BSCALE: Downscaling von Niederschlag: Entwicklung, Kalibrierung und Validierung eines Bayes´schen probabilisitischen Ansatzes.
Hydrogeologie, Hydrologie, Limnologie, Siedlungswasserwirtschaft, Wasserchemie, Integrierte Wasserressourcen-Bewirtschaftung
Zusammenfassung der Projektergebnisse
Downscaling von Atmosphärenmodellausgaben bei der Wetterprognose, insbesondere beim Niederschlag, ist erforderlich, um die meteorologische Größe vom eher niedrigaufgelösten räumlichen Gitter eines Wettermodells (z.B. 35km x 35km) auf einen ausgewählten Standort (z.B. ein Bodenstandort) hin zu projizieren, an dem die entsprechenden Grösse für operationelle Anwendungen benötigt wird. Zu solchen Anwendungen gehören, unter anderem, Niederschlag- und Abflussprognosen, Klimaprognosen oder Wettervorhersagen für Energieerzeuger (Temperatur, Windgeschwindigkeit). In der Regel werden dazu stochastische Beziehungen zwischen historischen Beobachtungen und Wettermodellausgaben als Prädiktoren hergestellt und geeicht, um anschließend die zukünftige standortbezogene Größe, den Prädiktanden, so gut wie möglich zu schätzen. In der Regel kommen dabei lineare Regressionen oder probabilistische Verfahren wie das Quantile-Matching zum Einsatz. Bei jeder operationellen Prognose ist es zudem relevant, die Vorhersageunsicherheit zu bestimmen, ausgedrückt als bedingte Wahrscheinlichkeitsdichte des zukünftigen Wettergeschehens, da Prädiktoren keine deterministischen Größen darstellen. Zudem besteht, besonders im Umgang mit dem Niederschlag, die Herausforderung der Erfassung von Extremwerten, da gerade diese die Hochwasserereignisse verursachen, wie wir sie z.B. beim Ahrhochwasser 2021 erlebt haben. Darstellungstechnisch ist der Niederschlag als stochastischer Mischprozess zu verstehen, der sich aus einem binären (Niederschlag/Trocken) Prozess und einer kontinuierlichen Prozess (Niederschlagsmenge) zusammensetzt. Das Projekt BSCALE stellt diese komplexen Beziehungen mittels eines Bayesianischen Ansatzes her, welches die meteorologische Variable zuerst in den Gaußsche Raum transformiert, dann die Beziehung zwischen Prädikand und Prädiktoren multivariat verteilt nach Gauß annimmt und diese Beziehung anschließend in den Ursprungsraum zurücktransformiert. Dadurch kann die bedingten Vorhersageunsicherheit, einschließlich der Extremwerte, zufriedenstellend wiedergegeben werden, wie die Verifizierung bestätigt. Die Anwendung des erprobten Verfahrens erschöpft sich aber nicht in der Wetterprognose, sondern kann auch auf Klimaprognosen angewandt werden. Dies wurde in BSCALE als Spinoff Anwendung anhand einer Aufarbeitung von Temperaturprognosen für das 21. Jhdt. über Norditalien aus dem CMIP5 Klimamodellensemble und den Repräsentativen Konzentrationspfaden RCP4.5 und RCP8.5 veranschaulicht. Dabei wurden die Vorhersageunsicherheiten, die mit dem in BSCALE erarbeiteten Verfahren ermittelt wurden, mit jenen des etablierten Reliability Ensemble Averaging (REA) Verfahren verglichen. Als letzte Forschungsaufgabe in BSCALE wurde, angeregt vom Ahrhochwasser im Sommer 2021, eine vom ursprünglichen Hauptthema abweichende, aber damit zusammenhängende Analyse von Hochwasserrisiko und -gefahr, eine Folge extremer Niederschlagsereignisse, ausgeführt. Dabei wurde anhand einer statistischen Extremwertanalyse für das Ahrtal aufgezeigt, dass bestehende HQ100 Extremwertstatistiken, die auf 1-Jahr Abflussextremwerten beruhen, die Gefahr von außerordentlichen Hochwasserereignissen stark unterschätzen. Die Ausweitung und Anwendung der Extremwertstatistik auf längere Zeiträume, zum Beispiel 50, 100 oder 200 Jahre, bestätigen, dass das vorherrschende Risiko von außerordentlichen Hochwasserereignissen beachtlich höher liegt, als von öffentlicher Seite angenommen, und damit eigentlich eine neue Herangehensweise der wasserwirtschaftlichen Risikobewertung erforderlich wäre.
Projektbezogene Publikationen (Auswahl)
- (2019) A Bayesian processor of uncertainty for precipitation forecasting using multiple predictors and censoring, Monthly Weather Review, 147(12)
Reggiani, P. and O. Boyko
(Siehe online unter https://doi.org/10.1175/mwr-d-19-0066.1) - (2019). Probabilistic precipitation analysis in the Central Indus River basin, In Indus River Basin: Water Security and Sustainability edited by T. Adams and S. Khan, Elsevier Science
Reggiani, P., A. Boyko, T.H.M. Rientjes and A. Khan
(Siehe online unter https://doi.org/10.1016/b978-0-12-812782-7.00005-9) - (2021). Assessing uncertainty for decision-making in climate adaptation and risk mitigation. International Journal of Climatology; 1-22
Reggiani, P., E. Todini, O. Boyko and R. Buizza
(Siehe online unter https://doi.org/10.1002/joc.6996)
