Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Statistical and Dynamical Downscaling of Numerical Climate Simulations

Ähnliche Präsentationen


Präsentation zum Thema: "Statistical and Dynamical Downscaling of Numerical Climate Simulations"—  Präsentation transkript:

1 Statistical and Dynamical Downscaling of Numerical Climate Simulations
Enhancement and Evaluation for East Asia Thorsten Simon Meteorologisches Institut – Universität Bonn Willkommen, zu meiner Verteidigung (Dissputation). Das Thema meiner Arbeit und des Vortrags heute ist: ‘S&DDofNCS’ Projekt: ‘Extreme Events in Past and Future: a Comparative Assessment for the Haihe River and Poyang Lake Basins’ Die Arbeit wurde gefödert durch das gemeinsame DFG / NSFC Programm: ‘Land Use and Water Resources Management under Changing Environmental Conditions.’

2 “Drying of the North, Flooding of the South”
Projektbeschreibung “Drying of the North, Flooding of the South” Haihe Einzugsgebiet: Hauptstadt Beijing 10% China’s Bevölkerung Wasserknappheit Poyang Einzugsgebiet: größter Süßwassersee Chinas hohe Variabilität des Wasserstandes großes Überflutungspotential Im gemeinsamen DFG/NSFC Förderprogamm: ‘Land Use and Water Resources Management under Changing Environmental Conditions.’ Es geht also um veränderte Umweltbedingungen. Die Motivation des Programms ist unter anderem den Einfluss des Klimawandels in China zu untersuchen. Der beobachtete Klimawandel in China lässt sich in einem Satz beschreiben ‘Drying of the North, Flooding of the South’. Also ein Kontrast zwischen Nord und Süd. Daher wird im Projekt ein Flusseinzugsgebiet im Norden und eins im Süden betrachtet. Im Haihe Einzugsgebiet im Norden liegt die Hauptstadt Beijing. Insgesamt leben 10% von Chinas Bevölkerung hier. Das Problem ist Wasserknappheit. Im Süden Chinas liegt das Einzugsgebiet des Poyang Sees, dem größten Süsswassersees Chinas. Die hohe jahreszeitliche Variabilität des Wasserstandes macht ihn für Hydrologen interessant. Außerdem treten sehr starke Niederschläge mit Überflutungspotential während der Monsoonzeit auf. Der Ost-asiatische Sommermonsoon prägt das Klima der Region. Daher soll hier auf den jahreszeitlichen Verlauf des Monsoons eingegangen werden:

3 Ost-Asiatischer Sommermonsun (EASM)
Horizontalwind 850hPa (links) und Niederschlag in mm (rechts) aus ERA-40 gemittelt von 12.Mai bis 17.Mai Das Klima und der Klimawandel in China wird hauptsächlich durch den Ostasiatischen Sommermonsoon geprägt. Daher soll hier der jahreszeitliche Verlauf der Monsoons erläutert werden: Zu sehen sind die typischen atmosphärischen Bedingungen im Frühjahr zwischen Mitte Mai und Anfang Juni. Zu dieser Zeit findet die erste Regenperiode im Süden Chinas statt. Klick. Dabei unterstützt der Horizontalwind in der unteren Troposphäre den Feuchtetransport aus den Tropen. Klick TTT Die erste Regenperiode Periode im Süden Chinas findet Mitte Mai bis Anfang Juni statt. Der Horizontalwind in der unteren Troposphäre unterstützt den Feuchtetransport aus den Tropen.

4 Ost-Asiatischer Sommermonsun (EASM)
Horizontalwind 850hPa (links) und Niederschlag in mm (rechts) aus ERA-40 gemittelt von 17.Juni bis 22.Juni TTT Die zweite Regenperiode im Süden Chinas zwischen Mitte Juni und Mitte Juli ist die Haupt-Monsoonzeit. Der Feuchtetransport aus den Tropen wird durch ein verstärkte anti-zyklonale Strömung über dem Westpazifik erhöht.

5 Ost-Asiatischer Sommermonsun (EASM)
Horizontalwind 850hPa (links) und Niederschlag in mm (rechts) aus ERA-40 gemittelt von 29.Juli bis 3. August In der dritten Phase schiebt sich das System weiter nach Norden und verursacht auch dort starke Niederschläge. Die Begründung für das Klimawandel-Muster – Drying of the North, Flooding of the South – liegt in einer insgesamt schwächeren Monsoondynamik: Will heißen, die dritte Phase, die den Regen nach Norden bringt, ist schwächer ausgeprägt. Und die Feuchtigkeit regnet dafür im Süden ab. -- Um den Einfluss vom KW zu untersuchen brauchen Hydrologen und Biologen aus den anderen Teilprojekten des Förderprogramms hochaufgelöste Klimadaten als Input für ihre Modelle. Diese hochaufgelösten Klimadaten bekommt man nicht aus globalen Klimamodellen, sondern muss sie durch spezielle Downscaling Methoden erzeugen. Unsere Aufgabe im Projekt war es dieses Downscaling von Klimadaten durchzuführen, bzw. die Validierung und die Interpretation herunterskalierter Daten durch neu entwickelte Methoden zu unterstützen. Beim Downscaling unterscheidet man 2 Ansätze: Statistisches und Dynamisches Downscaling. Die Ansätze werden kurz beschrieben, bevor ich die Ziele der Arbeit vorstelle.

6 Statistisches Downscaling (SD)
Zielgrößen aus Beobach-tungsdaten Statistisches Modell Verifikation Anwendung SD nutzt Informationen auf lokaler Skala, z.B. aus Beobachtungsdaten, aus Klick und passt statistische Transfer-Funktionen zwischen grob aufgelösten Modelldaten und den Daten auf lokaler Skala an. Die Vorhersagen des statistischen Modells müssen Verifiziert werden, bevor unabhängige GCM daten auf das statistische Modell angewandt werden. Voraussetzungen für die Anwendung eines SD sind eine hinreichend gute Datenbasis für Training und Verifikation des statistischen Modells Eine Problemspezifische Statistik muss aufgestellt werden können Prediktoren müssen Vorhersagbarkeit für die Zielvariable/en enthalten. Prädiktoren aus GCM Daten GCM Daten

7 Dynamisches Downscaling (DD)
räumlich limitiertes Zirkulationsmodell: Regionales Klimamodell (RCM) Komponenten: Dynamischer Kern, z.B. COSMO, WRF, .. Randbedingungen, z.B. CMIP Läufe, globale Re-analysen, .. Numerische Parameter, z.B. Auflösung, Breite der Sponge- zone, … Unter DD versteht man die Anpassung eines Zirkulationsmodells an eine räumlich limitierte Domain, auf kontinentaler Skala. In einem ersten Nesting-schritt befindet sich diese Domain auf kontinentaler Skala. Das Modell umschließt also Gebiete in der Größenordnung Europa, Nordamerika, oder wie bei uns Ostasien. Diese räumlich begrenzten Modelle nennt man Regionale Klima Modelle (RCM). Benötigt wird dafür ein dynamischer Kern, also ein Zirkulationsmodell. Randbedingungen an horizontalen Rändern, und auch am unterem Rand, z.B. Wärmeflüsse zwischen Ozean und Atmosphäre. Denn der Ozean wird meist nicht mitmodelliert. Numerische Parameter müssen festgelegt werden, z.B.: räumliche und zeitliche Auflösung, sponge zone. Dies sind nicht nur technische Details, denn durch die damit festgelegte Diskretisierung werden Lösungen von den Grundgleichungen abgeschnitten. Die Vor- und Nachteile der beiden Ansätze lassen sich wie folgt zusammenfassen … source: htp://www.wmo.int

8 Statistisches Downscaling Dynamisches Downscaling
Vergleich der Ansätze Statistisches Downscaling Dynamisches Downscaling PRO Einfache Implementierung Automatisch bias-korrigiert Skala der Beobachtung Physikalisch konsistent Rasterdaten Unbeobachtete Größen CONTRA Annahme der Stationarität Datenbasis ggf. unzureichend Kovarianzen i.A. nicht physikalisch konsistent Räumliche Modellierung nicht- normal verteilter Zielgrößen Technisch und numerisch komplex Fehlerquelle Randbedingungen Fehlerquelle Parametrisierung Validierung komplex DD / contra: Randbed. Fehler müssten mit Ensembles erfasst werden. SD / contra: Bei der Anwendung wird die Bedeutung von phys. Vorwissen häufig unterschätzt SD / contra: Datenbasis: Hohe räumliche Dichte nötig, um räumliche Statistik anwenden zu können. Um die Anwendung dieser Ansätze für das Projekt zu verbessen, habe ich mir folgende Ziele gesetzt…

9 Statistical Downscaling Dynamical Downscaling
Zielsetzung Statistical Downscaling Aufbau eines Statistischen Modells für Niederschlagsereignisse Physikalische Interpretation der Prädiktoren Validierung der RCM Läufe Entwicklung einer Methode zur Quantifizierung der Eigendynamik in RCMs Dynamical Downscaling

10 Statistical Downscaling Dynamical Downscaling
Zielsetzung Statistical Downscaling Aufbau eines Statistischen Modells für Niederschlagsereignisse Physikalische Interpretation der Prädiktoren Validierung der RCM Läufe Entwicklung einer Methode zur Quantifizierung der Eigendynamik in RCMs Dynamical Downscaling

11 Zielgrößen aus Beobach-tungsdaten
tägliche Niederschlags- messungen Transformation zu Schwellwertüberschreitung ERA-40 Variablen: Horizontalwind Relative Vorticity Vertikalwind Gesamt-Wassergehalt Zeitraum: Zielgrößen aus Beobach-tungsdaten Prädiktoren aus GCM Daten Als Zielgrößen stehen tägliche Niederschlagsmessungen von Messstationen im Poyang Einzugsgebiet zur verfügung. Die Messungen werden in binäre Variablen umgewandelt: Schwellwertüberschreitung ja/nein. Die Prädiktorn kommen aus der Re-analyse vom ECMWF ERA-40. Das sind einmal Horizontalwind, relative Vorticity und Vertikalwind auf verschiedenen Druckleveln und der Gesamtwassergehalt der atmosphärischen Säule. Die ausgewählten Größen sind entweder typisch um die Monsoon-Dynamiken zu beschreiben. Oder haben ich in anderen Downscaling-Studien als aussagekräftig erwießen. Im Zeitraum von 1960 bis 1999 liegen alle Daten, also Zeilgrößen und Prädiktoren vor. Lage der Messstationen im Poyang Einzugsgebiet

12 Methode EOF Analyse der ERA-40 Daten
Generalisiertes lineares Modell (GLM) für binäre Variablen Maximum Likelihood Schätzer (MLE) 4-fold Cross-Validation Brier Skill Score (BSS) mit Klimatologie als Referenzvorhersage Reliability-Diagramm Statistisches Modell Verifikation Für das SM werden die ERA-40 Daten mittels EOF-Analyse auf die 25 führenden Moden reduziert. Um beobachtete Schwellwertüberschreitungen und EOF-Muster zu verbinden wird ein GLM für binäre Variablen gewählt. Zum Anpassen des Modells wir der ML Schätzen (MLE) verwendet. Und die Prädiktoren werden durch Vorwärts-Selection ausgewählt. GLM: hier wird der lineare Prediktor mittels inverser logit-Funktion auf eine Wahrscheinlichkeit transformiert. MLE: die Parameter des linearen Prediktors werden durch Minimierung der negativen log-likelihood einer Bernoulli-Verteilung an die Beobachtungen angepasst/trainiert. Vorwärts-Selektion: Aus den (25) verfügbaren Prediktoren, wird zunächst der Prediktor ausgewählt, der das Modell am stärksten verbessert. Dann aus den 24 verbleibenden, der Prediktor, der jetzt die stärkste Verbesserung für das Modell darstellt, usw. Zur Verifikation wird eine 4-fold CV in Kombination mit dem Brier Score angewandt. Kreuzvalidierung: Aus 40Jahre Daten werden 30J zum Training und 10J zum Verifizieren verwendet. Und das ganze 4mal. Der BS ist eine Speziallform des Mittleren Quadratischen Fehlers, für binäre Beobachtungen und Wahrscheinlichkeitsvorhersagen. Außerdem berechne ich den BSS, der den BS für eine Vorhersage ins Verhältniss zum BS für eine Referenzvorhersage, hier Klimatologie, oder an wieviel Prozent der Tage wird ein gewisser Schwellwert überschritten, setzt Die Zerlegung des BS bedingt auf die Vorhersage erlaubt eine Analyse der gemeinsamen Wahrscheinlichleits verteilung von Beobachtung und Vorhersage. Diese Zerlegung wird im Reliability-Diagramm dargestellt.

13 Verifikation des statistischen Modells
Bei der Anwendung der Methode wurde in einem ersten Schritt getestet welche Kombination aus atmosphärischen Größen, die größte Vorhersagbarkeit beinhaltet. Das Ergebnis ist eine Kombination aus rel. Vorticity auf 850hPa und Vertikalwind auf 500hPa. Beides dynamische Größen, die geostrophische und a-geostrophische Anteile repräsentieren. Merke: Diese Kombination kommt also ohne Feuchtegröße aus.  phys. Int. Bild1: vertikale Aufwinde assozieren mit einer zyklonalen Störung auf der meso-alpha-skala Exemplarisch soll für eine Station (Yushan) und einen Schwellwert (u=25mm) die Verifikation erläutert werden. Bild 2: oben: der BSS mit und ohne Kreuzvalidierung, veranschauligt die Bedeutung des ersten Prediktors, unten: Das reliability-diagramm zeigt die gute Kalibrierung des Modells mit nur einem Prediktor. Für alle 13 Stationen wurde der selbe Prediktor zuerst ausgewählt. Dies bestätigt die Aussagekraft des Prediktors und motiviert das der Prädiktor physikalisch interpretierbar ist.

14 Physikalische Interpretation
EOF-Prädiktor ERA-40: 16.Juni 1994 [s-1] Die physikalische Betrachtung des Musters zeigt, warum es so ein guter Prediktor für lokale Niederschlagsereignisse ist. Der Prediktor beschreibt zyklonale Störungen auf der meso-alpha-Skala, so genannte Südwest-Wirbel. Diese Wirbel bilden sich im Frühling und Sommer über dem Hochgebierge. Erhöhte solare Einstrahlung führt zur Konvektion und zur Initialisierung des zyklonalen Wirbels. Dieses propagiert dann entlang des Yangtzes Richtung Süd-Korea und Süd-Japan. Wegen der starken Konvektion und des hohen Feuchtetransportes durch den Wirbel, kommt es hier oft zu starken Niederschlagsereignissen. Ein Beispiel aus ERA-40, zeigt einen Südwest-wirbel über dem Yangtze, mit der dazugehörigen Vertikalgeschwindigkeit. [Pa s-1]

15 Statistical Downscaling Dynamical Downscaling
Zielsetzung Statistical Downscaling Aufbau eines Statistischen Modells für Niederschlagsereignisse Physikalische Interpretation der Prädiktoren Validierung der RCM Läufe Entwicklung einer Methode zur Quantifizierung der Eigendynamik in RCMs Dynamical Downscaling

16 Statistical Downscaling Dynamical Downscaling
Zielsetzung Statistical Downscaling Aufbau eines Statistischen Modells für Niederschlagsereignisse Physikalische Interpretation der Prädiktoren Validierung der RCM Läufe Entwicklung einer Methode zur Quantifizierung der Eigendynamik in RCMs Dynamical Downscaling

17 COSMO-CLM East Asia COSMO-CLM Haihe COSMO-CLM Poyang
In unserem Teilprojekt wurden von Dinan Wang RCM Läufe mit COSMO erstellt: Einmal ein Downscaling von globalen Modellen – ERA-40, ECHAM5_20C3M, ECHAM_A1B – auf COSMO-CLM mit 50km Auflösung Und als 2. Stufe mit Randbedingungen von COSMO-50km auf COSMO-7km für Haihe und Poyang. Die Pixel im linken Bild sind die 50km Auflösung. In den rechten Bildern ist die 50km Auflösung mit Gitterlinien dargestellt und die Pixel zeigen die 7km Auflösung. Meine Aufgabe war es dann diese Läufe zu validiren. ERA40 ECHAM5 20C3M ECHAM5 A1B East Asia 50km 1971 – 2000 2011 – 2050 Haihe 7km 2021 – 2050 Poyang 7km 1971 – 1975 1971 – 1997

18 Validierung der RCM Läufe
EASM- und EAWM-Dynamiken werden realistisch simuliert Lokale Niederschlags- verteilungen sind näher an den Beobachtungen EASM im COSMO hoch korreliert mit dem EASM in ECHAM5 An Fallbeispielen wurde überprüft: SWV werden realistisch simuliert (EASM), Kaltluft einbrüche aus dem Sibirisch-Mongolischem-Hoch (EAWM) werden realistisch simuliert – Wichtig: rein qualitative Validierung TTT Lokale Niederschlagsverteilungen sind in dem RCMs näher an den Beobachtungen. Wichtig: Vergleich GCM – obs & RCM - obs Eine Korrelation von 0.9 zwischen dem EASM in COMSO East Asia und dem EASM in ECHAM5 auf saisonaler Skala, bedeutet, dass 80% der EASM Variabilität in COSMO sich durch die Variabilität in ECHAM5 erklären lässt. Die Information ist also nicht neu. 20% der EASM Variabilität in COSMO muss also durch die Eigendynamik des Modells erzeugt werden, und zeigen den potentiellen Mehrwert des RCM auf. Wichtig: direkter Vergleich GCM – RCM Dieses Konzept der Definition des Mehrwertes über Eigendynamik wird nun mit einer neuen Methode weiterentwickelt. Niederschlagsverteilung [mm/24h] für die Station Nanchang im Poyang-Catchment

19 Quantifizierung der Eigendynamik im RCM
GCM bilinear interpoliert räumliche Verteilung der Kohärenz für eine Frequenz punktweise Schätzung der Kohärenzspektren Hierzu wird das RCM mit einer bilinear interpolierten Version der GCM verglichen. Für jeden Punkt im Modellgitter, wird das Koherenzspektrum zwischen der Zeitserie aus dem RCM und der Zeitserie aus dem GCM geschätzt. Jetzt wird aus dem Spektrum der Wert für eine bestimmt Frequenz wieder auf die Karte übertragen. Dies wird für jeden Punkt gemacht und ergibt am Ende die räumliche Koherenzverteilung für eine Frequenz. Rot: Viel Variabilität wird linear aus dem antreibenden Modell übernommen.  Weinig Raum für Entwicklung von zusätzlicher Dynamik Blau/Weiß: Wenig Variabilität wird linear aus dem antreibenden Modell übernommen.  Viel Raum für Entwicklung von zusätzlicher Dynamik  potentieller Mehrwert durch Dynamisches Downscaling Die Möglichkeiten der Methode werden an Beispielen erläutert. RCM

20 Eigendynamik: Beispiele
COSMO East Asia mit ECHAM5_20C3M Rand COSMO East Asia mit ERA-40 Rand Der Vergleich zwischen COSMO angetrieben mit ECHAM5 und ERA-40 zeigt, dass der Rand nicht nur einen großen Einfluss durch die Numerik hat , sondern dass auch die Struktur der Randbedingungen sich erheblich auf die entwickelte Eigendynamik im RCM auswirken. Das mit ERA-40 angetriebene Modell, hat mehr Eigendynamik im Inneren der Domain, über Land und über Ozean. Und das obwohl ERA-40 eine Reanalyse ist. Man sieht also ein dynamisches Downscaling von einer Re-analyse unterscheidet sich konzeptionell von einer Re-analyse, bzw. Regionalen Re-analyse, bei der Daten Assimilierung mit eingebunden ist.

21 Statistical Downscaling Dynamical Downscaling
Zielsetzung Statistical Downscaling Aufbau eines Statistischen Modells für Niederschlagsereignisse Physikalische Interpretation der Prädiktoren Validierung der RCM Läufe Entwicklung einer Methode zur Quantifizierung der Eigendynamik in RCMs Dynamical Downscaling

22 Schlussfolgerungen – Statistical Downscaling
Aufbau eines Statistischen Modells für Niederschlagsereignisse Machbarkeit eines GLM für Schwellwertüberschreitung mit EOF Prädiktoren gezeigt Gute Kalibrierung des Modells ist mit Kreuzvalidierung und Zerlegung des Brier Scores belegt Physikalische Interpretation der Prädiktoren EOF-Muster aus relativer Vorticity auf 850hPa und Vertikalwind auf 500hPa assoziieren mit zyklonalen Wirbeln auf der meso-α-Skala Vorticity und Vertikalwind spiegeln geostrophische und ageostrophische Komponenten wider Gesamt-Wassergehalt brachte keine zusätzliche Vorhersagbarkeit Gesamt-Wassergehalt brachte keine zusätzliche Vorhersagbarkeit, sondern im Wesentlichen ist die Dynamik wichtig für Niederschlagsereignisse.

23 Schlussfolgerungen – Dynamical Downscaling
Validierung der RCM Läufe EASM und EAWM Dynamiken werden gut aufgelöst, Niederschlagsverteilungen sind näher an Beobachtungen Entwicklung einer Methode zur Quantifizierung der Eigendynamik Kohärenzspektren stellen ein sinnvolles Werkzeug zur Quantifizierung der Eigendynamik eines RCMs dar Räumliche Kohärenzmuster hängen von regionaler Dynamik, numerischen Parametern und den Randbedingungen ab Die Definition der Eigendynamik als Mehrwert ist essentiell für das Verständnis von RCMs Dynamisches Downscaling einer Re-analyse unterscheidet sich konzeptionell von einer regionalen Re-analyse - Kreuzspektren: Wichtig ist, 1. dass das angetriebene Modell direkt mit dem antreibenden Modell verglichen wird. Die Bedeutung von solchen Analysen wird in der Lit oft betont, aber selten umgesetzt. 2. dass hier (Ko-)Variabilität untersucht wird. Und nicht einfach nur Mittelwerte.

24 Statistical and Dynamical Downscaling of Numerical Climate Simulations
Enhancement and Evaluation for East Asia Thorsten Simon Meteorologisches Institut – Universität Bonn Remotivation & Closing Und das ist mein Beitrag zu SD & DD (Unsere Aufgabe im Projekt war es dieses Downscaling von Klimadaten durchzuführen, bzw. die Validierung und die Interpretation herunterskalierter Daten durch neu entwickelte Methoden zu unterstützen.)

25 Referenzen Simon, T., Hense A., Su B., Jiang, T., Simmer, C. and Ohlwein, C. (2013): Pattern-based statistical downscaling of East Asian Summer Monsoon precipitation, Tellus A. DOI: /tellusa.v65i Simon, T., Wang, D., Hense, A., Simmer, C. and Ohlwein, C. (2013): Generation and transfer of internal variability in a regional climate model, Tellus A. DOI: /tellusa.v65i Wand, D., Menz, C., Simon, T., Simmer, C. and Ohlwein, C. (2013): Regional dynamical downscaling with CCLM over East Asia. Meteorol. Atmos. Phys. DOI: /s z


Herunterladen ppt "Statistical and Dynamical Downscaling of Numerical Climate Simulations"

Ähnliche Präsentationen


Google-Anzeigen