabelle 16 sind alle Wetterlagen, die signifikant von den NCEP/NCAR-Reanalysen differieren, zusammengefasst.

Ergebnisse

40

6.3.2.2 Vergleich der Kontrollläufe der ECHAM-Modellversionen In Abbildung 18 ist der Vergleich der Häufigkeitsverteilungen der Wetterlagen basierend auf den gekoppelten ECHAM-Modellversionen und den NCEP/NCAR-Reanalysen für das Niederschlagsregime abgebildet. Die Verteilungen sind in allen Jahreszeiten ähnlich. Auffallend ist, dass die sehr trockene Wetterlage (seTr) im Sommer und im Herbst besonders vom Modell ECHAM4/OPYC3 unterschätzt wird. Der Mann-Whitney U-Test ergab, dass sich die Wetterlagenverteilungen der gekoppelten ECHAM-Modellversionen nicht signifikant von der der NCEP/NCAR-Reanalysen unterscheiden. Im Anhang B1 sind die Testergebnisse des U-Tests zusammengefasst.

-Frühling-

05

10152025303540

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häuf

igke

it in

%

-Sommer-

05

10152025303540

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häuf

igke

it in

%

-Herbst-

05

10152025303540

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häuf

igke

it in

%

-Winter-

05

10152025303540

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häu

figk

eit i

n %

-Niederschlagsregime-

Abbildung 18: Vergleich der relativen Häufigkeiten der Wetterlagen berechnet mit den Kontrollläufen der gekoppelten ECHAM -Modellversionen sowie den NCEP/NCAR-Reanalysen (einfache Standardabw eichung) im Niederschlagsregime Eine genauere Betrachtung der relativen Häufigkeiten in den einzelnen Wetterklassen ergab jedoch signifikante Unterschiede zwischen den Modellen. Die Differenz zwischen der relativen Häufigkeit der Wetterlagen der gekoppelten ECHAM-Modellversionen und den NCEP/NCAR-Reanalysen ist in Abbildung 19 dargestellt. Die doppelte Standardabweichung der NCEP/NCAR-Reanalysen gilt auch hier als Signifikanzbereich und ist mit roten Linien dargestellt.

Ergebnisse

41

-Niederschlagsregime--Frühling-

-15

-10

-5

0

5

10

15

seTr Troc weNi leNi miNi maNi stNi ssNi

Dif

fere

nz in

%-Sommer-

-15

-10

-5

0

5

10

15

seTr Troc weNi leNi miNi maNi stNi ssNi

Dif

fere

nz i

n %

-Herbst-

-15

-10

-5

0

5

10

15

seTr Troc weNi leNi miNi maNi stNi ssNi

Dif

fere

nz in

%

-Winter-

-15

-10

-5

0

5

10

15

seTr Troc weNi leNi miNi maNi stNi ssNiD

iffe

renz

in %

Abbildung 19: Differenz zwischen den relativen Häufigkeiten der Wetterlagen basierend auf den Kontrollläufen der beiden gekoppelten ECHAM-Modellversionen und den NCEP/NCAR-Reanalysen im Bereich der doppelten Standardabweichung der NCAR-Reanalysen im Niederschlagsregime Gute Übereinstimmungen in den relativen Häufigkeiten der Wetterlagen liefern beide gekoppelten ECHAM-Modellversionen für das Frühjahr und den Winter, wobei die Wetterlage mit starkem Niederschlag (stNi) von beiden Modellen im Winter überschätzt wird. Im Allgemeinen haben beide gekoppelten ECHAM-Modelle im Herbst und im Sommer Probleme bei der Wiedergabe der relativen Häufigkeiten der Wetterlagen basierend auf den NCEP/NCAR-Reanalysen. Die Unterschiede sind jedoch im Modell ECHAM5/MPI-OM1 weniger stark ausgeprägt. Die sehr trockene Wetterlage (seTr) und die Wetterlagen mit wenig (weNi), mittlerem (miNi) und starkem Niederschlag (stNi) basierend auf dem gekoppelten ECHAM4-Modell weichen im Sommer signifikant von den NCEP/NCAR-Reanalysen ab. Im Herbst werden die sehr trockene und trockene Wetterlage vom gekoppelten ECHAM4-Modell unterschätzt und die Wetterlage mit sehr starkem Niederschlag überschätzt. Signifikante Abweichungen der Wetterlagen des gekoppelten ECHAM5-Modells beziehen sich im Sommer auf die trockene Wetterlage (Troc) und die Wetterlage mit wenig (weNi) und mäßigem Niederschlag (maNi) und im Herbst besonders auf die Wetterlagen mit wenig und leichtem Niederschlag (weNi, leNi). Einen Überblick über alle signifikanten Abweichungen gibt Tabelle 16.

Ergebnisse

42

Tabelle 16: Übersicht über die wichtigsten Ergebnisse aus dem Vergleich der Kontroll- und AMIP-Läufe der ECHAM-Modellversionen mit den NCEP/NCAR-Reanalysen im Niederschlagsregime

ECHAM4 ECHAM5 Fru gute Übereinstimmung

leNi à unterschätzt maNià überschätzt

gute Übereinstimmung weNi à unterschätzt Troc à überschätzt

Som schlechte Übereinstimmung seTr à unterschätzt weNi, miNi, stNi à überschätzt

mäßige Übereinstimmung maNi à unterschätzt Troc, weNi à überschätzt

Her schlechte Übereinstimmung seTr, Troc à unterschätzt weNi, ssNi à überschätzt

mäßige Übereinstimmung leNi à unterschätzt weNi, maNi à überschätzt

Kontroll- lauf

Win gute Übereinstimmung, außer WL stNi à überschätzt

gute Übereinstimmung leNi à unterschätzt , stNi à überschätzt

Fru gute Übereinstimmung leNi à unterschätzt maNi à überschätzt

schlechte Übereinstimmung weNi à unterschätzt leNi, miNi, maNi, ssNi à überschätzt

Som mäßige Übereinstimmung seTr à unterschätzt weNi, miNi à überschätzt

schlechte Übereinstimmung seTr, maNi à unterschätzt Troc, miNi à überschätzt

Her mäßige Übereinstimmung leNi à unterschätzt weNi, ssNi à überschätzt

schlechte Übereinstimmung seTr, leNi à unterschätzt weNi, miNi, maNi à überschätzt

AMIP-Lauf

Win gute Übereinstimmung, außer WL stNi à überschätzt

mäßige Übereinstimmung maNi, stNi, ssNi à überschätzt

Die Ergebnisse des Modellvergleichs der ECHAM-Modellversionen haben gezeigt, dass sowohl im Temperatur- als auch im Niederschlagsregime die AMIP-Läufe bessere Ergebnisse hinsichtlich der Wetterlagenverteilung im Vergleich zu den NCEP/NCAR-Reanalysen aufweisen als die Kontrollläufe. Dies ist u. a. mit dem Problem der Klimadrift zu begründen, welche bei der Kopplung von Modellen generell auftritt. Die Klimadrift wurde im Modell ECHAM4/OPYC3 mit der Flusskorrektur versucht zu unterbinden. Da die Verschiebung der Wetterlagenverteilung zu den wärmeren Wetterlagen im Modell ECHAM4 sowohl im AMIP- als auch im gekoppelten Lauf auftritt, ist dieser systematische Fehler wahrscheinlich nicht durch die Modellkopplung verursacht. Im Modell ECHAM5/MPI-OM1 gibt es dagegen keine Flusskorrektur. Auch dieses Modell zeigt systematische Fehler, wie z.B. die deutliche Verschiebung der Wetterlagenverteilung zu den kalten Wetterlagen, welche durch den „cold bias“ über Eurasien verursacht wird. Dieser Fehler tritt jedoch nicht im AMIP-Lauf auf und ist wahrscheinlich auf den Kopplungsprozess zurückzuführen. Das gekoppelte ECHAM5-Modell liefert, unter Berücksichtigung der systematischen Fehler beider ECHAM-Modelle, jedoch qualitativ vergleichbare Ergebnisse wie sein Vorgängermodell ECHAM4. Beide ECHAM-Modelle ermöglichen stabile und im Großen und Ganzen realitätsnahe Klimasimulationen. Daraus lässt sich schließen, dass man die Modelle auch zur Simulation von Klimaszenarien heranziehen kann, um belastbare Aussagen über das zukünftige Klima zu erhalten. In der realitätsnahen Simulation des Niederschlags haben die globalen Modelle noch einige Defizite, welche sich vor allem durch die mangelhafte Wiedergabe von konvektivem Niederschlag und statistischen Ereignissen (z.B. Gewittern) ergeben. Dies wird auch an den Ergebnissen der Wetterlagenverteilungen der ECHAM-Modellversionen mit den NCEP/NCAR-Reanalysen ersichtlich. Sowohl die AMIP- als auch die Kontrollläufe der

Ergebnisse

43

ECHAM-Modelle können im Durchschnitt nur mäßige Übereinstimmung mit den Reanalysen bieten. Dieser Aspekt muss auch bei der Betrachtung der Klimaszenarien beachtet werden. 6.4 Szenarienvergleich Im 3. Bericht des IPCC (HOUGHTON et al. 2001) werden die Ergebnisse unterschiedlicher CGCMs hinsichtlich bestimmter Klimaszenarien ausgewertet. Es herrscht Konsens darüber, dass die Erwärmung der Troposphäre bei einem weiteren Anstieg der Treibhausgase anhalten bzw. sich verstärken wird. Dies bedeutet in Zukunft eine Zunahme von heißen Tagen und eine Abnahme von Frosttagen sowie höhere maximale und minimale Tagestemperaturen in den meisten Regionen der Erde. Weiterhin wird in den Szenarienanalysen des IPCC übereinstimmend eine Zunahme der Häufigkeit von Starkniederschlagsereignissen prognostiziert, wobei sich ebenfalls die Wahrscheinlichkeit von lang anhaltenden Trockenperioden in den mittleren Breiten erhöhen wird (HOUGHTON et al. 2001). Unter diesem Aspekt wurden im folgenden Abschnitt die Ergebnisse der Szenarienrechnungen der beiden gekoppelten ECHAM-Modellversionen untersucht. Zeigen mehrere Modelle ähnliche Trends in den Szenarienläufen, kann man mit hoher Wahrscheinlichkeit davon ausgehen, dass die Aussagen unter den festgelegten Annahmen (z.B. CO2-Anstieg) realistisch sind. 6.4.1 Temperaturregime In Abbildung 20a sind die relativen Häufigkeiten der Wetterlagen, berechnet aus den Kontroll- und Szenarienläufen der beiden gekoppelten ECHAM-Modelle, für das Temperaturregime vergleichend dargestellt. In der Abbildung wurde sich aus Gründen der Übersichtlichkeit auf die Jahreszeiten Sommer und Winter beschränkt. Man erkennt, dass sich die Häufigkeitsverteilungen der Wetterlagen aus den Kontroll- und Szenarienläufen der beiden gekoppelten ECHAM-Modellversionen unterscheiden. Die Verteilungskurve der ECHAM4/OPYC3-Wetterlagen ist für den Kontroll- sowie für den Szenarienlauf gegenüber der ECHAM5/MPI-OM1-Wetterlagenverteilung deutlich zu den wärmeren Wetterlagen hin verschoben. Der systematische Fehler („cold bias“) des gekoppelten ECHAM5-Modells kommt hier wieder zum Ausdruck. Diese Verschiebung tritt besonders im Winter auf und wurde schon im Modellvergleich (Punkt 6.3) detailliert besprochen. Beim Szenarienvergleich kommt es hauptsächlich darauf an, die im Szenarienlauf simulierten Veränderungen mit dem entsprechenden Kontrolllauf in Bezug zu setzen. Die im Modellvergleich festgestellten Unterschiede zwischen den Kontrollläufen der ECHAM-Modelle spielen daher im Szenarienvergleich nur eine untergeordnete Rolle.

Ergebnisse

44

-Sommer-

0

5

10

15

20

25

30

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWarel.

Häu

figk

eit

der

Wet

terl

age

(%)

-Winter-

0

5

10

15

20

25

30

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

rel.

Häu

figk

eit

in %

a) Relative Häufigkeiten der Wetterlagen der Kontroll- und Szenarienläufe der beiden ECHAM-Modelleversionen

b) Differenz zwischen Szenario - und Kontrolllauf der entsprechenden ECHAM-Modelleversion

-Temperaturregime-

- Sommer -

-18-15-12-9-6-30369

121518

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

%

- Winter -

-18-15-12-9-6-30369

121518

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

%

Abbildung 20: Vergleich (a) der relativen Häufigkeiten der Kontroll- und Szenarienläufe basierend auf den Modellen ECHAM5/MPI-OM1 und ECHAM4/OPYC3 und (b) der Differenz aus Szenarien- und Kontrolllauf des jeweiligen Modells im Temperaturregime Die Wetterlagenverteilung für den Kontrolllauf des jeweiligen ECHAM-Modells sowie die für den ECHAM5/MPI-OM1-Szenarienlauf entsprechen weitestgehend einer für die Temperatur typischen Normalverteilung. Die Verteilung der Wetterlagen, basierend auf dem ECHAM4/OPYC3-Szenarienlauf, ist dagegen auffällig linksschief. Dies bedeutet, dass das gekoppelte ECHAM4-Modell bei Verdopplung der atmosphärischen CO2-Konzentration eine starke Zunahme der sehr warmen (seWa) und extrem warmen (exWa) Wetterlagen simuliert. Eine Zunahme dieser Wetterlagen ist ebenfalls im ECHAM5/MPI-OM1-Szenarienlauf zu erkennen. In Abbildung 20b wird diese Tendenz bei der Betrachtung der Differenzen zwischen Szenarien- und Kontrolllauf der beiden gekoppelten ECHAM-Modelle veranschaulicht. Weiterhin sind folgende Unterschiede bzw. Ähnlichkeiten zwischen den beiden Szenarien in den Jahreszeiten Sommer und Winter zu bemerken. a) Sommer Die Abbildung 20b zeigt, dass die beiden gekoppelten ECHAM-Modelle im Sommer ähnliche Veränderungen in der Wetterlagenverteilung bei Verdopplung der CO2-Konzentration simulieren. Das heißt, es findet im Szenarium eine Verringerung der kalten Wetterlagen und eine Zunahme der warmen Wetterlagen in beiden Modellen statt. Die Zunahme der sehr extrem warmen Wetterlage wird mit ca. 12 % von beiden ECHAM-Modellversionen ähnlich eingeschätzt. Wenn man jedoch die relative Häufigkeit dieser Wetterlagen im Kontrolllauf der jeweiligen ECHAM-Modellversion im Auge behält (siehe Abbildung 20a), kann man feststellen, dass ihre relative Zunahme im Modell ECHAM5/MPI-OM1 ca. 2,5-mal so groß ist wie im Modell ECHAM4/OPYC3. Dies bedeutet im Sommer eine Zunahme der sehr extremen Wetterlage von über 800% im gekoppelten ECHAM5-Modell. Die Tabelle 17 veranschaulicht diesen Zusammenhang, in dem sie die prozentuale Abweichung der relativen Häufigkeit der jeweiligen Wetterlage im Szenarienlauf relativ zum Kontrolllauf für alle Jahreszeiten zeigt. Die warmen (Warm) und sehr warmen Wetterlagen (seWa) nehmen

Ergebnisse

45

im Hinblick auf die relativen Häufigkeiten im Kontrolllauf des entsprechenden ECHAM-Modells in ähnlichen Verhältnissen mit durchschnittlich 60% bzw. ca. 165% zu. Tabelle 17: Übersicht über die Abweichung der relativen Häufigkeiten der Wetterlagen (WL) im Szenarienlauf (SL) vom Kontrolllauf (KL) relativ zum Kontrolllauf in Prozent ((SL-KL)/KL*100%) für die beiden gekoppelten ECHAM-Modellversionen im Temperaturregime

ECHAM5/MPI-OM1 ECHAM4/OPYC3 WL Frühling Sommer Herbst Winter Frühling Sommer Herbst Winter

sexK -73,7 -84,9 -82,7 -83,3 -100,0 -94,0 -82,1 -40,5 exKa -40,1 -73,7 -41,4 -70,8 -84,8 -78,4 -84,5 -76,2 seKa -29,6 -33,0 -29,7 -73,3 -55,5 -66,2 -66,9 -78,7 Kalt -15,6 -39,6 -23,7 -60,3 -49,2 -69,9 -57,3 -85,3 Nor- 8,4 -20,4 -24,2 -27,4 -29,4 -42,4 -26,9 -66,8

Norm 34,2 23,5 -16,0 4,7 -13,2 -26,6 1,7 -28,6 Nor+ 7,6 14,3 17,9 82,5 37,3 1,1 29,8 -20,9

Warm 42,8 64,9 29,1 231,8 74,9 55,0 31,1 11,8 seWa 66,0 179,7 69,1 324,2 81,4 150,0 60,1 119,0 exWa 1924,0 827,4 282,2 415,7 491,8 282,2 162,2 174,4 In beiden Modellen nehmen die sehr extrem kalten bis unternormal warmen Wetterklassen (sexK, exKa, seKa, Kalt, Nor-) ab. Die stärkste Abnahme im Szenarienlauf erfährt im gekoppelten ECHAM5-Modell die sehr extrem kalte Wetterlage (sexK) mit ca. 6% und im ECHAM4-Modell die kalte Wetterlage (Kalt) mit ca. 9% (siehe Abbildung 20b). Unter Beachtung der relativen Häufigkeit der sehr extrem kalten Wetterlage im Kontrolllauf der beiden gekoppelten Modelle, ist eine Abnahme dieser Wetterlage bei Verdopplung der CO2-Konzentration um 90% in beiden Modellversionen zu verzeichnen (siehe Tabelle 17). Bezüglich der normal warmen Wetterlage (Norm) zeigen die beiden ECHAM-Modelle unterschiedliche Tendenzen im Szenarienlauf. Im ECHAM5/MPI-OM1 nimmt diese Wetterlage mit 4% zu, wohingegen im ECHAM4/OPYC3-Modell diese Wetterlage eine Abnahme um ca. 5% erfährt. Unter Berücksichtigung der Standardabweichung der normal warmen Wetterlage von ca. 2-2,5% in den beiden Modellen liegen diese Abweichungen knapp außerhalb des Bereiches der Modellvariabilität. b) Winter Im Winter fallen die Szenarien der Wetterlagenverteilung für die beiden gekoppelten ECHAM-Modelle etwas unterschiedlicher aus. Das Modell ECHAM5/MPI-OM1 zeigt (siehe Abbildung 20b) die größte Zunahme mit ca. 12% in der übernormal warmen Wetterlage (Nor+) und mit ca. 9% in der warmen Wetterlage (Warm). Dagegen nehmen im Modell ECHAM4/OPYC3 die sehr warmen Wetterlagen (seWa) mit ca. 11% und die extrem warme Wetterlage (exWa) mit ca. 16% am stärksten zu. Betrachtet man jedoch auch hier die Veränderungen der relativen Häufigkeiten dieser Wetterlagen im Szenarienlauf im Verhältnis zum Kontrolllauf (siehe Abbildung 20a), so wird deutlich, dass die warme bis extrem warme Wetterlagen (Warm, seWa, exWa) im gekoppelten ECHAM5-Modell prozentual viel stärker ansteigen als im Szenarium des gekoppelten ECHAM4-Modells. Für die extrem warme Wetterlage im Modell ECHAM5/MPI-OM1 bedeutet das eine Zunahme von über 400% (siehe Tabelle 17). Auch im Winter ist in beiden gekoppelten ECHAM-Modellversionen generell eine Abnahme der sehr extrem kalten bis unternormal warmen Wetterlage (sexK, exKa, seKa, Kalt, Nor-) zu erkennen. Dabei ist die Abnahme dieser Wetterlagen (außer Nor-) im ECHAM5-Modell größer als im ECHAM4-Modell. Die sehr extrem kalte Wetterlage (sexK) nimmt dabei gemäß Tabelle 17 im Szenarium des ECHAM5/MPI-OM1-Modells relativ zum Kontrolllauf um ca. 83% ab. Eine ähnlich dramatische Abnahme erfährt die kalte Wetterlage (Kalt) mit ca. 85% im ECHAM4/OPYC3-Modell.

Ergebnisse

46

In der unternormal warmen (Nor-) und der normal warmen (Norm) Wetterlage unterscheiden sich die Szenarien der gekoppelten ECHAM-Modellversionen. Im ECHAM5/MPI-OM1-Modell nehmen diese beiden Wetterlagen zu, im ECHAM4/OPYC3-Modell dagegen ab. c) Frühling und Herbst In den beiden Übergangsjahreszeiten sind die Tendenzen hinsichtlich einer Zunahme der warmen Wetterlagen und einer Abnahme der kalten Wetterlagen ähnlich wie im Sommer und Winter. In Tabelle 17 fällt jedoch die übermäßig starke Zunahme der extrem warmen Wetterlage (exWa) im Szenarium des ECHAM5/MPI/OM1-Modells relativ zum Kontrolllauf auf. Diese Wetterlage hat im Kontrolllauf eine relative Häufigkeit von 0,1% und im Szenarienlauf von 1,1%. Im Szenarium des ECHAM4/OPYC3-Modells verschwindet die sehr extrem kalte Wetterlage (sexK) im Frühling vollständig. Zusammenfassend kann man feststellen, dass beide gekoppelten ECHAM-Modellversionen übereinstimmende Tendenzen in den Veränderungen der relativen Häufigkeiten der Wetterlagen im Temperaturregime bei einer Verdopplung der CO2-Konzentration simulieren. Dies bedeutet, dass in allen Jahreszeiten die kalten Wetterlagen abnehmen und die warmen bzw. extrem warmen Wetterlagen drastisch zunehmen. 6.4.2 Niederschlagsregime Die Abbildung 21a stellt die Wetterlagenverteilung der Kontroll- und Szenarienläufe der beiden gekoppelten ECHAM-Modellversionen für den Sommer und Winter im Niederschlagsregime dar. Die Differenzen zwischen Szenarien- und Kontrolllauf des jeweiligen ECHAM-Modells sind in Abbildung 16b veranschaulicht. Man kann erkennen, dass in beiden Modellen die Veränderung der relativen Häufigkeiten der Wetterlagen im Szenarium gegensätzliche Tendenzen im Sommer und Winter aufweisen. a) Sommer Im Sommer zeigen beide gekoppelten ECHAM-Modellversionen einen ähnlichen Trend, welcher eine Zunahme der sehr trockenen (seTr) und trockenen (Troc) Wetterlage und eine Abnahme der Wetterlagen mit leichtem bis sehr starkem Niederschlag (leNi, miNi, maNi, stNi, ssNi) im Szenarium beinhaltet. Gegensätzliche Entwicklungen sind nur bei der Wetterlage mit wenig Niederschlag zu bemerken, wobei diese Wetterlage im Szenarium des Modells ECHAM5/MPI-OM1 im Bereich der Standardabweichung liegt, jedoch im gekoppelten ECHAM4-Modell signifikant zunimmt. In beiden Modellen erfährt die sehr trockene Wetterlage die größte Zunahme mit 5,6% (ECHAM5/MPI-OM1) bzw. 4,2% (ECHAM4/OPYC3), wobei unter Beachtung der Standardabweichung dieser Wetterlage, nur die Zunahme im gekoppelten ECHAM5-Modell als signifikant angesehen werden kann. In Tabelle 7 wird deutlich, dass die sehr trockene Wetterlage im ECHAM5-Szenarium eine Steigerung von 25% der relativ zum Kontrolllauf erfährt.

Ergebnisse

47

a) Relative Häufigkeiten der Wetterlagen der Kontroll- und Szenarienläufe der beiden ECHAM-Modelleversionen

b) Differenz zwischen Szenario - und Kontrolllauf der entsprechenden ECHAM-Modelleversion

-Niederschlagsregime-

-Sommer-

05

10152025303540

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häu

figk

eit

in %

-Winter-

05

101520

25303540

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häu

figk

eit i

n %

- Sommer -

-10-8-6-4-202468

10

seTr Troc weNi leNi miNi maNi stNi ssNi

%

- Winter -

-10-8-6-4-202468

10

seTr Troc weNi leNi miNi maNi stNi ssNi

%

Abbildung 21: Vergleich (a) der relativen Häufigkeiten der Kontroll- und Szenarienläufe basierend auf den Modellen ECHAM5/MPI-OM1 und ECHAM4/OPYC3 und (b) der prozentualen Abweichung des Szenarienlaufs vom Kontrolllauf des jeweiligen Modells im Niederschlagsregime b) Winter Im Winter variieren die Differenzen der Wetterlagen zwischen Szenarien- und Kontrolllauf für die beiden gekoppelten ECHAM-Modelle teilweise erheblich voneinander (siehe Abbildung 21b). In beiden Modellversionen nimmt (unter Beachtung der Standardabweichung von ca. 1%) die Wetterlage mit mäßigem (maNi) signifikant zu. Die Wetterlage mit sehr starkem Niederschlag erfährt mit ca. 4% nur im ECHAM4/OPYC3-Modell eine signifikante Zunahme. In Tabelle 18 kann man sehen, dass dies eine Zunahme der Wetterlage mit sehr starkem Niederschlag im ECHAM4-Szenarium relativ zum Kontrolllauf von über 90% bedeutet. Dagegen nimmt die Wetterlage mit mäßigem Niederschlag im ECHAM5-Szenarium (im Verhältnis zum entsprechenden Kontrolllauf) mit 56% vergleichsweise doppelt so stark zu wie im gekoppelten ECHAM4-Modell. Tabelle 18: Übersicht über die Abweichung der relativen Häufigkeiten der Wetterlagen (WL) im Szenarienlauf (SL) vom Kontrolllauf (KL) relativ zum Kontrolllauf in Prozent ((SL-KL)/KL*100%) für die beiden gekoppelten ECHAM-Modellversionen im Niederschlagsregime

ECHAM5/MPI-OM1 ECHAM4/OPYC3 WL Frühling Sommer Herbst Winter Frühling Sommer Herbst Winter

seTr -32,1 25,0 31,5 -30,3 18,7 19,4 13,5 -6,1 Troc -9,1 13,5 1,3 -4,7 -21,3 11,3 25,9 -15,5 weNi 7,7 -4,5 -6,5 6,9 -12,1 18,8 -3,2 -2,9 leNi 17,7 -29,9 -6,9 8,8 5,8 -16,1 -0,1 -0,5 miNi 23,1 -20,4 -41,2 -23,2 -3,2 -15,5 -41,1 -45,0 maNi 29,5 -12,6 -2,7 55,9 10,6 -1,9 24,0 25,8 stNi 4,3 -29,0 -7,2 -15,4 -11,4 -19,7 -24,8 10,2 ssNi 11,9 -27,4 -32,4 38,5 -19,4 -17,1 -15,5 93,9

Ergebnisse

48

Die Abnahmen in der sehr trockenen (seTr) und trockenen Wetterlage (Troc) sowie der Wetterlage mit mittlerem Niederschlag (miNi) gestalten sich in den beiden gekoppelten ECHAM-Modellen unterschiedlich. Die größte Abnahme bezogen auf den Kontrolllauf erfährt mit 45% im Szenarium des Modells ECHAM4/OPYC3 die Wetterlage mit mittlerem Niederschlag (miNi) (siehe Tabelle 18). Diese Wetterlage nimmt auch im gekoppelten ECHAM5-Modell ab, jedoch nur um 23%. Unter Berücksichtigung der Standardabweichungen sind beide Abweichungen als signifikant zu betrachten. Im Modell ECHAM5/MPI-OM1 verringert sich laut Tabelle 18 die relative Häufigkeit der sehr trockenen Wetterlage (seTr) im Szenarienlauf mit ca. 30% am deutlichsten, wobei diese Abnahme 5-mal größer ist als gekoppelten im ECHAM4-Modell (6%). Dagegen nimmt die trockene Wetterlage (Troc) im ECHAM4-Modell stärker ab als im ECHAM5-Modell. In den Wetterlagen mit wenig (weNi), leichtem (leNi) und starkem Niederschlag (stNi) zeigen die Modelle gegensätzliche Tendenzen, wobei die Abweichungen jedoch im Bereich der Modellvariabilität liegen. c) Frühling und Herbst Im Frühjahr nehmen nur die sehr trockene (seTr) und trockene Wetterlage im Szenarium des ECHAM5/MPI-OM1-Modells ab, die anderen Wetterlagen sind durch Zunahmen gekennzeichnet. Im Modell ECHAM4/OPYC3 sind gegensätzliche Veränderungen im Szenarium festzustellen. Hier nimmt die sehr trockne (seTr) Wetterlage im Szenarium relativ zum Kontrolllauf mit ca. 19% stark zu. Weiterhin nehmen auch die Wetterlagen mit leichtem (leNi) und mäßigem Niederschlag (maNi) zu (siehe Tabelle 18). Im Herbst zeigen beide ECHAM-Modelle ähnlich Veränderungen der relativen Häufigkeiten der Wetterlagen im Szenarium. Das bedeutet eine Zunahme der sehr trockenen (seTr) und trockenen Wetterlage (Troc) und eine Abnahme der übrigen Wetterlagen mit leichtem bis sehr starkem Niederschlag. Dabei bildet aber die Wetterlage mit mäßigem Niederschlag (maNi) im ECHAM4/OPYC3 eine Ausnahme, da sie im Szenarium um 24% relativ zum Kontrolllauf ansteigt (siehe Tabelle 18). Zusammenfassend kann man für das Niederschlagsregime sagen, dass beide gekoppelten ECHAM-Modellversionen bei einer Verdopplung der CO2-Konzentration im Sommer und im Herbst eine Zunahme der sehr trockenen und trockenen Wetterlage und eine Abnahme der Wetterlagen mit starkem bzw. sehr starkem Niederschlag simulieren. Im Winter ist das Gegenteil der Fall. Im Frühling simulieren die beiden ECHAM-Modelle unterschiedliche Tendenzen bezüglich der Zu- oder Abnahme der sehr trockenen Wetterlage bzw. der Wetterlagen mit starken bis sehr starkem Niederschlag. Im Wesentlichen bestätigt die Szenarienanalyse im Temperatur- wie auch im Niederschlagsregime die Aussagen des 3. IPCC Berichtes (HOUGHTON et al. 2001). Das heißt, bei einem weiteren Anstieg der CO2-Konzentration in der Atmosphäre werden mit großer Wahrscheinlichkeit die warmen Wetterlagen zunehmen, was verbunden ist mit einer Zunahme der heißen Tage und dem Anstieg der maximalen und minimalen Tagestemperaturen. Die ECHAM-Modelle stimmen weiterhin darin überein, dass es im Sommer zu einer Zunahme von sehr trockenen Wetterlagen kommt, die zu langen Trockenperioden führen können. Über die Zunahme der Häufigkeit von Starkniederschlagsereignissen kann man anhand der betrachteten Szenarienanalyse keine konkreten Aussagen treffen.

Ergebnisse

49

6.5 Daten-Analyse des ECHAM4(T106)-Zeitscheibenexperiments 6.5.1 Vergleich von ECHAM-AMIP-Läufen mit unterschiedlicher horizontaler Auflösung 6.5.1.1 Temperaturregime In Abbildung 22 ist einerseits der Vergleich der Wetterlagenhäufigkeitsverteilungen basierend auf dem ECHAM4-AMIP-Lauf in T106-Auflösung mit den AMIP-Läufen der beiden ECHAM-Modellversionen in T42-Auflösung dargestellt (Abbildung 22a). Andererseits werden die relativen Häufigkeiten der Wetterlagen des ECHAM4-AMIP-Laufs (T106) mit den NCEP/NCAR-Reanalysen (T63) verglichen (Abbildung 22b). Die Abbildung beschränkt sich nur auf die Jahreszeiten Sommer und Winter. Angaben für die anderen Jahreszeiten findet man in den Tabellen im Anhang B4. Man erkennt in Abbildung 22a, dass besonders im Sommer die sehr warmen (seWa) und extrem warmen Wetterlagen (exWa) im ECHAM4 (T106) deutlich häufiger auftreten als in den beiden ECHAM-Modellversionen mit T42-Auflösung. Die Wetterlagenverteilung berechnet aus dem ECHAM4 (T106)-Zeitscheibenexperiment weicht gemäß Abbildung 22b im Sommer in allen Wetterlagen von den NCEP/NCAR-Reanalysen ab und ist merklich zu den wärmeren Wetterlagen verschoben. Die sehr extrem kalte Wetterlage (sexK) tritt im Sommer im ECHAM4 (T106) AMIP-Lauf nicht auf. Im Winter sind die Wetterlagenverteilungen der unterschiedlichen Modelle (ECHAM4, ECHAM5 und NCEP/NCAR-Reanalysen) und Modellauflösungen (T42 und T106) ähnlich. Man sieht jedoch auch in Abbildung 22b, dass die warmen Wetterlagen im ECHAM4 (T106) AMIP-Lauf im Vergleich zu den NCEP/NCAR-Reanalysen überrepräsentiert sind. Die sehr extrem kalte Wetterlage ist im ECHAM4 (T106) AMIP-Lauf im Winter sehr selten, aber vorhanden. In den Übergangsjahreszeiten sind keine großen Unterschiede zwischen den Wetterlagenverteilungen basierend auf dem ECHAM4 (T106) AMIP-Lauf und den AMIP-Läufen der ECHAM-Modellversionen (T42) bzw. den NCEP/NCAR-Reanalysen festzustellen. Auffällig verhält sich nur die extrem warme Wetterlage (exWa), die im Frühling und im Herbst im Vergleich zu den NCEP/NCAR-Reanalysen zu häufig vorkommt.

Ergebnisse

50

-Temperaturregime-

a) AMIP-Läufe der beiden ECHAM-Modellversionenin T42 und T106 Auflösung im Vergleich

b) ECHAM4 AMIP in T106 Auflösung im Vergleich mit den NCEP/NCAR-Reanalysen (σ(10a))

-Sommer-

0

5

10

15

20

25

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

rel.

Häu

figk

eit

(%)

-Winter-

0

5

10

15

20

25

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

rel.

Häu

figk

eit (

%)

-Sommer-

0

5

10

15

20

25

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

rel.

Häu

fig

keit

(%

)

-Winter-

0

5

10

15

20

25

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

rel.

Häu

figk

eit (

%)

Abbildung 22: Vergleich der relativen Häufigkeitsverteilungen der Wetterlagen berechnet a) aus dem AMIP-Lauf des ECHAM4 und ECHAM5-Modells in den verschiedenen horizontalen Auflösungen (T42 und T106) und b) aus den NCEP/NCAR- Reanalysen mit dem ECHAM4 AMIP-Lauf in T106 Auflösung im Temperatur- regime 6.5.1.2 Niederschlagsregime Für das Niederschlagsregime ist der Vergleich der Wetterlagenverteilung der verschiedenen ECHAM-Modellversionen in T42- und T106-Auflösung und den NCEP/NCAR-Reanalysen in Abbildung 23 veranschaulicht. Abbildung 23a zeigt, dass die Wetterlagenverteilung des ECHAM4 (T106) AMIP-Laufs im Winter besser mit den AMIP-Läufen der beiden ECHAM-Modellversionen in T42-Auflösung übereinstimmt als im Sommer. Große Abweichungen findet man bei der sehr trockenen Wetterlage (seTr), die im ECHAM4 (T106) AMIP-Lauf viel häufiger auftritt als in den beiden ECHAM-T42-Modellversionen. Die sehr trockene Wetterlage ist im ECHAM4 (T106) AMIP-Lauf mit 35% im Sommer und 27% im Winter die häufigste Wetterklasse im gesamten Niederschlagsregime. Weiterhin sind im Sommer die trockene Wetterlage (Troc) im ECHAM5 (T42) AMIP-Lauf und die Wetterlage mit mittlerem Niederschlag (miNi) im ECHAM4 (T42) AMIP-Lauf in ihrer relativen Häufigkeit deutlich verschieden von der jeweiligen Wetterlage im ECHAM4 (T106) AMIP-Lauf. Im Winter weichen die relativen Häufigkeiten der Wetterlagen basierend auf dem ECHAM5 (T42) AMIP-Lauf häufiger von denen das ECHAM4 (T106) AMIP-Laufs ab als die des entsprechenden ECHAM4-Laufs. Dies gilt insbesondere für die sehr trockene Wetterlage und die Wetterlagen mit mäßigem (maNi) und sehr starkem Niederschlag (ssNi).

Ergebnisse

51

-Niederschlagsregime-

a) AMIP-Läufe der beiden ECHAM-Modellversionenin T42 und T106 Auflösung im Vergleich

b) ECHAM4 AMIP in T106 Auflösung im Vergleich mit den NCEP/NCAR-Reanalysen (σ(10a))

-Sommer-

05

10152025303540

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häu

figk

eit

(%)

-Winter-

05

10152025303540

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häu

figk

eit (

%)

-Sommer-

05

10152025303540

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häu

figk

eit (

%)

-Winter-

05

10152025303540

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häu

figk

eit (

%)

Abbildung 23: Vergleich der relativen Häufigkeitsverteilungen der Wetterlagen berechnet a) aus dem AMIP-Lauf des ECHAM4 und ECHAM5-Modells in den verschiedenen horizontalen Auflösungen (T42 und T106) und b) aus den NCEP/NCAR- Reanalysen mit dem ECHAM4 AMIP-Lauf in T106 Auflösung im Niederschlags- regime In Abbildung 23b wird sichtbar, dass das ECHAM4-Modell mit T106-Auflösung die Wetterlagenverteilung der NCEP/NCAR-Reanalysen gut wiedergibt. Auffallend ist im Sommer, dass die Wetterlagenverteilung zwei Maxima aufweist, welche sich auf die sehr trockene Wetterlage und die Wetterlage mit mittlerem Niederschlag (miNi) konzentrieren. Im Winter haben die trockene Wetterlage bis einschließlich der Wetterlage mit mäßigem Niederschlag (maNi) ähnliche Häufigkeiten. Das Maximum der Verteilung liegt bei der sehr trockenen Wetterlage (seTr). In den Übergangsjahreszeiten herrscht ein vergleichbares Bild. Die sehr trockene Wetterlage wird besonders im Herbst vom ECHAM4 (T106) AMIP-Lauf überschätzt und die Wetterlage mit starkem Niederschlag unterschätzt. Allgemein liegt aber eine gute Übereinstimmung der Wetterlagenverteilung des ECHAM4 (T106) AMIP-Laufs mit den NCEP/NCAR-Reanalysen vor.

Ergebnisse

52

6.5.2 Ensembleanalyse des ECHAM4(T106)-Zeitscheibenexperiments 6.5.2.1 Temperaturregime Zum Ersten sollen die Wetterlagen aus dem ECHAM4-Zeitscheibenexperiment (Ensemble), dem ECHAM4-AMIP-Lauf (beide mit T106-Auflösung) und den NCEP/NCAR-Reanalysen gegenübergestellt werden. Danach folgt die Auswertung der Analyse der Wetterlagenverteilung basierend auf den Kontroll- und Szenarienläufen des ECHAM4-Zeitscheibenexperiments (T106) und des ECHAM4/OPYC3-Modells mit T42-Auflösung. Die Abbildung 24 zeigt, dass die Wetterlagenhäufigkeitsverteilung, basierend auf dem Ensemble-Mittelwert (5 x DJF) des ECHAM4-Zeitscheibenexperimentes (T106) im Vergleich mit den NCEP/NCAR-Reanalysen zu den wärmeren Wetterlagen hin verschoben ist. Unter Beachtung der Standardabweichung, berechnet aus den Wetterlagenhäufigkeiten der Ensemblemitglieder (5 x DJF), sind die Wetterlagenverteilungen jedoch relativ ähnlich. Die Ensemble-Standardabweichung ist im Vergleich zur Standardabweichung der NCEP/NCAR-Reanalysen sehr groß, da es sich um die Standardabweichung für eine Saison (Winter) und nicht für eine Dekade handelt. Die Wetterlagenverteilung des ECHAM4-AMIP-Laufs (T106) liegt gemäß Abbildung 24 auch im Rahmen der Ensemble-Standardabweichung. Die extrem warme Wetterlage (exWa) wird jedoch durch den ECHAM4-AMIP-Lauf (T106) leicht überschätzt.

-Temperaturregime-

-Winter-

0

5

10

15

20

25

30

35

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

rel.

Häu

fig

keit

in %

Abbildung 24: Gegenüberstellung der Wetterlagenverteilung berechnet mit dem ECHAM4-Zeitscheibenexperiment (T106), dem ECHAM4-AMIP-Lauf (T106) und den NCEP/NCAR-Reanalysen (T63) jeweils mit einfacher Standardabweichung im Temperaturregime Die Abbildung 25 zeigt den Vergleich der Häufigkeitsverteilungen der Wetterlagen basierend auf den Szenarien- und Kontrollläufen des gekoppelten ECHAM4/OPYC3-Modells (T42) und den ECHAM4-Zeitscheibenexperiment (T106) im Winter. Man erkennt anhand Abbildung 25a, dass die Wetterlagenverteilungen der Kontrollläufe relativ gut übereinstimmen. Die Szenarien weichen jedoch besonders in der normal warmen (Norm) und der extrem warmen (exWa) Wetterlage voneinander ab. Dies wird ebenfalls bei der Betrachtung der Abbildung 25b deutlich.

Ergebnisse

53

Weiterhin sieht man in Abbildung 25b, dass die Abweichungen der Szenarienläufe von den Kontrollläufen der beiden ECHAM-Modellversionen ähnliche Tendenzen in der Veränderung der Wetterlagenverteilung beinhalten. Das heißt, im Winter wird durch beide horizontale Auflösungen des ECHAM4-Modells eine verstärkte Zunahme der sehr warmen Wetterlagen simuliert. Dabei ist die Zunahme in der T106-Auflösung um ca. 30% größer als in der T42-Auflösung. Die leicht unternormal bis übernormal warmen Wetterlagen (Nor-, Norm, Nor+) nehmen in beiden Auflösungen ab. Bei den sehr extrem bis sehr kalten Wetterlagen (sexK, exKa, seKa) finden nur geringfügige Änderungen statt.

-Winter-

0

10

20

30

40

50

60

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

rel.

Häu

figk

eit i

n %

-Winter-

-30

-20-10

01020

3040

50

sexK exKa seKa Kalt Nor- Norm Nor+ Warm seWa exWa

Abw

eich

ung

in %

a) ECHAM4 T42 und T106: Kontroll- und Szenarienläufe

b) ECHAM4 T42 und T106: Differenz zwischen Szenario- und Kontrolllauf

-Temperaturregime-

Abbildung 25: Vergleich a) der Wetterlagenhäufigkeitsverteilung in den Kontroll- und Szenarienläufen von ECHAM4/OPYC3 (T42) und dem ECHAM4- Zeitscheibenexperiment (T106) sowie b) der Differenz zwischen Szenarien- und Kontrolllauf der beiden ECHAM4-Modellversionen im Temperaturregime

Ergebnisse

54

6.5.2.2 Niederschlagsregime In Abbildung 26 wird die Wetterlagenhäufigkeitsverteilung, berechnet aus dem ECHAM4-Zeitscheibenexperiment (Ensemble) (T106), mit denen des ECHAM4-AMIP-Laufs (T106) und der NCEP/NCAR-Reanalysen im Niederschlagsregime verglichen. Es wurde jeweils für die 50-Jahre der NCEP/NCAR-Reanalysen und die 5 Winter der Ensemblerechnungen die einfache Standardabweichung angegeben. Abbildung 26 zeigt, dass die Wetterlagenverteilungen der ECHAM4-Zeitscheibenexperimente (T106) im Rahmen der Standardabweichung gut mit den NCEP/NCAR-Reanalysen übereinstimmen. Größere Abweichungen gibt es nur bei den Wetterlagen mit starkem (stNi) bis sehr starkem Niederschlag (ssNi), die im ECHAM4-Ensemble häufiger als im ECHAM4-AMIP-Lauf und in den NCEP/NCAR-Reanalysen auftreten. Dagegen wird die sehr trockene Wetterlage (seTr) im ECHAM4-Ensembleexperiment weniger häufig als bei den anderen beiden simuliert.

-Niederschlagsregime-

-Winter-

0

5

10

15

20

25

30

35

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häu

figke

it in

%

Abbildung 26: Gegenüberstellung der Wetterlagenverteilung berechnet mit dem ECHAM4-Zeitscheibenexperiment (T106), dem ECHAM4-AMIP-Lauf (T106) und den NCEP/NCAR-Reanalysen (T63) jeweils mit einfacher Standardabweichung im Niederschlagsregime In Abbildung 27 werden die Häufigkeitsverteilungen der Wetterlagen basierend auf den Szenarien- und Kontrollläufen des ECHAM4/OPYC3-Modells (T42) und dem ECHAM4-Zeitscheibenexperiment (T106) für das Niederschlagsregime vergleichend dargestellt. Für die beiden betrachteten Kontrollläufe sind die relativen Häufigkeiten der Wetterlagen ähnlich. Die Szenarienläufe weichen jedoch voneinander ab. Dies wird gut in der Abbildung 27b veranschaulicht. Die relative Häufigkeit der sehr trockenen Wetterlage (seTr) und der Wetterlage mit sehr starkem Niederschlag (stNi) nehmen im Szenarium des betrachteten ECHAM4-Modells (T106) stark zu. Die Wetterlagen mit wenig bis mittlerem Niederschlag (weNi, leNi, miNi) nehmen dagegen ab. Im Szenarium des ECHAM4/OPYC3-Modells (T42) nimmt die Wetterlage mit sehr starkem Niederschlag (stNi) im gleichen Maße wie im ECHAM4-Zeitscheibenexperiment (T106) zu, jedoch erfährt die sehr trockene Wetterlage (seTr) eine Abnahme. Die trockene Wetterlage (Troc) und die Wetterlage mit mittlerem Niederschlag (miNi) nehmen im Szenarium des ECHAM4/OPYC3-Modells (T42) stärker ab als in der T106-Auflösung.

Ergebnisse

55

a) ECHAM4 T42 und T106: Kontroll- und Szenarienläufe

b) ECHAM4 T42 und T106: Differenz zwischen Szenario- und Kontrolllauf

-Niederschlagsregime-

-Winter-

0

5

10

15

20

25

30

seTr Troc weNi leNi miNi maNi stNi ssNi

rel.

Häu

figke

it in

%

-Winter-

-6

-4

-2

0

2

4

6

seTr Troc weNi leNi miNi maNi stNi ssNi

Ab

wei

chu

ng

in %

Abbildung 27: Vergleich a) der Wetterlagenhäufigkeitsverteilung in den Kontroll- und Szenarienläufen von ECHAM4/OPYC3 (T42) und dem ECHAM4- Zeitscheibenexperiment (T106) sowie b) der Differenz zwischen Szenarien- und Kontrolllauf der beiden ECHAM4-Modellversionen im Niederschlagsregime Zusammenfassend kann man feststellen, dass die Wetterlagen basierend auf den ECHAM4-Zeitscheibenexperimenten (T106) im Allgemeinen gut mit der Wetterlagenverteilung der NCEP/NCAR-Reanalysen übereinstimmen. Auffällig ist nur die Verstärkung des systematischen Fehlers des ECHAM4-Modells mit höherer Auflösung, was sich im Sommer in der extremen Verschiebung der Wetterlagenverteilung zu den warmen Wetterlagen im Zeitscheibenexperiment (T106) äußert. Die Szenarienanalysen mit den ECHAM4-Zeitscheibenexperimenten (T106) bestätigen im Temperaturregime die Ergebnisse des Modells ECHAM4/OPYC3 (T42), welche im Wesentlichen die Zunahme der (extrem) warmen Wetterlagen beinhalten. Im Niederschlagsregime wird nur die Zunahme der Wetterlage mit sehr starkem Niederschlag im Szenarium des Modells ECHAM4/OPYC3 (T42) durch das ECHAM4-Zeitscheibenexperiment bestätigt.

Ergebnisse

56

6.6 ECHAM5/MPI-OM1 Rohdatenanalysen 6.6.1 Temperaturregime In Abbildung 28 werden die Ergebnisse aus der Analyse der Temperaturklassenverteilung der ECHAM5/MPI-OM1-Modelldaten und den darauf basierenden Wetterlagen des Wetterlagenklassifizierungsmodells dargestellt. Man sieht, dass die Verteilungen der Wetterklassen relativ ähnlich sind. Die Temperaturklassenverteilung der ECHAM5/MPI-OM1-Modelldaten ist, mit Ausnahme des Sommers, mehr zu den wärmeren Wetterklassen hin verschoben. Das Wetterlagenklassifizierungsmodell scheint im Temperaturregime (außer im Sommer) dazu zu neigen, den systematischen Fehler des ECHAM5/MPI-OM1-Modells, der schon in vorhergehenden Passagen als „cold bias“ über Eurasien erwähnt wurde, zu verstärken. Im Sommer treten dagegen die 3 sehr kalten Temperaturklassen zwischen 14 und 18°C, ermittelt aus den ECHAM5/MPI-OM1-Modellrohdaten, deutlich häufiger auf als die entsprechenden sehr extrem kalten bis sehr kalten Wetterlagen (sexK, exKa, seKa). Auffällig ist, dass die extrem warme Temperaturklasse (>13°C) im Winter in den Rohdaten nicht auftritt.

- Temperaturregime --Frühling-

05

101520

2530

= -2 > -2-1 >1-4 >4-7 >7-10 <10-13 >13-16 >16-19 >19-21 >21

rel.

Häuf

igke

it in

%

-Sommer-

0

5

10

15

20

25

30

=14 >14-16 >16-18 >18-20 >20-22 >22-24 >24-26 <26-28 >28-30 >30

rel.

Häu

figk

eit

in %

-Herbst-

0

5

10

15

20

25

30

= -2 > -2-1 >1-4 >4-7 >7-10 <10-13 >13-16 >16-19 >19-21 >21

Temperaturklasse in °C

rel.

Häu

fig

keit

in %

-Winter-

0

5

10

15

20

25

30

=-12 >-12- -8 >-8- -5 >-5- -2 >-2-1 >1-4 >4-7 >7-10 >10-13 >13Temperaturklasse in °C

rel.

Häu

figk

eit i

n %

Abbildung 28: Vergleich der Häufigkeitsverteilungen der Temperaturklassen ermittelt aus den Rohdaten (max. 2 m-Temperatur) und den Wetterlagen basierend auf dem Kontrolllauf des ECHAM5/MPI-OM1-Modells Ein Vergleich der Differenzen zwischen Szenarien- und Kontrolllauf der ECHAM5/MPI-OM1-Rohdaten und der entsprechenden Wetterlagen im Temperaturregime ist in Abbildung 29 dargestellt. In dieser Abbildung wird deutlich, dass die Rohdaten sowie die Wetterlagen einen ähnlichen Trend bei einer Verdopplung der atmosphärischen CO2-Konzentration zeigen. Das heißt im Speziellen, dass in allen Jahreszeiten die kalten Wetterlagen abnehmen und die warmen zunehmen. Bei genauerer Betrachtung fällt jedoch auf, dass im

Ergebnisse

57

Sommer die extrem warme Wetterlage (exWa) (Abbildung 29b) im Szenarienlauf um das 6-fache mehr ansteigt als die entsprechende Temperaturklasse (>30°C) in den Rohdaten (Abbildung 29a). Dagegen weisen die ECHAM5/MPI-OM1-Rohdaten mit ca. 8 % die stärkste Abnahme der sehr extrem kalten Temperaturklasse (sexK, < 14°C) im Sommer auf. Weiterhin sind im Winter die Abnahmen bzw. Zunahmen der Wetterlagen “seKa“, “Kalt“ bzw. “Nor+“, “Warm“ stärker ausgeprägt als bei den entsprechenden Temperaturklassen der ECHAM5/MPI-OM1-Rohdaten.

a) max. 2m-Temperatur im Modell ECHAM5/MPI-OM1

-10-8-6-4-202468

1012

Frühling Sommer Herbst Winter

Ab

wei

chu

ng

in

%

b) Wetterlagen im Temperaturregime basierend auf dem Modell ECHAM5/MPI-OM1

-10

-8

-6

-4

-2

0

2

4

6

810

12

Frühling Sommer Herbst Winter

Abw

eich

ung in

%

Abbildung 29: Vergleich der Differenzen zwischen Szenarien- und Kontrolllauf der Rohdaten (max. 2 m-Temperatur) und der Wetterlagen im Temperaturregime basierend auf dem Modell ECHAM5/MPI-OM1 6.6.2. Niederschlagsregime In Abbildung 30 ist der Vergleich der Häufigkeitsverteilungen der Niederschlagsklassen (Gesamttagesniederschlag) bzw. der Wetterlagen im Niederschlagsregime basierend auf den ECHAM5/MPI-OM1-Modelldaten veranschaulicht. Die Verteilungen lassen deutliche Unterschiede erkennen. Die Wetterlagen im Niederschlagsregime weisen ein Häufigkeitsmaximum entweder bei der sehr trockenen Wetterlage (seTr bzw. 0-0,05 mm/d) in den Übergangsjahreszeiten oder bei der trockenen Wetterlage (Troc bzw. 0,005-0,5 mm/d) im Sommer und Winter auf. Dagegen liegen die Maxima in den Niederschlagsklassen der ECHAM5/MPI-OM1-Rohdaten bei den Klassen mit 1-3 mm/d im Frühjahr und Winter sowie mit 0,05-0,5 mm/d im Sommer und Herbst. Das heißt, nur im Sommer stimmen die Häufigkeitsmaxima der Rohdaten mit den Wetterlagen überein. Dies gilt auch für die Häufigkeitsverteilungen. Das Wetterlagenklassifizierungsmodell scheint in allen Jahreszeiten mehr Tage ohne Niederschlag zu simulieren als dies der Fall im ECHAM5/MPI-OM1-Modell ist. Dafür gibt es im ECHAM5/MPI-Modell deutlich mehr Tage mit Niederschlagsmengen von 1-3 mm/d. Auffällig ist auch, dass in allen Jahreszeiten die Niederschlagsklasse mit mehr als 15 mm/d in den ECHAM-Rohdaten kaum auftritt. Diese Niederschlagsklasse entspricht der Wetterlage mit sehr starkem Niederschlag, welche mit ca. 8% im Herbst und mit durchschnittlich 4% in den anderen Jahreszeiten vergleichsweise häufiger vorkommt. Das Wetterlagen-klassifizierungsmodell tendiert im Vergleich zu den ECHAM5/MPI-OM1-Rohdaten dazu, die

Ergebnisse

58

extremen Niederschlagsklassen (d.h. sehr wenig bis kein und sehr starke Niederschläge) zu überschätzen und die mittleren Niederschlagsklassen (Bereich 0,05 bis 3 mm/d) zu unterschätzen.

- Niederschlagsregime --Frühling-

05

101520253035

0-0,05 0,05-0,5 0,5-1 1-3 3-5 5-10 10-15 >15

rel.

Häuf

igke

it in

%

-Sommer-

0

5

10

15

20

25

30

35

0-0,05 0,05-0,5 0,5-1 1-3 3-5 5-10 10-15 >15

rel.

Häu

figk

eit

in %

-Herbst-

05

101520253035

0-0,05 0,05-0,5 0,5-1 1-3 3-5 5-10 10-15 >15

Niederschlagsklasse in mm/d

rel.

Häuf

igke

it in

%

-Winter-

05

10152025

3035

0-0,05 0,05-0,5 0,5-1 1-3 3-5 5-10 10-15 >15

Niederschlagsklasse in mm/d

rel.

Häu

figk

eit i

n %

Abbildung 30: Vergleich der Häufigkeitsverteilungen der Niederschlagsklassen ermittelt aus den Rohdaten (Gesamttagesniederschlag) und den Wetterlagen basierend auf dem Kontrolllauf des ECHAM5/MPI-OM1-Modells Die Abbildung 31 zeigt nun die Differenzen zwischen Szenarien- und Kontrolllauf für die ECHAM5/MPI-OM1-Rohdaten bzw. die auf dem gekoppelten ECHAM5-Modell basierenden Wetterlagen im Niederschlagsregime. Die Tendenzen sind besonders im Frühjahr und im Winter recht unterschiedlich. Im Frühling nimmt z.B. im Szenarium die sehr trockene Wetterlage (seTr) um mehr als 8% stark ab (siehe Abbildung 31b), wohingegen die leichte Abnahme der entsprechende Niederschlagsklasse (0-0,05 mm/d) im Szenarienlauf des Modells ECHAM5/MPI-OM1 im Bereich der Standardabweichung liegt (Abbildung 31a). Weiterhin nimmt in den Rohdaten die Niederschlagsklasse mit 0,5 bis 1 mm/d (weNi) im Frühling und Winter über 2% ab. Dagegen zeigt sich in der entsprechenden Wetterlage mit wenig Niederschlag (weNi) eine leichte Zunahme im Szenarienlauf. Auffällig ist auch die starke Zunahme der Wetterlage mit mäßigem Niederschlag (maNi) um 8% im Winter. In der Niederschlagsklasse mit mehr als 15 mm/d Gesamttagesniederschlag (ssNi) lässt sich in den Rohdaten bei einer Verdopplung der atmosphärischen CO2-Konzentration keine signifikante Veränderung erkennen. Allgemein sind die Veränderungen zwischen Szenarien- und Kontrolllauf im Frühjahr und Winter in den ECHAM-Rohdaten nur sehr gering und könnten im Bereich der natürlichen Variabilität des Klimas liegen. Besonders stark ausgeprägt sind jedoch die Zunahmen der Niederschlagsklasse mit 0-0,05 mm/d Gesamttagesniederschlag im Sommer und Herbst mit mehr als 10 bzw. 12% (siehe Abbildung 31a). Die entsprechende sehr trockene Wetterlage (seTr) nimmt in diesen Jahreszeiten gemäß Abbildung 31b ebenfalls zu, jedoch nicht in demselben Ausmaß. Die stärkste Abnahme (ca. 5%) erfährt im Sommer und Herbst die Niederschlagsklasse mit 1-3 mm/d im Szenarienlauf des ECHAM5/MPI-OM1-Modells. Die entsprechende Wetterlage mit leichtem Niederschlag (leNi) nimmt dagegen besonders im Herbst nur leicht ab.

Ergebnisse

59

-8-6-4-202468

1012

Frühling Sommer Herbst Winter

Ab

wei

chu

ng

in %

-8-6-4-202468

1012

Frühling Sommer Herbst Winter

Abw

eich

ung

in %

a) Summe des Tagesniederschlags im Modell ECHAM5/MPI-OM1

b) Wetterlagen im Niederschlagsregime basierend auf dem Modell ECHAM5/MPI-OM1

Abbildung 31: Vergleich der Differenzen zwischen Szenarien- und Kontrolllauf der Rohdaten (Gesamttagesniederschlag) und der Wetterlagen im Niederschlagsregime basierend auf dem Modell ECHAM5/MPI-OM1 Die unterschiedliche Ausprägung der Zu- bzw. Abnahmen zwischen den Wetterlagen und den Rohdaten im Szenarienlauf ist u. a. darin begründet, dass die relativen Häufigkeiten der jeweiligen Niederschlagsklasse der Rohdaten und der entsprechenden Wetterlage im Kontrolllauf (siehe auch Abbildung 30) teilweise sehr unterschiedlich sind. Zusammenfassend kann man formulieren, dass in den ECHAM5/MPI-OM1-Modell die Niederschlagsklasse mit 0-0,05 mm/d Gesamttagesniederschlag (seTr) bei einer Verdopplung der CO2-Konzentration in allen Jahreszeiten zunimmt und die Niederschlagklassen mit 0,5-1 mm/d (weNi) und 1-3 mm/d (leNi) abnehmen. Diese einheitliche Aussage wird durch das Wetterlagenklassifizierungsmodell nicht getroffen. Nimmt die sehr trockene Wetterlage (seTr) im Frühling und Winter ab, so nehmen gleichzeitig die Wetterlagen mit wenig bis leichtem Niederschlag (weNi, leNi) zu. Im Sommer und Herbst verhalten sich die Wetterlagen genau umgekehrt. Das Wetterlagenklassifizierungsmodell zeigt im Gegensatz zum Gesamttagesniederschlag im ECHAM5/MPI-OM1-Modell eine leichte Veränderung in der Wetterlage mit sehr starkem Niederschlag (ssNi bzw. >15 mm/d), die aber (außer im Herbst) im Bereich der Standardabweichung dieser Wetterlage liegt. Abschließend kann man für den Vergleich der Rohdaten mit den Wetterlagen (beide basierend auf dem Modell ECHAM5/MPI-OM1) formulieren, dass die Klassenhäufigkeitsverteilungen im Temperatur- und Niederschlagsregime nur mäßig übereinstimmen. Das Wetterlagenklassifizierungsmodell tendiert dazu die extremen Klassen zu überschätzen. Dies kann daran liegen, dass zur Herleitung der Temperatur- und Niederschlagsklassen die Klassengrenzen der empirischen Wetterlagen verwendet wurden. In den Szenarienanalysen zeigen die Wetterlagen gegenüber den Rohdaten teilweise unterschiedliche Ergebnisse. Jedoch weisen die Wetterlagen und die Rohdaten vor allem im Sommer und Herbst ähnliche Veränderungen im 2xCO2-Szenarium auf, welche sich hauptsächlich auf die Zunahme der extrem warmen sowie der sehr trockenen Wetterklasse und der Abnahme der extrem kalten Wetterklasse beziehen.

Interpretation der Ergebnisse

60

7 INTERPRETATION DER ERGEBNISSE 7.1 UTC-Vergleich Der Vergleich der relativen Häufigkeiten der Wetterlagen berechnet für die Zeitpunkte 0 und 12 UTC macht deutlich, dass besonders im Temperaturregime die Wahl des Zeitpunktes, zu dem die Klimadaten aus den ECHAM-Modellen herausgeschrieben wurden, von Bedeutung ist. Besonders die Wetterlagen, die auf Basis des Modells ECHAM5/MPI-OM1 berechnet wurden, zeigen im Frühjahr und Sommer Unterschiede in ihren relativen Häufigkeiten in Abhängigkeit vom betrachteten Zeitpunkt. Die Wetterlagen im Temperaturregime werden vor allem durch die Schichtdicke 1000/850 hPa und 1000/700 hPa bestimmt. Diese auch als relative Topographie bezeichnete Schichtdicke wird wiederum vom Tagesgang der Temperaturen beeinflusst. Da die veränderte Schichtdicke direkt Einfluss auf die Berechnung der Wetterlagen nimmt, können Unterschiede im Tagesgang der Temperaturen bzw. der Veränderung der relativen Topographie in den ECHAM-Modellversionen zu unterschiedlichen Ergebnissen in der eindeutigen Zuordnung der Wetterlagen im Wetterlagenklassifizierungsmodell führen. Besonders im Frühling und Sommer treten größere Differenzen zwischen Tag- und Nachttemperaturen auf, so dass in diesen Jahreszeiten der Temperaturunterschied zwischen 0 und 12 UTC bemerkbare Unterschiede in der eindeutigen Wetterlagenzuordnung hervorruft. Das Modell ECHAM5/MPI-OM1 weist eine höhere Sensitivität in diesen Vorgängen auf. Veränderungen in dieser Modellversion hinsichtlich der Parametrisierung einiger Prozesse, wie Wolkenbildung, saisonale Vegetation und Albedo (siehe auch Kapitel 3.1.2) wirken sich eventuell stark auf die Tages- und Nachttemperaturen aus und beeinflussen so die geopotentielle Höhe bzw. relative Topographie. Da der Zeitpunkt zu dem die globalen Klimadaten herausgeschrieben wurden, im Niederschlagsregime der Wetterlagen offensichtlich nur eine untergeordnete Rolle spielt, muss ihm bei der Berechnung dieser Wetterlagen keine so große Bedeutung beigemessen werden wie im Temperaturregime. 7.2 Dekadenvergleich und Analyse der Modellvariabilität Wie schon im Ergebnisteil (Kapitel 6.2) erwähnt, setzt sich die Variabilität der Wetterlagen der NCEP/NCAR-Reanalysen aus der natürlichen und anthropogen erzeugten Klimavariabilität zusammen. Die ECHAM-Modelle sollen die natürliche Klimavariabilität unter konstanter CO2-Konzentration von 348ppm simulieren. Aus diesem Grund ist die Modellvariabilität der NCEP/NCAR-Reanalysen nicht hundertprozentig mit der der gekoppelten ECHAM-Modelle vergleichbar. Die beiden heraus stechenden Wetterlagen der NCEP/NCAR-Reanalysen, die einen ansteigenden Trend von 1951 bis 2000 aufweisen, sind im Temperaturregime die sehr extrem warme Wetterlage (exWa) und im Niederschlagsregime die extrem trockene Wetterlage (exTr). Die mit den entsprechenden empirischen Wetterlagen zusammenhängenden Geopotentialfelder sind in Anhang A3 zu finden. Die extrem warme Wetterlage kommt nach ENKE (2003) mit einer relativen Häufigkeit von 2,6% im Frühjahr bis 5,1% im Winter vor. Die extrem trockene Wetterlage ist im engeren Mitteleuropa die häufigste Wetterlage mit 24,2% im Winter bis zu 30,1% im Herbst (ENKE 2003).

Interpretation der Ergebnisse

61

Eine Zunahme der extrem warmen Wetterlage in Mitteleuropa ist z.B. im Winter mit einer starken Luftmassenströmung aus West und einem Tief über Skandinavien verbunden. Allgemein bringen diese Strömungen milde und feuchte Luftmassen vom Atlantik nach Mitteleuropa. Eine Zunahme dieser Wetterlage, und damit verbundene wärmere Temperaturen, können im Winter zu einer Verringerung der Tage mit Schneefall führen und im Frühjahr ein zeitigeres Einsetzen der Vegetationsperiode bedeuten (ZHOU et al. 2001). Weiterhin besteht eine erhöhte Wahrscheinlichkeit, dass extreme Niederschlagsereignisse im Zusammenhang mit der Zunahme dieser Wetterlage auftreten. Ein Anstieg der sehr trockenen Wetterlage ist bei der Dekadenanalyse der NCEP/NCAR-Reanalysen besonders im Frühling und Herbst zu verzeichnen (siehe auch Tabelle 3 im Kapitel 6.3). Die sehr trockene Wetterlage ist durch süd- bis östliche Luftmassenströmungen und einer ausgeprägten antizyklonalen Vorticity mit Zentrum über Mitteleuropa charakterisiert (siehe Geopotentialfelder, Anhang A3). Diese Luftmassen sind zumeist sehr trocken und bringen durch die vorherrschende Antizyklonalität keinen Niederschlag. Eine Zunahme dieser Wetterlage kann im engeren Mitteleuropa in der Vegetationsperiode und besonders im Frühjahr (Hauptwachstumsphase) zu Wasserknappheit führen. Die vorliegende Arbeit beschränkt sich aus Zeitgründen auf die Interpretation dieser beiden Wetterlagen. Eine nähere Analyse der Entwicklung der relativen Häufigkeiten weiterer Wetterlagen im Temperatur- und Niederschlagsregime über den Zeitraum der bestehenden NCEP/NCAR-Reanalysen sowie eine statistische Signifikanzanalyse sollte in weiter-führenden Studien erfolgen. Der Einfluss von Veränderungen in der Wetterlagenhäufigkeit auf das Klima in Mitteleuropa sowie auf andere Sphären und sozio-ökonomische Belange sollen in dieser Arbeit nicht ausführlich behandelt werden. Dieser Aspekt ist nur kurz zur Veranschaulichung des Problems angerissen. Detaillierte Studien dazu sind im IPCC Bericht „Climate Change 2001: Impacts, Adaption, and Vulnerability“ (McCARTHY 2001) zu finden. 7.3 Modellvergleich der AMIP- und Kontrollläufe Der U-Test ergab im Modellvergleich keine signifikanten Unterschiede zwischen den Wetterlagenverteilungen der ECHAM-Modellversionen und den NCEP/NCAR-Reanalysen. Das ist damit zu begründen, dass der U-Test auf einer Rangaufteilung beruht. Die seltenste Wetterlage erhält somit den niedrigsten Rang und die häufigste den höchsten. Da die Rangverteilung der Wetterlagen innerhalb der 8 bzw. 10 Klassen in allen Regimen und Modellvergleichen ähnlich war, erscheint das Ergebnis des U-Tests plausibel. Jedoch können die Ausprägungen bzw. relativen Häufigkeiten, die sich für die Wetterlagen der verschiedenen Modelle in den einzelnen Klassen ergaben, sehr unterschiedlich von den NCEP/NCAR-Reananalysen sein. Die Aussagekraft des U-Tests leidet auch unter der geringen Stichprobenanzahl (Wetterklassen), die für den Test zur Verfügung stand. Bei der Interpretation der Ergebnisse des Modellvergleichs sollte immer beachtet werden, dass die Wetterlagen durch die Methode der scharfen Zuordnung (siehe Kapitel 3.2) hergeleitet wurden. Das heißt, dass auch die Grenzen zwischen den Wetterlagen sehr scharf sind. Dies ist in der Realität natürlich nicht der Fall. Benachbarte Wetterklassen treten häufig mit ähnlichen Wahrscheinlichkeiten auf. Die Wahrscheinlichkeit mit der eine Wetterlage an einem bestimmten Tag vorkommt, kann z.B. mit der unscharfen Klassifizierung der Wetterlagen veranschaulicht werden. Als Konsequenz dieser Problematik sollten kleinere Abweichungen der Wetterlagenhäufigkeiten basierend der ECHAM-Modellversionen von den NCEP/NCAR-Reanalysen nicht überinterpretiert werden. In den untersuchten ECHAM4-Modellversionen sind im Hinblick auf die Wetterlagen-verteilung der NCEP/NCAR-Reanalysen die warmen Wetterlagen überrepräsentiert,

Interpretation der Ergebnisse

62

wohingegen die kälteren Wetterlagen durch das ECHAM5/MPI-OM1-Modell überschätzt werden. Hier kommen die systematischen Fehler der beiden globalen Klimamodelle zum Ausdruck. Das Modell ECHAM4 ist besonders im Sommer über Europa zu warm verglichen mit Beobachtungsdaten (MACHENHAUER et al. 1998, HAGEMANN et al. 2001). Dieser Fehler tritt sowohl im gekoppelten Modell als auch im reinen Atmosphärenmodell ECHAM4 auf. Das gekoppelte ECHAM5-Modell ist allgemein über Eurasien zu kalt, was schon in früheren Kapiteln als „cold bias“ erwähnt wurde. Dieser systematische Fehler entfällt jedoch bei den Wetterlagenverteilungen ermittelt aus dem Atmosphärenmodell ECHAM5 (AMIP). MACHENHAUER et al. (1998) erklärt dazu, dass die systematischen Fehler in der allgemeinen Zirkulation hauptsächlich in der mittleren horizontalen und vertikalen Luftmassenbewegung in der unteren Troposphäre liegen. Die über die Zeit gemittelte Lufttemperatur an der Erdoberfläche und die Niederschlagsfelder werden durch diese großräumige Zirkulation definiert. Systematische Fehler in den Zirkulationsmustern sind aus diesem Grund, neben Fehlern in der physikalischen Parametrisierung, verantwortlich für die Fehler in den Temperatur- und Niederschlagsmustern. Die Daten aus den AMIP-Läufen der beiden ECHAM-Modellversionen liefern bei der Simulation der Wetterlagenverteilungen im Temperaturregime gute Ergebnisse, vor allem im Frühjahr und Winter. Die Wetterlagenhäufigkeitsverteilungen basierend auf den Kontrollläufen der gekoppelten ECHAM-Modelle weisen jedoch erhebliche Unterschiede zu den NCEP/NCAR-Reanalysen auf. Diese werden im Sommer bei den ECHAM4/OPYC3-Daten und im Winter bei den ECHAM5/MPI-OM1-Daten besonders deutlich. Das gekoppelte ECHAM4-Modell gibt besonders im Frühjahr und Winter die Wetterlagenhäufigkeiten besser wieder als das Modell ECHAM5/MPI-OM1. Im Niederschlagsregime haben beide ECHAM-Modellversionen noch große Defizite. Besonders das Modell ECHAM5 (AMIP) gibt in allen Jahreszeiten die Wetterlagenhäufigkeiten der NCEP/NCAR-Reanalysen nur schlecht wieder. Die Häufigkeiten der Wetterlagen im Niederschlagsregime werden allerdings im Frühling und Winter gut durch beide gekoppelten ECHAM-Modellversionen und das ECHAM4 (AMIP) Modell wiedergegeben. Die meist mäßige bis schlechte Übereinstimmung der mit den ECHAM-Modellversionen erzeugten Wetterlagen im Vergleich zu den NCEP/NCAR-Reanalysen im Niederschlagsregime liegt allgemein daran, dass die Klimamodelle hinsichtlich der Niederschlagsmodellierung noch einige Schwierigkeiten haben. Häufig können real beobachtete Niederschlagsereignisse und -verteilungen von Klimamodellen nur unzureichend simuliert werden. Ein Problem bei der Modellierung von Niederschlag ist, dass konvektiv gebildeter Niederschlag häufig auf lokal eng begrenztem Raum auftritt und mit den großskaligen globalen Modellen schlecht modelliert werden kann. Auch regionale bzw. hoch auflösende Klimamodelle haben bei der Modellierung des Niederschlags erhebliche Probleme (VOSS et al. 2002). Die allgemeine Unterschätzung der sehr trockenen Wetterlage (seTr) durch die ECHAM-Modelle ist vor allem ein numerisches Problem. Die globalen Klimamodelle haben Schwierigkeiten den Zustand „kein Regen“ wiederzugeben, wodurch in den Modellen fast immer leichter Nieselregen simuliert wird (ZORITA & VON STORCH 1998). Trotz dieser Unterschätzung sind jedoch in den Szenarienläufen relativ große Zunahmen der sehr trockenen Wetterlage zu verzeichnen. Abschließend sind noch zwei Unterschiede zwischen dem Temperatur- und Niederschlagsregime zu bemerken. Die als signifikant definierten Abweichungen von den Wetterlagenhäufigkeiten der NCEP/NCAR-Reanalysen im Temperaturregime beziehen sich bei beiden ECHAM-Modellen auf unterschiedliche Wetterlagen. Im Niederschlagsregime weichen beide ECHAM-Modellversionen größtenteils in denselben Wetterlagen von den

Interpretation der Ergebnisse

63

NCEP/NCAR-Reanalysen ab. Weiterhin erkennt man im Temperaturregime, dass die Wetterlagen durch die AMIP-Läufe besser wiedergegeben werden als durch die Kontrollläufe der entsprechenden gekoppelten ECHAM-Modellversion. Im Niederschlagsregime ist jedoch in den AMIP-Läufen keine Verbesserung der relativen Häufigkeiten der Wetterlagen in Bezug auf die NCEP/NCAR-Reanalysen zu verzeichnen. 7.4 Szenarienvergleich Obwohl die Wetterlagenhäufigkeiten simuliert mit den Daten aus den Kontrollläufen der beiden gekoppelten ECHAM-Modellversionen teilweise sehr unterschiedlich ausfallen, zeigen beide ähnliche Ergebnisse für die Änderung der Wetterlagenverteilung bei einer Verdopplung der CO2-Konzentration in der Atmosphäre. Zuerst soll auf das Temperaturregime eingegangen werden. Im Sommer sowie im Winter kommt es zu einer Zunahme der warmen Wetterlagen und zu einer Abnahme der kalten Wetterlagen. Dies würde zu einem allgemeinen Anstieg der mittleren Temperatur im engeren Mitteleuropa führen. Diese zukünftige Temperaturerhöhung wurde schon von vielen Autoren (u. a. SCHÖNWIESE 1995; LOZÁN et al. 1998; MACHENHAUER et al. 1998; HUMES & SHEARD 1999; DWD 2001) beschrieben und ist auch im 3. IPCC Bericht (HOUGHTON et al. 2001) für verschiedene Emissionsszenarien dokumentiert. Die Ausprägung der Veränderung in der relativen Häufigkeit der Wetterlagen fällt je nach ECHAM-Modellversion und Jahreszeit unterschiedlich aus. Der Grund dafür ist hauptsächlich in den relativen Häufigkeiten der Wetterlagen in den Kontrollläufen der beiden Modellversionen zu suchen. Um ein Beispiel zu nennen: Die gravierende Zunahme der extrem warmen Wetterlage (exWa) um fast 2000% im ECHAM5-Modell im Frühling bzw. um über 800% im Sommer ist deshalb so auffällig, weil diese Wetterlage im gekoppelten ECHAM5-Modell mit einer Wahrscheinlichkeit nur von 0,1% (Frühling) bzw. 1,4% (Sommer) im Kontrolllauf auftritt und mit 1,1% (Frühling) bzw. 12,6% (Sommer) im Szenarienlauf. Das heißt, auch bei der Szenarienanalyse fallen die systematischen Fehler der beiden ECHAM-Modellversionen ins Gewicht. Die Geopotentialfelder im Anhang A3 zeigen, dass die extrem warme Wetterlage (exWa) im Winter mit einer starken Westströmung feuchter und milder Luftmassen vom Atlantik verbunden ist. Eine leichte Zunahme dieser Wetterlage wurde schon bei der Dekadenanalyse der NCEP/NCAR-Reanalysen in den vergangenen 50 Jahren festgestellt. Dieser Trend wird sich sehr wahrscheinlich, gemäß der Szenarien der beiden gekoppelten ECHAM-Modelle, bei einem weiteren Anstieg der atmosphärischen CO2-Konzentration in Zukunft fortsetzen. Die Intensität und Häufigkeit von zonalen Westströmungen über Europa werden im Winter entscheidend von der Ausprägung der Nordatlantischen Oszillation (NAO) beeinflusst. Der NAO-Index wird durch die Luftdruckdifferenz zwischen den Azoren (Hoch) und Island (Tief) bestimmt. Ist diese Druckdifferenz sehr groß, kommt es zu einer Verstärkung der zonalen Luftmassenströmung aus West über Europa. Nach VON STORCH et al. (1999) bedeuten stärkere Westwinde in Europa eine Zunahme des maritimen Einflusses, welcher verbunden ist mit milderen Temperaturen. Veränderungen der NAO stehen somit in Zusammenhang mit den veränderten Häufigkeiten der extrem warmen Wetterlage im Winter (RAPP 2000). Eine drastische Abnahme der sehr extrem kalten Wetterlage (sexK) wird ebenfalls von beiden ECHAM-Modellen für alle Jahreszeiten im Szenarium simuliert. Diese Wetterlage ist u. a. mit Luftmassenströmungen aus Nord bis Nordwest gekennzeichnet (siehe Anhang A3), welche sehr kalte und mitunter feuchte Luft vom Nordmeer bzw. Nordatlantik mit sich bringt. Diese Wetterlage tritt normalerweise nur mit einer sehr geringen Wahrscheinlichkeit im engeren Mitteleuropa auf, und wird sich wahrscheinlich (gemäß der Szenarien der ECHAM-

Interpretation der Ergebnisse

64

Modelle) bei einer Verdopplung der CO2-Konzentration um durchschnittlich 80% verringern. Im Frühling des ECHAM4/OPYC3-Szenariums verschwindet diese Wetterlage vollständig. Dies könnte u. a. bedeuten, dass die Gefahr von Spätfrösten im Frühling zurückgeht. Welche spezifischen Veränderungen die veränderten Wetterlagenhäufigkeiten für bestimmte Regionen im engeren Mitteleuropa hinsichtlich der Temperatur und des Niederschlags mit sich bringen, kann letztendlich nur die weitere Analyse der Wetterlagen mit der wetterlagenkonsistenten Projektion von Zeitreihen und deren Extreme von ENKE (2003) zeigen. Bei der Betrachtung der Veränderungen von Kontroll- zu Szenarienlauf im Niederschlagsregime muss man die Jahreszeiten getrennt betrachten, da die Tendenzen zum Teil gegensätzlich sind. Die Ergebnisse der Analysen haben gezeigt, dass es bei einer Zunahme der CO2-Konzentration im Frühjahr, Sommer und Herbst im engeren Mitteleuropa wahrscheinlich trockener werden wird. Die sehr trockene Wetterlage (seTr) ist die häufigste Wetterlage im engeren Mitteleuropa. Sie ist in der Regel durch ein ausgeprägtes Hochdruckgebiet sowie einer antizyklonalen Vorticity über Mitteleuropa und einer Luftmassenströmung aus Süd bis Südost charakterisiert (siehe Anhang A3). Eine Zunahme dieser Wetterlage in der Vegetationsperiode kann zu vermehrtem Trockenstress bei Pflanzen führen. Dies hat u. a. große Auswirkungen auf die Landwirtschaft. Außerdem kann es durch lange Trockenperioden in den oben genannten Jahreszeiten zu Engpässen in der Trinkwasserversorgung in manchen Regionen Mitteleuropas kommen. Die Zunahme der trockenen Wetterlagen bedeutet aber nicht, dass es in den oben genannten Jahreszeiten nicht zu extremen Starkniederschlagereignissen kommen kann. Diese können in kurzer Zeit und teilweise auf eng begrenztem Raum erhebliche Niederschlagsmengen mit sich bringen. In CHRISTENSEN & CHRISTENSEN (2002) wird diesbezüglich betont, dass in Zukunft besonders im Sommer extreme Niederschlagsereignisse mit hoher Wahrscheinlichkeit in ihrer Häufigkeit, jedoch nicht in ihrer Intensität, zunehmen werden. Allgemein wird die Gesamtniederschlagsmenge jedoch sinken (VOSS et al. 2002). Im Winter wird von beiden gekoppelten ECHAM-Modellen eine starke Zunahme der Wetterlage mit sehr starkem Niederschlag (ssNi) unter Abnahme der trockenen Wetterlagen im Szenarium simuliert. Die Wetterlage mit sehr starkem Niederschlag ist durch eine starke Nordwest-Strömung kalter und sehr feuchter Luftmassen vom Westatlantik gekennzeichnet. Das Zentrum der zyklonalen Vorticity liegt über Mittel- bis Nordeuropa. Diese Wetterlage ist unter heutigen Klimabedingungen verhältnismäßig selten über dem engeren Mitteleuropa anzutreffen. Eine Zunahme der Wetterlage mit starkem Niederschlag im Winter würde mit einem erhöhten Risiko von Überschwemmungen und Bodenerosion verbunden sein (SCHÖNWIESE 2003). Bei der Interpretation der Modellergebnisse im Niederschlagsregime muss man abschließend noch bemerken, dass sich der Niederschlag lokal sehr differenziert gestaltet und von den globalen und regionalen Klimamodellen nur mit großen Unsicherheiten modelliert werden kann. Die Veränderungen in der Wetterlagenverteilung, die durch die Analyse der Szenarienläufe der beiden ECHAM-Modellversionen mit dem Wetterlagenklassifizierungsmodell ermittelt wurden, bestätigen jedoch allgemeine beobachtete Trends in der Niederschlagsentwicklung der letzten Jahrzehnte (u. a. SCHÖNWIESE 1995, RAPP 2000) sowie andere Szenarienrechnungen (u.a. DWD 2001, HOUGHTON et al. 2001).

Interpretation der Ergebnisse

65

Letztendlich geht man bei der Auswertung der Szenarienanalyse davon aus, dass die heutigen Druck- bzw. Strömungsregime, die die Wetterlagen charakterisieren, sich auch in Zukunft in ähnlicher Weise verhalten. Treten massive Veränderungen in den Druckregimen bei einer zukünftig zu erwartenden (anthropogenen) Klimaveränderung auf, so sind die Annahmen, die im Wetterlagenklassifizierungsmodell für die Szenariensimulation getroffen werden, nicht mehr ausreichend und können zu falschen Aussagen führen. 7.5 Zeitscheibenexperimente mit ECHAM4 (T106) Bei dem Vergleich der Wetterlagen basierend auf dem ECHAM4 (T106) AMIP-Lauf mit den NCEP/NCAR-Reanalysen (T63) muss darauf hingewiesen werden, dass die Reanalysen eine geringere Auflösung als die ECHAM4-Daten haben. Weiterhin existieren aufgrund des enormen Rechenaufwandes für die ECHAM4-AMIP-Daten in T106-Auflösung nur 9 Modelljahre. Die Wetterlagen, basierend auf dem Zeitscheibenexperiment von ECHAM4 (T106), geben die Häufigkeitsverteilungen der NCEP/NCAR-Reanalysen im Niederschlagsregime besser wieder als im Temperaturregime. Besonders im Sommer weichen jedoch die Häufigkeitsverteilungen der Wetterlagen in beiden Regimen deutlich von den Reanalysen ab. Im Temperaturregime scheint die höhere Auflösung der ECHAM4-Daten den systematischen Fehler des ECHAM4-Modells (MACHENHAUER et al. 1998, Hagemann et al. 2001) noch zu verstärken, so dass die warmen bis extrem warmen Wetterlagen zu häufig auftreten. Im Niederschlagsregime macht sich dieser Fehler offensichtlich nicht so deutlich bemerkbar. Obwohl VOSS et al. (2002) darauf hinweisen, dass das hoch auflösende ECHAM4-Modell die Sommerniederschläge signifikant unterschätzt und die Winterniederschläge in Nordeuropa weniger deutlich überschätzt. Die Unterschätzung der Sommerniederschläge könnte sich in den Wetterlagen des ECHAM4 (T106) AMIP-Laufs darin äußern, dass die sehr trockene Wetterlage im Vergleich zu den NCEP/NCAR-Reanalysen um ca. 5% und im Vergleich zum ECHAM4-AMIP-Lauf (T42) um über 20% häufiger auftritt. Die Wetterlagen mit leichtem und mäßigem Niederschlag (leNi, maNi) werden im Gegenzug dazu durch den ECHAM4 (T106) AMIP-Lauf stark unterschätzt. Mehrere Veröffentlichungen (u. a. MACHENENHAUER et al. 1996, 1998; CHRISTENSEN et al. 1998) haben gezeigt, dass sich die systematischen Fehler der globalen Zirkulationsmodelle in den regionalen Modellen bzw. höher aufgelösten Klimamodellen fortführen bzw. verstärken. Somit werden durch eine höhere Auflösung nicht unbedingt bessere Ergebnisse in der Realitätsnähe der Modelle erzielt. Jedoch kommen regionale Besonderheiten, wie z.B. die lokale Topographie stärker in hoch aufgelösten Modellen zum Ausdruck, welche unter anderem regionale Strömungscharakteristiken beeinflussen können (z.B. Luv- und Lee-Effekte der Alpen). Dazu haben MACHENHAUER et al. (1998) und CHRISTENSEN et al. (1998) notiert, dass durch eine realitätsnahere Auflösung von Gebirgen der orographisch verursachte Niederschlag durch globale Zirkulationsmodelle mit einer höheren Auflösung besser reproduziert wird. Dieser Punkt kann jedoch allein mit dem hier angewandten Wetterlagenklassifizierungsmodell nicht bestätigt werden. Eine Möglichkeit orographische Effekte in Klimaszenarien zu berücksichtigen, ist die wetterlagenkonsistente Projektion von Zeitreihen und deren Extreme nach ENKE (2003). Die Wetterlagen, welche auf Basis des Kontroll- und Szenarienlaufes des ECHAM4(T106)-Zeitscheibenexperimentes mit vorgeschriebener SST simuliert wurden, sollten die Veränderung der Wetterlagenverteilung bei einer Erhöhung der CO2-Konzentration in einem höher auflösenden GCM aufzeigen. Die Berechnung der Standardabweichung aus den 5 Ensemblemitgliedern zeigt, dass die Wetterlagenhäufigkeiten großen Schwankungen unterliegen. Innerhalb des Schwankungsbereiches sind die Häufigkeiten im Kontrolllauf jedoch ähnlich denen der NCEP/NCAR-Reanalysen und des ECHAM4 (T106) AMIP-Laufs im Winter. Die Szenarienläufe der beiden ECHAM4-Modellversionen in T42- und T106-

Interpretation der Ergebnisse

66

Auflösung stimmen in ihren Tendenzen hinsichtlich der Veränderung der Wetterlagenverteilung im Temperaturregime überein, d.h. die extrem warme Wetterlage nimmt im Winter stark zu und die unter- bis übernormal warmen Wetterlagen nehmen ab. Dabei sind die Veränderungen jedoch im ECHAM4-Zeitscheibenexperiment (T106) stärker ausgeprägt als im gekoppelten ECHAM4/OPYC3-Modell (T42). Dies kann teilweise damit zusammenhängen, dass der systematische Fehler im ECHAM4-Modell (HAGEMANN et al. 2001) durch die höhere Auflösung noch verstärkt wird. Im Niederschlagsregime stellt sich ein etwas anderes Bild dar. Die Wetterlagen zeigen zum Teil gegensätzliche Veränderungen in den Szenarienläufen der beiden ECHAM4-Modellversionen in unterschiedlicher Auflösung. Übereinstimmend ist jedoch die Zunahme der Wetterlage mit sehr starkem Niederschlag. Eventuell wird das Niederschlagsregime im höher aufgelösten ECHAM4-Modell durch eine realitätsnahere Auflösung der Orographie, der Land-See-Maske und anderen Bodenfeldern besser reproduziert (CHRISTENSEN et al. 1998) und liefert deshalb bessere Ergebnisse. Die Qualität der Szenarien auf Basis der ECHAM4-Zeitscheibenexperimente (T106) kann jedoch erst durch eine Analyse längerer Zeiträume und der gemeinsamen Betrachtung mit den anderen Jahreszeiten (Frühling, Sommer, Winter) geprüft und bewertet werden. Aufgrund der gegensätzlichen Ergebnisse der beiden ECHAM-Modellversionen sind, mit Ausnahme der sehr starken Niederschläge, keine konkreten Aussagen zur Veränderung der Wetterlagenverteilung im Niederschlag möglich. Die Zunahme der Häufigkeit von extremen Niederschlagsereignissen in Europa wurde auch in den neuesten Szenarienanalysen von CHRISTENSEN & CHRISTENSEN (2002) betont. 7.6 Rohdatenanalyse Bei der Interpretation der Ergebnisse aus dem Vergleich der Wetterlagen und der Temperatur- bzw. Niederschlagsklassen, ermittelt aus den ECHAM5/MPI-OM1-Modellrohdaten, muss auf Folgendes hingewiesen werden. Das Wetterlagenklassifizierungs-modell greift zur Ermittlung der Wetterlagen nicht auf die direkten Größen Temperatur und Gesamtniederschlag zurück, sondern benutzt die großräumige Wetterlagensituation, die durch das GCM simuliert wird. Die Wetterlagen sind jedoch letztendlich durch die Leitgrößen Temperatur und Niederschlag charakterisiert. Somit spiegelt jede Wetterlage eine Häufigkeitsverteilung der Temperaturen bzw. Niederschläge wider, die sich um den Mittelwert, durch den die Wetterlage definiert ist, konzentrieren. Die Verteilung der maximalen Tagestemperatur und des Gesamttagesniederschlags, die durch das globale Klimamodell für einen bestimmten Zeitraum simuliert werden, sollten aus diesem Grund auch in den Verteilungen der Wetterlagen wieder zu erkennen sein. Man versucht die systematischen Fehler des globalen Klimamodells im Wetterlagenklassifizierungsmodell zu umgehen bzw. zu mildern, in dem man auf alternative Felder (wie u. a. geopotentielle Höhe bzw. Vorticity (siehe Kapitel 3.2)) zur Simulation der Leitgrößen Niederschlag und Temperatur zurückgreift. Weiterhin flossen in die Rohdaten-Untersuchung lediglich 6 Gitterpunkte im Bereich Mitteleuropas ein, über welche die Größen maximale 2 m-Temperatur und Gesamttages-niederschlag gemittelt wurden. Dies führt natürlich zu großen Unsicherheiten. Im Sommer scheint das Wetterlagenklassifizierungsmodell, bezüglich des Temperatur-regimes, den systematischen Fehler („cold bias“ über Eurasien) des Modells ECHAM5/MPI-OM1 teilweise auszugleichen. Die sehr extrem kalten bis kalten Wetterlagen sind im Sommer weniger häufig als die entsprechenden Temperaturklassen der ECHAM5-Rohdaten. In den anderen Jahreszeiten ist allerdings das Gegenteil der Fall und das Wetterlagen-klassifizierungsmodell tendiert dazu, den systematischen Fehler des Modells ECHAM5/MPI-OM1 zu verstärken.

Interpretation der Ergebnisse

67

Die Daten des gekoppelten ECHAM5-Modells, und die darauf basierenden Wetterlagen im Temperaturregime, simulieren bei einer Verdopplung der CO2-Konzentration ähnliche Veränderungen in der Temperaturklassenverteilung. Diese beinhalten die Zunahme warmer Temperaturklassen und die Abnahme mittlerer bzw. kälterer Temperaturklassen. Die Veränderungen sind teilweise im Wetterlagenklassifizierungsmodell deutlicher ausgeprägt als in den ECHAM5/MPI-OM1-Rohdaten. Im Niederschlagsregime stimmen die Wetterlagen und die entsprechenden Niederschlagsklassen der ECHAM5/MPI-OM1-Rohdaten nur geringfügig überein. Auch in den Szenarien herrschen wenig vergleichbare Tendenzen, ausgenommen der sehr trockenen Wetterlage (Niederschlagsklasse mit 0-0,005 mm/d), die im Sommer und Herbst durch eine starke Zunahme charakterisiert wird. Die schlechte Übereinstimmung im Niederschlagsregime kann einerseits darin begründet sein, dass die Wiedererkennungsrate im Wetterlagenklassifizierungsmodell in diesem Regime geringer ist als im Temperaturregime. Eventuell kann die Wetterlagenverteilung im Niederschlagsregime auch eine Verbesserung gegenüber der Simulation des Gesamttagesniederschlags im ECHAM5/MPI-OM1-Modell sein. Dies müsste anhand von Beobachtungsdaten geprüft werden.

Schlussfolgerungen und Ausblick

68

8 SCHLUSSFOLGERUNGEN UND AUSBLICK Das gekoppelte Modell ECHAM5/MPI-OM1 liefert nicht zwangsläufig realitätsnahere Wetterlagen als seine Vorgängerversion ECHAM4/OPYC3. Es hat allerdings den entscheidenden Vorteil gegenüber Letzterem, dass es ohne Flusskorrektur stabile Klimasimulationen bietet. Das heißt im konkreten Fall, dass das neue Modell ECHAM5/MPI-OM1 ohne jegliche externe Manipulation läuft. Die Flusskorrektur war oft ein willkommener Angriffspunkt für Klimamodellkritiker. Der genaue Zeitpunkt der Datenausgabe in den gekoppelten ECHAM-Modellen scheint im Temperaturregime, und besonders im ECHAM5/MPI-OM1-Modell, einen Einfluss auf die Verteilung der Wetterlagen zu haben. MACHENHAUER et al. 1998 haben in diesem Zusammenhang festgestellt, dass lokale Defizite in der Parametrisierung die Dynamik der synoptische Systeme beeinflussen können, und neben den systematischen Modellfehlern einen entscheidenden Einfluss auf die Druckregime im CGCM ausüben. Eventuell ist die verbesserte Parametrisierung im Modell ECHAM5 (siehe Kapitel 3.2) verantwortlich für die verstärkten Unterschiede des Modells zwischen den Zeitpunkten der Datenausgabe. Auf jeden Fall sollten die direkten Unterschiede in den Tages- und Nachtemperaturen sowie den Schichtdicken 1000/850 hPa und 1000/700 hPa zwischen den beiden gekoppelten Modellversionen anhand der direkten Modelldaten von ECHAM4/OPYC3 und ECHAM5/MPI-OM1 untersucht werden, um genauere Aussagen über die Signifikanz und mögliche Ursachen dieses Sensitivitätsunterschiedes zwischen den Modellen treffen zu können. Der Modellvergleich hinsichtlich der Wetterlagenverteilungen in den Kontrollläufen der verschiedenen gekoppelten und ungekoppelten ECHAM-Modellversionen hat gezeigt, dass das Wetterlagenklassifizierungsmodell die systematischen Fehler des globalen Klimamodells nicht zu überdecken vermag. Die großen Abweichungen der Wetterlagenhäufigkeiten, ermittelt aus den Modelldaten der gekoppelten und ungekoppelten ECHAM-Modellversionen, von den NCEP/NCAR-Reanalysen signalisieren, dass die Klimamodelle noch erhebliche Schwierigkeiten bei der Simulation des Niederschlags haben. Die gute Übereinstimmung der Wetterlagen, basierend auf den beiden ECHAM-Modellversionen, mit den NCEP/NCAR-Reanalysen im Temperaturregime lässt jedoch Vertrauen in die Ergebnisse der Klimamodelle fassen. Es gilt aber auch hier, dass die systematischen Fehler der ECHAM-Modellversionen verringert werden müssen, um bessere Ergebnisse mit dem Wetterlagenklassifizierungsmodell zu erzielen. Bei der Analyse der Szenarienläufe der gekoppelten ECHAM-Modellversionen mittels des Wetterklassifizierungsmodells kommen ähnliche Strukturen zum Vorschein. Die Modelle ECHAM5/MPI-OM1 und ECHAM4/OPYC3 in T42-Auflösung zeigen im Temperaturregime vergleichbare Veränderungen der Wetterlagen bei einer Verdopplung der CO2-Konzentration. Zusätzlich werden diese Veränderungen auch durch das ECHAM4-Zeitscheibenexperiment (T106) bestätigt. Man kann deshalb mit hoher Wahrscheinlichkeit davon ausgehen, dass eine Zunahme der (extrem) warmen Wetterlagen verbunden mit einer Zunahme der maximalen Temperaturen in Europa (siehe Rohdatenanalyse) realistisch ist. Jedoch kommt man nicht umhin, diese Veränderungen mit statistischen Methoden (z.B. Trendanalysen) auf ihre Signifikanz zu testen und Analysen mit längeren Modellläufen durchzuführen. Die Veränderungen können teilweise im Bereich der Klima- bzw. Modellvariabilität liegen und nicht durch eine anthropogene Klimaveränderung begründet sein. Ein guter Ansatz zur Bestätigung der in dieser Diplomarbeit durch die Szenarienanalyse ermittelten Trends im Temperatur- und Niederschlagsregime wäre, die Wetterlagenklassifizierungsmethode auch auf andere globale gekoppelte Zirkulationsmodelle anzuwenden. Dieser Ansatz wurde auch durch das IPCC (HOUGHTON et al. 2001) zur Fundierung der Klimaszenarien gewählt.

Schlussfolgerungen und Ausblick

69

Die unterschiedlichen Ergebnisse der Szenarienanalysen im Niederschlagsregime lassen erkennen, dass bei der Simulation des Niederschlags durch Klimamodelle noch große Unsicherheiten herrschen. Übereinstimmend wird jedoch die Zunahme der Wetterlage mit sehr starkem Niederschlag bei erhöhter atmosphärischer CO2-Konzentration durch die ECHAM-Modellversionen simuliert. Die Analysen mit dem Wetterlagenklassifizierungsmodell unterstützen somit aktuelle wissenschaftliche Erkenntnisse in der Klimaforschung bzw. -modellierung. Die ECHAM4-Zeitscheibenexperimente (T106) sind leider nur für wenige Jahre verfügbar. Die Berechnung der Standardabweichung aus den 5 Ensemblemitgliedern (DJF) lässt Rückschlüsse auf die erhebliche Schwankungsbreite dieser Daten zu. Aus diesem Grund müssen längere Datenreihen in T106-Auflösung untersucht werden, um verlässlichere Aussagen über die Qualität der Modellläufe machen zu können. Außerdem wäre es interessant, die Entwicklung der Wetterlagenverteilungen bei Verdopplung der CO2-Konzentration in den anderen 3 Jahreszeiten (neben dem Winter) zu untersuchen. Die in dieser Arbeit betrachtete Wetterlagenklassifizierung und die Ergebnisse der Szenarienanalysen können natürlich nur die generell zu erwartenden Veränderungen in der Wetterlagenverteilung bei Verdopplung der Kohlendioxidkonzentration in der Atmosphäre aufzeigen. Um einen genaueren Überblick über die zukünftig zu erwartenden Temperatur- und Niederschlagsveränderungen in speziellen Regionen (z.B. Bundesländer in Deutschland) zu erhalten, müssen die hier erzielten Ergebnisse in das Verfahren der wetterlagenkonsistenten Projektion von Zeitreihen und deren Extreme nach ENKE (2003) einfließen. Diese auf das Wetterlagenklassifizierungsmodell aufbauende Regionalisierungs-methode ermöglicht detaillierte Aussagen über die Veränderung von Temperatur und Niederschlag in spezifischen Regionen. Die Analyse der ECHAM5/MPI-OM1-Rohdaten hat gezeigt, dass die durch das Wetterlagenklassifizierungsmodell produzierten Wetterlagen in relativer Übereinstimmung mit den entsprechenden Temperatur- bzw. Niederschlagsklassen liegen. Dieser Vergleich diente u. a. dazu, die Veränderung der Wetterlagenverteilungen bei einer CO2-Konzentrationserhöhung im Modell ECHAM5/MPI-OM1 mit den direkten Modelldaten der maximalen 2 m-Temperatur und des Gesamttagesniederschlags zu bestätigen. Dies wurde besonders im Temperaturregime erreicht. Im Niederschlagsregime waren die Ergebnisse unbefriedigend. Der Vergleich der ECHAM-Rohdaten mit den Wetterlagen hat jedoch einige Defizite, da u. a. nur 6 Gitterpunkte des ECHAM-Modells im Untersuchungsbereich (engeres Mitteleuropa) zur Verfügung standen. Eventuell könnten Untersuchungen der Klimadaten aus den Zeitscheibenexperimenten in T106-Auflösung zu besseren Erkenntnissen führen. Um die Ergebnisse des Wetterlagenklassifizierungsmodells richtig interpretieren zu können, sollte in Zukunft die Betrachtung der direkten Klimadaten der GCMs und deren Veränderungen in Szenarienrechnungen nicht außer Acht gelassen werden. Abschließend soll nochmals betont werden, dass die Ergebnisse des Wetterlagenklassifizierungsmodells immer von der Qualität des GCMs abhängen werden. Man kann durch eine optimale Auswahl der Eingangsfelder für das Wetterlagenklassifizierungsmodell versuchen, die systematischen Fehler des GCM zu verringern oder idealer weise zu liquidieren. Das dies nicht immer gelingt, wurde in dieser Arbeit deutlich. In ENKE (2003) wurden zur Beseitigung der systematischen Fehler im gekoppelten ECHAM4-Modell Korrekturfelder eingeführt, die aus dem Kontrolllauf berechnet wurden. Die Korrekturfelder sollen dazu beitragen möglichst realitätsnahe Wetterlagenverteilungen mit dem Wetterlagenklassifizierungsmodell zu erzeugen. Da in der vorliegenden Arbeit die Qualitätsunterschiede der ECHAM-Modellversionen untersucht werden sollten, wurden die Korrekturfelder nicht verwendet und die Auswirkungen der systematischen Fehler in den ECHAM-Modellen offen gelegt. Die Verringerung der systematischen Fehler der GCMs bleibt somit eines der großen Herausforderungen in der Klimamodellierung.

Literaturverzeichnis

70

9 LITERATURVERZEICHNIS Baur, F. (1948): “Einführung in die Großwetterkunde”, Dieterich Verlag, Wiesbaden. Christensen, O. B.; Christensen, J. H.; Machenhauer, B. und M. Botzet (1998): ”Very high-resolution regional climate simulations over Scandinavia- present climate”, Journal of Climate 11: 3204-3229. Christensen, J. H. und O. B. Christensen (2002): ”Severe summertime flooding in Europe“, Nature 421: 805. Deutsches Klimarechenzentrum (DKRZ) (1992): “The ECHAM3 general circulation model”, DKRZ Technical Report, Nr.6, editiert durch die Modellbetreuungsgruppe, D-20146 Hamburg. Deutsches Klimarechenzentrum (1994): “Deutsches Klimarechenzentrum“, Informationsbroschüre, August 1994, D-20146 Hamburg. Deutsche Meteorologische Gesellschaft (2003): “Vortrag Klimaprognosen: Eine Regionale Klimaprognose für Sachsen und andere Bundesländer”, Mitteilungen der Deutschen Meteorologischen Gesellschaft, Heft 01 März 2003, S.15, ISSN 0177-8501, Berlin. Deutscher Wetterdienst (2001): “Klimastatusbericht 2001“, DWD, D-63004 Offenbach. Enke, W. (2003): “Abschlussbericht zum Forschungs- und Entwicklungsvorhaben: Anwendung eines Verfahrens zur wetterlagenkonsistenten Projektion von Zeitreihen und deren Extreme mit Hilfe globaler Klimasimulationen (für Sachsen)“, Fa. Meteo-Research, Am Wiesengrund 30, 14532 Stahnsdorf. Enke, W. (2003b): “Anwendung einer Wetterlagenklassifikation für Süddeutschland auf Kontrolllauf und Szenario eines transienten ECHAM4 Klimasimulationslaufes (Szenario B) zur Abschätzung regionaler Klimaänderungen für Süddeutschland“, Abschlussbericht zum Werkvertrag B. - Nr. 50000099 zwischen dem Arbeitskreis KLIWA und der Firma Meteo Research, Am Wiesengrund 30, D-14532 Stahnsdorf. Enke, W.; Schneider, F. und T. Deutschländer (2003): „A novel scheme to derive optimized circulation pattern classifications for downscaling and forecast purposes“, Institut für Meteorologie der FU Berlin, eingereicht bei Theoretical and Applied Climatology, September 2003. Enke, W. und A. Spekat (1997): “Downscaling climate model outputs into local and regional weather elements by classification and regression“, Climate Research 8: 195-207. Frey-Buness, F.; Heimann, D. und R. Sausen (1993): “A statistical-dynamical downscaling procedure for global climate simulations”, Theoretical and Applied Climatology 50: 117-131. Fuentes, U. und D. Heimann (1996): “Verification of statistical-dynamical downscaling in the Alpine region” Climate Research 7: 151-168. Gerstengarbe, F.-W. und Werner, P.-C. (1999): “Katalog der Großwetterlagen Europas (1881-1998) nach Paul Hess und Helmut Brezowsky“, PIK und DWD, Potsdam und Offenbach a. M.

Literaturverzeichnis

71

Giorgi, F. (1990): “Simulation of regional climate, using a limited area model nested in a general circulation model”, Journal of Climate 3: 941-963. Hagemann, S.; Botzet, M. und B. Machenhauer (2001): ”The summer drying Problem over South-eastern Europe: Sensitivity of the limited area model HIRHAM4 to improvements in physical parametrisation and resolution”, Physics and Chemistry of the Earth 26, Nr. 5-6: 391-396. Hagemann, S.; Machenhauer, B.; Christensen, O. B.; Déqué, M.; Jacob, D.; Jones, R. und P. L. Vidale (2002): “Intercomparison of water and energy budgets simulated by regional climate models applied over Europe”, MPI Report Nr. 338, Max-Planck-Institut für Meteorologie, Bundesstraße 55, D-20146 Hamburg. Houghton, J.; Watson, R. und D. Yihui (2001): “Climate Change 2001: The scientific basis”, 3rd, IPCC Report, Cambridge University Press. Hulme, M. und Sheard, N. (1999): “Climate Change Scenarios for Germany”, Climatic Research Unit, Norwich UK. Kalnay, E.; Kanamitsu, M.; Kistler, W.; Collins, W., Deaven, D.; Gandin, L.; Iredell, S.; Saha, S.; White, G.; Woolen, J.; Zhu, Y.; Chelliah, M.; Ebisuzaki, W.; Higgins, W.; Janowiak, J.; Mo, K. C.; Ropelewski, C.; Wang, J.; Leetma, R.; Reynolds, R.; Jenne, R. und D. Joseph (1996): “The NMC/NCAR 40-Year Reanalysis Project”, Bulletin of the American Meteorological Society 77: 437-471. Kistler, R.; Kalnay, E.; Collins, W.; Saha, S.; White, G.; Woollen, J.; Chelliah, M.; Ebisuzaki, W.; Kanamitsu, M.; Kousky, V.; van den Dool, H.; Jenne, R. und M. Fiorino (2001): “The NCEP/NCAR 50-Year Reanalysis”, Bulletin of the American Meteorological Society 82 (2): 247-267. Lozán, J.L.; Graßl, H. und P. Hupfer (2001): “Climate of the 21st century: changes and risks” Wissenschaftliche Auswertungen, Hamburg. Machenhauer, B.; Windelband, M.; Botzet, M.; Jones, R. G. und M. Déqué (1996): ”Validation of present-day regional climate simulations over Europe: Nested LAM and variable resolution global model simulations with observed mixed layer ocean boundary conditions”, MPI Report Nr. 191, Max-Planck-Institut für Meteorologie, Bundesstraße 55, D-20146 Hamburg. Machenhauer, B.; Ruti, M. P. und G. Visconti (1998): “Validation and Analysis of Regional Present-day Climate and Climate Change Simulations over Europe”, Max Planck Insitut für Meteorologie, MPI Report Nr. 275, Max-Planck-Institut für Meteorologie, Bundesstraße 55, D-20146 Hamburg. Marsland, S. J.; Haak, H.; Junghans, J. H.; Latif, M. und Röske, F. (2003): ”The Max Planck Institute global ocean/sea ice model with orthogonal curvilinear coordinates“, Ocean Modelling 5, Nr. 2: 97-127. McCarthy, J.J.; Canziani, O.F.; Leary, N.A.; Dokken, D.J. und K.S. White (2001): “Climate Change 2001: Impacts, Adaption, and Vulnerability”, 3rd IPCC Report, Cambridge University Press. Merkel, U. (2003): “ENSO Teleconnections in High Resolution AGCM Experiments”, MPI Dissertation Nr. 93, Max-Planck-Institut für Meteorologie, Bundesstraße 55, D-20146 Hamburg.

Literaturverzeichnis

72

Oberhuber, J. M. (1993): “The OPYC ocean general circulation model. The description of a coupled snow, sea-ice, mixed layer and isopycnal ocean model”, MPI Report Nr. 7, Max-Planck-Institut für Meteorologie, Bundesstraße 55, D-20146 Hamburg. Rapp, J. (2000): “Konzeption, Problematik und Ergebnisse klimatologischer Trendanalysen für Europa und Deutschland”, Berichte des Deutschen Wetterdienstes 212, D-63004 Offenbach. Roeckner, E.; Arpe, K.; Bengtsson, L.; Brinkop, L.; Dümenil, L.; Esch, M.; Kirk, E.; Lunkeit, F.; Ponater, B.; Rockel, B.; Sausen, R.; Schlese, U.; Schubert, S. und M. Windelband (1992): “Simulation of the present day climate with the ECHAM model: Impact of model physics and resolution“, MPI Report Nr. 93, Max-Planck-Institut für Meteorologie, Bundesstraße 55, D-20146 Hamburg. Roeckner, E.; Arpe, K.; Bengtsson, L.; Christoph, M.; Claussen, M.; Dümenil, L.; Esch, M.; Giorgetta, M.; Schlese, U. und U. Schulzweida (1996): “The atmospheric general circulation model ECHAM-4: Model description and simulation of present-day climate”, MPI Report Nr. 218, Max-Planck-Institut für Meteorologie, Bundesstraße 55, D-20146 Hamburg. Roeckner, E.; Bäuml, G.; Brokopf, R., Esch, M.; Giorgetta, M.; Hagemann, S.; Kirchner, I.; Kornblueh, L.; Manzini, E.; Rhodin, A.; Schlese, U.; Schulzweida, U. und A. Tompkins (2003): “MPI-ECHAM5: Resolution Dependence of Systematic Errors”, Research Activities and Oceanic Modelling. WGNE Report. WMO, im Druck. Roeckner, E; Bäuml, G.; Bonaventura, R.; Brokopf, R.; Esch, M.; Giorgetta, M.; Hagemann, S.; Kirchner, I.; Kornblueh, E.; Manzini, E.; Rhodin, A.; Schlese, U.; Schulzweida, U. und A. Tompkins (2003b): “The atmospheric general circulation model ECHAM5: Part I: Model description”, Interner Report, in Vorbereitung, Max-Planck-Institut für Meteorologie, Bundesstraße 55, D-20146 Hamburg. Sachs, L. (1999): “ Angewandte Statistik: Anwendung statistischer Methoden”, 9. Auflage, Springer Verlag Berlin Heidelberg. Schönwiese, C.-D. (1992): “Praktische Statistik für Meteorologen und Geowissenschaftler”, 2. Auflage, Verlag Gebrüder Borntraeger Berlin-Stuttgart. Schönwiese, C.-D. (1995): “Klimaänderungen: Daten, Analysen, Prognosen“, Springer Verlag, Berlin. Schönwiese, C.-D. (2003): ”Secular Changes of extreme precipitation months in Europe“, Theoretical and Applied Climatology, im Druck. Simmons, A. J.; Burridge, D. M.; Jarraud, M.; Girard, C. und W. Wergen (1989): “The ECMWF medium-range prediction models: Development of the numerical formulations and the impact of increased resolution”, Meteorology and Atmospheric Physics 40: 28-60. Taubenheim, J. (1969): “Statistische Auswertung geophysikalischer und meteorologischer Daten”, Akademische Verlagsgesellschaft Geest & Portig K.-G. Trenberth, Kevin E. (1992): “Climate System Modelling”, Cambridge University Press Von Storch, H.; Güss, S. und Heimann, M. (1999): “Das Klimasystem und seine Modellierung“, Springer-Verlag Berlin, Heidelberg. Voss, R.; May, W. und E. Roeckner (2002): “Enhanced resolution modelling study on anthropogenic climate change: Changes in extremes of the hydrological cycle”, International Journal of Climatology 22: 755-777.

Literaturverzeichnis

73

Weischet, W. und W. Endlicher (2000): “Regionale Klimatologie Teil 2: Die alte Welt -Europa, Afrika, Asien“, B. G. Teubner Stuttgart Leipzig. Wilby, R. L. und T. M. L. Wigley (1997): “Downscaling general circulation model output: a review of methods and limitations”, Progress in Physical Geography 21: 530-548. Zorita, E.; Hughes, J. P.; Lettemaier, D. P. und H. von Storch (1995): “Stochastic characterization of regional circulation patterns for climate model diagnosis and estimation of local precipitation”, American Meteorological Society 8: 1023-1042. Zorita, E. und H. von Storch (1998): “The analog method - a simple statistical downscaling technique: comparison with more complicated methods”, Journal of Climate 12: 2474-2489. Zhou, Liming ; Tucker, Compton J. ; Kaufmann, Robert K. ; Slayback, Daniel ; Shabanov, Nikolay V. ; Myneni und B. Ranga (2001): “Relation Between Interannual Variations in Satellite Measures of Northern Forest Greenness and Climate Between 1982 and 1999”, Journal of Geophysical Research - Atmospheres, Vol.106, Nr. D17, 20 069-20 083. http://www-pcmdi.llnl.gov/amip http://www-pcmdi.llnl.gov/cmip http://www.hamburger-bildungsserver.de