Statistical and Dynamical Downscaling of Numerical Climate Simulations Enhancement and Evaluation for East Asia Thorsten Simon Meteorologisches Institut.

Präsentation zum Thema: "Statistical and Dynamical Downscaling of Numerical Climate Simulations Enhancement and Evaluation for East Asia Thorsten Simon Meteorologisches Institut."—  Präsentation transkript:

1 Statistical and Dynamical Downscaling of Numerical Climate Simulations Enhancement and Evaluation for East Asia Thorsten Simon Meteorologisches Institut – Universität Bonn

2 Projektbeschreibung “Drying of the North, Flooding of the South” 2 Haihe Einzugsgebiet:  Hauptstadt Beijing  10% China’s Bevölkerung  Wasserknappheit Poyang Einzugsgebiet:  größter Süßwassersee Chinas  hohe Variabilität des Wasserstandes  großes Überflutungspotential

3 Ost-Asiatischer Sommermonsun (EASM) 3 Horizontalwind 850hPa (links) und Niederschlag in mm (rechts) aus ERA-40 gemittelt von 12.Mai bis 17.Mai

4 Ost-Asiatischer Sommermonsun (EASM) 4 Horizontalwind 850hPa (links) und Niederschlag in mm (rechts) aus ERA-40 gemittelt von 17.Juni bis 22.Juni

5 Ost-Asiatischer Sommermonsun (EASM) 5 Horizontalwind 850hPa (links) und Niederschlag in mm (rechts) aus ERA-40 gemittelt von 29.Juli bis 3. August

6 Statistisches Downscaling (SD) 6 Zielgrößen aus Beobach- tungsdaten Prädiktoren aus GCM Daten Statistisches Modell VerifikationAnwendung 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, … 7 source: htp://www.wmo.int

8 Vergleich der Ansätze Statistisches DownscalingDynamisches 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 komplex  Technisch und numerisch komplex  Fehlerquelle Randbedingungen  Fehlerquelle Parametrisierung  Validierung komplex 8

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

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

11 Daten  tägliche Niederschlags- messungen  Transformation zu Schwellwertüberschreitung  ERA-40 Variablen: –Horizontalwind –Relative Vorticity –Vertikalwind –Gesamt-Wassergehalt  Zeitraum: 1960 - 1999 11 Zielgrößen aus Beobach- tungsdaten Prädiktoren aus GCM Daten 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 12 Statistisches Modell Verifikation

13 Verifikation des statistischen Modells 13

14 Physikalische Interpretation 14 EOF-PrädiktorERA-40: 16.Juni 1994 [s -1 ] [Pa s -1 ]

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

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

17 COSMO-CLM East Asia 17 ERA40ECHAM5 20C3M ECHAM5 A1B East Asia 50km 1971 – 2000 2011 – 2050 Haihe 7km 1971 – 2000 2021 – 2050 Poyang 7km 1971 – 1975 1971 – 1997 2021 – 2050 COSMO-CLM Haihe COSMO-CLM Poyang

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 18 Niederschlagsverteilung [mm/24h] für die Station Nanchang im Poyang- Catchment

19 Quantifizierung der Eigendynamik im RCM 19 GCM bilinear interpoliert RCM punktweise Schätzung der Kohärenzspektren räumliche Verteilung der Kohärenz für eine Frequenz

20 Eigendynamik: Beispiele 20 COSMO East Asia mit ECHAM5_20C3M Rand COSMO East Asia mit ERA-40 Rand

21 Zielsetzung  Aufbau eines Statistischen Modells für Niederschlagsereignisse  Physikalische Interpretation der Prädiktoren  Validierung der RCM Läufe  Entwicklung einer Methode zur Quantifizierung der Eigendynamik in RCMs 21 Statistical Downscaling 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 22

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 23

24 Statistical and Dynamical Downscaling of Numerical Climate Simulations Enhancement and Evaluation for East Asia Thorsten Simon Meteorologisches Institut – Universität Bonn

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: 10.3402/tellusa.v65i0.19749. 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: 10.3402/tellusa.v65i0.22485 Wand, D., Menz, C., Simon, T., Simmer, C. and Ohlwein, C. (2013): Regional dynamical downscaling with CCLM over East Asia. Meteorol. Atmos. Phys. DOI: 10.1007/s00703-013-0250-z 25

26 EIGENDYNAMIK IN RCMS 26

27 Method: Cross Spectral Analysis 27  uni-variate spectrum:  cross-spectrum:  coherency spectrum:

28 Method: Cross Spectral Analysis  Filter time series from periodic signals, e.g. (semi-) annual cycle and diurnal cycle  From global runs to COSMO-50km:  From COSMO-50km to COSMO-7km: 28

29 Method: Cross Spectral Analysis  Consider a decomposition of the residual time series of the driving model and the driven model:  The co-variability between the two time series can be written as: 29 =0

30 Method: Cross Spectral Analysis 30 GCM bi-linearly interpolted GCM provides LBC Perfoming RCM simulation on super-computer, i.e. blizzard (source: www.dkrz.de) RCM estimating coherency spectrum pointwise spatial distribution of coherency for one frequency

31 ECHAM5 20C3M providing LBC to COSMO-CLM 50km 31

32 ERA40 providing LBC to COSMO-CLM 50km 32

33 CCLM 50km providing LBC to CCLM 7km 33

34 QUALITATIVE VALIDIERUNG 34

35 35

36 36

37 STATISTISCHES DOWNSCALING 37

38 Cross Validation – basic idea  The parameters of the statistical model are fitted to the data of the training period.  The model is applied to the independent data of the verification period.

39 Comparison of different predictors Vo850W500 – relative vorticity (850hPa) and vertical velocity (500hPa) Vo850W500TCW – relative vorticity (850hPa), vertical velocity (500hPa) and total column water UV850 – horizontal windfield at 850hPa W500 – vertical velocity at 500hPa TCW – total column water Vo850 – relative vorticity

40 Dynamics described by 1. EOF relative vorticity (850hPa)vertical velocity (500hPa) Both the relative vorticity and the vertical velocity show a stretched pole over the Yangtze with a counter-pole over the South China Sea.

41 Relative Voritcity Vortex anomaly in the 850hPa windfield coincide with a heavy rainfall period in the middle and lower Yangtze basin (from Ding et al., 2001).

42 Dynamics described by 3. EOF relative vorticity (850hPa)vertical velocity (500hPa)  Both the relative vorticity and the vertical velocity show a strong pole with a horseshoe shape.  The part over the Yangtze has a different angle to the belt in the 1.EOF

43 Meiyu belt axes Typical rainbelt axes (a) for the presummer rainseason and (b) for the meiyu season (from Chen, 1998).