Bias-Korrektur von CLM-Niederschlagsdaten. in dynaklim. Markus Quirmbach, Elke Freistühler dr. papadakis GmbH

Transkript

1 Bias-Korrektur von CLM-Niederschlagsdaten für die Impactmodelle in dynaklim Markus Quirmbach, Elke Freistühler dr. papadakis GmbH

2 Zusammenfassung bisheriger Erkenntnisse Bias in den Jahresniederschlagssummen im ELR im Referenzzeitraum

3 Zusammenfassung bisheriger Erkenntnisse Monatsniederschlagssummen im Referenzzeitraum, Beispiel Dinslaken Mittlere monatliche Niederschlagssumme Monat 40 mm (89 %) 12 mm (22 %) Januar Februar März April Mai Juni Juli August September Oktober November Dezember Monatsniederschlagssumme [mm] Dinslaken GP_086_088_CLM1 GP_086_088_CLM2

4 Zusammenfassung bisheriger Erkenntnisse Anzahl Trockener Tage pro Jahr im Referenzzeitraum, Beispiel Dinslaken Anzahl der Trockentage N <= 0,1 mm Anzahl der Tage Jahr Dinslaken GP_086_088_CLM1 GP_086_088_CLM2

5 Zusammenfassung bisheriger Erkenntnisse Niederschlags-Rauschen, Beispiel GP_086_089

6 Zusammenfassung bisheriger Erkenntnisse Verteilung der Tagesniederschlagssummen im Referenzzeitraum, Beispiel Dinslaken Anzahl Tage Niederschlag [mm/d] Dinslaken GP_086_088_CLM1 GP_086_088_CLM2

7 Zusammenfassung bisheriger Erkenntnisse Analyse der Tagesniederschlagssummen Die besonders relevanten Niederschlagsereignisse jenseits des 99 % - Perzentil reagieren besonders empfindlich auf den gewählten Ansatz bei der Bias - Korrektur Das Vorhandensein bzw. das Fehlen besonders hoher Tagesniederschlagssummen in den Datensätzen (Mess- und Modelldaten, Referenzzeitraum / Nahe Zukunft / Ferne Zukunft) wirkt sich signifikant auf das Korrekturverfahren aus

8 Zusammenfassung bisheriger Erkenntnisse Anzahl von Starkregentagen in einzelnen Dekaden, Beispiel GP_086_ Referenzperiode Nahe Zukunft Ferne Zukunft N 40 mm/d N 60 mm/d CLM Lauf Anzahl der Tage Dekade 10 Referenzperiode Nahe Zukunft Ferne Zukunft CLM Lauf N 40 mm/d N 60 mm/d Anzahl der Tage Dekade

9 Eigenschaften des Modell-Bias Räumliche Komponente (Regionale Unterschiede) Monatsweise / jahreszeitliche Komponente Einfluss zufälliger Ereignisse (insbesondere bei Starkregen) Getrennte Bias-Korrektur bis zum 97%-Quantil und jenseits des 97%-Quantils

10 Generelles Vorgehen / Unterschiede Methodik Raum Jahreszeit Niederschlagsrauschen Bis zum 97%-Quantil Vergleicheinzelner Quantileder Mess- und Modelldaten Zunächst einzelne Rasterfelder / Stationen, später Regionen Monatsweise Bestimmung eines monatlichen Trockenwertes => Korrektur der Tagessummen um den Trockenwert Jenseits des 97%-Quantils Bereichsweise Lineare Regression zwischen Mess- und Modelldaten Regionale Korrektur Wasserwirtschaftliches Sommer-und Winterhalbjahr Korrektur der Tagessummen um den Trockenwert Realisierung CLM1 / CLM2 gemeinsam CLM1 / CLM2 gemeinsam Zeitschritt Korrekturfaktor aus Tagessummen => Anwendung auf Stundensummen Korrekturfaktor aus Tagessummen => Anwendung auf Stundensummen

11 Vergleich einzelner Quantile/ Bestimmung des Trockenwertes Messung [mm] Modell [mm] Trockenwert

12 Monatsweises QuantileMapping bis zum 97%-Quantil für einzelne Rasterfelder / Stationen GP_086_091 Dortmund Nettebach

13 Zusammenfassung von Rasterflächen / Stationen je Region, Beispiel Region 3 GP_087_090 Rorup GP_087_091 Dülmen Region 3 (Zentrale ELR) GP_086_090 Recklinghausen Im Reitwinkel GP_086_091 Dortmund Nettebach

14 Zusammenfassung von Rasterflächen / Stationen je Region, Beispiel Region 5 GP_086_094 Rorup GP_086_095 Dülmen Region 5 (Östliche ELR)

15 Vergleich Region 3 / Region 5 Region 3 (Zentrale ELR) Region 5 (Östliche ELR)

16 Trockenwerte in den einzelnen Regionen und Kalendermonaten 1,8 1,6 1,4 1,2 Trockenwert [mm] 1,0 0,8 0,6 0,4 Region1 Region2 Region3 Region4 Region5 0,2 0,0

17 Regionale Einteilung in der Emscher-Lippe-Region

18 Regionale Einteilung im Ruhreinzugsgebiet

19 Bereichsweise Lineare Regression jenseits des 97%-Quantils R² = 0,8764 Messung [mm] R² = 0, Modell [mm]

20 Bereichsweise Lineare Regression jenseits des 97%-Quantils für Region 3

21 Bereichsweise Lineare Regression jenseits des 97%-Quantils für Region 5

22 Korrektur von Tagessummen unter dem Trockenwert

23 Korrektur von Tagessummen jenseits des 97%-Quantils 27,1 mm 30,0 mm

24 Korrektur von Tagessummen jenseits des 97%-Quantils

25 Zusammenfassung und Ausblick Mit der Bias Korrektur wird die Möglichkeit geschaffen, Niederschlagsdaten für diverse Modellanwendungen der Wasser-und Siedlungswasserwirtschaft als Tageswerte bereitzustellen => unter Berücksichtigung spezifischer Anforderungen die realitätsnahe Abbildung von Trockenzeiten und hohen Niederschlagsintensitäten Durch empirische Vergleiche zwischen Mess- und Modelldaten werden CLM- Niederschlagsdatensätze erzeugt, die für den Referenzzeitraum ein ähnliches Niederschlagsgeschehen wie die Messdaten abbilden => Es wird die Annahme unterstellt, dass in Zukunft ähnliche Zusammenhänge gelten Es sind regionale Besonderheiten (Einfluss der Orographie, kleinräumige Niederschlagsmuster usw.) berücksichtigt worden => generell Verfahren grundsätzlich auf jede andere Region übertragbar => aber nicht voll automatisch auf ganz Deutschland (gesamten CLM-Datensatz) anwendbar

26 Literatur Quellen zum Quantile Mapping PianiC., HaerterJ. O and CoppalaE. (2010). Statistical bias correction for daily precipitation in regional climate models over Europe. Theor. Appl. Climatol. 99, MudelseeM., ChirilaD., Deutschländer T., Döring C., HaerterJ., Hagemann S., Hoffmann H., Jacob D., KrahéP., Lohmann G., Moseley C., NilsonE., PanferovO., Rath T. andtinzb. (2010). ClimateModel Bias Correction und die Deutsche Anpassungsstrategie. Mitteilungen der Deutschen Meteorologischen Gesellschaft DMG 03/2010, 2-6 Quellen zu den CLM-Daten CLM-Daten, C20, Lauf 1, Datenstrom3, Lautenschlager,Michael; Keuler,Klaus; Wunram,Claudia; Keup-Thiel,Elke; Schubert,Martina; Will,Andreas; Rockel,Burkhardt; Boehm,Uwe 2009; Climate Simulation with CLM, Climate of the 20th Century run no.1, Data Stream 3: European region MPI-M/MaD.World Data Center for Climate. [doi: /WDCC/CLM_C20_1_D3]

27 Literatur Quellen zu den CLM-Daten CLM-Daten, C20, Lauf 2, Datenstrom3, Lautenschlager,Michael; Keuler,Klaus; Wunram,Claudia; Keup-Thiel,Elke; Schubert,Martina; Will,Andreas; Rockel,Burkhardt; Boehm,Uwe 2009; Climate Simulation with CLM, Climate of the 20th Century run no.2, Data Stream 3: European region MPI-M/MaD.World Data Center for Climate. [doi: /WDCC/CLM_C20_2_D3] CLM-Daten, A1B, Lauf 1, Datenstrom3, Lautenschlager,Michael; Keuler,Klaus; Wunram,Claudia; Keup-Thiel,Elke; Schubert, Martina; Will,Andreas; Rockel,Burkhardt; Boehm,Uwe 2009; Climate Simulation with CLM, Scenario A1B run no.1, Data Stream 3: European region MPI-M/MaD.World Data Center for Climate. [doi: /WDCC/CLM_A1B_1_D3] CLM-Daten, A1B, Lauf 2, Datenstrom3, Lautenschlager,Michael; Keuler,Klaus; Wunram,Claudia; Keup-Thiel,Elke; Schubert, Martina; Will,Andreas; Rockel,Burkhardt; Boehm,Uwe 2009; Climate Simulation with CLM, Scenario A1B run no.2, Data Stream 3: European region MPI-M/MaD.World Data Center for Climate. [doi: /WDCC/CLM_A1B_2_D3]

28 Vielen Dank für Ihre Aufmerksamkeit! Kontakt: Projektleiter Arbeitspaket AP 3.1: Aufbereitung und Bereitstellung der Klimadaten für die Prognosemodelle Dr. Markus Quirmbach dr. papadakis GmbH Tel.: 02324/ Mail: