Institut für Meteorologie und Klimaforschung

MarNet

  • Ansprechpartner:

    Dr. G. Schädler

    Dr. M. Breil

  • Projektgruppe:

    IMK-TRO

  • Förderung:

    BMBF

  • Starttermin:

    2020

  • Endtermin:

    2023

Identifikation und Statistiken von Extremereignissen mit Markov-Ketten und Klimanetzwerken (MarNet)
 

Das Projekt MarNet ist in Modul B der Fördermaßnahme „ClimXtreme –Klimawandel und Extremereignisse" des BMBF angesiedelt. Ziel von MarNet ist es, die klassischen Ansätze zur Erkennung und Analyse von Extremereignissen mit Hilfe von Klimanetzwerken und Markov-Ketten, also Methoden, die bislang wenig im Zusammenhang mit Klimaextremen verwendet werden, zu erweitern.

Ein Klimanetzwerk besteht aus einzelnen Knoten, die über Kanten miteinander verbunden sind. Knoten können dabei Messstationen oder auch Gitterpunkte eines Klimamodells sein. Derartigen Knoten können als statistisch miteinander verbunden betrachtet werden, wenn die Korrelation meteorologischer Zeitreihen an diesen Knoten einen Schwellenwert überschreiten. Durch die Analyse der so entstandenen Netzwerke mit Hilfe graphentheoretischer und statistischer Methoden sollen kollektive Erscheinungen wie Hitzewellen oder Dürreperioden gefunden und ursächliche physikalische Zusammenhänge im Klimasystem untersucht werden; dabei liegt der Schwerpunkt auf der Identifikation räumlicher und zeitlicher Muster. Ein Beispiel für die Anwendung eines solchen Klimanetzwerks auf Klimaextreme ist die Studie von Weimer et al. (2016). Im Rahmen dieser Studie wurden Hitzewellen mit Hilfe der sogenannten Link Strength, welche ein Maß für die Korrelation zwischen den einzelnen Knoten darstellt, untersucht. Abbildung 1 zeigt dies am Beispiel der PRUDENCE-Region Frankreich.

Bei einer Markov-Kette werden die Übergangswahrscheinlichkeiten zwischen verschiedenen Systemzuständen (z.B. extrem/nicht-extrem) aus Zeitreihen bestimmt und daraus eine Übergangsmatrix gebildet. Durch die Analyse dieser Übergangsmatrix mit Hilfe verschiedener Deskriptoren können relevante Eigenschaften einer solchen Markov-Kette bestimmt werden, z.B. die Neigung des Systems, in einem gegebenen Zustand zu verweilen oder wie gut diese Übergänge vorhergesagt werden können. Auf diese Weise können Markov-Ketten dazu genutzt werden, die Häufigkeit, die Dauer und die Regelmäßigkeit gegenwärtiger Extremereignisse zu analysieren und deren zukünftige Änderung abzuschätzen. Sedlmeier et al. (2016) nutzen z.B. Markov-Ketten, um die Eigenschaften kombinierter Extremereignisse in Europa zu beschreiben.

Mit Hilfe dieser neuen Methoden soll MarNet neue Einblicke in die Eigenschaften von Klimaextremen gewähren, welche mit konventionellen Methoden schwierig oder unmöglich zu erzielen sind. Das Hauptaugenmerk wird dabei auf Hitzewellen, Dürren und deren Kombinationen in Europa liegen. Bei beiden Methoden werden umfangreiche Beobachtungs- und Modelldatensätze Verwendung finden. So stehen als Beobachtungen die E-OBS und HYRAS Datensätze sowie auch die ERA-Reanalysen zur Verfügung. Bei den Modelldaten kann auf Modell-Ensembles wie z.B. das MiKlip-Ensemble, die EURO-CORDEX Simulationen und ein in unserer Arbeitsgruppe erzeugtes konvektionsauflösendes Ensemble zurückgegriffen werden, welche sowohl die Gegenwart als auch die Zukunft in unterschiedlichen räumlichen Auflösungen abdecken (0.44° bis zu konvektionsauflösenden Simulationen mit 0.025°).

 

Literatur:

Sedlmeier, K., Mieruch, S., Schädler, G., Kottmeier, Ch., 2016: Compound extremes in a changing climate –A Markov Chain approach. Nonlin. Processes Geophys., 23,375-390, doi:10.5194/npg-23-375-2016.

Weimer, M., Mieruch, S., Schädler, G., Kottmeier, Ch., 2016: A new estimator of heat periods for decadal climate predictions –a complex network approach. Nonlin. Processes Geophys., 23, 307–317, doi:10.5194/npg-23-307-2016.

 

Abbildung 1: Konventionell bestimmte Anzahl der Hitzewellen (durchgezogene Linien) und die entsprechende Link Strength des Klimanetzwerks (gestrichelte Linien) für die PRUDENCE-Region Frankreich für unterschiedliche Dekaden. Verwendete Daten: E-OBS. Aus Weimer et al. (2016).