Atmosphärische Modelle verwenden eine Schnittstelle zwischen dem Landoberflächenmodell und der Parametrisierung der Flüsse in der atmosphärischen Grenzschicht (ABL). Über eine Parameterisierung der Prandtlschicht (engl. surface layer scheme) werden Impuls-, Wärme- und Feuchtigkeitsflüsse zwischen der Oberfläche und der untersten atmosphärischen Modellschicht ausgetauscht. Bei diesem Ansatz wird eine „Blending Height“ eingeführt, bei der die Oberflächenflüsse über einer heterogenen Landoberfläche als homogen auf der Gitterskala betrachtet werden. In dieser Höhe, die innerhalb der untersten atmosphärischen Modellschicht angenommen wird, findet der Übergang zur ABL-Parametrisierung statt. Bei konvektionserlaubenden (CP) Modellsimulationen (Gitterskala < 3 km) über heterogener Vegetation können die unteren Modellschichten jedoch unterhalb der „Blending Height“ liegen, was zu Fehlern in den simulierten Flüssen führt. Eine große Herausforderung bei der atmosphärischen Modellierung ist die Parametrisierung der Schnittstelle zwischen heterogener dynamischer Vegetation und ABL unter instabilen, stabilen und neutralen Bedingungen mit Advektion aus verschiedenen Windrichtungen. Dementsprechend sind unsere Ziele die Identifizierung der „Blending Height“ in Abhängigkeit von der Heterogenität und dem Zustand der Vegetation sowie von den atmosphärischen Randbedingungen und die Quantifizierung des Einflusses der Vegetationsheterogenität auf die Energieflüsse in der „Blending Height“. Die Ergebnisse werden verwendet, um repräsentative, skalenabhängige Flüsse auf dieser Ebene für Land-Atmosphären (L-A) Rückkopplungsstudien und Turbulenzparametrisierungen abzuleiten. WRF-NoahMP-Gecros-Modellsimulationen von der CP- bis zur Large-Eddy-Skala werden mit Beobachtungen an den LAFO- und MOL-RAO-Standorten verglichen, um die „Blending Height“ und die effektiven Rauhigkeitsparameter der Vegetation für CP-Simulationen in Abhängigkeit von den atmosphärischen Rahmenbedingungen zu ermitteln. Die Simulationen werden über die Cross Cutting Working Group (CCWG)-MME in das Multi Model Experiment (MME) eingebettet. Die Auswirkungen der Heterogenität auf die Stärke der L-A-Rückkopplung werden untersucht und das Verständnis der Austauschprozesse zwischen Oberfläche und Atmosphäre sowie innerhalb der ABL verbessert. Die Synergie dieser Modellergebnisse und 3D-Beobachtungsdaten wird genutzt, um die skalenabhängigen Auswirkungen der dynamischen Vegetationsheterogenität auf die Energieflüsse in der „Blending Height“ zu untersuchen. Dieses Projekt befasst sich mit den LAFI-Hauptzielen 2, 3, 4, S und E. Es ist an der CCWG-MME und der CCWG-DL beteiligt. Die Simulationen werden in Zusammenarbeit mit den Projekten P6, P8 und P9 durchgeführt. P2 liefert den Blattflächenindex und den Anteil der Vegetationsdecke für die Initialisierung des Modells. Die LAFI-Beobachtungen von P1-P5 werden für die Modellevaluation verwendet.
Ziel ist es ein Netzwerk meteorologischer Stationen in der Atacama zu etablieren. Diese Arbeit wird aktiv von unseren Partnern in Chile unterstützt. Gegenwärtig gibt es nur vereinzelt meteorologische Stationen am Küstenstreifen und fast keine im Kern der Atacama Wüste. Ein weiteres Ziel ist die bodengestützten Observationen mit Fernerkundungsdaten zu vereinen. Beide Datensätze werden als Test für die Zuverlässigkeit von Klimamodellen dienen, die das heutige Klima beschreiben. Auf Basis dieser Tests werden Klimamodelle für das Klima in der Vergangenheit entwickelt. Letztere würden mit Klimaproxydaten anderer Teilprojekte verifiziert werden.
Abschmelzende Gletscher liefern einen von drei Hauptbeiträgen zum globalen Meeresspiegelanstieg, zusammen mit der Wärmeausdehnung des Meereswassers und den Massenverlusten der Eisschilde in Grönland und der Antarktis. Im 20. Jahrhundert waren sie sehr wahrscheinlich die Hauptursache des Meeresspiegelanstiegs. In den kommenden Jahrhunderten wird der Massenverlust von Grönland und der Antarktis signifikant steigen, während der Gletscherbeitrag durch ihre relativ geringe Größe begrenzt wird. Dieser Anteil wird im 21. Jahrhundert jedoch beträchtlich und über die nächsten mindestens 300 Jahre nicht unbedeutend bleiben. Ein anthropogener Beitrag zur Gletscherschmelze ist in der zweiten Hälfte des 20. Jahrhunderts eindeutig feststellbar, und in den vergangenen Jahrzehnten sind anthropogene zu den Hauptursachen der Gletscherschmelze geworden. Die Reaktion der Gletscher auf Treibhausgasemissionen hängt jedoch von der zeitlichen Abfolge der Emissionen ab. Das zentrale Ziel des beantragten Projekts ist es, die Zuordnung von Verantwortlichkeiten für durch Gletscher verursachte, regionale Meeresspiegeländerungen zu spezifischen Emissionspfaden der Vergangenheit zu ermöglichen. Im Einzelnen werden wir- die Klimasensitivität der globalen Gletschermasse unter Berücksichtigung ihrer Abhängigkeit vom Grundzustand des Klimasystems quantifizieren;- die räumliche Verteilung dieser Sensitivität berechnen, wobei zwischen verschiedenen Strahlungsantriebsmechanismen unterschieden wird (d. h. CO2 und andere langlebige Treibhausgase, Aerosole und Landnutzungsänderung);- regionale Meeresspiegeländerungen ermitteln, die durch die Reaktion der Gletscher auf den Strahlungsantrieb des Klimasystems verursacht werden, wieder mit Unterscheidung verschiedener Mechanismen;- die Informationen über regionale Meeresspiegelmuster mit bestimmten realen, historischen Emissionspfaden (z. B. denen individueller Länder) verbinden, um Verantwortlichkeiten für durch Geltscher verursachte regionale Meeresspiegeländerungen Verursachern zuzuordnen;- die zeitliche Entwicklung von durch Gletscher verursachter Meeresspiegeländerungen ermitteln, die von einem bestimmten Emissionspfad verursacht wurden;- den Ansatz validieren durch Anwendung des globalen Gesamtstrahlungsantriebs, um entsprechende globale Gletschermassenverluste zu rekonstruieren, sowie durch Vergleiche mit Beobachtungsdaten von Gletschern. Mithilfe dieser Schritte wird es uns beispielsweise möglich, Fragen wie die folgenden zu beantworten:- Wie gestaltet sich die Verantwortlichkeit Deutschlands - angesichts seines historischen Emissionspfades - für durch Gletscher verursachte Meeresspiegeländerungen in Indonesien?- Wie viel dieser Meeresspiegeländerungen ist bereits erfolgt, und wie war der zeitliche Ablauf?- Wie viel Meeresspiegeländerung wird in Zukunft erfolgen, und wie wird zeitliche Ablauf sein?- Was sind die Unsicherheiten bei dieser Zuordnung von Verantwortlichkeit?
Die Charakterisierung der Land-Atmosphäre (L-A)-Rückkopplung erfordert detaillierte Untersuchungen des Bodens, der Landbedeckung und der Atmosphäre bis hin zur unteren freien Troposphäre. Fast alle aktuellen Observatorien und Beobachtungsnetzwerke konzentrieren sich nur auf Teilkomponenten des L-A-Systems. Ziel des Projekts P1 der Forschungsgruppe Land-Atmosphäre Feedback Initiative (LAFI) ist es, am Land-Atmosphäre Feedback Observatorium (LAFO) der Universität Hohenheim ein umfassendes Feldprogramm auf heterogenem Agrarland zu realisieren, das diese Beobachtungslücken schließt. Dieses wird durch die Messungen von Profilen der Schlüsselvariablen in allen drei Kompartimenten und die Charakterisierung ihrer horizontalen Strukturen in einer heterogenen Landschaft ermöglicht. Darüber hinaus werden wir einen 20-Jahres-Datensatz analysieren, der am MOL-RAO des DWD gesammelt wurde und die wichtigsten L-A-Systemvariablen für die Ableitung statistischer Metriken, Oberflächenflüsse und die Schließung des Energiehaushalts mit besonderem Schwerpunkt auf Hitzewellen und Dürren abdeckt. Am LAFO werden wir über mindestens eine Vegetationsperiode (Frühling-Herbst 2025) eine General Operations Period (GOP) in Kombination mit fünf Intensiven Observations Periods (IOPS) durchführen, um L-A-Feedbackprozesse zu charakterisieren. Neben etablierten Messtechniken wie Flusskammern und Eddy-Kovarianz-Systemen sowie Doppler-Lidar-Systemen werden wir neue Techniken einsetzen. Dazu gehören Isotopensensoren zur Unterscheidung zwischen Verdunstung und Transpiration, faseroptische Sensoren im Boden, in der Vegetation und in der Prandtl-Schicht für Temperatur- und Windmessungen, die Messung von Profilen der Strahlung, der Temperatur und Luftfeuchtigkeit in der Vegetation sowie unbemannte Luftfahrzeuge zur Kartierung von Landoberflächeneigenschaften und hochauflösende scannende Raman- und Differentialabsorptions-Lidarsysteme zusammen mit Doppler-Lidar-Systemen zur Ableitung dreidimensionaler turbulenter Eigenschaften der Oberflächenschicht und der atmosphärischen Grenzschicht mit besonderem Schwerpunkt auf Entrainment. P1 ist für alle anderen Projekte von unmittelbarer Bedeutung und dient als Schwerpunkt von LAFI. P2-P6 und P11 werden zur Sensorsynergie beitragen und die Daten unter verschiedenen wissenschaftlichen Aspekten analysieren. P7-P9 modellieren die gesamte GOP und verwenden die P1-Daten für Vergleiche von Feedback-Metriken und Prozessdarstellungen sowie für die Modellevaluation. P10 wird die P1-Daten mithilfe von Deep-Learning-Methoden analysieren. Die in P1 durchgeführten Messungen liefern die wesentliche Grundlage, um alle sechs Forschungsziele zu erreichen und alle Hypothesen von LAFI zu überprüfen. Ebenso stützen sich alle bereichsübergreifenden Arbeitsgruppen auf die Beobachtungen von P1. Durch das Design und die Durchführung der LAFI GOP und IOPs erwarten wir neue Erkenntnisse über L-A-Rückkopplungen und -Prozesse in Agrarlandschaften.
Die Gesundheitsfolgen des Klimawandels sind bisher aufgrund ihrer Komplexität unzureichend erforscht. So beeinflusst der Klimawandel die menschliche Gesundheit auf verschiedenen, oft indirekten Wegen: Typische Wirkungspfade in Sub-Sahara Afrika sind verringerte landwirtschaftliche Erträge mit Auswirkungen auf Ernährung, Hitzestress und hydro-klimatische Extreme und deren Auswirkungen auf die Malariaprävalenz. Es reicht also nicht, nur direkte Klimavariablen als erklärende Größen zu verwenden. Dieses Teilprojekt liefert deshalb neben raum-zeitlich hoch aufgelösten Klimagrößen auch bio-physikalische Klimafolgenindikatoren wie hydro-klimatischer Extreme (Dürren und Hochwasser) und landwirtschaftliche Ertragsdynamiken zur Beschreibung von Gesundheitsfolgen. Die Übersetzung historisch beobachteter Klimadaten und hochaufgelöster Klimaprojektionen in relevante Klimafolgenindikatoren (landwirtschaftliche Erträge, Wasserverfügbarkeit, Überflutungsflächen, etc.) erfolgt über ein regionales Klimafolgenmodell, das hydrologische und Vegetationsprozesse sowie landwirtschaftliches Management und Produktion integriert. Die Daten stehen dann als erklärende Variablen zur Ableitung der Klimawirkungsfunktionen aus Gesundheitsdaten zur Verfügung, wo entsprechende Beobachtungsdaten fehlen. Einmal definiert, werden die Wirkungsfunktionen verbunden mit den Klima- und biophysikalischen Klimafolgensimulationen genutzt, um i) Gesundheitsprojektionen für die Zukunft zu erstellen und dabei nichtlineare Wirkungen des Klimawandels über bio-physikalische Indikatoren zu berücksichtigen, ii) mögliche Anpassungsoptionen zu bewerten und iii) die Gesundheitsfolgen für die Zielländer über räumlich aufgelöste Prädiktoren hochzuskalieren und für die sozio-ökonomische Folgenuntersuchung bereit zu stellen. In den ersten 3 Jahren lag der Schwerpunkt auf technischen Aspekten und methodischen Arbeiten in Bezug auf das Klima-Downscaling und die Modellierung der biophysikalischen Eingangsdaten für die Gesundheitsreaktionsfunktionen. Mit den neuen 1 km-Klimadaten sind wir sogar über das ursprünglich geplante Ziel der räumlichen Detaillierung hinausgegangen, was folglich eine höhere Auflösung der biophysikalischen Wirkungsdaten für die Wirkungsreaktionsfunktionen ermöglichte. Damit ist ein klarer Fahrplan für die in der nächsten Projektphase geplanten Studien vorgegeben, welche zum Ziel haben, den Teilprojekten die von ihnen benötigten Klimafolgendaten zur Verfügung zu stellen und sie bei der mathematischen Modellierung zu unterstützen: i) Zusammenstellung und Prüfung der 1 km-Klimadaten für Burkina Faso und Kenia ii) 1 km kontrafaktische Klimadaten zur Zuordnung von Gesundheitsauswirkungen iii) Simulation und Test von hochauflösenden biophysikalischen Daten für Burkina Faso und Kenia unter Szenariobedingungen iv) Zusammen mit den Projektpartnern Formulierung von Adaptation-Response-Functions v) Bereitstellung von biophysikalischem und gesundheitsbezogenem Input für ökonomische Modellierung
Klimafolgen werden typischerweise aus kombinierten Ereignissen (CEs) verursacht, also multivariate Kombinationen von klimatischen Treibern. Beispielsweise kann ein gleichzeitig heißer und trockener Sommer zu Vegetationsschäden führen, deren Auswirkungen oft die von Hitzewellen und Dürren für sich genommen übertreffen; gleichzeitige Waldbrände in mehreren europäischen Ländern können gemeinsam genutzte Einsatzmittel wie Löschflugzeuge überlasten und somit zu größeren Schäden führen. In den letzten Jahren ist aufgrund der Erkenntnis, dass eine univariate Perspektive auf Gefahren Klimarisiken möglicherweise stark unterschätzen und zu Fehlanpassungen führen kann, eine wachsende Zahl wissenschaftlicher Literatur zu CEs entstanden. Unser Verständnis von CEs, einschließlich der Quantifizierung, wie häufig sie auftreten und wie sie sich in Zukunft ändern werden, ist jedoch noch sehr begrenzt. Besonders die begrenzte Anzahl von Beobachtungen und routinemäßig verwendeten Klimamodellergebnissen macht die Forschung zu CEs sehr herausfordernd. Beispielsweise könnte man auf der Grundlage von einem kleinen Stichprobenumfang schlussfolgern, dass CEs an Orten selten sind, wo sie stattdessen sehr häufig sind. Das Hauptziel von ADVICE besteht darin, das volle Potenzial neuartiger Ensembles von Klimamodellen (SMILEs) auszuschöpfen, die Hunderte bis Tausende von Jahren an Daten des gegenwärtigen und zukünftigen Klimas liefern, um unser Verständnis von CEs zu erweitern. ADVICE baut auf früheren bahnbrechenden Beiträgen zur Erforschung von CEs durch den PI auf. Zwei Doktorand*innen werden gleichzeitig auftretendes Feuerwetter in europäischen Ländern und mehrjährige Dürren untersuchen, welche Ökosystemauswirkungen verstärken können, während ein Postdoc und der PI eine Reihe anderer CE-Typen untersuchen werden. ADVICE wird CE-Häufigkeiten und die damit verbundenen Unsicherheiten quantifizieren und so Informationen über Regionen mit erhöhtem CE-Risiko liefern. ADVICE wird Worst-Case-CEs untersuchen, die besonders extreme sozioökonomische Auswirkungen haben können. Die angemessene Kommunikation von Unsicherheiten in Prognosen ist unerlässlich, um irreführende Risikobewertungen zu vermeiden. Daher wird ADVICE verschiedene zukünftige Klimaentwicklungen abschätzen, einschließlich plausibler Worst-Case-Szenarien. Darüber hinaus werden Methoden zur Reduzierung von Unsicherheiten in CE-Projektionen untersucht. Insgesamt wird ADVICE die wichtigsten Vorteile von SMILEs für die Untersuchung von CEs sowie Informationen über die Fähigkeit von Klimamodellen bei der Darstellung von CEs herausarbeiten, was für Klimawissenschaftler*innen wichtig ist. Angesichts der Notwendigkeit einer multivariaten Perspektive in der Risikobewertung, werden die Ergebnisse von ADVICE zu verbesserten Klimarisikoabschätzungen beitragen, was letztendlich die Entwicklung der Anpassung an den Klimawandel unterstützen wird.
Ein wesentlicher Aspekt dieses Projektes ist es, eine verbesserte Darstellung von Bodenkrusten (biotisch uns abiotisch) in Modellen für äolische Erosion und Transportprozesse zu entwickeln. Ziel ist es, die langfristige Wechselwirkung zwischen äolischen, biologischen und Bodenbildungs-Prozessen, beeinflusst von atmosphärischen Parametern wie z.B. Luftfeuchtigkeit, in der Atacama Wüste zu untersuchen. Es besteht ein starker Bezug zu biologischen, boden- und materialkundlichen Teilprojekten des SFB.
Dieses Projekt zielt darauf ab ein Schließungsschema für die atmosphärische Zirkulation zu entwickeln welches für die numerische Trunkierung im Bereich der geschichteten Makroturbulenz nutzbar ist. Ein Schwerpunkt liegt dabei auf Erhaltungseigenschaften und Skaleninvarianz. Hochaufgelöste Lidar- und Radarmessungen von Temperatur und Wind sowie eine Reihe anderer Messungen werden benutzt um horizontale und vertikale Spektren der oberen Troposphäre und der Mesosphäre zu konstruieren und um Modellergebnisse zu validieren.
Der Umsetzungsplan der COP27 enthält eine sehr klare Aussage. "Ein Drittel der Welt, darunter 60% von Afrika, hat keinen Zugang zu Frühwarn- und Klimainformationsdiensten". Dies gilt vor allem für niederschlagsbezogene Warnungen. Der Grund dafür ist das fast vollständige Fehlen von Wetterradaren auf in Afrika und die mangelnde Dichte von Niederschlagsmessstationen. Im Gegensatz dazu sind geostationäre Satelliten (GEOsat) und potentiell auch kommerzielle Richtfunkstrecken (CML) und Satelliten-Mikrowellenverbindungen (SML) nahezu in Echtzeit verfügbar und können zur Niederschlagsschätzung verwendet werden. Die quantitative Niederschlagsschätzung (QPE) aus GEOsat-Daten ist jedoch aufgrund der indirekten Beziehung zwischen der Niederschlagsmenge und den tatsächlichen Messungen, die im sichtbaren und infraroten Spektrum durchgeführt werden, eine Herausforderung. Für die QPE aus SML- und CML-Daten, insbesondere auf der Grundlage groß angelegter CML-Studien in Europa, wurde gezeigt, dass sie mit der QPE aus Radar- und Regenmessern gleichwertig sein kann. In Ermangelung von Referenzdaten, wie es in Entwicklungsländern häufig der Fall ist, sind die bestehenden maßgeschneiderten semi-empirischen Prozessierungsmethoden jedoch oft nicht direkt anwendbar. GEOsat-Daten haben das Potenzial, die CML/SML-Prozessierung in diesen Regionen zu unterstützen, und umgekehrt könnte die CML/SML-QPE zur Anpassung der GEOsat-QPE verwendet werden. Das übergeordnete Ziel des Projekts MERGOSAT ist daher die Entwicklung neuartiger Methoden zur Erstellung verbesserter Echtzeit-Niederschlagskarten für datenarme Regionen durch eine Kombination von GEOsat-Daten und CML/SML-QPE. Um dieses Ziel zu erreichen, werden wir uns auf drei Aspekte konzentrieren: 1) Schaffung einer Grundlage für allgemeinere CML/SML-QPE-Modelle durch Verbesserung des Verständnisses der Prozesse die die EM-Ausbreitung von CML und SML beeinflussen. 2) Entwicklung geeigneter CML/SML-QPE-Modelle, die in datenarmen Regionen anwendbar sind, aufbauend auf den neuen Erkenntnissen über WAA und DSD und unter innovativer Nutzung von GEOsat-Daten. 3) Verbesserung der GEOsat-QPE mit DeepLearning-Methoden und Entwicklung eines neuen Verfahrens, das die Zusammenführung mit CML/SML-Daten mit sub-stündlicher Auflösung ermöglicht. Wir werden unsere Forschung auf unser umfangreiches Archiv von CML-Daten, auch aus Afrika, und die zunehmende Verfügbarkeit von SML-Daten stützen. Zusätzliche Daten aus Feldexperimenten werden mit modernsten Simulationen der EM-Ausbreitung kombiniert. Darüber hinaus werden wir neueste Techniken des DeepLearnings und unsere Hochleistungs-Recheninfrastruktur nutzen. In Kombination mit den erweiterten Fähigkeiten des kürzlich gestarteten MTG GEOsat wird uns dies ermöglichen, unsere Ziele erfolgreich anzugehen und die methodische Grundlage zu schaffen, die erforderlich ist, um datenarme Regionen mit verbesserten und zuverlässigen Niederschlagsinformationen nahezu in Echtzeit zu versorgen.
Dieses Teilprojekt untersucht die Rolle von spontanen Emissionen und die anschließende Anregung von internen Schwerewellen für die interne Dissipation in quasi-balancierten Strömungen unter Bedingungen die charakteristisch für die globale Ozeanzirkulation sind. Wir werden das Thema, mit Hilfe einer Kombination von verbesserter Diagnose, einem Verständnis der Prozesse in idealisierten Modellumgebungen und einer genauen Analyse von Schwerewellenaktivität in einem Ozeanzirkulationsmodell basierend auf den primitiven Gleichungen bearbeiten.
| Organisation | Count |
|---|---|
| Bund | 70 |
| Kommune | 1 |
| Wissenschaft | 67 |
| Type | Count |
|---|---|
| Förderprogramm | 70 |
| License | Count |
|---|---|
| Offen | 70 |
| Language | Count |
|---|---|
| Deutsch | 69 |
| Englisch | 64 |
| Resource type | Count |
|---|---|
| Keine | 28 |
| Webseite | 42 |
| Topic | Count |
|---|---|
| Boden | 44 |
| Lebewesen und Lebensräume | 55 |
| Luft | 62 |
| Mensch und Umwelt | 70 |
| Wasser | 45 |
| Weitere | 70 |