4. Ergebnisse +GME1007 gibt die CloudSat Verteilung i. A. gut wieder  GME hat deutlich geringere maximale IWC Werte als CloudSat & GME1007 da es keinen Schnee enthält (fällt im diagnostischen Schema sofort aus)  Auch GME1007 IIWC hat größere Werte als GME IWC  Maximum der GME1007 IWC-Verteilung reicht höher als bei CloudSat (möglicherweise unterschätzt CloudSat die kleinen Teilchen)  Reflektivitäten zeigen, dass GME1007 bei T ≥ -25°C zu kleine Teilchen hat +GME1007 gibt die drei zonalen IWP Maxima besser wieder als GME  GME1007 überschätzt IWP um das 3-4 fache +Form der Häufigkeitsverteilungen wird von GME1007 sehr gut getroffen +Maximum von GME1007 IWC liegt bei ähnlichem Wert wie CloudSat IWC  GME1007 überschätzt das Maximum → Fallgeschwindigkeit von Schnee zu niedrig?  In den Tropen unterschätzt GME1007 große IWCs → dadurch wird die allgemeine IWP Überschätzung in dieser Region teilweise kompensiert CloudSat GME1007 GME 5. Schlussfolgerungen und Ausblick → Schnee liefert Hauptbeitrag zum Gesamt-IWP → GME1007 wird seit Februar 2010 operationell eingesetzt  Weitere Verbesserung der mikrophysikalischen Parametrisierungen im GME  Verbesserung der Vergleichbarkeit zwischen Modell und Beobachtung  Implementierung der Modell-Partikelform in QuickBeam  Berücksichtigung des subskaligen IWC (bisher nur skalig)  Ausdehnung der Untersuchungen auf COSMO-EU 1. GME  Globales hydrostatisches NWV Modell des DWD  Dreiecksgitter mit horizontaler Auflösung von 40 km  40, mit der Höhe mächtiger werdende, Hybridlevel  Vorhersagen in stündlicher Auflösung  4 Hydrometeorklassen: Wolkeneis, Schnee, Wolken- wasser und Regen Zwei Versionen werden hier verglichen: GME →diagnostisches Niederschlagsschema GME1007 → neues prognostisches Niederschlags- schema ohne Advektion von Schnee und Regen → neue temperaturabhängige Größenverteilung für Schnee nach Field et al. [2005] Literatur: Austin, R. T., A. J. Heymsfield, and G. L. Stephens (2009), Retrieval of ice cloud microphysical parameters using the CoudSat millimeter-wave radar and temperature, J. Geophys. Res., 114, D00A23, doi: /2008JD Field, P., R. Hogan, P. Brown, A. Illingworth, T. Choulartona, and R. Cotton (2005), Parameterization of ice-particle size distributions for mid-latitude stratiform cloud, Quart. J. Roy. Met. Soc., 131, Haynes, J. M., R. T. Marchand, Z. Luo, A. Bodas-Salcedo, and G. L. Stephens (2007), A mulitipurpose radar simulator package: QuickBeam, Bull. Am. Met. Soc., 11/2007, Rodgers, C. D. (1976), Retrieval of atmospheric temperature and composition from remote measurements of thermal radiation, Rev. Geophys., 14 (4), CloudSat CPR  In Betrieb seit Juni 2006  Teil des A-Train  Polarumlaufend in 705 km Höhe  Umlaufzeit: 1,5 h  Einziges Instrument an Bord: Cloud Profiling Radar (CPR)  94 GHz nadir-blickendes Radar  Detektionsgrenzen: -27 dBZ und +29 dBZ  1,1 km = 0,16 s horiz. Auflösung  Footprint: 1,8 km x 1,4 km  Vertikale Auflösung: 500 m Verwendet wird: Version 5.1 IWC Retrieval (Austin et al. [2009]; in „release“ R04):  „Optimal estimation” Ansatz von Rodgers [1976]  Für Eiskristalle wird eine lognormale Verteilung angenommen  Temperatur und Reflektivitätsfaktor gehen in die a priori Profile ein  Kleinster detektierbarer IWC: 0,001 g m -3 (Unterschätzung von Cirren) 3. Methodik Zwei Ansätze: (1)„Observation-to-model“: Version 5.1 IWC Retrieval von CloudSat +Einfache Berechnung  Nahe an Modellphysik (Modellparameter werden verglichen)  Retrievalunsicherheiten (z. B. Lineare Skalierung zwischen Flüssig- und Eisphase, a priori Profile abhängig von T und Z) (2)„Model-to-observation“: QuickBeam v1.1a von Haynes et al. [2007] +Retrievalunsicherheiten werden umgangen  Profile mit hoher Dämpfung können herausgefiltert werden  Eiskristalle werden als „soft spheres“ modelliert  Interpretation schwieriger: Z beinhaltet verschiedene Beiträge sowohl in Modell als auch in Beobachtung (z. B. vorhandene Hydrometeor-typen, Dämpfung) Modell Output Sampling:  Der Vorhersagezeitpunkt (des 00 UTC Laufes) der am nächsten an der mittleren Zeit eines CloudSat Orbits ist wird verwendet  Vertikal: Lineare Interpolation auf regelmäßige Level von 500 m Höhe  Horizontal: „Nearest neighbour” Interpolation von GME auf CloudSat Gitter  Gleitendes Mittel auf CloudSat Daten angewendet Validierung von Eiswassergehalten im GME mit dem CloudSat CPR Eikenberg 1, S., A. Seifert 2, S. Crewell 1 und M. Mech 1 1 Institut für Geophysik und Meteorologie, Universität zu Köln, 2 Deutscher Wetterdienst DACH 2010, Köln / Bonn, Deutschland, September 2010 Abb. 1: Die Modellkette des DWD. Abb. 2: CloudSat und der A-Train. [ /cloudsat/] Abb. 5: Wie Abb. 3 aber normiert auf die Gesamtzahl aller Punkte. Kriterien wie in Abb. 3. Durchgezogen: IWP+SWP, gestrichelt: IWP. Abb. 3: Globale Häufigkeitsverteilungen für (a) CloudSat Reflektivitätsfaktor, (b) GME1007 Reflek-tivitätsfaktor, (c) CloudSat IWC, (d) GME1007 IWC, (e) GME IWC, (f) GME1007 IIWC und (g) GME1007 SWC. Jeder Datensatz ist normiert mit der Zahl der jeweils eingehenden Pixel. Kriterien: (1) Temperatur ≤ -10°C um Flüssig- und Mischphase zu vermeiden, (2) Bede-ckungsgrad ≥ 50 % für möglichst homogene Bedingungen, (3) HTOPCON ≤ 1 km um subskalige und Mischphasen-effekte auszuschließen und (4) Däm-pfung ≤ 3dBZ, um große Teilchen auszu- schließen (nur für Reflektivitätsfaktor). GME1007 CloudSat GME Abb. 4: Zonal gemittelter IWP für Durchge-zogen: IWP+SWP, gestrichelt: IWP. Inset: global gemittelter IWP. Kriterien wie in Abb. 3.