TY - THES A1 - Keupp, Luzia Esther T1 - Hochaufgelöste Erfassung zukünftiger Klimarisiken für Land- und Forstwirtschaft in Unterfranken T1 - High resolution assessment of future climate risks for agriculture and forestry in Lower Franconia N2 - Das Klima und seine Veränderungen wirken sich direkt auf die Land- und Forstwirtschaft aus. Daher ist die Untersuchung der zukünftigen Klimarisiken für diese Sektoren von hoher Relevanz. Dies ist auch und vor allem für den schon heute weiträumig trockheitsgeprägten und vom Klimawandel besonders betroffenen nordwestbayerischen Regierungsbezirk Unterfranken der Fall, dessen Gebiet zu über 80 % land- oder forstwirtschaftlich genutzt wird. Zur Untersuchung der Zukunft in hoher räumlicher Auflösung werden Projektionen von regionalen Klimamodellen genutzt. Da diese jedoch Defizite in der Repräsentation 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 für Trockenheit, Starkniederschlag, Hitze sowie (Spät-)Frost, die alle eine hohe land- und forstwirtschaftliche Bedeutung besitzen. Die Datenanpassung erfolgt durch zwei verschiedene Ansätze. Zum Einen wird eine Biaskorrektur der aus Globalmodell-angetriebenen REMO-Daten berechneten Indizes durch additive und multiplikative Linearskalierung sowie empirische und parametrische Verteilungsanpassung durchgeführt. Zum Anderen wird ein exploratives Verfahren auf Basis von Model Output Statistics angewandt: Lokale und großräumige atmosphärische Variablen von REMO mit Reanalyseantrieb, die eine zeitliche Korrespondenz zu den Beobachtungen aufweisen, dienen als Prädiktoren für 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-Prädiktoren durchzuführen. Sowohl für die Biaskorrektur als auch die Model Output Statistics wird eine Kreuzvalidierung durchgeführt, um die Ergebnisse unabhängig vom jeweiligen Trainingszeitraum zu untersuchen und die jeweils besten Varianten zu finden. Werden beide Verfahren mit ihren Unterkategorien für den gesamten historischen Modellzeitraum verglichen, so weist für alle Monat-Kennwert-Kombinationen eine der beiden Verteilungskorrekturen die besten Ergebnisse auf. Die Zukunftsprojektionen unter Verwendung der jeweils erfolgreichsten Methode zeigen im regionalen Durchschnitt für das 21. Jahrhundert negative Trends der (Spät-)Frost- und Eis- sowie positive Trends der Hitzetagehäufigkeit. Winterliche Starkregenereignisse nehmen hinsichtlich ihrer Anzahl zu, im Sommer verstärkt sich die Trockenheit. Die Hinzunahme zwei weiterer regionaler Klimamodelle bestätigt die allgemeinen Zukunftstrends, jedoch ergeben sich beim Spätfrost Widersprüche, wenn dieser hinsichtlich der thermisch abgegrenzten Vegetationsperiode definiert wird. Zusätzlich werden die Model Output Statistics auf gleiche Weise mit bodennahen Prädiktoren zur Simulation von Erträgen aus Acker- und Weinbau wiederholt. Die Güte kann aufgrund mangelnder Beobachtungsdatenlänge nur anhand der Reanalyse-angetriebenen REMO-Daten abgeschätzt werden, ist hierbei jedoch deutlich besser als im Bezug auf die Kennwertsimulation. Die Zukunftsprojektionen von REMO sowie drei weiterer Regionalmodelle zeigen im Mittel über alle Landkreise Unterfrankens steigende Winter- sowie sinkende Sommerfeldfruchterträge. Hinsichtlich der Frankenweinerträge 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 führen durch positive Trendvorzeichen für den Weißwein zu insgesamt kohärenten Ergebnissen. Die Resultate im Bezug auf die land- und forstwirtschaftlich relevanten klimatischen Kennwerte bedeuten, dass Anpassungsmaßnahmen gegenüber Hitze sowie im Speziellen gegenüber Trockenheit in Zukunft im ohnehin trockenheitsgeprägten Unterfranken an Bedeutung gewinnen werden. Auch die unsicheren Projektionen im Bezug auf die Spätfrostgefahr müssen im Blick behalten werden. Die Trends der Feldfruchterträge deuten in die gleiche Richtung, da Sommergetreide eine höhere Trockenheitsanfälligkeit besitzen. Die unklaren Ergebnisse der Weinerträge hingegen lassen keine eindeutigen Schlüsse zu. Der starke anthropogene Einfluss auf die Erntemengen sowie die großen Unterschiede der Rebsorten hinsichtlich der klimatischen Eignung könnten ein Grund hierfür sein. N2 - There is a direct impact of climate and its modifications on agriculture and forestry. For this reason, analyzing future climate risks concerning these sectors is highly important. This is also and particularly the case for the northwestern Bavarian administrative district of Lower Franconia, which is characterized by dry conditions even today and which is especially affected by climate change. Additionally, more than 80 % of its area is used for agriculture or forestry. To study future conditions in high spatial resolutions, projections of regional climate models are used. As these show deficits in the representation of the observed climate of the past, an adaption of the data should happen before application. In the study at hand, this is done using the example of the regional climate model REMO regarding climatic indices for dryness, heavy precipitation, and heat as well as (late) frost, all of which are of high agricultural and silvicultural relevance. Adaption of the data is handled via two different approaches. On the one hand, a bias correction of the indices calculated from REMO data based on global climate model output is done using additive and multiplicative linear scaling as well as empirical and parametric distribution adaption. On the other hand, an explorative technique based on model output statistics is applied: Local and large-scale atmospheric variables of REMO run with reanalysis data, possessing a temporal correspondence with observations, are used as predictors for the derivation of transfer functions for simulating the indices. The transfer functions are constructed by means of Multiple Linear Regression as well as different Generalized Linear Models. Subsequently, they are used for analyses based on bias corrected REMO predictors run with global climate model data. Both bias correction and model output statstics are performed in a cross-validated manner for examining the results independently from the training period and finding the best alternative for each situation. When comparing both methods with their subcategories for the entire historical model period, for all month-index-combinations one of the distribution correction techniques exhibits the best results. Future projections using the most successful method for each situation show negative trends of (late) frost and ice as well as positive trends of heat day occurence for the 21st century. The number of heavy precipitation days increases in winter, dryness amplifies in summer. When taking into consideration two additional regional climate models, the general future trends are confirmed. Nevertheless, discrepancies result regarding late frost when the respective vegetation period is demarcated based on temperature in contrast to monthly delineation. Additionally, model output statistics are repeated in the same manner using near-surface predictors for simulating yield of agriculture and viticulture. Estimation of quality can only be performed on the basis of reanalysis-run REMO data as the duration of the observational data is too short. However, the respective results show a much better performance than for the index simulations. Averaging all rural districs of Lower Franconia, future projections of REMO as well as three additional regional models show rising yields for winter as well as falling yields for summer crops. With respect to the yield of Franconian wine, the results of the three analyzed classes of white, red and total wine disagree as REMO and one additional model simulate negative white and red wine, but positive total wine yields. More consistent results are achieved using the other models, which project positive trend signs for white wine. The outcomes concerning climatic indices of agricultural and silvicultural relevance imply a future gain of importance of adaption measures towards heat and particularly dryness in Lower Franconia which is already drought-affected today. Furthermore, uncertainty in the projections of late frost has to be kept in mind. The resulting trends of agricultural yield point along the same lines as summer crops are more drought-sensitive. However, the ambiguity of the wine yield results impede precise conclusions. A reason for this could be the strong anthropogenic influence on yields as well as the great differences between grape varieties regarding their climatic suitability. KW - Klima KW - Landwirtschaft KW - Forstwirtschaft KW - Unterfranken KW - Klima / Modell KW - regionale Klimamodelle KW - CORDEX KW - Biaskorrektur KW - Model Output Statistics KW - Klimarisiken KW - Klimamodell Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-347350 ER - TY - THES A1 - Ibebuchi, Chibuike Chiedozie T1 - Bias correction of climate model output for Germany T1 - Bias-Korrektur des Klimamodell-Outputs für Deutschland N2 - Regional climate models (RCMs) are tools used to project future climate change at a regional scale. Despite their high horizontal resolution, RCMs are characterized by systematic biases relative to observations, which can result in unrealistic interpretations of future climate change signals. On the other hand, bias correction (BC) is a popular statistical post-processing technique applied to improve the usability of output from climate models. Like every other statistical technique, BC has its strengths and weaknesses. Hence, within the regional context of Germany, and for temperature and precipitation, this study is dedicated to the assessment of the impact of different BC techniques on the RCM output. The focuses are on the impact of BC on the RCM’s statistical characterization, and physical consistency defined as the spatiotemporal consistency between the bias-corrected variable and the simulated physical mechanisms governing the variable, as well as the correlations between the bias-corrected variable and other (simulated) climate variables. Five BC techniques were applied in adjusting the systematic biases in temperature and precipitation RCM outputs. The BC techniques are linear scaling, empirical quantile mapping, univariate quantile delta mapping, multivariate quantile delta mapping that considers inter-site dependencies, and multivariate quantile delta mapping that considers inter-variable dependencies (MBCn). The results show that each BC technique adds value in reducing the biases in the statistics of the RCM output, though the added value depends on several factors such as the temporal resolution of the data, choice of RCM, climate variable, region, and the metric used in evaluating the BC technique. Further, the raw RCMs reproduced portions of the observed modes of atmospheric circulation in Western Europe, and the observed temperature, and precipitation meteorological patterns in Germany. After the BC, generally, the spatiotemporal configurations of the simulated meteorological patterns as well as the governing large-scale mechanisms were reproduced. However, at a more localized spatial scale for the individual meteorological patterns, the BC changed the simulated co-variability of some grids, especially for precipitation. Concerning the co-variability among the variables, a physically interpretable positive correlation was found between temperature and precipitation during boreal winter in both models and observations. For most grid boxes in the study domain and on average, the BC techniques that do not adjust inter-variable dependency did not notably change the simulated correlations between the climate variables. However, depending on the grid box, the (univariate) BC techniques tend to degrade the simulated temporal correlations between temperature and precipitation. Further, MBCn which adjusts biases in inter-variable dependency has the skill to improve the correlations between the simulated variables towards observations. N2 - Regionale Klimamodelle (RCMs) sind Werkzeuge, die verwendet werden, um den zukünftigen Klimawandel auf regionaler Ebene zu prognostizieren. Trotz ihrer hohen horizontalen Auflösung sind RCMs je nach Beobachtung durch systematische Verzerrungen gekennzeichnet, was zu unrealistischen Interpretationen zukünftiger Signale des Klimawandels führen kann. Andererseits ist die Bias-Korrektur (BC) eine beliebte statistische Nachbearbeitungstechnik, die angewendet wird, um die Nutzbarkeit der Ergebnisse von Klimamodellen zu verbessern. Wie jede andere statistische Technik hat BC seine Stärken und Schwächen. Daher widmet sich diese Studie im regionalen Kontext Deutschlands und für Temperatur und Niederschlag der Bewertung der Auswirkungen verschiedener BC-Techniken auf den das RCM-ErtragErgebnis. Die Schwerpunkte liegen auf der Auswirkung von BC auf die statistische Charakterisierung des RCM und auf der physikalischen Konsistenz. Letztere ist, definiert als die räumlich-zeitliche Konsistenz zwischen der systematisch korrigierten Variablen und den simulierten physikalischen Mechanismen, die diese Variable steuern, sowie auf den Korrelationen zwischen der systematisch korrigierten Variablen und anderen (simulierten) Klimavariablen. Fünf BC-Techniken wurden angewendet, um die systematischen Abweichungen in den Temperatur- und Niederschlags-RCM-Ausgaben Ergebnissen anzupassen. Die BC-Techniken sind lineare Skalierung, empirisches Quantil-Mapping, univariates Quantil-Delta-Mapping, sowie multivariates Quantil-Delta-Mapping, das Abhängigkeiten zwischen Standorten berücksichtigt, und multivariates Quantil-Delta-Mapping, das intervariable Abhängigkeiten (MBCn) berücksichtigt. Die Ergebnisse zeigen, dass jede BC-Technik einen Mehrwert bei der Reduzierung der Verzerrungen in den Statistiken der RCM-Ausgabe bringt, und dies, obwohl der Mehrwert von mehreren Faktoren abhängt, wie der zeitlichen Auflösung der Daten, der Wahl der RCM, der Klimavariable, der Region und desr verwendeten Massstabsetrik zur Bewertung der BC-Technik verwendet. Darüber hinaus reproduzierten die rohen RCMs Teile der beobachteten Modi der atmosphärischen Zirkulation in Westeuropa und die beobachteten meteorologischen Temperatur- und Niederschlagsmuster in Deutschland. Nach der BC wurden im Allgemeinen die raumzeitlichen Konfigurationen der simulierten meteorologischen Muster sowie die maßgeblichen großräumigen Mechanismen reproduziert. Auf einer stärker lokalisierten räumlichen Skala änderte der BC jedoch für die einzelnen meteorologischen Muster die simulierte Kovariabilität einiger Gitter, insbesondere für Niederschlag. Bezüglich der Kovariabilität zwischen den Variablen wurde sowohl in Modellen als auch in Beobachtungen eine physikalisch interpretierbare positive Korrelation zwischen Temperatur und Niederschlag im borealen Winter gefunden. Für die meisten Gitterboxen Gitterfelder im Untersuchungsbereich und auch im Durchschnitt änderten die BC-Techniken, die die Abhängigkeit zwischen den Variablen nicht anpassen, die simulierten Korrelationen zwischen den Klimavariablen nicht merklich. Allerdings neigen die (univariaten) BC-Techniken je nach Gitterbox Gitterfeld dazu, die simulierten zeitlichen Korrelationen zwischen Temperatur und Niederschlag zu verschlechtern. Darüber hinaus hat MBCn, das Verzerrungen in der Abhängigkeit zwischen Variablen anpasst, die Fähigkeit, die Korrelationen zwischen den simulierten Variablen gegenüber den Beobachtungen zu verbessern. KW - Bias correction KW - regional climate models KW - Germany KW - physical consistency KW - meteorological patterns KW - Bias-Korrektur KW - Regionale Klimamodelle KW - Deutschland KW - Physikalische Konsistenz KW - Meteorologische Muster Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-312647 ER - TY - THES A1 - Engelbauer, Manuel T1 - Global assessment of recent UNESCO Biosphere Reserve quality enhancement strategies and interlinkages with other UNESCO labels T1 - Globale Bewertung der jüngsten Strategien zur Qualitätssteigerung von UNESCO-Biosphärenreservaten und deren Verknüpfungen mit anderen UNESCO-Labeln N2 - In 1995, the Second International Biosphere Reserve Congress in Seville resulted in a set of new regulations that spurred a significant paradigm shift in the UNESCO Man and Bio-sphere (MAB) Programme, reconceptualizing the research programme as a modern instrument for the dual mandate of nature conservation and sustainable development. But almost 20 years later, a large proportion of biosphere reserves designated before 1996 still did not comply with the new regulations. In 2013, the International Coordination Council of the MAB Programme announced the ‘Exit Strategy’ to assess, monitor and improve the quality of the World Network of Biosphere Reserves. However, the strategy also meant that 266 biosphere reserves in 76 member states were faced with the possibility of exclusion from the world network. This study presents a global assessment of the challenges that result from the Exit Strategy and the Process of Excellence and Enhancement that follows. Specifically, it investigates the differences in quality management strategies and the periodic review processes of various biosphere reserves, the effects of those quality management strategies on the MAB Programme and on the 76 directly affected member states, and the interlinkages between the MAB Programme and other UNESCO designations for nature conservation: the natural World Heritage Sites and the Global Geoparks. Semi-structured expert interviews were conducted with 31 participants in 21 different countries, representing all UN regions. To showcase the diversity of the World Network of Bio-sphere Reserves, 20 country-specific case studies are presented, highlighting the challenges of implementing the biosphere reserve concept and, more specifically, the periodic review process. Information gleaned from the experts was transcribed and evaluated using a qualitative content analysis method. The results of this study demonstrate major differences worldwide in the implementation biosphere reserves, especially in the case of the national affiliation of the MAB Programme, the legal recognition of biosphere reserves in national legislation, the usage of the term ‘bio-sphere reserve’ and the governance structures of the biosphere reserves. Of those represented by the case studies, the four countries with the highest number of voluntary biosphere reserves withdrawals after 2013, Australia, Austria, Bulgaria and the United States of America, show that the Exit Strategy contributed to the streamlining and quality enhancement of the world network. The biosphere reserves in those countries were strictly nature conservation areas without human settlements and were designated as such in the 1970s and 1980s. Only post-Seville biosphere reserves remain in those countries. Some experts have pointed out that there appears to be competition for political attention and funding between the three UNESCO labels for nature conservation. While a combination of the designation of biosphere reserves and World Heritage Sites in one place is favoured by experts, Global Geoparks and Biosphere Reserves are seen as being in competition with each other. This study concludes that quality enhancement strategies were fundamental to improving the credibility and coherence of the MAB Programme. Most pre-Seville biosphere reserves were adapted or the member states were encouraged to withdraw them voluntarily. Challenges in implementing the Exit Strategy were not unique to individual countries but applied equally to all member states with pre-Seville sites. Over the course of the quality enhancement process, many UNESCO member states have become more involved with the MAB Programme, which has led to rejuvenation of the national biosphere reserves network in many countries. N2 - Im Jahr 1995 führte der zweite internationale Kongress für Biosphärenreservate in Sevilla zu einer Reihe neuer Richtlinien, die einen bedeutenden Paradigmenwechsel im UNESCO-Programm „Der Mensch und die Biosphäre“ (MAB) einleiteten und das bestehende For-schungsprogramm in ein modernes Instrument für das doppelte Mandat des Naturschutzes und der nachhaltigen Entwicklung entwickelte. Doch fast 20 Jahre später entsprach ein gro-ßer Teil der vor 1996 ausgewiesenen Biosphärenreservate immer noch nicht den neuen Vorschriften. Im Jahr 2013 verkündete der Internationale Koordinierungsrat des MAB-Programms die „Exit-Strategie“ zur Evaluierung, Monitoring und Qualitätsverbesserung des Weltnetzes der Biosphärenreservate. Die Exit-Strategie bedeutete jedoch auch, dass 266 Biosphärenreservate in 76 Mitgliedsstaaten mit der Möglichkeit des Ausschlusses aus dem Weltnetz konfrontiert wurden. Diese Studie präsentiert eine globale Bewertung der Herausforderungen, die sich aus der Exit-Strategie und dem darauffolgenden Prozess der Exzellenz und Aufwertung ergeben. Es werden insbesondere die Unterschiede in den Qualitätsmanagementstrategien und den pe-riodischen Überprüfungsprozessen der verschiedenen Biosphärenreservate, die Auswir-kungen dieser Qualitätsmanagementstrategien auf das MAB-Programm und auf die 76 di-rekt betroffenen Mitgliedsstaaten sowie die Verflechtungen zwischen dem MAB-Programm und anderen UNESCO-Naturschutzsiegeln untersucht: die Weltnaturerbestätten und die Globalen Geoparks. Es wurden halbstrukturierte Experteninterviews mit 31 Teilnehmern aus 21 verschiede-nen Ländern geführt, die alle UN-Regionen repräsentieren. Um die Vielfalt des Weltnetzes der Biosphärenreservate zu veranschaulichen, werden 20 länderspezifische Fallstudien vor-gestellt, in denen die Herausforderungen bei der Umsetzung des Biosphärenreservatskon-zepts und insbesondere des periodischen Überprüfungsprozesses beleuchtet werden. Die von den Experten gesammelten Informationen wurden transkribiert und mit Hilfe einer qualitativen Inhaltsanalyse ausgewertet. Die Ergebnisse dieser Studie zeigen, dass es weltweit große Unterschiede bei der Imple-mentierung von Biosphärenreservaten gibt, insbesondere was die nationale Zuständigkeit für das MAB-Programm, die rechtliche Verankerung von Biosphärenreservaten in der na-tionalen Gesetzgebung, die Verwendung des Begriffs „Biosphärenreservat“ und die Gover-nancestrukturen der Biosphärenreservate betrifft. Von den Fallbeispielländern dieser Ar-beit zeigen die vier Nationen mit den meisten freiwilligen Rücknahmen von Biosphä-renreservaten aus dem Weltnetzwerk nach 2013, nämlich Australien, Österreich, Bulgarien und die Vereinigten Staaten von Amerika, dass die Exit-Strategie zur Vereinheitlichung und Qualitätsverbesserung des Weltnetzes beigetragen hat. Die Biosphärenreservate in diesen Ländern waren reine Naturschutzgebiete ohne menschliche Besiedlung und wurden in den 1970er und 1980er Jahren als solche ausgewiesen. In diesen Ländern gibt es nur noch Bio-sphärenreservate, die den Qualitätsstandards nach der Konferenz von Sevilla im Jahr 1995 entsprechen. Einige Experten haben darauf hingewiesen, dass es zwischen den drei UNE-SCO-Naturschutzsiegeln einen Wettbewerb um politische Aufmerksamkeit und Finanzie-rung gibt. Während eine Kombination von Biosphärenreservaten und Weltnaturerbe-stätten an einem Ort von Experten favorisiert wird, werden Globale Geoparks und Biosphä-renreservate als miteinander konkurrierend angesehen. Diese Arbeit kommt zu dem Schluss, dass die eingeführten Strategien zur Qualitätsver-besserung von grundlegender Bedeutung waren, um die Glaubwürdigkeit und Kohärenz des MAB-Programms zu verbessern. Die meisten Biosphärenreservate aus der ersten Gene-ration vor der Sevilla-Konferenz wurden angepasst oder die Mitgliedsstaaten wurden ermu-tigt, diese freiwillig aus dem Weltnetzwerk zurückzuziehen. Die Herausforderungen bei der Umsetzung der Exit-Strategie waren nicht auf einzelne Länder beschränkt, sondern betra-fen alle Mitgliedstaaten mit Biosphärenreservaten aus der Zeit vor Sevilla gleichermaßen. Im Zuge der Qualitätssteigerung haben sich viele UNESCO-Mitgliedstaaten stärker im MAB-Programm engagiert, was in vielen Ländern zu einer Belebung der nationalen Bio-sphärenreservatsnetzwerke geführt hat. N2 - The Seville Strategy spurred a signifi cant paradigm shift in UNESCO’s MAB Programme, re-conceptualising the research programme as a modern tool for the dual mandate of nature conservation and sustainable development. However, many biosphere reserves failed to comply with the new regulations and in 2013 the ‘Exit Strategy’ was announced to improve the quality of the global network. This study presents a global assessment of the implementation of the quality enhancement strategies, highlighting signifi cant differences worldwide through 20 country-specifi c case studies. It concludes that the strategies have been fundamental in improving the credibility and coherence of the MAB Programme. Challenges in the implementation were not unique to individual countries but were common to all Member States with pre-Seville sites, and in many states the process has led to a rejuvenation of national biosphere reserve networks. KW - Naturschutz KW - Nature Conservation KW - Quality Management KW - Biosphere Reserves KW - UNESCO designations KW - Sustainable Development KW - Qualitätsmanagement KW - Biosphärenreservat KW - Nachhaltigkeit Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-286538 SN - 978-3-95826-196-9 SN - 978-3-95826-197-6 N1 - Parallel erschienen als Druckausgabe bei Würzburg University Press, ISBN 978-3-95826-196-9, 31,80 Euro. PB - Würzburg University Press CY - Würzburg ER - TY - THES A1 - Abel, Daniel Karl-Joseph T1 - Weiterentwicklung der Bodenhydrologie des regionalen Klimamodells REMO T1 - Further development of the soil hydrology in the regional climate model REMO N2 - Die Bodenfeuchte stellt eine essenzielle Variable für den Energie-, Feuchte- und Stoffaustausch zwischen Landoberfläche und Atmosphäre dar. Ihre Auswirkungen auf Temperatur und Niederschlag sind vielfältig und komplex. Die in Klimamodellen verwendeten Schemata zur Simulation der Bodenfeuchte, auch bodenhydrologische Schemata genannt, sind aufgrund des Ursprungs der Klimamodelle aus Wettermodellen jedoch häufig sehr stark vereinfacht dargestellt. Bei Klimamodellen, die Simulationen mit einer groben Auflösung von mehreren Zehner- oder Hunderterkilometern rechnen, können viele Prozesse vernachlässigt werden. Da die Auflösung der Klimamodelle jedoch stetig steigt und mittlerweile beim koordinierten Projekt regionaler Klimamodelle CORDEX-CORE standardmäßig bei 0.22° Kantenlänge liegt, müssen auch höher aufgelöste Daten und mehr Prozesse simuliert werden. Dies gilt erst recht mit Blick auf konvektionsauflösende Simulationen mit wenigen Kilometern Kantenlänge. Mit steigenden Modellauflösungen steigt zugleich die Komplexität und Differenziertheit der Fragestellungen, die mit Hilfe von Klimamodellen beantwortet werden sollen. An diesem Punkt setzt auch das Projekt BigData@Geo an, in dessen Rahmen die vorliegende Arbeit entstand. Ziel dieses Projektes ist es, hochaufgelöste Klimainformationen für den bayerischen Regierungsbezirk Unterfranken für Akteure aus der Land- und Forstwirtschaft sowie dem Weinbau zur Verfügung zu stellen. Auf diesen angewandten und grundlegenden Anforderungen und Zielsetzungen basierend, bedarf auch das in dieser Arbeit verwendete regionale Klimamodell REMO (Version 2015) der weiteren Entwicklung. So ist das Hauptziel der Arbeit das bestehende einschichtige bodenhydrologische Schema durch ein mehrschichtiges zu ersetzen. Der Vorteil mehrerer simulierter Bodenschichten besteht darin, dass nun die vertikale Bewegung des Wassers in Form von Versickerung und kapillarem Aufstieg simuliert werden kann. Dies geschieht auf der Basis bodenhydrologischer Parameter, deren Wert in Abhängigkeit vom Boden und der Bodenfeuchte über die Wasserrückhaltekurve bestimmt wird. Für diese Kurve existieren verschiedene Parametrisierungen, von denen die Ansätze von Clapp-Hornberger und van Genuchten verwendet wurden. Außerdem kann die Bodenfeuchte nun bis zu einer Tiefe von circa 10 m beziehungsweise der Tiefe des anstehenden Gesteins simuliert werden. Damit besteht im Gegensatz zum vorherigen Schema, dessen Tiefe auf die Wurzeltiefe beschränkt ist, die Möglichkeit, dass Wasser auch unterhalb der Wurzeln zur Verfügung stehen kann und somit die absolute im Boden verfügbare Wassermenge zunimmt. Die Schichtung erlaubt darüber hinaus die Verdunstung aus unbewachsenem Boden lediglich auf Basis des in der obersten Schicht verfügbaren Wassers. Ein weiterer Prozess, der dank der Schichtung und der weiter unten erläuterten Datensätze neu parametrisiert werden kann, ist die Infiltration. Für die Verwendung des Schemas sind Informationen über bodenhydrologische Parameter, die Wurzeltiefe und die Tiefe bis zum anstehenden Gestein erforderlich. Entsprechende Datensätze müssen hierfür aufbereitet und in das Modell eingebaut werden. Bezüglich der Wurzeltiefe wurden drei sich bezüglich der Tiefe, der Definition und der verfügbaren Auflösung stark voneinander unterscheidende Datensätze verglichen. Letztendlich wird die Wurzeltiefe aus dem mit einer anderen REMO-Version gekoppelten Vegetationsmodul iMOVE verwendet, da zukünftig eine Kopplung dieses Moduls mit dem mehrschichtigen Boden geplant ist und die Wurzeltiefen damit konsistent sind. Zudem ist die zugrundeliegende Auflösung der Daten hoch und es werden maximale Wurzeltiefen berücksichtigt, die besonders wichtig für die Simulation von Landoberfläche-Atmosphäre-Interaktionen sind. Diese Vorteile brachten die anderen Datensätze nicht mit. In der finalen Modellversion werden für die Tiefe bis zum anstehenden Gestein und die Korngrößenverteilungen die Daten von SoilGrids verwendet. Ein Vergleich mit anderen Bodendatensätzen fand in einer parallel laufenden Dissertation statt (Ziegler 2022). Bei SoilGrids ist hervorzuheben, dass die Korngrößenverteilungen in einer hohen räumlichen Auflösung (1 km^2 oder höher) und mit mehreren vertikalen Schichten vorliegen. Gegenüber dem ursprünglich in REMO verwendeten Datensatz mit einer Kantenlänge von 0.5° und ohne vertikale Differenzierung ist dies eine starke Verbesserung der Eingangsdaten. Dazu kommt, dass die Korngrößenverteilungen die Verwendung kontinuierlicher Pedotransferfunktionen statt fünf diskreter Texturklassen, denen für die bodenhydrologischen Parameter fixe Tabellenwerte zugewiesen werden, ermöglichen. Dies führt zu einer deutlich besseren Differenzierung des heterogenen Bodens. Im Rahmen der Arbeit wurden insgesamt 19 Simulationen für Europa und ein erweitertes Deutschlandgebiet mit Auflösungen von 0.44° beziehungsweise 0.11° für den Zeitraum 2000 bis 2018 gerechnet. Dabei zeigte sich, dass die Einführung des mehrschichtigen Bodenschemas gegenüber dem einschichtigen Schema zu einer Verringerung der Bodenfeuchte in der Wurzeltiefe führt. Nichtsdestotrotz nimmt die absolute Wassermenge des Bodens durch die Berücksichtigung des Bodens unterhalb der Wurzelzone zu. Bezogen auf die einzelnen Schichten wird die Bodenfeuchte damit zwar unterschätzt, im Laufe der Modellentwicklung kann jedoch eine Verbesserung im Vergleich zu ERA5 erzielt werden. Das neue Schema führt zu einer Verringerung der Evapotranspiration, die über alle Schritte der Modellentwicklung und besonders während der Sommermonate auftritt. Im Vergleich zu Validationsdaten von ERA5 und GLEAM zeigt sich, dass dies eine Verbesserung dieser Größe bedeutet, die sowohl in der Fläche als auch beim Fehler und in der Verteilung auftritt. Gleiches lässt sich für den Oberflächenabfluss sagen. Hierfür implementierte Schemata (Philip, Green-Ampt), die anders als das standardmäßig verwendete Improved-Arno-Schema bodenhydrologische Parameter berücksichtigen, konnten eine weitere Verbesserung im Flachland zeigen. In Gebirgsregionen nahm der Fehler durch die nicht enthaltene Berücksichtigung der Hangneigung jedoch zu, sodass in der finalen Modellversion auf das Improved-Arno-Schema zurückgegriffen wurde. Die Temperatur steigt durch die ursprüngliche Version des mehrschichtigen Schemas zunächst an, was zu einer Über- statt der vorherigen Unterschätzung gegenüber E-OBS führt. Die Modellentwicklung resultiert zwar in einer Reduzierung der Temperatur, jedoch fällt diese zu stark aus, sodass der Temperaturfehler letztendlich größer als in der einschichtigen Modellversion ist. Da die Evapotranspiration jedoch maßgeblich verbessert wurde, kann dieser Fehler eventuell auf ein übermäßiges Tuning der Temperatur zurückgeführt werden. Die Betrachtung von Hitzeereignissen am Beispiel der Sommer 2003 und 2018 hat gezeigt, dass die Modellentwicklung dazu beiträgt, diese Ereignisse besser als das einschichtige Schema zu simulieren. Zwar trifft dies nicht auf das räumliche Verhalten der mittleren Temperatur zu, jedoch auf deren zeitlichen Verlauf. Hinzu kommt die bessere Simulation der täglichen Extrem- und besonders der Minimaltemperatur, was zu einer Erhöhung der täglichen Temperaturspanne führt. Diese wird von Klimamodellen in der Regel zu stark unterschätzt. Durch die Berücksichtigung der vertikalen Wasserflüsse hat sich jedoch auch gezeigt, dass noch enormes Entwicklungspotenzial mit Blick auf (boden)hydrologische Prozesse besteht. Dies gilt in besonderem Maße für zukünftige Simulationen mit konvektionserlaubender Auflösung. So sollten subskalige Informationen des Bodens und der Orographie berücksichtigt werden. Dies dient einerseits der Repräsentation vorliegender Heterogenitäten und kann andererseits, wie am Beispiel der Infiltrationsschemata dargelegt, zur Verbesserung bestehender Prozesse beitragen. Da die simulierte Drainage durch das mehrschichtige Bodenschema im gleichen Maße zu- wie der Oberflächenabfluss abnimmt und das Wasser dem Modell in der Folge nicht weiter zur Verfügung steht, sollte zukünftig auch Grundwasser im Modell berücksichtigt werden. Eine Vielzahl von Studien konnte einen Mehrwert durch die Implementierung dieser Variable und damit verbundener Prozesse feststellen. Mittelfristig ist jedoch insgesamt die Kopplung an ein hydrologisches Modell zu empfehlen, um die bei hochauflösenden Simulationen relevanten Prozesse angemessen repräsentieren zu können. Hierfür bieten sich beispielsweise ParFlow oder mHM an. Insgesamt ist festzuhalten, dass das mehrschichtige Bodenschema einen Mehrwert liefert, da schwer zu simulierende und in der Postprozessierung zu korrigierende Variablen wie die Evapotranspiration und der Oberflächenabfluss deutlich besser modelliert werden können als mit dem einschichtigen Schema. Dies gilt auch für die Extremtemperaturen. Beides ist klar auf die Schichtung des Bodens und damit einhergehender Prozesse zurückzuführen. Bezüglich der Daten zeigt sich, dass die Wurzeltiefe, die Berücksichtigung von SoilGrids und die vertikale Bodeninformation für die weitere Optimierung verantwortlich sind. Darüber hinaus ist der höhere Informationsgehalt, der anhand der geschichteten Bodenfeuchte zur Verfügung steht, ebenfalls als Mehrwert einzustufen. N2 - Soil moisture is an essential variable for the exchange of energy, moisture, and substances between the land surface and the atmosphere. Its effects on temperature and precipitation are diverse and complex. However, the schemes used in climate models to simulate soil moisture, also called soil hydrological schemes, are often very simplified due to the origin of climate models from weather models. In climate models, which compute simulations at coarse resolutions of tens or hundreds of kilometers of edge length, many processes can be neglected. However, the resolution of those models is steadily increasing and now generally has 0.22° in the recently published coordinated project of regional climate models called CORDEX-CORE. As a consequence, higher resolved data and more processes have to be simulated. This is even more true with respect to convection-permitting simulations having edge lengths of a few kilometers. With increasing model resolutions, the complexity and differentiation of questions to be answered by the use of climate models increases as well. This is also the case of the BigData@Geo-project, in which framework this thesis was written. The aim of this project is to provide high-resolution climate information for the Bavarian administrative district of Lower Franconia for stakeholders from agriculture, forestry, and viticulture. Due to these applied and basic requirements and objectives, there is also the need of model development for the regional climate model REMO (version 2015) used in this work. Thus, the main goal of this thesis is to replace the existing singlelayer soil hydrological scheme by a multilayer one. The advantage of multiple simulated soil layers is that the vertical movement of water, thus percolation and capillary rise, can now be simulated. This is done on the basis of soil hydrological parameters, those value is determined by the water retention curve as a function of soil texture and soil moisture. Various parameterizations have been developed for this curve, whereas the one of Clapp-Hornberger and van Genuchten were used herein. Additionally, the soil moisture can now be simulated to a depth of approximately 10 m or the bedrock's depth, respectively. Thus, in contrast to the previous scheme, which depth is limited to the rooting depth, there is the possibility that water is also available below the root zone. Hence, the absolute amount of water in the root zone is increased. Furthermore, the layering allows evaporation from bare soil based only on the water available in the uppermost layer. Another process, that can be reparameterized due to the layering and the data sets explained subsequently, is infiltration. To use the new scheme, information on soil hydrological parameters, rooting depth, and the depth to bedrock is required. For this purpose, appropriate data sets have to be prepared and implemented into the model. Regarding the rooting depth, three data sets with different depths, definitions, and resolutions were compared. Finally, the rooting depth from the vegetation module iMOVE, coupled with another REMO version, is used since a coupling between iMOVE and the multilayer soil scheme is planned in the future. With this, the rooting depths are consistent. In addition, the underlying resolution of the data is high and maximum rooting depths are considered, which are particularly important for simulating land surface-atmosphere interactions. These advantages were not provided by the other data sets. In the final model version, SoilGrids data are used for the depth to bedrock and grain size distributions. A comparison with other soil data sets was done in a parallel thesis (Ziegler 2022). For SoilGrids, it should be underlined that the grain size distributions enable the use of continuous pedotransfer functions instead of five discrete texture classes for the soil hydrological parameters. This leads to a much better differentiation of the heterogeneous soil. For this thesis, 19 simulations were calculated for Europe and an extended German region with resolutions of 0.44° and 0.11°, respectively, covering the period of 2000 to 2018. The implementation of the multilayer soil scheme leads to a decrease in root zone soil moisture compared to the singlelayer scheme. Nevertheless, the absolute amount of soil moisture increases by the consideration of soil below the root zone. Related to the individual layers, the soil moisture is thus underestimated, but in the process of model development an improvement can be achieved compared to ERA5. Furthermore, the new scheme results in a reduction of evapotranspiration that occurs across all model development steps and is especially present during summer. When compared to validation data from ERA5 and GLEAM, this is shown to be an improvement that occurs in space as well as bias and distribution. The same was found for surface runoff. Schemes implemented for this purpose (Philip, Geen-Ampt), which differ from the defaultly used Improved-Arno scheme by taking hydrlogical parameters into account, were able to show a further improvement in lowlands. In mountainous regions, however, the bias increased due to the not included consideration of slopes. Consequently, the final model version uses the Improved-Arno scheme. Temperature initially increases through the original version of the multilayer scheme, resulting in an overestimation instead of the previous underestimation by the singlelayer soil relative to E-OBS. Although the model development leads to a reduction in temperature, this reduction turns out to be too large, so that the temperature bias is ultimately higher than in the singlelayer model version. However, since evapotranspiration has been significantly improved, this error can possibly be attributed to a temperature overtuning. The analysis of heat events investigating the summers of 2003 and 2018 has shown that the model development leads to an improved simulation of these events compared to the singlelayer scheme. While this is not true for the spatial behavior of the mean temperature, there is a clear improvement of its temporal one. Additionally, the better simulation of daily extreme temperatures, especially its minimum, leads to an increase of the daily temperature range. This is usually underestimated too much by climate models. The consideration of vertical water fluxes has shown that there is still enormous potential for model development with regard to (soil) hydrological processes. This is especially true for future simulations with convection-permitting resolution. Thus, subgrid information of the soil and the orography should be considered. On the one hand, this serves to represent existing heterogeneities and, on the other hand, can contribute to the improvement of existing processes, as shown by the example of infiltration schemes. Since the simulated drainage increases due to the multilayer soil scheme to the same extent as the surface runoff decreases, the water is subsequently no longer available to the model. Therefore, groundwater should also be considered in the model. A number of studies have found an added value from integrating this variable and related processes. In the medium term, however, coupling to a hydrological model is generally recommended in order to be able to adequately represent the processes relevant in high-resolution simulations. ParFlow or mHM, for example, are suitable for this purpose. Overall, it can be noted that the multilayer soil scheme provides an added value because variables like evapotranspiration and surface runoff, that are difficult to simulate and subsequently to be bias adjusted in postprocessing, are modeled much better than using the singlelayer scheme. This is also true for extreme temperatures. Both improvements are caused by the soil layering and associated processes. Regarding the data, it can be seen that the rooting depth, the consideration of SoilGrids, and the vertical soil information is are responsible for the further optimization. In addition, the higher information content available by representing the layered soil moisture can also be classified as an added value. KW - Klima KW - Modell KW - Klimamodell KW - Modellentwicklung KW - Bodenhydrologie KW - Bodenfeuchte KW - Landoberfläche-Atmosphäre Interaktion KW - climate model KW - model development KW - soil hydrology KW - soil moisture KW - land surface-atmosphere interaction Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-311468 ER - TY - THES A1 - Höser, Thorsten T1 - Global Dynamics of the Offshore Wind Energy Sector Derived from Earth Observation Data - Deep Learning Based Object Detection Optimised with Synthetic Training Data for Offshore Wind Energy Infrastructure Extraction from Sentinel-1 Imagery T1 - Globale Dynamik des Offshore-Windenergiesektors abgeleitet aus Erdbeobachtungsdaten - Deep Learning-basierte Objekterkennung, optimiert mit synthetischen Trainingsdaten für die Extraktion von Offshore-Windenergieinfrastrukturen aus Sentinel-1 Bildern N2 - The expansion of renewable energies is being driven by the gradual phaseout of fossil fuels in order to reduce greenhouse gas emissions, the steadily increasing demand for energy and, more recently, by geopolitical events. The offshore wind energy sector is on the verge of a massive expansion in Europe, the United Kingdom, China, but also in the USA, South Korea and Vietnam. Accordingly, the largest marine infrastructure projects to date will be carried out in the upcoming decades, with thousands of offshore wind turbines being installed. In order to accompany this process globally and to provide a database for research, development and monitoring, this dissertation presents a deep learning-based approach for object detection that enables the derivation of spatiotemporal developments of offshore wind energy infrastructures from satellite-based radar data of the Sentinel-1 mission. For training the deep learning models for offshore wind energy infrastructure detection, an approach is presented that makes it possible to synthetically generate remote sensing data and the necessary annotation for the supervised deep learning process. In this synthetic data generation process, expert knowledge about image content and sensor acquisition techniques is made machine-readable. Finally, extensive and highly variable training data sets are generated from this knowledge representation, with which deep learning models can learn to detect objects in real-world satellite data. The method for the synthetic generation of training data based on expert knowledge offers great potential for deep learning in Earth observation. Applications of deep learning based methods can be developed and tested faster with this procedure. Furthermore, the synthetically generated and thus controllable training data offer the possibility to interpret the learning process of the optimised deep learning models. The method developed in this dissertation to create synthetic remote sensing training data was finally used to optimise deep learning models for the global detection of offshore wind energy infrastructure. For this purpose, images of the entire global coastline from ESA's Sentinel-1 radar mission were evaluated. The derived data set includes over 9,941 objects, which distinguish offshore wind turbines, transformer stations and offshore wind energy infrastructures under construction from each other. In addition to this spatial detection, a quarterly time series from July 2016 to June 2021 was derived for all objects. This time series reveals the start of construction, the construction phase and the time of completion with subsequent operation for each object. The derived offshore wind energy infrastructure data set provides the basis for an analysis of the development of the offshore wind energy sector from July 2016 to June 2021. For this analysis, further attributes of the detected offshore wind turbines were derived. The most important of these are the height and installed capacity of a turbine. The turbine height was calculated by a radargrammetric analysis of the previously detected Sentinel-1 signal and then used to statistically model the installed capacity. The results show that in June 2021, 8,885 offshore wind turbines with a total capacity of 40.6 GW were installed worldwide. The largest installed capacities are in the EU (15.2 GW), China (14.1 GW) and the United Kingdom (10.7 GW). From July 2016 to June 2021, China has expanded 13 GW of offshore wind energy infrastructure. The EU has installed 8 GW and the UK 5.8 GW of offshore wind energy infrastructure in the same period. This temporal analysis shows that China was the main driver of the expansion of the offshore wind energy sector in the period under investigation. The derived data set for the description of the offshore wind energy sector was made publicly available. It is thus freely accessible to all decision-makers and stakeholders involved in the development of offshore wind energy projects. Especially in the scientific context, it serves as a database that enables a wide range of investigations. Research questions regarding offshore wind turbines themselves as well as the influence of the expansion in the coming decades can be investigated. This supports the imminent and urgently needed expansion of offshore wind energy in order to promote sustainable expansion in addition to the expansion targets that have been set. N2 - Der Ausbau erneuerbarer Energien wird durch den sukzessiven Verzicht auf fossile Energieträger zur Reduktion der Treibhausgasemissionen, dem stetig steigenden Energiebedarf sowie, in jüngster Zeit, von geopolitischen Ereignissen stark vorangetrieben. Der offshore Windenergiesektor steht in Europa, dem Vereinigten Königreich, China, aber auch den USA, Süd-Korea und Vietnam vor einer massiven Expansion. In den nächsten Dekaden werden die bislang größten marinen Infrastrukturprojekte mit tausenden neu installierten offshore Windturbinen realisiert. Um diesen Prozess global zu begleiten und eine Datengrundlage für die Forschung, für Entscheidungsträger und für ein kontinuierliches Monitoring bereit zu stellen, präsentiert diese Dissertation einen Deep Learning basierten Ansatz zur Detektion von offshore Windkraftanalagen aus satellitengestützten Radardaten der Sentinel-1 Mission. Für das überwachte Training der verwendeten Deep Learning Modelle zur Objektdetektion wird ein Ansatz vorgestellt, der es ermöglicht, Fernerkundungsdaten und die notwendigen Label synthetisch zu generieren. Hierbei wird Expertenwissen über die Bildinhalte, wie offshore Windkraftanlagen aber auch ihre natürliche Umgebung, wie Küsten oder andere Infrastruktur, gemeinsam mit Informationen über den Sensor strukturiert und maschinenlesbar gemacht. Aus dieser Wissensrepräsentation werden schließlich umfangreiche und höchst variable Trainingsdaten erzeugt, womit Deep Learning Modelle die Detektion von Objekten in Satellitendaten erlernen können. Das Verfahren zur synthetischen Erzeugung von Trainingsdaten basierend auf Expertenwissen bietet großes Potential für Deep Learning in der Erdbeobachtung. Deep Learning Ansätze können hierdurch schneller entwickelt und getestet werden. Darüber hinaus bieten die synthetisch generierten und somit kontrollierbaren Trainingsdaten die Möglichkeit, den Lernprozess der optimierten Deep Learning Modelle zu interpretieren. Das in dieser Dissertation für Fernerkundungsdaten entwickelte Verfahren zur Erstellung synthetischer Trainingsdaten wurde schließlich zur Optimierung von Deep Learning Modellen für die globale Detektion von offshore Windenergieanlagen eingesetzt. Hierfür wurden Aufnahmen der gesamten globalen Küstenlinie der Sentinel-1 Mission der ESA ausgewertet. Der abgeleitete Datensatz, welcher 9.941 Objekte umfasst, unterscheidet offshore Windturbinen, Trafostationen und im Bau befindliche offshore Windenergieinfrastrukturen voneinander. Zusätzlich zu dieser räumlichen Detektion wurde eine vierteljährliche Zeitreihe von Juli 2016 bis Juni 2021 für alle Objekte generiert. Diese Zeitreihe zeigt den Start des Baubeginns, die Bauphase und den Zeitpunkt der Fertigstellung mit anschließendem Betrieb für jedes Objekt. Der gewonnene Datensatz dient weiterhin als Grundlage für eine Analyse der Entwicklung des offshore Windenergiesektors von Juli 2016 bis Juni 2021. Für diese Analyse wurden weitere Attribute der Turbinen abgeleitet. In einem radargrammetrischen Verfahren wurde die Turbinenhöhe berechnet und anschließend verwendet, um die installierte Leistung statistisch zu modellieren. Die Ergebnisse hierzu zeigen, dass im Juni 2021 weltweit 8.885 offshore Windturbinen mit insgesamt 40,6 GW Leistung installiert waren. Die größten installierten Leistungen stellen dabei die EU (15,2 GW), China (14,1 GW) und das Vereinigte Königreich (10,7 GW). Von Juli 2016 bis Juni 2021 hat China 13 GW installierte Leistung ausgebaut. Die EU hat im selben Zeitraum 8 GW und das Vereinigte Königreich 5,8 GW offshore Windenergieinfrastruktur installiert. Diese zeitliche Analyse verdeutlicht, dass China der maßgebliche Treiber in der Expansion des offshore Windenergiesektors im untersuchten Zeitraum war. Der abgeleitete Datensatz zur Beschreibung des offshore Windenergiesektors wurde öffentlich zugänglich gemacht. Somit steht er allen Entscheidungsträgern und Stakeholdern, die am Ausbau von offshore Windenergieanlagen beteiligt sind, frei zur Verfügung. Vor allem im wissenschaftlichen Kontext dient er als Datenbasis, welche unterschiedlichste Untersuchungen ermöglicht. Hierbei können sowohl Forschungsfragen bezüglich der offshore Windenergieanlagen selbst, als auch der Einfluss des Ausbaus der kommenden Dekaden untersucht werden. Somit wird der bevorstehende und dringend notwendige Ausbau der offshore Windenergie unterstützt, um neben den gesteckten Zielen auch einen nachhaltigen Ausbau zu fördern. KW - deep learning KW - offshore wind energy KW - artificial intelligence KW - earth observation KW - remote sensing Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-292857 ER - TY - THES A1 - Üreyen, Soner T1 - Multivariate Time Series for the Analysis of Land Surface Dynamics - Evaluating Trends and Drivers of Land Surface Variables for the Indo-Gangetic River Basins T1 - Multivariate Zeitreihen zur Analyse von Landoberflächendynamiken - Auswertung von Trends und Treibern von Landoberflächenvariablen für Flusseinzugsgebiete der Indus-Ganges Ebene N2 - The investigation of the Earth system and interplays between its components is of utmost importance to enhance the understanding of the impacts of global climate change on the Earth's land surface. In this context, Earth observation (EO) provides valuable long-term records covering an abundance of land surface variables and, thus, allowing for large-scale analyses to quantify and analyze land surface dynamics across various Earth system components. In view of this, the geographical entity of river basins was identified as particularly suitable for multivariate time series analyses of the land surface, as they naturally cover diverse spheres of the Earth. Many remote sensing missions with different characteristics are available to monitor and characterize the land surface. Yet, only a few spaceborne remote sensing missions enable the generation of spatio-temporally consistent time series with equidistant observations over large areas, such as the MODIS instrument. In order to summarize available remote sensing-based analyses of land surface dynamics in large river basins, a detailed literature review of 287 studies was performed and several research gaps were identified. In this regard, it was found that studies rarely analyzed an entire river basin, but rather focused on study areas at subbasin or regional scale. In addition, it was found that transboundary river basins remained understudied and that studies largely focused on selected riparian countries. Moreover, the analysis of environmental change was generally conducted using a single EO-based land surface variable, whereas a joint exploration of multivariate land surface variables across spheres was found to be rarely performed. To address these research gaps, a methodological framework enabling (1) the preprocessing and harmonization of multi-source time series as well as (2) the statistical analysis of a multivariate feature space was required. For development and testing of a methodological framework that is transferable in space and time, the transboundary river basins Indus, Ganges, Brahmaputra, and Meghna (IGBM) in South Asia were selected as study area, having a size equivalent to around eight times the size of Germany. These basins largely depend on water resources from monsoon rainfall and High Mountain Asia which holds the largest ice mass outside the polar regions. In total, over 1.1 billion people live in this region and in parts largely depend on these water resources which are indispensable for the world's largest connected irrigated croplands and further domestic needs as well. With highly heterogeneous geographical settings, these river basins allow for a detailed analysis of the interplays between multiple spheres, including the anthroposphere, biosphere, cryosphere, hydrosphere, lithosphere, and atmosphere. In this thesis, land surface dynamics over the last two decades (December 2002 - November 2020) were analyzed using EO time series on vegetation condition, surface water area, and snow cover area being based on MODIS imagery, the DLR Global WaterPack and JRC Global Surface Water Layer, as well as the DLR Global SnowPack, respectively. These data were evaluated in combination with further climatic, hydrological, and anthropogenic variables to estimate their influence on the three EO land surface variables. The preprocessing and harmonization of the time series was conducted using the implemented framework. The resulting harmonized feature space was used to quantify and analyze land surface dynamics by means of several statistical time series analysis techniques which were integrated into the framework. In detail, these methods involved (1) the calculation of trends using the Mann-Kendall test in association with the Theil-Sen slope estimator, (2) the estimation of changes in phenological metrics using the Timesat tool, (3) the evaluation of driving variables using the causal discovery approach Peter and Clark Momentary Conditional Independence (PCMCI), and (4) additional correlation tests to analyze the human influence on vegetation condition and surface water area. These analyses were performed at annual and seasonal temporal scale and for diverse spatial units, including grids, river basins and subbasins, land cover and land use classes, as well as elevation-dependent zones. The trend analyses of vegetation condition mostly revealed significant positive trends. Irrigated and rainfed croplands were found to contribute most to these trends. The trend magnitudes were particularly high in arid and semi-arid regions. Considering surface water area, significant positive trends were obtained at annual scale. At grid scale, regional and seasonal clusters with significant negative trends were found as well. Trends for snow cover area mostly remained stable at annual scale, but significant negative trends were observed in parts of the river basins during distinct seasons. Negative trends were also found for the elevation-dependent zones, particularly at high altitudes. Also, retreats in the seasonal duration of snow cover area were found in parts of the river basins. Furthermore, for the first time, the application of the causal discovery algorithm on a multivariate feature space at seasonal temporal scale revealed direct and indirect links between EO land surface variables and respective drivers. In general, vegetation was constrained by water availability, surface water area was largely influenced by river discharge and indirectly by precipitation, and snow cover area was largely controlled by precipitation and temperature with spatial and temporal variations. Additional analyses pointed towards positive human influences on increasing trends in vegetation greenness. The investigation of trends and interplays across spheres provided new and valuable insights into the past state and the evolution of the land surface as well as on relevant climatic and hydrological driving variables. Besides the investigated river basins in South Asia, these findings are of great value also for other river basins and geographical regions. N2 - Die Untersuchung von Erdsystemkomponenten und deren Wechselwirkungen ist von großer Relevanz, um das Prozessverständnis sowie die Auswirkungen des globalen Klimawandels auf die Landoberfläche zu verbessern. In diesem Zusammenhang liefert die Erdbeobachtung (EO) wertvolle Langzeitaufnahmen zu einer Vielzahl an Landoberflächenvariablen. Diese können als Indikator für die Erdsystemkomponenten genutzt werden und sind essenziell für großflächige Analysen. Flusseinzugsgebiete sind besonders geeignet um Landoberflächendynamiken mit multivariaten Zeitreihen zu analysieren, da diese verschiedene Sphären des Erdsystems umfassen. Zur Charakterisierung der Landoberfläche stehen zahlreiche EO-Missionen mit unterschiedlichen Eigenschaften zur Verfügung. Nur einige wenige Missionen gewährleisten jedoch die Erstellung von räumlich und zeitlich konsistenten Zeitreihen mit äquidistanten Beobachtungen über großräumige Untersuchungsgebiete, wie z.B. die MODIS Sensoren. Um bisherige EO-Analysen zu Landoberflächendynamiken in großen Flusseinzugsgebieten zu untersuchen, wurde eine Literaturrecherche durchgeführt, wobei mehrere Forschungslücken identifiziert wurden. Studien untersuchten nur selten ein ganzes Einzugsgebiet, sondern konzentrierten sich lediglich auf Teilgebietsgebiete oder regionale Untersuchungsgebiete. Darüber hinaus wurden transnationale Einzugsgebiete nur unzureichend analysiert, wobei sich die Studien größtenteils auf ausgewählte Anrainerstaaten beschränkten. Auch wurde die Analyse von Umweltveränderungen meistens anhand einer einzigen EO-Landoberflächenvariable durchgeführt, während eine synergetische Untersuchung von sphärenübergreifenden Landoberflächenvariablen kaum unternommen wurde. Um diese Forschungslücken zu adressieren, ist ein methodischer Ansatz notwendig, der (1) die Vorverarbeitung und Harmonisierung von Zeitreihen aus mehreren Quellen und (2) die statistische Analyse eines multivariaten Merkmalsraums ermöglicht. Für die Entwicklung und Anwendung eines methodischen Frameworks, das raum-zeitlich übertragbar ist, wurden die transnationalen Einzugsgebiete Indus, Ganges, Brahmaputra und Meghna (IGBM) in Südasien, deren Größe etwa der achtfachen Fläche von Deutschland entspricht, ausgewählt. Diese Einzugsgebiete hängen weitgehend von den Wasserressourcen des Monsunregens und des Hochgebirges Asiens ab. Insgesamt leben über 1,1 Milliarden Menschen in dieser Region und sind zum Teil in hohem Maße von diesen Wasserressourcen abhängig, die auch für die größten zusammenhängenden bewässerten Anbauflächen der Welt und auch für weitere inländische Bedarfe unerlässlich sind. Aufgrund ihrer sehr heterogenen geographischen Gegebenheiten ermöglichen diese Einzugsgebiete eine detaillierte sphärenübergreifende Analyse der Wechselwirkungen, einschließlich der Anthroposphäre, Biosphäre, Kryosphäre, Hydrosphäre, Lithosphäre und Atmosphäre. In dieser Dissertation wurden Landoberflächendynamiken der letzten zwei Jahrzehnte anhand von EO-Zeitreihen zum Vegetationszustand, zu Oberflächengewässern und zur Schneebedeckung analysiert. Diese basieren auf MODIS-Aufnahmen, dem DLR Global WaterPack und dem JRC Global Surface Water Layer sowie dem DLR Global SnowPack. Diese Zeitreihen wurden in Kombination mit weiteren klimatischen, hydrologischen und anthropogenen Variablen ausgewertet. Die Harmonisierung des multivariaten Merkmalsraumes ermöglichte die Analyse von Landoberflächendynamiken unter Nutzung von statistischen Methoden. Diese Methoden umfassen (1) die Berechnung von Trends mittels des Mann-Kendall und des Theil-Sen Tests, (2) die Berechnung von phänologischen Metriken anhand des Timesat-Tools, (3) die Bewertung von treibenden Variablen unter Nutzung des PCMCI Algorithmus und (4) zusätzliche Korrelationstests zur Analyse des menschlichen Einflusses auf den Vegetationszustand und die Wasseroberfläche. Diese Analysen wurden auf jährlichen und saisonalen Zeitskalen und für verschiedene räumliche Einheiten durchgeführt. Für den Vegetationszustand wurden weitgehend signifikant positive Trends ermittelt. Analysen haben gezeigt, dass landwirtschaftliche Nutzflächen am meisten zu diesen Trends beitragen haben. Besonders hoch waren die Trends in ariden Regionen. Bei Oberflächengewässern wurden auf jährlicher Ebene signifikant positive Trends festgestellt. Auf Pixelebene wurden jedoch sowohl regional als auch saisonal Cluster mit signifikant negativen Trends identifiziert. Die Trends für die Schneebedeckung blieben auf jährlicher Ebene weitgehend stabil, jedoch wurden in Teilen der Einzugsgebiete zu bestimmten Jahreszeiten signifikant negative Trends beobachtet. Die negativen Trends wurden auch für höhenabhängige Zonen festgestellt, insbesondere in hohen Lagen. Außerdem wurden in Teilen der Einzugsgebiete Rückgänge bei der saisonalen Dauer der Schneebedeckung ermittelt. Darüber hinaus ergab die Untersuchung des multivariaten Merkmalsraums auf kausale Zusammenhänge auf saisonaler Ebene erstmals Aufschluss über direkte und indirekte Relationen zwischen EO-Landoberflächenvariablen und den entsprechenden Einflussfaktoren. Zusammengefasst wurde die Vegetation durch die Wasserverfügbarkeit, die Oberflächengewässer durch den Abfluss und indirekt durch den Niederschlag sowie die Schneebedeckung durch Niederschlag und Temperatur mit räumlichen und saisonalen Unterschieden kontrolliert. Zusätzliche Analysen wiesen auf einen positiven Zusammenhang zwischen dem menschlichen Einfluss und den zunehmenden Trends in der Vegetationsfläche hin. Diese sphärenübergreifenden Untersuchungen zu Trends und Wechselwirkungen liefern neue und wertvolle Einblicke in den vergangenen Zustand von Landoberflächendynamiken sowie in die relevanten klimatischen und hydrologischen Einflussfaktoren. Neben den untersuchten Einzugsgebieten in Südasien sind diese Erkenntnisse auch für weitere Einzugsgebiete und geographische Regionen von großer Bedeutung. KW - Multivariate Analyse KW - Zeitreihe KW - Fernerkundung KW - Geographie KW - Multivariate Time Series KW - River Basins KW - Earth Observation KW - Remote Sensing Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-291941 ER - TY - THES A1 - Bangelesa, Freddy Fefe T1 - Impacts of climate variability and change on Maize (\(Zea\) \(mays\)) production in tropical Africa T1 - Auswirkungen von Klimavariabilität und Veränderungen auf die Mais (\(Zea\) \(mays\)) Produktion im tropischen Afrika N2 - Climate change is undeniable and constitutes one of the major threats of the 21st century. It impacts sectors of our society, usually negatively, and is likely to worsen towards the middle and end of the century. The agricultural sector is of particular concern, for it is the primary source of food and is strongly dependent on the weather. Considerable attention has been given to the impact of climate change on African agriculture because of the continent’s high vulnerability, which is mainly due to its low adaptation capac- ity. Several studies have been implemented to evaluate the impact of climate change on this continent. The results are sometimes controversial since the studies are based on different approaches, climate models and crop yield datasets. This study attempts to contribute substantially to this large topic by suggesting specific types of climate pre- dictors. The study focuses on tropical Africa and its maize yield. Maize is considered to be the most important crop in this region. To estimate the effect of climate change on maize yield, the study began by developing a robust cross-validated multiple linear regression model, which related climate predictors and maize yield. This statistical trans- fer function is reputed to be less prone to overfitting and multicollinearity problems. It is capable of selecting robust predictors, which have a physical meaning. Therefore, the study combined: large-scale predictors, which were derived from the principal component analysis of the monthly precipitation and temperature; traditional local-scale predictors, mainly, the mean precipitation, mean temperature, maximum temperature and minimum temperature; and the Water Requirement Satisfaction Index (WRSI), derived from the specific crop (maize) water balance model. The projected maize-yield change is forced by a regional climate model (RCM) REMO under two emission scenarios: high emission scenario (RCP8.5) and mid-range emission scenario (RCP4.5). The different effects of these groups of predictors in projecting the future maize-yield changes were also assessed. Furthermore, the study analysed the impact of climate change on the global WRSI. The results indicate that almost 27 % of the interannual variability of maize production of the entire region is explained by climate variables. The influence of climate predictors on maize-yield production is more pronounced in West Africa, reaching 55 % in some areas. The model projection indicates that the maize yield in the entire region is expected to decrease by the middle of the century under an RCP8.5 emission scenario, and from the middle of the century to the end of the century, the production will slightly recover but will remain negative (around -10 %). However, in some regions of East Africa, a slight increase in maize yield is expected. The maize-yield projection under RCP4.5 remains relatively unchanged compared to the baseline period (1982-2016). The results further indicate that large-scale predictors are the most critical drivers of the global year-to-year maize-yield variability, and ENSO – which is highly correlated with the most important predictor (PC2) – seems to be the physical process underlying this variability. The effects of local predictors are more pronounced in the eastern parts of the region. The impact of the future climate change on WRSI reveals that the availability of maize water is expected to decrease everywhere, except in some parts of eastern Africa. N2 - Weil die Folgen des Klimawandels die Lebensgrundlagen aller Lebewesen beeinträchtigen, ist der Klimawandel ein sehr relevantes Thema des 21. Jahrhunderts. Seine negativen Effekte betreffen bereits viele Sektoren unserer Gesellschaft und die Prognosen zeigen, dass sich die Auswirkungen des Klimawandels Mitte und Ende dieses Jahrhunderts ver- schärfen werden. Die Landwirtschaft ist besonders betroffen, denn sie ist sehr abhängig vom Klima. Da die Landwirtschaft als Hauptnahrungsquelle der Menschen gilt, ist es erforderlich sich mit den Problemen des Klimawandels rechtzeitig zu beschäftigen, um in der Zukunft die Ernährung der Menschheit gewährleisten zu können. Viele Forscher beschäftigen sich mit den Folgen des Klimawandels in der Landwirtschaft. Besonders in Afrika wurde viel geforscht, weil die Landwirtschaft in Afrika sich technisch schlecht anpassen kann, um die Schwierigkeiten, die mit dem Klimawandel einhergehen, zu über- winden. Mehrere Studien wurden durchgeführt, um die Auswirkungen des Klimawan- dels in Afrika zu bewerten. Aufgrund der unterschiedlichen verwendeten statistischen Methoden, Modellierungen der Umweltprozesse oder Ertragsdaten sind die Ergebnisse teilweise kontrovers. Diese Studie versucht, einen wesentlichen Beitrag zum Einfluss des Klimawandels auf die Landwirtschaft in Westafrika zu leisten, indem sie spezifis- che Methoden vorschlägt, um das Klima der Zukunft projizieren zu können. Diese Studie behandelt Maiserträge in den Tropen Afrikas, da Mais dort die wichtigste Nutzpflanze ist. Um die Auswirkungen des Klimawandels auf den Maisertrag abzuschätzen, wurde ein Regressionsmodell (aus dem Englischen: robust cross-validated multiple) entwickelt, das Klimaprädiktoren und Maiserträge koppelt. Diese entwickelte statistische Übertra- gungsfunktion ist zuverlässiger bei Schwierigkeiten mit der Überanpassung und der Mul- tikollinearität. Außerdem ist sie auch in der Lage robuste Prädiktoren mit physikalischer Bedeutung auszuwählen. Deshalb wurden in der Studie großräumige und lokale Prädik- toren kombiniert. Erstere entstammen der Analyse der Komponenten des monatlichen Niederschlags und der Temperatur, letztere basieren basieren auf den mittleren und Ex- tremtemperaturen sowie dem mittleren Niederschlag. Zusätzlich zu den Prädiktoren wurde ein Index der Wasserbedarfsdeckung (Water Requirement Satisfaction Index, WRSI) verwendet, der auf einem Wasserhaushaltsmodell der Nutzpflanzen basiert. Die erwartete Mais-Ertragsänderung wird mithilfe eines regionalen Klimamodells (RCM) REMO für die Emissionsszenarien RCP8.5 und RCP4.5 simuliert. Die einzelnen Effekte der Prädiktoren- Gruppen bei der Prognose der zukünftigen Mais-Ertragsänderungen wurden ebenfalls bewertet. Darüber hinaus analysierte die Studie die Auswirkungen des Klimawandels auf den WSRI. Durchschnittlich zeigen die Ergebnisse eine jährliche Maisproduktionsän- derung von ca. 27 % in der gesamten Region. Diese Änderung, die in Westafrika mit ca. 55 % stärker ausgeprägt ist, ist eine Folge des Klimawandels. Die Simulationen des Mod- ells anhand von RCP8.5-Emissionsszenario zeigen auch, dass der Maisertrag der gesamten Region voraussichtlich bis Mitte des Jahrhunderts abnehmen wird. Danach findet eine geringe Ertragserhöhung statt, die jedoch um ca. 10 % unter der ursprünglichen Menge liegt. Im Gegensatz zu Westafrika wird in einigen Regionen Ostafrikas wird ein leichter Anstieg des Maisertrags simuliert. Die Mais-Ertragsprognose für die gesamte Region mittels RCP4.5 bleibt relativ unverändert im Vergleich zum ursprünglichen Ertrag. Die Ergebnisse zeigen weiterhin, dass die großräumigen Prädiktoren die wichtigste Rolle bei den globalen jährlichen Maisertragsschwankungen spielen. ENSO ist stark mit dem wichtigsten Prädiktor korreliert, was auf den physikalischen Prozess hinweist, der diese Ertragsänderung erklärt. Die Relevanz der lokalen Prädiktoren ist in den östlichen Re- gionen Afrikas stärker ausgeprägt. Sie beeinflussen den WRSI, sodass der Maisertrag im Verhältnis zur Wasserverfügbarkeit voraussichtlich überall abnehmen wird. Ausgenom- men sind einigen Regionen Ostafrikas. KW - Climate change KW - Food security KW - Modelling Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-259347 ER - TY - THES A1 - Ziegler, Katrin T1 - Implementierung von verbesserten Landoberflächenparametern und -prozessen in das hochaufgelöste Klimamodell REMO T1 - Implementation of improved land surface parameters and processes for the high-resolution climate model REMO N2 - Das Ziel dieser Arbeit war neue Eingangsdaten für die Landoberflächenbeschreibung des regionalen Klimamodells REMO zu finden und ins Modell zu integrieren, um die Vorhersagequalität des Modells zu verbessern. Die neuen Daten wurden so in das Modell eingebaut, dass die bisherigen Daten weiterhin als Option verfügbar sind. Dadurch kann überprüft werden, ob und in welchem Umfang sich die von jedem Klimamodell benötigten Rahmendaten auf Modellergebnisse auswirken. Im Zuge der Arbeit wurden viele unterschiedliche Daten und Methoden zur Generierung neuer Parameter miteinander verglichen, denn neben dem Ersetzen der konstanten Eingangswerte für verschiedene Oberflächenparameter und den damit verbundenen Änderungen wurden als zusätzliche Verbesserung auch Veränderungen an der Parametrisierung des Bodens speziell in Hinblick auf die Bodentemperaturen in REMO vorgenommen. Im Rahmen dieser Arbeit wurden die durch die verschiedenen Änderungen ausgelösten Auswirkungen für das CORDEX-Gebiet EUR-44 mit einer Auflösung von ca. 50km und für das in dem darin eingebetteten neu definierten Deutschlandgebiet GER-11 mit einer Auflösung von ca. 12km getestet sowie alle Änderungen anhand von verschiedenen Beobachtungsdatensätzen validiert. Die vorgenommenen Arbeiten gliederten sich in drei Hauptteile. Der erste Teil bestand in dem vom eigentlichen Klimamodell unabhängigen Vergleich der verschiedenen Eingangsdaten auf unterschiedlichen Auflösungen und deren Performanz in allen Teilen der Erde, wobei ein besonderer Fokus auf der Qualität in den späteren Modellgebieten lag. Unter Berücksichtigung der Faktoren, wie einer globalen Verfügbarkeit der Daten, einer verbesserten räumlichen Auflösung und einer kostenlosen Nutzung der Daten sowie verschiedener Validationsergebnissen von anderen Studien, wurden in dieser Arbeit vier neue Topographiedatensätze (SRTM, ALOS, TANDEM und ASTER) und drei neue Bodendatensätze (FAOn, Soilgrid und HWSD) für die Verwendung im Präprozess von REMO aufbereitet und miteinander sowie mit den bisher in REMO verwendeten Daten verglichen. Auf Grundlage dieser Vergleichsstudien schieden bei den Topographiedaten die verwendeten Datensatz-Versionen von SRTM, ALOS und TANDEM für die in dieser Arbeit durchgeführten REMO-Läufe aus. Bei den neuen Bodendatensätzen wurde ausgenutzt, dass diese verschiedenen Bodeneigenschaften für unterschiedliche Tiefen als Karten zur Verfügung stellen. In REMO wurden bisher alle benötigten Bodenparameter abhängig von fünf verschiedenen Bodentexturklassen und einer zusätzlichen Torfklasse ausgewiesen und als konstant über die gesamte Modellbodensäule (bis ca. 10m) angenommen. Im zweiten Teil wurden auf Basis der im ersten Teil ausgewählten neuen Datensätze und den neu verfügbaren Bodenvariablen verschiedene Sensitivitätsstudien über das Beispieljahr 2000 durchgeführt. Dabei wurden verschiedene neue Parametrisierungen für die bisher aus der Textur abgeleiteten Bodenvariablen und die Parametrisierung von weiteren hydrologischen und thermalen Bodeneigenschaften verglichen. Ferner wurde aufgrund der neuen nicht über die Tiefe konstanten Bodeneigenschaften eine neue numerische Methode zur Berechnung der Bodentemperaturen der fünf Schichten in REMO getestet, welche wiederum andere Anpassungen erforderte. Der Test und die Auswahl der verschiedenen Datensatz- und Parametrisierungsversionen auf die Modellperformanz wurde in drei Experimentpläne unterteilt. Im ersten Plan wurden die Auswirkungen der ausgewählten Topographie- und Bodendatensätze überprüft. Der zweite Plan behandelte die Unterschiede der verschiedenen Parametrisierungsarten der Bodenvariablen hinsichtlich der verwendeten Variablen zur Berechnung der Bodeneigenschaften, der über die Tiefe variablen oder konstanten Eigenschaften und der verwendeten Berechnungsmethode der Bodentemperaturänderungen. Durch die Erkenntnisse aus diesen beiden Experimentplänen, die für beide Untersuchungsgebiete durchgeführt wurden, ergaben sich im dritten Plan weitere Parametrisierungsänderungen. Alle Änderungen dieses dritten Experimentplans wurden sukzessiv getestet, sodass der paarweise Vergleich von zwei aufeinanderfolgenden Modellläufen die Auswirkungen der Neuerung im jeweils zweiten Lauf widerspiegelt. Der letzte Teil der Arbeit bestand aus der Analyse von fünf längeren Modellläufen (2000-2018), die zur Überprüfung der Ergebnisse aus den Sensitivitätsstudien sowie zur Einschätzung der Performanz in weiteren teilweise extremen atmosphärischen Bedingungen durchgeführt wurden. Hierfür wurden die bisherige Modellversion von REMO (id01) für die beiden Untersuchungsgebiete EUR-44 und GER-11 als Referenzläufe, zwei aufgrund der Vergleichsergebnisse von Experimentplan 3 selektierte Modellversionen (id06 und id15a für GER-11) sowie die finale Version (id18a für GER-11), die alle vorgenommenen Änderungen dieser Arbeit enthält, ausgewählt. Es stellte sich heraus, dass sowohl die neuen Topographiedaten als auch die neuen Bodendaten große Differenzen zu den bisherigen Daten in REMO haben. Zudem änderten sich die von diesen konstanten Eingangsdaten abgeleiteten Hilfsvariablen je nach verwendeter Parametrisierung sehr deutlich. Dies war besonders gut anhand der Bodenparameter zu erkennen. Sowohl die räumliche Verteilung als auch der Wertebereich der verschiedenen Modellversionen unterschieden sich stark. Eine Einschätzung der Qualität der resultierenden Parameter wurde jedoch dadurch erschwert, dass auch die verschiedenen zur Validierung herangezogenen Bodendatensätze für diese Parameter deutlich voneinander abweichen. Die finale Modellversion id18a ähnelte trotz der umfassenden Änderungen in den meisten Variablen den Ergebnissen der bisherigen REMO-Version. Je nach zeitlicher und räumlicher Aggregation sowie unterschiedlichen Regionen und Jahreszeiten wurden leichte Verbesserungen, aber auch leichte Verschlechterungen im Vergleich zu den klimatologischen Validationsdaten festgestellt. Größere Veränderungen im Vergleich zur bisherigen Modellversion konnten in den tieferen Bodenschichten aufgezeigt werden, welche allerdings aufgrund von fehlenden Validationsdaten nicht beurteilt werden konnten. Für alle 2m-Temperaturen konnte eine tendenzielle leichte Erwärmung im Vergleich zum bisherigen Modelllauf beobachtet werden, was sich einerseits negativ auf die ohnehin durchschnittlich zu hohe Minimumtemperatur, aber andererseits positiv auf die bisher zu niedrige Maximumtemperatur des Modells in den betrachteten Gebieten auswirkte. Im Niederschlagssignal und in den 10m-Windvariablen konnten keine signifikanten Änderungen nachgewiesen werden, obwohl die neue Topographie an manchen Stellen im Modellgebiet deutlich von der bisherigen abweicht. Des Weiteren variierte das Ranking der verschiedenen Modellversionen jeweils nach dem angewendeten Qualitätsindex. Um diese Ergebnisse besser einordnen zu können, muss berücksichtigt werden, dass die neuen Daten für Modellgebiete mit 50 bzw. 12km räumlicher Auflösung und der damit verbundenen hydrostatischen Modellversion getestet wurden. Zudem sind vor allem in Fall der Topographie die bisher enthaltenen GTOPO-Daten (1km Auflösung) für die Aggregation auf diese gröbere Modellauflösung geeignet. Die bisherigen Bodendaten stoßen jedoch mit 50km Auflösung bereits an ihre Grenzen. Zusätzlich ist zu beachten, dass nicht nur die Mittelwerte dieser Daten, sondern auch deren Subgrid-Variabilität als Variablen im Modell für verschiedene Parametrisierungen verwendet werden. Daher ist es essentiell, dass die Eingangsdaten eine deutlich höhere Auflösung bereitstellen als die zur Modellierung definierte Auflösung. Für lokale Klimasimulationen mit Auflösungen im niedrigen Kilometerbereich spielen auch die Vertikalbewegungen (nicht-hydrostatische Modellversion) eine wichtige Rolle, die stark von der Topographie sowie deren horizontaler und vertikaler Änderungsrate beeinflusst werden, was die in dieser Arbeit eingebauten wesentlich höher aufgelösten Daten für die zukünftige Weiterentwicklung von REMO wertvoll machen kann. N2 - The main aim of this work was to find new input data sets for the land surface description of the regional climate model REMO and to integrate them into the model in order to improve the predictive quality of the model. The new data sets have been incorporated into the model in such a way that the previous data are still available as an option for the model run. This allows to check whether and to what extent the boundary data required by each climate model have an impact on the model results. In this study comparisons of many different data sets and methods for generating new parameters are included. In addition to replacing the constant input values for different surface parameters and the associated changes, changes were also made for the parameterization of the soil, especially with regard to the soil temperatures in REMO. The effects of different changes which were made in this study were analysed for the CORDEX region EUR-44 with a resolution of 50km and for a newly defined German area GER-11 with a resolution of 12km. All changes were validated with different observational data sets. The work process was divided into three main parts. The first part was independent of the actual climate model and included the comparison of different input data sets at different resolutions and their performance in all parts of the world. Taking into account factors such as global availability of the data, improved spatial resolution and free use of the data, as well as various validation results from other studies, four new topography data sets (SRTM, ALOS, TANDEM and ASTER) and three new soil data sets (FAOn, Soilgrid and HWSD) were processed for the usage by REMO and compared with each other and with the data sets previously used in REMO. Based on these comparative studies of the topographical data sets the SRTM, ALOS and TANDEM data set versions were excluded from the further usage in REMO in this study. For the new soil data sets the fact that they provide different soil properties for different depths as maps has been taken advantage of. In the previous REMO versions, all required soil parameters so far have been determined depending on five different soil texture classes with an additional peat class and assumed to be constant over the entire model soil column (up to approximately 10m). In the second part, several sensitivity studies were tested for the year 2000 based on the new data sets selected in the first part of the analysis and on the new available soil variables. Different new parameterizations for soil variables previously derived from the soil texture now based on the sand, clay and organic content of the soil as well as new parameterizations of further hydrological and thermal properties of soil were compared. In addition, due to the new non-constant soil properties, a new numerical method for calculating the soil temperatures of the five layers in the model was tested, which in turn necessitated further adjustments. The testing and selection of the different data sets and parameterization versions for the model according to performance was divided into three experimental plans. In the first plan, the effects of the selected topography and soil data sets were examined. The second plan dealt with the differences between the different types of parameterization of the soil variables in terms of the variables used to calculate the properties, the properties variable or constant over depth, and the method used to calculate the changes in soil temperature. The findings of these two experimental plans, which were carried out for both study areas, led to further parameterization changes in the third plan. All changes in this third experimental plan were tested successively, so the pairwise comparison of two consecutive model runs reflects the impact of the innovation in the second run. The final part of the analysis consists of five longer model runs (2000-2018), which were carried out to review the results of the sensitivity studies and to assess the performance under other, sometimes extreme, atmospheric conditions. For this purpose, the previous model version of REMO (id01) for the two study areas (EUR-44 and GER-11) served as reference runs. Two new model versions (GER-11 of id06 and id15a) were selected on the basis of the comparison results of the third experimental plan and the final version (GER-11 of id18a) which contains all changes made in this work was also chosen for a detailed analysis. Taken together the results show that both the new topography data and the new soil data differ crucially from the previous data sets in REMO. In addition, the auxiliary variables derived from these constant input data change significantly depending on the parameterization used, especially for the soil parameters. Both the spatial distribution and the range of values of the different model versions differ greatly. However, a quality assessment of the parameterization is difficult because different soil data sets used for the validation of the parameters also differ significantly. The final model version (id18a) is similar to the results of the previous REMO version in most variables, despite the extensive changes of the input data and parametrizations. Depending on temporal and spatial aggregation as well as different regions and seasons, slight improvements have been observed, but also slight deterioration compared to the climatological validation data. In the deeper soil layers larger changes could be identified compared to the previous model version, which could not be assessed due to a lack of validation data. Overall, there was also a slight warming of all 2m temperatures compared to the previous model run, which on the one hand has a negative effect on the already too high minimum temperature, but on the other hand has a positive effect on the previously too low maximum temperature of the model in the study areas. No significant changes could be detected in the precipitation signal and in the 10m wind variables, although the new topography differs significantly from the previous topography at some points in the test area. Furthermore, the ranking of the different model versions varied according to the quality index applied. To evaluate the results it has to be considered that the new data were tested for model regions with 50 and 12km spatial resolution and the associated hydrostatic model version. The so far already included data are suitable for aggregation to this coarser model resolution, especially in the case of topography (GTOPO with 1km resolution). However, the previous soil data already reach their limits with 50km resolution. In addition, it should be noted that not only the mean values of these data, but also their subgrid variability are used as variables in the model for different parameterizations. Therefore, it is essential that the input data provide a significantly higher resolution than the resolution defined for modeling. Vertical fluxes (non-hydrostatic model version) play an important role in local climate simulations with resolutions in the low kilometre range, which are strongly influenced by the topography and its horizontal and vertical change rate, which may make the much higher resolution data incorporated in this work valuable for the future development of REMO. KW - Klimamodell KW - Datenanalyse KW - Modellierung KW - Topographie KW - Klimamodellierung KW - REMO KW - Vergleich verschiedener Modellparameterisierungen KW - Bodenparameter KW - Topographiedaten KW - parametrizations Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-261285 ER - TY - THES A1 - Baumhoer, Celia Amélie T1 - Glacier Front Dynamics of Antarctica - Analysing Changes in Glacier and Ice Shelf Front Position based on SAR Time Series T1 - Gletscherfrontdynamiken in der Antarktis - Die Analyse von Gletscher- und Eisschelffrontänderungen basierend auf SAR-Zeitreihen N2 - The Antarctic Ice Sheet stores ~91% of the global ice volume which is equivalent to a sea-level rise of 58.3 meters. Recent disintegration events of ice shelves and retreating glaciers along the Antarctic Peninsula and West Antarctica indicate the current vulnerable state of the Antarctic Ice Sheet. Glacier tongues and ice shelves create a safety band around Antarctica with buttressing effects on ice discharge. Current decreases in glacier and ice shelf extent reduce the effective buttressing forces and increase ice discharge of grounded ice. The consequence is a higher contribution to sea-level rise from the Antarctic Ice Sheet. So far, it is unresolved which proportion of Antarctic glacier retreat can be attributed to climate change and which part to the natural cycle of growth and decay in the lifetime of a glacier. The quantitative assessment of the magnitude, spatial extent, distribution, and dynamics of circum-Antarctic glacier and ice shelf retreat is of utmost importance to monitor Antarctica’s weakening safety band. In remote areas like Antarctica, earth observation provides optimal properties for large-scale mapping and monitoring of glaciers and ice shelves. Nowadays, the variety of available satellite sensors, technical advancements regarding spatial resolution and revisit times, as well as open satellite data archives create an ideal basis for monitoring calving front change. A systematic review conducted within this thesis revealed major gaps in the availability of glacier and ice shelf front position measurements despite the improved satellite data availability. The previously limited availability of satellite imagery and the time-consuming manual delineation of calving fronts did neither allow a circum-Antarctic assessment of glacier retreat nor the assessment of intra-annual changes in glacier front position. To advance the understanding of Antarctic glacier front change, this thesis presents a novel automated approach for calving front extraction and explores drivers of glacier retreat. A comprehensive review of existing methods for glacier front extraction ascertained the lack of a fully automatic approach for large-scale monitoring of Antarctic calving fronts using radar imagery. Similar backscatter characteristics of different ice types, seasonally changing backscatter values, multi-year sea ice, and mélange made it challenging to implement an automated approach with traditional image processing techniques. Therefore, the present abundance of satellite data is best exploited by integrating recent developments in big data and artificial intelligence (AI) research to derive circum-Antarctic calving front dynamics. In the context of this thesis, the novel AI-based framework “AntarcticLINES” (Antarctic Glacier and Ice Shelf Front Time Series) was created which provides a fully automated processing chain for calving front extraction from Sentinel-1 imagery. Open access Sentinel-1 radar imagery is an ideal data source for monitoring current and future changes in the Antarctic coastline with revisit times of less than six days and all-weather imaging capabilities. The developed processing chain includes the pre-processing of dual-polarized Sentinel-1 imagery for machine learning applications. 38 Sentinel-1 scenes were used to train the deep learning architecture U-Net for image segmentation. The trained weights of the neural network can be used to segment Sentinel-1 scenes into land ice and ocean. Additional post-processing ensures even more accurate results by including morphological filtering before extracting the final coastline. A comprehensive accuracy assessment has proven the correct extraction of the coastline. On average, the automatically extracted coastline deviates by 2-3 pixels (93 m) from a manual delineation. This accuracy is in range with deviations between manually delineated coastlines from different experts. For the first time, the fully automated framework AntarcticLINES enabled the extraction of intra-annual glacier front fluctuations to assess seasonal variations in calving front change. Thereby, for example, an increased calving frequency of Pine Island Glacier and a beginning disintegration of Glenzer Glacier were revealed. Besides, the extraction of the entire Antarctic coastline for 2018 highlighted the large-scale applicability of the developed approach. Accurate results for entire Antarctica were derived except for the Western Antarctic Peninsula where training imagery was not sufficient and should be included in future studies. Furthermore, this dissertation presents an unprecedented record of circum-Antarctic calving front change over the last two decades. The newly extracted coastline for 2018 was compared to previous coastline products from 2009 and 1997. This revealed that the Antarctic Ice Sheet shrank 29,618±1193 km2 in extent between 1997-2008 and gained an area of 7,108±1029 km2 between 2009-2018. Glacier retreat concentrated along the Antarctic Peninsula and West Antarctica. The only East Antarctic coastal sector primarily experiencing calving front retreat was Wilkes Land in 2009-2018. Finally, potential drivers of circum-Antarctic glacier retreat were identified by combining data on glacier front change with changes in climate variables. It was found that strengthening westerlies, snowmelt, rising sea surface temperatures, and decreasing sea ice cover forced glacier retreat over the last two decades. Relative changes in mean air temperature could not be identified as a driver for glacier retreat and further investigations on extreme events in air temperature are necessary to assess the effect of atmospheric forcing on frontal retreat. The strengthening of all identified drivers was closely connected to positive phases of the Southern Annular Mode (SAM). With increasing greenhouse gases and ozone depletion, positive phases of SAM will occur more often and force glacier retreat even further in the future. Within this thesis, a comprehensive review on existing Antarctic glacier and ice shelf front studies was conducted revealing major gaps in Antarctic calving front records. Therefore, a fully automated processing chain for glacier and ice shelf front extraction was implemented to track circum-Antarctic calving front fluctuations on an intra-annual basis. The large-scale applicability was certified by presenting two decades of circum-Antarctic calving front change. In combination with climate variables, drivers of recent glacier retreat were identified. In the future, the presented framework AntarcticLINES will greatly contribute to the constant monitoring of the Antarctic coastline under the pressure of a changing climate. N2 - Der antarktische Eisschild speichert ~91 % des globalen Eisvolumens. Ein gänzliches Abschmelzen des Eisschildes hätte global einen Meeresspiegelanstieg von 58,3 Metern zur Folge. Der aktuelle Zerfall von Eisschelfen und der Gletscherrückgang entlang der Antarktischen Halbinsel und Westantarktis verdeutlichen den vulnerablen Status des antarktischen Eisschildes. Gletscherzungen und Eisschelfe säumen die antarktische Küstenlinie und halten die Eisströme Richtung Ozean zurück. Ein Rückzug der Eisschelfe und Gletscher vermindert den Rückhalteeffekt und führt zu zunehmenden Gletscher-Fließgeschwindigkeiten in Richtung Ozean. Der dadurch verursachte Masseverlust trägt zum globalen Meeresspiegelanstieg bei. Bislang ist ungeklärt, welcher Anteil des antarktischen Gletscherrückgangs auf den Klimawandel und welcher auf den natürlichen Kalbungszyklus der Gletscher und Eisschelfe zurückzuführen ist. Aufgrund des vermehrten Zerfalls von Eisschelfen in den letzten Dekaden ist es von großer Wichtigkeit, den Gletscherrückgang zu quantifizieren und dessen Ausmaß, räumlichen Ausdehnung, Verteilung und Dynamik zirkumantarktisch zu erfassen, um mögliche Auswirkungen auf den Meeresspiegelanstieg frühzeitig zu erkennen. In abgelegenen Regionen wie der Antarktis bietet die Erdbeobachtung optimale Voraussetzungen für das großflächige Kartieren und Beobachten von Gletschern und Eisschelfen. Heute stellt die Fülle an frei-verfügbaren Satellitendaten verschiedener Sensoren, in Kombination mit technischen Neuerungen hinsichtlich der räumlichen und zeitlichen Abdeckung, eine ideale Basis für das Monitoring der Kalbungsfronten dar. Trotz der guten Datenverfügbarkeit hat ein umfassender Literaturüberblick − welcher im Rahmen dieser Dissertation durchgeführt wurde − große Lücken in der Verfügbarkeit von Gletscher- und Eisschelffrontpositionsmessungen festgestellt. Die zuvor limitierte Verfügbarkeit von Satellitendaten und die zeitaufwändige manuelle Ableitung der Küstenlinie machten eine zirkumantarktische Beurteilung des Gletscherrückgangs und die intra-annuelle Analyse von Gletscherfrontpositionen unmöglich. Für ein besseres Verständnis antarktischer Gletscherfrontveränderungen, präsentiert diese Dissertation ein neues, automatisiertes Konzept zur Kalbungsfrontextraktion und untersucht ob klimatische Faktoren für den beobachteten Kalbungsfrontenrückgang verantwortlich sind. Anhand des Literaturüberblicks konnte festgestellt werden, dass bis dato kein komplett automatisiertes Verfahren für die Gletscherfrontextraktion aus großvolumigen Radarsatellitenbildern bestand. Ähnliche Rückstreuwerte von verschiedenen Eistypen, saisonal veränderliche Rückstreuwerte, mehrjähriges Meereis und Eis-Mélange erschwerten die Entwicklung eines automatisierten Ansatzes mit traditionellen Bildverarbeitungsansätzen. Doch die Neuerungen in den Bereichen „Big Data“ und der künstlichen Intelligenz (KI) ermöglichen es, die heutige Fülle an Satellitendaten für die Ableitung von Kalbungsfronten zu nutzen. Im Rahmen dieser Dissertation wurde das neuartige Framework “AntarcticLINES” (Antarctic Glacier and Ice Shelf Front Time Series) kreiert, welches eine komplett automatisierte, KI-basierte Prozessierungskette für die Gletscherfrontenextraktion von Sentinel-1 Daten beinhaltet. Frei verfügbare Sentinel-1 Daten sind ideal, um derzeitige und zukünftige Veränderungen der antarktischen Küstenlinie zu beobachten, da die Orbitwiederholrate weniger als sechs Tage beträgt und die Bildgebung wetterunabhängig ist. Die entwickelte Prozessierungskette beinhaltet die Vorprozessierung, Maskierung und Zerlegung der Satellitenbilder in kleinere Kacheln. Es wurden 38 Sentinel-1 Szenen genutzt, um die Deep Learning Architektur U-Net für eine Bildsegmentierung zu trainieren. Die trainierten Gewichte des Neuronalen Netzes können genutzt werden, um Sentinel-1 Szenen in die Klassen Ozean und Eis zu segmentieren. Eine zusätzliche Nachprozessierung ermöglicht noch genauere Ergebnisse durch morphologisches Filtern, bevor die finale Küstenlinie zwischen den beiden Klassen extrahiert wird. Eine umfangreiche Genauigkeitsauswertung hat ergeben, dass die automatisch abgeleitete Küstenlinie im Mittel 2-3 Pixel (93 m) von einer manuell abgeleiteten Küstenlinie abweicht. Diese Genauigkeit ist im Rahmen der durchschnittlichen Abweichungen von manuell abgeleiteten Küstenlinien verschiedener Experten. Erstmals ermöglicht das Framework AntarcticLINES die automatisierte Extraktion von intra-annuellen Gletscherfrontfluktuationen, um saisonale Variationen in der Kalbungsfrontänderung zu untersuchen. Dadurch konnte beispielsweise eine erhöhte Kalbungsfrequenz des Pine-Island-Gletschers festgestellt werden. Die Extraktion der antarktischen Küstenlinie für 2018 zeigt die mögliche Anwendung der entwickelten Methodik für großräumige Gebiete. Für den Großteil der Antarktis wurden genaue Ergebnisse erzielt, lediglich entlang der westlichen Antarktischen Halbinsel fehlten Trainingsdaten, welche in zukünftigen Studien inkludiert werden sollten. Darüber hinaus präsentiert diese Dissertation einen bis dato beispiellosen Datensatz zu zirkumantarktischen Veränderungen der Kalbungsfronten über die letzten zwei Jahrzehnte. Die neu extrahierte Küstenlinie für das Jahr 2018 wurde mit früheren Küstenlinienprodukten von 2009 und 1997 verglichen. Dies hat offengelegt, dass der Antarktische Eisschild zwischen 1997 und 2008 eine Fläche von 29,618±1193 km2 verlor und zwischen 2009 und 2018 eine Fläche von 7,108±1029 km2 dazugewann. Der Gletscherrückgang konzentrierte sich entlang der Antarktischen Halbinsel und der Westantarktis. Der einzige ostantarktische Sektor, in dem sich simultaner Gletscherrückgang zeigte, war Wilkes Land in den Jahren 2009 bis 2018. Im Anschluss wurden Ursachen für den Antarktischen Gletscherrückgang durch die Korrelation mit Klimavariablen identifiziert. Zunehmende Westwinde, Schneeschmelze, ansteigende Meeresoberflächentemperaturen und zurückgehendes Meereis begünstigten den Gletscherrückgang in den letzten zwei Dekaden. Relative Veränderungen in der durchschnittlichen Lufttemperatur konnten nicht als Ursache für den Gletscherrückgang identifiziert werden und weiter Analysen zu Extremereignissen in der Lufttemperatur sind nötig um Frontveränderungen verursacht durch atmosphärischen Antrieb besser verstehen zu können. Die Verstärkung aller identifizierten Treiber ist eng mit positiven Phasen des Southern Annular Mode (SAM) verbunden. In Anbetracht ansteigender Konzentrationen von Treibhausgasen und dem Ozonrückgang werden positive Phasen des SAMs in Zukunft öfter auftreten, was in Folge den Gletscherrückgang noch weiter vorantreiben kann. Zusammengefasst wurde im Rahmen dieser Dissertation ein umfassender Literaturüberblick zu existierenden Gletscher- und Eisschelffrontstudien durchgeführt, welcher größere Lücken in Kalbungsfrontstudien aufzeigte. Es wurde eine voll-automatisierte Prozessierungskette entwickelt, um zirkumantarktische Kalbungsfrontpositionen intra-annuell beobachten zu können und die Datenlücken zu schließen. In Kombination mit Klimavariablen wurden treibende Kräfte, die den aktuellen Gletscherrückgang begünstigen, identifiziert. In Zukunft wird das präsentierte Framework AntarcticLINES zur konstanten Beobachtung der Antarktischen Küstenlinie eingesetzt, um Veränderungen in Anbetracht eines sich ändernden Klimas zu analysieren. KW - Antarctica KW - Remote Sensing KW - Glacier KW - SAR Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-245814 ER - TY - THES A1 - Karama, Alphonse T1 - East African Seasonal Rainfall prediction using multiple linear regression and regression with ARIMA errors models T1 - Vorhersage des saisonalen Niederschlags in Ostafrika mit multipler linearer Regression und Regression mit ARIMA-Fehlermodellen N2 - The detrimental impacts of climate variability on water, agriculture, and food resources in East Africa underscore the importance of reliable seasonal climate prediction. To overcome this difficulty RARIMAE method were evolved. Applications RARIMAE in the literature shows that amalgamating different methods can be an efficient and effective way to improve the forecasts of time series under consideration. With these motivations, attempt have been made to develop a multiple linear regression model (MLR) and a RARIMAE models for forecasting seasonal rainfall in east Africa under the following objectives: 1. To develop MLR model for seasonal rainfall prediction in East Africa. 2. To develop a RARIMAE model for seasonal rainfall prediction in East Africa. 3. Comparison of model's efficiency under consideration In order to achieve the above objectives, the monthly precipitation data covering the period from 1949 to 2000 was obtained from Climate Research Unit (CRU). Next to that, the first differenced climate indices were used as predictors. In the first part of this study, the analyses of the rainfall fluctuation in whole Central- East Africa region which span over a longitude of 15 degrees East to 55 degrees East and a latitude of 15 degrees South to 15 degrees North was done by the help of maps. For models’ comparison, the R-squared values for the MLR model are subtracted from the R-squared values of RARIMAE model. The results show positive values which indicates that R-squared is improved by RARIMAE model. On the other side, the root mean square errors (RMSE) values of the RARIMAE model are subtracted from the RMSE values of the MLR model and the results show negative value which indicates that RMSE is reduced by RARIMAE model for training and testing datasets. For the second part of this study, the area which is considered covers a longitude of 31.5 degrees East to 41 degrees East and a latitude of 3.5 degrees South to 0.5 degrees South. This region covers Central-East of the Democratic Republic of Congo (DRC), north of Burundi, south of Uganda, Rwanda, north of Tanzania and south of Kenya. Considering a model constructed based on the average rainfall time series in this region, the long rainfall season counts the nine months lead of the first principal component of Indian sea level pressure (SLP_PC19) and the nine months lead of Dipole Mode Index (DMI_LR9) as selected predictors for both statistical and predictive model. On the other side, the short rainfall season counts the three months lead of the first principal component of Indian sea surface temperature (SST_PC13) and the three months lead of Southern Oscillation Index (SOI_SR3) as predictors for predictive model. For short rainfall season statistical model SAOD current time series (SAOD_SR0) was added on the two predictors in predictive model. By applying a MLR model it is shown that the forecast can explain 27.4% of the total variation and has a RMSE of 74.2mm/season for long rainfall season while for the RARIMAE the forecast explains 53.6% of the total variation and has a RMSE of 59.4mm/season. By applying a MLR model it is shown that the forecast can explain 22.8% of the total variation and has a RMSE of 106.1 mm/season for short rainfall season predictive model while for the RARIMAE the forecast explains 55.1% of the total variation and has a RMSE of 81.1 mm/season. From such comparison, a significant rise in R-squared, a decrease of RMSE values were observed in RARIMAE models for both short rainfall and long rainfall season averaged time series. In terms of reliability, RARIMAE outperformed its MLR counterparts with better efficiency and accuracy. Therefore, whenever the data suffer from autocorrelation, we can go for MLR with ARIMA error, the ARIMA error part is more to correct the autocorrelation thereby improving the variance and productiveness of the model. N2 - Die nachteiligen Auswirkungen der Klimavariabilität auf Wasser, Landwirtschaft und Nahrungsressourcen in Ostafrika unterstreichen die Bedeutung einer zuverlässigen saisonalen Klimavorhersage. Um diese Schwierigkeit zu überwinden, wurden die Regression mit ARIMA-Fehlern (RARIMAE)-Methoden entwickelt. Die Anwendungen RARIMAE in der Literatur zeigen, dass die Zusammenführung verschiedener Methoden ein effizienter und effektiver Weg sein kann, um die Vorhersagen der betrachteten Zeitreihen zu verbessern. Aus dieser Motivation heraus wurde versucht, ein multiples lineares Regressionsmodell (MLR) und ein RARIMAE-Modell zur Vorhersage saisonaler Niederschläge in Ostafrika unter folgenden Zielsetzungen zu entwickeln: 1. Entwicklung eines MLR-Modells für die Vorhersage der saisonalen Regenfälle in Ostafrika. 2. Entwicklung eines RARIMAE-Modells für die saisonale Niederschlagsvorhersage in Ostafrika. 3. Vergleich der betrachteten Modelleffizienz Um die oben genannten Ziele zu erreichen, wurden die monatlichen Niederschlagsdaten für den Zeitraum von 1949 bis 2000 von der Climate Research Unit (CRU) bezogen. Daneben wurden die ersten differenzierten Klimaindizes als Prädiktoren verwendet. Im ersten Teil dieser Studie wurden die Niederschlagsschwankungen in der gesamten Region Zentral-Ostafrika, die sich über einen Längengrad von 15 Grad Ost bis 55 Grad Ost und einen Breitengrad von 15 Grad Süd bis 15 Grad Nord erstrecken, analysiert mit Hilfe von Karten gemacht. Für den Modellvergleich werden die Erklärte Varianz-Werte für das MLR-Modell von den R-Quadrat-Werten des RARIMAE-Modells abgezogen. Die Ergebnisse zeigen positive Werte, was darauf hinweist, die Erklärte Varianz durch das RARIMAE-Modell verbessert wird. Auf der anderen Seite werden die Root-Mean-Square-Error-Werte (RMSE) des RARIMAE-Modells von den RMSE-Werten des MLR-Modells subtrahiert und die Ergebnisse zeigen einen negativen Wert, der darauf hinweist, dass der RMSE durch das RARIMAE-Modell für Trainings- und Testdatensätze reduziert wird. Für den zweiten Teil dieser Studie umfasst das betrachtete Gebiet einen Längengrad von 31,5 Grad Ost bis 41 Grad Ost und einen Breitengrad von 3,5 Grad Süd bis 0,5 Grad Süd. Diese Region umfasst den Zentral-Osten der Demokratischen Republik Kongo (DRC), nördlich von Burundi, südlich von Uganda, Ruanda, nördlich von Tansania und südlich von Kenia. Betrachtet man ein Modell, das auf der Grundlage der durchschnittlichen Niederschlagszeitreihen in dieser Region erstellt wurde, zählt die lange Regensaison den neunmonatigen Vorsprung der ersten Hauptkomponente des indischen Meeresspiegeldrucks (SLP_PC19) und den neunmonatigen Vorsprung des Dipolmodus-Index (DMI_LR9) als ausgewählte Prädiktoren für statistische und prädiktive Modelle. Auf der anderen Seite zählt die kurze Regenzeit den dreimonatigen Vorsprung der ersten Hauptkomponente der indischen Meeresoberflächentemperatur (SST_PC13) und den dreimonatigen Vorsprung des Southern Oscillation Index (SOI_SR3) als Prädiktoren für das Vorhersagemodell. Für das statistische Modell der kurzen Regenzeit wurde die aktuelle SAOD-Zeitreihe (SAOD_SR0) zu den beiden Prädiktoren im Vorhersagemodell hinzugefügt. Durch die Anwendung eines MLR-Modells wird gezeigt, dass die Vorhersage 27,4 % der Gesamtvariation erklären kann und einen RMSE von 74,2 mm/Saison für eine lange Regenzeit hat, während die Vorhersage für RARIMAE 53,6% der Gesamtvariation erklärt und einen RMSE von 59,4 mm/Saison hat. Durch die Anwendung eines MLR-Modells wird gezeigt, dass die Vorhersage 22,8% der Gesamtvariation erklären kann und einen RMSE von 106,1 mm/Saison für das Vorhersagemodell für kurze Regenzeiten hat, während die Vorhersage für RARIMAE 55,1% der Gesamtvariation erklärt und a RMSE von 81,1 mm/Saison. Aus einem solchen Vergleich wurde ein signifikanter Anstieg die Erklärte Varianz und eine Abnahme der RMSE-Werte in RARIMAE-Modellen sowohl für die gemittelten Zeitreihen für kurze Regenfälle als auch für lange Regenzeiten beobachtet. In Bezug auf die Zuverlässigkeit übertraf RARIMAE seine MLR-Pendants mit besserer Effizienz und Genauigkeit. Wenn die Daten unter Autokorrelation leiden, können wir uns daher für MLR mit ARIMA-Fehler entscheiden. Der ARIMA-Fehlerteil dient mehr dazu, die Autokorrelation zu korrigieren, wodurch die Varianz und Produktivität des Modells verbessert wird. KW - Regression KW - Niederschlag KW - Telekonnektion KW - Precipitation KW - ARIMA KW - Teleconnection Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-251831 ER -