Die Wechselwirkung zwischen der variablen großräumigen Zirkulation und arktischen regionalen Klimamustern werden untersucht. Wir werden den Grad der arktischen Verstärkung auf regionaler Skala in Rückkopplung mit großskaliger Dynamik und deren vergangenen und vorhergesagten Änderungen diagnostizieren. Die zentrale Frage ist zu welchem Grad die regionalen arktischen Klimaänderungen und arktische Verstärkung durch Änderungen in großräumigen horizontalen Wärmeflüssen, planetaren Wellenströmungen (insbesondere während plötzlicher stratosphärischer Erwärmungen), sowie durch allgemeine troposphärische und stratosphärische Zirkulationsmustern beeinflusst werden. Ausgedrückt wird diese in Form von der Variabilität der nordhemisphärischen Zirkulation, wie z. B. der Nordatlantischen Oszillation und der nördlichen jährlichen Mode.
Die 4D-Var Datenassimilation (4D-var DA) ist eine spezielle Methode, die zur Initialisierung von Klima- und Wettervorsagen durch die Schätzung von Klimamodellparametern benutzt wird, in dem Modelle an beobachtende Daten angepasst werden. Aus verschiedenen Gründen führen DA unvermeidliche methodische Fehler ein, die sich auf die Genauigkeit der Modellvorhersagen auswirken. Aktuelle Methoden zur Fehlerkorrektur brauchen erhebliche Computerressourcen. Dies ist ein Grund, warum die Verwendung dieser Methoden in der Klimamodellierung begrenzt ist und sie nur in vereinfachten Versionen angewandt werden. Die Entwicklung einer konzeptuell neuartigen, robusten und effizienten, nichtlinear-variationellen Fehlerschätzungsmethode (NOVFEM) ist Ziel dieses Projekts. Diese Methode wird Fehler von DA Methoden schätzen und die notwendigen Korrekturen bestimmen. Im Besonderen ist es geplant, VOVFEM im Rahmen einer Anwendung in Klimavorhersagesystemen zu entwickeln. Der Vorteil der vorgeschlagenen Methode ist, dass der Algorithmus auf einer abstrakten mathematischen Formulierung basiert und deshalb in vielen geophysikalischen Bereichen angewandt werden kann. Eine weitere Innovation dieses Projekts ist die Entwicklung einer Methode zur schnellen und einfachen Berechnung von inversen Kovarianzmatrizen, die z. B. Anwendung in DA finden. Die vorgeschlagenen Methode ist im Vergleich mit existieren Methoden effizienter. Es wird erwartet, dass die theoretischen Ergebnisse dieses Projekt national und international veröffentlicht werden und ein freier Zugang zur NOVFEM Software wird bereitgestellt werden.
Confronting Climate Change is one of the paramount societal challenges of our time. The main cause for global warming is the increase of anthropogenic greenhouse gases in the Earth's atmosphere. Together, carbon dioxide and methane, being the two most important greenhouse gases, globally contribute to about 81% of the anthropogenic radiative forcing. However, there are still significant deficits in the knowledge about the budgets of these two major greenhouse gases such that the ability to accurately predict our future climate remains substantially compromised. Different feedback mechanisms which are insufficiently understood have significant impact on the quality of climate projections. In order to accurately predict future climate of our planet and support observing emission targets in the framework of international agreements, the investigation of sources and sinks of the greenhouse gases and their feedback mechanisms is indispensable. In the past years, inverse modelling has emerged as a key method for obtaining quantitative information on the sources and sinks of the greenhouse gases. However, this technique requires the availability of sufficient amounts of precise and independent data on various spatial scales. Therefore, observing the atmospheric concentrations of the greenhouse gases is of significant importance for this purpose. In contrast to point measurements, airborne instruments are able to provide regional-scale data of greenhouse gases which are urgently required, though currently lacking. Providing such data from remote sensing instruments supported by the best currently available in-situ sensors, and additionally comparing the results of the greenhouse gas columns retrieved from aircraft to the network of ground-based stations is the mission goal of the HALO CoMet campaign. The overarching objective of HALO CoMet is to improve our understanding and to better quantify the carbon dioxide and methane cycles. Through analysing the CoMet data, scientists will accumulate new knowledge on the global distribution and temporal variation of the greenhouse gases. These findings will help to better understand the global carbon cycle and its influence on climate. These new findings will be utilized for predicting future climate change and assessing its impact. Within the frame of CoMet and due to the operational possibilities we will concentrate on small to sub-continental scales. This does not only allow to identify local emission sources of greenhouse gases, but also opens up the opportunity to use important remote sensing and in-situ data information for the inverse modelling approach for regional budgeting. The project also aims at developing new methodologies for greenhouse gas measurements, and promotes technological developments necessary for future Earth-observing satellites.
Die Atmosphäre und die Vegetation der Erdoberfläche beeinflussen sich gegenseitig durch bidirektionale Austauschprozesse. Modelle zur Wetter- und Klimavorhersage basieren auf einem mechanistischen Verständnis dieser Interaktionen. Die Vorhersagen und die grundlegenden Theorien funktionieren allerdings nur im Falle einer gut durchmischten (turbulenten) atmosphärischen Grenzschicht. Wenn jedoch stabile atmosphärische Bedingungen vorherrschen, wie typischerweise nachts der Fall, dann sind die bisherigen Theorien nicht ausreichend, um zuverlässige Vorhersagen zu treffen. Um oberflächennahe turbulente Austauschprozesse während stabiler atmosphärischer Schichtung mechanistisch zu verstehen und neue Theorien zu entwickeln, sind zunächst neuartige Mess- und Analyse-Methoden notwendig. Ziel dieses Projekts ist die Beobachtung und Charakterisierung von oberflächennahen Prozessen in der stabilen atmosphärischen Grenzschicht durch eine neuartige Kombination von Mess- und Analysemethoden. Mit einem hochauflösenden in-situ Messkubus (20x20x5m), der sich innerhalb eines größeren mittels Fernerkundung überwachten Raumes (500x500x1000m) befindet, können Bewegung und Strukturen von Temperatur gleichzeitig in Raum und Zeit erfasst werden. Dieser skalenübergreifende Ansatz erlaubt es, nicht-periodische, nicht gut gemischte und räumlich heterogene Bewegungen der Luft nahe der Erdoberfläche zu erfassen. Die gewonnenen Daten werden mittels neuester stochastischer Auswerteverfahren analysiert, um die (nicht-)turbulenten Bedingungen und deren Durchmischung zu charakterisieren. Der wissenschaftliche Gewinn des Projektes liegt in einem wegweisenden innovativen Ansatz, um Modelle in den Bereichen Strömungsmechanik und Erd-System Wissenschaften zu validieren, und so zu einem verbesserten Verständnis unseres Lebensraums, der Schnittstelle zwischen Land und Atmosphäre, zu führen.
Downscaling von Atmosphärenmodellausgaben, insbesondere von Niederschlagsdaten, ist erforderlich um Variablen von der niedrigaufgelösten Skala des Modells zur Punktskala des Standortes hin zu transformieren, auf der die entsprechenden Variablen für praktische Anwendungen genutzt werden. Dazu gehören unter anderem, das Füllen von Datenlücken, hydrologische oder glaziologische Anwendungen, Klimaprognosen, Anwendungen in der Bewässerung oder Vorhersagen für Energieversorger. Statistisches Downscaling besteht darin, stochastische Beziehungen zwischen Beobachtungen oder Modellausgaben auf großer Skala, die als Prädiktoren dienen, und die an einem Standort zu schätzende Größe, dem Prädiktand, herzustellen. Die dazu angewandten Beziehungen sind häufig lineare Regressionen, es kommen aber auch nicht-lineare Transformationen, wie nicht-lineare Regressionen oder das Quantile-Matching zur Anwendung. In besagten Fällen wird ein stationärer, homoskedastischer Zusammenhang zwischen stochastischen Variablen angenommen, die zwar den bedingten Erwartungswert, aber nicht die Ränder der Verteilung, welche die meteorologischen Extreme abbilden, adäquat transformieren. Im vorliegendem Antrag wird ein probabilistischer Prozessor für das Downscaling von Niederschlagsdaten als Ansatz vorgeschlagen, der als bedingter Bayesscher Prozessor implementiert wird und die nicht-lineare Umformungen zwischen Prädiktoren von der Meso-Skala hin zur Skala eines Standortes unterstützt. In diesem Zusammenhang werden stochastische Zusammenhänge zwischen Prädiktoren und Prädiktanden im Gaußschen Raum modelliert. Die Methode ermöglicht es, mehrere Indikatoren innerhalb eines räumlichen Fensters von Modellzellen gleichzeitig zu verwenden, und kann auf die Anwendung von Prädiktoren, die von mehreren unterschiedlichen Vorhersagemodellen stammen, ausgeweitet werden. Durch die Anwendung multivariater abgeschnittener Normalverteilungen können auch heteroskedastische Beziehungen von stochastischen Variablen abgebildet, analytisch nach den Prädiktoren marginalisiert und anschließend in den Herkunftsraum zurücktransformiert werden. Das Downscaling der Schätzung des Prädikanten von der Skala der Modellzelle auf den Standort erfolgt anschließend mit Hilfe eines nicht-Markovschen, nicht-stationären stochastischen Wettergenerators. Sowohl der Bayessche Prozessor als auch der stochastische Wettergenerator müssen über ein ausreichend weites Zeitfenster anhand von Beobachtungsreihen und Simulationsergebnissen geeicht und validiert werden.
Die internationale wissenschaftliche Gemeinschaft unternimmt große Anstrengungen in der Erforschung des globalen Klimawandels. Dennoch bestehen immer noch Unsicherheiten und Widersprüche im Hinblick auf Detektion, Ursachenzuweisung und Vorhersage von Klimatrends. Ein Hauptgrund ist der Mangel an genauen und langfristig stabilen Klimabeobachtungen. Dieser Umstand war Anlass für das Intergovernmental Panel on Climate Change (IPCC) Aktionen höchster Priorität für die zukünftige Klimabeobachtung zu definieren. Eine viel versprechendes Werkzeug zur Bewältigung dieses Problems ist die Radio-Okkultationsmethode (RO), welche Signale von Navigationssatelliten (GNSS - Global Navigation Satellite System) verwendet. Die besondere Eignung für Klimabeobachtungen resultiert aus der einzigartigen Kombination von Genauigkeit, Langzeit-Stabilität, globaler Bedeckung und Allwetter-Tauglichkeit. Die größte Genauigkeit von Klimavariablen (wie Temperatur und Geopotentielle Höhe von Druckschichten) wird in der oberen Troposphäre und unteren Stratosphäre (UTLS) erzielt. Die Veränderung der thermischen Struktur in dieser Höhenregion ist ein sensitiver Indikator für den Klimawandel. Hauptziel des Projektes ist in diesem Kontext die Exploration und das Auffinden von Indikatoren des atmosphärischen Klimawandels für die UTLS Region unter Verwendung von RO-basierten Klimatologien, sowie von 'proxy' Re-analyse- und Klimamodelldaten zur Untersuchung des Langzeitverhaltens. Da die vorhandenen RO Klimatologien nur über einen beschränkten Zeitraum (kontinuierliche Beobachtungen gibt es erst seit 2002) zur Verfügung stehen, erweitern wir unseren Beobachtungsdatensatz mit Re-Analysedaten bis ins Jahr 1979 zurück. Simulationsdaten von globalen Klimamodellen, kürzlich für den vierten IPCC Assessment Report (AR4) fertig gestellt, werden als'proxy' Daten bis zum Jahr 2050 verwendet. Die systematische Datenexploration, um die robustesten und sensitivsten RO basierten Trendindikatoren zu finden, erfolgt einerseits mittels vordefinierter Indikatoren über einen Multi-Model/Multi-Ensemble Ansatz, andererseits durch eine neue visualisierungs-basierte Exploration von 4D Feldern. Auf Basis der 'besten' Indikatoren erfolgt eine Untersuchung der RO Klimatologien bezüglich Trenddetektierung mit Hilfe von 'optimal detection (fingerprinting)' Methoden. Zudem wird eine Validierung der Klimamodelle mit Hilfe der Beobachtungsdaten durchgeführt. Ziel von INDICATE ist es, mit der Bereitstellung von optimalen RO basierten UTLS Klimatrend-Indikatoren sowie mit der Validierung von Klimamodellen einen wesentlichen Beitrag zu Monitoring und Erforschung des Klimawandels zu leisten.
| Organisation | Count |
|---|---|
| Bund | 387 |
| Europa | 6 |
| Global | 1 |
| Land | 33 |
| Weitere | 1 |
| Wirtschaft | 2 |
| Wissenschaft | 156 |
| Zivilgesellschaft | 5 |
| Type | Count |
|---|---|
| Ereignis | 2 |
| Förderprogramm | 379 |
| Text | 11 |
| unbekannt | 1 |
| License | Count |
|---|---|
| Geschlossen | 12 |
| Offen | 381 |
| Language | Count |
|---|---|
| Deutsch | 345 |
| Englisch | 89 |
| Resource type | Count |
|---|---|
| Bild | 5 |
| Datei | 2 |
| Dokument | 5 |
| Keine | 202 |
| Webseite | 190 |
| Topic | Count |
|---|---|
| Boden | 251 |
| Lebewesen und Lebensräume | 331 |
| Luft | 372 |
| Mensch und Umwelt | 393 |
| Wasser | 253 |
| Weitere | 388 |