Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Arbeitsgruppe Meteorologische Umweltforschung/Klimatologie Institut für Meteorologie und Geophysik der J. W. Goethe-Universität Frankfurt/M. Tim Staeger.

Ähnliche Präsentationen


Präsentation zum Thema: "Arbeitsgruppe Meteorologische Umweltforschung/Klimatologie Institut für Meteorologie und Geophysik der J. W. Goethe-Universität Frankfurt/M. Tim Staeger."—  Präsentation transkript:

1 Arbeitsgruppe Meteorologische Umweltforschung/Klimatologie Institut für Meteorologie und Geophysik der J. W. Goethe-Universität Frankfurt/M. Tim Staeger Empirisch-statistische Analyse von Wechselbeziehungen zwischen Klimasystem und Anthroposphäre in neoklimatologischer Zeit Disputations-Vortrag am 13. März 2003

2 Klimasystem Atmosphäre GeosphäreHydrosphäre Kryosphäre Biosphäre Anthroposphäre

3 Gliederung: Teil I: Signalanalyse globaler und regionaler Klimadatenfelder Teil II: Witterungseinflüsse auf deutsche Ernteerträge

4 I Signalanalyse globaler und regionaler Klimadatenfelder Fragestellung: Welche Anteile der Variationen in beobachteten Klimaelementen sind mittels Regression natürlichen und anthropogenen Ursachen zuzuordnen? Wie signifikant lässt sich ein anthropogenes Signal vom Zufall und von den natürlichen Signalen unterscheiden? Global gemittelte Temperatur-Anomalien 1956 bis 2002 nach Jones

5 Ansatz: Mit Hilfe klimatologischer Vorkenntnisse erhält man ein Reservoir an potenziellen Einfluss-Zeitreihen. Durch die Selektionsstrategie der schrittweise Regression werden signifikante Einfluss-Zeitreihen ausgewählt, die in ein multiples Regressionsmodell einfließen. Das Signal-Rausch-Verhältnis der anthropogenen Signale ist ein Maß für deren Signifikanz.

6 Berücksichtigte Antriebe / Prozesse: Anthropogene Treibhausgas-Konzentrationen(GHG) Troposphärische Sulfatkonzentrationen*(SUL) El Niño – Southern Oscillation(SOI) Explosiver Vulkanismus(VUL) Schwankungen der Solarkonstanten(SOL) Nord-Atlantik-Oszillation(NAO) * Signale unplausibel

7 GHG-Einfluss: Logarithmus der CO 2 -Äquivalentkonzentration

8 EOF-transformierte Säulendichten Sulfat-Einfluss: Erste drei zeitlichen Hauptstrukturen aus 8 zonalen Mitteln der Sulfat Säulendichten nach Charlson

9 Schwankungen der Solarkonstanten nach Lean:

10 Vulkanismus: Erste drei zeitlichen Hauptstrukturen aus 16 zonalen Mitteln der vulkanischen Heizraten-Anomalien nach Grieser:

11 Southern-Oscillation-Index Jahresmittel 1876 – 2001 (Quelle: CRU)

12 NAO-Index nach Jones:

13 Reservoir R pot Vorwärts-Regression: MLR mit R i und R pot für jedes einzelne R pot Ist der signifikanteste Reg.-Koeff. noch signifikant? Rückwärts-Regression: MLR mit R i ohne R j für jedes einzelne R j Ist der unsignifikanteste Reg.-Koeff. noch signifikant? Ende - Modell: nein Modell: ja R d zurück ins Reservoir Funtkionsweise der schrittweisen Regression: Deselektion von R d nein

14 Signaltrennung:

15 Signifikanztest der Regressionskoeffizienten: t- Test: :Anzahl der Freiheitsgrade r i.,part :Partieller Korrelationskoeffizient von R i j:Zeitreihenlänge n:Anzahl der Regressoren

16 Globale Mitteltemperatur 1878 – 2000, Jahresmittel nach Jones

17 GHG Globale Mitteltemperatur 1878 – 2000, Jahresmittel nach Jones

18 GHG + SOL Globale Mitteltemperatur 1878 – 2000, Jahresmittel nach Jones

19 GHG + SOL + SOI Globale Mitteltemperatur 1878 – 2000, Jahresmittel nach Jones

20 GHG + SOL + SOI + VUL erklärte Varianz: 78,9% Globale Mitteltemperatur 1878 – 2000, Jahresmittel nach Jones

21 Erklärte Varianz des Gesamtmodells und der einzelnen Einflüsse an der globalen Mitteltemperatur

22 Signifikanz des Treibhaus-Signals: Ein Signal muss sich hinreichend vom Rauschen abheben: Unter der Vorraussetzung Gauß-verteilter Residuen lässt sich die zu einem gegebenen Signal-Rausch-Verhältnis gehörende Signifikanz berechnen.

23 Signifikanz des Treibhaus-Signals: Ein Signal muss sich hinreichend vom Rauschen abheben: Für Gauß-verteilte Residuen gilt:

24 Was ist Rauschen? Fall 1:Rauschen repräsentiert den Zufall: Um die zufallsartige Komponente zu erhalten, wird das Residuum in eine strukturierte und unstrukturierte Komponente zerlegt. Hierbei wird getestet ob sich das Treibhaus-Signal signifikant vom Zufall unterscheidet

25 Was ist Rauschen? Fall 2:Rauschen beinhaltet die natürliche Variabilität und die unerklärte Varianz: Hierbei wird getestet ob sich das Treibhaus-Signal signifikant von der Variabilität nicht anthropogenen Ursprungs unterscheidet

26 Fall 1:Unstrukturierte Residualkomponente als Rauschen

27

28

29

30

31 Fall 2:Komplettes Residuum und natürliche Variabilität als Rauschen

32 Vorhandene Gebietsmittel, Temperatur Jahresmittel Datenfelder: Räumliche Differenzierung führt zu Gebietsmittelreihen die nicht unabhängig voneinander sind, da sie alle einen Teil desselben Feldes meteorologischer Parameter beschreiben

33 Gesucht wird eine alternative Darstellungsform, in der Strukturen des gesamten Feldes sichtbar werden. EOF-Transformation EOF:Räumliche Hauptstrukturen PC:Zeitliche Hauptstrukturen :Eigenwert (Gewichtung der Hauptstrukturen) Hauptstrukturen:

34 Datenfeld EOF-Transformation PC Schrittweise Regression Rücktransformation Signalfelder, Residuenfeld Vorbehandlung von Feldern:

35 Eigenspektrum:

36 Erste zeitliche und räumliche Hauptstruktur des globalen Temperaturfeldes 1878 – 2000: 1. PC; e.V.: 40,7%Varianzspektrum der 1. PC 1. EOF

37 Treibhausgas-Signalfeld im Jahr 2000 relativ zum Jahr 1901 in [K]:

38 Treibhausgas-Signalfeld saisonale Mittel im Jahr 2000 relativ zum Jahr 1901 in [K]: WinterFrühjahr SommerHerbst

39 Solares Signalfeld im Jahr 2000 relativ zum Jahr 1906 (erstes Sonnenfleckenmaximum im Analysezeitraum) in [K]:

40 NAO-Signalfeld im Winter 1993 relativ zum Mittelwert in [K]:

41 Sulfat-Signal im globalen Temperaturfeld : Im Jahr 1970 relativ zum Jahr 1901 Im Jahr 2000 relativ zum Jahr 1901

42 Erklärte Varianz des Gesamtmodells und der einzelnen Einflüsse an den globalen Gebietsmitteln der Temperatur

43 Prozentuale Signifikanz des GHG-Signals im Jahr 2000 relativ zum Jahr 1901: Fall 1:Unstrukturierte Residualkomponente als Rauschen Fall 2:Komplettes Residuum und natürliche Variabilität als Rauschen

44 Prozentuale Signifikanz des GHG-Signals im Jahr 2000 relativ zum Jahr 1878: Fall 1:Unstrukturierte Residualkomponente als Rauschen Fall 2:Komplettes Residuum und natürliche Variabilität als Rauschen

45 Erste zeitliche und räumliche Hauptstruktur des Europäischen Temperaturfeldes 1878 – 2000: 1. PC; e.V.: 53,1%Varianzspektrum der 1. PC 1. EOF

46 Treibhausgas-Signalfeld Europa im Jahr 2000 relativ zum Jahr 1878 in [K]:

47 Prozentuale Signifikanz des GHG-Signals in Europa im Jahr 2000 rlativ zum Jahr 1878: Fall 1:Unstrukturierte Residualkomponente als Rauschen Fall 2:Komplettes Residuum und natürliche Variabilität als Rauschen

48 Erklärte Varianz des Gesamtmodells und der einzelnen Einflüsse an den Europäischen Gitterpunkten der Temperatur

49 NAO im Europäischen Temperaturfeld: NAO-Signalfeld im Winter 1925 relativ zum Mittelwert in [K] Prozentuale Signifikanz des NAO-Signals im Winter 1925 Fall 2:Komplettes Residuum und natürliche Variabilität als Rauschen (ohne NAO)

50 Signfikanz des Treibhaus-Signals in der Deutschland- Mitteltemperatur : Fall 1:Unstrukturierte Residualkomponente als Rauschen

51 Signfikanz des Treibhaus-Signals in der Deutschland- Mitteltemperatur : Fall 2:Komplettes Residuum und natürliche Variabilität (ohne NAO) als Rauschen

52 Erklärte Varianz des Gesamtmodells und der einzelnen Einflüsse an der Deutschland-Mitteltemperatur

53 Luftdruck Europa 1896 – 1995: GHG-Signalfeld im Jahresmittel 1995 relativ zum Jahr 1896 in [hPa] Prozentuale Signifikanz des GHG-Signals im Jahresmittel 1995 Fall 1:Unstrukturierte Residualkomponente als Rauschen

54 NAO im Europäischen Luftdruckfeld: NAO-Signalfeld im Winter 1989 relativ zum Mittelwert in [hPa] Prozentuale Signifikanz des NAO-Signals im Winter 1989 Fall 1:Unstrukturierte Residualkomponente als Rauschen

55 Erklärte Varianz des Gesamtmodells und der einzelnen Einflüsse am Europäischen Luftdruckfeld

56 Niederschlag Europa 1900 – 1998: GHG-Signalfeld im Jahresmittel 1998 relativ zum Jahr 1900 in [mm] Prozentuale Signifikanz des GHG-Signals in Jahressumme 1998 Fall 1:Unstrukturierte Residualkomponente als Rauschen

57 NAO im Europäischen Niederschlagsfeld: NAO-Signalfeld im Winter 1989 relativ zum Mittelwert in [mm] Prozentuale Signifikanz des NAO-Signals im Winter 1989 Fall 1:Unstrukturierte Residualkomponente als Rauschen

58 Erklärte Varianz des Gesamtmodells und der einzelnen Einflüsse am Europäischen Niederschlagsfeld

59 Vergleich erklärter Varianzen des Gesamtmodells und der einzelnen Einflüsse an verschiedenen Temperatur- Datensätzen :

60 Zusammenfassung Teil I: Die erklärten Varianzen sind in den global und hemisphärisch gemittelten Temperaturen am höchsten (ca. 70% - 80%) und verringern sich mit zunehmender räumlicher Differenzierung (Ausnahme: Deutschland-Mitteltemperatur). Die Sulfat-Signale sind unplausibel. Die verwendeten Einfluss- Zeitreihen sind wahrscheinlich ungeeignet. Anthropogene Treibhausgase sind auf der globalen Skala der wichtigste Einfluss auf die bodennahe Lufttemperatur, und dort auch signifikant vom Zufall und von der natürlichen Variabilität unterscheidbar. Auf der Europäischen Skala dominiert die NAO – das Treibhaus- Signal ist dort nicht signifikant. Dies gilt auch für das Europäische Luftdruck- und Niederschlagsfeld.

61 II Witterungseinflüsse auf deutsche Ernteerträge: Meteorologische Daten: Monatsmittel bzw. -Summen aus sieben westdeutschen Bundesländern von Temperatur und Niederschlag, die aus Gitterpunktsdaten abgeleitet wurden (0,5° x 0,5°). Bayern Baden-Württemberg Rheinland-Pfalz Hessen Nordrhein-Westfalen Niedersachsen Schleswig-Holstein

62 II Witterungseinflüsse auf deutsche Ernteerträge: Ertragsdaten: Bundeslandmittel von 21 Fruchtarten in [t/ha] Winterweizen Sommerweizen Wintergerste Sommergerste Roggen Hafer Frühkartoffeln Spätkartoffeln Zuckerrüben Runkelrüben Weisskohl Rotkohl Wirsing Gras Klee Winterraps Sommerraps Ackerbohnen Körnermais Spargel Erdbeeren

63 Eigenspektren von Klimadaten 1950 – 1998: Niederschlag Aprilsummen in Baden-Württemberg: Temperatur Aprilmittel in Baden-Württemberg:

64 Hochpassfilterung von Ertragsreihen: Beispiel: Erträge des Sommerweizens in Bayern

65 Sensitivitätsbetrachtung: Fragestellung: Wie stark sind umweltbedingten Ertragsschwankungen?

66 Sensitivitätsbetrachtung: Fragestellung: Wie stark sind umweltbedingten Ertragsschwankungen?

67 Rangplätze der Sensitivitäten: BAYBWBRPFHESNRWNSASHSMW Spargel ,7 Runkelrüben ,1 Hafer ,3 Spätkartoffeln ,3... Roggen ,6 Winterweizen ,0 Wintergerste ,3 Klee ,8

68 Korrelationen zwischen Ertragsreihen: 1.Korrelationen zwischen unterschiedlichen Fruchtarten innerhalb eines Bundeslandes Fragestellung: Gibt es Gruppen von Fruchtarten ähnlicher Ertragsentwicklung in den unterschiedlichen Bundesländern? Gruppe:Mitglieder: Getreide: Winterweizen, Sommerweizen, Wintergerste, Sommergerste, Roggen, Hafer Kohl:Rotkohl, Weisskohl, Wirsing KartoffelnFrühkartoffeln, Spätkartoffeln RübenRunkelrüben, Zuckerrüben Gras / KleeGras, Klee Raps:Winterraps, Sommerraps

69 Korrelationen zwischen Ertragsreihen: 2.Korrelationen zwischen gleichen Fruchtarten unterschiedlicher Bundesländer Fragestellung: Wie groß ist die räumliche Repräsentanz der Erträge?

70 Korrelationen zwischen Ertragsreihen: 2.Korrelationen zwischen gleichen Fruchtarten unterschiedlicher Bundesländer Fragestellung: Wie groß ist die räumliche Repräsentanz der Erträge?

71 Korrelationen zwischen Ertrags- und Klimazeitreihen: Fragestellung: Gibt es Monate, in denen der Einfluss von meteorologischen Parametern besonders ausgeprägt ist?

72 Korrelationen zwischen Ertrags- und Klimazeitreihen: Fragestellung: Gibt es Monate, in denen der Einfluss von meteorologischen Parametern besonders ausgeprägt ist? Beispiel: Ackerbohnen in Baden-Württemberg

73 Korrelationen zwischen Ertrags- und Klimazeitreihen: Fragestellung: Gibt es Monate, in denen der Einfluss von meteorologischen Parametern besonders ausgeprägt ist? Beispiel: Spargel in Niedersachsen

74 Korrelationen zwischen Ertrags- und Klimazeitreihen: Abgeleitete Einflussgrößen: a) Quadrieren Vorstellung: Extreme wirken sich besonders stark auf die Erträge aus

75 Korrelationen zwischen Ertrags- und Klimazeitreihen: Abgeleitete Einflussgrößen: a) Quadrieren Vorstellung: Extreme wirken sich besonders stark auf die Erträge aus

76 Korrelationen zwischen Ertrags- und Klimazeitreihen: Beispiel: Ackerbohnen in Baden-Württemberg Abgeleitete Einflussgrößen: a) Quadrieren Vorstellung: Extreme wirken sich besonders stark auf die Erträge aus

77 Korrelationen zwischen Ertrags- und Klimazeitreihen: Beispiel: Spargel in Niedersachsen Abgeleitete Einflussgrößen: a) Quadrieren Vorstellung: Extreme wirken sich besonders stark auf die Erträge aus

78 Korrelationen zwischen Ertrags- und Klimazeitreihen: Abgeleitete Einflussgrößen: b) Multiplizieren / Dividieren Vorstellung: Temperatur und Niederschlag wirken in Kombination

79

80

81

82 Korrelationen zwischen Ertrags- und Klimazeitreihen: Beispiel: Ackerbohnen in Baden-Württemberg Abgeleitete Einflussgrößen: b) Multiplizieren / Dividieren Vorstellung: Temperatur und Niederschlag wirken in Kombination

83 Korrelationen zwischen Ertrags- und Klimazeitreihen: Beispiel: Spargel in Niedersachsen Abgeleitete Einflussgrößen: b) Multiplizieren / Dividieren Vorstellung: Temperatur und Niederschlag wirken in Kombination

84 Hochsignifikanter (Si > 99%) Einfluss trocken-heisser sommerlicher Witterungen: BAYBWBRPFHESNRWNSASHS Zuckerrüben Gras Klee Ackerbohnen Hafer Frühkartoffeln Spätkartoffeln Zuckerrüben Runkelrüben Rotkohl Gras Klee Spätkartoffeln Zuckerrüben Runkelrüben Weisskohl Gras Klee Weisskohl Gras Ackerbohnen Hafer Gras Sommergertse Hafer Frühkartoffeln Spätkartoffeln Aufgelistet sind alle Fruchtarten, bei denen eine hochsignifikante Korrelation zwischen dem Ertrag und den Quotientenreihen aus Temperatur und Niederschlag für die Monate Juni, Juli und August vorliegen.

85 Schrittweise Regression: Potenzielle Regressoren: -Monatsmittel der Temperatur bzw. Monatssummen des Niederschlages innerhalb der Vegetationsperiode und des vorausgehenden Monats -Abgeleitete Zeitreihen (quadriert, multipliziert bzw. dividiert) aus den Basis-Regressoren Temperatur und Niederschlag derselben Zeiträume - Basis-Regressoren und abgeleitete Zeitreihen der jeweiligen Vegetationsperioden

86 Schrittweise Regression: Ziel der Modell-Selektion ist es, eine möglichst einfache Regressionsbeziehung zu finden, in der die wichtigsten Regressoren enthalten ist.

87 Schrittweise Regression: Ziel der Modell-Selektion ist es, eine möglichst einfache Regressionsbeziehung zu finden, in der die wichtigsten Regressoren enthalten sind. Häufigkeitsverteilung der Modelldimensionen (aus 146 Regressionsbeziehungen):

88

89

90

91

92

93

94

95 Erklärte Varianzen:

96

97

98 Fruchtart:e.V. > Zufall + 1 St.e.V. > Zufall + 2 St Frühkartoffeln76 Sommergerste76 Spargel65 Klee64 Zuckerrüben74 Hafer74 Rotkohl64 Gras54 Ackerbohnen54 Spätkartoffeln63 Weisskohl63 Runkelrüben53 Sommerraps53 Sommerweizen42 Roggen51 Wirsing41 Winterraps31 Erdbeeren50 Wintergerste40 Winterweizen40 Körnermais20

99 Bundesland:e.V. > Zufall + 1 St.e.V. > Zufall + 2 St Baden-Württemberg1812 Niedersachsen169 Rheinland-Pfalz178 Bayern168 Hessen138 Schleswig-Holstein118 Nordrhein-Westfalen185

100 Selektierte Regressoren: Regressorpos.neg. n4229 tn4325

101 Selektierte Regressoren: Regressorpos.neg. n4019 tn4313 Regressorpos.neg. n4210 tn4012

102 Selektierte Regressoren: Regressorpos.neg. t6 /t728 n6112 t*t6110 t/n625 t/n vp08

103 Zusammenfassung Teil II: Durch die notwendige Hochpassfilterung der Ertragsreihen können keine niederfrequenten Variationsanteile analysiert werden. Viele Fruchtarten sind empfindlich gegenüber trocken-heissen Witterungsabschnitten im Sommer. Feucht-warme Witterung im April wirkt sich negativ auf Getreideerträge aus. Extreme Anomalien in den meteorologischen Parametern wirken sich fast ausschließlich negativ auf die Erträge aus.

104 Fazit: Der anthropogene Zusatz-Treibhauseffekt ist der wichtigste Einfluss auf die beobachtete bodennahe Lufttemperatur der letzten 100 – 120 Jahre, und ist dort (bei hinreichender räumlicher Mittelung) signifikant nachweisbar. Der Witterungseinfluss auf Ernteerträge der letzten ca. 50 Jahre in Westdeutschland ist überwiegend sichtbar. Extreme Anomalien der meteorologischen Parameter führen häufig zu Ernteeinbrüchen. Um den Impakt einer Klimaänderung auf Ernteerträge in Deutschland beurteilen zu können, sind künftig vor allem Änderungen im Extremverhalten meteorologischer Parameter zu untersuchen.

105


Herunterladen ppt "Arbeitsgruppe Meteorologische Umweltforschung/Klimatologie Institut für Meteorologie und Geophysik der J. W. Goethe-Universität Frankfurt/M. Tim Staeger."

Ähnliche Präsentationen


Google-Anzeigen