SPRACHE:



LOGIN:


DOWNLOADS:


SUCHE:


Methoden und Techniken


Numerische Wettervorhersagemodelle (NWP) sind heutzutage in der Lage, das allgemeine Zirkulationsmuster der Atmosphäre für ungefähr eine Woche mit signifikanter Qualität zu simulieren. Dabei werden auch bestimmte Wetterelemente, die von Beobachtungsstationen gemessen und registriert werden, wie z.B. Temperatur, Wind, Niederschlag oder Wolkenbedeckung, vom Modell ausgegeben und vorhergesagt, teils durch entsprechende Parameterisierung.

Die Qualität dieser Simulationen unter physikalischer Betrachtung ist sehr stark abhängig vom genauen Ort, dem betrachteten Element, der Jahreszeit und der allgemeinen Wettersituation. Die Bandbreite reicht von sehr guter Qualität über systematische Fehler bis hin zu unbrauchbaren Vorhersagen.



Statistische Verfahren bieten ein intelligentes Feedback zwischen diesen numerischen Simulationen und den tatsächlichen Messungen bzw. Beobachtungen. Sie sind in der Lage, systematische Fehler aus dem Modell-Output (DMO) herauszufiltern. Darüber hinaus führen weitere Eingangsvariablen außerhalb des Modell-Output auch dann zu bestmöglichen Ergebnissen, wenn der Modell-Output (DMO) nur sehr schlechte oder sogar gar keine Qualität hat. Screening Regression ist ein hervorragendes Werkzeug, um Modell-Variablen mit der bestmöglichen verwendbaren sonstigen Information in einer einzigen Gleichung zu vereinigen. Ein umfassendes statistisches Vorhersagesystem muss zwei Dinge leisten:

  • DMO korrigieren, wenn konditionierte systematische Fehler auftreten
  • DMO (teilweise) ignorieren und die vorherzusagenden Elemente mit anderen Eingangsvariablen parameterisieren



Im Allgemeinen sind drei verschiedene Typen von statistischen Vorhersagesystemen bekannt:

  1. PPM - Perfect Prog Methode: Relationen (basierend auf Analogien oder Regression) zwischen analysierten Feldern und beobachteten oder gemessenen Elementen werden abgeleitet und auf Modellvorhersagen angewandt.
  2. MOS - Model Output Statistics: Relationen (üblicherweise Regressionsgleichungen) zwischen vorhergesagten Modell-Feldern und beobachteten oder gemessenen Elementen werden abgeleitet.
  3. Adaptive Methoden - z.B. Kalman Filter: Relationen verändern sich im Laufe der Zeit sobald neue Beobachtungen oder Messergebnisse zur Verfügung stehen.

Details und weiterführende Informationen können Sie unserer Publikations-Liste entnehmen.



Ein ideales statistisches Vorhersagesystem vereinte PPM, MOS und adaptive Methoden. Die meisten derzeit angewandten Systeme vernachlässigen jedoch den PPM-Teil, da hierfür lange Zeitreihen der entsprechenden Daten verfügbar sein müssen, was oft nicht der Fall ist. Außerdem ist es einfacher, ein alleinstehendes MOS-System zu entwickeln. Die Kalman-Filterung von MOS-Vorhersagen können insbesondere dann sehr nützlich sein, wenn signifikante Änderungen am verwendeten numerischen Modell vorgenommen wurden. Die Verwendung von Kalman-Filterung ohne MOS führt zu schlechterer Vorhersagequalität, weil die hierbei abgeleiteten Gleichungen zu einfach für die teils komplexen Zusammenhänge sind. Der Verlust an Qualität - gemessen anhand der Reduktion der Fehlervarianz der Vorhersagen - von reiner Kalman-Filterung im Vergleich zu reinem MOS liegt für Standard-Wetterelemente (z.B. Temperatur in 2m Höhe, Wind, Wolken) bei ungefähr 20%.