@phdthesis{Keupp2024,
  author    = {Keupp, Luzia Esther},
  title     = {Hochaufgel{\"o}ste Erfassung zuk{\"u}nftiger Klimarisiken f{\"u}r Land- und Forstwirtschaft in Unterfranken},
  doi       = {10.25972/OPUS-34735},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-347350},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2024},
  abstract  = {Das Klima und seine Ver{\"a}nderungen wirken sich direkt auf die Land- und Forstwirtschaft aus. Daher ist die Untersuchung der zuk{\"u}nftigen Klimarisiken f{\"u}r diese Sektoren von hoher Relevanz. Dies ist auch und vor allem f{\"u}r den schon heute weitr{\"a}umig trockheitsgepr{\"a}gten und vom Klimawandel besonders betroffenen nordwestbayerischen Regierungsbezirk Unterfranken der Fall, dessen Gebiet zu {\"u}ber 80 \% land- oder forstwirtschaftlich genutzt wird. Zur Untersuchung der Zukunft in hoher r{\"a}umlicher Aufl{\"o}sung werden Projektionen von regionalen Klimamodellen genutzt. Da diese jedoch Defizite in der Repr{\"a}sentation des beobachteten Klimas der Vergangenheit aufweisen, sollte vor der weiteren Verwendung eine Anpassung der Daten erfolgen. Dies geschieht in der vorliegenden Arbeit am Beispiel des regionalen Klimamodells REMO im Bezug auf klimatische Kennwerte f{\"u}r Trockenheit, Starkniederschlag, Hitze sowie (Sp{\"a}t-)Frost, die alle eine hohe land- und forstwirtschaftliche Bedeutung besitzen. Die Datenanpassung erfolgt durch zwei verschiedene Ans{\"a}tze. Zum Einen wird eine Biaskorrektur der aus Globalmodell-angetriebenen REMO-Daten berechneten Indizes durch additive und multiplikative Linearskalierung sowie empirische und parametrische Verteilungsanpassung durchgef{\"u}hrt. Zum Anderen wird ein exploratives Verfahren auf Basis von Model Output Statistics angewandt: Lokale und großr{\"a}umige atmosph{\"a}rische Variablen von REMO mit Reanalyseantrieb, die eine zeitliche Korrespondenz zu den Beobachtungen aufweisen, dienen als Pr{\"a}diktoren f{\"u}r die Aufstellung von Transferfunktionen zur Simulation der Indizes. Diese Transferfunktionen werden sowohl mithilfe Multipler Linearer Regression als auch mit verschiedenen Generalisierten Linearen Modellen konstruiert. Sie werden anschließend genutzt, um Analysen auf Basis von biaskorrigierten Globalmodell-angetriebenen REMO-Pr{\"a}diktoren durchzuf{\"u}hren. Sowohl f{\"u}r die Biaskorrektur als auch die Model Output Statistics wird eine Kreuzvalidierung durchgef{\"u}hrt, um die Ergebnisse unabh{\"a}ngig vom jeweiligen Trainingszeitraum zu untersuchen und die jeweils besten Varianten zu finden. Werden beide Verfahren mit ihren Unterkategorien f{\"u}r den gesamten historischen Modellzeitraum verglichen, so weist f{\"u}r alle Monat-Kennwert-Kombinationen eine der beiden Verteilungskorrekturen die besten Ergebnisse auf. Die Zukunftsprojektionen unter Verwendung der jeweils erfolgreichsten Methode zeigen im regionalen Durchschnitt f{\"u}r das 21. Jahrhundert negative Trends der (Sp{\"a}t-)Frost- und Eis- sowie positive Trends der Hitzetageh{\"a}ufigkeit. Winterliche Starkregenereignisse nehmen hinsichtlich ihrer Anzahl zu, im Sommer verst{\"a}rkt sich die Trockenheit. Die Hinzunahme zwei weiterer regionaler Klimamodelle best{\"a}tigt die allgemeinen Zukunftstrends, jedoch ergeben sich beim Sp{\"a}tfrost Widerspr{\"u}che, wenn dieser hinsichtlich der thermisch abgegrenzten Vegetationsperiode definiert wird. Zus{\"a}tzlich werden die Model Output Statistics auf gleiche Weise mit bodennahen Pr{\"a}diktoren zur Simulation von Ertr{\"a}gen aus Acker- und Weinbau wiederholt. Die G{\"u}te kann aufgrund mangelnder Beobachtungsdatenl{\"a}nge nur anhand der Reanalyse-angetriebenen REMO-Daten abgesch{\"a}tzt werden, ist hierbei jedoch deutlich besser als im Bezug auf die Kennwertsimulation. Die Zukunftsprojektionen von REMO sowie drei weiterer Regionalmodelle zeigen im Mittel {\"u}ber alle Landkreise Unterfrankens steigende Winter- sowie sinkende Sommerfeldfruchtertr{\"a}ge. Hinsichtlich der Frankenweinertr{\"a}ge widersprechen sich die Ergebnisse der drei Klassen Weiß-, Rot- und Gesamtwein insofern, als dass REMO und ein weiteres Modell negative Weiß- und Rotweinertragstrends, jedoch positive Gesamtweinertragstrends simulieren. Die zwei anderen verwendeten Modelle f{\"u}hren durch positive Trendvorzeichen f{\"u}r den Weißwein zu insgesamt koh{\"a}renten Ergebnissen. Die Resultate im Bezug auf die land- und forstwirtschaftlich relevanten klimatischen Kennwerte bedeuten, dass Anpassungsmaßnahmen gegen{\"u}ber Hitze sowie im Speziellen gegen{\"u}ber Trockenheit in Zukunft im ohnehin trockenheitsgepr{\"a}gten Unterfranken an Bedeutung gewinnen werden. Auch die unsicheren Projektionen im Bezug auf die Sp{\"a}tfrostgefahr m{\"u}ssen im Blick behalten werden. Die Trends der Feldfruchtertr{\"a}ge deuten in die gleiche Richtung, da Sommergetreide eine h{\"o}here Trockenheitsanf{\"a}lligkeit besitzen. Die unklaren Ergebnisse der Weinertr{\"a}ge hingegen lassen keine eindeutigen Schl{\"u}sse zu. Der starke anthropogene Einfluss auf die Erntemengen sowie die großen Unterschiede der Rebsorten hinsichtlich der klimatischen Eignung k{\"o}nnten ein Grund hierf{\"u}r sein.},
  subject      = {Klima},
  language  = {de}
}