Klimatologische Kennwerte zum Klima der Zukunft im Klimaatlas BW. Daten basierend auf Klimamodelldaten und RCP-Szenarien 1971-2100.
Dienst bestehend aus den Rasterlayern zur mittleren Anzahl von Kühlgradtagen [Kelvin*Tag] nach Spinoni. Hier wird der Kühlenergiebedarf durch eine Temperatursumme dargestellt. Die Kühlgradtage werden von der Lufttemperatur abgeleitet und nach dem Verfahren von Spinoni et al. (2015) berechnet. Hierbei wird eine Basistemperatur von 22 °C angenommen. Liegt die Tageshöchsttemperatur unter diesem Wert, wird nicht von einem Kühlbedarf ausgegangen. Die jeweiligen Raster-Layer wurden für die 30-jährigen Mittelwerte der Klimanormalperioden 1951-1980, 1961-1990, 1971-2000, 1981-2010 und 1991-2020 für die beobachtete Vergangenheit berechnet. Ergänzend werden die Änderungen der Klimanormalperiode 1991-2020 bezogen auf 1961-1990 und 1951-1980 dargestellt. Zusätzlich liegen Klimaprojektionen für die Zukunftszeiträume 2031-2060 und 2071-2100 vor, die jeweils nach den Klimaprojektionen RCP2.6, RCP4.5 und RCP8.5 gegliedert sind. Die Stärke des möglichen Klimasignals je Szenario wird unterteilt nach dem 15., 50. und dem 85. Perzentil. Es werden sowohl absolute Mittelwerte als auch sogenannte Delta-Change Raster dargestellt, die die Änderung des Klimasignals gegenüber der Referenzperiode 1971-2000 zeigen. Datenquelle: Deutscher Wetterdienst (DWD); Quellen für Klimaprojektionsdaten: Brienen et al. (2020), Krähenmann (2019), Berechnung durch das LANUK. Weitere Hinweise des Deutschen Wetterdienstes sind zu beachten: https://www.dwd.de/DE/service/rechtliche_hinweise/rechtliche_hinweise_node.html
Dienst bestehend aus den Rasterlayern zurn Wasserhaushaltsgröße Netto-Gesamtabfluss in mm, jeweils für das ganze Jahr. Die hier dargestellten Rasterlayer zum Wasserhaushalt wurden vom Forschungszentrum Jülich mit Hilfe des Modells "mGROWA" im Rahmen einer Kooperation mit dem LANUV NRW berechnet und für den Klimaatlas NRW aufbereitet. Die jeweiligen Raster-Layer wurden jeweils für die 30-jährigen Mittelwerte der Klimanormalperioden 1961-1990, 1971-2000, 1981-2010 und 1991-2020 für die beobachtete Vergangenheit berechnet. Ergänzend werden die Änderungen der Klimanormalperiode 1991-2020 bezogen auf 1961-1990 dargestellt. Zusätzlich liegen Klimaprojektionen für die Zukunftszeiträume 2031-2060 und 2071-2100 vor, die jeweils nach den Klimaprojektionen RCP2.6, RCP4.5 und RCP8.5 gegliedert sind. Die Stärke des möglichen Klimasignals je Szenario wird unterteilt nach dem 15., 50. und dem 85. Perzentil. Es werden sowohl absolute Mittelwerte als auch sogenannte Delta-Change Raster dargestellt, die die Änderung des Klimasignals gegenüber der Referenzperiode 1971-2000 zeigen. Datenquelle: Forschungszentrum Jülich (Frank Herrmann); Quellen für Klimaprojektionsdaten: Brienen et al. (2020), Krähenmann (2019).
Dienst bestehend aus Rasterdaten zu spezifischen Lufttemperaturkenntagen wie Sommertage, Heiße Tage, Hitzewellen, Tropennächte, Frosttage und Eistage. Die Daten liegen für fünf Klimanormalperioden (30-jährige Mittelwerte) vor, die einen Beobachtungsbereich von 1951-2020 abdecken, jeweils als mittlere Anzahl Tage/Jahr. Hinzu kommt jeweils ein Layer, bei dem die Änderung der Anzahl der Kenntage von 1991-2020 bezogen auf 1961-1990 dargestellt wird. Außerdem werden auch die Raster der zwei Zukunftszeiträume (2031-2060 und 2071-2100) dargestellt, die jeweils nach den Klimaprojektionen RCP2.6, RCP4.5 und RCP8.5 gegliedert sind. Die Stärke des möglichen Klimasignals wird je RCP-Szenario unterteilt nach dem 15., 50. und dem 85. Perzentil. Es werden absolute Mittelwerte (außer Tropennächte) und das Änderungssignal (Delta-Change) von 2031-2060 und 2071-2100 bezogen auf 1971-2000 dargestellt. Absolute Werte liegen bei den Tropennächten nicht vor. Datenquelle: Deutscher Wetterdienst (DWD). Weitere Hinweise des Deutschen Wetterdienstes sind zu beachten: https://www.dwd.de/DE/service/rechtliche_hinweise/rechtliche_hinweise_node.html
In der Klimaökonomie gibt es Bemühungen, Mängel des konventionellen Integrated Assessment Modelling (IAM) sowohl durch die Verfeinerung bestehender Modelle als auch durch ganz neue Ansätze zu überwinden. Beides zielt unter anderem darauf ab, auch besonders nachhaltige Klimaschutzpfade aufzuzeigen. Das UBA ist bestrebt, seine breite und tiefe umweltwissenschaftliche Expertise in diese fachspezifischen Diskussionen und Entwicklungen direkt mit einzubringen. Durch das avisierte Leuchtturm-Projekt soll aber auch die Expertise des UBAs durch den Ausbau der hausinternen Analyse- und Modellierungskompetenz für globale Klimaszenarien erweitert werden, um auch selbstständig oder in Kooperation mit Partnerschaftsinstitutionen eigene globale Klimaschutzszenarien entwickeln zu können, die wirtschaftlich, ökologisch und sozial nachhaltig sind. Die RESCUE2-Ergebnisse für die deutsche und die europäische Klimapolitik sind dabei der Ausgangspunkt der Überlegungen und stellen ein sehr gutes Beispiel für den Nutzen eigener Klimaschutzszenarien dar.
Die erwarteten zukünftigen Auswirkungen des Klima- und Landnutzungswandels auf den terrestrischen Wasserkreislauf verlangen Modellierungsansätze, die in der Lage sind, hydrologische Prozesse auf den für lokales und regionales Wassermanagement relevanten Skalen zu simulieren. Physikalisch-basierte hydrologische Modelle auf der Mesoskala sollten alle lokalen Gegebenheiten berücksichtigen, die zur Steuerung der räumlichen Differenzierung des Niederschlag-Abfluss Transformationsprozesses beitragen. Zur Etablierung eines Modells, welches das Verhalten hydrologischer Systeme realitätsnah simuliert, werden wir einen 'integrierten' multikriteriellen Kalibrationsansatz entwickeln, der neben dem Gebietsabfluss auch detaillierte räumliche Informationen über die dominierenden Abflussbildungsprozesse und Tagesraten der Evapotranspiration (ETa), abgeleitet aus hochauflösenden Fernerkundungsdaten, beinhaltet. Wir werden unseren Ansatz für drei ausgewählte Einzugsgebiete im Nahe-Tal (Südwestdeutschland) im Rahmen des flexibel anpassbaren WaSiM-ETH Models entwickeln, um ein beispielhaftes Verhalten-erklärendes (behavioural) Modell zu erstellen, das die raumzeitliche Dynamik des Niederschlag-Abfluss Prozesses in stündlichen Zeitschritten abbildet. Dazu werden fernerkundlich erfasste Landoberflächenparameter und aus Thermaldaten abgeleitete ETa Karten mit einer Pixelgöße vonca. 30-100 m eingebunden. Zur Erstellung dieser Karten auf Tagesbasis werden wir Multi-Sensor Datenfusionsansätze und Methoden zum sogenannten 'Downscaling' der Landoberflächentemperatur, welche die Vorteile räumlich hoch-auflösender Fernerkundungssysteme wie z.B. Landsat-8/Sentinel-2 mit zeitlich hochauflösenden Erdbeobachtungssystemen wie MODIS und VIIRS verknüpfen. ETa Raten werden mit einer Reihe von etablierten Energiebilanzmodellen (SEBAL, METRIC, SSEB) ermittelt. Diese Prozessierungskette ermöglicht die für die Kopplung mit räumlich-distributiven hydrologischen Modellen auf der Mesoskala notwendige Ableitung von LST und ETa Karten auf der Feldskala. Diese Fernerkundungsprodukte können unmittelbar zur Kalibration des hydrologischen Modells WaSiM-ETH eingesetzt werden. Etabliert werden sowohl manuelle als auch automatisierte Kalibrationsansätze, welche die raumzeitliche Dynamik der ETa Muster innerhalb der Einzugsgebiete mit einer Reihe von räumlichen Metriken erfassen. Die Kombination von fernerkundlich-abgeleiteter ETa bei wolkenfreien Bedingungen mit Simulationsergebnissen der hydrologischen Modellierung erlaubt uns die Erstellung lückenloser, hochauflösender ETa Zeitreihen. Darüber hinaus wird ein physikalisch-basiertes 'behavioural' Modell fähig sein, korrekt auf veränderte Randbedingungen hinsichtlich des Klimas oder der Landnutzung zu reagieren, und so zum Verständnis von Veränderungen im Wasserkreislauf im Rahmen globaler Klimaszenarien beitragen (z.B. das RCP6.0 oder das RCP8.5 Szenario, beide mit deutlichen Änderungen von Temperatur- und Niederschlagsmustern).
Im letzten Jahrzehnt war der grönländische Eisschild mehreren Extremereignissen ausgesetzt, mit teils unerwartet starken Auswirkungen auf die Oberflächenmassebilanz und den Eisfluss, insbesondere in den Jahren 2010, 2012 und 2015. Einige dieser Schmelzereignisse prägten sich eher lokal aus (wie in 2015), während andere fast die gesamte Eisfläche bedeckten (wie in 2010).Mit fortschreitendem Klimawandel ist zu erwarten, dass extreme Schmelzereignisse häufiger auftreten und sich verstärken bzw. länger anhalten. Bisherige Projektionen des Eisverlustes von Grönland basieren jedoch typischerweise auf Szenarien, die nur allmähliche Veränderungen des Klimas berücksichtigen, z.B. in den Representative Concentration Pathways (RCPs), wie sie im letzten IPCC-Bericht genutzt wurden. In aktuellen Projektionen werden extreme Schmelzereignisse im Allgemeinen unterschätzt - und welche Konsequenzen dies für den zukünftigen Meeresspiegelanstieg hat, bleibt eine offene Forschungsfrage.Ziel des vorgeschlagenen Projektes ist es, die Auswirkungen extremer Schmelzereignisse auf die zukünftige Entwicklung des grönländischen Eisschildes zu untersuchen. Dabei werden die unmittelbaren und dauerhaften Auswirkungen auf die Oberflächenmassenbilanz und die Eisdynamik bestimmt und somit die Beiträge zum Meeresspiegelanstieg quantifiziert. In dem Forschungsprojekt planen wir zudem, kritische Schwellenwerte in der Häufigkeit, Intensität sowie Dauer von Extremereignissen zu identifizieren, die - sobald sie einmal überschritten sind - eine großräumige Änderung in der Eisdynamik auslösen könnten.Zu diesem Zweck werden wir die dynamische Reaktion des grönländischen Eisschilds in einer Reihe von Klimaszenarien untersuchen, in denen extreme Schmelzereignisse mit unterschiedlicher Wahrscheinlichkeit zu bestimmten Zeitpunkten auftreten, und die Dauer und Stärke prognostisch variiert werden. Um indirekte Effekte durch verstärktes submarines Schmelzen hierbei berücksichtigen zu können, werden wir das etablierte Parallel Ice Sheet Model (PISM) mit dem Linearen Plume-Modell (LPM) koppeln. Das LPM berechnet das turbulente submarine Schmelzen aufgrund von Veränderungen der Meerestemperatur und des subglazialen Ausflusses. Es ist numerisch sehr effizient, so dass das gekoppelte PISM-LPM Modell Ensemble-Läufe mit hoher Auflösung ermöglicht. Folglich kann eine breite Palette von Modellparametern und Klimaszenarien in Zukunftsprojektionen in Betracht gezogen werden.Mit dem interaktiv gekoppelten Modell PISM-LPM werden wir den Beitrag Grönlands zum Meeresspiegelanstieg im 21. Jahrhundert bestimmen, unter Berücksichtigung regionaler Veränderungen von Niederschlag, Oberflächen- und Meerestemperaturen, und insbesondere der Auswirkungen von Extremereignissen. Ein Hauptergebnis wird eine Risikokarte sein, die aufzeigt, in welchen kritischen Regionen Grönlands zukünftige extreme Schmelzereignisse den stärksten Eisverlust zur Folge hätten.
Dimethylsulfid (DMS) ist ein klimarelevantes Spurengas marinen Ursprungs, das in der Atmosphäre als Vorstufe von Kondensationskernen bei der Wolkenbildung dient. Das Südpolarmeer wurde als Region mit erheblicher DMS Freisetzung aus dem Ozean in die Atmosphäre erkannt. Schwerpunkte der DMS Produktion wurden in der Nähe des Antarktischen Kontinentes und in der Zone der saisonalen Eisschmelze ermittelt. Modellsimulationen haben gezeigt, dass Störungen der DMS Flüsse vom Ozean in die Atmsophäre die Wolkenbedeckung beeinflussen und so zu Veränderungen im Strahlungshaushalt der Atmosphäre führen können. Das Prozessverständnis für marine DMS Emissionen und ihre Vorhersage sind somit entscheidend für Szenarien zukünftiger Klimabedingungen. DMS wird im Oberflächenozean durch den bakteriellen Abbau von Dimethylsulfoniumpropionat (DMSP) freigesetzt, das wiederum durch Phytoplankton produziert wird. Der bakterielle DMSP-Abbau folgt zwei konkurrierenden enzymatischen Stoffwechselwegen: dem Demethylierungsweg und dem Spaltungsweg. Da nur der Spaltungsweg zur Produktion von DMS führt, ist ein verbessertes Verständnis von Umweltfaktoren und genetischen Voraussetzungen, die die Balance zwischen den beiden Stoffwechselwegen kontrollieren, von großer Bedeutung um die Regulation der biologischen DMS Flüsse vom Ozean in die Atmosphäre abzuschätzen. Während die globalen Auswirkungen des DMSP Umsatzes im Ozean schon vor mehr als 30 Jahren erkannte wurden, ist es durch neue Methoden der Molekularbiologie und der „Omics“ Techniken erst kürzlich möglich geworden relevante Gene des bakteriellen DMSP Stoffwechsels zu identifizieren und Einsicht in ihre phylogenetische Verteilung zu gewinnen. Bisherige Erkenntnise zum bakteriellen Umsatz von DMSP in marine Systemen basieren weitgehend auf Studien aus mittleren und niederen Breiten, während die polaren Ozeane kaum untersucht wurden. Die Analyse der Bakteriengemeinschaften im Weddellmeer mittels Amplicon Sequenzierung des 16S rRNA Gens hat hohe Abundanzen potentiell DMS produzierender Bakteriengruppen wie der Roseobacter Gruppe und SAR11 gezeigt.Im vorgeschlagenen Projekt möchten wir modernen Methode der Moleklularbiologie in Kombination mit bioinformatischen Werkzeugen anwenden um im Weddellmeer(1) die Umweltkontrolle des bakteriellen DMSP Abbaus zu analysieren(2) die Diversität und Taxonomie DMSP abbauender Bakterien zu untersuchen(3) das genetische Inventar für DMSP Transformationen zu analysieren und(4) Stoffwechsel und ökologische Strategien von Schlüsselarten zu charakterisieren.Hierzu werden Seewasserproben analysiert, die am Östlichen Weddellmeer Eisschelf, am Filchner-Ronne Eisschelf und im Weddellwirbel genommen wurden. Die zu erwartenden Ergebnisse werden das mechanistische Verständnis des bakteriellen DMSP Abbaus im Weddellmeer verbessern und zu verlässlichen Prognosen von marinen DMS Emissionen im Südpolarmeer unter zukünftigen Klimaszenarien beitragen.
Deutscher Wetterdienst (DWD) 2018: Datensätze auf Basis der RCP-Szenarien. Internet: https://www.dwd.de/DE/klimaumwelt/klimaforschung/klimaprojektionen/fuer_deutschland/fuer_dtld_rcp-datensatz_node.html (Zugriff am 26.11.2024) Deutscher Wetterdienst (DWD) 2024: Deutscher Klimaatlas. Internet: https://www.dwd.de/DE/klimaumwelt/klimaatlas/klimaatlas_node.html (Zugriff am 17.01.2025) Huebener, H., Hoffmann, P., Keuler, K., Pfeifer, S., Ramthun, H., Spekat, A., Steger, C., Warrach-Sagi, K. 2017: Deriving user-informed climate information from climate model ensemble results. Adv. Sci. Res. 14, 261–269. IPCC (Intergovernmental Panel on Climate Change) 2013: Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge United Kingdom and New York, NY, USA. https://www.ipcc.ch/site/assets/uploads/2018/02/WG1AR5_all_final.pdf (Zugriff am 19.02.2025) IPCC (Intergovernmental Panel on Climate Change) 2021: Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge United Kingdom and New York, NY, USA. https://www.ipcc.ch/report/ar6/wg1/downloads/report/IPCC_AR6_WGI_FullReport_small.pdf (Zugriff am 19.02.2025) IPCC (Intergovernmental Panel on Climate Change) 2022: Climate Change 2022: Mitigation of Climate Change. Contribution of Working Group III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge United Kingdom and New York, NY, USA. https://www.ipcc.ch/report/ar6/wg3/downloads/report/IPCC_AR6_WGIII_FullReport.pdf (Zugriff am 19.02.2025) Jacob, D., Petersen, J., Eggert, B., Alias, A., Christensen, O.B., Bouwer, L.M., Braun, A., Colette, A., Déqué, M., Georgievski, G., Georgopoulou, E., Gobiet, A., Menut, L., Nikulin, G., Haensler, A., Hempelmann, N., Jones, C., Keuler, K., Kovats, S., Kröner, N., Kotlarski, S., Kriegsmann, A., Martin, E., Van Meijgaard, E., Moseley, C., Pfeifer, S., Preuschmann, S., Radermacher, C., Radtke, K., Rechid, D., Rounsevell, M., Samuelsson, P., Somot, S., Soussana, J.-F., Teichmann, C., Valentini, R., Vautard, R., Weber, B., Yiou, P. 2014: EURO-CORDEX: new high-resolution climate change projections for European impact research. Reg Environ Change 14, 563–578. Reusswig, F.; Becker, C.; Lass, W.; Haag, L.; Hirschfeld, J.; Knorr, A.; Lüdeke, M. K.B.; Neuhaus, A.; Pankoke, C.; Rupp, J., Walther, C.; Walz, S.; Weyer, G.; Wiesemann, E. 2016: Anpassung an die Folgen des Klimawandels in Berlin (AFOK). Klimaschutz Teilkonzept. Hauptbericht. Gutachten im Auftrag der Senatsverwaltung für Stadtentwicklung und Umwelt, Sonderreferat Klimaschutz und Energie (SR KE). Potsdam, Berlin. Internet: https://www.berlin.de/sen/uvk/klimaschutz/anpassung-an-den-klimawandel/programm-zur-anpassung-an-die-folgen-des-klimawandels/ (Zugriff am 05.12.2024) SenStadt (Senatsverwaltung für Stadtentwicklung, Bauen und Wohnen Berlin) (Hrsg.) 2020: Umweltatlas Berlin, Karte 06.08 Stadtstruktur differenziert, Berlin. Internet: https://www.berlin.de/umweltatlas/nutzung/stadtstruktur/2020/zusammenfassung/ (Zugriff am 06.01.2025) SenStadt (Senatsverwaltung für Stadtentwicklung, Bauen und Wohnen Berlin) (Hrsg.) 2022a: Umweltatlas Berlin, Karte 04.10 Klimamodellierung Berlin – Analysekarten, Berlin. Internet: https://www.berlin.de/umweltatlas/klima/klimaanalyse/2022/zusammenfassung/ (Zugriff am 06.01.2025) SenStadt (Senatsverwaltung für Stadtentwicklung, Bauen und Wohnen Berlin) (Hrsg.) 2022b: Umweltatlas Berlin, Karte 04.11 Klimamodellierung Berlin – Planungshinweise Stadtklima, Berlin. Internet: https://www.berlin.de/umweltatlas/klima/klimabewertung/2022/zusammenfassung/ (Zugriff am 06.01.2025)
Klimamodelle sind komplexe numerische Modelle, die auf mathematisch-physikalischen Gleichungen beruhen. Diese werden mit Hilfe von leistungsstarken Computern berechnet bzw. gelöst. Sie versuchen die wesentlichen physikalischen und chemischen Prozesse sowie die Energieströme innerhalb und zwischen verschiedenen Systemen, wie der Atmosphäre, den Ozeanen und der Erdoberfläche, zu simulieren. Diese sind jedoch vielfach noch nicht vollständig erforscht und können, auch aufgrund ihrer Komplexität, häufig nur vereinfacht abgebildet werden. Die Modelle werden anhand von Beobachtungsdaten sowie Klimadaten aus der Vergangenheit (sog. Proxy-Daten) entwickelt und überprüft. Ziel ist es mit Hilfe der Modelle Abschätzungen von zukünftigen Klimaentwicklungen zu ermöglichen. Grundlage dafür sind zum einen natürliche Faktoren, wie etwa die Variation der Sonneneinstrahlung oder der Erdumlaufbahn bzw. Neigung der Erdachse. Zum anderen spielen Faktoren eine Rolle, die auch vom Menschen beeinflusst werden können, wie etwa die Landnutzung oder die Emissionen von Treibhausgasen in die Atmosphäre. Auf Grundlage möglicher zukünftiger Gesellschaftsentwicklungen werden Szenarien erarbeitet. Diese stellen Annahmen über die globale demographische, ökonomische, politische und technologische Entwicklung in der Zukunft dar. Aus dieser resultieren wiederum Emissionen bzw. Konzentrationen von Treibhausgasen in der Atmosphäre, die auch als anthropogener Strahlungsantrieb ausgedrückt werden können (häufig in W/m²). In der Vergangenheit wurden verschiedene dieser Szenarien durch die Klimaforschung erarbeitet. Dazu zählen u.a. Während die SRES-Szenarien bei jüngeren und aktuellen Analysen und Studien quasi keine Verwendung mehr finden, sind die RCP-Szenarien Gegenstand der meisten Untersuchungen in den letzten 10-15 Jahren. Die SSP-Szenarien werden bisher lediglich auf globaler Ebene betrachtet. Regionale Analysen dazu wird es voraussichtlich erst in den nächsten Jahren vermehrt geben. Weitere Informationen zu den RCP-/SSP-Szenarien sind hier zu finden. hier Diese zukünftigen Emissions-Szenarien dienen neben den anderen genannten (natürlichen) Faktoren als Antrieb für Globalmodelle. Diese Modelle bestehen aus einem dreidimensionalen Gitter. Zwischen den Gitterpunkten werden die klimatischen Prozesse großräumig (global), aber mit einer relativ groben zeitlichen (Tageswerte) und räumlichen (100 bis 200 km) Auflösung berechnet. Mit den Ergebnissen der Globalmodelle können für kleinere Regionen wie etwa Niedersachsen jedoch nur wenig differenzierte Aussagen zur Klimaentwicklung gemacht werden. Hier kommen regionale Klimamodelle zur Anwendung, die nur einen Ausschnitt der Erde bzw. Atmosphäre betrachten. Sie erhalten als Antrieb bzw. Randbedingung u.a. die Ergebnisse der Globalmodelle und rechnen damit auf einer höher aufgelösten räumlichen (bis unter 10 km) Skala weiter, wobei Aspekte wie die Topographie oder die Landnutzung besser berücksichtigt werden können. Dieses Verfahren nennt man „Nesting" oder auch „dynamic Downscaling". Daneben gibt es auch Methoden, die auf Basis von statistischen Zusammenhängen zwischen großräumigen Wetterlagen und lokalen meteorologischen Phänomenen die Daten der Globalmodelle auf eine höher aufgelöste Skala rechnen, das sog. „statistical downscaling“. Die Ergebnisse der regionalen Klimamodelle können letztlich als Antrieb für sogenannte Impact-Modelle genutzt werden. Dies sind Modelle, die die Wirkungen der klimatischen Veränderungen auf verschiedenen fachlichen Ebenen simulieren. Hierzu zählen zum Beispiel hydrologische Modelle, die die Folgen eines Klimawandels auf die Wasserwirtschaft verdeutlichen können. Es muss jedoch stets berücksichtigt werden, dass diese Ergebnisse nicht als Prognosen oder Vorhersagen interpretiert werden dürfen, sondern auf Basis der oben genannten Szenarien immer „wenn-dann“-Aussagen darstellen. Trotz der Komplexität der Modelle (oder gerade deswegen) sind Ergebnisse aus der Klimamodellierung immer mit Unsicherheiten behaftet. Dies liegt unter anderem daran, dass verschiedene Prozesse und Wechselwirkungen im Klimasystem noch immer nicht vollständig verstanden werden. Zudem werden einzelne Prozesse aufgrund von Defiziten in der numerischen Umsetzung in den Modellen nur vereinfacht abgebildet und je nach Modell unterschiedlich parametrisiert. Um die Unsicherheiten in den Aussagen der möglichen zukünftigen Entwicklung zu verdeutlichen, sollten stets die Ergebnisse verschiedener Modelle mit unterschiedlichen methodischen Ansätzen gemeinsam betrachtet werden (Modell-Ensemble). So wird die Bandbreite möglicher Entwicklungen aufgezeigt. Je einheitlicher die Aussagen des Ensembles bzgl. Bandbreite und Richtung der Entwicklungen sind, desto "robuster" ist das Klimasignal. Voraussetzung hierbei ist ein möglichst großes Ensemble von unabhängigen Mitgliedern.
| Organisation | Count |
|---|---|
| Bund | 40 |
| Land | 24 |
| Weitere | 4 |
| Wissenschaft | 13 |
| Type | Count |
|---|---|
| Förderprogramm | 26 |
| Text | 17 |
| unbekannt | 11 |
| License | Count |
|---|---|
| Geschlossen | 22 |
| Offen | 32 |
| Language | Count |
|---|---|
| Deutsch | 49 |
| Englisch | 11 |
| Resource type | Count |
|---|---|
| Archiv | 1 |
| Bild | 4 |
| Dokument | 10 |
| Keine | 19 |
| Unbekannt | 1 |
| Webseite | 27 |
| Topic | Count |
|---|---|
| Boden | 40 |
| Lebewesen und Lebensräume | 49 |
| Luft | 54 |
| Mensch und Umwelt | 54 |
| Wasser | 42 |
| Weitere | 54 |