5. Wo liegen die Unsicherheiten von Klimamodellen? Was sind ihre Grenzen?

Da die Rechenleistung begrenzt ist, gibt es eine Untergrenze für die Gitterzellengröße, für die Klimamodelle berechnet werden können (siehe auch „Was ist ein Klimamodell?“). Es gibt jedoch Prozesse auf Maßstäben unterhalb der räumlichen Auflösung des Modells (normalerweise etwa 100 x 100 km), z.B. Wolken, Konvektion in der Atmosphäre, Eddies im Ozean oder Landoberflächenprozesse (Abb. 1). Die Physik dieser Prozesse muss „parametrisiert“ werden. Diese Parametrisierungen sind Annäherungen an die zu modellierenden Phänomene auf den Skalen, die das Modell tatsächlich auflösen kann. Die Parametrisierung wird auch als Annäherung an Klimaprozesse verwendet, die noch nicht vollständig verstanden sind. Parametrisierungen sind die Hauptquelle für Unsicherheit in Klimamodellen.

Abb. 1: Klimaprozesse und -eigenschaften, die normalerweise in globalen Klimamodellen parametrisiert werden müssen (MetEd, The COMET Program, UCAR).

Da unser Wissen über das Klima sowie unsere empirischen Beobachtungen unvollständig sind, können wir parametrisierte Variablen nicht immer auf einen einzigen Wert eingrenzen. Daher werden Tests mit dem Modell durchgeführt. Schätzungen parametrisierter Variablen werden in das Modell inkorporiert, um den Wert oder die Menge von Werten zu ermitteln, die das Klima am besten abbilden. Dieser Vorgang wird als „Modelloptimierung“ bezeichnet. Modellierer optimieren ihre Modelle, um sicherzustellen, dass der langfristige Durchschnittszustand des Klimas genau abgebildet ist – einschließlich Faktoren wie absolute Temperaturen, Meereiskonzentrationen, Oberflächenalbedo und Meereisausdehnung.

Es gibt auch einige Einschränkungen bei der Modellierung des Klimas auf regionaler und lokaler Ebene. Um die Lücke zwischen den großen räumlichen Skalen, die durch GCMs (Global climate models) dargestellt werden, und den kleineren Skalen, die für die Bewertung des regionalen Klimawandels und seiner Auswirkungen erforderlich sind, zu schließen, werden verschiedene Downscaling Methoden verwendet. Es gibt zwei Arten des Downscalings: regionale Klimamodelle (RCMs) und empirisch-statistisches Downscaling (ESD).

Regionale Klimamodelle (RCMs) verwenden die von den GCMs in niedriger Auflösung bereitgestellte Lösung und beziehen zusätzlich feinere topografische Details wie den Einfluss von Seen, Gebirgszügen und Seewind ein, um detailliertere Informationen zu berechnen. Diese Modelle erreichen eine Auflösung von ca. 25 km x 25 km. Da es die Informationen aus dem niedrig auflösenden Klimamodell (GCM) sind, die das Modell im feineren Maßstab steuern, bietet dieser Ansatz nur ein begrenztes Potential zur Verbesserung der eigentlichen Output Daten.

Empirisch-statistisches Downscaling (ESD) ist eine Alternative, die nicht viel Rechenleistung erfordert. ESD nutzt beobachtete Klimadaten, um eine statistische Beziehung zwischen dem globalen und dem lokalen Klima herzustellen. Entsprechend dieser statistischen Beziehung können lokale Änderungen basierend auf den großräumigen Projektionen abgeleitet werden, die aus GCMs oder Beobachtungen stammen.

Sowohl RCMs als auch ESD liefern relativ konsistente Ergebnisse untereinander sowie im Vergleich mit Beobachtungsdaten (Abb. 2). Outputdaten von RCMs sowie ESD hängen jedoch stark von der Qualität der Informationen ab, auf denen sie basieren, d.h. den beobachteten Daten oder der GCM-Dateneingabe. Das Downscaling liefert nur ortsspezifischere Daten, gleicht jedoch keine Unsicherheiten aus, die sich aus den Beobachtungsdaten oder dem GCM ergeben, auf die es sich stützt.

Abb. 2: Vergleich zwischen RCM Ergebnissen basierend auf verschiedenen Klimamodellen (farbige Punkte mit Fehlerbalken) und ESD Ergebnissen (roter Bereich zeigt das 90% -Konfidenzintervall für das Modellensemble). Tatsächliche Beobachtungen sind als schwarze Punkte dargestellt (Førland et al ., 2011).

Globale sowie Downscaling Klimamodelle können das Klima relativ genau simulieren, zeigen jedoch manchmal erhebliche Abweichungen vom beobachteten Klima, die als „Bias“ bezeichnet werden, insbesondere auf regionaler und lokaler Ebene. Bias ist definiert als der systematische Unterschied zwischen einer modellierten Klimavariablen (z.B. mittlere Temperatur) und dem entsprechenden wahren Wert dieser Variablen. Eine Biaskorrektur kann angewendet werden, um diese Unterschiede zu minimieren. Eine empirische Übertragungsfunktion zwischen simulierten und beobachteten Klimavariablen wird kalibriert und auf die Output Modelldaten angewendet, um sie in Einklang mit den beobachteten Klimadaten zu bringen. Die Biaskorrektur ist lediglich eine Nachbearbeitung und kann Probleme mit dem tatsächlichen Klimamodell nicht beheben.

Einzelne Klimamodelle können auch Schwierigkeiten haben, die natürliche Klimavariabilität genau darzustellen, d.h. natürliche kurzfristige Schwankungen auf saisonalen oder multisaisonalen Zeitskalen (z.B. Nordatlantische Oszillation (NAO) oder El Niño Southern Oscillation (ENSO)) abzubilden. Wenn jedoch mehrere unabhängige Modelle kombiniert werden, kann diese Variabilität verringert werden. Durch die Mittelung eines Ensembles verschiedener Klimamodelle können Prognosen erstellt werden, die eine bessere Performance, höhere Zuverlässigkeit und Konsistenz bei der Vorhersage des Klimas aufweisen (Hagedorn et al., 2005).

Zusammenfassend lässt sich sagen, dass moderne Klimamodelle definitiv zuverlässige Projektionen auf größeren globalen Maßstäben liefern können. Sie stoßen jedoch an ihre Grenzen, wenn sie mit kleinskaligen Prozessen auf regionaler oder lokaler Ebene und kurzfristiger Klimavariabilität konfrontiert werden. Um diese Probleme zu lösen, stehen einige effektive Methoden zur Verfügung (wie oben beschrieben). Obwohl Modelle unser Klimasystem niemals 100% genau vorhersagen werden, sind sie trotzdem in der Lage, uns eine relativ genaue Vorhersage des zukünftigen Klimas zu geben. Oder, um es in den Worten von George Box auszudrücken: „Alle Modelle sind falsch, aber einige sind nützlich“.

You may also like...

Comment on this FAQ

Your email address will not be published. Required fields are marked *