Verbesserung der Parametrisierung der turbulenten Flüsse in regionalen und globalen Klimamodellsystemen durch eine Erweiterung der klassischen Monin-Obukhov Ähnlichkeitstheorie durch ein künstliches neuronales Netzwerk

• Antragsteller: Dr. Marcus Breil
• Fachliche Zuordnung: Physik und Chemie der Atmosphäre
• Förderung: Förderung seit 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 456675194

Die Energiebilanz der Erdoberfläche wird maßgeblich durch turbulente Impuls- und Wärmeflüsse reguliert. Eine korrekte Beschreibung dieser Flüsse stellt daher eine Grundvoraussetzung für eine erfolgreiche Modellierung des Wetter- und Klimasystems dar. In den entsprechenden Wetter- und Klimamodellen werden die turbulenten Flüsse im Allgemeinen mit Hilfe der Monin-Obukhov Ähnlichkeitstheorie (MOAT) bestimmt.MOAT ist eine semi-empirische Methode zur Ableitung funktioneller Zusammenhänge in turbulenten Flüssen. Das Grundkonzept von MOAT basiert dabei auf vereinfachenden Annahmen, wie z.B. stationären Bedingungen über homogenen Landoberflächen. Sind diese Voraussetzungen jedoch nicht erfüllt, kann MOAT solche konsistenten Zusammenhänge auch nicht zuverlässig in turbulenten Flüssen identifizieren. Dies hat zur Folge, dass turbulente Flüsse potentiell falsch simuliert werden, was wiederum eine mögliche Erklärung für systematische Fehler in Modelvergleichsstudien darstellt.Das Ziel dieses Projekts ist es daher diese Unsicherheiten in Wetter- und Klimamodellen, durch eine Verbesserung der turbulenten Flussparametrisierung, zu verringern. Dafür werden wir versuchen die eingeschränkte Anwendbarkeit des klassischen MOAT-Ansatzes aufzubrechen und die Methode auf nicht-stationäre Situationen über heterogenen Landoberflächen anwendbar zu machen. Um dieses Ziel zu erreichen werden wir ein künstliches neuronales Netz (KNN) verwenden.KNNs stellen ideale Werkzeuge dar um funktionelle Zusammenhänge zwischen einer Zielgröße und deren Einflussfaktoren aus großen Datenmengen abzuleiten, was mit konventionellen Methoden nicht im gleichen Umfang geleistet werden kann. Dieses Potenzial von KNNs wollen wir im Rahmen dieses Projekts nutzen um auch in Situationen, in denen der klassische MOAT-Ansatz keine zuverlässigen Ergebnisse liefert, systematische Zusammenhänge in turbulenten Flüssen detektieren zu können. Dafür werden Teile der MOAT-Parametrisierung durch ein KNN ersetzt und um Parameter erweitert die die spezifischen Grenzen der klassischen Methode berücksichtigen. Diese erweiterte MOAT-Parametrisierung wird anschließend in das ICON-Modellsystem implementiert und in globalen und regionalen Wetter- und Klimasimulationen angewandt. Das Potenzial dieses Ansatzes die Beschreibung und die Simulation der turbulenten Flüsse in Wetter- und Klimamodellen zu verbessern, wird abschließend durch einen Vergleich mit ICON-Standardsimulationen bewertet.

• DFG-Verfahren: Sachbeihilfen