1 Institut für Wasser- und Umweltsystemmodellierung, Lehrstuhl für Hydrologie und Geohydrologie, Universität Stuttgart 2 Institut für Ökologie, Fachgebiet Klimatologie, TU Berlin

Institut für Wasser- und UmweltsystemmodellierungLehrstuhl für Hydrologie und GeohydrologieUniversität Stuttgart

EinleitungIm Rahmen des BMBF Projekts "Nachhaltiges Management von Wasser und Abwasser in urbanen Wachstumszentren unter Bewältigung des Klimawandels - Konzepte für Lima Metropolitana (LiWa)" werden in einem Teilprojekt am Institut für Wasser- und Umweltsystemmodellierung (IWS-Universität Stuttgart) die Auswirkungen des Klimawandels auf die Verfügbarkeit von Wasserressourcen in dieser Region mit besonders schwierigen Randbedingungen untersucht. Charakteristisch für das Untersuchungsgebiet ist der West-Ost-Verlauf eines Niederschlagsgradienten entlang eines starken topographischen Gradienten (Abb.1). Während die jährliche Niederschlagssumme an der Küste im Stadtgebiet von Lima etwa 10mm beträgt, steigen diese Niederschlagsmengen nach Westen in Richtung Hauptkamm der Anden auf bis zu 1000 mm an (Abb. 2). Zudem sind diese höheren Lagen in den Anden von Trocken- (JJA) und Regenzeiten (DJF) gekennzeichnet.

DatengrundlageAls Datenbasis stehen langjährige tägliche Niederschlagsmengen des Peruanischen Wetterdienstes (SENAMHI) von insgesamt 22 Stationen aus den drei Flusseinzugsgebieten zur Verfügung. Zum Vergleich wurden tägliche TRMM-Daten (TRMM-3B42, Version 7) in einer räumlichen Auflösung von 0.25 Grad im Zeitraum vom 1998-2008 verwendet. Um eine bessere Vergleichbarkeit zwischen den Stationsdaten und dem TRMM-Daten zu gewährleisten wurden die Niederschlagsdaten mittels External Drift Krigings unter Berücksichtung der Topographie interpoliert und auf die entsprechenden TRMM Kacheln flächengemittelt.

Abbildung 3 zeigt exemplarisch die Streudiagramme zwischen einer TRMM Kachel und den entsprechenden interpolierten Stationsdaten für verschiedene zeitliche Aggregationen. Obwohl die Tagesdaten scheinbar nur wenig Zusammenhang zeigen, wird der Zusammenhang mit zunehmender zeitlicher Integration besser. Für die monatliche Aggregationsstufe wird eine Korrelation um die 0.92 erreicht.

Vergleich von Niederschlagsdaten eines Stationsmessnetzes an der Westabdachung der Anden mit satellitengestützten

Niederschlagsprodukten der Tropical Rainfall Measuring Mission für die Wassereinzugsgebiete der ariden Metropolregion Lima/Peru

J. Seidel 1, M. Otto 2, A. Chamorro 1 & U. Ihunweze 1

Weitere Resultate Die interpolierten Niederschlagsdaten zeigen eine bessere Übereinstimmung als der Direktvergleich Station vs. TRMM. Der Bias [mm d-1] (Tagesdaten interpoliert) liegt zwischen -0.6 und 0.6, es lässt sich kein räumliches Muster im Untersuchungsgebiet erkennen. In der Trockenzeit (JJA) überschätzt TRMM im Allgemeinen die Niederschlagswerte, oft haben die Stationsdaten keinen Niederschlag während TRMM ein Signal hat. Bei der Betrachtung der hohen Niederschlagsereignisse (> 95. Perzentil) ergeben sich schlechtere Korrelationen als über den ganzen Datensatz, TRMM überschätzt in diesem Bereich aber oft die Niederschlagssummen.

Fazit & Ausblick Die Niederschläge zwischen TRMM und Stationsdaten bzw. interpolierten Daten zeigen auf Tagesbasis betrachtet wenig Übereinstimmung. Dies könnte mit den Niederschlagsmechanismen (Advektion, warme Wolken) zusammenhängen, die von den TMPA Sensoren nicht ausreichend erkannt bzw. erfasst werden. Mit entsprechenden Korrekturen können zeitliche aggregierte TRMM Daten z.B. für Wasserbilanzen durchaus in Betracht gezogen werden. Durchführung von weiteren Analysen, z.B. Untersuchung von Wertepaaren, bei denen sich TRMM und Stationen am wenigsten/meisten unterscheiden.

Abb. 1: Untersuchungsgebiet mit Niederschlagsstationen und verwendeten TRMM Kacheln

Abb. 2: Zusammenhang zwischen Stationshöhe und Niederschlagsmenge

Generell lässt sich der in Abb. 3 dargestellte Zusammenhang auf alle untersuchten TRMM Kacheln im Untersuchungsgebiet übertragen (Abb. 4). Bei der räumlichen Verteilung der Korrelation zeigen die höher gelegenen Kacheln leicht bessere Werte als die tieferen (Abb. 5).

Abb. 3: Streudiagramme zwischen interpolierten Stationsdaten und TRMM auf verschiedenen zeitlichen Aggregationsstufen

Abb. 4: Korrelation aller Kacheln auf verschiedenen Aggregationsstufen Abb. 5: Räumliche Verteilung der Korrelation (Monatssummen)

Vergleich TRMM – Interpolierte Niederschlagsdaten der Stationen