Atmosphärisches Downscaling für die Modellierung von Gebirgsgletschern (DoG)

Weltweit arbeiten Glaziologen und Klimawissenschaftler daran, die Auswirkungen von Klimaänderungen auf Gebirgsgletscher besser zu verstehen und genauer zu quantifizieren. Zwar sind die Modelle, welche Massenänderungen und Bewegungen der Gletscher mit atmosphärischen Variablen verknüpfen bereits sehr ausgereift, es gibt aber große Unsicherheiten in der Bestimmung der atmosphärischen Variablen welche die Gletscher beeinflussen für die Vergangenheit, die Gegenwart, und die Zukunft. Die wissenschaftliche Hypothese, welche dem beantragten Projekt (DoG) zugrunde liegt, ist folgende: Die Unsicherheit in globalen und regionalen Gletschersimulationen kann durch die Verwendung von den geeigneten atmosphärischen Datensätzen und Downscaling-Methoden wesentlich reduziert werden. Um diese Hypothese zu testen, werden wir innovative Downscalingansätze systematisch anwenden, und gründlich in vergletscherten Gebirgsregionen unter verschiedenen klimatischen und topographischen Randbedingungen validieren. Dazu werden Elemente hochmoderner statistischer und sogenannter hybrider Downscaling-Verfahrenkombiniert, undaufalle Variablen, die in prozessorientierten Gletschermassenbilanzmodellen benötigt werden, erweitert.Unter der Berücksichtigungder Zusammenhänge zwischen den verschiedenen physikalischen Variablen (und deren räumlicher Struktur) sollen die Zielvariablen in hohen räumlichen und zeitlichen Auflösungen abgebildet werden. Alle globalen Reanalysedatensätze welche für Gletschermassenbilanzmodellierung relevant sind werden als Prädiktoren für das Downscaling getestet. Regionale Unterschiede in der Qualität der Reanalysedatensätze werden ebenfalls ermittelt. Die Übertragbarkeit der entwickelten Downscaling-Verfahren auf eine Vielzahl von topographischen und klimatischen Randbedingung wirdunter derVerwendungvon in situ Beobachtungsdaten kreuzvalidiert. Auf diese Weise wird DoG unmittelbar zur Reduzierung der Unsicherheiten in prozessorientierten Gletschermassenbilanzmodellen beitragen, welche durch die Verwendung von Reanalysedaten als Antriebsdaten hervorgerufen werden. Über die Glaziologie hinaus betrifft die Diskrepanz zwischen der Auflösung der Atmosphärenmodelle auf der einen Seite, und dem lokalen Wettergeschehen auf der anderen Seite viele wissenschaftliche Fachgebiete (insbesondere Wettervorhersage, alpine Ökologie, erneuerbare Energien aus Wind- und Wasserkraft, Hydrologie, Wassermanagement und Geomorphologie). Das Projekt initiiert eine ganzheitliche Abschätzung der Unsicherheiten in Zirkulationsmodellen (sowie damit zusammenhängenden Datensätzen) für vergletscherte Gebirgsregionen, welche aktuell zu den größten Herausforderungen in der Atmosphärenmodellierung gehören.

Genaue Wetter- und Klimainformation ist für sehr viele Bereiche des Lebens von zentraler Bedeutung, zum Beispiel für die Wasserversorgung, Energieproduktion und -verbrauch, Gesundheitswesen, Naturgefahrenmanagement, Land- und Forstwirtschaft, Verkehr, Tourismus, Umweltschutz. Ergebnisse von Globalen Klimamodellen können jedoch nicht direkt verwendet werden, da sie eine begrenzte räumliche Auflösung haben und daher wichtige, regionale Besonderheiten nicht erfassen können. "Downscaling"- Methoden haben es zum Ziel, die Ergebnisse von Globalen Klimamodellen mit Detailinformationen über lokale Gegebenheiten zu ergänzen, um genauere Datensätze zu erhalten. In Hochgebirgsregionen sind Downscaling-Methoden besonders wichtig, da das Modellieren der Atmosphäre über komplexer Topographie grundsätzlich mit Schwierigkeiten verbunden ist. Außerdem sind atmosphärische Messdaten im Hochgebirge nur sehr spärlich vorhanden, und diese werden sowohl für die Kalibrierung als auch für die Validierung der Globalen Klimamodelle benötigt. Das DoG Projekt untersuchte zwei verschiedene Arten von Downscaling: statistisches Downscaling und Downscaling von "mittlerer Komplexität", für verschiedene vergletscherte Gebirgsregionen der Welt. Bei statistischem Downscaling werden die Ergebnisse der Globalen Klimamodelle empirisch an lokale Messdaten angepasst, während das Downscaling mittlerer Komplexität vereinfachte Versionen der atmosphärischen Gleichungen auf einem räumlich hochaufgelösten Modellgitter innerhalb des gröber aufgelösten Globalen Klimamodells anwendet. Das Downscaling mittlerer Komplexität hat gegenüber der regionalen Klimamodellierung, einer weiteren Downscaling-Art, welche die vollständigen (nicht vereinfachten) atmosphärischen Gleichungen anwendet, den Vorteil, wesentlich weniger Computerleistung zu benötigen. Dem Grundsatz folgend "so einfach wie möglich und so komplex wie notwendig" arbeitete das DoG Projektteam an der Weiterentwicklung des statistischen Downscalingmodells sDoG und des Downscalingmodells mittlerer Komplexität ICAR um deren Anwendungen in vergletscherten Gebirgsregionen in aller Welt zu optimieren. Die Untersuchungen zeigten einen häufig vorkommenden Irrtum auf, nämlich, wenn richtige Modellergebnisse aufgrund von falschen Ursachen erzielt werden (d.h. scheinbar realistische Modellergebnisse, denen aber zufällige Modellartefakte oder Überanpassung an Messdaten zugrunde liegen). Das DoG Projektteam entwickelte Methoden, wie diese Irrtümer in der Modellentwicklung möglichst vermieden werden können. Dies beinhaltete zum einen konkrete Änderungen in den Modellstrukturen von sDoG und ICAR, sowie die Erarbeitung von neuen, ganzheitlichen Evaluierungsstrategien, welche allgemein für Atmosphärenmodelle anwendbar sind. Die Ergebnisse des DoG Projekts zeigten, wie gerade das Zusammenspiel verschiedener Downscalingmethoden analytisches Modellverständnis verbessern kann, welches maßgeblich ist für die Zuverlässigkeit von atmosphärischen Datensätzen. Die außergewöhnliche Komplexität atmosphärischer Modelle und deren aktuelle Relevanz weist auf die Notwendigkeit einer erkenntnistheoretischen Überarbeitung gegenwärtiger Evaluierungspraktiken.