@phdthesis{Pollinger2013,
  author    = {Pollinger, Felix},
  title     = {Bewertung und Auswirkungen der Simulationsg{\"u}te f{\"u}hrender Klimamoden in einem Multi-Modell Ensemble},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-97982},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2013},
  abstract  = {Der rezente und zuk{\"u}nftige Anstieg der atmosph{\"a}rischen Treibhausgaskonzentration bedeutet f{\"u}r das terrestrische Klimasystem einen grundlegenden Wandel, der f{\"u}r die globale Gesellschaft schwer zu bew{\"a}ltigende Aufgaben und Herausforderungen bereit h{\"a}lt. Eine effektive, r{\"u}hzeitige Anpassung an diesen Klimawandel profitiert dabei enorm von m{\"o}glichst genauen Absch{\"a}tzungen k{\"u}nftiger Klima{\"a}nderungen. Das geeignete Werkzeug hierf{\"u}r sind Gekoppelte Atmosph{\"a}re Ozean Modelle (AOGCMs). F{\"u}r solche Fragestellungen m{\"u}ssen allerdings weitreichende Annahmen {\"u}ber die zuk{\"u}nftigen klimarelevanten Randbedingungen getroffen werden. Individuelle Fehler dieser Klimamodelle, die aus der nicht perfekten Abbildung der realen Verh{\"a}ltnisse und Prozesse resultieren, erh{\"o}hen die Unsicherheit langfristiger Klimaprojektionen. So unterscheiden sich die Aussagen verschiedener AOGCMs im Hinblick auf den zuk{\"u}nftigen Klimawandel insbesondere bei regionaler Betrachtung, deutlich. Als Absicherung gegen Modellfehler werden {\"u}blicherweise die Ergebnisse mehrerer AOGCMs, eines Ensembles an Modellen, kombiniert. Um die Absch{\"a}tzung des Klimawandels zu pr{\"a}zisieren, wird in der vorliegenden Arbeit der Versuch unternommen, eine Bewertung der Modellperformance der 24 AOGCMs, die an der dritten Phase des Vergleichsprojekts f{\"u}r gekoppelte Modelle (CMIP3) teilgenommen haben, zu erstellen. Auf dieser Basis wird dann eine nummerische Gewichtung f{\"u}r die Kombination des Ensembles erstellt. Zun{\"a}chst werden die von den AOGCMs simulierten Klimatologien f{\"u}r einige grundlegende Klimaelemente mit den betreffenden klimatologien verschiedener Beobachtungsdatens{\"a}tze quantitativ abgeglichen. Ein wichtiger methodischer Aspekt hierbei ist, dass auch die Unsicherheit der Beobachtungen, konkret Unterschiede zwischen verschiedenen Datens{\"a}tzen, ber{\"u}cksichtigt werden. So zeigt sich, dass die Aussagen, die aus solchen Ans{\"a}tzen resultieren, von zu vielen Unsicherheiten in den Referenzdaten beeintr{\"a}chtigt werden, um generelle Aussagen zur Qualit{\"a}t von AOGCMs zu treffen. Die Nutzung der K{\"o}ppen-Geiger Klassifikation offenbart jedoch, dass die prinzipielle Verteilung der bekannten Klimatypen im kompletten CMIP3 in vergleichbar guter Qualit{\"a}t reproduziert wird. Als Bewertungskriterium wird daher hier die F{\"a}higkeit der AOGCMs die großskalige nat{\"u}rliche Klimavariabilit{\"a}t, konkret die hochkomplexe gekoppelte El Ni{\~n}o-Southern Oscillation (ENSO), realistisch abzubilden herangezogen. Es kann anhand verschiedener Aspekte des ENSO-Ph{\"a}nomens gezeigt werden, dass nicht alle AOGCMs hierzu mit gleicher Realit{\"a}tsn{\"a}he in der Lage sind. Dies steht im Gegensatz zu den dominierenden Klimamoden der Außertropen, die modell{\"u}bergreifend {\"u}berzeugend repr{\"a}sentiert werden. Die wichtigsten Moden werden, in globaler Betrachtung, in verschiedenen Beobachtungsdaten {\"u}ber einen neuen Ansatz identifiziert. So k{\"o}nnen f{\"u}r einige bekannte Zirkulationsmuster neue Indexdefinitionen gewonnen werden, die sich sowohl als {\"a}quivalent zu den Standardverfahren erweisen und im Vergleich zu diesen zudem eine deutliche Reduzierung des Rechenaufwandes bedeuten. Andere bekannte Moden werden dagegen als weniger bedeutsame, regionale Zirkulationsmuster eingestuft. Die hier vorgestellte Methode zur Beurteilung der Simulation von ENSO ist in guter {\"U}bereinstimmung mit anderen Ans{\"a}tzen, ebenso die daraus folgende Bewertung der gesamten Performance der AOGCMs. Das Spektrum des Southern Oscillation-Index (SOI) stellt somit eine aussagekr{\"a}ftige Kenngr{\"o}ße der Modellqualit{\"a}t dar. Die Unterschiede in der F{\"a}higkeit, das ENSO-System abzubilden, erweisen sich als signifikante Unsicherheitsquelle im Hinblick auf die zuk{\"u}nftige Entwicklung einiger fundamentaler und bedeutsamer Klimagr{\"o}ßen, konkret der globalen Mitteltemperatur, des SOIs selbst, sowie des indischen Monsuns. Ebenso zeigen sich signifikante Unterschiede f{\"u}r regionale Klima{\"a}nderungen zwischen zwei Teilensembles des CMIP3, die auf Grundlage der entwickelten Bewertungsfunktion eingeteilt werden. Jedoch sind diese Effekte im Allgemeinen nicht mit den Auswirkungen der anthropogenen Klima{\"a}nderungssignale im Multi-Modell Ensemble vergleichbar, die f{\"u}r die meisten Klimagr{\"o}ßen in einem robusten multivariaten Ansatz detektiert und quantifiziert werden k{\"o}nnen. Entsprechend sind die effektiven Klima{\"a}nderungen, die sich bei der Kombination aller Simulationen als grundlegende Aussage des CMIP3 unter den speziellen Randbedingungen ergeben nahezu unabh{\"a}ngig davon, ob alle L{\"a}ufe mit dem gleichen Einfluss ber{\"u}cksichtigt werden, oder ob die erstellte nummerische Gewichtung verwendet wird. Als eine wesentliche Begr{\"u}ndung hierf{\"u}r kann die Spannbreite der Entwicklung des ENSO-Systems identifiziert werden. Dies bedeutet gr{\"o}ßere Schwankungen in den Ergebnissen der Modelle mit funktionierendem ENSO, was den Stellenwert der nat{\"u}rlichen Variabilit{\"a}t als Unsicherheitsquelle in Fragen des Klimawandels unterstreicht. Sowohl bei Betrachtung der Teilensembles als auch der Gewichtung wirken sich dadurch gegenl{\"a}ufige Trends im SOI ausgleichend auf die Entwicklung anderer Klimagr{\"o}ßen aus, was insbesondere bei letzterem Vorgehen signifikante mittlere Effekte des Ansatzes, verglichen mit der Verwendung des {\"u}blichen arithmetischen Multi-Modell Mittelwert, verhindert.},
  subject      = {Modell},
  language  = {de}
}