english  | Home | Datenschutz | Sitemap | KIT

Neuronale Netze lernen Grenzschichtmeteorologie

Abb. 1: Das 6-3-2 neuronale Netz mit sechs Eingangsknoten, einer verborgenen Schicht und zwei Ausgangsknoten.

Die turbulenten Flüsse von Impuls, Wärme, Wasserdampf und Spurengasen sind das Bindeglied zwischen Atmosphäre und Erdoberfläche. Die wirklichkeitsnahe Modellierung dieser Flüsse ist daher für die Güte von Klimasimulationen wesentlich. In Klimamodellen werden die Flüsse (bzw. entsprechenden Kovarianzen) mittels der Skalengeschwindigkeit u* und der Skalentemperatur T* parametrisiert. Diese hängen von der bodennahen Windgeschwindigkeit und Temperatur sowie der Rauigkeit und der atmosphärischen Stabilität ab. Im Rahmen der meist verwendeten Monin-Obukhov-Theorie werden zur Bestimmung dieser Größen sogenannte Stabilitätsfunktionen verwendet. Diese Funktionen wurden von verschiedenen Autoren aus einigen wenigen Feldexperimenten empirisch bestimmt und weisen insbesondere bei starker atmosphärischer Schichtung eine erhebliche Streuung auf.

Im Rahmen einer Masterarbeit haben wir ein künstliches neuronales Netz verwendet, um u* und T* zu bestimmen. Für Training und Validierung des Netzes wurde ein umfangreicher Satz weltweiter Stationsdaten für verschiedene Landnutzungen beschafft. Eine Qualitätsprüfung ergab, dass nicht alle Datensätze mit den Annahmen der Monin-Obukhov-Theorie kompatibel waren, so dass nur ein Teil der Daten verwendet werden konnte. Umfangreiche Sensitivitätsuntersuchungen mit verschiedenen Netzarchitekturen zeigten, dass schon ein relativ kleines 6-3-2-Netz mit sechs Eingabeknoten und einer versteckten Schicht (siehe Abbildung) sowohl hinsichtlich der Qualität der Ergebnisse als auch des Rechenbedarfs zufrieden stellende Ergebnisse liefert. Dieses Netzwerk wurde anstelle der Standardroutine in ein Landoberflächenmodell eingebaut und gab im Vergleich mit dem Standardmodell ähnlich gute und teilweise bessere Ergebnisse. Als Nächstes soll die Routine in ein dreidimensionales regionales Klimamodell eingebaut und getestet werden.

Literatur: Leufen, L. and Schädler, G.: Calculating the turbulent fluxes in the atmospheric surface layer with neural networks. Eingereicht bei GMD.

[Arbeitsgruppe: Regionales Klima und Wasserkreislauf]