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

Gliederung: 1. Methodik 2. Anwendungen auf Temperaturdaten 3. Zusammenfassung a) Globales Mittel b) Globale Gebietsmittel c) Europäische Gitterpunkte d) Deutschlandmittel e) Bayerische und nordwestdeutsche Gitterpunkte

Methodischer Überblick: Datenfeld EOF-Trafo PC Modellwahl und multiple Regression Rücktrafo Signalfelder Residuenfeld

Sukzessive Regression Nein Ende Ist signifikanteste Korrelation signifikant? Lineare Regression Ja Residuum Selektierter Regressor Korrelation mit jeder potentiellen Einflußgröße

Reservoir R pot Vorwärts-Regression: MLR mit R n und R i für jedes einzelne R i Ist der sig. Reg.-Koeff. noch signifikant? Ende; Modell: Modell: Rückwärts-Regression: MLR mit R n ohne R j für jedes einzelne R j Ist der unsig. Reg.-Koeff. noch signifikant? Modell: nein ja nein ja R d zurück ins Reservoir Schrittweise Regression

Detektion: Frage: Hat das anthropogene Treibhaus-Signal zu einem signifikanten Klimawandel geführt? Ansatz: Das Signal muß sich signifikant vomRauschen abheben. Es wird die Wahrscheinlichkeit berechnet, mit der das Signal-Rausch-Verhältnis überzufällig ist.

Residuenanalyse: Frage: Existieren im unerklärten Anteil noch potentiell erklärbare Strukturen? Vorgehensweise: 1.) Nochmalige EOF-Transformation des Residuums, um Strukturen zu ordnen 2.) Selektive Zeitreihenzerlegung der neu erhaltenen PC des Residuums hinsichtlich eventuell vorhandener Trend- und Polynomialkomponenten. 3.) Durch zweimalige Rücktransformation gelangt man zu raumzeitlichen Feldern der strukturierten und unstrukturierten Komponente.

Globales Mittel Erklärte Varianzen : e.V. sukz. Reg : 79,7%

Globales Mittel Erklärte Varianzen :

Globales Mittel Erklärte Varianzen (ohne Sulfat):

Globales Mittel Erklärte Varianzen :

Globales Mittel Erklärte Varianzen :

Globales Mittel Erklärte Varianzen (ohne Sulfat):

Globales Mittel

Global 84 Gebietsmittel

Erklärte Varianzen (ohne Sulfat): Global 84 Gebietsmittel e.V. sukz. Reg : 36,9%

Erklärte Varianzen (ohne Sulfat): Global 84 Gebietsmittel

Erklärte Varianzen (ohne Sulfat): Global 84 Gebietsmittel

Erklärte Varianzen (ohne Sulfat): Global 84 Gebietsmittel

schrittweise Regressionsukzessive Regression

Global 84 Gebietsmittel

Europa 51 (34) Gitterpunkte

Europa 51 (42) Gitterpunkte

Europa

Erklärte Varianzen (ohne Sulfat): Europa e.V. sukz. Reg : 21,2%

Erklärte Varianzen (ohne Sulfat): Europa

Erklärte Varianzen (ohne Sulfat): Europa

Erklärte Varianzen (ohne Sulfat): Europa

Deutschlandmittel Erklärte Varianzen :

Erklärte Varianzen (ohne Sulfat): Deutschlandmittel

Erklärte Varianzen :

Erklärte Varianzen (ohne Sulfat): Deutschlandmittel

Nordrhein-Westfalen / Niedersachsen

Erklärte Varianzen :

Nordrhein-Westfalen / Niedersachsen Erklärte Varianzen (ohne Sulfat):

Bayern

Erklärte Varianzen : Bayern

Erklärte Varianzen (ohne Sulfat): Bayern

Zusammenfassung: Die erklärten Varianzen sind bei vergleichbaren Analysen unter Verwendung der Schrittweisen Regression höher, als bei sukzessiver Regression (Ausnahme: globales Mittel, hier sind die e.V. annähernd gleich). Das solare Signal hat deutlich mehr Gewicht, als durch die Abschätzungen innerhalb des UBA-Projektes suggeriert wurde. Die verwendeten Sulfat-Einflussreihen sind nicht hinreichend repräsentativ und verzerren die Analysen. SOL- und GHG-Einfluss sind aufgrund ihrer Trendstruktur linear abhängig, wodurch sie im multiplen Modell viel gemeinsame Varianz erklären (geringe Abnahme der e.V. durch weglassen eines dieser Einflüsse). Außerhalb Europas ist der GHG-Einfluss am wichtigsten (in Europa die NAO).

Zusammenfassung: Die Verwendung des kompletten Residuums (natürliche plus unerklärte Varianz) anstelle der unstrukturierten Residualkomponente wirkt sich umso geringer aus, desto größer die Rauschkomponente ist. Am deutlichsten ist dieser Unterschied in der globalen Mitteltemperatur. In der Deutschlandmitteltemperatur gelingt eine Detektion des anthropogenen Signals kaum, da hier Rauschen und natürliche Varianz (NAO) gegenüber GHG dominiert. Im bayerischen und nordwestdeutschen Temperaturfeld ist die NAO vor GHG der wichtigste Einfluss. Die Detektion gelingt in Bayern, jedoch nicht in Nordwestdeutschland. Die Detektion gelingt unter Verwendung der schrittweisen Regression im globalen T-Feld schlechter als mit sukzessiver Regression (andere Daten?).