Evaluation and disaggregation of climate model outputs for european drought prediction

Landwirtschaftliche Dürren führen zu hohen sozialen und wirtschaftlichen Schäden. Die Auswirkungen dieser Extremereignisse können mit der Hilfe von einem saisonalen Vorhersagesystem, welches Dürren mehrere Monate im Voraus prognostiziert, abgeschwächt werden. Das Vorhersagesystem, welches in dieser...
Ausführliche Beschreibung

Landwirtschaftliche Dürren führen zu hohen sozialen und wirtschaftlichen Schäden. Die Auswirkungen dieser Extremereignisse können mit der Hilfe von einem saisonalen Vorhersagesystem, welches Dürren mehrere Monate im Voraus prognostiziert, abgeschwächt werden. Das Vorhersagesystem, welches in dieser Arbeit entwickelt wird, basiert auf meteorologischen Prognosen des nordamerikanischen Multi-Modell Ensembles (NMME), die verwendet werden um das mesoskalige Hydrologische Modell (mHM) anzutreiben. Ein neu entwickeltes stochastisches Verfahren wird benutzt um die monatlichen Niederschlagsvorhersagen des NMME Datensatzes in tägliche zu disaggregieren. Dieses Verfahren erhält die räumliche Kovarianz von Niederschlag durch das neu vorgestellte "Anchor"-Sampling auf beliebig großen Gittern. Die erhaltenen Prognosen werden mit denen des Ensemble Streamflow Prediction (ESP) Ansatzes verglichen. Der Bewertungszeitraum reicht von 1983 bis 2009. Das Simulationsgebiet umfaßt große Teile Kontinentaleuropas. Die auf dem NMME basierenden Prognoses zeigen bei einer sechsmonatigen Vorhersagezeit eine 69% höhere Vorhersagegüte auf als die des ESP Ansatzes. Dabei gibt es eine substantielle räumliche und zeitliche Variabilität von bis zu 40%. Ein Standardansatz in der Dürrevorhersage ist es entweder die Prognosen der einzelnen Modelle oder die des gesamten Ensemblemittels auszuwerten. Das gesamte Ensemblemittel zeigte eine höhere Güte als jedes Einzelmodell. Die Vorhersagegüte eines Subensembles (eine Subgruppe von Modellen), welches vom neu entwickeltem Rückwärtseliminiatiosalgorithmus effizient gefunden wurde, ist jedoch nur 1% geringer. Die Anzahl der Modellläufe dieses Subensembles beträgt jedoch nur 60% der des gesamten Ensembles. Die in dieser Arbeit vorgestellten Methoden zur Identifizierung von Subensembles und zur zeitlichen Disaggregierung von Niederschlag sind nicht auf die hier betrachtete Anwendung beschränkt und können auch auf andere Anwendungen übertragen werden. Ausführliche Beschreibung