ASCAT-Bodenfeuchtedaten in der numerischen Wettervorhersage
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
401 ASCAT-Bodenfeuchtedaten in der numerischen Wettervorhersage Stefan SCHNEIDER, Alexander JANN, Yong WANG, Vera MEYER und Barbara ZEINER 1 Motivation Um den Wunsch nach immer genaueren Wetterprognosen zu befriedigen, braucht es neben einer hohen Rechnerleistung auch möglichst genaue Eingangsdaten, um den aktuellen Zu- stand der Atmosphäre bestmöglich zu erfassen. Neben Messstationen am Boden und Radio- sondenaufstiegen spielen dabei Satellitenmessungen eine wichtige Rolle. Diese Daten wer- den mit sogenannten Assimilationsverfahren in Wettervorhersagemodellen berücksichtigt. Im folgenden Beitrag wird exemplarisch gezeigt, wie sich die Assimilation von ASCAT- Bodenfeuchtedaten in einem Vorhersagemodell auswirkt. 2 Das Vorhersagemodell ALADIN Das operationelle Wettervorhersagemodell der ZAMG (Zentralanstalt für Meteorologie und Geodynamik) ist ALADIN-Austria (Aire Limitée Adaption dynamique Développement InterNational; WANG et al. 2006). Es handelt sich dabei um ein hydrostatisches, spektrales Lokalmodell mit hybrider Vertikalkoordinate. Für die nötigen Randbedingungen sorgt das französische Globalmodell ARPEGE. Die Modelldomäne (siehe Abb. 1) für die Versuche umfasst 300x270 Gitterpunkte mit einem Gitterpunktsabstand von 9,6 km und 60 vertikalen Schichten. Die Vorhersagen aus dem operationellen Betrieb (im Folgenden als OPER be- zeichnet) dienen als Referenzwerte für die Verifikation. Für die Datenassimilation der Bodenfeuchte wird ein sogenannter simplified Extended Kalman Filter (sEKF, MAHFOUF 2010) verwendet, der im Bodenmodell SURFEX (Surface Externalisée; LEMOIGNE 2009) inkludiert ist. Die prognostischen Variablen für die Bo- denfeuchte in diesem 2Schicht-Modell werden durch die ASCAT-Werte korrigiert, wobei die Analyseinkremente am Beginn des Assimilationsfensters durch die Anpassung der Beobachtungswerte am Ende des 6stündigen Fensters gewonnen werden (MAHFOUF 2010). 3 ASCAT Bodenfeuchtedaten Das Advanced Scatterometer (ASCAT) ist ein C-Band (f = 5,255 GHz) Radar, das auf den METOP (Meteorological Operational) Satelliten von EUMETSAT (European Organisation for the Exploitation of Meteorological Satellites) im Einsatz ist. Über Land können die rückgestreuten Signale des Gerätes für Bodenfeuchtemessungen herangezogen werden (WAGNER ET AL. 2007), welche seit Dezember 2008 von EUMETSAT operationell auf Strobl, J., Blaschke, T. & Griesebner, G. (Hrsg.) (2012): Angewandte Geoinformatik 2012. © Herbert Wichmann Verlag, VDE VERLAG GMBH, Berlin/Offenbach. ISBN 978-3-87907-520-1.
402 S. Schneider, A. Jann, Y. Wang, V. Meyer und B. Zeiner einem 25km- und 50km-Gitter bereitgestellt werden (WAGNER et al. 2010). Die zeitliche Auflösung der Daten liegt in Mitteleuropa bei etwa 1.5 Tagen (MAHFOUF 2010). 4 Ergebnisse Im Rahmen des Projektes GMSM ist getestet worden, inwieweit die Assimilation von ASCAT-Bodenfeuchtedaten die Vorhersagequalität des Lokalmodells ALADIN verbessern kann. Besonderes Augenmerk ist dabei auf bodennahe Parameter wie Niederschlag und Temperatur gelegt worden. Die verschiedenen Experimente, die durchgeführt worden sind, dienen dazu, den Einfluss der Datenqualitätskontrolle und der Biaskorrektur auf die Vor- hersagen zu quantifizieren. 4.1 Biaskorrektur Die aus den Rückstreusignalen berechneten Bodenfeuchtewerte weisen einerseits Messun- sicherheiten auf, andererseits stimmt die gemessene Häufigkeitsverteilung der Bodenfeuch- tewerte nicht mit jener des meteorologischen Modells überein. Deswegen gibt es zu jedem Messwert mehrere Kennzahlen für die Datengüte (SCIPAL 2005). Als kritisch werden die Werte speziell über Feucht- und Frostgebieten sowie in gebirgigem Gelände eingestuft. Je nach Versuch sind diese Kennzahlen dafür verwendet worden, um Messwerte von der As- similation auszuschließen. Um die Messwerte an die Verteilung des Modells anzupassen, wird üblicherweise eine Biaskorrektur angewendet, in diesem Fall wurde dafür das „CDF matching“ (Cumulative Distribution Function; REICHLE & KOSTER 2004) gewählt. Es ist dabei sowohl ein globaler Ansatz, bei dem alle Gitterpunkte gemeinsam korrigiert werden, als auch ein lokaler An- satz, bei dem jeder Modellgitterpunkt extra betrachtet wird, durchgeführt worden. Abb. 1 zeigt den Effekt der lokalen Biaskorrektur, wenn die Korrekturfunktion auf einen fiktiven Messwert von 50 % Bodenfeuchte angewendet wird. Obwohl die Biaskorrektur jeweils unabhängig von den Nachbargitterpunkten durchgeführt wird, zeigen sich nach der Korrek- tur realistische räumliche Strukturen, die darauf hinweisen, dass das Verfahren sinnvoll ist. Schwarze Bereiche zeigen Regionen, in denen zu wenige Messwerte vorhanden waren, um statistisch sinnvolle Korrekturfunktionen berechnen zu können. Für diese Regionen sind auch bei der Assimilation keine ASCAT-Messwerte berücksichtigt worden. Um den Nutzen von Qualitätskontrolle und Biaskorrektur zu quantifizieren, sind mehrere Experimente durchgeführt worden. Während im operationellen Betrieb (OPER) keine Datenassimilation von Bodenfeuchtedaten verwendet wird, ist in allen Experimenten eine Assimilation mittels Kalman Filter angewendet worden. In EXP1 sind die ASCAT-Daten direkt so verwendet worden, wie sie der Datenprovider liefert. Für EXP2 sind sowohl die Qualitätskennzahlen als auch eine globale Biaskorrektur angewendet worden, für EXP3 ist die lokale Biaskorrektur zur Anwendung gekommen.
ASCAT-Bodenfeuchtedaten in der numerischen Wettervorhersage 403 Abb. 1: Änderung der Bodenfeuchte, ausgehend von einem konstanten Wert von 50 % über der gesamten Domäne, durch die lokale Biaskorrektur. Grüne (rote) Berei- che zeigen eine Erhöhung (Verringerung) des Messwertes durch die Biaskorrek- tur an. Schwarze Bereiche kennzeichnen Regionen, in denen keine Biaskorrektur durchgeführt werden kann. 4.2 Fallstudie Starkniederschlag Für die verschiedenen Experimente sind Vorhersagen für Juli 2009 gerechnet worden, wo- bei ein Vorhersagelauf jeweils um 00UTC beginnt und 48 Stunden in die Zukunft gerechnet worden ist. Für jeden Versuch gibt es also 31 Vorhersageläufe, die statistisch ausgewertet werden können. Synoptisch war dieser Monat durch zahlreiche Niederschlagsereignisse in Mitteleuropa geprägt und hat sich daher für die Testläufe angeboten, da eine verbesserte Bodenfeuchteverteilung speziell positive Auswirkungen auf die Niederschlagsvorhersage haben sollte. Ein schönes Beispiel für die Steigerung der Vorhersagequalität durch die Assimilation ist der 23. Juli 2009. An diesem Tag kam es zu heftigen Gewittern über Ostös- terreich (PISTOTNIK 2009), die vom operationellen Modell jedoch nicht in dieser Form prognostiziert werden konnten (Abb. 2a), wie ein Vergleich mit der tatsächlichen Nieder- schlagsverteilung (Abb. 2c) zeigt. Mithilfe der Assimilation von Bodenfeuchte ist es mög- lich, die Prognose zu verbessern (Abb. 2b), was sich auch mittels objektivere objektorien- tierter Verifikation mit SAL (WERNLI et al. 2008) zeigen lässt.
404 S. Schneider, A. Jann, Y. Wang, V. Meyer und B. Zeiner a) b) Abb. 2: 24stündige Niederschlagssummen für a) OPER, b) EXP3 und c) Analyse vom 23. Juli 2009, 00UTC. Die Farbskala in c) gilt c) auch für a) und b). Tendenziell kommt es im Untersuchungszeitraum durch die Bodenfeuchteassimilation zu einer Zunahme der Niederschlagshäufigkeit im Modell, die sich wie im gezeigten Fall posi- tiv auswirken kann. Über den gesamten Monat gemittelt ist der resultierende Effekt für starke Niederschlagsereignisse im Flachland für EXP3 verglichen mit OPER leicht positiv, für gebirgige Regionen in Westösterreich ist der Effekt neutral. Dies lässt sich damit erklä- ren, dass im Gebirge orographische Effekte einen wesentlich stärkeren Einfluss auf die Bildung von konvektivem Niederschlag haben. Im Flachland hingegen ist die Konvektions- auslösung eher zufällig und nicht so stark an die Orographie gekoppelt, wodurch die kor- rekte Bodenfeuchteverteilung eine wichtigere Rolle in der Vorhersage spielt. 4.3 Temperaturprognose Nachdem im Modell die 2-m-Temperatur aus der Bodentemperatur und der Temperatur der untersten Atmosphärenschicht berechnet wird, spielt die richtige Modellierung des Bodens für diesen (und auch andere) Parameter eine wesentliche Rolle. Die Verifikation gegen 36 Bodenstationen in Österreich (Abb. 3) zeigt, dass der warme nächtliche Bias reduziert werden kann, der negative Bias tagsüber wird dafür jedoch verstärkt. In Summe kommt es aber bei allen 3 Experimenten zu einer Verringerung des Gesamtbias gegenüber OPER. Am stärksten ist der Effekt bei EXP3 mit der lokalen Biaskorrektur der ASCAT-Werte. Die aufwendige Datenkontrolle und -korrektur macht sich hier bezahlt.
ASCAT-Bodenfeuchtedaten in der numerischen Wettervorhersage 405 RMSE OPER RMSE EXP1 RMSE EXP2 RMSE EXP3 BIAS OPER BIAS EXP1 BIAS EXP2 BIAS EXP3 2,50 2,00 1,50 1,00 0,50 0,00 -0,50 -1,00 00 03 06 09 12 15 18 21 24 27 30 33 36 39 42 45 48 Abb. 3: RMSE und BIAS für die 2-m-Temperatur im Juli 2009. Auf der x-Achse ist die Vorhersagezeit in Stunden und auf der y-Achse die Werte in K aufgetragen. Dargestellt sind die Werte für OPER (schwarz), EXP1 (violett), EXP2 (grün) and EXP3 (rot). 5 Zusammenfassung und Ausblick Die Prognosegüte des Wettervorhersagemodells ALADIN soll durch die Assimilation von ASCAT-Bodenfeuchtedaten verbessert werden. Mithilfe verschiedener Testläufe konnte gezeigt werden, dass eine lokale Biaskorrektur der Satellitendaten zum größtmöglichen Nutzen führt, wobei dieser Ansatz den größten Rechenaufwand benötigt. Für eine Testpe- riode im Sommer 2009 lässt sich zeigen, dass die zusätzlichen Daten sowohl für die Nie- derschlagsvorhersage als auch für 2-Meter-Temperaturprognosen eine Verbesserung brin- gen können, wenn die Messungen mittels sEKF assimiliert werden. Ansatzpunkte für eine weitere Verbesserung der Prognosen sind die Einbeziehung der Bo- dentemperatur in die Assimilation, eine höher aufgelöste Version des Modells (z. B. das konvektionsauflösende Modell AROME) sowie weiteres Tuning des Verhältnisses zwi- schen Hintergrunds- und Beobachtungsfehlers während der Assimilation.
406 S. Schneider, A. Jann, Y. Wang, V. Meyer und B. Zeiner Literatur LEMOIGNE, P. (Ed.) (2009), SURFEX scientific documentation. In: Note de Centre du Groupe de Météorologie à Moyenne Echelle, 87, CNRM, Météo France, Toulouse, France. MAHFOUF, J.-F. (2010), Assimilation of satellite-derived soil moisture from ASCAT in a limited-area NWP model. In: Q.J.R. Meteorol. Soc., 136, 784-798. PISTOTNIK, G. (2009), Meteorologische Analyse der großflächigen Hagelunwetter vom 23. Juli 2009. ZAMG, http://www.zamg.ac.at/docs/aktuell/Unwetter_23ter_Juli_2009.pdf (german). REICHLE, R.H. & R.D. KOSTER (2004), Bias reduction in short records of satellite soil mois- ture. In: Geophys. Res. Lett., 31, L19501, doi:10:1029/2004GL20938. WAGNER, W., BARTALIS, Z., NAEIMI, V., PARK, S.-E., FIGA-SALDANA, J. & BONEKAMP, H. (2010), Status of the METOP ASCAT soil moisture product. In: IEEE Geoscience and Remote Sensing Symposium (IGARSS'2010), Honolulu, USA, 276-279. WAGNER, W., BLÖSCHL, G., PAMPALONI, P., CALVET, J.-C., BIZZARRI, B., WIGNERON, J.-P. & KERR, Y. (2007), Operational readiness of microwave remote sensing of soil moisture for hydrologic applications. In: Nordic Hydrology, 38 (1), 1-20. WANG, Y., HAIDEN, T. & KANN, A. (2006), The operational limited-area modelling system at ZAMG: ALADIN-Austria. Österreich. In: Beitr. Meteorol. Geophys., 37, ISSN 1016- 6254. WERNLI, H., PAULAT, M., HAGEN, M. & FREI, C. (2008), SAL – A Novel Quality Measure for the Verification of Quantitative Precipitation Forecasts. In: Mon. Wea. Rev., 136, 4470-4487.
Sie können auch lesen