TY  - THES
A1  - Pollinger, Felix
T1  - Bewertung und Auswirkungen der Simulationsgüte führender Klimamoden in einem Multi-Modell Ensemble
T1  - Evaluation and effects of the simulation quality of leading climate modes in a multi-model ensemble
N2  - Der rezente und zukünftige Anstieg der atmosphärischen Treibhausgaskonzentration bedeutet für das terrestrische Klimasystem einen grundlegenden Wandel, der für die globale Gesellschaft schwer zu bewältigende Aufgaben und Herausforderungen bereit hält. Eine effektive, rühzeitige Anpassung an diesen Klimawandel profitiert dabei enorm von möglichst genauen Abschätzungen künftiger Klimaänderungen.
Das geeignete Werkzeug hierfür sind Gekoppelte Atmosphäre Ozean Modelle (AOGCMs). Für solche Fragestellungen müssen allerdings weitreichende Annahmen über die zukünftigen klimarelevanten Randbedingungen getroffen werden. Individuelle Fehler dieser Klimamodelle, die aus der nicht perfekten Abbildung der realen Verhältnisse und Prozesse resultieren, erhöhen die Unsicherheit langfristiger Klimaprojektionen. So unterscheiden sich die Aussagen verschiedener AOGCMs im Hinblick auf den zukünftigen Klimawandel insbesondere bei regionaler Betrachtung, deutlich. Als Absicherung gegen Modellfehler werden üblicherweise die Ergebnisse mehrerer AOGCMs, eines Ensembles an Modellen, kombiniert. Um die Abschätzung des Klimawandels zu präzisieren, wird in der vorliegenden Arbeit der Versuch unternommen, eine Bewertung der Modellperformance der 24 AOGCMs, die an der dritten Phase des Vergleichsprojekts für gekoppelte Modelle (CMIP3) teilgenommen haben, zu erstellen. Auf dieser Basis wird dann eine nummerische Gewichtung für die Kombination des Ensembles erstellt. Zunächst werden die von den AOGCMs simulierten Klimatologien für einige
grundlegende Klimaelemente mit den betreffenden klimatologien verschiedener Beobachtungsdatensätze quantitativ abgeglichen. Ein wichtiger methodischer Aspekt
hierbei ist, dass auch die Unsicherheit der Beobachtungen, konkret Unterschiede zwischen verschiedenen Datensätzen, berücksichtigt werden. So zeigt sich, dass die Aussagen, die aus solchen Ansätzen resultieren, von zu vielen Unsicherheiten in den Referenzdaten beeinträchtigt werden, um generelle Aussagen zur Qualität von AOGCMs zu treffen. Die Nutzung der Köppen-Geiger Klassifikation offenbart jedoch, dass die prinzipielle Verteilung der bekannten Klimatypen im kompletten CMIP3 in vergleichbar guter Qualität reproduziert wird. Als Bewertungskriterium wird daher hier die Fähigkeit der AOGCMs die großskalige natürliche Klimavariabilität, konkret die hochkomplexe gekoppelte
El Niño-Southern Oscillation (ENSO), realistisch abzubilden herangezogen. Es kann anhand verschiedener Aspekte des ENSO-Phänomens gezeigt werden, dass nicht alle AOGCMs hierzu mit gleicher Realitätsnähe in der Lage sind. Dies steht im Gegensatz zu den dominierenden Klimamoden der Außertropen, die modellübergreifend überzeugend repräsentiert werden. Die wichtigsten Moden werden, in globaler Betrachtung, in verschiedenen Beobachtungsdaten über einen neuen Ansatz identifiziert. So können für einige bekannte Zirkulationsmuster neue Indexdefinitionen gewonnen werden, die sich sowohl als äquivalent zu den Standardverfahren erweisen und im Vergleich zu diesen zudem eine deutliche Reduzierung
des Rechenaufwandes bedeuten. Andere bekannte Moden werden dagegen als weniger bedeutsame, regionale Zirkulationsmuster eingestuft. Die hier vorgestellte
Methode zur Beurteilung der Simulation von ENSO ist in guter Übereinstimmung mit anderen Ansätzen, ebenso die daraus folgende Bewertung der gesamten Performance
der AOGCMs. Das Spektrum des Southern Oscillation-Index (SOI) stellt somit eine aussagekräftige Kenngröße der Modellqualität dar.
Die Unterschiede in der Fähigkeit, das ENSO-System abzubilden, erweisen sich als signifikante Unsicherheitsquelle im Hinblick auf die zukünftige Entwicklung einiger fundamentaler und bedeutsamer Klimagrößen, konkret der globalen Mitteltemperatur,
des SOIs selbst, sowie des indischen Monsuns. Ebenso zeigen sich signifikante Unterschiede für regionale Klimaänderungen zwischen zwei Teilensembles des CMIP3, die auf Grundlage der entwickelten Bewertungsfunktion eingeteilt werden. Jedoch sind diese Effekte im Allgemeinen nicht mit den Auswirkungen der
anthropogenen Klimaänderungssignale im Multi-Modell Ensemble vergleichbar, die für die meisten Klimagrößen in einem robusten multivariaten Ansatz detektiert und
quantifiziert werden können. Entsprechend sind die effektiven Klimaänderungen, die sich bei der Kombination aller Simulationen als grundlegende Aussage des
CMIP3 unter den speziellen Randbedingungen ergeben nahezu unabhängig davon, ob alle Läufe mit dem gleichen Einfluss berücksichtigt werden, oder ob die erstellte nummerische Gewichtung verwendet wird. Als eine wesentliche Begründung hierfür kann die Spannbreite der Entwicklung des ENSO-Systems identifiziert werden. Dies
bedeutet größere Schwankungen in den Ergebnissen der Modelle mit funktionierendem ENSO, was den Stellenwert der natürlichen Variabilität als Unsicherheitsquelle
in Fragen des Klimawandels unterstreicht. Sowohl bei Betrachtung der Teilensembles als auch der Gewichtung wirken sich dadurch gegenläufige Trends im SOI
ausgleichend auf die Entwicklung anderer Klimagrößen aus, was insbesondere bei letzterem Vorgehen signifikante mittlere Effekte des Ansatzes, verglichen mit der
Verwendung des üblichen arithmetischen Multi-Modell Mittelwert, verhindert.
N2  - The recent and future increase in atmospheric greenhouse gases will cause fundamental change in the terrestrial climate system, which will lead to enormous tasks and challenges for the global society. Effective and early adaptation to this climate change will benefit hugley from optimal possible estimates of future climate
change. Coupled atmosphere-ocean models (AOGCMs) are the appropriate tool for this. However, to tackle these questions, it is necessary to make far reaching
assumptions about the future climate-relevant boundary conditions. Furthermore there are individual errors in each climate model. These originate from flaws in
reproducing the real climate system and result in a further increase of uncertainty with regards to long-range climate projections. Hence, concering future climate
change, there are pronounced differences between the results of different AOGCMs, especially under a regional point of view. It is the usual approach to use a number
of AOGCMs and combine their results as a safety measure against the influence of such model errors. In this thesis, an attempt is made to develop a valuation
scheme and based on that a weighting scheme, for AOGCMs in order to narrow the range of climate change projections. The 24 models that were included in the
third phase of the coupled model intercomparsion project (CMIP3) are used for this purpose. First some fundamental climatologies simulated by the AOGCMs are quantitatively
compared to a number of observational data. An important methodological aspect of this approach is to explicitly address the uncertainty associated with the observational data. It is revealed that statements concerning the quality of climate models based on such hindcastig approaches might be flawed due to uncertainties
about observational data. However, the application of the Köppen-Geiger classification reveales that all considered AOGCMs are capable of reproducing the fundamental distribution of observed types of climate.
Thus, to evaluate the models, their ability to reproduce large-scale climate variability is chosen as the criterion. The focus is on one highly complex feature,
the coupled El Niño-Southern Oscillation. Addressing several aspects of this climate mode, it is demonstrated that there are AOGCMs that are less successful in doing so than others. In contrast, all models reproduce the most dominant extratropical climate modes in a satisfying manner. The decision which modes are the most important is made using a distinct approach considering several global sets of observational data. This way, it is possible to add new definitions for the time series of some well-known climate patterns, which proof to be equivalent to the standard definitions. Along with this, other popular modes are identified as less important regional patterns. The presented approach to assess the simulation of ENSO is in good agreement with other approaches, as well as the resulting rating of the overall model performance. The spectrum of the timeseries of the Southern Oscillation Index (SOI) can thus be regarded as a sound parameter of the quality of AOGCMs.
Differences in the ability to simulate a realistic ENSO-system prove to be a significant source of uncertainty with respect to the future development of some
fundamental and important climate parameters, namely the global near-surface air mean temperature, the SOI itself and the Indian monsoon. In addition, there are significant differences in the patterns of regional climate change as simulated by two ensembles, which are constituted according to the evaluation function
previously developed. However, these effects are overall not comparable to the multi-model ensembles’ anthropogenic induced climate change signals which can
be detected and quantified using a robust multi-variate approach. If all individual simulations following a specific emission scenario are combined, the resulting
climate change signals can be thought of as the fundamental message of CMIP3.
It appears to be quite a stable one, more or less unaffected by the use of the derived weighting scheme instead of the common approach to use equal weights
for all simulations. It is reasoned that this originates mainly from the range of trends in the SOI. Apparently, the group of models that seems to have a realistic
ENSO-system also shows greater variations in terms of effective climate change. This underlines the importance of natural climate variability as a major source
of uncertainty concerning climate change. For the SOI there are negative Trends in the multi-model ensemble as well as positive ones. Overall, these trends tend
to stabilize the development of other climate parameters when various AOGCMs are combined, whether the two distinguished parts of CMIP3 are analyzed or the
weighting scheme is applied. Especially in case of the latter method, this prevents significant effects on the mean change compared to the arithmetic multi-model mean.
KW  - Modell
KW  - Klima
KW  - Statistik
KW  - Anthropogene Klimaänderung
KW  - El-Niño-Phänomen
KW  - multi-model ensemble
KW  - großskalige Klimavariabilität
KW  - Gewichtung von Klimamodellen
KW  - large scale climate variability
KW  - weighting of climate models
KW  - Allgemeine atmosphärische Zirkulation
KW  - Klimatologie
KW  - Klimaänderung
KW  - Modellierung
KW  - Mathematisches Modell
Y1  - 2013
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-97982
ER  - 
TY  - THES
A1  - Mutz, Sebastian
T1  - Dynamic Statistical Modelling of Climate-Related Mass Balance Changes in Norway
T1  - Dynamisch-Statistische Modellierung Klimabedingter Gletschermassenveränderungen in Norwegen
N2  - The glaciers in Norway exert a strong influence on Norwegian economy and society. Unlike many glaciers elsewhere and despite ongoing climate change and warming, many of them showed renewed advances and positive net mass changes in the 1980's and 1990's, followed by rapid retreats and mass losses since 2000. This difference in behaviour may be attributed to differences and shifts in the glaciological regime - the differences in the magnitude of impacts of climatic and non-climatic geographical factors on the glacier mass. 
This study investigates the influence of various atmospheric variables on mass balance changes of a selection of glaciers in Norway by means of Pearson correlation analyses and cross-validated stepwise multiple regression analyses. The analyses are carried out for three time periods (1949-2008, 1949-1988, 1989-2008) separately in order to take into consideration the possible shift in the glaciological regime in the 1980's. The atmospheric variables are constructed from ERA40 and NCEP/NCAR re-analysis datasets and include regional means of seasonal air temperature and precipitation rates and atmospheric circulation indices. The multiple regression models trained in these time periods are then applied to predictors reconstructed from the CMIP3 climate model dataset to generate an estimate for mass changes from the year 1950 to 2100. The temporal overlap of estimates and observations is used for calibration. Finally, observed atmospheric states in seasons that are characterised by a particularly positive or negative mass balance are categorised into time periods of modelled climate by the application of a Bayesian classification procedure. 
The strongest influence on winter mass balance is exerted by different indices of the North Atlantic Oscillation (NAO), Northern Annular Mode (NAM) and precipitation. The correlation coefficients and explained variances determined from the multiple regression analyses reveal an East-West gradient, suggesting a weaker influence of the NAO and NAM on glaciers underlying a more continental regime. The highest correlation coefficients and explained variances were obtained for the 1989-2008 time period, which might be due to a strong and predominantly positive phase of the NAO. Multi-model ensemble means of the estimates show a mass loss for all three eastern glaciers, while the estimates for the more maritime glaciers are ambivalent. In general, the estimates show a greater sensitivity to the training time period than to the greenhouse gas emission scenarios according to which the climates were simulated. The average net mass change by the end of 2100 is negative for all glaciers except for the northern Engabreen. For many glaciers, the Bayesian classification of observed atmospheric states into time periods of modelled climate reveals a decrease in probability of atmospheric states favouring extremes in winter, and an increase in probability of atmospheric states favouring extreme mass loss in summer for the distant future (2071-2100). This pattern of probabilities for the ablation season is most pronounced for glaciers underlying a continental and intermediate regime.
N2  - Gletscher in Norwegen stellen einen starken Einflussfaktor auf Wirtschaft und Gesellschaft dar. Trotz des Klimawandels und Erwärmung kam es zu einem Vorstoß der Gletscher in den späten 1980er und 1990ern, welcher erst ab dem Jahr 2000 durch einen starken Massenverlust abgelöst wurde. Dieses Verhalten lässt sich möglicherweise durch Unterschiede und Veränderungen im glaziologischen Regime erklären, d.h. Unterschiede in der Stärke der Einflüsse von klimatisch und nicht-klimatischen Faktoren auf die Gletschermassenbilanzen. 
Diese Arbeit untersucht den Einfluss verschiedener atmosphärischer Variablen auf die Massenveränderungen einiger Gletscher in Norwegen mit Hilfe von Korrelationsanalysen und kreuzvalidierten schrittweise multiple Regressionsanalysen. Diese werden für die Zeitabschnitte 1949-2008, 1949-1988 und 1989-2008 separat durchgeführt um den möglichen Regimewechsel in the 1980ern zu berücksichtigen. Die atmosphärischen Variablen werden aus ERA40 und NCEP/NCAR Re-analysen erstellt und beinhalten unter anderem atmosphärische Zirkulationsindizes und regionale Mittel von saisonalem Niederschlag und Temperatur. Die Regressionmodelle werden dann auf die aus den Daten des CMIP3 Klimamodelldatenarchiv rekonstruierten Prädiktoren angewandt um eine Abschätzung der Gletschermassenveränderung für den Zeitraum von 1950 bis 2100 zu erstellen. Die zeitliche Überschneidung von Abschätzungen und Beobachtungen wird zur Eichung genutzt. Zuletzt wird durch einen Bayesischen Klassifizierungsansatz beobachtete atmosphärische Zustände in Jahren, die durch besonders negative oder positive Massenbilanzen geprägt sind, in Zeitabschnitte von modelliertem Klima eingeordnet.
Der größte Einfluss auf Wintermassenbilanzen stellt die Nordatlantische Oszillation, Arktische Oszillation und Niederschlagsmittel dar. Die Höhe der Korrelationskoeffizienten und der durch diese Prädiktoren erklärte  Varianz der Wintermassenbilanz nimmt für die östlich gelegenen, kontinental geprägteren Gletscher ab. Die stärksten stochastischen Zusammenhänge und höchsten erklärten Varianzen werden aus dem 1989-2008 Zeitabschnitt gewonnen und lassen sich möglicherweise durch eine meist starke und positive Phase der Winter-NAO in diesem Zeitraum erklären. Multi-model Ensemble Means der Abschätzungen der Gletschermassenveränderungen zeigen den größten Massenverlust für die östlich gelegenen, kontinentaleren Gletscher auf. Die Abschätzungen für die eher maritim geprägten Gletscher sind weniger eindeutig. Im Allgemeinen reagieren die Abschätzungen empfindlicher auf die Wahl des Trainingszeitraums für die Regressionsmodelle als auf die  Emissionsszenarien der Klimamodellläufe. Im Durchschnitt ist die kumulative Massenbilanz im Jahr 2100 jedoch für fast alle Gletscher negativ.  Der nördlich gelegene Engabreen stellt die einzige Ausnahme dar. Die Resultate des Bayesischen Klassifikationsansatzes zeigen eine Abnahme in der Wahrscheinlichkeit für atmospphärischen Zustände, die Minima und Maxima winterlicher Akkumulation begünstigen. Des Weiteren zeigen die Resultate eine Zunahme in der Wahrscheinlichkeit der atmosphärischen Zustände, die starken Massenverlust im Sommer begünstigen. Dies ist besonders bei den Gletschern der Fall, die einem kontinentalen oder Übergangsregime unterliegen.
KW  - Norwegen
KW  - Klimatologie
KW  - Klimaänderung
KW  - Gletscherschwankung
KW  - Geschichte 1949-2008
KW  - dynamic-statistical
KW  - statistica modelling
KW  - glaciers
KW  - climate change
KW  - norway
KW  - statistics
KW  - bayesian
Y1  - 2013
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-114799
ER  -