Wie gut ist einfach? Evaluierung verschiedener Regionalisierungsverfahren zur Schätzung täglicher Wetterdaten.

Wie gut ist einfach? Evaluierung verschiedener Verfahren zur Regionalisierung täglicher Wetterdaten Michael Köhler, Bernd Ahrends und Henning Meesenburg Nordwestdeutsche Forstliche Versuchsanstalt, Grätzelstraße 2, 37079 Göttingen, [email protected] Evaluierte Interpolationsverfahren: •Ordinary Kriging: −Mit (Tmean) und ohne (Tmean/Niederschlag) Anisotropie autoKrige.cv {R library automap} •Universal Kriging: −Kovariable: Slope, Aspect, Distance to Coast, Altitude, Luv-Lee Index autoKrige.cv {R library automap} •Inverse Distanzgewichtung (IDW): −Mit (IDW_adapt) und ohne (IDW) automatisierter Anpassung des Exponenten krige.cv {R library gstat}, estimateParameters {R library intamap} •Generalisierte additive Modelle (GAM): −gam(Tmean~s(x,y … )+s(alt …)+ s(…) , gam {R library mgcv} Evaluierung: •10 fache Kreuzvalidierung (CV) mit täglichen Daten im Zeitraum 2003-2013 •Gütemaße für tägliche und daraus aggregierte Jahressummen /- mittelwerte Mittlere tägliche Bestimmtheitsmaße der Vorhersagen von täglichen Niederschlägen für verschiedene Interpolationsverfahren. (10-fache Kreuzvalidierung, 2003-2013) Mittlere tägliche Abweichung der Vorhersagen von untransformierten bzw. logund Wurzeltransformierten Niederschlägen (nach Rücktransformation) mit Ordinary Kriging. (10-fache Kreuzvalidierung, 2003-2013) Vergleich der aus täglich interpolierten Daten gewonnenen Jahressummen von Niederschlägen mit Messwerten für 2006. Prozentuale Abweichung der aus täglich interpolierten Daten gewonnenen Jahressummen von Niederschlägen und Messwerten für 2006. Ergebnisse Temperatur •Generalisierte additive Modelle mit Glättungstermen für Koordinaten und Seehöhe waren die besten Schätzer für Tagesmitteltemperaturen (RMSE=0.53°C, R2=0.87; Mediane für n=4018 Tage) •model<-gam((Tmean)~s(x_UTM,y_UTM,bs="ts",k=Num.of.Stations/5) +s(alt,bs="ts"),family=gaussian(link="identity"))) •GAMs konnten nichtlineare Zusammenhänge zwischen Messwerten von Kovariablen besser abbilden als das Universal Kriging, das nur (lokale) lineare Trends berücksichtigt •Die Jahresmitteltemperatur wurde mit dieser Methode im Mittel nur an ca. 15 von 170 Stationen um mehr als 5% überoder unterschätzt •Schlechtere Fits finden sich insbesondere bei wechselhaften Wetterlagen: z.B. Aprilwetter (rasche Abfolge von Sonnenschein, Bewölkung und Regen) Ergebnisse Niederschlag •Ordinary Kriging war sowohl in der Vorhersagegenauigkeit als auch in Stabilität und Geschwindigkeit das beste Schätzverfahren (RMSE 0.79 mm, R2 0.65; Mediane über n = 4018 Tage) •Wie häufig in der Literatur beschrieben, gab es kaum Zusammenhänge zwischen täglichem Niederschlag und Topographie („chaotic behavior“: Kebaili et al. 2009, Hengl et al. 2013) weshalb Universal Kriging kaum vom Ordinary Kriging differiert •Der Jahresniederschlag wurde im Schnitt bei 20% der Stationen um mehr als 10% überoder unterschätzt, was besonders an den Küstenlinien und im Bergland der Fall war •Problematisch bleibt der räumlich heterogene Messfehler von Niederschlagsmessungen durch Wind, Spritzwasser, Haftwasser, Verdunstung (Fehler bis zu 30% (www. pik.de)) •Durch die hohe Stationsdichte nähern sich die verschiedenen Krigingverfahren dem IDW an Mittlere tägliche Bestimmtheitsmaße der Vorhersagen von Tagesmitteltemperaturen für verschiedene Interpolationsverfahren. (10-fache Kreuzvalidierung, 2003-2013) Mittlerer tägliche RMSE der Vorhersagen von Tagesmitteltemperaturen mit GAM geordnet nach Monaten. (10-fache Kreuzvalidierung, 2003-2013) Vergleich der aus täglich interpolierten Daten gewonnenen Jahresmittel von Temperaturen mit Messwerten für 2006. Prozentuale Abweichung der aus täglich interpolierten Daten gewonnenen Jahresmittel von Temperaturen und Messwerten für 2006. Danksagung: Die Autoren danken dem Projekt: „DSS-RiskMan - Entscheidungsunterstützung zur Verteilung und Begrenzung von Risiken für die Forstwirtschaft vor dem Hintergrund des Klimawandels“, gefördert vom BMVEL Tägliche Wetterdaten – wofür eigentlich? •Parametrisierung von numerischen Wasserhaushaltsmodellen auf täglicher Basis •Generierung von aggregierten Klimaparametern über variable Zeitintervalle (z.B. für insektenbiologische Modellierung) •Schwellenwertbasierter Temperaturund Niederschlagssummen (Vegetationsperioden) Daten: •Tägliche unkorrigierte Niederschlagsund Temperaturdaten an allen verfügbaren DWD Stationen in den norddeutschen Bundesländern (+40km „Interpolationsrand“) •Evaluierung der Interpolationsergebnisse von ~900 Stationen (Niederschlag) bzw. ~170 Stationen (Temperatur) in den Norddeutschen Bundesländer ohne „Interpolationsrand“ Bedingungen: •Automatisierte Modellanpassung, kurze Rechenzeit und robuste Vorhersagen •Interpolation für Einzelpunkte ohne Grid, Umsetzbarkeit in