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

Klimasystem Atmosphäre Geosphäre Hydrosphäre Kryosphäre Biosphäre Anthroposphäre

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

I Signalanalyse globaler und regionaler Klimadatenfelder Global gemittelte Temperatur-Anomalien 1956 bis 2002 nach Jones 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?

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.

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

GHG-Einfluss: Logarithmus der CO2-Äquivalentkonzentration

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

Schwankungen der Solarkonstanten 1500 - 2001 nach Lean:

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

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

NAO-Index 1850 - 2001 nach Jones:

Vorwärts-Regression: für jedes einzelne Rpot Rückwärts-Regression: Reservoir Rpot Funtkionsweise der schrittweisen Regression: Rd zurück ins Reservoir Vorwärts-Regression: MLR mit Ri und Rpot für jedes einzelne Rpot ja Ist der signifikanteste Reg.-Koeff. noch signifikant? Ende - Modell: nein Modell: ja Rückwärts-Regression: MLR mit Ri ohne Rj für jedes einzelne Rj Ist der unsignifikanteste Reg.-Koeff. noch signifikant? Deselektion von Rd nein

Signaltrennung:

Signifikanztest der Regressionskoeffizienten: t- Test: n: Anzahl der Freiheitsgrade ri.,part: Partieller Korrelationskoeffizient von Ri j: Zeitreihenlänge n: Anzahl der Regressoren

Globale Mitteltemperatur 1878 – 2000, Jahresmittel nach Jones

Globale Mitteltemperatur 1878 – 2000, Jahresmittel nach Jones GHG

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

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

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

Erklärte Varianz des Gesamtmodells und der einzelnen Einflüsse an der globalen Mitteltemperatur 1878 - 2000

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.

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

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

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

Fall 1: Unstrukturierte Residualkomponente als Rauschen

Fall 1: Unstrukturierte Residualkomponente als Rauschen

Fall 1: Unstrukturierte Residualkomponente als Rauschen

Fall 1: Unstrukturierte Residualkomponente als Rauschen

Fall 1: Unstrukturierte Residualkomponente als Rauschen

Fall 2: Komplettes Residuum und natürliche Variabilität als Rauschen

Datenfelder: Vorhandene Gebietsmittel, Temperatur Jahresmittel 1901 - 2000 Räumliche Differenzierung führt zu Gebietsmittelreihen die nicht unabhängig voneinander sind, da sie alle einen Teil desselben Feldes meteorologischer Parameter beschreiben

Hauptstrukturen: 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“)

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

Eigenspektrum:

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

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

Treibhausgas-Signalfeld saisonale Mittel im Jahr 2000 relativ zum Jahr 1901 in [K]: Winter Frühjahr Sommer Herbst

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

NAO-Signalfeld im Winter 1993 relativ zum Mittelwert 1901-2000 in [K]:

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

Erklärte Varianz des Gesamtmodells und der einzelnen Einflüsse an den globalen Gebietsmitteln der Temperatur 1878 - 2000

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

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

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

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

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

Erklärte Varianz des Gesamtmodells und der einzelnen Einflüsse an den Europäischen Gitterpunkten der Temperatur 1878 - 2000

NAO im Europäischen Temperaturfeld: NAO-Signalfeld im Winter 1925 relativ zum Mittelwert 1901-2000 in [K] Prozentuale Signifikanz des NAO-Signals im Winter 1925 Fall 2: Komplettes Residuum und natürliche Variabilität als Rauschen (ohne NAO)

Signfikanz des Treibhaus-Signals in der Deutschland-Mitteltemperatur 1878 - 2000: Fall 1: Unstrukturierte Residualkomponente als Rauschen

Signfikanz des Treibhaus-Signals in der Deutschland-Mitteltemperatur 1878 - 2000: Fall 2: Komplettes Residuum und natürliche Variabilität (ohne NAO) als Rauschen

Erklärte Varianz des Gesamtmodells und der einzelnen Einflüsse an der Deutschland-Mitteltemperatur 1878 - 2000

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

NAO im Europäischen Luftdruckfeld: NAO-Signalfeld im Winter 1989 relativ zum Mittelwert 1896-1995 in [hPa] Prozentuale Signifikanz des NAO-Signals im Winter 1989 Fall 1: Unstrukturierte Residualkomponente als Rauschen

Erklärte Varianz des Gesamtmodells und der einzelnen Einflüsse am Europäischen Luftdruckfeld 1896 - 1995

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

NAO im Europäischen Niederschlagsfeld: NAO-Signalfeld im Winter 1989 relativ zum Mittelwert 1900-1998 in [mm] Prozentuale Signifikanz des NAO-Signals im Winter 1989 Fall 1: Unstrukturierte Residualkomponente als Rauschen

Erklärte Varianz des Gesamtmodells und der einzelnen Einflüsse am Europäischen Niederschlagsfeld 1900 - 1998

Vergleich erklärter Varianzen des Gesamtmodells und der einzelnen Einflüsse an verschiedenen Temperatur-Datensätzen 1878 - 2000:

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.

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

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

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

Hochpassfilterung von Ertragsreihen: Beispiel: Erträge des Sommerweizens in Bayern 1950 - 1998

Sensitivitätsbetrachtung: Fragestellung: Wie stark sind umweltbedingten Ertragsschwankungen?

Sensitivitätsbetrachtung: Fragestellung: Wie stark sind umweltbedingten Ertragsschwankungen?

Rangplätze der Sensitivitäten: BAY BWB RPF HES NRW NSA SHS MW Spargel 2 7 3 1 2,7 Runkelrüben 5 9 10 5,1 Hafer 8 5,3 Spätkartoffeln 4 ... Roggen 13 15 21 18 14,6 Winterweizen 11 17 19 12 15,0 Wintergerste 16 20 15,3 Klee - 16,8

Korrelationen zwischen Ertragsreihen: 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 Kartoffeln Frühkartoffeln, Spätkartoffeln Rüben Runkelrüben, Zuckerrüben Gras / Klee Gras, Klee Raps: Winterraps, Sommerraps

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

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

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

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

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

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

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

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

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

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

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

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

BAY BWB RPF HES NRW NSA SHS Hochsignifikanter (Si > 99%) Einfluss trocken-heisser sommerlicher Witterungen: BAY BWB RPF HES NRW NSA SHS Zuckerrüben Gras Klee Ackerbohnen Hafer Frühkartoffeln Spätkartoffeln Runkelrüben Rotkohl Weisskohl Sommergertse 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.

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

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

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):

Erklärte Varianzen:

Erklärte Varianzen:

Erklärte Varianzen:

Fruchtart: e.V. > Zufall + 1 St. e.V. > Zufall + 2 St Frühkartoffeln 7 6 Sommergerste Spargel 5 Klee 4 Zuckerrüben Hafer Rotkohl Gras Ackerbohnen Spätkartoffeln 3 Weisskohl Runkelrüben Sommerraps Sommerweizen 2 Roggen 1 Wirsing Winterraps Erdbeeren Wintergerste Winterweizen Körnermais

Bundesland: e.V. > Zufall + 1 St. e.V. > Zufall + 2 St Baden-Württemberg 18 12 Niedersachsen 16 9 Rheinland-Pfalz 17 8 Bayern Hessen 13 Schleswig-Holstein 11 Nordrhein-Westfalen 5

Selektierte Regressoren: pos. neg. n4 2 29 tn4 3 25

Selektierte Regressoren: pos. neg. n4 19 tn4 3 13 Regressor pos. neg. n4 2 10 tn4 12

Selektierte Regressoren: pos. neg. t6 /t7 2 8 n6 11 t*t6 1 10 t/n6 5 t/n vp

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.

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.