1. Jahresbericht (german version) - Foresight & Policy Development

eport 

reclip:more 

research for 

climate protection: 

model run evaluation 

1. Jahresbericht 

Wolfgang Loibl, Herbert Formayer 

Wolfgang Schöner, Bodo Ahrens 

Manfred Dorninger, Andreas Gobiet 

(Hrsg.) 

Dezember 2004 

ARC–sys-0032

eclip:more 

research for 

climate protection: 

model run evaluation 

1. Jahresbericht 

zum Projekt Nr. 7.64.00210 

Berichtszeitraum 11/2003 - 06/2004 

Wolfgang Loibl, Herbert Formayer 

Wolfgang Schöner, Bodo Ahrens 

Manfred Dorninger, Andreas Gobiet 

(Hrsg.) 

Dezember 2004 

ARC–sys-0032

Kwiss-Programm reclip:more 

research for climate protection – model run evaluation 

Autorenschaft: 

Projektleiter ist Wolfgang Loibl 

Als Herausgeber fungieren die Teilprojektleiter der beteiligten Institutionen: 

Wolfgang Loibl, Herbert Formayer, Wolfgang Schöner, Bodo Ahrens, Manfred Dorninger, Andreas 

Gobiet 

ProjektbearbeiterInnen und damit Co-AutorInnen sind: 

Mario Köstl 1) , Wolfgang Loibl 1) , Johann Züger 1) , Elsa Dos Santos Cardoso 2) , Wolfgang Schöner 2) , 

Herbert Formayer 3) , Andreas Frank 3) , Helga Kromp-Kolb 3) , Bernd C. Krüger 3) , Petra Seibert 3) , 

Andreas Gobiet 4) , Gottfried Kirchengast 4) , Heimo Truhetz 4) , Bodo Ahrens 5) , Alexander Beck 5) , Barbara 

Chimani 5) , Theresa Gorgas 5) , Manfred Dorninger 5) , Reinhold Steinacker 5) 

Projektpartner: reclip:more 

Außeruniversitäre Institutionen 

1) systems research ARC systems research GmbH 

2) ZAMG Zentralanstalt für Meteorologie und Geodynamik 

Universitäten 

3) BOKU-Met Institut für Meteorologie der Universität für Bodenkultur, Wien 

4) IGAM Institut für Geophysik, Astrophysik und Meteorologie der Univ. Graz 

5) IMG Institut für Meteorologie und Geophysikder Universität Wien

Kurzfassung 

Hauptziel des Projekts ist, Szenarios des künftigen regioalen Klimas für Österreich in meso- und 

microskaliger Auflösung mit Hilfe regionaler Klimamodelle (RCM’s) und Methoden des Statistical 

Downscaling zu erzeugen, wobei die Möglichkeiten der eingesetztes Modelle und Downscaling- 

Methoden für den alpinen Raum evaluiert werden sollen. Durch Quantifizierung der Unsicherheiten 

und mittels Sensitivitätsanalysen der RCM-Simulationen um den Einfluss unterschiedlicher Modelparameter 

und IT-Prozesstechniken zu prüfen. Um diese Ergebnisse zu erzielen sind weiters vorbereitende 

Datenaufbereitung, zahlreiche gemeinsam durchzufürhrende Modellexperimente und eine 

genaue Datenkontrolle notwendig. 

Zwei regionale Klimamodelle – das französische Modell ALADIN und das USA-kandadische Model 

MM5 – werden dabei durch ERA-40 Reanalyse-Daten und ECHAM5 GCM-Daten angetrieben, die 

das aktuelle (1981-1990) und das künftige (2041-2050) Klima widerspiegeln sollen. Durch das Numerische 

Downscaling wird ausgehend von einer spektralen Auflösung T106 – also 120 km horizontale 

Auflösung – eine Auflösung von ca. 15 km erreicht werden, ein weiteres Downscaling auf ca. 1 

km wird mittels statistischer Methoden erreicht. Die Modellvalideirungs-Tasks erlauben ein Benchmarking 

der Ergebnisse der beiden eingesetzten RCM’s. 

Im ersten Projektjahr (November 2003 bis Juni 2004, gestreckt bis Oktober 2004), konzentrierten 

sich die Reclip-Teams auf vorbereitende Arbeiten für die 10-Jahres-RCM-Simulationen mit ERA-40 

Re-Analyse- und ECHAM5-Kontrollauf-Daten sowie auf Sensitivitätsstudien, um das optimale RCM- 

Setup zu finden. Für die Validierung wurden synoptische Daten aus Österreich und ganz Europa für 

den angestrebten Untersuchungszeitraum aufbereitet. Zusätzlich wurden weitere Methoden des 

Downscalings getestet bzw. eingesetzt, um eine Regionalisierung in einer horizontalen Auflösung 

von 5 bis 1 km zu erreichen: Für die Temperatur, den Niederschlag und die Sonneneinstrahlung 

wurde mit statistischen Verfahren unter Einsatz von Terrain-bezogenen Response-Variablen (für die 

Sonnenstrahlung zusätzlich mit numerischen Funktionen aus der Strahlungsphysik) gearbeitet, für 

den bodennahen Wind wurde ein weiteres dynamisches Downscaling via MM5 verwendet.

Abstract 

A reliable assessment of future climate impacts in Austria makes necessary to provide regional climate 

model (RCM) runs, and additional tasks to deliver high resolution downscaled datasets for past 

and future climate targeting the entire eastern alps covering Austria. The 3-year project reclip:more 

(Research for Climate Protection: Model Run Evaluation) is a cooperation of five academic instittions: 

The Department of Meteorology and Geophysics of Vienna University (IMG), the Institute of 

Meteorology of Vienna University of Natural Resources and Applied Life Sciences (BOKU-Met), the 

Institute for Geophysics, Astrophysics and Meteorology of the Graz University (IGAM), the Central 

Institute for Meteorology and Geodynamics (ZAMG) and ARC systems research GmbH (systems 

research), which is leading the project. 

The major goal of the project is to provide future regional climate model scenarios for Austria at meso- 

and microscale resolutions by applying regional climate models and statistical downscaling methods 

and to evaluate the capability of the applied models and methods to create climate scenarios 

for the Alpine region. The goals besides providing climate scenarion data are (1) – quantify the uncertainties 

of regional climate simulations elated to observed climate data, (2) – investigate the sensitivity 

of regional climate simulations and interpolated climate data to the influence of different model 

parameters and data processing techniques. To achieve this, data preparations, a set of common 

model experiments and data evaluations have to be carried out. 

Two regional circulation models – the French ALADIN model and the US/Canadian mesoscale model 

MM5 – will be driven by ERA-40 reanalysis data and by ECHAM5 global circulation model (GCM) 

results, representing current (1981-1990) and future (2041-2050) climate to accomplish dynamical 

downscaling from the coarse GCM resolution (spectral truncation T106, i.e. ~120 km horizontal resolution) 

to 15 km. Further downscaling to 1 km resolution will be accomplished by statistical methods. 

The model validation tasks will provide a benchmarking of the 2 regional climate models. 

In project year 1 (Nov. 2003 to June 2004, postponed to Oktober 2004), the reclip-teams focused on 

preparative work for 10-year RCM simulations, using ERA-40 data and and ECHAM5 control runs of 

current climate from the 1990ies, on sensitivity studies aiming at finding the optimal RCM-setup, on 

examinations concerning further statistical downscaling and on the preparation of validation data and 

methods. To compare the model results with observation data, monitoring data sets from 1990 and 

2000 for Austria and synoptical data sets for entire Europe have been prepared. Further downscaling 

of model results have been derived for a horizontal resolution of 5-1 km for temperature, precipitation 

and solar radiation by statistical methods, with the help of terrain-related response variables (for irradiation 

additionally with radiation-physics-related numerical functions), and for near-surface-wind by 

dynamical downscaling via MM5.

Inhaltsverzeichnis 

1 

2 

Vorbemerkungen 

Projektübersicht 

1 

3 

2.1 Zielsetzung von reclip:more 3 

2.2 Aufgabe und Teilprojekte von reclip:more (Model Run Evaluation) 3 

2.3 Projekt-Feinstruktur für das Projektjahr 1 5 

Workpackage 1 – Projektmanagement 5 

Workpackage 2 – Datenaufbereitung 5 

Workpackage 3 – Modellvalidierung, Sensitivitäts- und Validitätstests 5 

Workpackage 4 – Regionale Klimamodellierung 5 

Workpackage 5 – Regionalisierung 6 

3 Kurzbeschreibung der Tätigkeiten im ersten Projektjahr 7 

3.1 Workpackage 1 – Projektmanagement (Loibl) 7 

3.2 Workpackage 2 – Datenaufbereitung 8 

WP 2.1 Bereitstellung österreichischer Messdaten (Schöner) 8 

WP 2.2a Bereitstellung Synop-Daten Europa (Dorninger) 8 

WP 2.2b Bereitstellung MAP-Daten (Chimani) 8 

WP 2.2c Bereitstellung Radiosondendaten (Häberli) 8 

WP 2.3a ERA-40 Daten – Aufbereitung für ALADIN (Beck) 9 

WP 2.3b ERA-40 Daten – Aufbereitung f. MM5 (Züger) 9 

WP 2.4a ECHAM5 T106 Treiberdaten (1981-1990) (Gobiet) 9 

WP 2.4b ECHAM4 T106 Treiberdaten (2041-2050 - 2. Projektjahr) (Gobiet) 10 

3.3 Workpackage 3 – Modellvalidierung, Sensitivitäts- und Validitätstests 10 

WP3.1 Abstimmung der Sensitivitätsexperimente (fokussiert auf ALADIN) (Ahrens, 

Beck) 10 

WP3.2 Festlegen der Sensitivitäts- und Validitätstests, Entwurf des Benchmarks 

(Formayer) 11 

WP3.3 Modellvalidierung – VERACLIM (Dorninger) 11 

WP3.4 Vertikale Validierung (Gobiet) 12 

3.4 Workpackage 4 – Regionale Klimamodellierung 12 

WP4.1 MM5 – Fortran sourcen, Binärcode-Vergleichstests (Züger) 12 

WP4.2 Modellparameter: Domains, Zielauflösung, Study-areas (Züger, Loibl) 13 

WP4.3a MM5 test runs mit ERA-40 Daten, erste Sensitivitätsexperimente-ARC 

(Züger) 13 

WP4.3b MM5 test runs mit ERA-40 Daten, erste Sensitivitätsexperimente-IGAM 

(Truhetz, Gobiet) 14 

WP4.3c MM5 test runs mit ERA-40 Daten, erste Sensitivitätsexperimente-BOKU-Met 

(Formayer) 14 

WP4.4 ALADIN test runs mit ERA 40 Daten, Durchführung erster 

Sensitivitätsexperimente (Beck, Ahrens) 14

3.5 Workpackage 5 – Regionalisierung 15 

WP 5.1: Entwicklung einer Schnittstelle MM5/ALADIN – Regionalisierungstool 

(Schöner) 15 

WP 5.2a: Regionalisierungstool Temperatur mean (Schöner) 16 

WP 5.2b: Regionalisierungstool Temperatur min/ max (Loibl) 16 

WP 5.3: Regionalisierungstool Niederschlag (Schöner) 17 

WP 5.4: Regionalisierungstool Schneedecke (Schöner) 17 

WP 5.5: Regionalisierungstool Strahlung (Loibl) 17 

WP 5.6: Regionalisierungstool Wind (Truhetz) 18 

4 Auflistung der Workpackages geordnet nach Projektpartner 20 

4.1 IGM – Gruppe Dorninger 20 

4.2 IGM – Gruppe Ahrens 20 

4.3 ZAMG 20 

4.4 BOKU-Met 21 

4.5 IGAM 21 

4.6 systems research 21 

5 Ausblick Projektjahr 2: Oktober 2004 – Oktober 2005 22

Anhänge 

Anhang 1 Teilberichte der ProjektpartnerInnen 

Manfred Dorninger, Barbara Chimani, Theresa Gorgas und Reinhold Steinacker: 

Datenaufbereitung, Modellvalidierung, Sensitivitäts- und Validitätstest 

Alexander Beck und Bodo Ahrens: 

Dynamisches Downscaling globaler Klimasimulationen mit ALADIN 

Wolfgang Schöner und Elsa Dos Santos Cardoso: 

Datenbereitstellung, Entwicklung von Regionalisierungstools und einer Schnittstelle zu 

den regionalen Klimamodellen 

Andreas Frank, Herbert Formayer, Petra Seibert, Bernd C. Krüger und Helga Kromp- 

Kolb: 

Validierung – Sensitivitätstests 

Andreas Gobiet, Heimo Truhetz und Gottfried Kirchengast: 

MM5-Modell-Performance-Tests, Vertical Validation, Wind-downscaling, 

Mario Köstl, Wolfgang Loibl und Johann Züger: 

Datenaufbereitung, Regionale Klimamodellierung und Regionalisierungstool Strahlung 

Anhang 2 Protokolle der Projektmeetings 

Anhang 3 Folienübersicht der Vorträge 

Loibl – Präsentation von reclip:more am Klimatag 2004 der BOKU 

Keuler – Gastvortrag am 20.4.2004 

Benestad – Gastvortrag am 21.6.2004 

Anhang 4 Nachfrage nach Klimadaten – Bedarfserhebung Herbst 2003 

Anhang 5 reclip:more Poster präsentiert bei 

High-resolution climate modelling: Assessment, added value and applications 

Lund, Sweden, 29 March – 2 April 2004

1 Vorbemerkungen 

Aufgrund der positiven Erfahrungen mit dem in systems research konzipierten technologiepolitischen 

Instrument K-plus wurde ein neues forschungspolitisches Instrument K-wiss entwickelt. Ziel 

dieses Instruments ist die Verknüpfung und Bündelung bestehender Kompetenzen universitärer und 

außeruniversitären Forschungseinrichtungen. Die wesentlichen Ziele sind: 

- Schaffung überkritischer Größen in wachsenden Forschungsfeldern 

- Schaffung eines längerfristig stabilen Kooperations-Netzwerks 

- Bündelung und Austausch von Wissen 

- Transfer von Wissen zu Anwendern 

- Gemeinnützige Forschung von hoher gesellschaftlicher Relevanz 

reclip – research for climate protection – ist das erste K-wiss-Programm. Es wurde von 

ARC systems research konzipiert, um die aktuellen bzw. angekündigten Bemühungen und 

Aktivitäten der Bundesregierung in der Klima- und Klimafolgenforschung auf regionaler Ebene sowie 

im Klimaschutz generell zu unterstützen und Synergien aus den Stärken der universitären und 

außeruniversitären Forschung zu generieren. 

Das Programm hat 2 zentrale Teilziele: Zum Einen die Abschätzung künftiger Klimaänderungen (die 

aufgrund der Erhöhung der Treibhausgaskonzentration in der Atmosphäre absehbar und bereits 

beobachtbar sind), zum Anderen Strategien zur Reduktion ebendieser Treibhausgase. 

Das 1. Teilziel ist somit, aus Ergebnissen globaler Klimamodelle die Basis für die Abschätzung künftiger 

Klimaänderungen im regionalen Maßstab zu schaffen. Damit können wissenschaftlich fundierte 

Aussagen über konkrete, lokale Folgewirkungen einer Klimaänderung auf ökologische und soziökonomische 

Systeme getroffen werden. Eine vor allem für Wien wichtige Testregion ist das Wiener 

Becken, welches möglicherweise in besonderem Ausmaß einerseits von Starkregen und Hochwasser, 

andererseits von Trockenheit betroffen sein wird. 

Das 2. Teilziel ist die Erarbeitung einer Daten- und Methodenbasis für die Unterstützung einer vorausschauenden 

Umweltpolitik von Bund, Ländern und Gemeinden zur Optimierung von Maßnahmen 

für die Senkung der Treibhausgas-Emissionen. 

3 Projekte sind innerhalb des Programms vorgesehen: 

- reclip:more – Model Run Evaluation: mesoskalige Klimamodellierung als Vorbereitung für 

Klimafolgen-Forschung: Modellierung und Benchmarking (Details dazu umseitig) 

- reclip:tom – Technological Options for Mitigation: Modellierung der Emissionen aus Energieverbrauch, 

Produktions- und Entsorgungsprozessen sowie Landnutzung 

- reclip:strat – Strategische Begleitung und Evaluierung: Lessons learned für Kooperationen 

01

Der vorliegende Bericht befasst sich mit den Tätigkeiten und Ergebnissen des ersten Projektjahres 

des Teilprojektes reclip:more. Die Verzögerung der Berichtslegung um einige Monate ergab sich aus 

Abstimmungsproblemen zwischen den Gruppen, va. dort, wo Ergebnisse einer Gruppe Input für eine 

andere Gruppe war, durch Verzögerungen bei der Einigung auf zu nutzende Daten und der Datenbereitstellung 

und auch auf Grund längerer Diskussion über die idealen Zeitscheiben für die Modellierung 

und die Sensitivitätstests und Parametrisierung (vgl. Meeting-Protokolle im Anhang 2). Die Verzögerung 

ist aber im Sinne des Projekts, da sich durch die größere Sorgfalt in der Auswahl von Daten, 

Parametern und Anfangsbedingungen die Qualität der Ergebnisse der heranzuziehenen 

GCM-Treiberdaten verbessern lässt. 

02 reclip:more 

Research for Climate Protection:Model Run Evaluation

2 Projektübersicht 

2.1 Zielsetzung von reclip:more 

Innerhalb des reclip-Programms sind 3 Projekte geplant bzw. bereits in Bearbeitung: 

Mit dem Teilprojekt reclip:more (Model Run Evaluation) sollen ausgehend von den Ergebnissen 

Globaler Klimamodelle anhand von Modelläufen zweier regionaler Klimamodelle (LAMs – Limited 

Area Models) eine kleinräumige Datenbasis für die Abschätzung künftiger Klimaänderungen im regionalen 

Maßstab für Österreich geschaffen werden, mit der Hilfe wissenschaftlich fundierte Aussagen 

über konkrete, lokale Folgewirkungen auf ökologische und soziökonomische Systeme getroffen werden. 

Im Teilprojekt reclip:tom (Technological Options for Mitigation) sollen fundierte Abschätzungen der 

Emissionsentwicklung von Treibhausgasen in Österreich unter Berücksichtigung zukünftiger technologischer 

Entwicklungen getroffen werden. 

Im Teilprojekt reclip:strat erfolgt eine strategische Begleitung und Evaluierung des gesamten Programms 

sowie der beiden Teilprojekte. 

2.2 Aufgabe und Teilprojekte von reclip:more (Model Run 

Evaluation) 

Der vorliegende Bericht beschreibt nun die bisherigen Ergebnisse des im November begonnenen 

Projekts reclip:more – im Wesentlichen die Feinstrukturierung des Projektes sowie die Aufbereitung 

von Basisdaten. 

Folgende Tasks waren innerhalb von reclip:more geplant: 

- Aufbereitung der Datengrundlagen – ua. Messdaten aus Österreich, europäische Synop- 

Daten, von Höhenmodellen, Landnutzungsdaten und Antriebsdaten für die regionalen Klimamodelle 

(NCEP-Daten und ERA-40 Daten, sowie ECHAM5 GCM-Modell-Ergebnisse). 

- Durchführen von retrospektiven vergleichenden Modellläufen 2er regionaler Klimamodelle 

(MM5, ALADIN) unter Verwendung von NCEP-Daten und ERA-40 Daten für die Jahre 

1981-1990 bzw. 1999. 

- Recherche, Auswahl, Test und gegebenenfalls ergänzende Entwicklung von Modellvalidierungs-Methoden 

zur Überprüfung der Qualität der kleinräumigen Modellergebnisse im Hinblick 

auf die räumliche und zeitliche Übereinstimmung. 

- Recherche, Analyse und Entwicklung von Regionalisierungs-Verfahren – zB von ca. 10 km 

LAM-Ergebnissen auf zB 1 km regionale Auflösung. 

- Regionalisierung der retrospektiven LAM-Ergebnisse mittels GIS-basierender bzw. geostatistischer 

Verfahren – soweit notwendig - für ausgewählte Zeitscheiben und Testregionen der 

Modellergebnisse. 

- Benchmarking der Modell-Ergebnisse der ausgewählten Modelle für das gerechnete Modelljahr 

unter Verwendung der in Task 3 getesteten Validierungs-Methoden und Ergebnisindikatoren. 

03

- Durchführung prospektiver vergleichender Modellläufe der beiden ausgewählten LAMs mit 

gemeinsam festzulegenden GCM-Antriebsdaten (zB ECHAM5 T106) und denselben Eingabe-Daten 

für die Zeitspanne 2041 und 2050. 

- Weitere Regionalisierung der prospektiven LAM-Ergebnisse mittels GIS-basierender bzw. 

geostatistischer Verfahren für ausgewählte Zeitscheiben und Testregionen. 

Die folgende Abbildung zeigt eine Übersicht der Projekt-Teile, den groben zeitlichen Ablauf und die 

Arbeitsteilung zwischen ARC systems research, ZAMG sowie den Universitäten (letztere durch entsprechende 

Farbcodes). 

Abbildung 1: Projekt-Struktur des Teilprojekts reclip:more: Tasks, zeitliche Abfolge und Arbeitsteilung 

zwischen den Projektpartnergruppen 



2.3 Projekt-Feinstruktur für das Projektjahr 1 

Workpackage 1 – Projektmanagement 

WP1.1 Projektentwicklung 

WP1.2 Projektcontrolling – inhaltlich, finanziell 

WP1.3 Vertragsangelegenheiten (Subverträge, Vortrags- und Tagungskostenbeiträge) 

WP1.4 Daten- und Methodenpool-Verwaltung (FTP-site,…) 

WP1.5 Projektpräsentation (Homepage, Poster) 

Workpackage 2 – Datenaufbereitung 

WP 2.1 Bereitstellung österreichischer Messdaten 

WP 2.2a Bereitstellung Synop-Daten Europa 

WP 2.2b Bereitstellung MAP-Daten 

WP 2.2c Bereitstellung Radiosondendaten 

WP 2.3a ERA-40 Daten – Aufbereitung f. ALADIN 

WP 2.3b ERA-40 Daten – Aufbereitung f. MM5 

WP 2.4a ECHAM4 T106 Treiberdaten (1981-1990,1999) 

WP 2.4b ECHAM4 T106 Treiberdaten (2041-2050 - 2. Projektjahr) 

Workpackage 3 – Modellvalidierung, Sensitivitäts- und Validitätstests 

WP3.1 Abstimmung der Sensitivitätsexperimente für ALADIN 

WP3.2 Festlegen der Sensitivitäts- und Validitätstests, Entwurf des Benchmarks 

WP3.3 Modellvalidierung – VERACLIM 

WP3.4 Vertikale Validierung 

Workpackage 4 – Regionale Klimamodellierung 

WP4.1 MM5 – Fortran sourcen, Binärcode-Vergleichstests 

WP4.2 Modellparameter: Domains, Zielauflösung, Studyareas 

WP4.3a MM5 test runs mit ERA 40 Daten, erste Sensitivitätsexperimente-ARC 

WP4.3b MM5 test runs mit ERA 40 Daten, erste Sensitivitätsexperimente-IGAM 

WP4.3c MM5 test runs mit ERA 40 Daten, erste Sensitivitätsexperimente-BOKU-Met 

WP4.4 ALADIN test runs mit ERA 40 Daten, Durchführung erster Sensitivitätsexperimente 

05

Workpackage 5 – Regionalisierung 

WP 5.1 Entwicklung einer Schnittstelle MM5/ALADIN – Regionalisierungstool 

WP 5.2a Regionalisierungstool Tmean 

WP 5.2b Regionalisierungstool Tmin und Tmax 

WP 5.3 Regionalisierungstool Niederschlag 

WP 5.4 Regionalisierungstool Schneedecke 

WP 5.5 Regionalisierungstool Strahlung 

WP 5.6 Regionalisierungstool Wind 



3 Kurzbeschreibung der Tätigkeiten im ersten 

Projektjahr 

Im Folgenden erfolgt eine kurze Beschreibung der einzelnen Workpackages, zusätzlich ist der jeweilige 

Workpackage-Verantwortliche angeführt. Dies heißt jedoch nicht, dass nicht auch andere Projektpartner 

an den einzelnen Workpackages mitgearbeitet oder wesentliche Beiträge dazu geliefert 

haben. Eine ausführliche Behandlung der einzelnen Workpackages sowie eine Zusammenfassung 

der Ergebnisse sind in den Teilberichten der einzelnen Projekt-Partner im Anhang 1 zu finden. 

3.1 Workpackage 1 – Projektmanagement (Loibl) 

WP1 beinhaltet alle relevanten Fragen und Aufgaben der Projektentwicklung und des Projektupdates 

bzw. des inhaltlichen und finanziellen Projektcontrollings sowie die Aquisition der Finanzmittel. Zudem 

werden im Rahmen dieses Workpackages alle Vertragsangelegenheiten (Subverträge, Vortrags- 

und Tagungskostenbeiträge) und die Daten- und Methodenpool-Verwaltung koordiniert. 

Im Rahmen des WP 1.4 wurde von systems research für den Daten- und Programmaustausch ein 

FTP-Server mit ausreichender Plattenkapazität bereitgestellt, der für alle reclip-Partner zugänglich 

ist. Neben den angeführten Tätigkeiten und der Organisation der regelmäßigen Projekttreffen wurden 

auch zwei Wissenschaftler eingeladen und deren Reisekosten finanziert: Klaus Keuler von der 

Universität Cottbus stellte das reclip:more ähnliche Quircs-Projekt vor, Rasmus Benestadt vom Norwegischen 

Met-Office referierte zu Fragen des Statistical Downscaling und präsentierte sein 

R-Paket clim.pact (siehe Folien im Anhang 3). Überdies wurde das Projekt auf Fachtagungen vorgestellt 

(etwa in beim RCM-Workshop in Lund oder in Wien beim BOKU-Klimatag). 

Die für die Kommunikation nach innen und außen notwendige Projekt-Homepage wurde aufgrund 

der bisher noch nicht abgeschlossenen Vorbereitungen für den neuen Internet-Auftritt von systems 

research noch nicht eingerichtet, dies ist aber mit Anfang 2005 geplant. 

In der Projekt-Vorphase wurde eine „Nachfragererhebung“ durchgeführt, um zu erfassen, welche 

Klimaparameter in welcher räumlichen bzw. zeitlichen Auflösung für potenziellen Daten-Nachfrager 

relevant sind. Darauf aufbauend wurde die konkrete Auswertung von Modellergebnissen und Ergebnissen 

der Regionalisierung ausgelegt: Als unbedingt notwendig wird eine Auflösung bis 10 km erachtet, 

teilweise wird 1km als notwendig bzw. wünschenswert angegeben. Bei der zeitlichen Auflösung 

wurden Ergebnisse auf Tagesbasis bzw. Derivate davon (zB Temperatursummen) als notwendig 

erachtet. Zusätzlich benötigt man Mittel-, Minimum- und Maximumtemperatur (dh. zumindest eine 

6-stündige Auflösung!), sowie Tagesmittelwerte und Tagessummen. Zusätzlich gewünschte Klimaparameter 

neben der Temperatur waren Niederschlag, Strahlung und Schneedecke, als evtl. entbehrlich 

wurden Luftfeuchte, Luftdruck und Bodenfeuchte bezeichnet. 

(Details dazu siehe Anhang 4). 

07

3.2 Workpackage 2 – Datenaufbereitung 

WP 2.1 Bereitstellung österreichischer Messdaten (Schöner) 

Im Rahmen des Projekts reclip-more wurden von der ZAMG Daten von ca. 70 Messstationen aus 

dem Projekt STARTCLIM im ASCII Format bereitgestellt. Dieser Datensatz ist qualitätsverbessert 

aber nicht homogenisiert. Auf Tageswertbasis liegen für 70 österreichische Stationen folgende Daten 

vor: 

- Minimum- und Maximumtemperatur 

- Mitteltemperatur 

- Niederschlagssumme und 

- Schneehöhe 

Die Daten wurden auf einer CD abgespeichert und den Projektpartnern zur Verfügung gestellt. 

WP 2.2a Bereitstellung Synop-Daten Europa (Dorninger) 

Im Rahmen dieses Workpackages wurden dreistündige SYNOP-Daten aus dem MARS-Archiv des 

ECMWF-Datensatz von 1979 bis 2000 für den Großraum Alpen extrahiert. 

In der Sitzung vom 30. Jänner 2004 (vgl. auch Protokoll) wurde jedem Projektpartner eine DVD überreicht. 

Auf dieser DVD befindet sich auch ein Word-File mit einer Kurzbeschreibung der Daten 

(Parameterliste, Einleseroutine, etc.), sowie einem Abriss, wie die Daten mittels READ Befehl eingelesen 

werden können. Die zur Verfügung gestellten Rohdaten wurden zwar in ASCII-Format aufbereitet, 

allerdings nicht qualitätskontrolliert! 

WP 2.2b Bereitstellung MAP-Daten (Chimani) 

Ebenfalls in der Sitzung vom 30. Jänner 2004 wurde der Inhalt der MAP-Datenbank erklärt. Gemeinsam 

mit den Projektpartnern erfolgte eine Definition der Parameter, der Zeiträume (seasons, episodes, 

GOP, SOP, IOP) sowie der Perioden für die Sensitivitätsstudien. 

Zusätzlich wurde eine Überprüfung der MAP-Datenbank auf vorhandene Niederschlagsanalysen (zB 

Frei et al.) und auf Verfügbarkeit von Niederschlagsdaten während der GOP (13 Monate) durchgeführt. 

Die Gruppe IMG-Dorninger erklärte sich bereit, auf Anfrage die Datensätze aus der MAP-Datenbank 

zu extrahieren. Bis August 2004 sind keine derartigen Anfragen gestellt worden. Das Angebot bleibt 

natürlich auch im 2. Projektjahr aufrecht. 

WP 2.2c Bereitstellung Radiosondendaten (Häberli) 

Aufgabe dieses Workpackages war die Aufbereitung des Comprehensive Alpine Radiosonde Data 

Set (CALRAS) für reclip:more. Der Datensatz beinhaltet hochaufgelöste qualitätskontrollierte Radiosondendaten 

der zentraleuropäischen Radiosondenstationen (Zeitraum: unterschiedlich nach Existenz 

der jeweiligen Station, Originaldaten aus dem MARS Archiv). 



Die Übermittlung der Daten erfolgte in Form von zwei CD’s am 17.Februar 2004. Zusätzlich wurde 

eine umfangreiche Dokumentation angeführt: 

- Part I: File Format and Decoding Tables 

- Part II: Data Conversion and Preprocessing 

- Part III: Level1 Quality Control 

WP 2.3a ERA-40 Daten – Aufbereitung für ALADIN (Beck) 

Nach Definition des für ALADIN geeigneten Datenformats und benötigten meteorologischen Parameter 

wurden die benötigten ERA-40 Daten des ECMWF für den Zeitraum 1999 aus dem MARS Archiv 

extrahiert und nach Wien ans IMGW transferiert, wo sie in für die regionale Klimamodellierung mit 

ALADIN in geeigneter Form aufbereitet wurden (Auflösungsanpassung horizontal und vertikal). Diese 

aufbereiteten Daten liegen derzeit auf einem Server des IMGW. 

Weiters wurden alle notwendigen Vorbereitungen für die Extraktion der weiteren MARS Daten für die 

retrospektiven long-runs im weiteren Projektverlauf durchgeführt, sodass die Daten gegebenenfalls 

rasch und effizient für die Nutzung in ALADIN zur Verfügung stehen. 

WP 2.3b ERA-40 Daten – Aufbereitung für MM5 (Züger) 

Nach Definition des Datenformates für MM5 und der benötigten meteorologischen Parameter wurden 

die relevanten ERA-40 Daten aus dem MARS Archiv des EZMW extrahiert und nach Wien an 

ARC-sys transferiert, wo sie in für die regionale Klimamodellierung mit MM5 geeigneter Form aufbereitet 

(Auflösungsanpassung horizontal und vertikal) und archiviert wurden. 

Derzeit sind die Daten für die Jahre 1993 bis 2000 auf einem Server in ARC-sys abgelegt - die Jahre 

1998 bis 2000 stehen auch auf dem FTP-Server von systems research zur Verfügung. Sie liegen als 

Rasterdaten auf Druckflächen vom Boden bis 50 hPa mit einer räumlichen Auflösung von 1°x1° vor. 

Es wurden dabei vor allem jene Parameter berücksichtigt, die zum Betrieb des Modells notwendig 

sind. Das Datenvolumen beträgt ca. 2 GB pro Jahr. 

Während des Herunterladens der Daten über das ECMWF Webportal zeigte sich, dass die bereitgestellten 

Daten und ihre entsprechende Beschreibung nicht immer übereinstimmten. Zwar konnten 

diese Fehler ausgeräumt werden, es traten aber immer wieder Diskrepanzen zwischen den erhaltenen 

Daten und ihrer Beschreibung auf den ECMWF Seiten. Daher musste einiges an den MM5 Inputroutinen 

geändert werden um die Antriebsdaten richtig einlesen zu können. 

Um für weitere Auswertungen einheitliche Formate zu gewährleisten, erstellte systems research 

Programme, die einerseits als Schnittstellen für die Validierung durch BOKU-Met und andererseits 

zur Übergabe an VERA (IMG) dienen. Diese Programme wurden den Projektpartnern zur Verfügung 

gestellt. 

WP 2.4a ECHAM5 T106 Treiberdaten (1981-1990) (Gobiet) 

Nach ausführlichen Diskussionen wurde auf die ursprünglich geplanten ECHAM4 Daten verzichtet. 

Stattdessen einigten sich die Projektpartner auf retrospektive Daten eines erst kürzlich erfolgten 

Zeitscheiben-Lauf des Institutes für Atmosphären- und Klimaforschung der ETH Zürich nun mit 

ECHAM5 (T106-Horizontalauflösung und 31 Vertikal-Levels), der die angestrebte „reclip“-Periode 

1981-1990 abdeckt. ECHAM5 T106 (1961-1990, 2041-2050*) hat den Vorteil, dass aufgrund des 

Zeitraums 1961-1990 – anders als beim ECHAM4-Lauf – den ECHAM-getriebenen RCM-Lauf nicht 

nur mit ERA-40, sondern auch mit Beobachtungen direkt validieren zu können. 

09

Um die Brauchbarkeit der ECHAM5 Datensätze für MM5 zu überprüfen wurde zunächst auf das 

MM5 Setup von systems research zurückgegriffen. Zusätzlich wurde ein Setup von BOKU-Met, ein 

reduzierte Version dieses Setups und ein Setup, das die räumlichen Gegebenheiten von ALADIN 

wiedergibt, konfiguriert. Zur Zeit der Berichtslegung war nur ein kleiner Datensatz der ETH am IGAM 

verfügbar, der allerdings genügte, um das Interface zwischen ECHAM5 und MM5 zu testen. Der 

Transfer des gesamten retrospektiven Datensatzes wird voraussichtlich im Dezember 2004 abgeschlossen 

sein. 

Als Ergebnis werden aufbereitete Inputdaten für MM5 und ALADIN vorliegen, die für alle Projektpartner 

zugänglich sind. 

WP 2.4b ECHAM4 T106 Treiberdaten (2041-2050 - 2. Projektjahr) (Gobiet) 

Zusätzlich zu den retrospektiven Daten werden auch prospektive Antriebsdaten aus einem ECHAM5 

Lauf in 6stündigen Intervallen für alle Partner zur Verfügung stehen. IMG (Ahrens, Beck) konnte eine 

Kooperation mit der ETH Zürich vereinbaren, um an der ETH einen IS92a Szenario-Lauf durchführen 

zu können. Dafür wird ein ECHAM4 T106 L19 Experiment mit ECHAM5 T106 L31 Ende 2004 wiederholt. 

IMG stellt hierfür die SST und die Meeres-Eis-Daten zur Verfügung. 

Eine ausführliche Beschreibung der in WP 2.4a und 2.4b erwähnten Setups bzw. der ECHAM5 Antriebsdaten 

und des ECHAM5-MM5 Interfaces findet sich im IGAM-Teilbericht im Anhang 1. 

3.3 Workpackage 3 – Modellvalidierung, Sensitivitäts- und 

Validitätstests 

WP3.1 Abstimmung der Sensitivitätsexperimente (fokussiert auf ALADIN) (Ahrens, Beck) 

Die Vorbereitung der Sensitivitätsexperimente (incl. der Spezifikation des Modellgebietes und der 

Zielauflösung sowie der Spezifikation der Modellparameter für die Validierung) geschah in enger 

Zusammenarbeit mit den Projektpartnern um einerseits den wissenschaftlichen Wert zu sichern als 

auch die größtmögliche wirtschaftliche Effizienz zu erzielen. 

Auf Grundlage der durchgeführten Experimente sowie von früheren Arbeiten, wurde das folgende 

Setup für ALADIN benutzt: 

- Direktes Nesting von ALADIN in die globalen Daten (ERA-40 bzw. ECHAM) 

- Keine Zwischeninterpolation der globalen Daten (zB auf Druckflächen) 

- Numerische Auflösung: 12km, 41 vertikale Schichten (eta-Flächen) 

- Modellgebiet: ~2800x2500km (s. Abbildung 2, „12km“ Box) 

- Zeitschema: Semi-Lagrange, semi-implizit mit ∆t=514s 

Für die Validierung werden die Parameter Temperatur, Spez. Feuchte und Geopotential jeweils auf 

850, 700 und 500 hPa, sowie der Niederschlag herangezogen (gem. Validierungsvorschlag BOKU- 

Met vom 21.6.2004). 



Zusätzlich wurde die Nutzbarkeit des CORINE bzw. des systems research-eigenen Landcover Modells 

in ALADIN geprüft. Dabei zeigte sich, dass eine Verwendung dieser Daten im Bodenschema 

von ALADIN derzeit nur mit sehr großem Aufwand möglich wäre, sodass eine Verwendung der CO- 

RINE-Daten (oder ARC-eigenen Daten) für ALADIN im Rahmen von reclip:more nicht praktikabel 

erscheint. Nichtsdestotrotz soll im Zuge der Weiterentwicklung des Bodenschemas die Möglichkeit 

der Verwendung von CORINE-Daten geprüft werden. Dies soll im Herbst 2004 im Rahmen eines 

mehrwöchigen Arbeitsbesuches von B. Ahrens in Toulouse diskutiert werden. 

WP3.2 Festlegen der Sensitivitäts- und Validitätstests, Entwurf des Benchmarks (Formayer) 

Das Festlegen der Validitätstests erfolgte nach Spezifikation der für die Validierung benötigten Beobachtungsdaten 

bzw. nach Vorliegen der ersten Ergebnisse aus WP 3.1. 

Für die definierten Sensitivitätsexperimente wurden die geeigneten Beobachtungsdatensätze (zB 

VERA, Niederschlagsdaten von Frei, etc.) für die Validierung bestimmt, danach erfolgte die Festlegung 

der Domain-Setups, der von den Modellen auszugebenden meteorologischen Parameter und 

deren zeitliche Auflösung. Zusätzlich mussten die Anzahl und Länge der Modellläufe je Sensitivitätstest 

und die Termine für die jeweiligen Sensitivitätstests festgelegt werden, außerdem wurde festgelegt, 

welche Tests mit welchem Modell bzw. Modellierergruppe gerechnet werden. 

Das Ergebnis war ein ausgearbeiteter Arbeitsplan der durchzuführenden Sensitivitätstests. Zusätzlich 

wurde mit den Projektpartnern abgestimmt, welche Arbeitsgruppen welchen Testlauf durchführen, 

und wie die Vergleiche Modell/Beobachtung und Modell/Modell durchgeführt werden. 

Ein weiterer wichtiger Punkt dieses Workpackages war eine umfangreiche Recherche zur Definition 

der statistischen Vergleiche Modell/Beobachtung durch. Beides – sowohl die Beschreibung der geeigneten 

statistischen Parameter für die Ergebnisvalidierung wie auch die zu verwendende Evaluierungsstrategie 

– findet sich im ersten Teil des Teilberichts von BOKU-Met im Anhang 1. 

WP3.3 Modellvalidierung – VERACLIM (Dorninger) 

Als Validierungstool wird das seit rund 10 Jahren am IMG in Entwicklung stehende Vienna Enhanced 

Resolution Analysis System (VERA) verwendet. Details zu VERA findet man im Teilbericht der IMG- 

Gruppe Dorninger im Anhang 1. 

Am 4.Dezember 2003 erfolgte der erste Aufruf an die Modellgruppen Testoutputfiles der Modelle an 

das IMGW zur Programmierung der Schnittstellen zu senden. Dieser Aufruf wurde in der Sitzung 

vom 30. Jänner 2004 erneuert, die ersten Daten von IMGW-Ahrens (ALADIN) und systems research 

(Züger, MM5) wurden allerdings erst Anfang Mai (!) geliefert. 

Für die vorhandenen Testdatensätze wurden Vergleiche mit VERA-Analysen folgender Parameter 

durchgeführt (jeweils 2D): 

- vom Modell reduzierter Druck 

- mit Standardformeln reduzierter Druck von der untersten Modellfläche gerechnet 

- potentielle Temperatur 

- äquivalentpotentielle Temperatur 

- 2D Wind 

- Mischungsverhältnis 

11

Im Rahmen eines Treffens der Mitglieder der WP VALID 3-1 am 19. Februar 2004 wurde das Mischungsverhältnis 

als zusätzlicher VERA-Parameter gewünscht und auch implementiert. Die Parameter 

Tmin und Tmax für die Sensitivitätsläufe wurden als nicht notwendig erachtet, falls die Sensitivitätsläufe 

im dreistündigen Zeitintervall abgespeichert werden. Für den Jahreslauf reichen Tagesmittelwerte. 

Weiters wurde eine Dokumentation zum Modellvergleich verfasst und ein Vorschlag erarbeitet, das 

Untersuchungsgebiet in Klimazonen einzuteilen. Beides findet sich im Anhang des Teilberichts. Für 

die grafische Darstellung wurden entsprechend den Wünschen der Gruppen verschiedene Optionen 

der Darstellung (zB mit oder ohne Flüsse, Darstellung in Grauschattierungen oder Darstellung des 

Differenzfeldes und des Modellfeldes) implementiert. 

WP3.4 Vertikale Validierung (Gobiet) 

Für die Vertikale Validierung wurden die Modelläufe des IGAM, die ERA 40 Daten von systems 

research und die CALRAS Radiosondendaten von IMG-Dorninger benötigt. 

Ziel war einerseits die Entwicklung und Implementierung der Validierungsmethode basierend auf 

Vertikalprofilen von Temperatur, Feuchte und geopotentieller Höhe, andererseits sollte diese Methode 

anhand eines erstellten Testdatensatzes mit bekannter Fehlercharakteristik validiert werden. 

Im Rahmen von Workpackage 3.4 wurde dabei besonderes Augenmerk auf ein automatisches Auslesen 

der Validierungsdaten (CALRAS und ERA 40) und der vertikalen Profile aus MM5 entsprechend 

den zur Verfügung stehenden Validierungsdaten gelegt. 

Ausführliche Beschreibungen der Vorgehensweise, der Daten-Extraktion und der verwendeten Fehlerstatistik 

sowie eine Präsentation der ersten Validierungs-Ergebnisse sind in Kapitel 4.2 des Teilberichts 

des IGAM zu finden. 

3.4 Workpackage 4 – Regionale Klimamodellierung 

WP4.1 MM5 – Fortran sourcen, Binärcode-Vergleichstests (Züger) 

Vom National Center for Atmospheric Research (NCAR) werden laufend neue Versionen des mesoskaligen 

Modells MM5 veröffentlicht. Meist handelt es sich dabei um so genannte „minor releases“ 

bei denen die Behebung von kleinen Fehlern im Vordergrund steht. Das „major release“ der Version 

3.6 hat sich in vorangegangenen Arbeiten bereits als äußerst stabil erwiesen. 

Seit Februar 2004 steht nun die neue Version 3.6.3 zur Verfügung. Da in diesem Release nur marginale 

Änderungen vorgenommen wurden und bei allen Projektpartnern bereits eine Version 3.6.x im 

operationellen Einsatz war, wurde in einer gemeinsamen Sitzung vereinbart, in Zukunft einheitlich 

MM5 in der Version 3.6.3 zu verwenden. 

Um abzuschätzen wie groß die Unterschiede der Ergebnisse auf den verschiedenen Hardware- 

Plattformen (zB Compiler, Zahlendarstellung, etc.) der einzelnen Projektpartner sind, wurden Vergleichsrechnungen 

für eine Episode durchgeführt. Dabei zeigte sich, dass die Abweichungen durchaus 

tolerierbar sind. Daher kann davon ausgegangen werden, dass künftige Modell-Ergebnisse 

ebenfalls vergleichbar sein werden. 



WP4.2 Modellparameter: Domains, Zielauflösung, Study-areas (Züger, Loibl) 

Da der Antrieb des Modells nur über die Ränder erfolgt, hat es bei genügend großer Wahl des Modellgebietes 

im Inneren die Möglichkeit seine eigene Dynamik und seine eigenen Strukturen zu entwickeln. 

Zunächst standen Sensitivitätsexperimente zur Modelldynamik im Vordergrund, um zu klären, 

wie viel Dynamik das Modell entwickeln darf, ohne die globalen Strukturen der Antriebsdaten zu 

verlieren. Als Vorgaben für die Lage der Domänen wurde vereinbart, dass in der äußeren der größte 

Teil Europas, Teile des Atlantiks und der Mittelmeerraum abgedeckt werden. In der inneren Domäne 

sollte der Alpenbogen eine zentrale Lage einnehmen, aber auch der Golf von Genua sollte wegen 

seines Einflusses auf das Wettergeschehen südlich der Alpen berücksichtigt werden. 

Unter diesen Prämissen wurden von BOKU-Met insgesamt 4 geometrische Setups für die Größe und 

Lage der Domänen vorgeschlagen (vgl. WP 3.2). Die einzelnen Setups unterscheiden sich sowohl in 

ihrer Auflösung als auch in ihrer Ausdehnung. Die vertikale Auflösung wurde für die hier aufgeführten 

Tests mit 29 Levels zwischen dem Boden und einer Obergrenze von 50 hPa festgelegt – nur der von 

IGAM am Supercomputer des ECMWF durchgeführte Modelllauf wurde mit 42 Levels initialisiert. 

Die Simulationen mit MM5 wurden auf einem ARC-Doppelprozessor-Rechner unter Unix vorerst 

unter Einsatz der ERA-40 Daten durchgeführt. 

WP4.3a MM5 test runs mit ERA-40 Daten, erste Sensitivitätsexperimente-systems research 

(Züger) 

Für eine möglichst weit reichende Vergleichbarkeit der Modellergebnisse mit der „Wirklichkeit“ wurden 

die ersten Sensitivitätstests mit den besten zur Verfügung stehenden Daten anzutreiben. Für 

den europäischen Raum sind dies zurzeit die ERA-40-Daten des ECMWF. Diese Daten wurden 

auch für großräumige Vergleiche mit den Modellergebnissen herangezogen. 

Weiters wurden für die ersten Tests 2 Episoden ausgewählt, wobei die Rechnungen zu jeder Episode 

jeweils 2 Tage früher starteten, um dem Modell einen adäquaten Spin-up zu ermöglichen. 

Im Modell MM5 ist zur Beschreibung der Prozesse in der Atmosphäre und deren Wechselwirkung 

mit dem Boden eine Vielzahl unterschiedlichster Parametrisierungen implementiert. Da nicht alle 

Kombinationen sinnvoll sind und eine möglichst weit reichende Vergleichbarkeit der Ergebnisse zu 

gewährleisten ist, wurde die Parametrisierung des Modells wie folgt vereinbart: 

- Strahlung: RRTM longwave scheme IFRAD=4 

- PBL + SVAT: MRF + Noah land-surface scheme IBLTYP=5, ISOIL=2 

- Cumulus: Kain-Fritsch 2 + shallow convection ICUPA=8, ISHALLOW=1 

- Feuchte: Reisner 1 (Mixed-Phase) IMPHYS=5 

Wie sich auch aus den Analysen von BOKU-Met ergibt sind die Unterschiede in den Ergebnissen der 

einzelnen Tests relativ gering. Dies ist insofern bemerkenswert, als frühere Untersuchungen – zumindest 

jene von systems research – auf eine wesentlich stärkere Abhängigkeit der Modellergebnisse 

vom geometrischen Setup hingedeutet haben. Dieses Ergebnis ist jedoch vor dem Hintergrund 

des doch relativ kleinen Samples von 2 Episoden mit je 4 Tagen zu sehen. Um hier eine einigermaßen 

gesicherte Aussage zu ermöglichen werden noch weitere Sensitivitätstest über längere Zeiträume 

notwendig sein. Insbesondere der für die nächste Etappe geplante Modelllauf über ein ganzes 

Jahr sollte hier eine deutliche Verbesserung bringen. 

13

WP4.3b MM5 test runs mit ERA-40 Daten, erste Sensitivitätsexperimente-IGAM (Truhetz, 

Gobiet) 

Für die Überprüfung der zu entwickelnden Software-Tools VALVERT (WP 3.4) und WIND (WP 5.6), 

bzw. für die Validierung der Downscaling-Ergebnisse generell werden realistische MM5 Ergebnisse 

benötigt. Zu diesem Zweck wurde auf ERA-40 Re-Analyse Daten des ECMWF zurückgegriffen und 

zusammen mit systems research ein geeignetes Interface zwischen ERA-40 Daten und MM5 entwickelt. 

Nach einem Hardware-unabhängigen Modellvergleich zur Feststellung der Rechen-Genauigkeit erfolgten 

ein Abgleich mit den systems research Läufen sowie die ersten MM5 Episodenläufe/Testläufe. 

Zusätzlich wurden im Rahmen dieses Workpackages bereits Vorbereitungen der retrospektiven 

Langzeitläufe für das Projektjahr 2 durchgeführt. Hauptaugenmerk lag hierbei besonders auf der 

Installation von MM5 am ECMWF-Cluster, der Bestimmung der tatsächlichen Rechenleistung bzw. 

des benötigten Speicherbedarf, sowie wiederum auf der Hardware-unabhängigen Modellvergleichs- 

Rechengenauigkeit. Eine Zusammenfassung dieser Tätigkeiten ist im zweiten Teil von Kapitel 4.1 

des IGAM-Teilberichts. 

Als Ergebnisse werden in Zukunft ECHAM5 Antriebsdaten für retrospektive Modelläufe mit MM5 und 

ALADIN (extern) sowie Testdatensätze für WP 3.1 und WP 4.1 (intern) vorliegen. 

WP4.3c MM5 test runs mit ERA-40 Daten, erste Sensitivitätsexperimente-BOKU-Met 

(Formayer) 

Zur Durchführung der Tätigkeiten im Rahmen dieses Workpackages wurden das Domainsetting für 

das Modellierungsgebiet, die ERA-40 Re-Analysen von systems research sowie die exakten 

Domainsettings der Study-areas von systems research benötigt. Nach Festlegung der Validierungsstrategie 

und der Parameter-Setups wurden am BOKU-Met Simulationen mit MM5 unter Verwendung 

der ERA-40-Daten durchgeführt. 

Zur Durchführung der Parametertests ist es erforderlich, geeignete Termine und Episoden, die charakteristische 

Wettersituationen beinhalten, zu eruieren. Aufgrund der guten Datenlage sollten die 

Perioden, soweit möglich im Zeitraum der MAP Special Observing Periode (SOP) liegen. Da nicht 

alle für die Parametertests notwendigen Wetterlagen in diesem Zeitraum auftraten und um auch 

andere Jahreszeiten testen zu können wurde ein Schwerpunkt auf das Jahr 1999 gelegt, aber auch 

andere Jahre berücksichtigt. 

Eine Beschreibung der verwendeten Domain- und Parameter-Setups findet man im zweiten Teil des 

Teilberichts von BOKU-Met im Anhang 1. Dort werden auch die Festlegungen der Parametrisierung 

und der Termine beschrieben. Abschließend sind auch die Ergebnisse der Vergleichsrechnungen 

MM5 – ALADIN detailiert beschrieben. 

WP4.4 ALADIN test runs mit ERA 40 Daten, Durchführung erster Sensitivitätsexperimente 

(Beck, Ahrens) 

Um eine effiziente Anwendung von ALADIN zum dynamischen Downscaling zu ermöglichen, wurde 

eine Reihe von Sensitivitätsexperimenten durchgeführt. Diese Experimente sind auf Grund des 

Downscalingmodes als ALADIN-spezifisch zu betrachten und konnten daher weitgehend unabhängig 

von den anderen Modelliergruppen durchgeführt werden. Für das dynamische Downscaling werden 

die atmosphärischen Parameter in ALADIN tägliche neu initialisiert. Die Bodenparameter können 

entweder ebenfalls täglich neu initialisiert werden oder aus dem vorherigen Lauf übernommen werden. 

Dadurch ist für den Boden eine Art „Klimalauf“ möglich. 



Die Simulationen mit ALADIN wurden auf dem LINUX Cluster „Schrödinger II“ der Universität Wien 

durchgeführt, wobei geeignete Scripts zur Automatisierung zwischen Schrödinger und IMGW, sowie 

zur Datenreduktion entwickelt werden. Die Verwendung der ECHAM Daten für ALADIN erfordert 

eine Erweiterung der Schnittstelle zwischen den globalen Antriebsdaten und ALADIN. 

Es wurde eine Reihe von Experimenten durchgeführt und die Auswirkung verschiedener Nesting- 

Strategien auf die Niederschlagsvorhersage evaluiert. Es zeigte sich, dass für ein dynamisches 

Downscaling auf den betrachteten Skalen (globale Daten ~120km, ALADIN ~12km) eine direktes 

Nesting von ALADIN in Reanalysedaten möglich ist und im Vergleich zu aufwendigeren Verfahren 

ähnliche Ergebnisse liefert. 

Zusätzlich wurde für das Jahr 1999 der Einfluss von unterschiedlichen Boden-Setups (Neuinitialisierung, 

surface-blending, sowie Mischformen) untersucht. Da das derzeitige Bodenschema nicht für 

einen (freilaufenden) Klimalauf gedacht ist, scheint eine schwache Relaxation zu den globalen Bodenfeldern 

(aus ERA-40 oder ECHAM) notwendig. Diese Einschätzung wird durch die durchgeführten 

Experimente bestätigt. Die Modelldaten für diese Experimente liegen am IMG vor und können im 

Rahmen der Validierung weiter untersucht werden. 

In Hinblick auf die prospektiven Läufe wurden Sensitivitätsexperimente zum Einfluss der Auflösung 

der globalen Eingangsdaten durchgeführt. Hierzu wurden die ERA-40 Daten sowohl in der spektralen 

Auflösung T159 als auch in T106 verwendet. Um den Einfluss der verringerten spektralen Auflösung 

zu untersuchen, wurde für das Jahr 1999 ein ALADIN-Experiment mit T106 Eingangsdaten 

gerechnet. Ein subjektiver Vergleich der beiden Läufe (basierend auf T159 bzw. T106 Daten) zeigt 

eine gute Übereinstimmung sowohl auf Monatsbasis als auch für das gesamte Jahr 1999. 

Eine ausführliche Behandlung der eben erwähnten Punkte findet sich in Kapitel 2.3 des Teilberichtes 

der IMG-Gruppe Ahrens/Beck im Anhang 1. 

3.5 Workpackage 5 – Regionalisierung 

WP 5.1: Entwicklung einer Schnittstelle MM5/ALADIN – Regionalisierungstool (Schöner) 

Ziel dieses Workpackages war die Schaffung 2er Schnittstellen zwischen den beiden regionalen 

Klimamodellen und dem verwendeten Programmpaket CLIM.PACT. Dieses Tool, das bisher in 

Skandinavien Anwendung fand, war für den Alpenraum zu adaptieren und für ein Downscaling vieler 

Zeitreihen zu optimieren. Die geographische Verfeinerung sollte mittels Fortran Programmen oder 

ArcInfo Scripts ermöglicht werden. 

Ausgehend von den MM5- bzw. ALADIN-Datensätzen wurde eine einfache Extraktion von Rlesbaren 

Datensätzen für die einzelnen zu regionalisierenden Variablen entwickelt werden. Die 

Schnittstelle zwischen CLIM.PACT und MM5 bzw. ALADIN wurde über das NetCDF Datenformat 

gelöst. CLIM.PACT kann dieses Datenformat unmittelbar verwenden. Während MM5 einen Output 

im NetCDF Format ablegen kann, gab es eine derartige Schnittstelle für ALADIN nicht. Der Output 

wurde daher im ASCII Format zur Verfügung gestellt, wobei die „VERA-Struktur“ (Output für Validierung 

mit VERA) verwendet wurde. Dieser Output wird mit einer eigenen Einleseroutine (in R) gelesen 

und ebenfalls in das NetCDF Format gebracht. Dazu wird das R-Package NetCDF verwendet. 

Da auch für MM5 eine Schnittstelle geschaffen wurde, mit der ein Output in das VERA-ASCII Format 

gebracht werden kann, ist die Einleseroutine auch in gleicher Weise für die Schnittstelle MM5- 

CLIM.PACT verwendbar. 

Als Ergebnis können nun die von den Projektpartnern gewünschten Parameter direkt in das Statistikpaket 

R eingelesen werden. Das adaptierte Regionalisierungstool soll in Folge zur empirischen 

Verfeinerung der in den nächsten Punkten angeführten Parameter verwendet werden. 

15

WP 5.2a: Regionalisierungstool Temperatur mean (Schöner) 

Die Arbeiten des Workpackages 5.2a befassten sich mit der Implementierung einer Downscaling- 

Methode für T2m basierend auf MM5 bzw. ALADIN Model Runs. Die Tätigkeiten umfassten neben 

der Installation des Statistikpakets R und des Downscaling Moduls CLIM.PACT eine Anpassung von 

CLIM.PACT für den Alpenraum und ein Gridding der Stationsdaten. Das Downscaling an den Stationskoordinaten 

mittels CLIM.PACT kann entweder mittels Multipler Linearer Regression oder mittels 

Analogmethode erfolgen. 

Für die Regionalisierung der Stationswerte wird eine abgewandelte AURELHY-Methode verwendet. 

Diese Methode führt eine PCA-Analyse der Orographie durch und beschreibt die Geländeform durch 

eine Anzahl von Principal Components (PCs). Diese PCs sowie die Seehöhe, Longitude und Latitute 

werden als unabhängige Prediktoren für die Ermittlung einer multiplen linearen Regression verwendet. 

Die Anpassung des Regressionsmodells erfolgt mittels einer schrittweisen multiplen linearen Regression 

aus den bekannten Klimawerten an den Stationskoordinaten (abhängige Größe) und den 

zeitlich konstanten Geländeparametern (unabhängige Größen). Diese Regression ist für jeden Tag 

der Untersuchungsperiode zu bestimmen und anschließend die Residueninterpolation durchzuführen 

(mit Thin-Plate Spline, analog wäre auch eine Interpolation mit einem Kriging-Ansatz möglich). 

Als alternative Methode zu der abgewandelten AURELHY-Methode wurde auch eine Gridding- 

Methode unter Verwendung von bereits vorliegenden Grids monatlicher Klimanormalwerte 1961-90 

für alle Monate des Jahres entwickelt. Dabei wird aus den Monatsgrids für jeden Tag ein Tagesgrid 

der Klimanormalwerte interpoliert und anschließend die Residuen an den Stationskoordinaten ermittelt. 

Mittels Thin-Plate Spline erfolgt dann eine Interpolation des Residuenfeldes. 

Zusätzlich wurde Vergleiche verschiedener Downscaling-Methoden und eine Bestimmung von Rechenzeit 

und Speicherbedarf für die Long Runs durchgeführt. Von den ursprünglich ins Auge gefassten 

Downscaling-Methoden (CCA, Regression, Downscaling von Tageswerten und Monatswerten, 

Wettergenerator) wurde auf einen Wettergenerator verzichtet, da diese nicht in der Lage sind, räumlich 

korreliert Muster zu erzeugen. Eine CCA ist mit CLIM-PACT nicht möglich und wurde daher ebenfalls 

nicht verwendet. Die verschiedenen Methoden konnten nur mit Probedaten getestet werden, 

da die entsprechenden Daten für Österreich von MM5 und ALADIN noch nicht vorliegen. 

Als Ergebnis dieses Workpackages liegt nun eine für den Alpenraum geeignete Methode der Regionalisierung 

von Tagesmitteltemperaturen vor. 

WP 5.2b: Regionalisierungstool Temperatur min/ max (Loibl) 

Die Regionalisierung der Minimums- und Maximumstemperatur sollte ebenfalls mit dem im Rahmen 

von WP 5.2a entwickelten Regionalisierungstools durchgeführt werden, wobei Tmin über den mittleren 

Tagsgang der Monatsmittel-Temperatur und der Differenz zwischen dem Monatsmittel der Minimumstemperatur 

und aktuellen Temperatur um 6h, Tmax über den mittleren Tagsgang der Monatsmittel-Temperatur 

und Differenz zwischen Monatsmittel der Maximumstemperatur und der Temperatur 

um 12h abgeschätzt wird. 

Eine Berücksichtigung etwaiger Temperaturinversionen in den dafür „anfälligen“ Regionen ist dabei 

abhängig von Wolkenbedeckung, Wind, Jahreszeit. Dafür ist allerdings eine umfassende Analyse 

der Messdaten in diesen Regionen notwendig, die bis jetzt noch nicht erfolgte. 



Aufgrund von Verzögerungen bei der Entwicklung des unter WP 5.2a beschriebenen Ttools konnte 

WP 5.2b nicht mehr rechtzeitig für diesen Bericht bearbeitet werden. Die notwendigen Tätigkeiten 

werden zu Beginn des Jahres 2005 nachgeholt. 

WP 5.3: Regionalisierungstool Niederschlag (Schöner) 

Für die Regionalisierung der Tagessummen des Niederschlags wurde ebenfalls ein 2-stufiges Verfahren 

entwickelt. Im ersten Schritt erfolgt das Downscaling mittels CLIM.PACT, wobei für den Niederschlag 

auf Tageswertebasis die Analogmethode zu verwenden ist. Im zweiten Schritt erfolgt die 

geographische Verfeinerung mit der abgewandelten AURELHY-Methode. 

Eine Regionalisierung der täglichen Niederschlagssumme ist bekanntlich wesentlich schwieriger als 

eine Regionalisierung der Temperatur, dennoch scheint auch für diesen Parameter die adaptierte 

AURELHY-Methode ein zielführender Ansatz. Analog zum Tagesmittel der Lufttemperatur werden 

auch für die Niederschlagssumme EOF Felder der Orographie als Prädikatoren verwendet. Diese 

PCs werden wieder zusammen mit der Seehöhe, Longitude und Latitude für die multiple lineare Regression 

verwendet. Eine ausführliche Beschreibung des Regionalisierungstools findet man im Kapitel 

7 des Teilberichtes der ZAMG. 

Eine ausführliche Validierung war im Rahmen des ersten Projektjahres auf Grund der vorhandenen 

Ressourcen nicht möglich. Auch liegen keine hinreichend langen Zeitreihen der für die Validierung 

notwendigen Modellläufe der Regionalmodelle MM5 und ALADIN vor. Damit kann die notwendige 

Optimierung der dynamisch herunterskalierten Prädiktoren für das weitere empirische Downscaling 

nicht durchgeführt werden. Für diese Optimierung ist sowohl die Auswahl der benötigten Felder aus 

dem Regionalmodell als auch die räumliche Domain festzulegen. 

Um trotzdem eine Validierung der entwickelten Regionalsierungsmethoden zu ermöglichen, wurden 

mittels Analogmethode aus ERA-40 herunterskalierte Zeitreihen täglicher Niederschlagssummen aus 

dem Projekt StartClim 04 verwendet. Eine kurze Behandlung dieser Ergebnisse ist in Kapitel 8 des 

ZAMG-Teilberichts zu finden. 

WP 5.4: Regionalisierungstool Schneedecke (Schöner) 

Im Rahmen des Workpackages soll eine für den Alpenraum geeignete Methode zur Regionalisierung 

von Schneedecken-Parametern aus Tagesdaten der Lufttemperatur und des Niederschlags entwickelt 

werden. Ziel ist die Implementierung eines Modells zur Berechnung von täglichen Schneehöhen 

und Schneewasseräquivalenten. Dies soll unter Entwicklung eines statistischen Ansatzes zur 

Berechnung täglicher Neuschneemengen aus Temperatur und Niederschlag sowie unter Adaption 

eines Degree-days Models für die Berechnung der Schneeschmelze, Setzung und Schneehöhe 

geschehen. 

Auf Grund zu geringer Ressourcen konnte im ersten Projektjahr nur eine Übersicht verschiedener 

Regionalisierungsmethoden für Tageswerte der Schneehöhe zusammengestellt werden. Ein kurzer 

Abriss dieser Methoden ist in Kapitel 2 des Teilberichts der ZAMG zusammengefasst. Die Regionalisierung 

der Schneedecke wird im Projektjahr 2 realisiert. 

WP 5.5: Regionalisierungstool Strahlung (Loibl) 

Die Sonnenstrahlungsdaten werden entsprechend der Nachfrage-Erhebung von systems research 

vor allem für vegetations-ökologische Fragestellungen hinsichtlich Einfluss der Klimaänderung herangezogen 

werden. Für die Photosynthese und Pflanzenwachstum ist hier die kurzwellige Strahlung 

17

von Bedeutung. Die Wärmestrahlung geht über die Modellierung/Regionalisierung der Temperatur 

implizit in die Modellergebnisse ein und wird hier bei der Sonneneinstrahlungs-Regionalisierung außer 

Acht gelassen. 

Die Sonneneinstrahlungs-Modellergebnisse aus den Regionalmodellen MM5 und ALADIN liegen nur 

in einer relativ groben Auflösung vor, die auf Grund der Verwendung eines nur groben und daher 

„flachen“ digitalen Höhenmodells die Realität wenig trifft und so in keiner Weise das Expositions- 

Hangneigungsgefüge des Geländes und damit der Sonneneinstrahlung auf lokaler Ebene widerspiegelt. 

Die Regionalisierung erfolgt darum nicht durch Downscaling der Ergebnisse der Regionalmodelle, 

sondern durch ein schrittweises Verfahren. 

Als Input für die Regionalisierung der Sonnenstrahlungswerte dient die potenzielle Sonnenstrahlung 

in Abhängigkeit vom Sonnenstand (ausgehend von Jahreszeit und Uhrzeit) sowie von Hangneigung 

und Exposition sowie die Sonnenstrahlungs-Ergebnisse des jeweiligen regionalen Klimamodells auf 

Tagesbasis. Zunächst wird mit die direkte kurzwellige Sonneneinstrahlung bei wolkenlosem Himmel 

auf eine ebene Fläche berechnet. Die Modifizierung dieser theoretischen Sonneneinstrahlung durch 

Exposition und Hangneigung sowie durch direkte Abschattung wird danach mit einem feinen digitalen 

Höhenmodells (DHM) berechnet. Aus den Ergebnissen werden Mittelwerte für die Modellpunkte des 

Regionalmodells berechnet und die Residuen zu den Regionalmodellergebnissen berechnet. Die so 

generierte Residualfläche wird von der auf dem DHM basierenden Modellfläche des expliziten Strahlungsmodells 

subtrahiert. 

Ergebnis ist eine fein differenzierte – auf Topographie, Sonnenstand und Bewölkung abgestimmte 

Sonneneinstrahlungsfläche für die jeweilige gewünschte Zeitspanne. Die Strahlungssumme je Fläche 

für die gewählte Zeiteinheit wird etwa dieselbe sein, wie im Regionalmodell. Die kleinräumige 

Variation zeigt große Schwankungen und ergibt sich aus den Geländeformen, die großräumigen 

Unterschiede ergeben sich durch die Variation in der Bewölkungsintensität. 

Sobald die täglichen mittleren Strahlungssummen für die 70 Referenzstationen von der ZAMG zur 

Verfügung gestellt werden, ist eine konkrete Überprüfung der Ergebnisse und gegebenenfalls eine 

Anpassung der Regionalisierungsparameter möglich. 

Im Prinzip ist anstatt der kombinierten Berechnung der Sinneneinstrahlung auch die von Schöner in 

seinem Teilbericht vorgestellte EOF-Methode aus dem CLIM.PACT-Paket von R. Benestadt einsetzbar, 

allerdings stand sie bei den Arbeiten zur Strahlungsregionalisierung noch nicht zur Verfügung 

und wurde auch von Benestadt nocht dafür eingesetzt und paraemtrisiert, sodass Abstand davon 

genommen wird sie hier einzusetzen. 

WP 5.6: Regionalisierungstool Wind (Truhetz) 

Für die Windregionalisierung werden exakte Domainsettings der Studyareas, Windmessdaten der 

ZAMG zur Methodenvalidierung, MM5 Ergebnisse sowie der „beste“ MM5-Episodenlauf aller Gruppen 

benötigt. Ausgehend von der reclip:more „Standard“-Auflösung von 15 km wird eine zusätzliche 

Downscaling-Stufe eingeführt, um die Anfangsbedingungen für die Windsimulation auf 5km zu erhalten, 

die Zielauflösung des Windmodells beträgt 200m. Da die genauen Domain-Settings für die drei 

Studyareas noch nicht definiert sind, wurde zunächst nur mit „vorläufigen“ Testregionen gearbeitet. 



Zunächst erfolgte die Installation von CALMET am IGAM-Cluster und die Durchführung erster Testläufe 

für NESTDOWN und CALMET. Die Implementierung der Downscaling-Methode für den bodennahen 

Wind wurde durch eine einfache Interpolation (NESTDOWN) und die anschließende Anwendung 

eines mikroskaligen, diagnostischen Modells (CALMET) inkl. einfacher Sensitivätsanalyse erreicht. 

Dazu waren Modifizierungen des MM5-Moduls NESTDOWN zur einfachen Berücksichtigung 

der Strömungsbeeinflussung bei hochaufgelöster Topographie notwendig. 

Nach Erstellung der topographischen Eingangsdaten erfolgte eine statistische Auswertung des bodennahen 

Windes. Für die notwendigen physio-geographischen Eingangsdaten stand ein von 

systems research auf 200 m resampleter CORINE Landcover Datensatz zur Verfügung. Die zusätzlich 

benötigten externen Parameter (Rauhigkeitslänge, Albedo, Bowen-Verhältnis und Oberflächen- 

Wärmefluß) wurden statistisch mit dem Landbedeckungsmodell verknüpft. 

Für die Visualisierung der Auswertungen und der Simulationsergebnisse von NESTDOWN und 

CALMET wurde das frei verfügbare Grid Analysis and Display System (GrADS) verwendet. Dafür 

musste allerdings eine Datenkonvertierung der CALMET-Ergebnisse entwickelt werden. 

Für die Sensitivitätsanalyse wurden Variationen diverser Modelleinstellungen des „besten“ MM5- 

Episodenlaufs verwendet, die Validierung von NESTDOWN und CALMET erfolgte anhand repräsentativer 

Windmessdaten. Eine ausführliche Zusammenfassung und eine kurze Präsentation der ersten 

Ergebnisse sind im Kapitel 4.3 des IGAM-Teilberichts im Anhang 1 zu finden. 

Die implementierte und getestete Wind-Downscaling Methode für MM5 wird wie vertraglich fixiert im 

Projektplan 2 an systems research weitergegeben. 

19

4 Auflistung der Workpackages geordnet nach 

Projektpartner 

Im Folgenden sind die einzelnen Workpackages der Projektpartner wie sie in den einzelnen Teilberichten 

aufscheinen zusammengefasst. Eine detaillierte Beschreibung der einzelnen Tasks ist aus 

dem Zwischenbericht vom März 2004 und dem vorhergehenden Kapitel 3 ersichtlich. 

4.1 IGM – Gruppe Dorninger 

WP id. WP Titel 

WP 2.2a Bereitstellung Synop-Daten Europa 

WP 2.2b Bereitstellung MAP-Daten 

WP 2.2c Bereitstellung Radiosondendaten 

WP 3.3 Modellvalidierung – VERACLIM 

4.2 IGM – Gruppe Ahrens 


WP 2.3a ERA 40 Daten – Aufbereitung f. ALADIN 

Abstimmung der Sensitivitätsexperimente (vor allem für 

WP 3.1 ALADIN) 

ALADIN test runs mit ERA 40 Daten, Durchführung erster 

WP 4.4 Sensitivitätsexperimente 

4.3 ZAMG 


WP 2.1 Bereitstellung österreichischer Messdaten 

Schnittstelle MM5 sowie ALADIN – Entwicklung der Regi- 

WP 5.1 onalisierungstools 

WP 5.2a Regionalisierungstool Temperatur mean 

WP 5.3 Regionalisierungstool Niederschlag 

WP 5.4 Regionalisierungstool Schneedecke 



4.4 BOKU-Met 


Festlegen der Sensitivitäts- und Validitätstests, Entwurf 

WP 3.2 des Benchmarks 

MM5 test runs mit ERA 40 Daten, erste Sensitivitätsexpe- 

WP 4.3c rimente 

4.5 IGAM 


WP 2.4a ECHAM4 T106 Treiberdaten (1981-1990,1999) 

ECHAM4 T106 Treiberdaten (2041-2050) für das 2. Pro- 

WP 2.4b jektjahr 

WP 3.4 Vertikale Validierung 

MM5 test runs mit ERA 40 Daten, erste Sensitivitätsexpe- 

WP 4.3b rimente 

WP 5.6 Regionalisierungstool Wind 

4.6 systems research 


WP 2.3b Datenaufbereitung 

WP 4.1 MM5 – Fortran sourcen, Binärcode-Vergleichstests 

Bestimmung der Modellparameter: Domains, Zielauflö- 

WP 4.2 sung, Studyareas 

WP 4.3a Sensitivitätsexperimente 

WP 5.2b Regionalisierungtool Temperatur min/max 

WP 5.5 Regionalisierungtool Sonnenstrahlung 

21

5 Ausblick Projektjahr 2: Oktober 2004 – Oktober 2005 

Als Schwerpunkte für das 2. Projektjahr sind geplant: 

1. Durchführung der retrospektiven transienten regionalen Klima-Modellläufe über 10 Jahre 

2. Durchführung der Sensitivitätstests sowie die Regionalisierung der Modellergebnisse für einen 

ausgewählten Zeitabschnitt 

3. Benchmarking der beiden RCM’s 

Überdies sollten natürlich alle Tasks des ersten Jahres, die nicht oder nicht vollständig abgearbeitet 

werden konnten, abgeschlossen werden. 

Die folgende Abbildung zeigt die vorgesehenen Arbeitschritte und deren Zusammenhänge. 

Abbildung 2: Arbeitsschritte für das Projektjahr 2 (in der ursprünglichen Zeitplanung – die sich 

nun 3 Monate nach hinten verschiebt.) 



Anhang 1 

Teilberichte der Projektpartner 






Datenbereitstellung, Entwicklung von Regionalisierungstools und einer Schnittstelle 

zu den regionalen Klimamodellen 

Andreas Frank, Herbert Formayer, Petra Seibert, Bernd C. Krüger und Helga Kromp-Kolb: 



MM5-Modell-Performance-Tests, Vertical Validation, Wind-downscaling 


Datenaufbereitung, Regionale Klimamodellierung und Regionalisierungstool Strahlung

Anhang 1 















eclip:more 

Research for Climate Protection: 

Model Run Evaluation 

Projektjahr 1 

Projektteil IMG-Dorninger 

Datenaufbereitung, Modellvalidierung, Sensitivitäts- und 

Validitätstest 

Beispiel für ein synthetisches Feld (idealisierter Fingerprint), das den thermischen Einfluss der 

Alpen auf ein skalares Bodenfeld (zB Druck) repräsentiert 

Arbeitsbericht für den Zeitraum 1.11.2003 – 30.9.2004 

von 

Manfred Dorninger, Barbara Chimani, Theresa Gorgas und Reinhold 

Steinacker 

Institut für Meteorologie und Geophysik 

Universität Wien, Österreich. 

17. Oktober 2004

INHALTSVERZEICHNIS 

1 Datenaufbereitung (WP 2).................................................................................. 1 

2 Modellvalidierung, Sensitivitäts- und Validitätstests (WP 3.3) ....................... 1 

2.1 Modellvalidierung mittels VERACLIM .............................................................. 1 

2.1.1 Methodik in 2-D......................................................................................... 3 

2.1.2 Qualitätskontrolle von Daten..................................................................... 4 

2.1.3 Analyse..................................................................................................... 8 

2.1.4 Downscaling ............................................................................................. 8 

2.2 Kurzbeschreibung des Modellvergleichs........................................................ 11 

2.3 Erste Ergebnisse:........................................................................................... 14 

Literatur................................................................................................................... 16 

ANHANG A – Klimagebiete .................................................................................... 19

1 Datenaufbereitung (WP 2) 

• Bereitstellung Synop-Daten Europa (WP 2.2a) 

• Bereitstellung MAP-Daten (WP 2.2b) 

• Bereitstellung Radiosondendaten WP (2.2c) 

Ad WP 2.2a: 

In der Sitzung vom 30. Jänner 2004 (vgl. auch Protokoll) wird jedem Projektpartner 

eine DVD (inkl. kurzem Word-Text mit Erklärungen und einem Abriss, wie die Daten 

mittels READ Befehl eingelesen werden können) mit dreistündigen SYNOP-Daten 

aus dem MARS-Archiv von 1979 bis 2000 für den Großraum Alpen (Rohdaten, zwar 

in ASCII-Format aufbereitet, allerdings nicht qualitätskontrolliert!) überreicht. 

Ad WP 2.2b: 

Ebenfalls in der Sitzung vom 30. Jänner 2004 wird der Inhalt der MAP-Datenbank 

erklärt. Die Gruppe IMG-Dorninger erklärt sich bereit, auf Anfrage die Datensätze 

aus der MAP-Datenbank zu extrahieren. Bis dato sind keine derartigen Anfragen 

gestellt worden. Das Angebot bleibt natürlich auch im 2. Projektjahr aufrecht. 

Ad WP2.2c: 

Übermittlung der CALRAS-Daten (Comprehensive Alpine Radiosonde Data Set) in 

Form von zwei CD’s und umfangreicher dreiteiliger Dokumentation an IGAM am 

17.Februar 2004. 

Die Daten (2.2a und 2.2c) wurden im Rahmen anderer Projekte am IMGW 

aufbereitet und werden dem Projekt reclip:more unentgeltlich zur Verfügung gestellt. 

2 Modellvalidierung, Sensitivitäts- und Validitätstests 

(WP 3.3) 

Als Validierungstool wird das seit rund 10 Jahren am IMG in Entwicklung stehende 

Vienna Enhanced Resolution Analysis System (VERA) verwendet. 

2.1 Modellvalidierung mittels VERACLIM 

Die Grundphilosophie von VERA lautet: „Der Ist-Zustand der Atmosphäre soll so 

genau als möglich und unter Nutzung des a priori Wissens der atmosphärischen 

Verhaltensmuster im Alpenraum feldmäßig dargestellt werden“. Dieser Anspruch 

beinhaltet folgende Schritte 

→ Qualitätskontrolle der Daten 

→ Interpolation auf ein regelmäßiges Gitter 

→ Downscaling (Erschließung von Skalen, die durch verfügbare Beobachtungen 

nicht explizit aufgelöst werden können) 

Anhand eines 1-D Beispiels soll das angewandte Verfahren demonstriert werden. 

(siehe Abb. 1). 

Anhang 1 1 

Teilbericht 1

Ψ 

x 

1 2 3 4 5 

Abb. 1: Schematische Darstellung der „spline“ Interpolation zwischen gegebenen Stützstellen 1 bis 5. 

Die Werte 1 bis 5 sollen vorliegende Messwerte (Datenpunkte) einer skalaren 

Feldvariablen Ψ darstellen. Die interpolierten Werte zwischen den Datenpunkten 

können prinzipiell durch eine beliebige Funktion (zB strichlierte Kurve) beschrieben 

werden, die alle gegebenen Stützstellen verbindet. Spannt man nun zB ein 

elastisches Lineal oder eine Weidenrute („spline“) an den Stützstellen ein, so wird die 

Form in etwa der durchgezogenen Linie entsprechen. Diese ist mathematisch 

definiert als genau d i e Funktion, deren gesamte Krümmung zwischen 1 und 5 

minimal ist („cubic spline“). Die mathematische Formulierung dafür lautet: 

5 2 

4 

⎛ ∂ Ψ ⎞ 

∂ Ψ 

J = ∫ ⎜ 

⎟ dx → Min 

(daraus folgt i. ü. = 0 ) (1) 

2 

4 

⎝ ∂x 

1 ⎠ 

∂x 

Statt die spline-Funktion durch die fünf Punkte gehen zu lassen, kann sie alternativ 

durch eine Variation zB des Wertes an der Stützstelle 3 mit Hilfe des 

Minimierungsalgorithmus verändert werden (siehe Abb. 2): 

Ψ 

2 

1 2 3 4 5 

Abb. 2: Schematische Darstellung der Variation des Wertes an der Stützstelle 3. 

Dabei gilt dasselbe Minimierungsfunktional wie in (1). Dadurch wird genau der Wert 

gefunden, der für die gesamte Kurve die minimale Krümmung ergibt. Für die 

Bestimmung der Krümmung wird folgende Beziehung verwendet: 

∂J 

∂Ψ 

3 

∂ 

= 

∂Ψ 

5 

∫ 

3 1 

2 

2 ⎛ ∂ Ψ ⎞ 

⎜ = 0 

2 ⎟ dx 

⎝ ∂x 

⎠ 

2 Anhang 1 

Teilbericht 1 

(2) 

x

2.1.1 Methodik in 2-D 

Bei VERA wird das cubic spline Verfahren zT auf 2-D Felder angewandt. In der 

Mathematik steht dafür der Ausdruck „thin plate spline“, mit dem mechanischen 

Äquivalent eines elastischen Geflechts. Auch hier wird d i e Fläche als Lösung 

gesucht, deren Krümmung minimal wird. Die 2D-Krümmung ist jedoch nicht wie bei 

der 1D Anwendung durch nur eine zweite Ableitung, sondern durch deren drei 

definiert: 

2 2 2 

∂ Ψ ∂ Ψ ∂ Ψ 

, , 

(3) 

2 2 

∂x 

∂y 

∂x∂y 

Es bieten sich nun mehrere Varianten der Minimierung an: 

2 

2 

2 

2 

2 

2 

⎡⎛ 

∂ Ψ ⎞ ⎛ ∂ Ψ ⎞ ⎛ ∂ Ψ ⎞ ⎤ 

J = ∫ ⎢⎜ ⎟ + ⎜ ⎟ + ⎜ ⎟ ⎥ dσ 

→ Min 

2 

2 

⎣⎝ 

∂x 

⎠ ⎝ ∂y 

⎠ ⎝ ∂x∂y 

⎠ ⎥⎦ 

Diese Formulierung beschreibt die allgemeine Bedingung für den thin plate spline. 

Alternativ können die Terme im Integrand von (4) gewichtet werden oder aber 

folgende Kombinationen der 2. Ableitung minimiert werden: 

2 

2 

⎡⎛ 

∂ Ψ ⎞ ⎛ ∂ Ψ ⎞⎤ 

⎢⎜ 

⎟ + ⎜ ⎟ 

2 

2 ⎥ 

⎣⎝ 

∂x 

⎠ ⎝ ∂y 

⎠⎦ 

2 

2 

⎡⎛ 

∂ Ψ ⎞ ⎛ ∂ Ψ ⎞⎤ 

⎢ ⎜ 2 ⎟ + ⎜ 2 ⎟ 

⎟⎥ 

⎣⎝ 

∂x 

⎠ ⎝ ∂y 

⎠⎦ 

2 

2 

= 

[ ] 2 2 

∇ Ψ 

2 

2 

⎡⎛ 

∂ Ψ ⎞ ⎛ ∂ Ψ ⎞⎤ 

− ⎢ ⎜ 2 ⎟ − ⎜ 2 ⎟ 

⎟⎥ 

⎣⎝ 

∂x 

⎠ ⎝ ∂y 

⎠⎦ 

Anhang 1 3 

Teilbericht 1 

2 

2 ⎡⎛ 

∂ Ψ ⎞⎤ 

− ⎢ ⎜ 

⎟ 

⎟⎥ 

⎣⎝ 

∂x∂y 

⎠⎦ 

Minimiert man „nur“ den Laplace (5) in der Domäne, so kann dies physikalisch so 

gedeutet werden, dass zB beim Druckfeld (Geopotentialfeld) die geostrophische 

Vorticity minimiert wird. Bei (6) resultiert als Ergebnis ein Feld, bei dem lang 

gezogene Strukturen, wie etwa bei Fronten, betont werden. 

Eine schematische Darstellung für eine 2-D Anwendung ist in Abbildung 3 zu sehen. 

Abb. 3: Schematische Anordnung von Stützstellen zur Bestimmung des „thin plate spline“. 

2 

(4) 

(5) 

(6)

Für eine solche 2-D Anwendung müssen jeweils Eckpunkte eines Fünfecks mit 

einem zentralen Punkt als Stützstellen vorliegen, die miteinander vernetzt sind, um 

den Satz von Gleichungen exakt lösen zu können. Dabei bedeuten 

k: Zentralstation/Gitterpunkt, die/der überprüft wird 

j: 5 Nachbarstationen (nah(k,j)) um k 

i: 5 Nachbarstationen (nahj(k,j,i) um j. 

Der spline Algorithmus erlaubt natürlich eine Erweiterung auf 3-D und 4-D. Das 

mechanische Äquivalent ist beim 3-D Ansatz durch ein elastisches Volumen 

gegeben, beim 4-D Ansatz durch ein elastisches Volumen mit Rotations-, 

Kompressions- und Deformations- Schwingungen bzw. -wellen. 

Für vektorielle Feldgrößen (zB Windvektor) kann der spline Algorithmus analog 

angewandt werden, wobei bei einer 2-D Anwendung auf 2-D Vektoren wahlweise 

gewichtete Kombinationen aus Rotation (ζ), Divergenz (D) und Deformation (E bzw. 

F) minimiert werden können, zB 

2 

2 

2 2 

J = ∫ [ ας + βD + γ(E + F ) ] dσ → Min , (7) 

wobei α, β und γ Gewichtungsfaktoren darstellen. 

Ist die spline Interpolation physikalisch sinnvoll? 

Falls die behandelte Feldvariable kontinuierlich verteilt ist (in der Atmosphäre etwa 

der Luftdruck; unendlich große Druckgradienten können ja nicht existieren !) und der 

Abstand der Stützstellen klein gegen die Längenskala des betrachteten Phänomens 

ist, liefert die cubic spline Interpolation die (statistisch) geringste Abweichung zu den 

„wahren“ Werten. Unter diesen Voraussetzungen konvergieren im Übrigen die 

Lösungen der „successive correction Methode“ und der „optimum Interpolation“ 

gegen die Lösung des cubic spline. Aber auch bei Variablen mit Unstetigkeiten 

(Brüchen) in der Feldverteilung, zB bei der Temperatur an Fronten, lässt sich die 

spline Methode, durch eine entsprechende Wahl und Gewichtung der zu 

minimierenden Terme – wie zB in (6) – hervorragend anwenden. 

Der obige Ansatz kann sowohl in einem Qualitätskontroll- als auch in einem 

Analysemodus angewandt werden. 

2.1.2 Qualitätskontrolle von Daten 

Ist der Wert an der Stützstelle bekannt (Beobachtungspunkt), so kann der mittels 

Minimierungsverfahren interpolierte Wert an dieser Stelle mit dem Messwert 

verglichen werden. Auf statistischem Wege kann nun entschieden werden, ob der 

Messwert eine systematische Abweichung (bias) bezüglich der Nachbarstationen 

aufweist oder ob ein grober Fehler („gross error“) vorliegt. Dadurch kann dieser 

Messwert gegebenenfalls korrigiert werden. Es muss natürlich jeder Messwert in der 

betrachteten Domäne sukzessive diesem Prüfverfahren unterworfen werden, da ja 

nicht von vornherein bekannt ist, welcher Wert in welchem Umfang als fehlerhaft 

einzustufen ist. Derjenige Messwert der die größte „Beruhigung“ bezüglich der 

Krümmung der Kurve bewirkt, ist am wahrscheinlichsten fehlerbehaftet. Für 

mesoskalige Analysen ist die Qualitätskontrolle und Korrektur von fundamentaler 

Bedeutung. Das Anbringen aller berechneten Korrekturvorschläge repräsentiert 

einen Filter, der die kürzesten, durch die Stützstellen definierten Wellen dämpft, bzw. 

eliminiert. 

4 Anhang 1 

Teilbericht 1

Anhand von 1-D Beispielen (Abb. 4) soll die Vorgangsweise und Interpretation 

erläutert werden: Ist an der Zentralstation (siehe Abb. 4, oben) der Wert höher als an 

den umliegenden, so führt eine Korrektur auf den Wert der umliegenden Station zu 

einer signifikanten „Beruhigung“ der zweiten Ableitungen. Übersteigt diese Abweichung 

einen bestimmten Schwellwert („threshold“), so liegt die Vermutung nahe, 

dass es sich hierbei um einen gross error handelt. Allgemein bedeutet eine positive 

(negative) Abweichung, dass der jeweilige Parameter an einer Station höher (tiefer) 

als durch die Interpolation mittels der umliegenden Stationen „vorherzusehen“ ist. Ist 

die Abweichung klein, aber zeitlich konstant, so handelt es sich mit großer 

Wahrscheinlichkeit um einen systematischen Fehler der Station. Ist die Abweichung 

über bestimmte Zeitperioden ähnlich und wechselt gelegentlich ihr Vorzeichen, so 

weist dies auf eine mesoskalige (Wetterlagen-abhängige) Struktur hin; weisen die 

Abweichungen einen Tagesgang auf, so kann man die Station bezüglich ihrer 

spezifischen Lage charakterisieren, zB städtische Wärmeinsel, Hangstation, Küstenstation 

etc. Ist die Abweichung klein und zeitlich nicht korreliert, so kann man sie als 

meteorologischen Lärm klassifizieren und eine Korrektur anbringen (filtern). 

Abb. 4: Beispiele von Abweichungen: zentrale Station mit positiver Abweichung (oben), zentrale 

Station mit positiver, rechte Nachbarstation mit negativer Abweichung (Mitte) und Zentralstation und 

rechte Nachbarstation mit negativer Abweichung (unten). 

Anhang 1 5 

Teilbericht 1

Dies führt nicht nur die Korrektur der Zentralstation sondern auch der Nachbarstation 

zu einer signifikanten Beruhigung der zweiten Ableitungen (siehe Abb. 4, Mitte), so 

kann ebenfalls mittels Betrachtung des Zeitreihen-Verhaltens die wahrscheinliche 

Ursache dafür eruiert und gegebenenfalls eine Korrektur angebracht werden. 

Sind zwei benachbarte Stationen von einer ähnlich großen Abweichung mit gleichem 

Vorzeichen geprägt (siehe Abb. 4, unten), so wird die Korrektur vergleichsweise 

gering ausfallen, die Abweichung wird als meteorologisches Signal gewertet. 

In der Praxis berechnet man über einen längeren Zeitraum für jeden verfügbaren 

Termin den so genannten „Abweichungswert“, di. die Differenz zwischen dem auf die 

Station mittels thin plate spline interpolierten Wert und dem Messwert. Damit lassen 

sich systematische Fehler (zB Sensorprobleme) erkennen oder die so genannte 

„Charakterisierung“ einer Station durchführen, aber auch „gross errors“, die durch 

falsches Ablesen, Dekodierungs- und Datentransferprobleme auftreten können. 

Schließlich lassen sich auch so genannte mesoskalige meteorologische Signale, wie 

etwa durch Föhn bedingt, ablesen. 

Die bisher in der Praxis untersuchten Parameter sind der auf Meereshöhe reduzierte 

Druck, die potentielle Temperatur, die Feuchtigkeit (als Differenz zwischen der 

potentiellen und äquivalent potentiellen Temperatur) und die horizontalen Komponenten 

u und v des Bodenwindes von Stationen unterhalb von 750 m üM im 

Alpenraum. 

1. Beispiel: 

Abb. 5: Beispiel für Sensorprobleme. Abweichungen des reduzierten Druckes an einer Station für das 

Jahr 1999. 

In Abb. 5 ist eine klare positive Abweichung für die ersten 3 ¼ Monate zu erkennen. 

Da sich dies danach sprunghaft ändert und dann um den Nullpunkt schwankt, deutet 

alles auf ein Sensorproblem im ersten Quartal hin. Anfang April wurde der Sensor 

wahrscheinlich kalibriert, korrigiert bzw. ausgewechselt. Die durchgezogene Linie bei 

0,37 hPa gibt den Median über alle Werte an. Die gestrichelten Linien zeigen den 

dreifachen Wert der „interquartile range“. 

6 Anhang 1 

Teilbericht 1

2. Beispiel: 

Abb. 6: Beispiele für Repräsentationsprobleme. Abweichungen der potentiellen Temperatur an einer 

Station für den MAP-SOP-Zeitraum (07.09.1999-15.11.1999). 

Da in diesem speziellen Fall die positiven Abweichungen zeitlich nur kurz auftreten, 

deutet dies auf ein meteorologisches Signal hin. Und wirklich stimmen die Zeitpunkte 

der hohen Abweichungswerte mit den Zeitpunkten der Föhnfälle überein. Dh., dass 

an dieser Station der Föhn bereits durchgegriffen hat, während er es an anderen 

(umliegenden) Stationen noch nicht getan hat. Oder anders interpretiert, die Föhnstation 

war zu diesem Zeitpunkt nicht repräsentativ für die lokale/regionale Skala. 

3. Beispiel 

Abb. 7: Beispiel für mögliche Übertragungsfehler. Abweichungen des reduzierten Druckes an einer 

Station für das Jahr 1999. 

Diese Station zeigt im letzten Viertel des Jahres fünf so genannte gross errors. Man 

kann sie deutlich von den meteorologischen Signalen und dem Rauschen 

unterscheiden. 

Anhang 1 7 

Teilbericht 1

2.1.3 Analyse 

Bei der Analyse wird im Gegensatz zum Qualitätskontroll-Modus wird der „thin plate 

spline“ Algorithmus auf ein regelmäßiges Gitterpunktsnetz angewandt. Anders als bei 

handelsüblichen Berechnungsroutinen wird jedoch die Lösung für die Werte an den 

Gitterpunkten nicht „global“, dh. für die gesamte Domäne in einem Schritt, sondern 

„lokal“, dh. für jeden einzelnen Gitterpunkt gesondert, gewonnen. Dabei werden um 

jeden Gitterpunkt fünf nahe gelegene und möglichst günstig verteilte Stationen als 

Stützstellen und um diese in gleicher Weise wie in Abb. 3 verteilte weitere Stationen 

gesucht. Wird der Gitterpunktswert mit 0 vorbelegt, so ist der Abweichungswert 

zugleich der gesuchte Analysewert. Das Ergebnis unterscheidet sich dabei nur 

unwesentlich von anderen Interpolations-Schemata (successive correction, optimum 

Interpolation, Kriging). Die Besonderheit von VERA liegt jedoch im zusätzlich 

durchgeführten Downscaling der Felder. 

Die 2-D Felder in VERA beziehen sich nicht auf die tatsächliche Topographie 

sondern auf die sog. „Minimum“-Topographie (siehe Abb. 8), di. die jeweils niedrigste 

Höhe innerhalb eines 10 km Radius um den Gitterpunkt. Dies bedeutet, dass die 

Analysewerte im Gebirge jeweils auf die Talsohlen, bzw. Passsenken bezogen sind. 

Abb. 8: Minimum Topographie in den Höhenstufen (Graustufen): 0 m (Meeresniveau), 0–500 m, 500- 

1000 m, 1000-1500 m und über 1500 m. Erläuterungen siehe Text. 

2.1.4 Downscaling 

Unter Downscaling versteht man die Erschließung von subskaligen Strukturen, die 

durch die Messwerte allein nicht explizit aufgelöst werden können. Wir wissen, dass 

ein Gebirge einen wesentlichen Einfluss auf die Atmosphäre ausübt. Gebirge bieten 

die Möglichkeit einer gehobenen Heiz- oder Kühlfläche. Durch die Volumenreduktion 

der Luft in Tälern und Becken ist zudem eine Amplifizierung der thermischen Tages- 

und Jahresgänge zu beobachten. Des Weiteren wirken Gebirge als ein Hindernis für 

Luftströmungen mit der Möglichkeit von Blockieren und Umströmen. Da die 

8 Anhang 1 

Teilbericht 1

topographische Information mit hoher räumlicher Auflösung gegeben ist, kann man 

die thermischen und dynamischen Feinstrukturen mit ebenso feiner Auflösung 

modellieren. 

Abb. 9 zeigt schematisch, wie man ein einfaches Downscaling im 1-D Fall 

durchführen kann. Im oberen Teil ist ein Querprofil durch ein Gebirge gezeichnet mit 

je zwei Stationen auf beiden Seiten der Barriere. Wendet man in einem solchen Fall 

ein herkömmliches Interpolationsverfahren an, so wird der strichlierte Verlauf der 

Kurve (unten) resultieren. Wenn man aber weiß, dass Barrieren extreme Gradienten 

der Feldverteilung meteorologischer Parameter bewirken, so kann man die Kurve so 

anpassen, dass sie zwar nach wie vor durch die Messwerte an den vier vorhandenen 

Stationen verläuft, jedoch den zu erwartenden scharfen Gradienten im Bereich der 

Barriere aufweist (durchgezogene Linie). Hierzu wird ein idealisierter Kurvenverlauf 

benötigt, der einen scharfen Gradienten und damit sehr hohe Werte der zweiten 

Ableitung im Bereich der Barriere aufweist. 

Abb. 9: Schematisches Querprofil eines Gebirges (oben) und der dazugehörigen 1-D Verteilung einer 

Variablen Ψ. Strichliert ist die durch ein gewöhnliches Interpolationsverfahren ermittelte Kurve, 

durchgezogen die durch eine künstliche Verschärfung des Gradienten an der Barriere erzeugte 

Kurve. 

Die modellierten hoch aufgelösten, orographisch induzierten 2-D Felder werden 

„Fingerprints“ genannt. Der „thermische Fingerprint“ (siehe Abb. 10) zeigt das Muster 

eines modellierten Hitzetiefs bzw. Kältehochs über den Alpen. Berücksichtigt ist 

dabei nicht nur die Höhenverteilung der mittleren Topographie, sondern auch der 

durch die Volumen-Verminderung in Tälern erzeugte Anteil. 

Anhang 1 9 

Teilbericht 1

Abb. 10: Thermischer Fingerprint mit Isolinien in relativen Einheiten. 

Abb. 11 zeigt den so genannten „dynamischen Süd-Fingerprint“, der den idealisierten 

Blocking-Effekt bei einer reinen Südströmung repräsentiert. Diese Fingerprints 

können wahlweise für ein Downscaling von Temperatur- oder Druckfeldern 

Verwendung finden, da diese beiden Parameter in ihrer kleinräumigen topographischen 

Struktur hoch korreliert sind. 

Abb. 11: Dynamischer Süd-Fingerprint mit Isolinien in relativen Einheiten. 

10 Anhang 1 

Teilbericht 1

Aus den idealen Fingerprints werden an jenen Punkten, wo Beobachtungsdaten 

vorliegen, die (Relativ-)werte abgegriffen. Aus diesen werden die 2. räumlichen 

Ableitungen berechnet und mit den Ableitungen aus den Beobachtungswerten verglichen. 

Der Quotient der Ableitungen ergibt den Faktor, mit dem der jeweilige 

Fingerprint in die Analyse eingebracht wird. Da diese Vorgangsweise lokal 

angewandt wird, gehen die Fingerprints mit unterschiedlicher Stärke in die Analyse 

ein. Es kann also durchaus vorkommen, dass zB im Ostalpenraum der Süd-Fingerprint 

noch deutlich präsent ist, während über den Westalpen bereits der West- oder 

Nord-Fingerprint in die Analyse eingeht. 

2.2 Kurzbeschreibung des Modellvergleichs 

Ziel des Modellvergleiches ist es, die Ergebnisse eines Modellaufes nicht nur an 

einzelnen Stationen bzw. Gitterpunkten mit den Messungen zu vergleichen, sondern 

eine möglichst flächenhafte Evaluierung des Modellergebnisses zu bekommen. Daher 

werden die Felder der Modellvorhersage mit einer objektiven, modellunabhängigen 

Analyse verglichen, wobei auf die Skalenverträglichkeit geachtet werden muss. 

In dem operationell laufenden Modellvergleich werden der auf Meeresniveau 

reduzierte Druck, der 10m-Wind, die potentielle und die äquivalentpotentielle 

Temperatur verglichen. Beim Druck wird sowohl der vom Modell gelieferte reduzierte 

Druck, als auch ein von der untersten Modellfläche nach dem standardmäßigen 

Reduktionsverfahren der Analyse reduzierter Druck verglichen. Es gehen dabei die 

Werte der untersten Modellfläche ein, wobei die Höhe dieser Fläche bekannt sein 

muss. Der Grund für diesen doppelten Vergleich ein und desselben Parameters liegt 

in den unterschiedlichen Reduktionsmethoden von Modell und VERA-Analyse. Um 

unterschiedlichen Anforderungen im Modell zu genügen, wird hier oft nicht die 

standardmäßige Reduktion, sondern eine modifizierte Methode verwendet, um die 

thermischen Druckgebilde zu unterdrücken. Dadurch ergeben sich deutliche Unterschiede 

im Alpenraum. Die Reduktion der Modelldruckdaten nach der Standard- 

Methode hat den Vorteil, dass die Daten der beiden Quellen auf die gleiche Art 

verändert werden und daher eine bessere Vergleichbarkeit gegeben ist (siehe weiter 

unten). 

Werte wie die potentielle Temperatur θ oder die äquivalentpotentielle Temperatur θe 

gehören nicht zum regulären Modelloutput und werden daher zu Beginn des 

Vergleiches aus den Parametern der untersten Modellfläche berechnet. Anschließend 

werden die Modelldaten mittels eines einfachen Interpolationsschemas 

(Cressman) auf die VERA-Gitterpunkte gebracht. Auf Grund der hohen Auflösung 

der Modelle ist diese einfache Interpolationsmethode zulässig. Es werden die in 

einem passend gewählten Umkreis um den Analysegitterpunkt liegenden Modellgitterpunkte 

mit einer Abstandsgewichtung versehen, um einen skalenkompatiblen 

Modellwert auf dem VERA-Gitter zu erhalten. Die Wahl des Cressman-Interpolationsradius 

richtet sich nach der Auflösung des Modells. Bei einem grobmaschigem 

Modell muss der Interpolationsradius größer gewählt werden als bei feinmaschigen, 

um eine Mindestanzahl von Gitterpunkten für die Interpolation heranzuziehen. 

Ansonsten resultiert ein unnatürlich strukturiertes (verrauschtes) Differenzfeld (siehe 

weiter unten). 

Anhang 1 11 

Teilbericht 1

Im Gegensatz zu dem reduzierten Druck ist bei θ und θe auch die unterschiedliche 

Topographie von Modell und Analyse zu beachten. Dabei werden unter Annahme 

einer Standardatmosphäre die auf der Modelltopographie berechneten Werte mit 

einem konstanten Gradienten auf die in VERA verwendete Topographie (Minimumtopographie) 

gebracht. Die Minimumtopographie repräsentiert an jedem Gitterpunkt 

die minimale Seehöhe aller im Umkreis eines vorgegebenen Radius befindlichen 

Gitterpunkte. Standardmäßig wird ein Radius von 10 km und ein topographisches 

Gitter im 1 km Raster verwendet. 

Abb. 12 zeigt wie unterschiedliche Druckreduktionen das Ergebnis beeinflussen 

können. Im linken Bild (Vergleich VERA – modellreduzierter Druck) sind die Beträge 

der Differenzen deutlich höher als im rechten Bild (Vergleich VERA – mit Standard- 

Methode reduziertem Modelldruck). Der nach dem Modellschema reduzierte Modelldruck 

war also über den Alpen höher als der nach dem Standard-Schema reduzierte 

Modelldruck, der wie man im rechten Bild sieht, deutlich besser mit der Analyse 

übereinstimmt. 

Abb. 12: Beispiel für die Auswirkungen unterschiedlicher Druckreduktionen 

Abb. 13 zeigt den Einfluss verschiedener Interpolationsradien. Im linken Bild wurde 

der Cressman-Interpolationsradius mit 30 km, im Rechten mit 50 km angesetzt. Das 

kleinräumige Rauschen ist in der rechten Abbildung nicht zu bemerken, die Strukturen 

stimmen jedoch in den beiden Bildern überein. 

Abb. 13: Beispiel für die Auswirkung unterschiedlicher Cressman-Radien 

12 Anhang 1 

Teilbericht 1

Bei einem Vergleich der Windfelder haben bisherige Auswertungen gezeigt, dass 

kein systematischer Unterschied zwischen den Differenzen über den Alpen und 

denen im Flachland besteht, so dass Korrekturen über dem komplexeren Gelände in 

dieser Auflösung nicht sinnvoll erscheinen. Allerdings ist zu beachten, dass durch die 

ausschließliche Verwendung von niedrig gelegenen (Tal-) Stationen in der Analyse 

Kanalisierungseffekte auftreten. 

Der oben beschriebene Modellvergleich wurde auf folgende Modellläufe angewandt: 

Laufinitialisierung Auflösung Gitterpunkte Eckpunkte 

ALADIN 05.-09.11.99 

jeweils 00UTC 

9 km 153 x 101 

BOKU 

d1 

03.11.99 00UTC 45 km 110 x 88 

BOKU 

d2 


IGAM 

v12 d1 


IGAM 

v12 d2 


IGAM 

v17 d1 


IGAM 

v17 d2 


IGAM 

v18 d1 


IGAM 

v18 d2 


IGAM 

v21 d1 


ÎGAM 

v21 d2 


ARCS 

d1 


ARCS 

d2 


Kurzbeschreibung der IGAM – Versionen (von Heimo Truhetz): 

0,98/39,98 

24,08/51,95 

-13,92/31,70 

60,17/62,62 

4,04/42,41 

19,73/49,92 

-13,92/31,70 

60,17/62,62 

4,04/42,41 

19,73/49,92 

-13,92/31,70 

60,17/62,62 

4,04/42,41 

19,73/49,92 

-13,92/31,70 

60,17/62,62 

4,04/42,41 

19,73/49,92 

-0,71/37,08 

28,69/56,09 

4,05/42,26 

17,70/49,77 

-9,79/33,28 

46,77/59,15 

3,36/42,50 

17,92/49,54 

# Version | DATUM | Beschreibung 

#------------------------------------------------------------------------------------------------------ 

# v12 | 29.09.2004 | (het) lowest SOIL-layer depth corrected 

# | | 268 cm -> 289 cm (Vtable.SOIL affected) 

# | | Code 235 (skin temp.) taken as skin temp. 

# | | (former: 235 taken as sea surface temp.) 

# | | MMINPUT contains initial cond. only. 

# v17 | 15.10.2004 | (het) High vertical resolution -> 42 levels 

# | | ERA40 model level data are vertically 

# | | interpolated to 43 pressure levels (afterburner) 

# | | bevor lateral boundary conditions are constructed. 

# v18 | 29.10.2004 | (het) shallow convection turned off; one-way nesting 

# v21 | 02.11.2004 | (het) smaller DOMAIN 1: 88 x 110 -> 50 x 50 grid-cells 

# | | feedback (DOMAIN 2 -> 1) is heavily damped 

#------------------------------------------------------------------------------------------------------ 

Anhang 1 13 

Teilbericht 1

Für die vorhandenen Testdatensätze wurden Vergleiche mit VERA-Analysen 

folgender Parameter durchgeführt (jeweils 2D): 

• vom Modell reduzierter Druck 

• mit Standardformeln reduzierter Druck von der untersten Modellfläche 

gerechnet 

• potentielle Temperatur 

• äquivalentpotentielle Temperatur 

• 2D Wind 

• Mischungsverhältnis 

Im Rahmen eines Treffens der Mitglieder der WP VALID 3-1 am 19. Februar 2004 

wurde das Mischungsverhältnis als zusätzlicher VERA-Parameter gewünscht und 

auch implementiert. Die Parameter Tmin und Tmax für die Sensitivitätsläufe wurden als 

nicht notwendig erachtet, falls die Sensitivitätsläufe im dreistündigen Zeitintervall 

abgespeichert werden. Für den Jahreslauf reichen Tagesmittelwerte. Sämtliche 

Punkte wurden im Treffen am 27.Mai 2004 von allen Projektmitgliedern befürwortet 

(siehe Protokoll ebendort). 

Die statistischen Maße wurden in der Sitzung vom 27. Mai 2004 festgelegt und 

implementiert. Dies sind: 

• Mittelwert, 

• RMSE, 

• Bias bzw. Bias-korrigierter RMSE, 

• das Taylor-Diagramm mit seinen Statistiken (Standardabweichungen 

Modell und Beobachtung, sowie Korrelationskoeffizient) sowie 

• der Fisher skill score, 

• der Bias skill score und 

• der total skill score 

Die Statistiken wurden für die entsprechend definierten Klimagebiete (siehe Anhang 

A) sowie für das Gesamtgebiet (=Summe der Klimagebiete) berechnet. 

2.3 Erste Ergebnisse: 

Die Fallstudie erlaubt noch kein einheitliches Bild der einzelnen Modellversionen, 

dennoch lassen sich aber bereits erste Erkenntnisse über die Modellperformance 

gewinnen. Es wurden die Zeitverläufe sämtlicher Parameter für alle Klimagebiete und 

alle Modellversionen berechnet. Ferner sind für die gesamte Episode Vergleiche für 

sämtliche Parameter und Modellversionen vorhanden, ebenso die Taylor–diagramme. 

Dieses umfangreiche Material kann in diesem Endbericht nur exemplarisch 

gezeigt und diskutiert werden. 

Als Beispiel wird der reduzierte Bodendruck gezeigt: 

Die Abb. 14 und 15 zeigen BIAS bzw. das Taylordiagramm für den reduzierten 

Bodendruck, jeweils für den gesamten Vorhersagezeitraum. Zwei Modellversionen 

zeigen einen höheren BIAS an, während alle anderen Versionen einen wesentlich 

geringen BIAS besitzen. Das ALADIN Modell ist durch wird alle 24 Stunden neu 

gestartet ist also mit den anderen Modellen nicht direkt vergleichbar. ARCS, BOKU 

und IGAM verwenden partiell das gleiche Modellsetup, trotzdem kommt es zu unterschiedlichen 

Ergebnissen. Dies ist noch weiter zu diskutieren. Im Taylordiagramm 

14 Anhang 1 

Teilbericht 1

liegen alle Läufe sehr nahe am Verifikationspunkt (rot). Dieses Diagramm erhält erst 

bei den geplanten Sensitivitätsstudien seine eigentliche Relevanz. 

BIAS 

6 

5 

4 

3 

2 

1 

0 

-1 

-2 

Gebietevergleich Aladin & MM5 (Domäne 1) 

alles rhein bayer nordo 

Klimagebiet 

suedo panno poebe 

Aladin 

BOKU d1 

ARCS d1 

IGAM v12 d1 

IGAM v17 d1 

IGAM v18 d1 

IGAM v21 d1 

Abb. 14: Modellvergleich des BIAS des reduzierten Bodendrucks aller Klimagebiete für den gesamten 

Vorhersagezeitraum 

Abb. 15: Taylordiagramm für den reduzierten Bodendruck für den gesamten Vorhersagezeitraum 

Anhang 1 15 

Teilbericht 1

Literatur 

Groehn, I., R. Steinacker, Ch. Häberli, W. Pöttschacher, M. Dorninger, 1998: Results of 

DAQUAMAP: Characteristics of Humidity Observations of Alpine Synoptic Network, MAP 

Newsletter Nr. 9, p. 54-55. 

Groehn, I., R. Steinacker, Ch. Häberli, W. Pöttschacher, M. Dorninger, 1999: DAQUAMAP- 

results and response of providers, MAP Newsletter Nr. 11, p. 76. 

Groehn, I., R. Steinacker, Ch. Häberli, W. Pöttschacher, M. Dorninger, 2000: DAQUAMAP 

after SOP, MAP Newsletter Nr. 12, p. 22. 

Groehn, I., R. Steinacker, Ch. Häberli, W. Pöttschacher, M. Dorninger, 2000: DAQUAMAP- 

results and response of providers, MAP Newsletter Nr. 13, pp. 6-8. 

Häberli, Ch. and R. Steinacker, 1998: Quality Assessment of Upper Air Soundings in MAP, 

MAP Newsletter Nr. 9, p. 68-69. 

Häberli, Ch. and M. Dorninger, 1999: Acquisition of GTS and Routine non GTS 

Meteorological Data during MAP.Part I: Surface Stations. http://www.univie.ac.at/IMG- 

Wien/daquamap/acqui1.pdf 

Häberli, Ch., 1999: Acquisition of GTS and Routine non GTS Meteorological Data during 

MAP.Part II: Upper Air Stations. http://www.univie.ac.at/IMG-Wien/daquamap/acqui2.pdf 

Pöttschacher, W., R. Steinacker, M. Dorninger, 1996: VERA - A high resolution analysis 

scheme for the Atmosphere over complex terrain. 7 th Int. Conf. Mesoscale Processes, 

Reading, Amer. Meteor. Soc., pp 245-247. 

Pöttschacher, W., Ch. Häberli, R. Steinacker, 1997: The Error Detection and Correction 

Module of CALRAS and VERA, MAP Newsletter 7. 

Pöttschacher, W. ,R. Steinacker, M. Dorninger, 1998: Topographically Induced Features in 

Mesoscale Analysis and Forecast Fields, MAP Newsletter 9, pp. 76-77. 

Pöttschacher, W., R. Steinacker, M. Dorninger, 1998: Fingerprint Technique, A Tool for the 

Validation of Mesoscale Weather Prediction Models. 25 th Int. Conf. on Alpine Meteorology, 

Turin, pp 245-247. 

Pöttschacher, W., R. Steinacker, M. Dorninger, 1998: VERA - A Tool for the Validation of 

Mesoscale Weather Prediction Models. 8 th Int. Conf. on Mountain Meteorology, Flagstaff, 

Amer. Meteor. Soc., pp 156-158. 

Schmölz, A., R. Steinacker, W. Pöttschacher, Ch. Häberli, M. Dorninger, 2000: VERA - Two 

Dimensional Wind and Air Mass Analyses, MAP Meeting in Bohinjska Bistrica 2000. 

Steinacker, R. et al., 1995: Meteorological applications of high resolution topographic data, 

MAP Newsletter 3, p. 73. 

Steinacker, R., M. Dorninger und W. Pöttschacher. 1996: A high resolution analysis scheme 

for the atmosphere over complex terrain: a contribution to MAP, Proceedings 24 th Int. Conf. 

Alpine Meteorology. Bled Slovenia, Sept 9-13, 1996. 

16 Anhang 1 

Teilbericht 1

Steinacker, R., Ch. Häberli, I. Groehn, W. Pöttschacher, M. Dorninger, 1998: DAQUAMAP – 

An Initiative to Assess the Performance of Surface Observations in MAP Using a Model 

Independent Method. 8 th Int. Conf. on Mountain Meteorology, Flagstaff, Amer. Meteor. Soc., 

pp 113-118. 

Steinacker, R., Ch. Häberli, and W. Pöttschacher, 2000: A transparent method for the 

analysis and quality evaluation of irregularly distributed and noisy observational data. Mon. 

Wea. Rev., Vol. 128, No. 7, pp 2303-2316. 

Anhang 1 17 

Teilbericht 1

18 Anhang 1 

Teilbericht 1

ANHANG A – Klimagebiete 

Anhang 1 19 

Teilbericht 1

Anhang 1 















UNIVERSITÄT WIEN 

INSTITUT FÜR METEOROLOGIE UND GEOPHYSIK 

VORSTAND: O.UNIV.-PROF. DR. REINHOLD STEINACKER 

reclip:more 



Projektjahr1 

Projektteil IMG-Ahrens/Beck, 

Dynamisches Downscaling globaler Klimasimulationen 

mit ALADIN 

Mittlerer Tagesniederschlag für das Jahr 1999 [mm/d] aus ERA40 Daten und nach dem 

dynamischen Downscaling mit ALADIN. 


von 

Alexander Beck und Bodo Ahrens 

Institut für Meteorologie und Geophysik (IMGW), 

Universität Wien, Österreich. 

4. September 2004


1 Bereitstellung der Reanalysedaten (ERA40) für ALADIN (WP 2.3a) .......... 1 

2 Abstimmung der geplanten Sensitivitätsexperimente (WP 3.1) ................ 2 

3 Durchführung erster Sensitivitätsexperimente (WP 4.4)............................ 4 

4 Literatur .......................................................................................................... 8 

5 Veröffentlichungen ........................................................................................ 8 

ANHANG – Das Limited-Area Modell ALADIN........................................................ 9

1 Bereitstellung der Reanalysedaten (ERA40) für 

ALADIN (WP 2.3a) 

• ERA40 Daten für das Jahr 1999 in spektraler Auflösung T159 und T106 (60 

Modellschichten) 

• Umwandlung der Daten in ein für ALADIN geeignete Format 

Die ERA40 Daten des EZMW wurden für den Zeitraum 1999 aus dem MARS Archiv 

extrahiert. Die für ALADIN aufbereiteten Daten liegen derzeit auf einem Server des 

IMGW. Das Datenvolumen beträgt rund 20GB/Jahr (bei T159). 

Abb. 1: ERA40 Orographie für das ALADIN Modellgebiet in spektraler Auflösung T159 (links) und 

T106 (rechts) 

Weiters wurden alle notwendigen Vorbereitungen für die Extraktion der weiteren 

MARS Daten für die retrospektiven long-runs im weiteren Projektverlauf durchgeführt, 

sodass die Daten gegebenenfalls rasch und effizient für die Nutzung in ALADIN 

zur Verfügung stehen. 

Anhang 1 1 

Teilbericht 2

2 Abstimmung der geplanten Sensitivitätsexperimente 

(WP 3.1) 

• Sensitivitätsexperimente mit ALADIN zur „Modelldynamik“ (siehe WP4.4) 

• Bereitstellung der Modelldaten im „VERA-Format“ für die Validierung (BOKU- 

Met) 

• Bereitstellung der Modelldaten für die Validierung mit VERA am IMGW 

• Bereitstellung von quick-look Karten gem. Vorschlag BOKU-Met vom 

21.6.2004 

• ALADIN-Daten für „Domaintest MM5“ gem. Vorschlag BOKU-Met vom 


Auf Grundlage der durchgeführten Experimente sowie von früheren Arbeiten, wird 

das folgende setup für ALADIN im Rahmen von reclip:more benutzt: 

• Direktes Nesting von ALADIN in die globalen Daten (ERA40 bzw. ECHAM) 

• Keine Zwischeninterpolation der globalen Daten (zB auf Druckflächen) 

• Numerische Auflösung: 12 km, 41 vertikale Schichten (eta-Flächen) 

• Modellgebiet: ~2800x2500 km (siehe Abbildung 2, „12 km“ Box) 

• Zeitschema: Semi-Lagrange, semi-implizit mit ∆t=514s 

Abb. 2: Modellgebiet und Orographie für ALADIN. Der kleinere, schwarz umrandete Bereich im linken 

Bild (12 km) umfasst das gewählte Modellgebiet. Der Einfluss einer zusätzlichen 50 km-Domain 

wurde in Beck et al. 2004 für das rote umrandete Validierungsgebiet untersucht 

Für die Validierung werden die Parameter Temperatur, Spez. Feuchte und Geopotential 

jeweils auf 850, 700 und 500 hPa, sowie der Niederschlag herangezogen 

(gem. Validierungsvorschlag BOKU-Met vom 21.6.2004). Die Modellergebnisse 

werden 6-stündig im „VERA-Format“ für die Validierung bereitgestellt. Dies geschieht 

durch Übertragung der genannten Parameter auf den ftp-Server von BOKU-Met. 

Weiters werden ALADIN-Daten für das stochastische Downscaling zur Verfügung 

gestellt. Dies geschieht in enger Abstimmung mit W. Schöner (ZAMG). Der 

Austausch erfolgt ebenfalls im VERA-Format. Die Modelldaten für die gewünschten 

Parameter liegen auf dem Modellgitter in (zumindest) 6h zeitlicher Auflösung vor. Ein 

Testdatensatz wurde an W. Schöner (ZAMG) übermittelt. 

2 Anhang 1 

Teilbericht 2

Abb. 3: Beispiel für Wetterkarten wie sie an BOKU-Met geliefert werden: 500hPa und Vertikalbewegung 

(links) sowie T850 (rechts) der ALADIN Vorhersage für den 1.7.1999 

Die Verwendung eines aufwendigeren Strahlungsschemas (FMR, eventuell RRTM) 

im Modell wird anhand eines Sensitivitätsexperimentes für 1999 untersucht. Die 

Vorbereitungen für dieses Experiment sind abgeschlossen, die Durchführung erfolgt 

im Laufe des August 2004. Dieses Experimentes soll als Entscheidungsgrundlage für 

das Strahlungsschema in den long-runs dienen. Insbesondere müssen die 

zusätzlichen Kosten (Rechenzeit!) im Vergleich zur möglichen Verbesserung der 

Ergebnisse beurteilt werden. Diese Evaluierung sollte im Rahmen der allgemeinen 

Validierung durch BOKU-Met passieren. 

Als ersten Schritt zur Untersuchung der Wechselwirkung Atmosphäre und Boden 

wurde die Möglichkeit der Verwendung von CORINE Daten in ALADIN untersucht. 

Eine Verwendung dieser Daten im Bodenschema von ALADIN (ISBA; Noilhan und 

Mahfouf, 1996) scheint derzeit nur mit sehr großem Aufwand möglich. Außerdem 

erfordert die Verwendung des CORINE-Datensatzes ein umfangreiches preprocessing 

um von den enthaltenen Bodenklassen die für ISBA notwendigen 

Parameter abzuleiten. Des Weiteren müsste im Vorfeld das Problem der vorhandenen 

„Datenlücken“ (also Länder für die keine CORINE-Daten vorliegen) geklärt 

werden. Ähnliche Probleme treten bei der Verwendung des ARC-eigenen Landcover 

Modells auf. Aus den genannten Gründen scheint eine Verwendung der CORINE- 

Daten (oder ARC-eigenen Daten) für ALADIN im Rahmen von reclip:more nicht 

praktikabel zu sein. Nichtsdestotrotz soll im Zuge der Weiterentwicklung des 

Bodenschemas die Möglichkeit der Verwendung von CORINE-Daten geprüft werden. 

Dies soll im Herbst 2004 im Rahmen eines mehrwöchigen Arbeitsbesuches von B. 

Ahrens in Toulouse diskutiert werden. 

Die ersten ALADIN-Daten (für das gesamte Jahr 1999) zur Validierung mit VERA 

wurden im Laufe des Frühjahrs an B. Chimani (IMGW) übermittelt. 

Die Abstimmung bezüglich der 3D-Validierung erfolgt mit den Kollegen am IGAM. Ein 

diesbezüglicher Vorschlag von A. Gobiet für das Datenformat liegt vor. ALADIN- 

Pseudotemps (im vereinbarten Format) für den Zeitraum 3.11. – 9.11.1999 wurden 

an IGAM übermittelt (21.9.2004). 

Anhang 1 3 

Teilbericht 2

3 Durchführung erster Sensitivitätsexperimente (WP 4.4) 

• Sensitivitätsexperimente zur Nesting-Strategie beim regionalen Downscaling 

für Herbst 1999 (MAP SOP; Beck et al. 2004) 

• Sensitivitätsexperimente zum optimalen ALADIN-setup bei der Reinitialisierung 

für das gesamte Jahr 1999 

• Sensitivitätsexperimente zum Einfluss der Auflösung der Nesting-Daten im 

Hinblick auf die Verwendung von ECHAM Daten für das Jahr 1999 

Um eine möglichst effizient Anwendung von ALADIN zum dynamischen Downscaling 

zu ermöglichen, wurde eine Reihe von Sensitivitätsexperimenten durchgeführt. Diese 

Experimente sind auf Grund des Downscaling-modes als ALADIN-spezifisch zu 

betrachten und konnten daher weitgehend unabhängig von den anderen 

Modelliergruppen durchgeführt werden. 

Alle Läufe mit ALADIN werden auf dem LINUX-cluster Schroedinger II der Universität 

Wien durchgeführt (siehe http://www.univie.ac.at/ZID/schroedinger/). Das postprocessing 

der Modelldaten erfolgt am IMGW, wobei der Datentransfer zwischen 

cluster und Institut weitgehend automatisiert wurde (shell-scripts und secure-copy). 

Für eine möglichst effiziente, regionale Reanalyse, wie sie durch das dynamische 

Downscaling verwirklicht wird, ist das Modellnesting von großer Bedeutung. Hierzu 

wurde eine Reihe von Experimenten durchgeführt und die Auswirkung verschiedener 

Nesting-Strategien auf die Niederschlagsvorhersage evaluiert. Es zeigte sich, dass 

für ein dynamisches downscaling auf den betrachteten Skalen (globale Daten 

~120 km, ALADIN ~12 km) eine direktes Nesting von ALADIN in Reanalysedaten 

möglich ist und im Vergleich zu aufwendigeren Verfahren ähnliche Ergebnisse liefert 

(Beck et al. 2004). Daher soll im Rahmen von reclip:more ALADIN direkt in die 

globalen Antriebsdaten genestet werden. 

Für das dynamische Downscaling werden die atmosphärischen Parameter in 

ALADIN tägliche neu initialisiert. Die Bodenparameter können entweder ebenfalls 

täglich neu initialisiert werden, oder aus dem vorherigen ALADIN Lauf übernommen 

werden. Dadurch ist für den Boden eine Art „Klimalauf“ möglich. Diese Konfiguration 

wird als „surface-blending“ bezeichnet. Im Rahmen einer Reihe von Sensitivitätsexperimenten 

für das Jahr 1999 wurde der Einfluss von unterschiedlichen Bodensetups 

(Neuinitialisierung, surface-blending, sowie Mischformen) untersucht. Da das 

derzeitige Bodenschema nicht für einen (freilaufenden) Klimalauf gedacht ist, scheint 

eine schwache Relaxation zu den globalen Bodenfeldern (aus ERA40 oder ECHAM) 

notwendig. Diese Einschätzung wird durch die durchgeführten Experimente bestätigt, 

sodass im Rahmen von reclip:more eine surface-blending Konfiguration mit 3 % 

Relaxation verwendet werden soll. Die Modelldaten für diese Experimente liegen am 

IMG vor und können im Rahmen der Validierung weiter untersucht werden. 

4 Anhang 1 

Teilbericht 2

Abb. 4: Jahresniederschlag [mm] für das Jahr 1999 vom GPCC (links oben), auf Grundlage von 

ERA40-Daten (links unten) und nach dem dynamischen Downscaling mit ALADIN (rechts unten). Das 

Bild rechts oben zeigt die für die GPCC-Analyse verwendete Stationsanzahl pro Gitterbox (0.5 Grad) 

Abbildung 4 zeigt den Jahresniederschlag (in mm) aus der aktuellen Analyse des 

beim Deutschen Wetterdienst angesiedelten Global Precipitation Climatology 

Centers (GPCC) für das Jahr 1999 (Auflösung: 0.5 Grad). Man beachte die geringe 

Anzahl der verwendeten Messdaten in weiten Bereichen von Ost- und Südeuropa 

(Bild links oben). Ein subjektiver Vergleich mit dem Jahresniederschlag von ALADIN 

zeigt eine gute Übereinstimmung in Gebieten mit ausreichender Datenbedeckung. 

Der Vollständigkeit halber ist auch der ERA40-basierte Jahresniederschlag 

dargestellt. Die quantitative Evaluierung dieser Modellergebnisse erfolgt durch 

BOKU-Met. 

In Hinblick auf die prospektiven Läufe wurden Sensitivitätsexperimente zum Einfluss 

der Auflösung der globalen Eingangsdaten durchgeführt. Hierzu wurden die ERA40 

Daten sowohl in der spektralen Auflösung T159 als auch in T106 verwendet. 

Aufgrund des Modelldesigns am EZMW benutzt das T159 Modell dasselbe GAUSS- 

Gitter wie auch das T106 Modell. Diese scheinbare Diskrepanz entsteht durch die 

Semi-Lagrange Behandlung der Advektionsterme im EZMW Modell. Das T159 

Modell benutzt ein so genanntes lineares GAUSS-Gitter weil die Berechnung der 

nichtlinearen Produkte in den Advektionstermen durch die SL-Formulierung 

vermieden wird. Im ECHAM Modell muss aber ein so gennantes quadratisches 

Anhang 1 5 

Teilbericht 2

GAUSS-Gitter verwendet werden, wodurch bei gleicher Gitterpunktsanzahl nur ein 

geringere spektrale Auflösung (nämlich T106) numerisch möglich ist. Um den 

Einfluss der verringerten spektralen Auflösung zu untersuchen, wurde für das Jahr 

1999 ein ALADIN-Experiment mit T106 Eingangsdaten gerechnet. Ein subjektiver 

Vergleich der beiden Läufe (basierend auf T159 bzw. T106 Daten) zeigt eine gute 

Übereinstimmung sowohl auf Monatsbasis (siehe Abbildung 5) als auch für das 

gesamte Jahr 1999. 

Abb. 5: Mittlerer täglicher Niederschlag für den Zeitraum Juni-Juli-August 1999 in mm/Tag. Im linken 

Bild wurde ALADIN in globale ERA40-Daten mit spektraler Auflösung T159, im rechten Bild mit T106 

genestet 

Die Verwendung der hoch auflösenden Modelldaten beispielsweise in der hydrologischen 

Modellierung stellt nicht nur eine wichtige Anwendung meteorologischer 

Daten dar, sondern bietet auch die Möglichkeit einer „indirekten Validierung“ der 

Eingangsdaten durch unabhängige Messdaten (zB, Ahrens et al. 2003). Abbildung 6 

zeigt als Beispiel einer solchen Anwendung die simulierte Abflussganglinien in einem 

alpinen Einzugsgebiet basierend auf ALADIN-Niederschlagsdaten mit 12 km und 

50 km Gitterpunktsabstand. Das verwendete hydrologische Modell ist WaSim-ETH 

(Schulla 1997) Für die MAP SOP zeigen die ALADIN-basierten Simulationen eine 

zufriedenstellende Performance im Vergleich zur Simulation mit beobachteten 

Niederschlagsdaten. Außerdem zeigt sich eine signifikante Verbesserung des 

modellierten Abflusses, wenn Eingangsdaten mit 12 km anstatt mit 50 km verwendet 

werden. Diese Verbesserung bestätigt eindrücklich die (direkte) Anwendbarkeit von 

ALADIN auf der 12 km Skala auf Grundlage von grob aufgelösten (120 km) 

Eingangsdaten. 

6 Anhang 1 

Teilbericht 2

Abb. 6: Anwendung der ALADIN-Niederschlagssimulationen mit 12 km (rot) und 50 km (blau) 

Auflösung als Eingangsdaten für die hydrologische Modellierung. Die schwarze Linie (Stat) verwendet 

beobachtete Niederschläge und „Obs“ zeigt den gemessenen Gebietsabfluss 

Die Schnittstelle zwischen ECHAM Daten und ALADIN wurde vorbereitet. Nachdem 

die Festlegung auf ECHAM5 erst im Juni 2004 erfolgte, sind hier noch kleine 

Änderungen notwendig. Insbesondere werden in ECHAM5 neben Daten im GRIB- 

Format auch Daten im netCDF Format verwendet. Dies betrifft die klimatologischen 

Bodendaten, sowie SST und sea-ice. Da die Bodendaten auch teilweise für die 

Interpolation notwendig sind, müssen hier noch kleine Anpassungen an den 

Einleseroutinen vorgenommen werden. 

Ein Testdatensatz von einem ECHAM5 Lauf der ETH Zürich liegt vor und wurde den 

Projektpartner am IGAM übermittelt. Im Rahmen eines Besuches an der ETH Zürich 

durch A. Beck (21. bis 23. Juli 2004, siehe Kurzbericht vom 25. Juli 2004) wurden 

Details zum Datenformat und den vorliegenden Parametern besprochen. 

Anhang 1 7 

Teilbericht 2

4 Literatur 

Ahrens, B., K. Jasper and J. Gurtz, 2003: On ALADIN precipitation modeling and validation 

in an Alpine watershed. Annales Geophysicae, 21, 627-637. 

Beck, A., B. Ahrens und K. Stadlbacher, 2004: Impact of nesting strategies in dynamical 

downscaling of reanalysis data. Geophysical Research Letters, in print. 

Noilhan, J. und J.-F. Mahfouf, 1996: The ISBA land surface parameterization scheme. Global 

and Plan. Change, 13, 145-159. 

Schulla, J., 1997: Hydrologische Modellierung von Flussgebieten zur Abschätzung der 

Folgen von Klimaänderungen. ETH Zürich, Zürcher Geographische Schriften, 69, 187pp. 

5 Veröffentlichungen 

Beck, A., B. Ahrens und K. Stadlbacher, 2004: Impact of nesting strategies in dynamical 

downscaling of reanalysis data (4 Seiten). 

Poster EGU 1 st general assembly 2004: Beck, A. und B. Ahrens, 2004: Dynamical 

downscaling of reanalysis data over Central Europe (Poster, 1 Seite). 

Extended Abstract workshop LUND: Dynamical Downscalig with the Limited-Area Model in 

the European Alps (2 Seiten). 

8 Anhang 1 

Teilbericht 2

ANHANG – Das Limited-Area Modell ALADIN – 

Ein Überblick 

Einleitung 

ALADIN (http://www.cnrm.meteo.fr/aladin/) ist ein spektrales limited-area model (LAM). Das 

Konzept des ALADIN Projektes wurde im Jahre 1990 von Météo-France initiiert. Das 

vorrangige Ziel war dabei, die Zusammenarbeit auf dem Gebiet der numerischen 

Wettervorhersage (NWP) mit den nationalen meteorologischen Diensten vorwiegend in 

Zentral- und Osteuropa. Das Akronym ALADIN (Aire Limitée Adaptation dynamique 

Développement InterNational) beschreibt auch diesen Gedanken: Gemeinsame Entwicklung 

eines LAM, das mit vergleichsweise geringem (numerischen) Aufwand lokale, hoch 

auflösende Kurzfristvorhersagen erlaubt. ALADIN wird operationell in fünfzehn Ländern auf 

unterschiedlichen Rechnersystemen betrieben (vom LINUX PC bis zum Supercomputer). 

ALADIN ist in das Vorhersagepaket ARPEGE/IFS integriert und nutzt einen Teil des codes 

von den beiden globalen Systemen. Insbesondere bietet sich die Möglichkeit, dass Teile des 

variationellen Assimilationssystems in ALADIN benutzt werden können. Des Weiteren bildet 

das (globale) Ensemblevorhersagesystem die Grundlage für entsprechende Systeme im 

Rahmen von ALADIN. 

Abb. 1: Die operationellen ALADIN Gebiete sowie die verwendeten Zwischennester. 

Im operationellen Betrieb wird ALADIN in ein oder mehreren Schritten in das von Meteo- 

France betriebene Globalmodell ARPEGE genestet. Die numerische Auflösung von 

ARPEGE beträgt über Europa ~20-30 km. Darin wird operationell ALADIN mit

Ausgewählte technische Details zu ALADIN 

ALADIN ist ein spektrales, hydrostatisches LAM mit druckbasierten, terrainfolgenden 

(hybriden) eta-Koordinaten in Analogie zu ARPEGE/IFS. Es benutzt ein effizientes semiimplizites, 

semi-lagrange'sches 2- oder 3-Ebenen Advektionsschema sowie ein umfangreiches 

Physik-Paket. Die existente nicht-hydrostatische Modellversion wird weder im 

operationellen Betrieb noch im Rahmen von reclip:more benutzt und daher hier nicht weiter 

diskutiert. 

Die Anwendung von harmonischen Funktionen zur 

räumlichen Diskretisierung erfordert zusätzlich zur 

coupling- oder Relaxationszone noch eine so 

genannte „Extension zone“ am Nord- und Ostrand 

des Modellgebietes (s. Abbildung 2). Die Relaxation 

innerhalb der coupling-Zone (typisch, 8 Gitterpunkte 

breit) basiert auf einem Exponentialansatz nach 

Davies (1976), wobei unterschiedliche Exponenten 

für die verschiedenen Variablen benutzt werden. 

Die Parametrisierungen (Gerard 2001) umfassen 

Abb. 2: Modelldomäne (schematisch) 

unter anderem eine Grenzschicht- und Turbulenzformulierung nach Louis et al. (1982), eine 

Konvektionsparametrisierung nach Geleyn (1987), das Bodenschema ISBA (Noilhan und 

Planton 1989), sowie das Strahlungsschema von Ritter und Geleyn (1992). In der operationellen 

Anwendung (und auch im Rahmen von reclip:more) wird derzeit noch ein diagnostisches 

Wolken- und Niederschlagsschema nach Kessler (1969) benutzt. Wesentliche 

Teile des Physikpaketes stammen aus ARPEGE. Da ALADIN primär für die Wettervorhersage 

konzipiert ist, sind die Parametrisierungen mehr oder weniger stark für diese 

Anwendung optimiert. 

Das Projekt ALADIN-climate 

Der Einsatz von ALADIN zur regionalen Klimasimulation ist neu und stellt eine wesentliche 

Erweiterung gegenüber dem Einsatz in Rahmen von NWP dar. Das im Rahmen von 

reclip:more betriebene „Dynamische downscaling mit ALADIN“ kann als eine Art 

„Zwischenschritt“ in Richtung der regionalen Klimamodellierung gesehen werden. Die 

Entwicklung einer echten Klimaversion von ALADIN (ALADIN-climate) wird seit kurzer Zeit in 

Toulouse und Prag betrieben. Die Idee besteht darin, Erfahrungen aus der Entwicklung der 

Klimaversion von ARPEGE (ARPEGE-climate; zB Déqué und Piedelievre 1995) auch im 

Rahmen von ALADIN sinnvoll einzusetzen. Dies betrifft insbesondere die Modifikation der 

physikalischen Parametrisierungen für Klimaanwendungen (zB Strahlung, Bodenschema). 

Dynamisches Downscaling adaptiert die grobskaligen Muster, wie sie in ERA40 bzw. 

ECHAM5 dargestellt sind, an die hoch aufgelöste Orographie, Landnutzung, etc. Dabei wird 

die volle Dynamik und Physik des LAMs zur Adaptierung verwendet. Dadurch wird den 

grobskaligen Mustern ein regionales Klimaforcing aufgeprägt. Der Einsatz von ALADINclimate 

im Rahmen von reclip:more ist nicht geplant, da das Modell noch nicht ausreichend 

getestet werden konnte. Die Anwendung eines im Alpenraum nicht ausreichend evaluierten 

regionalen Klimamodells ALADIN-climate ist langfristig geplant, aber zum jetzigen Zeitpunkt 

verfrüht. Außerdem bietet sich durch das dynamische Downscaling eine „billige“ und robuste 

Methode zur Regionalisierung von globalen Klimasimulationen. 

10 Anhang 1 

Teilbericht 2

Zukunft 

Die Zukunft von ALADIN muss für die beiden Anwendungen NWP und Klima gesondert 

betrachtet werden. Für NWP Zwecke wird ALADIN auf Grundlage des französischen 

Forschungsmodells Meso-NH weiterentwickelt (siehe Abbildung 3). Konkret werden der 

nicht-hydrostatische dynamische Kern sowie die Gesamte Datenassimilation aus ALADIN 

mit der Physik von Meso-NH verschmolzen. Das dabei entstehende Modell ALARO soll in 

Zukunft für die operationelle Vorhersage auf der 2 km Skala eingesetzt werden. 

ALADIN-CLIMATE 

Abb. 3: Geplante Entwicklung im Zusammenhang mit ALADIN 

Im Bereich der Klimamodellierung (ALADIN-climate) scheint vorerst eine weitere Anbindung 

an ARPEGE-climate auf Grundlage des vorhandenen ALADIN Systems sinnvoll zu sein. Der 

Schritt in Richtung noch höherer Auflösung wie er im NWP Bereich mit ALARO gegangen 

wird, ist für Klimafragen wegen der enormen numerischen Kosten, aber auch methodischer 

Grenzen (predictability) vorerst wenig sinnvoll. 

Anhang 1 11 

Teilbericht 2

Literatur 

Bubnova, R., G. Hello, P. Bernard, and J.-F. Geleyn, 1995: Integration of the fully elastic 

equations cast in the hydrostatic pressure terrain–following coordinate in the framework of 

the ARPEGE/ALADIN NWP system, Mon. Wea. Rev., 123, 515–535. 

Davies, H., 1976: A lateral boundary formulation for multi–level prediction models, Quart. J. 

R. Met. Soc., 102, 405-418. 

Déqué, M., and J. Piedelievre, 1995: High resolution climate simulation over Europe. Clim. 

Dyn., 11, 321-33 

Geleyn, J.-F., 1987: Use of a modified Richardson number for parametrizing the effect of 

shallow convection. J. Meteor. Soc. Japan, Special NWP symposium issue, 141- 

149. 

Gerard, L., 2001: ALADIN's Operational Physics Documentation. http://www.cnrm. 

meteo.fr/ALADIN/MODELES/EXT/Physics. 

Horányi, A., I. Ihász, and G. Radnóti, 1996: ARPEGE/ALADIN: A numerical weather 

prediction model for Central-Europe with the participation of the Hungarian Meteorological 

Service. Idójárás, 100, 277-301. 

Kessler, E., 1969: On the distribution and continuity of water substance in atmospheric 

circulations. Meteor. Monogr., 10, 1-84. 

Louis, J.F., M. Tiedke, and J.-F. Geleyn, 1982: A short history of the PBL parameterizations 

at ECMWF. Proc. of the ECMWF workshop on planetary boundary parameterization, 

Reading, 25-27 Nov. 1981, 59-80. 

Noilhan, J., and S. Planton, 1989: A simple parameterization of land surface processes for 

meteorological models. Mon. Wea. Rev., 117, 536-550. 

Ritter, B., and J.-F. Geleyn, 1992: A comprehensive radiation scheme for numerical weather 

prediction models with potential applications in climate studies. Mon.Wea. Rev., 120, 303- 

325. 

12 Anhang 1 

Teilbericht 2

Anhang 1 















eclip:more 



Projektjahr 1 

Projektteil ZAMG 

Datenbereitstellung, Entwicklung von 

Regionalisierungstools und einer Schnittstelle zu den 

regionalen Klimamodellen 


von 

Wolfgang Schöner und Elsa Dos Santos Cardoso 

Zentralanstalt 

für Meteorologie und Geodynamik 

Wien, 19. November 2004


1 Aufgabenstellung .............................................................................................. 1 

2 Stand der Forschung ........................................................................................ 1 

2.1 Regionalisierungsmethoden für das Tagesmittel der Lufttemperatur ........... 3 

2.2 Regionalisierungsmethoden für Tagessummen des Niederschlags............. 3 

2.3 Regionalisierungsmethoden für Tageswerte der Schneehöhe..................... 5 

3 ZAMG Datenbereitstellung ............................................................................... 6 

4 Statistisches Downscaling mit Clim.Pact........................................................ 6 

5 Schnittstelle MM5 beziehungsweise ALADIN mit Clim.Pact.......................... 8 

6 Regionalisierungstool basierend auf Klimanormalgrids ............................... 8 

7 Regionalisierungstool mit EOF Feldern der Orographie als Prädikator......10 

8 Erste Validierungsergebnisse .........................................................................18 

9 Ausblick ............................................................................................................23 

10 Literatur.............................................................................................................24 

ANHANG – AML-scripts für die Interpolation der Parameter...............................27

1 Aufgabenstellung 

Für das von systems research geleitete Projekt reclip:more war im Rahmen eines 

Werkvertrages ein Methodenwerkzeug für ein verfeinertes Downscaling von MM5- 

und ALADIN-Läufen zu entwickeln. Die gewünschte zeitliche Auflösung war mit 1 

Tag und die gewünschte räumliche Auflösung mit bis zu 1 km x 1 km vorgegeben. 

Die zu entwickelnden Tools sollen ein automatisiertes Downscaling langer Zeitreihen 

für die Klimaparameter Lufttemperaturmittel und Niederschlagssumme ermöglichen. 

Zusätzlich waren lange Zeitreihen auf Tageswertbasis für die Klimaparameter Lufttemperatur, 

Niederschlag und Schneehöhe für das Projekt bereitzustellen. Im Einzelnen 

waren folgende Workpackages der reclip:more Feinstruktur durchzuführen: 

WP 2.1. Bereitstellung österreichischer Messdaten 

WP 5.1. Schnittstelle MM5 bzw. ALADIN – Regionalisierungstool entwickeln 

WP 5.2a. Regionalisierungstool Temperatur mean 

WP 5.3. Regionalisierungstool Niederschlag 

WP 5.4. Regionalisierungstool Schneedecke 

Als wichtiges Methodenwerkzeug war in Vorgesprächen eine Festlegung auf das in R 

programmierte Downscalingtool CLIM.PACT (Benestad 2003a, 2003b) erfolgt. Dieses 

Tool, das bisher in Skandinavien Anwendung fand, war für den Alpenraum zu 

adaptieren und für ein Downscaling vieler Zeitreihen zu optimieren. Die geographische 

Verfeinerung sollte mittels Fortran Programmen oder ArcInfo Scripts ermöglicht 

werden. 

2 Stand der Forschung 

Upscaling bezeichnet die Übertragung von Information auf eine größere Skalenebene. 

Die Skalierung kann sich dabei sowohl auf Raum als auch Zeit beziehen. Downscaling 

bezeichnet den umgekehrten Vorgang (Übertragung auf kleinere Skalenebene). 

Die Skalierung wird im Allgemeinen auf ein regelmäßiges Gitter durchgeführt. 

Begriffe die ähnlicher Form verwendet werden sind zB Downward transformation oder 

Regionalisierung. Zu beachten ist in diesem Zusammenhang ob die Skalierung 

auf ein Gitter (Gitterpunktwerte) oder auf ein Grid (Pixelwerte, Gridbox, Mittelwerte 

der Zellflächen) gewünscht wird. Die folgende Zusammenfassung bezieht sich auf 

Ergebnisse des räumlichen Skalierens in der Klimaforschung (wobei die räumliche 

Skalierung nicht strikt von der zeitlichen Skalierung zu trennen ist). Der Fokus wird 

hier auf eine räumliche Skala bis ca. 1 km gelegt. 

Anhang 1 1 

Teilbericht 3

Ein Downscaling von Klimaläufen von GCMs wird im allgemeinen mittels statistischem 

(empirischen) Modell (Regression, CCA, Analogmethode etc.) oder mittels 

Kopplung mit einem Regionalmodell (zB MM5) durchgeführt. Eine Kombination von 

dynamischem und statistischem Downscaling wurde bis jetzt selten durchgeführt. Der 

Grund dafür ist, dass Regionalmodelle derzeit noch nicht auf hinreichende räumliche 

Auflösung hinunterskaliert werden können (siehe zB Ahrens 2003). Benestad (2004) 

hat einen derartige Methode für ein verfeinertes Downscaling für den skandinavischen 

Raum entwickelt. Der methodische Ansatz gliedert sich dabei in 2 Schritte: 

1) Empirisches Downscaling der Läufe des Regionalmodells an Stationskoordinaten 

2) Geographische Verfeinerung und Interpolation des empirischen Downscaling 

Die dabei erzielten Ergebnisse haben nicht nur eine bessere Anpassung an die geographischen 

Gegebenheiten der Klimastationen, sondern liegen dann auch als räumliche 

Grids vor. Dadurch sind sie für Climate Impact Modelle im Allgemeinen besser 

verwendbar. 

Methoden für das empirische Downscaling des Regionalmodells können analog den 

Methoden für das empirische Downscaling von Globalmodellen verwendet werden. 

Im Rahmen dieser Arbeit wurde dabei das von R. Benestad (met.no) entwickelte und 

frei erhältliche Programmpaket clim.pact (Benestad, 2003b) verwendet (http://cran.rproject.org). 

Dieses erlaubt eine umfangreiche EOF-Analyse (Empirical Orthogonal 

Function, siehe zB Storch und Zwiers, 1999) von meteorologischen Feldern und ein 

Downscaling mittels multipler linearer Regression. Als Erweiterung ist auch ein Modul 

für die Analogmethode verfügbar. Die Analogmethode ist besonders für das Downscaling 

des Niederschlags auf Tageswertbasis geeignet (Gamma-Verteilung der Tagessummen 

des Niederschlags). 

In ähnlicher Weise wie clim.pact gibt es auch SDSM (Statistical DownsScaling Model, 

https://co-public.lboro.ac.uk/cocwd/SDSM/) Dieses Programmpaket arbeitet unter 

Windows und ist jedoch weniger flexibel als clim.pact. Für Österreich wurden richtungsweisende 

Arbeiten für ein empirisches Downscaling von C. Matulla durchgeführt 

(zB Matulla und Haas 2003, Matulla et al., 2004). Dabei wurden CCA, (Canonical 

Correlation Analysis) MLR (Multiple Linear Regression) und Analogmethode für 

Österreich adaptiert. Diese Methoden wurden jedoch für die kommerzielle Software 

Matlab entwickelt und sind daher von einer Matlab-Lizenz abhängig. 

Für das „geographical refinement“ des empirischen Downscaling können zahlreiche 

Methoden des Upscaling verwendet werden. Die meisten Arbeiten in der Literatur 

zum Thema räumliches Upscaling im Bereich ca. 25 m-5 km sind für die Klimaelemente 

Lufttemperatur und Niederschlag zu finden. Die verwendete zeitliche Auflösung 

liegt dabei bei Tages- und Monatswerten, Jahreszeitenwerten, Jahres- oder 

Klimanormalwerten (nur selten Stundenwerten). Sehr oft wird für die notwendige Interpolation 

auf GIS-Softwareprodukte zurückgegriffen. Meist bedient man sich 

(geo)statistischer Interpolationsmethoden. Die häufigste Fragestellung ist die Übertragung 

von Punktinformationen (Klimastationen) in die Fläche. Im Allgemeinen sind 

im vorliegenden Maßstab rein geostatistische Interpolationen nicht zielführend, da die 

interessierenden räumlichen Muster nicht aufgelöst werden. Eine Modellierung des 

deterministischen Anteils ist notwendig, wobei sich als Prädiktoren zB eignen: 

2 Anhang 1 

Teilbericht 3

1) DHM: 

Seehöhe 

DHM-abgeleitete Info wie Hangneigung, Orientierung, Krümmung, 

EOF Komponenten des DHM, 

DHM-Statistiken 

2) Geographische Koordinaten und daraus abgeleitete Info wie Entfernung zur Küste 

3) Landnutztung: 

Rauhigkeit 

Albedo 

Hydrographische Info 

4) Klimamodelloutput: 

EOF von Druckfeldern 

Wetterlagen (Strömungslagen) 

5) Fernerkundungsdaten 

6) Radardaten 

2.1 Regionalisierungsmethoden für das Tagesmittel der Lufttemperatur 

Ansätze die den deterministischen Anteil der Interpolation nicht extra behandeln 

sondern die Punktwerte direkt interpolieren (zB Kriging, IDW, Radial Basis Function,...) 

sind für die betrachtete Skala nicht zielführend, da die räumlichen Strukturen 

nicht aufgelöst werden. Die meisten Ansätze zur Interpolation der Lufttemperatur beziehen 

sich daher auf die Höhenabhängigkeit der Temperatur (deterministischer Anteil) 

in Form von Regressionen (Abbildungen 1 und 2). Jedoch ist die Korrelation zwischen 

Tagesmitteltemperatur und Seehöhe nur in den Sommermonaten hoch. In den 

Wintermonaten ist auf Grund von Inversionswetterlagen oft keine Höhenabhängigkeit 

zu finden. Eine Verbesserung der Ergebnisse für die Wintermonate kann durch Einbeziehen 

topographischer Formen (zB durch EOF des Geländes, AURELHY Methode, 

Benichou, 1985) und Wetterlagen erzielt werden (zB Tveito, in prep.). Nach Behandlung 

des deterministischen Anteils kann durch Interpolation des stochastischen 

Anteils zB durch Residual-Kriging eine weitere Verbesserung des Ergebnisses erzielt 

werden. 

2.2 Regionalisierungsmethoden für Tagessummen des Niederschlags 

Eine gute Übersicht über Methoden der räumlichen Interpolation (Spatialisation) von 

Niederschlagsdaten findet sich in Mestre (2002). 

Recht gute Interpolationsergebnisse wurden bei wetterlagenabhängigen Algorithmen 

erzielt (zB Tveito et al., 2000 für Norwegen, Phillips and McGregor für England). Neben 

Methoden, die die Wetterlagenabhängigkeit des Niederschlags berücksichtigen, 

bewähren sich auch recht gut Methoden die die Orographie berücksichtigen. So bewährt 

sich zB die AURELHY Methode (EOF Analyse des DHM für deterministischen 

Anteil und anschließendes Residual-Kriging) (Benichiou, 1987) recht gut. Die AU- 

Anhang 1 3 

Teilbericht 3

RELHY Methode wurde international viel verwendet und modifiziert (zB Göbbel et al., 

1998). Eine Verbesserung der räumlichen Information von Niederschlagsfeldern auf 

Tageswertbasis ist auch die kombinierte Verwendung von Radardaten und Stationsdaten 

zu erzielen. 

Die Verwendeten Methoden lassen sich grob in 3 Klassen einteilen: 

• einfache akkumulierte Radar/Stationsdaten Quotienten 

• geostatistische Ansätze besonders Co-Kriging 

• Neuronale Netze 

0.8 

0.6 

0.4 

0.2 

0 

-0.2 

-0.4 

-0.6 

-0.8 

-1 

-1.2 

01.01.1948 


CORRELATIO 







Abb. 1: Tägliche Korrelation zwischen Lufttemperatur und Seehöhe für 70 Österreichische Stationen 

0.02 

0.015 

0.01 

0.005 

0 

-0.005 

-0.01 

-0.015 

-0.02 

LAPSE RATE 

Abb. 2: Tägliche Höhengradienten der Temperatur für 70 Österreichische Stationen 


4 Anhang 1 

Teilbericht 3 




01.01.1960

Nykanen and Harris (2003) verwendeten für das Upscaling von Tagessummen einen 

Multi-Scale statistischen Ansatz (das Feld wird dabei durch 3 Parameter verschiedener 

Skala beschrieben zB Smoothness, Intermittency, Spikeness) um den 

Einfluss der Orographie zu untersuchen. Das verwendete Upscaling eignet sich gut 

für den Bereich 20 km auf 1 km. 

2.3 Regionalisierungsmethoden für Tageswerte der Schneehöhe 

Tageswerte der Neuschneehöhe und Gesamtschneehöhe liegen zB vom Schweizer 

Lawinenwarndienst (SLF) auf dessen Webpage vor. Da das Ziel jedoch nur eine 

räumliche Visualisierung ist (keine Gitterpunktswerte) und auch subjektive Ziele verfolgt 

ist die verwendete Methode nicht hoch auflösend. Jedoch existiert vom SLF 

auch ein hochkomplexes physikalisches Schneedeckenmodell (SNOWPACK, Lehning 

1998). Das Modell wird zunehmend auch für Klimafragestellungen verwendet. 

Abb. 3: Prozesse die ein Schneedeckenmodell beeinflussen 

Quelle: http://www.wsl.ch/slf/lwr/prozessmodelle/aufgaben.html 

In Frankreich wird mit Erfolg das SAFRAN Modell (Vormodell von CROCUS) für die 

Schneedeckenmodellierung verwendet (siehe zB Brun et al., 1992, Durand et al., 

1993, Martin et al. 1997). SAFRAN erzeugt den meteorologischen Input für das 

Schneedeckenmodell CROCUS. In zeitlicher Auflösung von 1 Stunde werden die 

meteorologischen Felder berechnet. Die räumliche Verortung erfolgt nicht mit geographischen 

Koordinaten sondern für klimatologisch homogene Teilflächen (besonders 

für den Niederschlag, dh. für jedes Massiv werden gleiche Höhenzonen und 

Expositionen zusammengefasst). Folgende Analysefelder werden erzeugt: Temperatur, 

Wind (Richtung und Geschwindigkeit), Feuchte, Niederschlag, Bewölkung, Strahlung 

(Direkt- und Himmels-, Langwellig). Für die Interpolation wird Optimal Interpolation 

(OI) verwendet. Als guess-field für OI wird mit Ausnahme des Niederschlags 

ECMWF oder ARPEGE verwendet. Für den Niederschlag werden klimatologische 

Muster (Höhengradienten) für verschiedene Gebiete verwendet. Aufbauend auf den 

Anhang 1 5 

Teilbericht 3

meteorologischen Input wird die Schneedecke mittels des SAFRAN Modells modelliert 

wobei die Strahlungsbilanz, Energiebilanz und Massenbilanz berechnet werden. 

SAFRAN-CROCUS wurde mit Erfolg auch für die Untersuchung klimabedingter Änderung 

auf die Schneedecke, Hydrologie und Ökologie eingesetzt. 

Tveito et al. (in prep.) und Skaugen et al. (2003) haben für den operationellen Einsatz 

zur Berechnung von Tageswerten der Schneehöhe und des Wasseräquivalentes 

eine einfaches Indexmodell entwickelt, dass Tageswerte des Niederschlags 

und der Lufttemperatur verwendet. 

Für Österreich liegen umfangreiche Arbeiten von Blöschl (zB 1991) vor. Das verwendete 

physikalische Modell ist jedoch auf die Verwendung zur Abflussprognose auf 

Einzugsgebietsebene optimiert. Hantel et al., 1999 entwickelten ein statistisches Modell 

der Schneedeckendauer basierend auf einen nichtlinearen Zusammenhang zwischen 

Lufttemperatur, Seehöhe und Schneedeckendauer. 

3 ZAMG Datenbereitstellung 

Die ZAMG hat für das Projekt reclip:more auch die Bereitstellung von Stationsdaten 

übernommen. Dafür wurde der aus dem Projekt STARTCLIM bestehende Datensatz 

im ASCII Format bereitgestellt. Dieser Datensatz ist qualitätsverbessert aber nicht 

homogenisiert. Auf Tageswertbasis liegen für 70 österreichische Stationen folgende 

Daten vor: 

• Maximumtemperatur 

• Minimumtemperatur 

• Mitteltemperatur 

• Niederschlagssumme 

• Schneehöhe 

Die Daten sind auf der zum Bericht gehörenden CD abgespeichert. 

4 Statistisches Downscaling mit Clim.Pact 

Für die empirische Verfeinerung des dynamischen Downscaling (MM5, ALADIN) fiel 

die Wahl auf das von R. Benestad entwickelte Programmpaket clim.pact. Dieses Paket 

ist für die in Punkt 1 angeführten Zwecke sehr gut geeignet und mittlerweile auch 

ausreichend getestet (zB Benestad 2004a, 2004b) und dokumentiert. Eine Verwendung 

für den Alpenraum liegt bis jetzt nicht vor. Für das geographische Verfeinern 

auf ein 1km x 1km Gitter wird an das clim.pact Downscaling ein ArcInfo AML Skript 

angeschlossen (siehe Beschreibungen unter Punkt 6 und 7). Dieses zweistufige Verfahren 

hat zwei wesentliche Vorteile: 

a) Parallel zum dynamischen Downscaling kann mit clim.pact auch ein rein empirisches 

Downscaling von GCM Daten durchgeführt werden. Dadurch kann ein eventueller 

Fortschritt (und die Notwendigkeit des höheren Aufwandes) des zwi- 

6 Anhang 1 

Teilbericht 3

schengeschalteten dynamischen Downscaling gezeigt werden. Der zusätzliche 

Aufwand für das direkte empirische Downscaling ist relativ gering – der Nutzen 

sicherlich sehr groß (da bei beiden Downscaling-Methoden dieselben Ausgangsdaten 

verwendet werden können). 

b) Eventuell zukünftige Erweiterungen von clim.pact (z.B. die geplante Integration 

neuer Methoden wie Verwendung von Neuralen Netzwerken oder CCA) können 

sehr einfach mit dem „geographical refinement tool“ verknüpft werden. 

Abb. 4: Strukturgramm des Downscaling der adaptierten Version von clim.pact 

Zu Punkt a) ist die Arbeit von Hellström und Chen (2003) zu erwähnen, die für das 

Downscaling des Niederschlages auf Monatswertebasis in Schweden zeigen konnten, 

dass der wesentlich höhere Aufwand des kombinierten Ansatzes aus dynami- 

Anhang 1 7 

Teilbericht 3

schen und statistischem Downscaling nur eine geringfügig bessere Modellperformance 

bringt um den Jahresgang des Niederschlages zu beschreiben. Dieses 

Ergebnis kann natürlich nicht ohne weiters auf andere Regionen übertragen werden. 

Für die Beschreibung der von Benestad entwickelten empirischen Downscaling- 

Methode (MLR) beziehungsweise der Erweiterung für die Analogmethode sei auf die 

dem Bericht beigegebene CD mit den entsprechenden Beschreibungen verwiesen 

(Benestad, 2003a, 2003b bzw. http://cran.r-project.org/doc/packages/clim.pact.pdf 

und Imbert, 2003 bzw. http://cran.r-project.org/doc/packages/anm.pdf). 

5 Schnittstelle MM5 beziehungsweise ALADIN mit 

Clim.Pact 

Die Schnittstelle zwischen CLIM.PACT und MM5 bzw. ALADIN wurde über das 

NetCDF Datenformat gelöst. CLIM.PACT kann dieses Datenformat unmittelbar verwenden. 

Während MM5 einen Output im NetCDF Format ablegen kann, gibt es eine 

derartige Schnittstelle für ALADIN nicht. Der Output wird daher im ASCII Format zur 

Verfügung gestellt, wobei die „VERA-Struktur“ (Output für Validierung mit VERA) 

verwendet wird. Dieser Output wird mit einer eigenen Einleseroutine (in R) gelesen 

und ebenfalls in das NetCDF Format gebracht. Dazu wird das R-Package NetCDF 

verwendet. Da auch für MM5 eine Schnittstelle geschaffen wird, mit der ein Output in 

das VERA-ASCII Format gebracht werden kann, ist die Einleseroutine auch in gleicher 

Weise für die Schnittstelle MM5-clim.pact verwendbar. 

6 Regionalisierungstool basierend auf Klimanormalgrids 

Das Tool für die Regionalisierung basierend auf Klimanormalgrids auf den monatlichen 

Klimakarten der Periode 1961-90 (zB der Lufttemperaturberuht die im Rahmen 

des Projektes ÖKLIM erarbeitet wurden). Die monatlichen ÖKLIM Lufttemperaturgrids 

zeichnen sich durch eine detaillierte Modellierung der Temperaturstrukturen 

für das österreichische Gebiet aus (Böhm und Potzmann, 1999), berücksichtigen 

auch Gebiete mit häufigen Inversionen, Föhn oder Seeklima. Aus diesen Karten wird 

mittels gewichteter Mittelwertbildung für jeden Tag des Jahres eine Karte der Lufttemperatur 

berechnet. Anschließend werden die Differenzen der aktuellen Messwerte 

der Klimastationen eines Tages zu den entsprechenden Pixelwerten der Klimakarten 

berechnet. Diese Differenzen werden dann mittels eines Thin-Plate-Spline Algorithmus 

interpoliert und dann die Interpolierten Differenzen den Klimamittelkarten zugerechnet 

und so der endgültige Raster berechnet (Abbildung 5). 

8 Anhang 1 

Teilbericht 3

Am Beispiel der Lufttemperatur wäre das: 

T(x,y,m,d) = Tclim(x,y,m,d) + Te(x,y,m,d) + ε 

x,y .... geographische Koordinaten m ... Monat d ... Tag 

wobei Tclim der aus den Klimagrids berechnete Anteil ist (deterministischer Anteil) und 

Te das stochastisch erklärbare Residuenfeld ist (ε ist das weder deterministisch noch 

stochastisch erklärbare Residuum). 

Für die Mittelung wird folgender Ansatz verwendet (für Monate mit 30 Tage): 

Tclim(x,y,m,d) = (Tclim(x,y,m-1) * d + Tclim(x,y,m) * (15-d))/15 für d < 15 

Tclim(x,y,m,d) = Tclim(x,y,m) für d = 15 

Tclim(x,y,m,d) = ((Tclim(x,y,m) * (30-d) + Tclim(x,y,m+1) (d-15))/15 für d > 15 

Für die anderen Monate erfolgt eine analoge Gewichtung. 

Te(x,y,m,d) wird mittels Thin-plate-spline interpoliert. Diese Interpolationsmethode hat 

als mathematischen Ansatz die Minimierung der Krümmung der interpolierten Kurve. 

Abb. 5: Strukturgramm des Regionalisierungstools für die Temperatur 

Anhang 1 9 

Teilbericht 3

Diese Methode eignet sich für die Lufttemperatur aber nicht für den Niederschlag. 

Analog kann für die Lufttemperatur aber auch die unter Punkt 7. entwickelte Methode 

(abgewandelte AURELHY Methode) angewandt werden. Auch könnte eine bestehende 

Methode, die tägliche Höhengradienten der Lufttemperatur aus Stationswerten 

berechnet und dann mittels der ermittelten Regression in die Fläche interpoliert 

(und auch wieder eine Interpolation des Residuenfeldes durchführt) verwendet 

werden. Welche Methode zu welcher Jahreszeit besser funktioniert muss in einem 

nächsten Schritt validiert werden, wobei auch verschiedene Ansätze bei der EOF- 

Auswahl getestet werden müssten. 

7 Regionalisierungstool mit EOF Feldern der Orographie 

als Prädikator 

Für die Regionalisierung der Stationswerte auf einen 1x1km Raster wird eine Methode 

verwendet, die der so genannten AURELHY-Methode (Benichou, 1985) sehr ähnliche 

ist. Diese Methode führt eine PC-Analyse (Principle Component Analysis, 

Hauptkomponentenanalyse) der Orographie durch und beschreibt die Geländeform 

durch eine Anzahl von PCs (Principle Components, Hauptkomponenten). Dabei wird 

das digitale Geländemodell in quadratische Ausschnitte von 11x11 Pixel zerlegt. Von 

jedem Pixelwert im Ausschnitt wird die Höhe des Zentralpixels abgezogen und so 

eine relative Orographie bestimmt. Die 11x11=121 Höhenwerte werden mittels der 

PCA auf die Anzahl n der wichtigsten PCs reduziert. Diese PCs sowie die Seehöhe 

Longitude und Latitude werden als unabhängige Prädiktoren für die Ermittlung einer 

multiplen linearen Regression verwendet. 

In der derzeit erstellten Form des Regionalisierungstools erfolgt die Interpolation mit 

der Gleichung: 

X = b0 + b1DEM + b2LAT + b3LONG + b4EOF1-1 + b5EOF2-1 + b6EOF3-1 + 

b7EOF1-2 + b8EOF2-2 + b9EOF3-2 + Xs + ε 

mit: DEM Seehöhe des Gridpoints im DEM 1km Grid 

LAT geographische Breite des Gridpoints 

LONG geographische Länge des Gridpoints 

EOF1-1 Komponentenwert des 1ten EOFs basierend auf das 5 km DEM 






Xs stochastischeR Anteil (Thin-Plate Spline Interpolation) 

ε weder deterministisch noch stochastisch erklärbareS Residuum 

Die Anpassung des Regressionsmodells erfolgt mittels einer schrittweise multiplen 

linearen Regression aus den bekannten Klimawerten an den Stationskoordinaten 

10 Anhang 1 

Teilbericht 3

(abhängige Größe) und den zeitlich konstanten Geländeparametern (unabhängige 

Größen). Diese Regression ist für jeden Tag der Untersuchungsperiode zu bestimmen, 

anschließend ist die Residueninterpolation durchzuführen (mit Thin-Plate Spline, 

analog wäre auch eine Interpolation mit einem Kriging-Ansatz möglich). Die 

Struktur des Regionalisierungstools ist in Abbildung 7 dargestellt. 

Die Verwendung von Geländeformen zu räumlichen Modellierung des Niederschlags 

ist nahe liegend, da die Niederschlagssumme stark von der Geländeform beeinflusst 

wird. Gyalistras (2003) zählt jedoch zwei wesentliche Nachteile der AURELHY Methode 

auf: 

a) es wird nur ein räumlicher Scale des orographischen Einflusses berücksichtigt 

(dieser Scale ist jedoch nicht zeitlich und räumlich konstant, wie z.B. Neidhöfer 

(2000) zeigen konnte) 

b) für das gesamte Untersuchungsgebiet wird eine konstante Beziehung zwischen 

Orographie und Niederschlag verwendet 

Um die Nachteile von a) auszugleichen wurde im Rahmen dieser Arbeit die AUREL- 

HY Methode dahingehend erweitert, dass die PCs für verschiedene Scales bestimmt 

wurden und zwar: 

- für ein DEM mit 5km räumlicher Auflösung und einer Ausschnittgröße von 11x11 

Rasterzellen 

- für ein DEM mit 10km räumlicher Auflösung und einer Ausschnittsgröße von 

11x11 Rasterzellen. 

Nachteil b) sollte für die geplanten reclip-Regionalisierungen nicht von großer Bedeutung 

sein, da die Regionalisierungen nur für Study-regions geplant sind. Sollte eine 

Erweiterung für eine Regionalisierung größerer Gebiete geplant sein, müsste die Methode 

dahingehend adaptiert werden (Einbeziehen einer Wetterlagenabhängigkeit). 

Abb. 6: Strukturgramm des Regionalisierungstools für den Niederschlag 

Anhang 1 11 

Teilbericht 3

Abbildungen 6 zeigt die räumliche Verteilung der Ladungen der jeweils ersten 3 PCs 

der PCA der Orographie. Man erkennt deutlich dass die Strukturen im 5 km DEM und 

im 10km DEM sehr ähnlich sind. Der 1te PC beschreibt jeweils Kuppen- bzw. Muldenstrukturen 

die eine SW-NE Ausrichtung besitzen. Der 2te PC beschreibt S bzw. 

nach N ausgerichtete Hänge und der 3te PC schreibt WSW bzw. ENE ausgerichtete 

Hänge. Die durch die jeweils ersten 5 PCs erklärte Varianz ist in Tabelle 1 zusammengefasst. 

Man sieht sehr deutlich den hohen Anteil der erklärten Varianz durch 

den 1ten PC. Mit den ersten 3 PCs kann ein Großteil der Geländestruktur beschrieben 

werden. 

Tabelle 1: Erklärte Varianz (%) an der Orographiestruktur eines 5 km und 10 km Höhenraster durch 

die ersten 5 PCs 

Raster PC1 PC2 PC3 PC4 PC5 

5 km x 5 km 44.4 12.7 4.5 2.3 2.0 

10 km x 10 km 40.3 21.8 4.6 2.8 1.8 

12 Anhang 1 

Teilbericht 3

Abb. 7: Strukturgramm des Regionalisierungstools mit EOF Feldern der Orographie als Prädiktor 

Der Ausschnitt des zugrunde liegenden Geländemodell (GTOPO30 des USGS) wird 

in Abbildung 8 und 9 gezeigt. Das Höhenraster wurde dafür auf eine räumliche Auflösung 

von 5 km und 10 km interpoliert. In den anschließenden Abbildungen 10 bis 

15 sind die räumlichen Verteilungen der Komponentenwerte für die jeweiligen PCs 

(sowohl für das 5km DEM als auch für das 10km DEM) dargestellt. 

Anhang 1 13 

Teilbericht 3

Abb. 8: Das verwendete DEM 5 km basierend auf USGS-GTOPO30 

Abb. 9: Das verwendete DEM 10 km basierend auf USGS-GTOPO30 

14 Anhang 1 

Teilbericht 3

Abb. 10: Räumliche Verteilung der Komponentenwerte für den PC1 für das DEM 5 km 


Anhang 1 15 

Teilbericht 3



16 Anhang 1 

Teilbericht 3



Anhang 1 17 

Teilbericht 3

8 Erste Validierungsergebnisse 

Eine ausführliche Validierung war im Rahmen des ersten Projektjahres auf Grund der 

vorhandenen Resourcen nicht möglich. Auch liegen keine hinreichend langen Zeitreihen 

der für die Validierung notwendigen Modellläufe der Regionalmodelle MM5 

und ALADIN vor. Damit kann die notwendige Optimierung der dynamisch herunterskalierten 

Prädiktoren für das weitere empirische Downscaling nicht durchgeführt 

werden. Für diese Optimierung ist sowohl die Auswahl der benötigten Felder aus 

dem Regionalmodell als auch die räumliche Domain festzulegen. 

Um trotzdem eine erste Validierung der entwickelten Regionalsierungsmethoden zu 

ermöglichen, wurden mittels Analogmethode herunterskalierte Zeitreihen täglicher 

Niederschlagssummen aus dem Projekt StartClim 04 verwendet. Diese Zeitreihen 

liegen für alle 70 StartClim Stationen vor. Die von Matulla et al. (2004) entwickelte 

Analog Methode wurde in Matlab implementiert und verwendet mittels EOF-Analyse 

gefilterte ERA-40-Felder als Prädiktoren. Die in dieser Validierung verwendeten Niederschlagszeitreihen 

wurden von Matulla et al. (2004) aus dem MSLP-Feld (mean 

sea level pressure) bestimmt. Die von Matulla in Matlab angewandte Methode kann 

analog mit clim.pact durchgeführt werden. Für die folgenden Vergleiche wurde der 

Dezember 1980 aus dem StartClim04 Datensatz ausgewählt. 

Abb. 16: Das Stationsnetz des StartClim Datensatzes 

Das verwendete Stationsnetz ist aus Abbildung 16 zu ersehen. Es ist klar, dass die 

durch StartClim erreichte räumliche Dichte für die Interpolation des Niederschlags 

nicht hinreichend sein kann. So verwendeten etwa Schöner et al. (2001) für die Interpolation 

der Jahressumme des Niederschlags (der Klimanormalperiode 1961-90) 

in Österreich 900 Niederschlagsmessstellen. Zusätzlich ist auch die Abdeckung der 

StartClim Stationen im Höhenprofil nicht adäquat. 

Der ausgewählte Dezember 1980 ist durch Niederschläge am Monatsanfang (ca. 3. 

bis 6. Dezember) und durch mehrere Niederschlagstage zwischen ca. 13. und 27. 

Dezember gekennzeichnet. Die Niederschlagsmengen sind in Abbildung 17 durch 

18 Anhang 1 

Teilbericht 3

mehrere statistische Kenngrößen (Median, Mittel und Maximum) dargestellt. Basierend 

auf die herunterskalierten Tageswerte der Niederschlagssummen erfolgte die 

Anpassung des multiplen linearen Regressionsmodells (mittels Schrittweise Methode) 

für jeden Tag mit nennenswerten Niederschlag wobei die 6 EOFs sowie LAT, 

LONG und DEM als Prädiktoren verwendet wurden. Die täglichen Korrelationskoeffizienten 

sind in Abbildung 18 dargestellt, die täglichen Werte des RSME (root mean 

square error) sind aus Abbildung 19 zu ersehen. 

Man erkennt, dass die erreichten Korrelationskoeffizienten zwischen 0,3 und nahe 

0,9 liegen. Tage mit höherem Niederschlag zeigen im Allgemeinen höhere Korrelationen 

(der 5. Dezember ist aber eine markante Ausnahme). Die erzielten RMSE 

betragen bis nahezu 9 mm. Zieht man die ungenügende räumliche Dichte des Messnetzes 

und die Größe des Untersuchungsgebietes in Betracht, dann ist das Ergebnis 

als überraschend gut einzustufen. Dies wird auch durch den in Abbildung 18 dargestellten 

Vergleich der multiplen Methode mit einer einfachen Methode der Höhenabhängigkeit 

des Niederschlags deutlich. Die einfache Methode erzielt bedeutend 

schlechtere Korrelationskoeffizienten. 

Niederschlag (mm) 

50,0 

45,0 

40,0 

35,0 

30,0 

25,0 

20,0 

15,0 

10,0 

5,0 

0,0 

19801201 

19801202 

19801203 

19801204 

19801205 

19801206 

19801207 

19801208 

19801209 

19801210 

19801211 

19801212 

19801213 

19801214 

19801215 

Anhang 1 19 

Teilbericht 3 

19801216 

19801217 

19801218 

19801219 

Median Mittel Maximum 

Abb. 17: Tägliche Niederschlagssummen von 70 StartClim Stationen im Dezember 1980 bestimmt 

mittels Analogmethode aus ERA-40 MSLP (Quelle: Matulla et al., 2004) 

Pearson Korrelationskoeffizient 

1 

0,9 

0,8 

0,7 

0,6 

0,5 

0,4 

0,3 

0,2 

0,1 

0 

19801201 

19801202 

19801203 

19801204 

19801205 

19801206 

19801207 

19801208 

19801209 

19801210 

19801211 

19801212 

19801213 

19801214 

19801215 

Abb. 18: Täglicher Werte der multiplen Korrelationen zwischen Niederschlagssumme und 9 Prädiktoren 

(Lat, Long, 6 EOF Komponentenwerte, DEM) (Auswahl der Prädiktoren erfolgte mittels eines multiplen 

linearen Stepwise Regression Ansatzes) (rot) im Vergleich zur Korrelation zwischen Niederschlagssumme 

und DEM (blau) 

19801216 

19801217 

19801218 

19801219 

19801220 

19801220 

19801221 

19801221 

19801222 

19801222 

19801223 

19801223 

19801224 

19801224 

19801225 

19801225 

19801226 

19801226 

19801227 

19801227 

19801228 

19801228 

19801229 

19801229 

19801230 

19801230 

19801231 

19801231

RSME (mm) 

9 

8 

7 

6 

5 

4 

3 

2 

1 

0 

19801201 

19801202 

19801203 

19801204 

19801205 

19801206 

19801207 

19801208 

19801209 

19801210 

19801211 

19801212 

19801213 

19801214 

19801215 

Abb. 19: Täglicher Werte des RMSE der multiplen Korrelationen zwischen Niederschlagssumme und 

9 Prädiktoren (Lat, Long, 6 EOF Komponentenwerte, DEM); Auswahl der Prädiktoren erfolgte mittels 

eines multiplen linearen Stepwise Regression Ansatzes 

predicted 

y = x + 9E-07 

R 2 = 0.7332 

0 

-10 -5 0 5 10 15 

45 

03 12 1980 

y = x + 2E-06 

R 2 40 

= 0.1145 

35 

30 

25 

20 

15 

10 

5 

0 

05.12.1 

20 

15 

10 

5 

-5 

-10 

measured 

0 2 4 6 8 10 12 14 16 18 

measured 

Abb. 20: Vergleich der gemessenen mit den modellierten Werten der 70 StartClim Stationen für die 

Periode 3. bis 6.12.1980 

20 Anhang 1 

Teilbericht 3 

19801216 

predicted 

19801217 

19801218 

19801219 

y = x + 6E-08 

R 2 = 0.5675 

19801220 

19801221 

45 

40 

35 

30 

25 

20 

15 

10 

5 

19801222 

19801223 

19801224 

0 

-10 -5 0 5 10 15 20 

-5 

04 12 1980 

-10 

y = x - 8E-08 

R 2 = 0.563 

06.12.1 

50 

40 

30 

20 

10 

0 

-10 

19801225 

measured 

-10 -5 0 5 10 15 20 25 30 

measured 

19801226 

19801227 

19801228 

19801229 

19801230 

19801231

In Abbildung 20 und 21 sind die Ergebnisse der Modellierung mittels multipler linearer 

Regression (measured versus predicted) für die einzelnen Tage dargestellt. Einzelne 

Tage zeigen dabei im Vergleich zu den restlichen Tagen eine markant schlechte 

Modellperformance. Hier wäre in einem nächsten Schritt eine Verbesserung durch 

Einführen von Subregionen oder Wetterlagenäbhängigkeit zu überprüfen. 

predicted 

y = x + 4E-07 

R 2 = 0.5196 

20 

15 

10 

5 

0 

-4 -2 0 2 4 6 8 10 12 

18 

18 . 12 .1 

y = x - 9E-07 

R 2 16 

= 0.177 

14 

12 

10 

8 

6 

4 

2 

0 

20.12.1 

-5 

measured 

0 1 2 3 4 5 6 7 8 9 

y = x + 8E-07 

R 2 = 0.3197 

measured 

0 

-6 -4 -2 0 2 4 6 8 

22.12.1980 

20 

15 

10 

5 

-5 

-10 

measured 

y = x + 1E-07 

R 2 30 

= 0.6324 

25 

0 

-4 -2 

19 . 12 .1 

0 2 4 6 8 10 12 14 16 

-5 

Anhang 1 21 

Teilbericht 3 

20 

15 

10 

5 

y = x + 2E-07 

R 2 = 0.7743 

30 

25 

20 

15 

10 

5 

0 

-5 

-10 

measured 

-10 -5 0 5 10 15 20 25 


y = x - 2E-06 

R 2 = 0.3377 

50 

40 

30 

20 

10 

0 

-10 

-20 

measured 

-20 -15 -10 -5 0 5 10 15 20 25 

23.12.1 

measured 

Abb. 21: Vergleich der gemessenen mit den modellierten Werten der 70 StartClim Stationen für die 

Periode 18. bis 23.12.1980

Dass eine weitere Verfeinerung der Methode durch Einführung von Subregionen eine 

Verbesserung des Modells bringt, wird in den Abbildungen 22 bis 24 gezeigt. Hierfür 

wurde das Messnetz der ZAMG (ca. 260 Stationen) verwendet. Für die Periode 1. bis 

15. August 2002 wurde sowohl für Gesamtösterreich als auch für einen Ausschnitt 

(ca. von Salzach bis Drau mit ca. 100 km WE-Erstreckung) für jeden Tag eine multiple 

lineare Regression (basierend auf den EOF-Feldern der Orographie als Prädiktor) 

berechnet. Die untersuchte Periode ist durch teilweise starke Niederschläge geprägt, 

die auf advektive Wetterlagen zurückzuführen sind. In den Abbildungen 22 und 23 

sind die täglichen multiplen Korrelationskoeffizienten der Untersuchungsperiode dargestellt. 

Die erzielten Korrelationskoeffizienten für die Subregion sind deutlich höher 

als für das Gesamtgebiet von Österreich, da die angenommene räumliche Konstanz 

der Beziehung zwischen Geländeform Niederschlagssumme besser stimmt. Weiters 

ist auch hier zu sehen, dass bei Tagen mit höheren Niederschlägen (hier mittels des 

Medians aller Stationswerte beschrieben, Abbildung 24) der erzielte Korrelationskoeffizient 

höher wird. 

1 

0,9 

0,8 

0,7 

0,6 

0,5 

0,4 

0,3 

0,2 

0,1 

0 


02.08.2002 

03.08.2002 

04.08.2002 

05.08.2002 

06.08.2002 

R Gesamt 

07.08.2002 

08.08.2002 

09.08.2002 

10.08.2002 


Abb. 22: Tägliche multiple Korrelationen für den Niederschlag unter Verwendung von 9 Prädiktoren 

für das Gesamtgebiet von Österreich für die Periode 1. bis 15. August 2002 

1 

0,9 

0,8 

0,7 

0,6 

0,5 

0,4 

0,3 

0,2 

0,1 

0 


02.08.2002 

03.08.2002 

04.08.2002 

05.08.2002 

06.08.2002 

R Ausschnitt 

07.08.2002 

08.08.2002 

09.08.2002 

10.08.2002 


Abb. 23: Tägliche multiple Korrelationen für den Niederschlag unter Verwendung von 9 Prädiktoren 

für eine Subregion von Österreich für die Periode 1. bis 15. August 2002 

22 Anhang 1 

Teilbericht 3 

12.08.2002 

12.08.2002 

13.08.2002 

13.08.2002 

14.08.2002 

14.08.2002 

15.08.2002 

15.08.2002

500 

450 

400 

350 

300 

250 

200 

150 

100 

50 

0 


02.08.2002 

03.08.2002 

04.08.2002 

05.08.2002 

06.08.2002 

07.08.2002 

Median 

08.08.2002 

09.08.2002 

10.08.2002 


Abb. 24: Die täglichen Werte des Medians des Niederschlags für Gesamtösterreich für die Periode 1. 

bis 15. August 2002 

9 Ausblick 

Eine Methode für das geographische Verfeinern von dynamisch herunterskalierten 

Klimazeitreihen konnte im Rahmen dieser Arbeit entwickelt werden. Die Methoden 

eignen sich für Lufttemperaturmittel und Niederschlagssumme auf Tageswertebasis 

oder höherer zeitlicher Aggregation. Erste Validierungsergebnisse zeigen die guten 

Möglichkeiten der Methode basierend auf EOF-Analyse der Orographie als Prädiktor. 

Für eine routinemäßige Verwendung der Methode sind als nächste Arbeitsschritte 

durchzuführen: 

1) Festlegung der dynamisch herunterskalierten Prädiktorfelder (MM5 und ALA- 

DIN) für das empirische Downscaling mit clim.pact und deren räumliche Auflösung 

2) Festlegung des notwendigen geographischen Ausschnittes der dynamisch herunterskalierten 

Prädiktorfelder 

3) Filterung der Prädiktorfelder mittels EOF-Analyse in clim.pact 

4) Weitere Optimierung der Prädiktorfelder für das Regionalsierungstool basierend 

auf multipler linearer Regression aus EOF-Analyse der Orographie 

5) Umfangreiche Validierung der Methoden 

Anhang 1 23 

Teilbericht 3 

12.08.2002 

13.08.2002 

14.08.2002 

15.08.2002

10 Literatur 

Ahrens B. 2003. Rainfall downscaling in an alpine watershed applying a multiresolution approach. 

Journal of Geophysical Research, Vol. 108, No. D8, 13-1 – 13-12. 

Benestad R. and I. Hanssen-Bauer. 2003a. Empirical-based refinement of dynamically 

downscaled temperature scenarios in southern Norway. Met.no Klima Report 07/03, 30p. 

Benestad R. 2003b. Clim.pact – V1.0. Met.no Klima Report 04/03 

Benestad R. 2004. Empirical-Statistical Downscaling in Climate Modeling. Eos, Vol. 85, No. 

42, 417-418. 

Benichou P. 1985. Classification automatique de configurations meteorologiques sur 

l’Europe occidentale. Note de travail du SCEM, n°18, Meteo-Franc Toulouse, 156p. 

Böhm, R. und R.Potzmann.1999. Systematic climate mapping in complicated terrain – part 

one: From point information to maps of means (a GIS-supported procedure including quantitative 

error analysis). ÖGM-bulletin, 99/1, 21-30 

Böhm R. I. Auer, M. Brunetti, M. Maugeri, T. Nanni, W. Schöner. 2001. Regional temperature 

variability in the European Alps: 1760–1998 from homogenized instrumental time series. International 

Journal of Climatology Vol. 21, 1779-1801 

Blöschl G., D. Gutknecht, R. Kirnbauer. 1991. Distributed snowmelt simulations in an Alpine 

catchement 1. Model evaluation on the basis of snow cover patterns. Water resources research 

Vol 27, No. 12, 3171-3179 

Brun E., P. David, M. Sudul, G. Brunot. 1992. A numerical model to simulate snowcover 

stratigraphy for operational avalanche forecasting. Journal of Glaciology 35 (128), 13-22 

Carbone G.J., P.D. Bramante. 1995. Translating monthly temperature from regional to local 

scale in the southeastern United States. Climate Research Vol.5, 229-242 

Carrega P. 1995. A method for reconstruction of mountain air temperatures with automatic 

cartographic application. Theoretical and Applied Climatology, 52, 69-84 

Conford D. 1998. Incorporating terrain information into spatialisation with particular reference 

to daily minimum air temperatures. COST79 Proc. Workshop “Dealing on Spatialisation”, 

COST, EU, 69-100 

COST 79. 2000. Coordination and comparison of several interpolation methods of meteorological 

data (minimum temperature). COST, EU, 102p 

Courault D., P. Monestiez. 1998. Spatial variations of air temperature according to atmospheric 

circulation patterns. COST79 Proc. Workshop “Dealing on Spatialisation”, COST, EU, 

101-120 

Czeplak G., M. Noia, C.F. Ratto. 1991. An assesssment of a statistical method to estimate 

solar irradiance at the earth’s surface from geostattionary satellite data. Renewable Energy 

Vol. 1, 737-743 

24 Anhang 1 

Teilbericht 3

Daly. C., R.P. Neilson, D.L. Phillips. 1994. A statistical-topographic model for mapping climatological 

precipitation over mountainous terrain. Journal of Applied Meteorology Vol 33, 140- 

157 

Dodson R., D. Marks. 1997. Daily air temperature interpolated at high spatial resolution over 

a lagre mountainous region. Climate Research Vol. 8, 1-20 

Durand Y., E. Brun, L. Merindol, G. Guyomarch, B. Lesaffre, E. Martin. 1993. A meteorological 

estimation of relevant parameters for snow models. Annals of Glaciology 18, 65-71 

Göbel W., A.El Quali, M. Singh. 1998. Spatial interpolation of precipitation data an example 

from Morocco. COST79 Proc. Workshop “Dealing on Spatialisation”, COST, EU, 129-142 

Gyalistras D. 2003. Development and validation of a high-resolution monthly gridded precipitation 

and precipitation data set for Switzerland (1951-2000). Climate Research Vol. 25, 55- 

83. 

Hantel, M., M. Ehrendorfer and A. Haslinger, 1999: Climate sensitivity of snow cover duration 

in Austria. Int.. J. Climatology., 20, 615-640. 

Imbert A. 2003. The Analog method applied to downscaling of climate scenarios. Met.no 

Klima Report 08/03 11p. 

Lehning M., Bartelt P., Brown B., 1998: Operational Use of a Snowpack Model for the Avalanche 

Warning Service in Switzerland: Model Development and First Experiences, Proceedings 

of the NGI Anniversary Conference, Norwegian Geotechnical Institute May 1998, 169 - 

174. 

Lehning M., Bartelt P.B., Brown R.L., Fierz C., Satyawali P., 2002. A physical SNOWPACK 

model for the Swiss Avalanche Warning Services. Part III: Meteorological Boundary Conditions, 

Thin Layer Formation and Evaluation, Cold Reg. Sci. Technol., 35, 169-184 

Loibl W., Schwarz L., 2001: Regionalisierung von Niederschlagsdaten mit Hilfe von neuronalen 

Netzen - Möglichkeiten und Grenzen der Generierung österreichweiter Karten. In: Ö. Beiträge 

zu Meteorologie u. Geophysik ISSN Heft Nr 27/Publ. Nr. 399, CD-ROM, 18 pp (Proceedings 

DACH MT, Sept. 2001 - Wien ) 

Lorentz P., G. Skoda. 1999. Ermittlung von Flächenmitteln des Niederschlages aus punktuellen 

Messungen. Mitteilungsblatt des Hydrographischen Dienstes in Österreich Nr. 78, 47-65 

Maestre Barcelo A. 2002. Report on rainfall spatialisation. COST 718. 

http://www.adobe.com/products/acrobat/readstep.html 

Martin, E., B. Timbal and E. Brun, 1997: Downscaling of general circulation model outputs: 

simulation of the snow climatology of the French Alps and sensitivity to climate change. Clim. 

Dyn., 13, 45–56. 

Matulla C. und P. Haas. 2003. Prädikatorsensitives Downscaling gekoppelt mit Wettergeneratoren: 

saisonale und tägliche CC-Szenarien in komplex strukturiertem Gelände. GKSS 

2003/24 

Matulla C., P. Haas, S. Wagner, E. Zorita, H. Formayer, H. Kromp-Kolb. 2004. Anwendung 

der Analog-Methode in komplexen Terrain: Klimaänderungsszenarien auf Tageswertbasis für 

Österreich. GKSS 2004/11. 

Anhang 1 25 

Teilbericht 3

Neidhöfer F. 2000. Interpolation and downscaling of precipitation in the Alps. PhD thesis, 

Institute of Geography, University of Bern. 

Nykanen, D. K. und D. Harris. 2003. Orographic influences on the multi-scale statistical 

properties of precipitation. Journal of Geophysical Research – Atmospheres, 108(D8), 8381 

Olseth J.A., A. Skartveit. 2001. Solar irradiance, sunshine duration and daylight illuminance 

derived from METEOSAT data for some European sites. Theoretical and Applied Climatology 

69, 239-252 

Percec Tadic M., K. Pandzic. 2002. Combined use of multiple linear regression, optimal interpolation 

and GIS in producing temperature maps. Paper presented at EGS02. 

Scheppler P. 2000. Schneedeckenmodellierung und Kalibrationsmöglichkeiten für ausgewählte 

Beobachtungsstationen. Diplomarbeit am Geographischen Institut der Universität 

Bern, 110p. 

Schöner W. 2001: Räumliche Modellierung von Klimaparametern mittels GIS, In: Ö. Beiträge 

zu Meteorologie u. Geophysik ISSN Heft Nr 27 / Publ. Nr. 399, CD-ROM,. (Proceedings 

DACH MT, Sept. 2001 - Wien) 

Skaugen T., S. Beldring, H.C. Udnaes. 2003. Dynamical properties of the spatial distribution 

of snow. Hydrology and Earth System Sciences, 7(5), 744-753. 

Storch H.v. und F. Zwiers. 1999. Statistical Analysis in Climate Research. Cambridge University 

Press, UK. 

Strobl J. 1988. Karten porentieller Sonnenscheindauer und Globalstrahlung im Land Salzburg. 

Salzburger Geographische Arbeiten Bd. 17, 255-270 

Tabony R.C. 1985. Relations between minimum temperature and topography in Great Britain. 

Journal of Climatology Vol. 5, 503-520 

Tveito O.E., E.J. Førland, I. Hanssen-Bauer, R. Benestad. 2000. Regionalisation of Norwegian 

precipitation. ECAC 2000 Pisa, CD-ROM 

Tveito. O.E. 2003 : Spatial distribution of winter temperatures in Norway related to topography 

and large-scale atmospheric circulation (Presented at IAHS-PUB kick off workshop in 

Brasilia, Brazil 20-22.November 2002) 

http://cost719.met.no/papers/PUB%20paper%20Tveito.pdf 

Tveito O.E., H.C. Udnaes, Z. Mengistu, R. Engeset, E.J. Forland. In prep. New Snow Maps 

for Norway. 

26 Anhang 1 

Teilbericht 3

ANHANG – AML-scripts für die Interpolation der Parameter 

/*============================================================================= 

/* t_grid.aml 

/* interpolation of daily temperature means from climate stations to grid 

/* based on available montly climate normals of temperature 

/* aml interpolates daily climate normal grids, computes residuals of point 

/* measurments to climate normal, interpolates residuals by thin-plate 

/* spline interpolation (minimizes the curvatures of curves) and compute 

/* daily values adding the residual field to the daily climate normal field 

/* input text file is at least with id, long, lat, T for each station 

/* input text file format is set to comma delimited 

/* projection is set to Austrian Lambert (see outcover.prj) 

/* extent is defined by coverage aussengrenze 

/* created by W. Schöner, ZAMG, Aug 2004 

/*============================================================================= 

/*============================================================================= 

/* useage "&run t_grid.aml beginmonth beginyear endmonth endyear" 

/* data format for both beginmonth and endmonth is mm 

/* data format for both beginyear and endyear is yyyy 

/*============================================================================= 

/*============================================================================= 

&args beginmonth beginyear endmonth endyear 

&echo &off 

&ty gridding 

&s number_y = %endyear% - %beginyear% + 1 

&s year = %beginyear% - 1 

&s tag = 0 

&ty %number_y% 

&do index = 1 &to %number_y% 

&s year = %year% + 1 

&if %endyear% = %beginyear% &then 

&do i = %beginmonth% &to %endmonth% 

&s mon = %i% 

&call gettagzahl 

&do j = 1 &to %tagzahl% 

&call namedefine 

&ty %filename% 

&call gridding_dt 

&end 

&end 

&else &do 

&if %year% = %endyear% &then 

&do i = 1 &to %endmonth% 

&s mon = %i% 






&end 

&end 

&else 

&if %year% = %beginyear% &then 

&do i = %beginmonth% &to 12 

&s mon = %i% 






&end 

&end 

&else 

&do i = 1 &to 12 

&s mon = %i% 




Anhang 1 27 

Teilbericht 3



&end 

&end 

&end 

&end 

&return 

/*============================================================================= 

&routine gridding_dt 

&s closestat := [close -all] 

/*&call definfile 

&call txt2cov 

&call projectcov 

&call getklimagrid 

&call getresiduals 

&call makegrid 

&ty GRIDDING SUCCESSFULLY COMPLETED 

&return 

/*============================================================================= 

&routine namedefine 

/*&if [exists %filename% -table] &then kill %filename% 

/*&if %j% < 10 &then 

/* &s filename 0%j%%mon%%year%.txt 

/*&else 

&s filename %j%%mon%%year%.txt 

&return 

/*============================================================================= 

&routine gettagzahl 

&if %mon% = 1 &then &do 

&set tagzahl = 31 

&end 



&end 



&end 



&end 



&end 



&end 



&end 



&end 


28 Anhang 1 

Teilbericht 3


&end 



&end 



&end 



&end 

/*&if %mon% < 10 &then 

/* &do 

/* &s mon 0%mon% 

/* &end 

&return 

/*============================================================================= 

&routine definfile 

&s genfileunit [open %genfile% openstat -read] 

&if %openstat% 0 &then 

&do 

&s str Error reading %genfile%...;&call bailout 

&end 

&return 

/*============================================================================= 

&routine txt2cov 

&ty txt2cov 

/*&args genfile 

tables 

&if [exists maske2.pat -info] &then kill maske2.pat 

quit 

tables 

copy maske.pat maske2.pat 

select maske2.pat 

add from %filename% 

quit 

/* Add the word END to the generate file. 

&s filenameunit [open %filename% openstat -append] 


&do 

&s str Error opening temporary generate file...;&call bailout 

&end 

&s writestat [write %filenameunit% END] 

&if %writestat% 0 &then 

&do 

&s str Error writing to temporary generate file...;&call bailout 

&end 

&s closestat [close %filenameunit%] 

&if [exists outcover -cover] &then kill outcover 

generate outcover 

input %filename% 

points 

quit 

build outcover points 

joinitem outcover.pat maske2.pat outcover.pat OUTCOVER-ID OUTCOVER-ID 

tables 

Anhang 1 29 

Teilbericht 3

kill maske2.pat 

quit 

&ty txt2cov completed 

&return 

/*============================================================================= 

&routine projectcov 

&ty projectcov 

&if [exists outcover2 -cover] &then kill outcover2 

&do 

project cover outcover outcover2 outcover.prj 

&end 

kill outcover 

rename outcover2 outcover 

&ty projectcov completed 

&return 

/*============================================================================= 

&routine getklimagrid 

&ty getklimagrid 

&s subdd = [substr %filename% 5 2] 

&s submm = [substr %filename% 7 2] 

&s subjjjj = [substr %filename% 9 4] 

&if [exists klim%subdd%%submm%%subjjjj% -grid] &then kill klim%subdd%%submm%%subjjjj% 

&call assignvalue 

grid 

&if %days% eq 15 &then 

klim%subdd%%submm%%subjjjj% = %mnd% 

&if %days% lt 15 &then 

klim%subdd%%submm%%subjjjj% = (%mnd_vor% * (15 - %days%) + %mnd% * (15 + %days%)) / 30 

&if %days% gt 15 &then 

&if %submm% eq 02 &then 

klim%subdd%%submm%%subjjjj% = (%mnd_nach% * (43 - %days%) + %mnd% * (%days% - 15)) / 28 

&else &if %submm% eq 04 or %submm% eq 06 or %submm% eq 08 or %submm% eq 10 or %submm% eq 12 &then 


&else 


quit 

&ty getklimagrid completed 

&return 

/*============================================================================= 

&routine getresiduals 

&ty getresiduals 

/*additem outcover.pat outcover.pat klim 8 8 i 

ae 

edit outcover 

editfeature point 

select for T gt 900 

delete 

save 

q 


projectcopy grid klim%subdd%%submm%%subjjjj% cover outcover 

latticespot klim%subdd%%submm%%subjjjj% outcover klim 

&ty schritt1 

additem outcover.pat outcover.pat resid 8 8 f 2 

&ty schritt2 

tables 

30 Anhang 1 

Teilbericht 3

sel outcover.pat 

calculate resid = T / 10 - klim 

quit 

&ty getresiduals completed 

&return 

/*============================================================================= 

&routine makegrid 

&ty makegrid 

&if [exists outgrid -grid] &then kill outgrid 

topogrid outgrid 1000 

point outcover resid 

enforce off 

boundary aussengrenze 

end 

&if [exists grid%subdd%%submm%%subjjjj% -grid] &then kill grid%subdd%%submm%%subjjjj% 

projectcopy grid klim%subdd%%submm%%subjjjj% grid outgrid 

grid 

grid%subdd%%submm%%subjjjj% = outgrid + klim%subdd%%submm%%subjjjj% 

quit 

kill outgrid 

kill klim%subdd%%submm%%subjjjj% 

&ty makegrid completed 

&return 

/*============================================================================= 

&routine bailout 

&if [show program] = TABLES &then quit 

&if not [variable str] &then &s str Bailing out of %aml$file% 

&return; &return &warning %str% 

/*============================================================================= 

&routine assignvalue 

&if %subdd% eq 01 &then &s days = 1 






























Anhang 1 31 

Teilbericht 3



&do 

&s mnd = tjan 

&s mnd_vor = tdec 

&s mnd_nach = tfeb 

&end 


&do 

&s mnd = tfeb 

&s mnd_vor = tjan 

&s mnd_nach = tmar 

&end 


&do 

&s mnd = tmar 

&s mnd_vor = tfeb 

&s mnd_nach = tapr 

&end 


&do 

&s mnd = tapr 

&s mnd_vor = tmar 

&s mnd_nach = tmai 

&end 


&do 

&s mnd = tmai 

&s mnd_vor = tapr 

&s mnd_nach = tjun 

&end 


&do 

&s mnd = tjun 

&s mnd_vor = tmai 

&s mnd_nach = tjul 

&end 


&do 

&s mnd = tjul 

&s mnd_vor = tjun 

&s mnd_nach = taug 

&end 


&do 

&s mnd = taug 

&s mnd_vor = tjul 

&s mnd_nach = tsep 

&end 


&do 

&s mnd = tsep 

&s mnd_vor = taug 

&s mnd_nach = tokt 

&end 


&do 

&s mnd = tokt 

&s mnd_vor = tsep 

&s mnd_nach = tnov 

&end 


&do 

&s mnd = tnov 

&s mnd_vor = tokt 

&s mnd_nach = tdez 

&end 


&do 

&s mnd = tdez 

&s mnd_vor = tnov 

&s mnd_nach = tjan 

&end 

&return 

32 Anhang 1 

Teilbericht 3

*============================================================================= 

Anhang 1 33 

Teilbericht 3

*============================================================================= 

/* r_grid.aml 

/* interpolation of daily precipitation sums from climate stations to grid 

/* based on stepwise multiple linear regression between prec-sum at station 

/* and first 3 EOFs from 10km oro model, first 3 EOFs from 5km oro model, 

/* elevation, latitude and longitude 

/* aml interpolates daily precip grids with regression, computes residuals of 

/* point measurments at stations, interpolates residuals by thin-plate 

/* spline interpolation (minimizes the curvatures of curves) and compute 

/* daily values adding the residual field to the daily precip field from regression 

/* input text file is at least with id, long, lat, P for each station 

/* input text file format is set to comma delimited 

/* projection is set to Austrian Lambert (see outcover.prj) 

/* extent is defined by coverage aussengrenze 

/* created by W. Schöner, ZAMG, Aug 2004 

/*============================================================================= 

/*============================================================================= 

/* useage "&run r_grid.aml beginmonth beginyear endmonth endyear" 

/* data format for both beginmonth and endmonth is mm 

/* data format for both beginyear and endyear is yyyy 

/*============================================================================= 

/*============================================================================= 

&args beginmonth beginyear endmonth endyear 

&echo &off 

&ty gridding 

&s number_y = %endyear% - %beginyear% + 1 

&s year = %beginyear% - 1 

&s tag = 0 

&ty %number_y% 

&do index = 1 &to %number_y% 

&s year = %year% + 1 

&if %endyear% = %beginyear% &then 

&do i = %beginmonth% &to %endmonth% 

&s mon = %i% 


/* &do j = 1 &to %tagzahl% 

&do j = 1 &to 1 




&end 

&end 

&else &do 

&if %year% = %endyear% &then 

&do i = 1 &to %endmonth% 

&s mon = %i% 






&end 

&end 

&else 

&if %year% = %beginyear% &then 

&do i = %beginmonth% &to 12 

&s mon = %i% 






&end 

&end 

&else 

&do i = 1 &to 12 

&s mon = %i% 





34 Anhang 1 

Teilbericht 3


&end 

&end 

&end 

&end 

&return 

/*============================================================================= 

&routine gridding_dt 

&s closestat := [close -all] 

/*&call definfile 

&call txt2cov 

&call projectcov 

&call getregressgrid 

&call getresiduals 

&call makegrid 

&ty GRIDDING SUCCESSFULLY COMPLETED 

&return 

/*============================================================================= 

&routine namedefine 

/*&if [exists %filename% -table] &then kill %filename% 

/*&if %j% < 10 &then 

/* &s filename 0%j%%mon%%year%.txt 

/*&else 

&s filename %j%%mon%%year%.txt 

&return 

/*============================================================================= 

&routine gettagzahl 



&end 



&end 



&end 



&end 



&end 



&end 



&end 



&end 



Anhang 1 35 

Teilbericht 3

&end 



&end 



&end 



&end 

/*&if %mon% < 10 &then 

/* &do 

/* &s mon 0%mon% 

/* &end 

&return 

/*============================================================================= 

&routine definfile 

&s genfileunit [open %genfile% openstat -read] 


&do 

&s str Error reading %genfile%...;&call bailout 

&end 

&return 

/*============================================================================= 

&routine txt2cov 

&ty txt2cov 

/*&args genfile 

tables 

&if [exists maske2.pat -info] &then kill maske2.pat 

quit 

tables 

copy maske.pat maske2.pat 

select maske2.pat 

add from %filename% 

quit 

/* Add the word END to the generate file. 

&s filenameunit [open %filename% openstat -append] 


&do 

&s str Error opening temporary generate file...;&call bailout 

&end 

&s writestat [write %filenameunit% END] 

&if %writestat% 0 &then 

&do 

&s str Error writing to temporary generate file...;&call bailout 

&end 

&s closestat [close %filenameunit%] 

&if [exists outcover -cover] &then kill outcover 

generate outcover 

input %filename% 

points 

quit 


joinitem outcover.pat maske2.pat outcover.pat OUTCOVER-ID OUTCOVER-ID 

tables 

kill maske2.pat 

36 Anhang 1 

Teilbericht 3

quit 

&ty txt2cov completed 

&return 

/*============================================================================= 

&routine projectcov 

&ty projectcov 

&if [exists outcover2 -cover] &then kill outcover2 

&do 

project cover outcover outcover2 outcover.prj 

&end 

kill outcover 

rename outcover2 outcover 

&ty projectcov completed 

&return 

/*============================================================================= 

&routine getregressgrid 

&ty getregressgrid 

&s subdd = [substr %filename% 5 2] 

&s submm = [substr %filename% 7 2] 

&s subjjjj = [substr %filename% 9 4] 

&if [exists prec%subdd%%submm%%subjjjj% -grid] &then kill prec%subdd%%submm%%subjjjj% 

&call assignvalue 

&if %mon% eq 1 &then &s mnd = 'JAN' 

&if %mon% eq 2 &then &s mnd = 'FEB' 

&if %mon% eq 3 &then &s mnd = 'MAR' 

&if %mon% eq 4 &then &s mnd = 'APR' 

&if %mon% eq 5 &then &s mnd = 'MAY' 

&if %mon% eq 6 &then &s mnd = 'JUN' 

&if %mon% eq 7 &then &s mnd = 'JUL' 

&if %mon% eq 8 &then &s mnd = 'AUG' 

&if %mon% eq 9 &then &s mnd = 'SEP' 

&if %mon% eq 10 &then &s mnd = 'OCT' 

&if %mon% eq 11 &then &s mnd = 'NOV' 

&if %mon% eq 12 &then &s mnd = 'DEC' 

&s reg_file = [open r_regression.txt openstat -read] 

&s string = [read %reg_file% readstat] 

&s string = [after %string% %mnd%] 

&s string = [after %string% ' '] 

&s string = [after %string% ' '] 

&s str1 = [after %string% ' '] 

&s str2 = [after %str1% ' '] 









&s reg9 = [after %str10% ' '] 

&s reg8 = [before %str9% ' '] 








&s const = [before %str1% ' '] 

/*&s const = [unquote [before %str% %reg1%]] 

&lv 

Anhang 1 37 

Teilbericht 3

grid 

prec%subdd%%submm%%subjjjj% = %const% + %reg1% * eof1 + %reg2% * eof2 + %reg3% * eof3 + 

%reg4% * eof1_5km + %reg5% * eof2_5km + %reg6% * eof3_5km + %reg7% * oro_1km + 

%reg8% * lat + %reg9% * long 

&if [exists zwigrid -grid] &then kill zwigrid 

&if [exists zwigrid2 -grid] &then kill zwigrid2 

zwigrid = select(prec%subdd%%submm%%subjjjj%,'value

&if [exists zwigrid -grid] &then kill zwigrid 

&if [exists zwigrid2 -grid] &then kill zwigrid2 

zwigrid = select(grid%subdd%%submm%%subjjjj%,'value

&do 

&s mnd = tapr 

&s mnd_vor = tmar 

&s mnd_nach = tmai 

&end 


&do 

&s mnd = tmai 

&s mnd_vor = tapr 

&s mnd_nach = tjun 

&end 


&do 

&s mnd = tjun 

&s mnd_vor = tmai 

&s mnd_nach = tjul 

&end 


&do 

&s mnd = tjul 

&s mnd_vor = tjun 

&s mnd_nach = taug 

&end 


&do 

&s mnd = taug 

&s mnd_vor = tjul 

&s mnd_nach = tsep 

&end 


&do 

&s mnd = tsep 

&s mnd_vor = taug 

&s mnd_nach = tokt 

&end 


&do 

&s mnd = tokt 

&s mnd_vor = tsep 

&s mnd_nach = tnov 

&end 


&do 

&s mnd = tnov 

&s mnd_vor = tokt 

&s mnd_nach = tdez 

&end 


&do 

&s mnd = tdez 

&s mnd_vor = tnov 

&s mnd_nach = tjan 

&end 

&return 

/*============================================================================= 

40 Anhang 1 

Teilbericht 3

Anhang 1 















eclip:more 



Projektjahr 1 

Projektteil BOKU-Met 


Institut für Meteorologie 

Department Wasser – Atmosphäre – Umwelt 

Universität für Bodenkultur 


von 

Andreas Frank 

Herbert Formayer 

Petra Seibert 

Bernd C. Krüger 

Helga Kromp-Kolb 

BOKU-Met


1 Ergebnisvalidierung – Definition statistischer Parameter....................1 

1.1 Einleitung .............................................................................................1 

1.2 Normalised root-mean square error (NMSE) .......................................1 

1.2.1 Das Problem ..................................................................................1 

1.2.2 Lösungsvorschläge ........................................................................2 

Zusätzliche Bemerkungen zur Normierung mit absoluten Werten .............2 

1.3 Figure of merit......................................................................................3 

1.4 Relative bias ........................................................................................4 

1.5 Die Rolle des Korrelationskoeffizienten................................................4 

1.6 Einfluss des BIAS auf den RMSE ........................................................4 

1.7 Taylor Diagramm .................................................................................5 

1.8 Vorschlag eines total skill score ...........................................................6 

2 Evaluierungsstrategie .............................................................................7 

2.1 Einleitung .............................................................................................7 

2.2 Datenquellen........................................................................................7 

2.3 Arten von Läufen und Grundsätzliches zu ihrer Evaluierung ...............8 

2.3.1 S1 – freie Episodensimulationen....................................................8 

2.3.2 S2 – Episodensimulationen mit Nudging........................................9 

2.3.3 S3 – 1-Jahr-Simulation ohne Nudging ...........................................9 

2.4 Statistische Standardparameter...........................................................9 

2.5 Evaluierungsmethoden für die verschiedenen Datenquellen .............10 

2.5.1 D1 – ERA-40................................................................................10 

2.5.2 D4 – Radiosonden .......................................................................10 

2.6 Domain-Setup ....................................................................................11 

2.6.1 Domaingrößen .............................................................................12 

2.6.2 Validierungsstrategie....................................................................13 

3 Parameter-Setup MM5, Aladin ..............................................................13 

4 Termine...................................................................................................14 

5 Erste Vergleichsrechnungen MM5 – Aladin.........................................16 

5.1 Festlegung der MM5- Parametrisierungen.........................................16 

5.2 Festlegung der für diesen Test sinnvollen Termine ...........................16 

5.3 Auswertung der Ergebnisse ...............................................................17 

5.3.1 Detailierte Ergebnisdiskussion für die Temperatur in 850 hPa.....18 

5.3.2 Geopotential in 850 hPa...............................................................27 

5.3.3 Geopotential in 500 hPa...............................................................29 

5.3.4 Spezifische Feuchte in 700 hPa...................................................29 

5.3.5 Niederschlagsverteilung...............................................................31 

5.3.6 Rechenzeit ...................................................................................32 

5.3.7 Synopsis – Schlussfolgerungen ...................................................33 

6 Ausblick – weitere Schritte ...................................................................33 

Literatur ........................................................................................................35 

BILDANHANG...............................................................................................36

1 Ergebnisvalidierung – Definition statistischer Parameter 

1.1 Einleitung 

Bestimmte Sets statistischer Parameter wurden speziell in der „Air pollution 

modeling community“, in Europa im Rahmen von ATMES (Klug et al, 1992), 

ETEX (Mosca et al., 1998a, b) und der so genannten Harmonisierungsinitiative 

in Nordamerika Standard, um Modelle untereinander und mit Beobachtungen 

quantitativ zu vergleichen. 

Einige von ihnen – NMSE, fractional bias und figure of merit beispielsweise – 

sind problematisch und sollten durch modifizierte Größen ersetzt werden. Die 

Details dazu werden in diesem Kapitel des Berichts kurz erläutert. 

Keinesfalls stellt diese Zusammenstellung einen kompletten Überblick der 

statistischen Parameter zur Modellevaluierung dar, es wird auch nicht versucht 

einen umfassenden Vorschlag eines empfohlenen Sets von Parametern 

zu formulieren. 

Wir nehmen an, dass wir es mit paarweise angeordneten Daten zu tun haben 

o m ( xi 

, xi 

) , i ∈ [ 1, 

N] 

, wobei das hochgestellte o für beobachtete Werte und das m 

für modellierte Werte steht. Im Falle von Modellvergleichen können zwei Modelle 

paarweise miteinander verglichen werden, dann bezeichnet o das eine 

2 

Modell und m das andere (für ein Set von M Modellen bedeutet dies, M − M 

Paare). 

1.2 Normalised root-mean square error (NMSE) 

1.2.1 Das Problem 

Häufig (zB von Mosca et al., 1998b), ist es üblich den normalised meansquare 

error (NMSE) folgend zu definieren: 

und den mean-square error (MSE) folgendermaßen zu definieren: 

mit 

Dieser kann folgendermaßen mit dem normalen root-mean-square error 

(RMSE) in Verbindung gebracht werden: 

Der NMSE hängt in der obigen Definition sowohl von den quadratischen Differenzen 

der Datenpunkte als auch vom Mittel sowohl der modellierten als auch 

der beobachteten Daten (oder von beiden Modellen im Fall eines Modellvergleichs) 

ab. 

Anhang 1 1 

Teilbericht 4 

2

Er hat die Eigenschaft für Modelle die überschätzen kleiner (besser) zu sein, 

als für solche die unterschätzen, auch dann wenn beide Modelle denselben 

RMSE aufweisen. Diese Eigenschaft ist unbefriedigend. 

1.2.2 Lösungsvorschläge 

Die einfachste Lösung besteht darin, den RMSE nicht zu normieren, ein Weg 

der in all jenen Fällen möglich ist, wo keine relativen Werte benötigt werden. 

Eine Normierung ist immer dann nötig, wenn verschiedene Größen miteinander 

vergleichbar gemacht werden sollen (zB in einer Kostenfunktion). 

In all jenen Fällen wo Beobachtungen (Messwerte) zur Verfügung stehen, 

sollte man immer diese zur Normierung heranziehen: 

Für direkte Modellvergleiche, wenn man also keine Bebachtungen zum normieren 

heranziehen kann, ist es am besten eine charakteristische Magnitude, 

welche nicht von den Eigenschaften des Modellpaars abhängt zu verwenden: 

∈ kann der (quadratische) 

Scale von 2 

x * als das Mittel der quadratischen Mittelwerte all dieser Modelle 

angesetzt werden: 

Im Falle eines Vergleichs mehrerer Modelle m [ 1, 

M ] 

Zu Beachten ist, dass sich dies im Fall von M=2 nicht mit der standard Definition 

des NMSE (1) deckt. Falls dies erwünscht ist, sollte der quadratische 

Scale folgendermaßen definiert werden: 

Ich weiß keine Argumente warum (8) bevorzugt verwendet werden sollte als 

(7). Auf der anderen Seite, wenn wir den hypothetischen Fall annehmen, dass 

ein Modell nur sehr kleinen Werten beinhaltet, dann würde die Definition 8 zu 

einem extrem großen NMSE Wert führen. Speziell in Fällen wo M ≤ 3 ist erscheint 

dies unbefriedigend, weshalb wir die Verwendung der Definition 7 

empfehlen würden. 

Zusätzliche Bemerkungen zur Normierung mit absoluten Werten 

Die Normierung mit Größen die auf Mittelwerten beruhen ist nur für jene Daten 

sinnvoll, wo diese Mittelwerte die Größenordnung der Varianz repräsentieren. 

Dies ist zum Beispiel für die Konzentration atmosphärischer Spurenbestandteile, 

wo der Hintergrund bereits abgezogen wurde, wie zum Beispiel der 

ETEX-Daten, der Fall. 

2 Anhang 1 

Teilbericht 4

In einem allgemeineren Zusammenhang erscheint es jedenfalls besser den 

MSE mit der Varianz der Daten zu normieren. Ein typisches Beispiel einer 

Größe bei der dies nötig erscheint ist die Temperatur. Für den einen oder anderen 

mag es durchaus nahe liegend erscheinen diese Form der Normierung 

auch auf die Daten der Spurenbestandteilkonzentration anzuwenden. 

Für den Vergleich von Modellwerten mit Beobachtungen, könnte der Scale 

von 

x dann folgendermaßen aussehen: 

2 

* 

und im Falle des direkten Vergleichs mehrerer Modelle m [ 1, 

M ] 

tel der Varianzen all dieser Modelle: 

∈ als das Mit- 

In der statistischen Optimierungstheorie kann gezeigt werden, dass eine Kostenfunktion 

unter Berücksichtigung der Varianz zu den wahrscheinlichsten 

Ergebnissen führt. Weiters sollte, falls eine Kovarianzstruktur erkennbar ist, 

die Kovarianzmatrix zur Normierung verwendet werden. Dieser Punkt wird 

speziell dann relevant, wenn die verwendeten Beobachtungen korreliert sind, 

was im Falle der Meteorologie oft der Fall ist. Während dies mittlerweile zumindest 

in einer angenäherten Form in Algorithmen wie der variationellen Datenanalyse 

berücksichtigt wird, findet es bei der Modellevaluierung kaum Anerkennung. 

1.3 Figure of merit 

Klug et al. (1992) und Mosca et al. (1998b) definierten eine figure of merit in 

space und eine figure of merit in time. Sie sind definiert als die Überlappungsfläche 

der beiden Gebiete A m und A o geteilt durch die Gesamtfläche von Beobachtung 

und Modell. A m ist hier die Modellfläche, in der ein vorgegebener 

Schwellwert überschritten wurde und A o die entsprechende Fläche in den Beobachtungen: 

Die Auswertung kann entweder auf Landkarten erfolgen (merit in space, FMS) 

oder in Form von beispielsweise Zeitreihen der Konzentration (merit in time, 

FMT). 

Auch hier tritt das gleiche Problem wie beim NMS auf und man kann es auf 

die gleiche Weise lösen, nämlich derart anstatt mit der Vereinigungsfläche nur 

mit der Beobachtungsfläche A o zu normieren oder mit der mittleren Fläche der 

Modelle ∑ 

− m 

M A 

m 

1 

, falls es sich um einen Vergleich mehrerer Modelle handelt. 

Anhang 1 3 

Teilbericht 4

1.4 Relative bias 

Der Bias repräsentiert die mittlere (oder auch systematische) Abweichung 

zwischen zwei Datenquellen: 

und ein relative bias könnte folgendermaßen definiert werden: 

Manchmal (zB Stohl et al., 1998) wird diese Größe als fractional bias bezeichnet. 

Dies führt erneut zum Problem welches oben diskutiert wurde und sollte auf 

dieselbe Art und Weise vermieden werden. 

1.5 Die Rolle des Korrelationskoeffizienten 

Korrelationskoeffizienten (üblicherweise der Pearson-Korrelationskoeffizient, 

manchmal eine Rankkorrelation) werden gerne verwendet, um die Modellperformance 

zu beschreiben, entweder in Form des Korrelationskoeffizienten r 

oder in Form des erklärten Varianzanteils r². 

Will man r² verwenden, so muss man sich davon überzeugen, dass r positive 

ist, andernfalls könnten falsche Schlussfolgerungen gezogen werden. 

Das Hauptproblem bei Verwendung des Korrelationskoeffizienten ist jenes, 

dass er eine notwendige aber keine ausreichende Bedingung für eine gute 

Übereinstimmung ist. Eine perfekte Korrelation wird nicht nur dann erreicht, 

wenn Modell und Beobachtung ideal zusammenpassen, sondern auch dann, 

wenn diese in einen linearen Zusammenhang zueinander stehen, beispielsweise, 

wenn das Modell konstant um 50% unterschätzt. Die Korrelation misst 

wie gut die Daten zu irgendeiner linearen Funktion passen, wogegen das Ziel 

eines Models die Erfüllung der ganz speziellen linearen Beziehung x o =x m sein 

muss. 

Außerdem hängt der Korrelationskoeffizient vom Datenbereich ab: Bei gleichem 

RMSE nimmt die Korrelation mit steigendem Datenbereich zu. Daher 

kann der Korrelationskoeffizient als zusätzliche Entscheidungshilfe herangezogen 

werden aber die Hauptentscheidung über die Modellperformance sollte 

auf anderen Größen basieren. 

1.6 Einfluss des BIAS auf den RMSE 

Der Bias repräsentiert die mittlere (oder auch systematische) Abweichung 

zwischen zwei Datenquellen, wogegen der RMSE die mittlere Differenz (im 

Sinne des RMS) zwischen den entsprechenden Datenpunkten beschreibt. Ein 

hoher Wert des Bias impliziert einen hohen Wert des RMSE, obwohl die Daten 

womöglich nur um einen gewissen Offset gegeneinander verschoben sind 

und ansonsten sehr gut übereinstimmen. Daher macht die Definition einer 

dritten Größe, nämlich des bias-corrected RMSE Sinn: 

4 Anhang 1 

Teilbericht 4

Nach Sachs (1992, p. 128) kann diese Größe auch folgendermaßen berechnet 

werden: 

Manchmal (zB, Crescenti, 1997) wird diese Größe als precision bezeichnet, 

aber da diese Bezeichnung nicht klar ist und auch sonst weitverbreitet sollte 

man sie hier vermeiden. 

Wir denken der relative Bias und der normierte bias-korrigierte RMSE: 

mit x∗ definiert nach (8) oder (9) sind sehr brauchbare Gütemaße für viele Anwendungen. 

Wie auch immer Daten mit einer angenäherten log-normal Verteilung 

sollten besser vor der Berechnung dieser Größe transformiert werden. 

1.7 Taylor Diagramm 

Taylor (2001) zeigte auf, dass es eine Beziehung gibt zwischen dem biascorrected 

RMSE, der Varianz und dem Korrelationskoeffizient zweier Datensets. 

In unserer Notation sieht dies folgendermaßen aus: 

Er empfiehlt ein Polardiagramm, wo die Radialkoordinate die Standardabweichung 

repräsentiert und die Winkelkoordinate derart definiert ist, dass r=cosϕ 

ist. Die Referenz (Beobachtung) wird dann bei ϕ=0 und Radius σ o geplottet 

und das Modell bei ϕ=r und Radius σ m . Die Distanz zwischen diesen beiden 

Punkten stellt dann den BC RMSE (in denselben Einheiten wie die Standardabweichung) 

dar. Mit anderen Worten, für eine gegebene Referenz können 

nur mehr zwei der verbleibenden Parameter (Standardabweichung Modell, 

BC RMSE, r) unabhängig von einander variieren. 

Weiters schlug er zwei Formeln vor, die diese Parameter zu einen einzigen 

skill score Sr vereinigen. Die Hauptbedingungen dazu sind die folgenden: 

Diese Bedingung ist für hohe Korrelationen durch den Kehrwert des BC 

RMSE erfüllt, aber für kleine Korrelationen muss die Korrelation selbst in der 

Skillscore-Formulierung berücksichtigt werden. 

Die einfachste Formel, welche dem BC RMSE ein relativ hohes Gewicht gibt 

ist die folgende: 

(hier ist angenommen, dass Sr=1 für r=1; Taylor hat vorgeschlagen, diesen 

Wert durch die „erzielbare Korrelation“ zu ersetzen.) Die Standardabweichung 

des Modells wird in diesem Fall mit jener der Beobachtung normiert. Man 

kann dies genauso im Diagramm machen, indem man die Radialachse in 

Einheiten von σ o skaliert. 

Anhang 1 5 

Teilbericht 4

Abbildung 1 zeigt ein Beispiel eines Taylor Diagramms mit Isolinien von Sr. 

Man sollte allerdings beachten, dass dabei der Bias in Taylor’s skill score 

nicht berücksichtigt wird. 

Abb.1: Taylor Diagramms mit Isolinien des skill scores Sr und Niederschlagswerten über 

Indien, die mit 28 Modellen simuliert wurden (aus Taylor, 2001, Fig. 10.) 

1.8 Vorschlag eines total skill score 

Wie wir gesehen haben kann die Idee des normierten bias korrigierten RMSE 

zu Taylor’s skill score erweitert werden, indem ein Korrelationsanteil, der speziell 

für große Werte des NBC RMSE wichtig wird, hinzugefügt wird. Wollen 

wir zusätzlich den (relativ) BIAS im skill score berücksichtigen, so muss zuerst 

eine Formulierung gefunden werden, die den relativ BIAS (RB) in einen skill 

sccore Sb mit 0 ≤ Sb ≤ 1transformiert, 

wobei 1 für RB=0 erreicht wird. Ein sinnvolles 

Ergebnis kann zB mit folgender Formel erzielt werden: 

Das Setzen des Wertes a=10 scheint eine vernünftige Abbildung solch eines 

skill scores zu sein, wie in Tabelle 1 zu sehen ist. 

Nun können beide skill scores zu einem Gesamt skill score S kombiniert werden: 

Tab.1: Einige Zahlenwerte des Bias skill scores definiert nach Gl.19 mit a=10 

6 Anhang 1 

Teilbericht 4 

.

2 Evaluierungsstrategie 

2.1 Einleitung 

Die Modellevaluierung soll im Rahmen von RECLIP zwei Zielen dienen: 

• Auswahl eines möglichst optimalen Setups für MM5 und gegebenenfalls 

auch Aladin (Gebiete, Gitter, Modellphysik) 

• Vergleichender Test der Leistungsfähigkeit der beiden Modelle im Hinblick 

auf Klimaanwendungen 

Für die Tests wird folgende Reihenfolge vorschlagen: 

1. Festlegung von Gebiet und horizontalem Gitter 

2. Untersuchung, ob Zängl-Version (Zängl, 2003) sinnvoll ist 

3. Tests mit Optionen zur Modellphysik (außer SVAT) 

4. (Langzeit-)Test des/der SVAT(s) 

2.2 Datenquellen 

Folgende Datenquellen stehen prinzipiell zum Vergleich mit den Ergebnissen 

der Modelle zur Verfügung: 

ERA-40 Felder: 

Am Europäischen Zentrum für mittelfristige Wettervorhersage (ECMWF) wurde 

mit Hilfe des operationellen Vorhersagemodells (in reduzierter Auflösung) 

ein 3D-Analysendatensatz erstellt (Kållberg, 2004). Datengrundlage dieses 

Modellaufs sind die Beobachtungen der letzten 45 Jahre, weshalb man quasi 

3D Beobachtungen zur Verfügung hat, also fast die wirklichen Felder jedes 

einzelnen Tages. Diese Daten sind mit einer horizontalen Auflösung von 1° 

auf 60 Modellflächen oder 23 Druckflächen verfügbar und werden im Rahmen 

dieses Projekts auch zum Antrieb der mesoskaligen Modelle verwendet. 

VERA-Analysen: 

VERA (Vienna Enhanced Resolution Analysis) wurde am Institut für Meteorologie 

und Geophysik der Universität Wien entwickelt. Dieses Interpolationsverfahren 

dient der hochauflösenden Analyse von zweidimensionalen Feldern 

wie etwa dem Druck oder der Temperatur (Steinacker et al. 2000). 

Niederschlagsanalyen: 

24-std. Niederschlagssummen aufbereitet von Christoph Frei stehen auf einem 

regelmäßigen Gitter im Alpenraum für die Perioden 1971-1995 sowie 

7.9.-15.11.1999 (MAP-SOP) zur Verfügung. Das Gitter ist ein Lat-Lon-Gitter 

mit ∆x=0.3° und ∆y=0.22°, also etwa 25 km Maschenweite. Zusätzlich zu diesen 

sehr genauen Daten sollen noch grober aufgelöste Daten für andere Perioden 

vom Weltniederschlagszentrum in Offenbach für spätere Tests zur Verfügung 

stehen. 

Anhang 1 7 

Teilbericht 4

Radiosonden: 

Hier steht ein homogenisierter, qualitätsgeprüfter Radiosonden-Datensatz von 

Christian Häberli (Comprehensive Alpine Radiosonde Data Set – CALRAS 1 ) 

zur Verfügung. Daten (Teil A [Hauptdruckflächen] und B [markante Punkte], 

teilweise auch in noch höherer Auflösung) von ca. 25 Stationen im und um 

den Alpenraum sind für den Zeitraum 1980-2000 am IGAM vorhanden. 

Stationsdaten: 

Im Rahmen des Mesoscale Alpine Program (MAP) wurde im Herbst 1999 

(7.9. - 15.11) ein dichtes Stationsmessnetz im Alpenraum betrieben, welches 

eine sehr gute Datengrundlage für die Validierung der Modellergebnisse mit 

Bodenstationen bildet. In diesem Zeitraum und auch schon die Monate davor 

liegen sehr viele qualitätsgeprüfte Beobachtungen vor. Viele Stationen wurden 

zusätzlich zu den permanent verfügbaren Synop- und Klimastationen, die 

natürlich auch zur Evaluierung herangezogen werden können, betrieben. 

2.3 Arten von Läufen und Grundsätzliches zu ihrer Evaluierung 

Da sie jeweils unterschiedliche Methoden der Evaluierung erfordern, ist es 

wichtig, die verschiedenen Arten von Modell-Läufen zu beachten: 

• Episodensimulationen mit Randbedingungen aus ERA-40 zur Optimierung 

vor allem von Gebiet und Gitter, evt. auch manchen Modellphysik- 

Optionen 

• Episodensimulationen mit Randbedingungen und Gitterpunkt-Nudging 

aus ERA-40 zur Optimierung von Modellphysik und Gitter 

• 1-Jahr-Simulation mit Randbedingungen aus ERA-40 zur Optimierung 

des SVAT-Schemas und für den vergleichenden Test der beiden Modelle, 

sowie zur generellen Abschätzung der Leistungsfähigkeit der 

Modelle 

Im ersten Projektjahr wurden von allen Projektpartnern die jeweils nötigen 

Tools entwickelt, und für die später folgende Auswertung und zum Testen der 

entwickelten Module wurde mit dem ersten Test begonnen; alle weiteren 

Tests werden sukzessive im zweiten Projektjahr durchgeführt. Trotzdem soll 

hier gleich die gesamte Evaluierungsstrategie erläutert werden, damit ein klares 

Gesamtbild zur Evaluierung entsteht. 

2.3.1 S1 – freie Episodensimulationen 

Die Größe des Modellgebietes soll so gewählt werden, dass der Einfluss der 

Ränder so stark ist, dass das im Inneren vom Modell generierte Wetter noch 

determiniert ist, jedoch nicht zu stark, so dass die höhere Auflösung im Vergleich 

zu ERA-40 (bzw. GCM) die Freiheit hat, abweichende – hoffentlich 

bessere – Strukturen zu produzieren. Die Prüfung, ob das generierte Wetter 

noch realistisch ist, kann anhand von ERA-40 Daten erfolgen. Dazu muss ein 

1 

Siehe http://homepage.univie.ac.at/christian.haeberli/CALRAS.htm, dort auch eine technische Beschreibung 

8 Anhang 1 

Teilbericht 4

Upscaling auf die Auflösung von ERA-40 erfolgen. Die Prüfung sollte im Gesamtgebiet 

mit Ausnahme der randnahen Zonen erfolgen. Die Fähigkeit, bessere 

Strukturen zu erzeugen, soll primär im Alpenraum und Umgebung geprüft 

werden. Wenn wir die Gebiete der innersten Nester der diversen Testläufe 

(verschiedene MM5- und ggf. Aladin-Varianten) i mit Ai bezeichnen, sollte 

dieses Gebiet i A I _ (größtes noch allen Läufen gemeinsames Gebiet) sein. 

Prüfung zusätzlich zu D1 (siehe unten) anhand von D3, D5 und möglichst 

auch D2. 

Da die Freisetzung latenter Wärme ein wesentlicher Faktor der Zyklogenese 

ist (Pichler and Steinacker, 1975), bieten sich S1-Simulationen auch für die 

Beurteilung von Konvektions- und Feuchteschemata an. 

2.3.2 S2 – Episodensimulationen mit Nudging 

Diese Simulationen sollen der Optimierung von Modellphysik-Optionen dienen. 

Wir wollen, dass die Phase und Amplitude der synoptischen Systeme 

keine groben Fehler aufweist, so dass die Vergleiche mit den Beobachtungen 

Auskunft über die Qualität der kleinräumigen, orographisch und durch die Unterlage 

bestimmten Phänomene geben. Die Datensätze D2-D5 sollen für die 

Prüfung herangezogen werden. Je nach Fragestellung können unterschiedliche 

Episoden verwendet werden. 

2.3.3 S3 – 1-Jahr-Simulation ohne Nudging 

Das Jahr 1999 soll als Ganzes simuliert werden, um einen Eindruck von der 

Qualität des Ergebnisses zu erhalten, das dann auch für die eigentlichen Klimarechnungen 

erwartet werden kann. 

Da sich die Landoberflächen-Schemata (SVAT) erst auf dieser Zeitskala deutlich 

auswirken, soll diese Simulation, wenn möglich bzw. noch erforderlich 

auch der Auswahl zwischen den im MM5 möglichen SVAT-Schemata dienen. 

Alle Datensätze (D1-D5) sollen für die Evaluierung verwendet werden. 

2.4 Statistische Standardparameter 

Folgende statistischen Standardparameter sind zu berechnen, wobei die jeweiligen 

Parameter und Grundgesamtheiten bei den entsprechenden Datenquellen 

bzw. Tests spezifiziert werden: 

o 

P-1. x (Gl. 3) 

P-2. RMSE (Gl. 4) 

P-3. Bias (Gl. 12) 

P-4. Bias-korrigierter RMSE (Gl. 14) 

P-5. Inputdaten für das Taylor-Diagramm: Standardabweichungen Modell 

und Beobachtung sowie Korrelationskoeffizient 

P-6. Fisher’s skill score (Gl. 18) 

−1 

P-7. Bias skill score (Gl. 19 mit RB = Bσ 

x , siehe Gl. 9, und a=10) 

P-8. Total skill score (Gl. 20 mit α=0.5) 

Anhang 1 9 

Teilbericht 4

2.5 Evaluierungsmethoden für die verschiedenen Datenquellen 

Die detaillierte Ausarbeitung der Evaluierung mit bestimmten Daten erfolgte 

vorerst für ERA-40 Daten, da diese für die ersten Tests vorrangig verwendet 

werden und für Radiosondendaten, damit sich die dafür zuständigen Kollegen 

ein Bild der von uns vorgeschlagene Evaluierungsmethodik machen können. 

2.5.1 D1 – ERA-40 

Die zu evaluierende meteorologische Parameter sind: 

• Geopot. Höhe der 850 hPa Fläche (Gebiete mit Topographie, die höher 

reicht, sind auszunehmen, wobei dieses Gebiet für alle Tests und 

Modelle einheitlich zu definieren ist) 

• Temperatur auf der 850 hPa Fläche (Gebiet wie oben) 

• absolute Feuchte (g Wasserdampf pro kg feuchter Luft) auf der 850 hPa 

Fläche (Gebiet wie oben). (Von der Kombination zu Θe wird abgesehen, 

um die Feuchte auch getrennt untersuchen zu können, die u.U. 

von manchen Parametrisierungen extra beeinflusst ist). 

• Geopot. Höhe der 500 hPa Fläche 

Dies setzt die Extraktion der entsprechenden Druckflächen-Daten (oder ihre 

Berechnung durch Interpolation) und die Definition der wegen der Topographie 

auszulassenden Gebiete voraus. 

Die Evaluierung soll sich auf die Felder zu den synoptischen Hauptterminen 

(00,06,12,18 UTC) stützen und 48 h nach Modellstart beginnen. 

Mit Hilfe von Postprozessoren werden die Modellergebnisse auf Druckflächen 

gebracht und anschließend mittels Cressman-Methode auf das ERA-40 Gitter 

interpoliert. 

Zu berechnende Kenngrößen sind die Standardparameter P-1 bis P-8 

(a) für jeden Evaluierungs-Zeitschritt und jeden meteorologischen Parameter 

(b) für die gesamte Evaluierungsperiode und jeden meteorologischen Parameter 

(c) der Gesamt skill score gemittelt über alle meteorologischen Parameter 

für die gesamte Evaluierungsperiode. 

Wetterkarten der gewählten Parameter, die für die subjektive Interpretation 

und Bewertung der Ergebnisse hilfreich erscheinen, sollten von den Modellbetreibern 

miterzeugt werden. 

2.5.2 D4 – Radiosonden 

Radiosonden sind die einzigen uns zur Verfügung stehenden Daten, die kleinräumige 

Phänomene in der freien Atmosphäre bzw. im vertikalen Profil beschreiben. 

Sie eignen sich daher vor allem für die Anwendung im Alpenraum 

und Umgebung und sollten nur mit dem feinen Nest verglichen werden. Sie 

sollen vor allem zur Prüfung der kleinräumigen Strömungs-Strukturen und der 

10 Anhang 1 

Teilbericht 4

Grenzschicht-Parametrisierung eingesetzt werden. Es wird daher vorgeschlagen, 

Daten bis 3500 m über Grund zu verwenden. 

Die Datenaufbereitung erfolgt durch lineare Interpolation von Temperatur, relativer 

Feuchte, u- und v-Komponente sowie Betrag des Windes auf den vorgegebenen 

Höhen über Grund, sowohl im Modell wie auch in den Beobachtungen. 

Vorschlag für die Höhen [in m agl]: 

50 - 100 - 150 - 200 - 300 - 400 - 500 - 700 - 900 - 1200 - 1500 - 1800 - 2200 - 2600 - 

3000 – 3500 

Die Berechnung der statistischen Parameter erfolgt wie oben für 

(a) jede Station, jede Höhe und jeden Parameter über jeweils eine Episode, 

(b) dasselbe, jedoch getrennt für 00 Z und 12 Z Aufstiege (Zwischenaufstiege 

sind hier nicht berücksichtigt), 

(c) die Ergebnisse von (a) und (b) gemittelt über alle Stationen, 

(d) den skill score gemittelt über alle Stationen und Parameter für jedes 

Niveau, wobei der skill score folgendermaßen gewichtet wird: 

2 1 2 

ST + SU 

+ ( 0. 

3SU 

+ 0. 

3Sv 

+ 0. 

4S 

ff ) , und 

5 5 5 

(e) die skill scores nach (d) gemittelt über alle Niveaus. 

2.6 Domain-Setup 

Um sicher zu gehen, dass die für Europa meteorologisch wichtigen Prozesse 

gut erfasst werden schien es uns notwenig, das mit MM5 modellierte Gebiet in 

Richtung Atlantik auszudehnen. Wir wählten ein großes Gebiet G2, in dem 

Island noch mit simuliert wird, und ein kleineres Gebiet G1, das im Südwesten 

bis 10°W reicht (siehe Abbildung 2). 

Da im Osten die Erstreckung bis zum Ural hin sicherlich für das Wetter in Alpenraum 

ausreichend ist, wurde die Domain so gelegt, dass ihr Zentrum nicht 

in Österreich liegt, sondern bei 52.5° / 11.3° für die große Domain und 

49.5°/11.3° für die kleine Domain. Das große Gebiet entspricht etwa jenem, 

welches von den meisten im EU-Project PRUDENCE beteiligten Modellen 

abgedeckt wird. Durch diese Verschiebung des Domainzentrums nach Nordwesten 

konnte das Gesamtgebiet verkleinert werden, weshalb nur mehr ein 

Nest notwenig wurde. Dies ermöglichte es, den Rechenaufwand erträglich zu 

halten. Ob die Auflösung von 30 km im großen Gebiet bzw. 10 km im Nest 

große Vorteile gegenüber der gröberen Auflösung von 45 km / 15 km erbringt, 

muss bei der Auswertung der Tests festgestellt werden. Der Faktor drei zwischen 

den Neststufen ist vom Programm vorgegeben. Die horizontale Modellauflösung 

bestimmt den verwendbaren Zeitschritt im Modell, da dieser in 

der Regel dreimal länger sein muss, als die horizontale Gitterauflösung, um 

das CFL-Kriterium zu erfüllen. 

Die Frage der vertikalen Auflösung muss ebenfalls noch behandelt werden. 

Ursprünglich war geplant, diese im Rahmen der Grenzschichtparametrisierung 

zu behandeln. Jedoch könnte es sein, dass die Auflösung in der freien Atmo- 

Anhang 1 11 

Teilbericht 4

sphäre auch ein relevanter Parameter ist, und dann wäre sie in Zusammenhang 

mit dem Domainsetup zu untersuchen. 

2.6.1 Domaingrößen 

Im Folgenden sollen nun die 4 verschiedenen Domainsetups ein wenig erläutert 

werden. 

In der Abbildung 2 sind die verschiedenen Ausschnitte und Auflösungen zu 

erkennen. Es sind hier auch zusätzlich die Aladin-Domain und eine zusätzliche 

MM5-Domain, welche ähnlich jener des Aladin ist, um die direkten Vergleiche 

ehrlicher zu machen, abgebildet. Dargestellt ist die Temperatur in 850 

hPa für einen Tag aus der 2. Episode, da nur für diese die MM5-Aladindomain 

mitgerechnet wurde. In allen MM5-Domains liegt noch ein Nest, welches die 

jeweilige Feinauflösung (15 km bzw. 10 km) über dem Alpenraum enthält. 

Dies ist der Übersichtlichkeit wegen hier nicht eingezeichnet. 

Abb. 2: Domain-Setups für MM5 und Aladin. A005 bezeichnet die große MM5 Domain mit 

45km Auflösung. A006 bezeichnet die kleine MM5 Domain mit 45km Auflösung. In der 2.Zeile 

sind die beiden Domains mit jeweils 30 km Auflösung dargestellt (A007:groß, A008: klein). In 

der untersten Zeile ist links die Aladin-Domain dargestellt und rechts die MM5-Doamin, welche 

ähnlich jener des Aladin gestaltet ist. 

12 Anhang 1 

Teilbericht 4

2.6.2 Validierungsstrategie 

Test für äußere Domain D01 (mit grober 45 k) Auflösung): 

G1 kleineres Gebiet 

G2 großes Gebiet 

Test für Nestdomain D02 (mit grober (15 km) Auflösung): 

N1 kleiner 

N2 größer 

Test zur Auflösung: 

45 km – 15 km 

30 km – 10 km 

Dh. zur Festlegung der Domain und Auflösung sind 

mindestens 6 Rechnungen notwendig. 

3 Parameter-Setup MM5, Aladin 

Das PSU/NCAR Mesoscale Model (bekannt als MM5) wurde an der Penn 

State University und am NCAR als gemeinsames Modell entwickelt (Grell et 

al. 1994). Es ist ein kleinräumiges, nicht hydrostatisches geländefolgendes 

Modell in sigma-Koordinaten und wurde zur Simulierung mesoskaliger atmosphärischer 

Prozesse entwickelt. 

Das Modell wird üblicherweise mit meteorologischen Vorhersagedaten (zB 

ECMWF) betrieben. Mit Hilfe eines Nesting-Verfahrens wird eine horizontale 

Auflösung im km-Bereich erreicht. 

MM5 beinhaltet zahlreiche Parametrisierungen physikalischer Prozessen, die 

in unterschiedlichen Kombinationen miteinander verwendet werden können 

(vgl. Abb.3). So stehen zB 8 Varianten zur Cumulus-Parametrisierung, 7 unterschiedliche 

Grenzschicht-Schemata, 8 explizite Niederschlags-Parametrisierungen, 

4 Möglichkeiten zur Strahlungs-Parametrisierung und 3 Boden- 

Schemata zur Verfügung. All diese Parametrisierungen sind stark miteinander 

gekoppelt und manche davon ohne bestimmte andere gar nicht anwendbar. 

Die Vielzahl an verfügbaren Parametrisierungen ermöglicht es für die verschiedensten 

Anwendungen ein geeignetes Modell zur Verfügung zu haben. 

Die Aufgabe des Modellierers besteht nun darin das für die jeweilige Fragestellung 

optimale Setup zu finden. Für die übliche Anwendung des Modells, 

nämlich kurzfristige hoch aufgelöste Wettervorhersagen, findet man jede 

Menge Empfehlungen und Literatur über die geeignete Wahl der Parameter. 

Der in diesem Projekt verfolgte Ansatz, nämlich ein dynamisches Klimadownscaling 

im Alpenraum durchzuführen, ist hingegen innovativ, weshalb 

das bestmögliche Parameter-Setup erst gefunden werden muss, und dafür 

diverse Tests durchzuführen sind. 

Anhang 1 13 

Teilbericht 4 

Gx 

GxNx 

GxNxA

Auch für das zweite zum Einsatz kommende mesoskalige Modell, ALADIN, 

muss das passende Setup gefunden werden. Dies wird jedoch von den Modellbetreibern 

festgelegt und diese stellen zu jedem von uns für das MM5 vorgeschlagenen 

Test adäquate Aladinergebnisse zur gemeinsamen Validierung 

zur Verfügung. 

Abb. 3: MM5-Parametrsierungswechselwirkungen 

4 Termine 

Zur Durchführung der Parametertests ist es erforderlich, geeignete Termine 

und Episoden, die charakteristische Wettersituationen beinhalten, zu eruieren. 

Aufgrund der guten Datenlage sollten die Perioden, soweit möglich im Zeitraum 

der MAP Special Observing Periode (SOP) liegen. Da nicht alle für die 

Parametertests notwendigen Wetterlagen in diesem Zeitraum auftraten und 

um auch andere Jahreszeiten testen zu können wurde ein Schwerpunkt auf 

das Jahr 1999 gelegt, aber auch andere Jahre berücksichtigt. 

In Tabelle 2 sind die einzelnen Episoden, sowie ein charakteristisches Fallkürzel 

und das aufgetretene Wetter vermerkt. Die Perioden wurden zum einen 

mit Hilfe der MAP-Datenbank zum anderen aufgrund der täglichen Klima- und 

Wetterinformation der ZAMG, sowie der Analyse von Wetterkarten ausgewählt. 

14 Anhang 1 

Teilbericht 4

Tab.2: Wetterlagen und Termine für Tests der physikalischen Parametrisierungen und Domains. 

Die Spin-up Zeit ist noch nicht berücksichtigt (Vorschlag 2-3Tage) Jeder Fall ist durch 

ein Kürzel eindeutig definiert. Die Abkürzungen sind wie folgt zu lesen: Mp = MAP-Episode, 

Ep = Episode, ST = Strahlung, SF = Südföhn, NF = Nordföhn, BL = Bodenfeuchte/ Grenzschicht, 

KO = Konvektion, RR = Niederschlag. 

Fallkürzel Beginn Ende Dauer(d) Wetter 

MpSF1 18.09.99 21.09.99 3 Südföhn/Stauniederschlag 

MpSF2 21.10.99 25.10.99 5 Südföhn 

MpSF3 29.10.99 30.10.99 2 Südföhn 

MpSF4 04.11.99 05.11.99 2 Südföhn 

MpNF1 07.11.99 07.11.99 1 Nordföhn 

MpBL1 15.10.99 19.10.99 5 Boden-Hochnebel 

MpST1 11.09.99 11.09.99 1 (Hochdrucklage) (Wien wolkenlos) 

MpST2 07.11.99 07.11.99 1 (Frontdurchgang, durchwegs bedeckt) 

EpRK1 07.08.99 07.08.99 1 Gewitteraktivität 

EpRK2 13.07.99 13.07.99 1 Gewitteraktivität 

EpRR1 21.07.92 22.07.92 2 HERA-Fall konvektiver Niederschlag 

EpRR2 04.07.94 06.07.94 3 HERA-Fall konvektiver Niederschlag 

EpRR3 22.07.95 22.07.95 1 HERA-Fall konvektiver Niederschlag 

EpSF1 14.04.99 15.04.99 2 Föhn 

EpSF2 28.04.99 29.04.99 2 Föhn 

EpSF3 17.05.99 19.05.99 3 Föhn 

EpSF4 05.06.99 06.06.99 2 Föhn 

EpST1 18.01.98 18.01.98 1 Hochdruck, Winterstrahlungstest 

EpST2 01.02.98 01.02.98 1 H.W: BEW: 0,6,1 

EpST3 05.02.98 05.02.98 1 H.W: BEW: 0,0,0 

EpST4 30.03.98 31.03.98 2 H.W: BEW: 1,0,0- 1,3,4 

EpST5 08.01.98 13.01.98 6 Nebel od. Hochnebel 

EpST6 09.02.98 15.02.98 7 wolkenlos, Hochnebel 

EpST7 16.01.99 24.01.99 9 wolkenlos, Hochnebel 

EpKO3 07.05.98 13.05.98 7 

Hochdruck-Quellwolken- 

Schauer/Wärmegewitter 

EpKO4 23.05.99 01.06.99 10 

Hochdruck-Quellwolken- 

Schauer/Wärmegewitter 

EpKO5 18.07.99 25.07.99 8 

Hochdruck, sommerlich, subtropisch, labil 

bzw. feuchtlabil 

EpRR4 03.12.88 03.12.88 1 Startclim-zykl. Nordwestwetterlage 



EpRK7 10.07.90 10.07.90 1 Startclim-Kaltlufttropfen 

EpRK8 20.07.81 20.07.81 1 Startclim-Kaltlufttropfen 

EpRR9 08.10.93 08.10.93 1 Startclim-Südstau 

EpRR10 04.10.92 05.10.92 2 Startclim-Südstau 

Anhang 1 15 

Teilbericht 4

5 Erste Vergleichsrechnungen MM5 – Aladin 

Um die von allen erarbeiteten Tools auch einem praktischen Test zu unterziehen, 

wurde ein MM5-Setup festgelegt und damit für zwei meteorologisch 

sehr interessante Episoden aus der MAP-SOP Simulationen durchgeführt. 

5.1 Festlegung der MM5- Parametrisierungen 

Für die MM5 Modellierung wurden folgende Parametrisierungsvorgaben vorgeschlagen: 

- Radiation: RRTM longwave scheme IFRAD=4 


- Cumulus: Kain Fritsch 2 + ishallow ICUPA=8, ISHALLOW=1 (falls nötig) 

- Moisture: Reisner1 (Mixed-Phase) IMPHYS=5 

Die Wahl dieser Parametersetups richtete sich zum einen nach der möglichen 

Kombinationsfähigkeit dieser, zum anderen nach Empfehlungen von G. Zängl 

(Zängl, 2004), der bereits zahlreiche hoch aufgelöste MM5 – Simulationen im 

Alpenraum durchführte und eine für komplexes Terrain verbesserte Modellversion 

(Zängl, 2003) entwickelt hat. Die neuen Module dieser MM5 Version 

sollen in Kürze in die nächste offizielle MM5-Version übernommen werden, 

wir haben die neue Version bereits bei uns am Institut installiert und die Lauffähigkeit 

getestet. Ob diese Version deutliche Verbesserungen für unsere 

Klimaanwendung erbringt soll in einem der in diesem Jahr folgenden Tests 

überprüft werden, denn die Vorteile der neuen Methode liegen vor allem bei 

Auflösungen im oder unter dem km-Bereich. 

5.2 Festlegung der für diesen Test sinnvollen Termine 

Um die Effekte der Domaingröße und Wahl aufzuzeigen, sollten Episoden 

gewählt werden, die viel Dynamik beinhalten. Da mit dem Aladin bereits die 

gesamte MAP-SOP simuliert war, sollten die Episoden aus dieser Zeitperiode 

entnommen werden. 

Als meteorologisch interessante Episoden wurden die folgenden beiden ausgewählt, 

wobei jeweils vorne weg noch zwei Tage mehr gerechnet wurden, 

als so genannter Spin-up, der bei der Evaluierung nicht berücksichtigt wird: 

Episode 1: 18.9.1999 – 21.9.1999 

Episode 2: 5.11.1999 – 8.11.1999 

Die Spin-up Zeit des mesoskaligen Modells ist jene Zeitperiode, die erforderlich 

ist, damit sich kleinräumige Strukturen aufgrund der spezifischen Parametrisierungen 

sowie der besser aufgelösten unteren Randbedingung entwickeln 

können. Erst nach diesem Zeitraum kann das Modell den Zustand der 

Atmosphäre besser beschreiben als er bereits von den Antriebsdaten vorgegeben 

ist. 

16 Anhang 1 

Teilbericht 4

5.3 Auswertung der Ergebnisse 

Im Folgenden sollen nun erste Auswertungen der bisher durchgeführten 

Rechnungen präsentiert werden. Zum Einen sollen die Vor- und Nachteile der 

verschiedenen Scores erläutert werden, zum Anderen aber auch ein erster 

Vergleich der Modelle. Auch auf die Wahl des Domainsetups soll etwas detaillierter 

eingegangen werden, da ja für unterschiedlich große Gebiete und mit 

unterschiedlichen Auflösungen simuliert wurde. Für die zweite Episode erfolge 

ein Modellvergleich zwischen den potentiellen MM5-Betreibern (systems research, 

BOKU-Met, IGAM), außerdem wurde für diese Episode ein zusätzliches 

MM5-Domain festgelegt, welches jenem des ALADIN-Modells ähnlich 

ist. 

Die Bezeichnung der diversen Domainsetups erfolgte so: Alle Berechnungen 

die von ARC-SYS durchgeführt wurden haben Namen, die mit A beginnen, 

die BOKU-Met-Berechnungen beginnen mit B und die Aladin-Ergebnisse mit 

C. Mit dem Buchstaben D wurden die Ergebnisse des IGAM bezeichnet. Da 

für die MM5-Berechnungen ursprünglich 4 verschiedene Domainsettings vorgesehen 

waren heißen die Fälle der 1.Episode A001 bis A004 und jene der 

2.Episode A005-A008, Aladin hat nur 1 Setup, daher C001 für die 1.Episode 

und C002 für die 2.Episode. Die MM5-Aladindomain wurde nachträglich mit 

A000 bezeichnet und bezieht sich auf die 2.Episode. 

Die Auswertung mit den statistischen Parametern erfolgt auf einem Gebiet, 

welches von allen Modellläufen abgedeckt wird, daher stellt das Aladinmodell 

den limitierenden Faktor dar. Die Ergebnisse des Aladinmodells würden von 

der Auflösung jenem der MM5-Nester entsprechen. Da diese aber nur den 

Alpenraum, also das Zielgebiet der Klimamodellierung, abdecken und bei der 

Auswertung ein Vergleich mit den 1° aufgelösten ERA-40 Daten erfolgen soll, 

wird vorerst die grobe MM5 Auflösung mit der feinen Aladin Auflösung verglichen, 

weshalb bei diesem ersten Vergleich, der in erster Linie die Methodik 

der Auswertung aufzeigen soll, immer die Aladinergebnisse besser sind. 

Um den Vergleich mit den grob aufgelösten ERA-40 Daten durchführen zu 

können, werden die Modellergebnisse mittels Cressman-Interpolation auf das 

1°-Gitter gebracht. Bei diesem Verfahren werden in einem vordefiniertem Umkreis 

(in unserem Fall 90 km) alle Modellgitterpunkte, gewichtet mit der Entfernung 

zum Zielgitterpunkt, gemittelt und liefern den neuen groben Gitterpunktswert. 

Die Wahl des Cressman-Radius orientierte sich an der gesuchten Zielauflösung. 

Bei 90 km Radius stehen immer genügend Gitterpunkte zur Verfügung, 

um die Interpolation sinnvoll durchführen zu können. Da bei der Auswertung 

nur ein Gebiet betrachtet wurde, welches von allen Modelläufen abgedeckt 

wird, gehen die Randwerte der Modelle nicht in die Auswertung mit ein. In 

Abbildung 4 ist dieses Gebiet als schwarzes Rechteck dargestellt. Es reicht 

von 4°E – 30°E und von 36°N – 54°N. 

Anhang 1 17 

Teilbericht 4

Abb. 4: Definition des Evaluierungsbereichs. Alle statistischen Vergleichsparameter wurden 

nur in dem mit dem schwarzen Rechteck begrenzten Gebiet berechnet, da dieses von allen 

Modellen abgedeckt wird. Farblich hinterlegt ist hier ein Temperaturdifferenzfeld der großen 

MM5-Domain. 

Wie bereits bei der Evaluierungsstrategie angesprochen, sollen vorerst folgende 

Parameter ausgewertete werden: 

• Temperatur in 850 hPa 

• Geopotential in 850 hPa 

• Geopotential in 500 hPa 

• Spezifische Feuchte in 700 hPa 

• Niederschlag 

Für die ersten vier Parameter werden statistische Parameter zwischen dem 

jeweiligen Modellergebnis und den ERA-40 Daten berechnet, für den Niederschlag 

wird in einem ersten Schritt der prozentuelle Anteil der Modellfläche 

betrachtet, in der über 0.5 mm Niederschlag in 6h gefallen sind und dieser nur 

zwischen den einzelnen Modelläufen und mit keiner Beobachtung verglichen. 

Anhand der Temperatur in 850 hPa sollen nun die verschiedenen Tools diskutiert 

werden, für die übrigen Parameter finden sich ähnliche Abbildungen und 

Tabellen im Anhang. 

5.3.1 Detailierte Ergebnisdiskussion für die Temperatur in 850 hPa 

Betrachtet man zunächst nur die 1.Episode und davon als ersten Schritt die 

für die Gesamtperiode berechneten statistischen Werte so zeigt sich (siehe 

Tabelle 3), dass alle Modelläufe recht ähnliche Mittelwerte liefern und diese 

auch sehr gut zum Mittelwert der Temperatur des ERA-40-Feldes passen. 

Beim Bias erkennt man, dass die Temperatur in 850 hPa vom MM5 leicht unterschätzt 

wird, während das Aladin einen leicht positiven Bias aufweist, doch 

auch hier bewegen sich die Werte im 1/10 Grad-Bereich oder darunter, weshalb 

man mit dem Ergebnis durchaus zufrieden sein kann. Der Korrelationskoeffizient 

liegt auch in allen Läufen über 0.9 und auch die skill scores 

liegen fast beim Maximum von 1, weshalb man durchaus sagen kann, dass 

die Temperatur in 850 hPa betrachtet über die gesamte Episode von allen 

Modellen gut simuliert wurde. 

18 Anhang 1 

Teilbericht 4

Tab. 3: Statistikscores der 1.Episode für alle verfügbaren Modelläufe. A001-A004 entsprechen 

den Vergleichen der 4 MM5-Domains mit den ERA-40-Daten, C001 dem Vergleich Aladin- 

ERA40. Bei den statistischen Parametern handelt es sich von oben nach unten um: Mittelwert-Modell, 

Mittelwert-ERA-40, root-mean-square error (RMSE), Standardabweichung- 

Modell, Standardabweichung-ERA-40, Korrelationskoeffizient (R), bias corrected RMSE 

(BCRMSE), relative bias (relBIAS), Bias-Score, Fisher-Score, Total-Score, prozentuelle Modellfläche 

im Auswertegebiet in der über 0,5mm Niederschlag gefallen sind (RR>0.5) 

A001 A002 A003 A004 C001 

MOD-MEAN 284.92 284.81 284.90 284.81 285.09 

ERA40-MEAN 285.00 285.00 285.00 285.00 285.00 

RMSE 1.30 1.07 1.42 1.06 1.01 

BIAS -0.08 -0.19 -0.10 -0.20 0.09 

MOD-STD 3.30 3.33 3.24 3.29 3.26 

ERA40-STD 3.40 3.40 3.40 3.40 3.40 

R 0.93 0.95 0.91 0.95 0.96 

BCRMSE 1.30 1.06 1.41 1.05 1.00 

REL.BIAS -0.03 -0.06 -0.03 -0.06 0.03 

B-SCORE 0.99 0.97 0.99 0.97 0.99 

F-SCORE 0.96 0.98 0.95 0.98 0.98 

T-SCORE 0.98 0.97 0.97 0.97 0.99 

RR> 0.5[%] 19.81 17.15 21.09 18.08 19.97 

Will man sich nun auch ein wenig die Unterschiede der verschiedenen Auflösungen 

ansehen, so empfiehlt es sich, die Werte jedes einzelnen Prognosezeitschritts 

heranzuziehen, da sich manche statistischen Parameter über die 

gesamte Episode wieder ausgleichen können. In Abbildung 5 ist der Fisher 

skill score für jeden Prognosezeitschritt dargestellt. Zeitschritt 1 kennzeichnet 

die ersten 6 Stunden des dritten modellierten Tages, da 2 Tage Spin-up vorne 

weg nicht ausgewertet werden. 

Bei diesem Score sieht man bereits recht schön den Effekt der Domaingröße, 

denn die beiden untersten (und somit schlechtesten) Kurven sind jene der 

größten Domain und die überwiegend oberste Kurve ist jene des Aladinmodells. 

Dennoch sollte man auch hier nicht außer Acht lassen, dass alle 

Werte zwischen 0,92 und 0,99 liegen, also wirklich sehr gut sind. Die Knicke 

in den Kurven deuten ein wenig an, dass es die Modelle bei dieser dynamischen 

Wetterlage nicht immer schaffen, die Feinstrukturen im Inneren sofort 

richtig zu reproduzieren. 

Anhang 1 19 

Teilbericht 4

Abb. 5: Fisher skill score berechnet zwischen den jeweiligen Era-40 Gitterpunkten und den 

dort hin interpolierten Modellwerten. Dargestellt ist der Wert für jeden Prognosezeitschritt, 

also alle 6 Stunden. 

Als einen weiteren Parameter für die zeitliche Entwicklung der Modelgüte wollen 

wir uns den Bias skill score (Abbildung 6) anschauen. Dieser gibt Auskunft 

darüber, ob ein Modell im Mittel zu kalt oder zu warm ist; er soll hauptsächlich 

dazu dienen, um rasch zu erkennen, ob sich ein Modell immer weiter von der 

Realität entfernt, es also langsam davon driftet. Dieser Aspekt wird bei einem 

später folgenden Klimalauf von Bedeutung sein, bei einer Berechnung über 

eine Woche sollte dieses Phänomen noch nicht auftreten. 

Abb. 6: Bias skill score berechnet zwischen den jeweiligen Era-40 Gitterpunkten und den 

dorthin interpolierten Modellwerten. 

20 Anhang 1 

Teilbericht 4

Betrachtet man die Kurven in Abbildung 6 so fällt auf, dass alle MM5 Läufe, 

egal welches Domainsetup, sehr ähnlich verlaufen, hingegen das Aladinmodell 

einen anderen Charakter aufzeigt. Wie wir schon bei der Berechnung 

der Statistikwerte über alle Zeitschritte gesehen haben, sind die Modellergebnisse 

durchaus sehr gut, weshalb diese Schwankungen hier von einem 

Zeitschritt zum nächsten wohl eher ein Schwingen um den Grundzustand darstellen, 

denn wenn der Wetterablauf, bei dieser sehr dynamischen Wetterlage 

ein wenig zu schnell oder zu langsam prognostiziert wird, wirkt sich dies im 

Bias des jeweiligen Zeitschritts aus. In Summe über den gesamten Prognosezeitraum 

gleichen sich solche marginalen Schwankungen wieder aus und 

können vor allem für den Klimalauf außer Acht gelassen werden. 

Um die Tatsache aufzuzeigen, dass es sich bei den Signalen im Bias-Score 

wirklich nur um ein Schwanken um die Nulllage handelt, sollte man sich zumindest 

einige meteorologische Felder genauer ansehen. Dazu ist es nützlich, 

Differenzfelder zu untersuchen. In Abbildung 7 sind diese für die Zeitschritte 

12 und 13 der Episode dargestellt, wobei im Vergleich dazu auch immer 

im Bild darunter das ERA-40 Feld abgebildet ist, um die Streuung in diesem 

Feld, die ja auch für die Scoreberechnung berücksichtig wird, ein wenig 

abschätzen zu können. Der Untersuchungssauschnitt, in dem die statistischen 

Parameter berechnet wurden, ist mit dem schwarzen Rechteck gekennzeichnet. 

Abb. 7: Vergleich zwischen Aladinprognose und ERA-40 Feld. Links für den 12.Zeitschritt der 

Episode, rechts für den 13. Im oberen Teil der Abbildung ist immer das Differenzfeld (ERA- 

Aladin) dargestellt, wobei grüne Farben unterschiede kleiner 1°C darstellen, blaue (kühle) 

Farben negative Werte und rote (warme) Farben positive Werte. Im unteren Teil der Abbildung 

ist das ERA-40 Feld des jeweiligen Zeitschritts dargestellt. 

Anhang 1 21 

Teilbericht 4

Man erkennt sehr gut, dass im linken oberen Bild, also dem Differenzbild von 

Zeitschritt 12, ausschließlich grüne und blaue Farbtöne vorkommen. Diese 

Farben signalisieren, dass die Temperatur im Aladinfeld größer als jene im 

ERA40-Feld ist und daher die Differenz nahe Null (grün) bis negativ (blau) ist. 

Im rechten oberen Teil der Abbildung überwiegen eher die wärmeren Farbtöne, 

was erkennen lässt, dass die Aladintemperatur etwas niedriger ist als jene 

im ERA-40 Feld. In den beiden ERA-40 Feldern erkennt man das Ende der 

Föhnperiode und die von Westen herannahende Kaltfront. Wie man an den 

Differenzbildern schön erkennt ist der Bias im Zeitschritt 12 negativ, im Zeitschritt 

13 positiv, das Modell driftet also nicht davon. 

Zur Darstellung eines Gesamtbildes der 1. Episode können wir den Total skill 

score (Abbildung 8) hernehmen, denn dieser vereinigt den Fisher skill score 

und den Bias skill score zu einem Wert, wobei der Fisher-Score doppeltes 

Gewicht bekommt. Zum einen spiegelt sich darin der sprunghafte Charakter 

des Bias-Scores, zum anderen aber auch der mit zunehmender Prognosedauer 

stattfindende Abfall der Prognosegüte, wie dies bereits in den beiden 

einzelnen Scores zu sehen war. Da die 4 verschiedenen MM5-Ergebnisse 

(A001-A004) zu jedem Zeitschritt einen sehr ähnlichen Bias-Score aufweisen, 

rücken die Kurven beim Total skill score im Vergleich zum Fisher skill score 

ziemlich nahe aneinander, weshalb es in solch einem Fall, wo man schon 

weiß, dass es im Bias kaum Unterschiede gibt, nahe liegender erscheint, 

gleich den F-Score zu betrachten, um die Unterschiede der einzelnen Modellläufe 

klarer zu erkennen. 

Abb. 8: Total skill score für die erste Episode. Dargestellt ist der Wert zu jedem Prognosezeitschritt 

also alle 6 Stunden. A001-004 bezeichnen die vier MM5-Ergebnisse, C001 das 

Aladinergebnis. 

22 Anhang 1 

Teilbericht 4

Zieht man nun den Total skill score dazu heran, um zu entscheiden welcher 

Modellauf verglichen mit den ERA-40 Daten die besten Ergebnisse liefert, so 

erkennt man in Abbildung 7, dass dies vom treibenden Wettercharakter abhängig 

ist und die verschiedenen Modelle (Aladin, MM5) bei manchen Zeitschritten 

besser und bei anderen schlechter sind. Der starke Abfall des 

T-Scores für das Aladinmodell am Ende der Rechenperiode ist zum Großteil 

auf den Bias-Score-Abfall zurückzuführen. Hier muss man dann ins Detail 

schauen und erkennt, dass in den MM5-Feldern innerhalb des Auswertegebiets 

stark positive und ziemlich gleich stark negative Werte auftreten, weshalb 

der Bias über das Feld gemittelt sehr klein wird. Beim Aladin treten keine 

derart starken Unterschiede zu den ERA-40 Daten auf, aber eben eher in eine 

Richtung und nicht zu gleich positiv und negativ, weshalb der Gesamtbias des 

Felds größer wird. Nochmals sei hier darauf hingewiesen, dass der Bias skill 

score hauptsächlich für die Klimaanwendung entwickelt wurde, um ein mögliches 

Davondriften des Modells erkennen zu können. 

Abschließend kann man feststellen, dass beide Modelle durchaus in der Lage 

sind, den Wettercharakter der ERA-40 Daten widerzuspiegeln. Welcher Modelllauf 

das bodennahe Wetter am besten simuliert, sollte in einem weiteren 

Schritt, zB mittels VERA-Analysen von Stationsdaten, ermittelt werden. Aus 

dem Vergleich mit den ERA-40 Daten erkennt man, dass es von Zeitschritt zu 

Zeitschritt gelegentlich zu schwachen Phasenverschiebungen zwischen den 

Modellen und den ERA-40 Daten kommt, was im Bias ersichtlich ist. Generell 

zeigt sich weiters, dass im Vergleich mit ERA-40 Daten die Größe der Rechendomain 

entscheidend ist. Wie im F-Score klar ersichtlich ist, werden die 

Resultate umso besser, je kleiner die Rechendomain ist, also je näher der 

Rand an der Auswertedomain liegt. 

Wechseln wir nun zur 2. Episode, wo auch die MM5-Vergleichsrechnungen 

des IGAM (D005) und der BOKU-Met (B005) mit ausgewertet wurden. Diese 

Wetterphase ist zum einen durch viel Dynamik, zum anderen durch Zyklogenese 

im Modellgebiet dominiert. Als ersten Schritt empfiehlt es sich wieder 

die Statistik der über die gesamte Evaluierungsperiode berechneten Werte 

anzuschauen. 

In Tabelle 4 sind diese Werte eingetragen. Bereits bei den Mittelwerten über 

das ganze Feld und alle Zeiten erkennt man, anders als bei der vorherigen 

Episode, Unterschiede zwischen den Modelläufen und den ERA-40 Daten um 

bis zu 0.6°C. Der Korrelationskoeffizient ist bei allen MM5-Läufen unter 0,9 

gesunken und liegt nur beim Aladin und dem Aladin-Vergleichslauf über diesem 

Wert. Diese beiden Läufe sind auch die Einzigen, welche einen sehr guten 

Bias skill score aufweisen. Bereits bei der Betrachtung dieser für die gesamte 

Episode gültigen Werte erkennt man, dass die Modelle den Wettercharakter 

nicht so gut treffen wie dies bei der zuvor betrachteten Wetterlage der 

Fall war. Woran dies liegt, ob also einzelne Zeitschritte das Ergebnis negativ 

beeinflussen, oder ob die Modellqualität in diesem Fall generell auf einem 

niedrigeren Niveau angesiedelt ist wird bei der Betrachtung einzelner Parameter 

für jeden Zeitschritt extra verdeutlicht. 

Anhang 1 23 

Teilbericht 4

Tab.4: Statistikscores der 2.Episode für alle verfügbaren Modelläufe. A005-A008 entsprechen 

den Vergleichen der 4 MM5-Domains mit den ERA-40-Daten, C002 dem Vergleich Aladin- 

ERA40. A000 bezeichnet die mit MM5 nachgerechnete Aladindomain und bei den Spalten 

B005 und D005 handelt es sich um die Vergleichsrechnungen der BOKU und des IGAM. Bei 

den statistischen Parametern handelt es sich um die gleichen wie in Tabelle 1. 

A005 B005 D005 A006 A007 A008 A000 C002 

MOD-MEAN 277.96 278.09 277.74 277.72 278.06 277.64 277.55 277.49 

ERA40-MEAN 277.49 277.49 277.49 277.49 277.49 277.49 277.49 277.49 

RMSE 2.00 1.96 2.11 1.58 2.06 1.54 1.52 1.20 

BIAS 0.47 0.60 0.25 0.23 0.58 0.16 0.07 0.00 

MOD-STD 2.64 2.68 2.49 2.98 2.61 3.08 3.27 3.21 

ERA40-STD 3.35 3.35 3.35 3.35 3.35 3.35 3.35 3.35 

R 0.82 0.83 0.78 0.89 0.81 0.89 0.90 0.94 

BCRMSE 1.94 1.87 2.09 1.56 1.98 1.53 1.52 1.20 

REL.BIAS 0.14 0.18 0.08 0.07 0.17 0.05 0.02 0.00 

B-SCORE 0.83 0.76 0.95 0.95 0.77 0.98 1.00 1.00 

F-SCORE 0.86 0.87 0.82 0.93 0.85 0.94 0.95 0.97 

T-SCORE 0.85 0.81 0.88 0.94 0.81 0.96 0.97 0.98 

RR> 0.5[%] 21.75 21.55 25.21 20.87 23.12 22.19 23.49 27.75 

Bei Betrachtung des F-Scores (Abbildung 9) spalten sich die Ergebnisse bereits 

nach wenigen Zeitschritten deutlich auf. Bis zum 4. Zeitschritt liefern alle 

Modellergebnisse ziemlich ähnlich gute Scorewerte, doch ab diesem Zeitschritt 

spalten sich zum einen die Läufe mit verschiedenen MM5-Domaingrößen 

auf und zum anderen beginnen die Modellierungen mit dem Aladin 

bzw. dem MM5-Aladindomain an Güte zu gewinnen. 

Ein weiterer auffälliger Punkt in Abbildung 9 sind die doch erheblichen Unterschiede 

zwischen den als ident angenommenen MM5-Modellierungen (A005, 

B005, D005). Der permanente Abfall des skill scores für den D005-Lauf lässt 

die Vermutung aufkommen, dass hier nicht alle einzustellenden Parameter 

des MM5 gleich verwendet wurden wie bei den Läufen A005 bzw. B005 die 

doch weit ähnlicher, wenn auch nicht exakt gleich verlaufen. Da die wählbaren 

physikalischen Parametrisierungen des MM5 bei allen drei Läufen gleich gewählt 

wurden, liegen die Unterschiede möglicherweise an der unterschiedlichen 

Aufbereitung der Inputdaten die das MM5 benötigt. Hier sind drei verschiedene 

Postprozessorschritte nötig, wobei es bei jedem einige Feineinstellungen 

gibt. Dass die Läufe mit dem großen Domains in diesem Fall so 

stark abfallen, liegt daran, dass es das Modell nicht schafft eine Tiefdruckentwicklung, 

die im Inneren des Modellgebiets stattfindet richtig zu simulieren 

(Abb. siehe Anhang). Bei den übrigen MM5-Läufen sind die Domaingrößen 

gerade so, dass der Randeinfluss noch ausreicht, um die Tiefdruckentwicklung 

zumindest in abgeschwächter Form von außen ins Modell zu bringen. 

24 Anhang 1 

Teilbericht 4

Da man von einem mesoskaligen Modell erwarten sollte, dass das im Inneren 

generierte Wetter besser mit der Realität übereinstimmt, als jenes des treibenden 

groben Modells, kann davon ausgegangen werden, dass die gewählten 

physikalischen Parametrisierungen für diesen Wetterablauf unzureichend 

sind. Aufgrund dieses Phänomens haben wir beschlossen mit dem MM5 auch 

noch das Aladindomain nachzurechnen, um den direkten Vergleich der beiden 

Modelle fairer zu machen. Bei der Beurteilung aller in diesem Bericht folgenden 

Ergebnisse des MM5-Aladinlaufs (A000) sollte man nicht vergessen, 

dass dieser mit einer Auflösung von 30 km gerechnet wurde und erst das darin 

liegende Nest (über den Alpen) mit 10 km Auflösung gerechnet ist, hingegen 

das Aladinmodell im gesamten Evaluierungsausschnitt eine Auflösung 

von 12.5 km aufweist. 

Abb. 9: Fisher skill score berechnet zwischen den jeweiligen Era-40 Gitterpunkten und den 


also alle 6 Stunden für die 2. Episode (5.11.1999 – 8.11.1999). 

Die Untersuchung des Bias skill scores (Abbildung 10) zeigt, dass die Mehrzahl 

der Modelläufe zum Zeitschritt 4 und 5 ein Problem damit haben, der 

starken Dynamik des ERA-40 Feldes zu folgen. In den Zeitschritten 6 bis 8 

dürfte sich der Wettercharakter wieder ein wenig beruhigen, da eigentlich alle 

Modelle einen über das Feld gemittelten sehr guten Bias vorweisen. Gegen 

Ende der Wetterlage, wo im Modellinneren eine Tiefdruckentwicklung stattfindet, 

driften die MM5 Läufe mit der großen Domain davon, da sie diese Entwicklung 

nicht erkennen und daher ein zu warmes Feld prognostizieren. Die 

MM5-Läufe, welche für die kleinere Domain gerechnet wurden (A006, A008), 

erfassen die Tiefdruckentwicklung zum Teil, weshalb der Score gegen Ende 

nicht weiter abfällt. Das Aladinmodell (C002) hingegen kann sich fast zur 

Gänze von diesem Einbruch im Score erholen und auch der MM5-Aladin-Vergleichslauf 

(A000) erfasst diese Wetterentwicklung einigermaßen zufrieden 

stellend. 

Anhang 1 25 

Teilbericht 4

Abb. 10: Bias skill score berechnet zwischen den jeweiligen Era-40 Gitterpunkten und den 


also alle 6 Stunden für die 2. Episode (5.11.1999 – 8.11.1999). 

Werfen wir abschließend noch einen Blick auf den Total skill score (Abb. 11), 

so erkennen wir den Abfall der MM5-Läufe für die große Domain am Beginn 

des letzten Drittels des Prognosefensters sehr deutlich. Der Score sinkt gegen 

Ende der Episode auf 0.5 ab, weshalb man hier nicht mehr von einer gelungenen 

Prognose sprechen kann. Bei dieser Wetterlage ist eindeutig die Größe 

der verwendeten Domain von entscheidender Bedeutung, weshalb das Aladinmodell 

am besten abschneidet, aber auch das MM5-Modell gerechnet für 

die Aladindomain ganz gute Ergebnisse liefert. Die Wetterlage scheint eine 

große Modellherausforderung darzustellen, denn auch die operationelle 

Prognose des ECMWF hat die genaue Tiefdruckentwicklung, die das MM5 bei 

großem Domainsetup nicht richtig erfasst, erst wenige Tage vorher einigermaßen 

korrekt prognostiziert. Da man alle Modelle nahezu mit der Wirklichkeit 

treibt (ERA-40 Daten) werden die Ergebnisse immer besser je näher man mit 

diesen Daten an das Evaluierungsgebiet rückt, also die Domain verkleinert. 

Das mesoskalige Modell hat in diesem Fall dann weniger Möglichkeiten eine 

„falsche“ eigene Wetterentwicklung zu simulieren. Ein geeigneter Test, um die 

Domaingröße objektiv abschätzen zu können, also zu erkennen, ab welcher 

Größe das MM5 in der Lage ist bessere Strukturen zu produzieren als jene 

die von außen vorgegebne werden (bei den ERA-40 Daten ist dies über Europa 

eigentlich fast nicht mehr möglich) würde darin bestehen, dass MM5 mit 

einer ECMWF – Prognose passender Auflösung (T106) zu betreiben und 

dann die Ergebnisse mit Messwerten zu vergleichen. 

26 Anhang 1 

Teilbericht 4

Nachdem die Temperatur in 850 hPa bei der ersten betrachteten Episode 

sehr gut von den Modellen reproduziert wurde, ist dies bei der zweiten Episode 

nicht mehr so eindeutig der Fall. Das Aladin liefert hier zwar bei der Temperatur 

die besten Resultate, dies liegt aber auch daran, dass die kleinste 

Domain und die feinste Auflösung verwendet wird und daher die „Wahrheit“ 

der treibenden Randdaten (ERA-40) einen besonders starken Einfluss bis ins 

Evaluierungsgebiet hat. 

Abb. 11: Total skill Score des Parameters Temperatur in 850hPa für die 2.Episode. Die mit A 

beginnenden Abkürzungen bezeichnen die MM5-Berechnungen von systems research; B005 

jene der BOKU-Met und D005 die Berechnung des IGAM. C002 ist das Ergebnis der Aladinvalidierung 

dieser Episode. 

5.3.2 Geopotential in 850 hPa 

Für das Geopotential und alle weiteren zu betrachtenden Parameter wollen 

wir nur mehr den Total skill score betrachten. Die Tücken bei der Interpretation 

dieser Größe wurden bereits bei der Temperatur anhand der Einzelscores 

erläutert. In Abbildung 12 sehen wir die Scores für die erste Episode. Recht 

deutlich zu erkennen ist der Unterschied zwischen den verschiedenen MM5- 

Domaingrößen. Auch hier ist wiederum die große Domain schlechter als die 

kleinere, was am selben Phänomen wie bei der Temperatur, nämlich den 

Treiberdaten liegt. Ob nun eine feinere Auflösung bessere Ergebnisse liefert 

oder doch eine gröbere ist hingegen nicht erkennbar, denn bei den kleineren 

Domains (A002/A004) liefert die feinere Auflösung die besseren Ergebnisse, 

hingegen bei den großen Domains (A001/A003) die Gröbere. Diese Entscheidung 

muss letztendlich beim Vergleich mit Messwerten (zB VERA) erfolgen. 

Das Aladin kann diese Wetterlage scheinbar wieder perfekt reproduzieren, 

zumindest was den Vergleich mit den ERA-40 Daten betrifft. 

Anhang 1 27 

Teilbericht 4

Abb. 12: Total skill score des Parameters Geopotential der 850 hPa Druckfläche für die Episode 

1. 

Bei der zweiten Episode (Abbildung 13) sehen wir ein ähnliches Bild, wie wir 

es schon bei der Temperatur hatten. Man erkennt auch hier recht deutlich den 

dramatischen Abfall der Prognosegüte der MM5-Läufe gegen Ende des Vorhersagefensters. 

Anders als bei der Temperatur ist beim Geopotential der 850 

hPa Druckfläche der MM5-Lauf der BOKU-Met der schlechteste und jener des 

IGAM zeigt relativ gute Werte an. 

Abb. 13: Total skill score des Parameters Geopotential der 850 hPa Druckfläche für die Episode 

2. 

28 Anhang 1 

Teilbericht 4

Betrachtet man so wie bei der Temperatur nur die Felder der verschiedenen 

MM5-Betreiber (A005, B005 und D005) so erkennt man, dass beim Geopotential 

das Ergebnis des IGAM sehr gut ist, hingegen jenes von BOKU-Met 

am schlechtesten. Die Tatsache, dass der skill score unterschiedlicher meteorologischer 

Parameter nicht immer beim gleichen Modellbetreiber am 

schlechtesten ist, lässt erkennen, dass nicht nur die unterschiedliche Hardware 

(IGAM, BOKU), sondern sehr wohl verschiedene Modellsetups oder 

auch Aufbereitung der Inputdaten zu den unterschiedlichen Ergebnissen führten. 

5.3.3 Geopotential in 500 hPa 

Da die Skill-score-Auswertung des Geopotentials der 500 hPa Druckfläche 

keinen gravierenden Unterschied zu jener der 850 hPa Druckfläche aufweist, 

wird diese hier nicht näher erläutert. Die entsprechenden Abbildungen der 

diversen skill scores sind der Vollständigkeit wegen im Anhang zu diesem 

Bericht enthalten, sollen hier aber nicht näher diskutiert werden. 

5.3.4 Spezifische Feuchte in 700 hPa 

Die spezifische Feuchte in 700 hPa repräsentiert einen meteorologischen Parameter, 

an dem man sehr schön frontale Systeme erkennen kann. Da die 

Lage von solchen Systemen oft auch vom operationellen Wettervorhersagemodell 

nicht exakt getroffen wird, sollte man dies auch nicht von unseren hier 

validierten Modellen erwarten, schon gar nicht dann, wenn noch kein optimales 

Parametersetup gefunden wurde. Am Total skill score in Abbildung 14 

für die Episode 1 und Abbildung 15 für die Episode 2 sieht man bereits, dass 

dieser meteorologische Parameter losgelöst von den übrigen ist, denn weder 

der starke gebündelte Abfall der Episode 2 ist hier zu erkennen, noch der 

recht homogene Lauf der Episode 1 wie dies bei den anderen Parametern der 

Fall war. 

Der Total skill score der spezifischen Feuchte zeigt auch nur bedingt den Vorteil 

der kleineren Domain an und zwischen den unterschiedlichen Gitter- 

Auflösungen (45 km/30 km) kommt auch kein deutlicher Unterschied heraus. 

Signifikant in den beiden nachfolgenden Abbildungen 14 und 15 ist hingegen 

der Tagesgang im Total skill score der spezifischen Feuchte des Aladin- 

Modells. Immer um 00 UTC erreicht der skill score seinen Maximalwert von 1. 

Dieses Phänomen sollte in weiteren Tests im Auge behalten werden und mit 

den Modellbetreibern diskutiert werden. Da der Niederschlag eine wichtige 

Zielgröße ist, wollen wir uns als letzten Parameter diesen anschauen. 

Anhang 1 29 

Teilbericht 4

Abb. 14: Total skill score der spezifischen Feuchte der 700 hPa Druckfläche für die Episode 1 

Abb. 15: Total skill score der spezifischen Feuchte der 700 hPa Druckfläche für die Episode 2 

30 Anhang 1 

Teilbericht 4

5.3.5 Niederschlagsverteilung 

Bei der Niederschlagsverteilung innerhalb des Feldes wurde keiner der oben 

definierten traditionellen statistischen Werte berechnet, sondern einfach die 

Anzahl der Gitterpunkte, an denen mehr als 0,5mm Niederschlag gefallen ist, 

in Relation zur gesamten Gitterpunktsanzahl gesetzt. Der Wert auf der 

y-Achse in den Abbildungen 16 und 17 stellt also den Flächenanteil des Evaluierungsgebiets 

dar, in dem Niederschlag gefallen ist. 

Abb. 16: Flächenanteil des Gebiets mit Niederschlag für die Episode 1 

Abb. 17: Flächenanteil des Gebiets mit Niederschlag für die Episode 2 

Anhang 1 31 

Teilbericht 4

Die großen Unterschiede der verschiedenen Modelle beim 1. Zeitschritt lassen 

sich damit erklären, dass beim MM5 aus akkumulierten Werten 6h-Werte 

rückgerechnet werden mussten und daher der 1. Wert von den davor gefallenen 

Niederschlagsmengen und der Methode der Deakkumulierung abhängt. 

Diese erfolgte derzeit offensichtlich nicht. Abgesehen davon passen die Kurven 

der verschiedenen Modelläufe sehr gut zusammen, weshalb man sagen 

kann, dass alle in etwa gleich viel Niederschlag im Evaluierungsgebiet fallen 

lassen, ob hingegen auch die räumliche Verteilung passt, muss mit Beobachtungen 

verglichen werden und kann aus diesem ersten Test nicht abgeleitet 

werden. Dieser Punkt wird speziell für die Wahl der physikalischen Parametrisierungen 

von Konvektions- und Feuchteregime wichtig. 

5.3.6 Rechenzeit 

Ein wesentlicher Punkt bei der Beurteilung der verschiedenen Modelläufe ist 

die dafür benötigte Rechenzeit. Diese richtet sich zum einen nach der Anzahl 

der verwendeten Gitterpunkte und zum anderen nach dem Zeitschritt mit dem 

man das Modell betreibt. Natürlich hängt sie auch von der verwendeten Computerinfrastruktur 

und den verwendeten Modellparametrisierungen ab. Für das 

Aladinmodell wurde das Domain-Setup bereits ausgewählt. Beim Modell MM5 

ist die Rechenzeit ein wesentlicher Faktor der Evaluierung und wird sicherlich 

mitentscheidend sein, welche Domain für die Klimaläufe verwendet werden 

wird. Man hat nicht viel von einem Modell, welches exakt das aufgetretene 

Wetter simulieren kann, dafür aber länger braucht, als der Simulationszeitraum 

ist. Für Anwendungen im Klimamodus, bei denen ja mehrere Jahre gerechnet 

werden sollen, sollte das verwendete Modell in der Lage sein, um einiges 

schneller als real-time zu rechnen. 

In Tabelle 5 sind die Rechenzeiten der verschiedenen Läufe aufgelistet. Die 

Fälle A001-004 betreffen die erste Episode, die Zeilen A005-A008 die zweite 

Episode. Will man also die beiden Episoden vergleichen, um zu sehen welchen 

Einfluss die jeweilige Wetterlage auf das Ergebnis hat, so kann man 

Lauf A001 mit A005, A002 mit A006 usw. vergleichen. 

Tab. 5: Rechenzeit der verschiedenen Simulationen: Die Modelläufe A000-A008 wurden alle 

vom systems research durchgeführt und immer die gleiche Infrastruktur verwendet. A001- 

A004 sind die Läufe für die 4 versch. Domains der 1.Episode, A005-A008 jene der 2.Episode. 

D005 ist das Ergebnis des IGAM und B005 jenes von BOKU-Met. 

Modellauf Laufzeit (h) Infrastruktur 

A001 3.4 

A002 2.5 

A003 11.9 

A004 8.7 

A005 3.6 

A006 2.6 

A007 11.4 

A008 9.1 

Compaq ES40 6/667 Model 1 (4CPUs 

(Alpha), 667 MHz, 2GB Memory, 

True64Unix 5.1. 

A000 6.4 

D005 6.9 Athlon MP1800 - 2CPUs 

B005 17.6 Intel XEON 1700 - 1CPU, Redhat-7.1 

32 Anhang 1 

Teilbericht 4

Bei drei der vier Domainsetups erkennt man, dass die Episode 2 ein wenig 

rechenintensiver war, lediglich beim dritten Setup ist dies umgekehrt. In diesem 

Fall kann man davon ausgehen, dass der Rechner beim dritten Lauf der 

Episode 1 (A003) nicht immer ausschließlich für die Modellierung verwendet 

wurde und daher die Episode 2, die vielleicht über das Wochenende gerechnet 

wurde, schneller fertig war. Generell betrachtet ist der Unterschied zwischen 

den beiden Episoden in einer Größenordnung die man bei der Evaluierung 

vernachlässigen kann. 

Betrachtet man die Unterschiede der verschiedenen Domainsetups (A001 – 

A004) so treten doch erhebliche Rechenzeitunterschiede auf. Die Berechnung 

der kleineren Domain ist im Vergleich zur größeren bei gleicher Auflösung (zB 

A002/A001) um ca. 30 % früher fertig, während die Berechnung mit feinerer 

Auflösung bei gleicher Domaingröße etwa 3,5 x so lange dauert wie die mit 

grober Auflösung 

5.3.7 Synopsis – Schlussfolgerungen 

Abschließend kann festgestellt werden, dass die MM5-Läufe von systems 

research, IGAM und BOKU-Met trotz scheinbar gleichem Modellsetup unterschiedliche 

Resultate geliefert haben, was als nächster Schritt sicher einer 

Klärung bedarf. 

Als weiterer Punkt kann festgestellt werden, dass die ERA-40 Daten schon 

dermaßen gut die Realität wieder geben, dass eine Aussage über die nötige 

Domaingröße mit diesen Tests nicht möglich ist, da man bei kleinerer Domainwahl 

mit der treibenden Realität (ERA-40) näher am Evaluierungsgebiet 

ist und damit zwangsläufig die Resultate bei kleinerer Domainwahl besser 

werden. Zieht man nun daraus den Schluss, das die kleinstmögliche Domain, 

die besten Resultate liefert, so mag dies für ERA-40 Daten über Europa zutreffen, 

da sie fast das reale Wetter widerspiegeln. Betreibt man die Modelle 

später hingegen mit Klimaänderungs-Szenarien, so sollte das regionale Modell 

in der Lage sein, Phänomene wie beispielsweise die Tiefdruckentwicklung 

im Modellinneren ohne genaue Vorgaben von außen selbstständig zu simulieren. 

Mit den Parametersetup der Episode 2 ist dies noch nicht gelungen. 

6 Ausblick – weitere Schritte 

Um ein für Klimaanwendungen optimales Modellsetup zu finden ist aus unserer 

Sicht nun folgende Vorgehensweise sinnvoll: 

Zuerst gilt es die Ursachen des Unterschieds zwischen den Ergebnissen von 

systems research, BOKU-Met und IGAM zu klären und möglicherweise nach 

erfolgter Übereinstimmung des Setups einen neuerlichen Test zu rechnen, um 

zu sehen ob und wenn ja welcher Unterschied alleine Hardware-bedingt auftritt. 

Als weiterer Schritt, um die MM5- Ergebnisse konsistent zu machen, sollte die 

Niederschlagsdeakkumulierung vereinheitlicht werden, so dass die Werte bereits 

ab dem 1. Zeitschritt der Evaluierungsperiode zur Verfügung stehen. 

Anhang 1 33 

Teilbericht 4

Für den Test mit der MM5-Aladindomain-Version muss man sich überlegen, 

wie man darin das Nest legt, da ja nur dieses in der feinen Auflösung von 

10 km gerechnet wird. Da die äußere Domain ja doch um einiges kleiner als 

die übrigen MM5-Domains ist, stellt sich die Frage, ob man dann das Nest 

nicht ähnlich groß wie die äußere Domain ansetzt, damit das Evaluierungsgebiet 

(siehe Abbildung 4) und damit der ehrliche Vergleich mit dem Aladin für 

großräumige Vergleiche nicht zu klein wird. 

Sind diese eher schnell zu entscheidenden Fragen geklärt, sollte ein geeigneter 

Test zur definitiven Entscheidung, welches Domainsetup, die besten Resultate 

liefert, erfolgen. Dieser könnte zum Beispiel so wie schon weiter oben 

beschrieben derartig aussehen, dass man das mesoskalige Modell mit einer 

ECMWF – Vorhersage verringerter Auflösung betreibt und dann anhand von 

Stationsdaten oder ERA-40 auswertet, welches Setup die besten Resultate 

liefert. Ob man für diesen Test Daten des ECMWF-Ensembles heranzieht und 

ob solche Daten leicht als MM5-Input aufbereitet werden können oder ob es 

noch andere leicht verfügbare brauchbare Daten gibt, soll mit allen Projektpartnern 

diskutiert werden. 

Ist die Domainlage und die Anzahl bzw. Lage der Niveaus des MM5-Modells 

entschieden, sollte als nächster Test ein Vergleich mit dem von Günther Zängl 

modifiziertem MM5 erfolgen. Dieser Vergleichstest kann gleichzeitig zum Austesten 

der Grenzschichtparametrisierung herangezogen werden und wird vom 

BOKU-Met durchgeführt. 

Um zu einer Finalversion des MM5-Setups für eine Klimamodellierung im Alpenraum 

zu gelangen, sind zahlreiche Testrechnungen mit unterschiedlichen 

physikalischen Parametrisierungen erforderlich. Aufgrund der vorgegebenen 

Termine sind bereits Episoden bekannt, an Hand deren Wetterverläufe die 

Tests zügig voran gehen sollten. Da sämtliche Tools zur Evaluierung bereits 

entwickelt wurden, bedarf es zur optimalen Auswertung noch des Schritts der 

Automatisierung. Aus diversesten Gründen ist es bisher noch nicht gelungen, 

Modellergebnisse, unmittelbar nachdem die Berechnungen abgeschlossen 

wurden, in geeigneter Weise für andere Projektpartner verfügbar zu machen 

und diese sofort über die Verfügbarkeit der Daten zu verständigen. Dieser 

Prozess bedarf zum einen einer stabilen Austauschplattform (FTP-Bereich), 

zum anderen einer klaren Definition welche Daten wer für wen bereitstellt. 

Beides sollte in einem kommenden Workshop diskutiert und fixiert werden. 

34 Anhang 1 

Teilbericht 4

Literatur 

Crescenti, G. H. (1997): A look back on two decades of Doppler sodar comparison 

studies. Bull. Amer. Meteor. Soc. 78(4), 651–673. 

Grell G.A., Dudhia J. and Stauffer D.R. (1994): A description of the fifth-generation 

Penn State/NCAR Mesoscale Model (MM5). NCAR technical note TN-398+STR, 122 

pp., National Center for Atmospheric Research, Boulder, CO, USA. 

Hanna, S. R. and R. J. Paine (1989): Hybrid Plume Dispersion Model (HPDM), development 

and evaluation. J. Appl. Meteorol. 28(2), 206–224. 

Kållberg, P., A. Simmons, S. Uppala and M. Fuentes: 

The ERA-40 archive. ERA-40 Project Report Series No. 17 September 2004 

Klug,W., G. Graziani, G. Grippa, D. Pierce, and C. Tassone (1992): Evaluation of 

Long Range Atmospheric Transport Models Using Environmental Radioactivity Data 

from the Chernobyl Accident: The ATMES Report. Elsevier Applied Science, London, 

366 pp. 

Mosca, S., R. Bianconi, R. Bellasio, G. Graziani, andW. Klug (1998a): ATMES II – 

Evaluation of long-range dispersion models using data of the 1st ETEX release. EUR 

17756 EN, Office for Official Publications of the European Communities, L-2985 Luxembourg, 

459 pp. + app. 

Mosca, S., G. Graziani, W. Klug, R. Bellasio, and R. Bianconi (1998b): A statistical 

methodology for the evaluation of long-range atmospheric dispersion models: an 

application to the ETEX exercise. Atmos. Environ. 32(24), 4307–4327. 

Sachs, L. (1992): Angewandte Statistik. Springer-Verlag, Berlin, 846 pp. 

Pichler, H. and R. Steinacker (1975): Zur Frage der Zyklogenese in den mittleren 

Breiten unter Ber¨ucksichtigung von freiwerdender Kondensationsw¨arme. Arch. Met. 

Geoph. Biokl. A24, 117–129. 

Steinacker, R., C. Häberli, W. Pöttschacher (2000): A Transparent Method for the 

Analysis and Quality Evaluation of Irregularly Distributed and Noisy Observational 

Data. Monthly Weather Review, 128, 2303-2316 

Stohl, A., M. Hittenberger, and G. Wotawa (1998): Validation of the Lagrangian particle 

dispersion model Flexpart against large-scale tracer experiment data. Atmos. 

Environ. 32(24), 4245–4264. 

Taylor, K. E. (2001): Summarizing multiple aspects of model performance in a single 

diagram. J. Geophys. Res. 106(D7), 7183–7192. 

Zängl, G. (2003): A generalized sigma coordinate system for the MM5, Mon. Wea. 

Rev., 131, 2875-2884. 

Zängl, G., L. Gantner, G. Hartjenstein, and H. Noppel (2004): Numerical errors above 

steep topography: A model intercomparison, Meteorol. Zeitschrift, 13, 69-76 

Anhang 1 35 

Teilbericht 4

BILDANHANG 

Im folgenden Bildanhang sind jeweils der Bias- und der Fisher skill score für 

die Parameter H850, H500 und Q700 dargestellt. Zuerst immer für die erste 

Episode (A001,A002, A003,A004,C001) und gleich anschließend für die 

2.Episode (A005, A006, A007, A008, C002, B005, D005, A000). 

36 Anhang 1 

Teilbericht 4

Anhang 1 37 

Teilbericht 4

38 Anhang 1 

Teilbericht 4

Anhang 1 39 

Teilbericht 4

40 Anhang 1 

Teilbericht 4

Die Vergleichsplots der einzelnen Läufe und Parameter zwischen ERA-40 und 

dem Modell finden sich aufgrund der Dateigröße am FTP Server von systems 

research. 

Anhang 1 41 

Teilbericht 4

Anhang 1 















Institute for Geophysics, Astrophysics, and Meteorology 

Institute of Physics, University of Graz 

Atmospheric Remote Sensing and Climate System Research Group 

ARS CliSys – on the art of understanding the climate system 

reclip:more 



Project Year 1 

reclip:more – IGAM Report #1, 

IGAM/UniGraz Technical Report for ARC No. 1/2004 

Working Report for Project Year 1: 1.11.2003 – 30.9.2004 

by 

Andreas Gobiet, Heimo Truhetz, and Gottfried Kirchengast 

Institute for Geophysics, Astrophysics and Meteorology (IGAM), 

Institute of Physics, University of Graz, Austria 

Version 2 – Nov 15, 2004 

Institute for Geophysics, Astrophysics, and Meteorology, University of Graz, Universitaetsplatz 5, A-8010 Graz, Austria 

ARSCliSys E-Mail: arsclisys.igam@uni-graz.at, Web: http://www.uni-graz.at/igam-arsclisys

Table of Content 

1 Project Summary ................................................................................................ 1 

2 reclip:more-IGAM Team Members .................................................................... 1 

3 Financial and Contractual Issues...................................................................... 1 

4 Major Outcome ................................................................................................... 2 

4.1 MM5 Modeling (WP MODEL)....................................................................... 2 

4.1.1 MM5 Setup ............................................................................................... 2 

4.1.2 ECHAM5 for Driving MM5 ........................................................................ 5 

4.1.3 ERA-40 for Driving MM5........................................................................... 8 

4.1.4 Effects of Different Hardware and Compilers.......................................... 11 

4.1.5 MM5 Multi-Processor Performance ........................................................ 15 

4.1.6 Summary and Conclusions..................................................................... 16 

4.2 Vertical Validation (WP VALVERT) ............................................................ 17 

4.2.1 Reference Dataset – CALRAS................................................................ 17 

4.2.2 Data Extraction ....................................................................................... 18 

4.2.3 Error-Statistics ........................................................................................ 19 

4.2.4 First Validation Results ........................................................................... 20 

4.2.5 Summary and Conclusions..................................................................... 23 

4.3 Wind Downscaling (WP WIND) .................................................................. 26 

4.3.1 Methodology ........................................................................................... 26 

4.3.2 Realization.............................................................................................. 27 

4.3.3 Validation................................................................................................ 31 

4.3.4 Related Publication................................................................................. 31 

4.3.5 Summary and Conclusion....................................................................... 32 

Acknowledgements................................................................................................ 34 

References .............................................................................................................. 34

1 Project Summary 

The 3-year project “Research for Climate Protection: Model Run Evaluation” (reclip:more) 

is a cooperation of five academic institutions in Austria (Austrian Research 

Centers Systems Research (ARC-sys), Department of Meteorology and Geophysics, 

Univ. of Vienna (IMG), Institute for Meteorology, Agricultural Univ. of Vienna (BOKU- 

Met), Central Institute for Meteorology and Geodynamics (ZAMG), and Inst. for Geophysics, 

Astrophysics, and Meteorology, Univ. of Graz (IGAM)) and is led by ARCsys. 

The major aim of the project is to evaluate the capability of dynamical and statistical 

downscaling methods in the Alpine region to create climate scenarios at 

mesoscale and microscale resolutions. Two regional circulation models (RCMs) 

ALADIN (Aire Limitée Adaptation dynamique Développement International, see 

http://www.cnrm.meteo.fr/aladin) and the PSU/NCAR mesoscale model MM5 [Dudhia 

et al., 2004] will be driven by ERA-40 reanalysis data [Simmons et al., 2000] and 

ECHAM5 [Roeckner et al., 2003] global circulation model (GCM) results, representing 

current (1981-1990) and future (2041-2050) climate to accomplish dynamical 

downscaling from the coarse GCM resolution (spectral truncation T106, i.e. ~120 km 

horizontal resolution) to 15 km. Further downscaling to 1 km resolution will be accomplished 

by various, mainly statistical, methods. 

In project year 1 (Nov. 2003 to Jun. 2004), the reclip-team focused on preparative 

work for 10-year RCM simulations, on sensitivity studies aiming at finding the optimal 

RCM-setup, and on the preparation of validation data and methods. In the framework 

of this project, the contribution of IGAM can be subdivided into three thematic areas 

or work packages (WP) as follows: 

- WP MODEL: Dynamical downscaling of retrospective and prospective of 

ECHAM5 global climate simulations using the MM5 mesoscale model (15 km 

target resolution). 

- WP VALVERT: Vertical validation of RCM-results using radiosonde data. 

- WP WIND: Downscaling of near-surface wind (200 m target resolution) 

- 

2 reclip:more-IGAM Team Members 

The core team of reclip-IGAM consists of: 

- Prof. Dr. Gottfried Kirchengast, project advisor. 

- Mag. Andreas Gobiet, project manager, work package manager (VALVERT). 

- Mag. Heimo Truhetz, work package manager (MODEL, WIND). 

3 Financial and Contractual Issues 

After several preparative meetings of the reclip:more team, starting Jul. 2003, 

IGAM submitted the reclip:more-IGAM project year 1 proposal on Oct. 22, 2003 to 

ARC-sys who accepted it on Nov. 3, 2003 (appointment 4570000148). IGAM received 

the first two rates according to the appointment by ARC-sys and will invoice 

the third and final rate for reclip:more-IGAM project year 1 as soon as this report is 

accepted by ARC-sys. As follow-up to relip:more-IGAM project year 1, IGAM has 

submitted a proposal for reclip:more-IGAM project year 2 in Sept. 2004 to ARC-sys. 

Anhang 1 1 

Teilbericht 5

4 Major Outcome 

This chapter contains the three major written deliverables of reclip-IGAM project 

year 1: The progress reports on WP MODEL (Sect. 4.1), WP VALVERT (Sect. 4.2), 

and WP WIND (Sect. 4.3). 

4.1 MM5 Modeling (WP MODEL) 

In project year 1 the main goals of WP MODEL was to provide MM5 test-datasets 

for wind downscaling and vertical validation methods (see Sect. 4.1.3), to select the 

best GCM driving dataset for the planned GCM-driven RCM runs, to build the interface 

between GCM-data and the MM5 pre-processors (see Sect. 4.1.2), and to prepare 

for the retrospective GCM-driven 10-year MM5 run planned for project year 2 in 

general. Additionally various tests concerning different hardware-platforms, compiler 

configurations, multi-processor efficiency, and domain settings were performed (see 

Sects. 4.1.5 and 4.2.4). All MM5-runs described in this report are performed in “climate-mode”, 

i.e., apart from initialization at starting time and boundary conditions 

delivered by a GCM (ECHAM5) or global analyses (ERA-40), MM5 is not constrained 

by any kind of background data during the entire model integration time. 

4.1.1 MM5 Setup 

Basic Setup 

In order to test the usability of ECHAM5 datasets as driving data for MM5 on one 

hand, and to produce MM5 test-datasets for internal usage (see Sect. 4.1.3) on the 

other hand, a preliminary spatial MM5 setup (originally proposed by H. Züger, ARCsys) 

was implemented. The setting consists of three nested domains coupled with 

heavily damped feedback from the smaller to the bigger domains. The horizontal grid 

spacing amounts 90 km, 30 km, and 10 km for domains 1, 2, and 3, respectively and 

25 vertical layers were used (see Tab. 4.2 and Fig. 4.1). An overview about the selected 

physical parameterizations is given in Table 4.1. 

Figure 4.1: Basic setting for MM5 testing purposes: Three nested domains with 90 km, 30 km and 

10 km horizontal grid spacing, respectively. 

2 Anhang 1 

Teilbericht 5

Table 4.1: MM5 physical parameterization. 

Model version MM5 v3.6.3 

Cumulus scheme Kain-Fritsch 2 with shallow convection 

Planetary boundary layer scheme MRF 

Explicit moisture scheme Mixed phase (Reisner 1) 

Radiation scheme RRTM long wave 

Surface scheme NOAH-LSM with snow cover effects 

Table 4.2: MM5 basic spatial and temporal setup. 

Technical details. 

Domain 1 Domain 2 Domain 3 

Num. grid points Y 40 73 94 

Num. grid points X 70 106 139 

Grid distance [km] 90 30 10 

Num. layers 25 25 25 

Top layer [hPa] 10 10 10 

Time step [s] 270 90 30 

Nest type one-way two-way two-way 

Table 4.3: MM5 boku_1 spatial-temporal 

setup. Technical details. 

Domain 1 Domain 2 

Num. grid points Y 88 58 

Num. grid points X 110 82 

Grid distance [km] 45 15 

Num. layers 42 42 

Top layer [hPa] 50 50 

Time step [s] 135 45 

Nest type one-way two-way 

Setup for Comparison Purposes (boku_1) 

A setup proposed by BOKU-Met (“boku_1”) was implemented at IGAM and ARCsys 

to assure consistency between the two MM5 installations and the methods of 

ingesting ERA-40 driving data. It consists of two nested domains (45 km and 15 km 

horizontal resolution) coupled with moderate damped feedback from the smaller to 

the bigger domain (see Tab. 4.3 and Fig. 4.2). The physical parameterization used 

for MM5 runs in this setting is given in Table 4.1 (except shallow convection is turned 

off). In opposite to the original BOKU-Met setting with 29 layers IGAM introduced 42 

layers. 

Figure 4.2: MM5 boku_1 setting. Two nested domains with to 45 km and 15 km grid spacing, respectively. 

Anhang 1 3 

Teilbericht 5

Additional Setups (aladin, boku_1 reduced) 

Additionally, two MM5 domains were set up at IGAM to test the sensitivity of MM5 

results to domain sizes. The first setting mimics the spatial setup used by IMG for 

dynamically downscaling ERA-40 data with ALADIN (“aladin”, see Tab. 4.4, Fig. 4.3, 

and Beck et al. [2004]) and consists of two nested domains with 30 km and 10 km 

grid spacing, respectively. 

Figure 4.3: MM5 aladin setting. Two nested domains with to 30 km and 10 km grid spacing, respectively. 

Figure 4.4: MM5 boku_1 reduced setting. Two nested domains with to 45 km and 15 km grid spacing. 

4 Anhang 1 

Teilbericht 5

Table 4.4: MM5 aladin spatial-temporal setup. 

Technical details. 







Time step [s] 50 16.7 


Table 4.5: MM5 boku_1 reduced spatialtemporal 

setup. Technical details. 







Time step [s] 120 40 


The second additional setup is a reduced version of the original boku_1 setup 

comprising 50 x 50 instead of 88 x 110 grid points in domain1 (“boku_1 reduced”, 

see Tab. 4.5 and Fig. 4.4) and contains, consistent with the boku_1 setting, two 

nested domains with 45 km and 15 km horizontal resolution, respectively. The physical 

parameterization used for MM5 runs in both spatial settings is given in Table 4.1 

(with shallow convection turned on). 

4.1.2 ECHAM5 for Driving MM5 

Provision of GCM Driving Data 

After extensive discussions on the best GCM-data to drive the reclip:more RCM 

runs, the reclip-team decided on retrospective and prospective data from the new 

ECHAM5 GCM with a spectral truncation of T106 (corresponding to 1.125° or 

~120 km horizontal grid spacing) and 31 vertical model levels (L31) as basis for the 

planned 10-year downscaling runs. On one hand this decision assures sufficient 

horizontal resolution for the nesting strategy planned by IMG (in contrast to the twonest 

strategy planned for MM5 involving a resolution jump of ~4, the ALADIN experiment 

will be performed using only one nest involving a large resolution jump of factor 

~10). On the other hand, reclip:more will benefit from the latest advancements in the 

ECHAM model formulation including, among others, better performance with high 

vertical resolution, a new advection scheme for positive definite model variables, an 

updated long-wave radiation scheme, and various enhancements in the modeling of 

land surface processes and land surface-atmosphere coupling [Roeckner et al., 

2003]. 

The reclip-retrospective period (1981-1990) will be covered by a time-slice experiment 

recently performed at the Institute for Atmospheric and Climate Science, 

ETH Zurich by M. Wild and P. Tschuck who model the 1960-1990 period with 

ECHAM5 (T106 L31) driven by observed sea surface temperatures (SST) and 

greenhouse gas concentrations. 

For the prospective reclip-period 2041-2050, IMG (Ahrens, Beck) could arrange 

cooperation with ETH Zurich to perform an IS92a [Leggett et al., 1992] scenario run 

at ETH. For this purpose, a past ECHAM4 T106 L19 experiment is repeated with 

ECHAM5 T106 L31 at ETH in late 2004 (B. Ahrens, A. Beck, P. Tschuck, pers. 

communication, 2004). IMG assists ETH preparing SST and sea-ice data and starting 

the simulation. 

Currently, a small ECHAM5 test-dataset from ETH is available at IGAM. This 

dataset was sufficient to test the interface between ECHAM5 and MM5 as described 

Anhang 1 5 

Teilbericht 5

in the following paragraphs. The transfer of the total retrospective GCM dataset 

(1981-1990) is initiated and is expected to be finished in Dec. 2004. 

The ECHAM5-MM5 Interface 

In order to set up all needed initial and boundary conditions for MM5 the following 

pre-processor modules are used in general: 

- TERRAIN re-projects and interpolates given global elevation and land use datasets 

as well as deep soil temperatures, soil categories, vegetation categories and 

vegetation fractions onto MM5’s domain settings. 

- REGRID reads archived gridded meteorological datasets (numerical weather prediction 

(NWP) analyses and forecasts or GCM results) on pressure levels and interpolates 

them from some native grid and map projection to the horizontal grid 

and map projection as defined by the MM5 pre-processor program TERRAIN. 

REGRID handles pressure-level and surface analyses. Two-dimensional interpolation 

is performed on these levels. 

- Finally, INTERPF serves as interface between the pre-processing modules and 

MM5 by performing vertical interpolation, diagnostic computation, and data reformatting. 

INTERPF takes REGRID output data as input to generate the models initial, 

lateral boundary conditions and the lower boundary conditions respectively. 

The original ECHAM5 output consists of several GRIB-formatted (edition 1) and 

netCDF-formatted files. The data are stored at 6-hour intervals within the Julian calendar 

(30 days per month, 360 days per year). Due to ECHAM5’s method to solve 

the partial differential equations the output does not contain any velocity components, 

but instead divergence and vorticity are given. 

In order to achieve compatibility between ECHAM5 output data and the MM5 preprocessor 

modules a data transformation tool has been designed performing several 

additional pre-processing tasks before REGRID is able to read the ECHAM5datasets 

successfully: 

- Transformation from ECHAM5’s model levels to pressure levels. 

- Derivation of Cartesian velocities from divergence and vorticity. 

- Conversion of all spectral represented data into Gaussian or pure latitudelongitude 

grids. 

- Extraction of all needed variables from netCDF-Files and conversion into GRIB 

format. 

- Transformation of physical units. 

These additionally pre-processing steps are preformed automatically by a 

script-based tool using the programs “afterburner” (available at 

http://www.mpimet.mpg.de/~afterburner/), “cdo” [Schulzweida, 2004] and “PINGO” [Wasz- 

6 Anhang 1 

Teilbericht 5

kewitz et al., 2001]. 

REGRID identifies a certain variable within a GRIB-formatted file by its GRIBcode, 

its level-code and its levels themselves. Therefore REGRID uses special tables 

(VTable) to let the user connect variables with the codes. For the incorporation of 

ECHAM5 data, the VTable shown in Tab. 4.6 has been developed. 

Since MM5 uses the NOAH land surface model, special soil variables like sea surface 

temperature or skin temperature (SKINTEMP), sea ice concentration (SEAICE), 

the land sea mask (LANDSEA), geo-potential (GEOPT) or soil height and soil temperatures 

(SOILTxxx) and moistures (SOILMxxx) at multiple layers beneath the surface 

are needed (“xxx” denotes the layer’s depths beneath the surface in [cm]). Unfortunately 

ECHAM5 does not supply all of these variables. The soil moisture, e.g., is 

given as soil wetness, which is the complete water content of soil in [m] and no vertical 

distribution is available. Instead, the maximum field capacity of soil water [m] is 

given. In order to initialize the NOAH land surface model, the ratio between soil wetness 

and the field capacity are treated as volumetric soil moisture. They are left constant 

with the vertical layers. In consequence of this simplification, MM5-expriments 

should be started with some one-year spin-up time to lead to realistic soil moisture 

distributions (S. Hagemann, pers. communication, 2004). 

The available test-dataset also omits the sea ice concentration. This missing data 

is taken by MM5 as no sea ice at all, which leads to wrong roughness length and surface 

albedo over the oceans. Since sea ice is generally available in ECHAM5-datasets, 

this problem will be solved as soon as the total retrospective dataset is available 

from ETH Zuerich. 

Table 4.6: VTable for the ECHAM5-MM5 interface 

GRIB Level Level Level REGRID REGRID REGRID 

Code Code 1 2 Name Units Description 

156 100 * HGT gpm Geopotential Height 

130 100 * T K Air temperature 

131 100 * U m/s Horizontal wind-component U 

132 100 * V m/s Horizontal wind-component V 

133 100 * SPECHUMD kg/kg 

RH % Relative humidity 

129 1 0 GEOPT m2/s2 Surface geopotential 

134 1 0 PSFC Pa Surface pressure 

151 1 0 PMSL Pa Mean sea level pressure 

130 105 10 T K Temperature 2m agl 

131 105 10 U m s{-1} U at 10m agl 

132 105 10 V m s{-1} V at 10m agl 

141 1 0 WEASD kg/m2 Snow depth (water equiv.) 

169 1 0 SKINTEMP K Surface temperature 

210 1 0 SEAICE flag Sea Ice flag 

172 1 0 LANDSEA flag Land sea mask 

39 1 0 SOILM003 fraction Volumetric soil water layer 1 




207 111 3 SOILT003 K Soil temperature level 1 




In Figure 4.5, the successful incorporation of ECHAM5 data into MM5 and, at the 

Anhang 1 7 

Teilbericht 5

same time, the first dynamically downscaled results are demonstrated. 

In the upper panel, the original ECHAM5 dataset is shown (grid spacing ~120 km), 

in the lower panel the MM5 results in the 3rd nest (see Sect. 4.1.1) after 18 hours 

integration time is depicted (grid spacing 10 km). 

Figure 4.5: Original ECHAM5 test dataset (upper panel, ~120 km horizontal resolution) and MM5 (basic 

setting; see Tab.4.2) in the 3 rd nest (lower panel, 10 km horizontal resolution) representing the Decmber 

1 1960, 18:00 UTC. Mean sea level pressure [hPa] (colored contours), temp at 2 m agl [°C] (bold contour 

lines) and wind at 10 m agl (light stream lines) is shown. The MM5 integration time was 18 hours. 

4.1.3 ERA-40 for Driving MM5 

In order to test the performance of software tools developed in the framework of 

WPs VALVERT and WIND (see Sects. 4.2 and 4.3) and to validate downscaling results 

against observation in general, realistic MM5 downscaling results are needed 

(i.e., modeled atmospheric fields comparable the “true” state of the atmosphere at a 

certain time). For this purpose the ECHAM5-driven MM5 test-dataset is not suitable 

since it cannot be expected that the driving climate model represents the weather at 

a certain date. Therefore it was necessary to perform an MM5-run driven by meteorological 

data. One of the best datasets for this purpose is provided by the new reanalysis 

project (ERA-40) of the European Centre for Medium-Range Weather Forecasts 

(ECMWF) [Simmons and Gibson, 2000]. We use this dataset in its full resolution 

on a regular latitude-longitude grid (1.125° x 1.125° or ~120 km). 

Similar to ECHAM5 3-dimensional ERA-40 datasets are processed by “afterburner” 

to raise the vertical resolution of the needed data from 23 to 43 pressurelevels. 

Mathematical operations to correct units and to perform coordinate transformations 

from spherical harmonics to latitude-longitude grids as well as cutting out 

certain geographical regions to reduce the data-transfer are executed during dataretrieval 

from the Meteorological Archival and Retrieval System (MARS) and after the 

application of the afterburner at ECMWF. In cooperation with ARC-sys the following 

8 Anhang 1 

Teilbericht 5

VTable has been worked out (Tab. 4.7). 

The domain and parameterization settings for the creation of the test-dataset are 

described in Section 4.1.1. Additionally, for WP WIND one additional nesting step is 

applied to enforce the grid resolution to 5 km within certain study areas (see Sect. 4.3 

for details). Using this setup, an 8-day MM5 run in the period of Sept. 18 – 25, 1999 

was performed. The resulting near-surface fields in the 3rd MM5-nest are shown in 

Figure 4.6. 

Table 4.7: VTable for the ERA-40 - MM5 interface 

GRIB Level Level Level REGRID REGRID REGRID 

Code Code 1 2 Name Units Description 

129 100 * GEOPT m2/s2 

HGT gpm Geopotential Height 

130 100 * T K Temperature 

157 100 * RH % Relative Humidity 

131 100 * U m s{-1} U 

132 100 * V m s{-1} V 

129 1 0 GEOPT m2/s2 

167 1 0 T K Temperature 2m agl 

168 1 0 DEWPT K Dew point temp. at 2m agl 

165 1 0 U m s{-1} U at 10m agl 

166 1 0 V m s{-1} V at 10m agl 

151 1 0 PMSL Pa Sea-level Pressure 

141 1 0 WEASD kg/m2 Snow depth (water equiv.) 

235 1 0 SKINTEMP K Sea Surface Temperature 

31 1 0 SEAICE 0/1 Flag Ice flag 

172 1 0 LANDSEA flag land sea mask 

39 112 0 7 SOILM007 fraction Volumetric soil water layer 1 




139 112 0 7 SOILT007 K Soil temperature level 1 




Additionally, the period from Nov. 3. 1999, 00:00 UTC to Nov. 9. 1999, 00:00 UTC 

(“Episode 2”) was modeled by driving MM5 with ERA-40 in order to cross-validate 

ARC-sys’ and IGAM’s procedure to incorporate ERA-40 data and to get a first idea of 

data quality by validating the results against observational data (see Sect. 4.2). The 

domains and physical parameterizations were set as described in Sect. 4.1.1 

(boku_1, aladin, and boku_1 reduced domain setting) and the VTable described 

above (Tab. 4.7) were used. Resulting near-surface fields in the 2 nd MM5-nest of the 

boku_1-setting are depicted in Figure 4.7. 

Anhang 1 9 

Teilbericht 5

Figure 4.6: ERA-40 (upper panel, ~120 km grid spacing) and MM5 (basic setting; see Tab. 4.2, 3 rd 

nest, 10 km grid spacing, lower panel) representing Sept. 22. 1999, 00:00 UTC after 96 hours model 

integration. Mean sea level pressure [hPa] (colored contours), temperature at 2 m agl [°C] (bold contour 

lines) and wind at 10 m agl (light stream lines). 

Figure 4.7: Like Fig. 4.6, but for boku_1 setting (see Tab. 4.3) in the 2 nd nest (15 km horizontal grid 

spacing) and representing Nov. 5. 1999, 18:00 UTC, after 42 hours model integration. 

10 Anhang 1 

Teilbericht 5

4.1.4 Effects of Different Hardware and Compilers 

Since the reclip:more modeling-team consists of various departments and institutions 

using different hardware and compilers and since the representation of floatingpoint 

values and the results of floating-point operations depend on the hardware and 

on the utilization of it’s resources, the same MM5 setup can lead to different results 

depending on the hardware or compiler used. This, and the fact that MM5 handles 

non-linear differential equations, raises a fundamental question: Is it possible that two 

MM5 experiments conducted on tow different computer systems yield two completely 

different meteorological states, even if identical MM5-versions, parameterizations, 

and initial and boundary conditions were used? 

Treating this question in a comprehensive way is out of the scope of IGAM’s share 

in this project, but nevertheless, it is important to get a feeling about the quantity of 

the numerical effects addressed above to be able to interpret comparisons between 

different model-experiments later on. The first test addressing this question was a 

comparison of the usual “Storm of the Century”-case (SOC) as it included in the 

MM5-source code package for testing purposes. We used the PSU/UCAR-run (Alpha-DEC 

optimized compilation) as control experiment and compared it to results 

from 12-hour modeling experiments conducted on the IGAM-cluster (Athlon MP, Intel 

Fortran Compiler 7.1) using different compiler optimization switches. The deviations 

are evaluated via the normalized root mean square difference (NRMS, eq. 4.1) of 

temperature, pressure perturbation, and humidity (complete 3d-fields) and are depicted 

in Figure 4.8. 

N xyz 

∑ 

i= 

1 

M 

2 

1 M 2 ( x − x ) [ % ] 

1 

NRMS = 100 

M 1 M 2 i i 

(4.1) 

N x x 

xyz 

N xyz Total amount of grid points within a 3-dimensional domain 

M1 

x Value at grid cell i from model 1 

i 

2 x Value at grid cell i from model 2 

M 

i 

M1 

x 3-dimensional average of model 1 

M 2 x 3-dimensional average of model 2 

The results depicted in Figure 4.8 show NRMSs of comparable size for all settings 

and that different model variables are affected differently. The NRMSs amount to 

~0.05 % for temperature, ~0.3 % for pressure perturbation, and ~3.5 % for specific 

humidity. For all further investigations compiler switches number 8 are used, mainly 

because these settings utilize IGAM’s hardware most efficiently. 

Anhang 1 11 

Teilbericht 5

Normalized Root Mean Square Diff. [%] (Press., Temp.) 

0.45 

0.40 

0.35 

0.30 

0.25 

0.20 

0.15 

0.10 

0.05 

0.00 

T_NRMS 

PP_NRMS 

Q_NRMS 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 

12 Anhang 1 

Teilbericht 5 

4.5 

4.0 

3.5 

3.0 

2.5 

2.0 

1.5 


0.5 

0.0 

Normalized Root Mean Square Diff. [%] (Spec. Hum.) 

#Compiler switches 

1-O3 -w -tpp7 -mp -prec_div 

2-O3 -w -tpp7 -mp 

3-O3 -w -tpp7 

4-O2 -w -tpp7 

5-O3 -w -tpp6 -mp -prec_div 

6-O3 -w -tpp6 -mp 

7-O3 -w -tpp6 

8-O2 -w -tpp6 

9-O2 -w -tpp6 -unroll -prefetch 

10 -O3 -w -tpp6 -unroll -prefetch -mp - 

prec div 

11 -O2 -w -tpp6 -unroll -prefetch -mp - 

prec div 

12-O3 -w -tpp6 -unroll -prefetch -mp 

13 -O3 -w -tpp7 -unroll -prefetch -mp 

14 -O2 -w -unroll -prefetch -mp - 

prec div 

15-O2 -w -unroll -prefetch -mp 

16 -O2 -w -tpp6 -unroll -prefetch -xiM 

17-O2 -w -tpp6 -unroll -prefetch 

18-O2 -w -tpp6 -safe_cray_ptr 

19 -O2 -w -unroll -prefetch -mp - 

prec div 

20 -O2 -w -unroll -prefetch -mp1 - 

prec div 

Figure 4.8: Comparison of 3d atmospheric fields obtained from the identical MM5-experiments (SOCtest 

case, 12 hours) performed by PSU/UCAR (control run) and by IGAM (Athlon MP, Intel Fortran 

Compiler 7.1) using different compiler switches (cases 1 to 20). Normalized mean square differences 

of temperature (T, red), pressure perturbation (PP, green) and specific humidity (Q, blue). 

In a second test the parallel version of MM5 (multiple processes and distributed 

memory feature is accomplished by the implementation of the Message Passing Interface, 

MPI) is compared to the single CPU version. The aim of this test is, on one 

hand, to examine the quantity of numerical errors in a different setting and, on the 

other hand, to examine the evolution of numerical deviations in time when performing 

longer modeling experiments. Both runs are conducted on the IGAM Linux cluster 

and compiler-switches were selected as described above (no. 8 in Fig. 4.8). The domain 

settings are selected as described in Section 4.1.1 and the modeled period 

spans from Sept. 18 1999, 00:00 UTC to Sept. 26 1999, 00:00 UTC. The simulation 

with the MPI-version (6 CPUs) takes 7:51 hours, the single CPU-version 31:36 hours. 

The results (described in terms of NRMS, see Fig. 4.9) show that the differences 

are increasing within the first days, reaching their maximum values after 3 days and 

are bounded within an interval in the same order of magnitude as the temporal mean 

values shown in Figure 4.8. After an integration time of 3 days the differences vary 

around values consistent with the temporal means. The time evolution of NRMS and 

the consistency of the two experiments indicate that the total numerical error is 

bounded and can be roughly quantified to amount 0.05 %, 0.35 %, and 3 % for the 3dimensional 

fields of temperature, pressure perturbation, and humidity, respectively.

Nomralized Root Mean Square Diff. [%] (Press. Pert., Temp.) 

0.7 

0.6 

0.5 

0.4 

0.3 

0.2 

0.1 

0 

18.09 00:00 

Pressure Perturbation 

Temperature 

Spec. Humidity 

19.09 00:00 

20.09 00:00 

21.09 00:00 

22.09 00:00 

Figure 4.9: Comparison of model results from MPI-version of MM5 against the single CPU-version 

through the period from 1999.09.18 00:00 (UTC) to 1999.09.26 00:00 (UTC). Normalized Root Mean 

Square Difference [%] of the 3-dimensional temperature (T, red), pressure perturbation (PP, green) 

(primary ordinate) and specific humidity (Q, blue) (secondary ordinate) are shown. 

NRMS does not distinguish between random and systematic error. Systematic errors 

(biases) are of greatest importance since they can have essential impact on the 

climatological interpretation of long-term model runs. For this reason, a rough check 

whether numerical artifacts cause essential biases in the MM5-output data or not 

were performed by analyzing the relative differences of accumulated precipitation 

water at the end of the model period described above. The spatial mean of the relative 

differences (shown in Figure 4.10) amounts only to 0.053 % but the differences 

vary locally from –50 % up to 280 %. From the spatial distribution of the absolute accumulated 

precipitation water (Figure 4.11) it can be seen, that most high values of 

relative differences occur within areas of low absolute values, i.e., correspond to 

small absolute errors. However, some local features shown would be worth a closer 

examination. 

Anhang 1 13 

Teilbericht 5 

23.09 00:00 

24.09 00:00 

25.09 00:00 

26.09 00:00 

7 

6 

5 

4 

3 

2 

1 

0 

Normalized Root Mean Square Difference [%] (Spec. Hum.)

Figure 4.10: Relative difference [%] between MPI-version and single CPU-version of the accumulated 

precipitation water at the end of the period from 1999.09.18 00:00 (UTC) to 1999.09.26 00:00 (UTC). 

Figure 4.11: Absolute amount of accumulated precipitation water [cm] (MPI-version) at the end of the 

period from 1999.09.18 00:00 (UTC) to 1999.09.26 00:00 (UTC). 

14 Anhang 1 

Teilbericht 5

4.1.5 MM5 Multi-Processor Performance 

Another field of interest is the scalability of MM5 at the IGAM-cluster. The IGAMcluster 

consists of 8 nodes, each of them equipped with 2 Athlon 1900+ MP processors 

running at 1600 MHz and connected with Gigabit-network. In order to apply timing 

tests, the SOC-experiment is performed several times using varying numbers of 

CPUs ranging from single-CPU to 12-CPUs in parallel mode (Fig. 4.12). 

real clock time [s] 

450 

400 

350 

300 

250 

200 

150 

100 

50 

0 

real [s] 

ideal [s] 

load [%] 

0 2 4 6 CPUs [#] 8 10 12 14 

Figure 4.12: Average load [%] (blue squares) and real clock time [s] (red diamonds) with respect to 

the number of CPUs at the IGAM-cluster compared to an ideal network (dashed line). The vertical 

distribution results from different possibilities to set up the multi-CPU experiments. 

The real clock time (real duration of the SOC-experiment) decreases by adding 

more CPUs, but since the inter-processing communication increases with increasing 

number of CPUs the average load of one single CPU decreases. In consequence, 

the utilization of more than 8 CPUs hardly results in a gain of processing time. It is 

pointed out, that these results vary depending on the MM5 domain setting. The SOCcase 

has small memory consumption; therefore the inter-processing communication 

surpasses the numerical computations. In experiments using larger domains and 

more vertical layers resources are utilized more efficiently and it might make sense to 

use more than 8 CPUs. However, this performance test shows, consistent with comparable 

results of Renold et al. [2004] that multi-processor performance on a Linuxcluster 

is clearly limited by network speed and can not be in infinitely enhanced by 

adding more nodes. This implies that it pays to perform large simulations on supercomputer 

systems like ECMWF’s High Performance Computing Facility (HPCF) [e.g., 

Storer et al., 2003]. 

Anhang 1 15 

Teilbericht 5 

100% 

90% 

80% 

70% 

60% 

50% 

40% 

30% 

20% 

10% 

0% 

mean load per CPU [%]

4.1.6 Summary and Conclusions 

In preparation for the planned 10-year downscaling runs and for validation purposes 

IGAM prepared the interface to both driving data sets relevant in reclip:more: 

ECHAM5 GCM results and ERA-40 reanalysis. Various MM5 test runs driven by 

ERA-40 were performed and are available for validation against an analysis of observational 

surface data, the Vienna Enhanced Resolution Analysis (VERA) 

[Steinacker et al, 1997] by IMG, to the driving dataset ERA-40 by BOKU-Met, and 

radio soundings by IGAM (see Sect. 4.2). To ensure consistency, the same software 

tools from ARC-Sys (readv3_mm5p_vera, readv3_mm5_vera), BOKU-Met (readv3), 

and IGAM (ExtractMM5_v8) are used to extract data from MM5 output datasets delivered 

by the various groups. 

Concerning the provision GCM driving data (ECHAM5 T106 L31), a cooperation 

with ETH Zuerich has been established by IMG leading to a retrospective dataset 

(1981-1990) now available from ETH. The data transfer to IGAM is initiated and is 

expected to be finished in Dec. 2004. ECHAM5 driving data for the prospective reclip-period 

(2041-2050, scenario IS92a) is currently produced ETH, the model run is 

expected to be finished and available for transfer in late 2004. 

Various test concerning numeric MM5 errors has been performed at IGAM. The 

time evolution of these errors is bounded and can be roughly quantified to amount 

0.05 %, 0.35 %, and 3 % for the 3-dimensional fields of temperature, pressure perturbation, 

and humidity, respectively. No substantial biases were found for the spatial 

mean of accumulated precipitation but some local features would be worth a closer 

examination. The results from these tests provide only a first glimpse on the topic of 

numerical errors and are by no means comprehensive. Due to lack of resources and 

funding we could not perform quantitative and systematic studies. However, these 

results are important to establish basic confidence in the soft- and hardware used 

and show no strong indication for huge or unbounded numerical errors. 

Multi-processor performance test showed that the performance on a Linux-cluster 

is clearly limited by network speed and cannot be in infinitely enhanced by adding 

more nodes. This implies that it pays to perform large simulations on super-computer 

systems like ECMWF’s High Performance Computing Facility (HPCF). First test runs 

on HPCF showed that a 10-year run as planned for reclip:more can be accomplished 

within 10 – 20 days depending on the model setup. However, the huge amount of in- 

and output data still causes problems to be solved. 

16 Anhang 1 

Teilbericht 5

4.2 Vertical Validation (WP VALVERT) 

In order to be able to validate the vertical structure of atmospheric fields delivered 

by retrospective high-resolution RCM experiments, IGAM prepared a validation database 

and method. The method is based on radio soundings as reference dataset 

(Sect. 4.2.1), is focused on the free atmosphere, and operates on pressure levels. It 

includes automatic extraction of radiosonde and model data (Sect. 4.2.2) and the 

creation of error statistics and benchmarks (Sect. 4.2.3). For demonstration purposes 

and as preliminary validation, error statistics of first results from dynamically downscaling 

the ERA-40 global reanalysis with MM5 at IGAM (datasets described in 

Sect. 4.1.3) and ARC-sys, and with ALADIN at IMG are show in Section 4.2.4. 

4.2.1 Reference Dataset – CALRAS 

CALRAS [Häberli, 2003] is a comprehensive collection of radio-soundings in the 

Alpine region consisting of 47 stations as displayed in Figure 4.13. The primary 

source of the CALRAS dataset is the Meteorological Archival and Retrieval System 

(MARS) of ECMWF, but additionally data from various European weather services 

and the U.S. National Climatic Data Center (NCDC) are used. The captured period 

ranges from 1980 to 1999 though many stations don’t span the total period. Some 

highly relevant stations for reclip:more are listed in Table 4.8 and marked green in 

Fig. 4.13. Data from these stations (except stations marked with an asterisk in the 

table) served as reference dataset in a preliminary MM5 and ALADIN vertical validation 

study presented in Sect. 4.2.4 of this report. 

lyo 

nim 

nic 

ton 

nan stu 

sig 

alt 

pay 

Anhang 1 17 

Teilbericht 5 

cun 

mil 

spi 

kbk 

mun 

hpb 

ibk 

udi 

lin 

brn 

vie 

gra 

lju zag 

Figure 4.13: Map of the CALRAS radiosonde stations. Big blue square: Validation area (see Sect. 

4.2.4, latitude: 42.8°N – 49.7°N, longitude: 4.0°E – 18.5°E). Green diamonds: Stations inside the validation 

area that delivered data during the validation period (Nov. 3. – Nov. 8. 1999).

Table 4.8: CALRAS stations in the area between 42.8°N - 49.7°N and 4.0°E - 18.5°E. Stations marked 

with an asterisk (*) did not deliver data during the validation period (Nov. 3. – Nov. 8. 1999) used in Sect. 

4.2.4. 

CALR 

ID 

Name 

WMO 

ID 

Lat. Lon. 

alt ALTENSTADT 10954 47.83 10.87 

brn* BRNO/TURANY 11722 49.12 16.75 

cun CUNEO-LEVALDIGI 16113 44.53 7.62 

gra GRAZ-THALERHOF-FLUGHAFEN 11240 47.00 15.43 

hpb HOHENPEISSENBERG 10962 47.80 11.02 

ibk INNSBRUCK-FLUGHAFEN 11120 47.27 11.35 

kbk KUEMMERSBRUCK 10771 49.43 11.90 

lin LINZ/HOERSCHING-FLUGHAFEN 11010 48.23 14.18 

lju LJUBLJANA/BEZIGRAD 14015 46.07 14.52 

lyo LYON-SATOLAS 07481 45.73 5.08 

mil MILANO/LINATE 16080 45.43 9.28 

mun MUENCHEN-OBERSCHLEISSHEIM 10868 48.25 11.55 

nan NANCY-ESSEY 07180 48.68 6.22 

nic NICE 07690 43.65 7.20 

nim NIMES-COURBESSAC 07645 43.87 4.40 

pay PAYERNE 06610 46.82 6.95 

sig SIGMARINGEN 10828 48.10 9.25 

spi S. PIET. CAPO. MOLI. (BOLOGNA) 16144 44.65 11.62 

stu STUTTGART/SCHNARRENBERG 10739 48.83 9.20 

ton* TOULON 07660 43.10 5.93 

udi UDINE/CAMPOFORMIDO 16044 46.03 13.18 

vie WIEN/HOHE WARTE 11035 48.25 16.37 

zag ZAGREB/MAKSIMIR 14240 45.82 16.03 

4.2.2 Data Extraction 

Barom. 

height Data availability 

[m asl] 

757 1995-1999 

246 1996-1999 

386 1999 

347 1982, 1986-1999 

986 1980-1982, 1984-1999 

584 1995-1999 

418 1981, 1982, 1994-1999 

313 1986-1999 

298 1996-1999 

240 1980-1999 

103 1980-1999 

489 1980-1999 

212 1980-1999 

27 1999 

62 1980-1999 

491 1980-1999 

646 1995-1999 

11 1986-1999 

315 1980-1999 

25 1992,1993 

94 1980-1999 

200 1980-1999 

128 1980-1991, 1992-1999 

A tool for the extraction of data from the raw CALRAS dataset has been developed 

that is capable to analyze user selected geographic regions and/or single stations, 

single time-slices (spatial means) or periods (temporal or spatial-temporal means) 

and the selective analysis of single synoptic hours. The program automatically extracts 

all soundings specified in an input file from the compressed CALARAS database 

as well as the corresponding profiles from MM5 output datasets. Model-data is 

extracted at the longitude and latitude of the radiosonde station via bilinear interpolation 

using the neighboring four grid points of the model. At present, the trajectory of 

the ascending sonde is approximated to be vertical, a approximation is regarded to 

be non-critical but could, under extreme conditions, result in artificial deviations between 

radiosonde and model data in the vertical validation procedure at high altitudes. 

E.g., a mean wind speed of 10 m/s would cause a horizontal displacement of 

the sonde of 16 km in 8 km altitude, which is in the order of one MM5 grid cell. 

According to the available observed atmospheric parameters, following parameters 

are extracted from the MM5 results (on pressure levels): Temperature T [K], relative 

humidity RH [%], dew point temperature Tdp [K], wind velocity (u- and vcomponents) 

[m/s], and geopotential height Z [gpm]. MM5 data is extracted on 

model-levels, interpolated to the WMO mandatory pressure levels 1 [WMO, 1995], and 

subsequently stored in CALRAS ASCII format [Häberli, 2003]. Additionally a list containing 

all necessary information to extract the corresponding profiles from ALADIN 

model output is created and an input-interface for reading these data is available. 

1 

WMO Mandatory pressure levels up to 10 hPa: 1000, 925, 850, 700, 500, 400, 300, 250, 200, 150, 100, 70, 50, 

30, 20, 10 [hPa]. 

18 Anhang 1 

Teilbericht 5

4.2.3 Error-Statistics 

Table 4.9: Statistical parameters calculated for vertical validation of RCM data (“model”) on each pressure 

level. Reference data (“observation”): CLARAS. n denotes the number of data used for calculating 

the error statistics. 

Basic statistics 

Sample mean (observation) o 

Sample mean (model) m 

Sample variance (observation) 

Sample variance (model) 

Sample covariance om 

Mean difference (Bias) x d 

Variance of differences 2 

n 

x ∑ xoi 

n i= 

1 

Anhang 1 19 

Teilbericht 5 

1 

1 

x 

n 

∑ xmi 

n i= 

1 

2 

o 

n 1 

∑ n −1 

i= 

1 

2 

m 

n 1 

∑ n −1 

i= 

1 

s ( x − x ) 

s ( x − x ) 

1 

n 

∑ n −1 

i= 

1 

n 1 

∑ xdi 

n i= 

1 

s ( x − x )( x − x ) 

2 

d 

oi 

mi 

oi 

x x − x 

( di = mi oi ) 

n 1 

1 

xdi 

− xd 

∑ n − i= 

1 

s ( ) 

Derived statistics and skill scores 

Mean square difference 4.2.3.1.1.1.1.1.1 MS 

1 n 

( 

Correlation r 

∑ 

i= 

1 

n 

s 

s s 

Fisher’s skill score Sr 2( 

1− 

r ) 

Bias skill score Sb 

Total skill score St 

o 

om 

m 

x 

di 

) 

2 

⎛ s 

⎜ 

⎝ s 

1 

1+ 

10 x 

S + S 

r 

2 

m 

o 

o 

o 

m 

2 

2 

2 

n −1 

= s 

n 

s 

+ 

s 

( ) 2 

b 

d xo 

Basic statistical parameters and derived skill scores are calculated on each pressure 

level for each atmospheric parameter listed in Section 4.2.2. Table 4.9 lists all 

statistical parameters currently implemented; further parameters can easily be implemented 

according to user requests. 

2 2 

sd is the unbiased estimator for the variance of the model – observation differences and is related to the so called ‘bias corrected mean 

square error’ ( 

2 2 n 

BC_MS = MS-x 

) by: s BC_MS 

d d = . 

n −1 

o 

m 

⎞ 

⎟ 

⎠ 

−2 

mi 

2 

d 

+ x 

m 

2 

d

4.2.4 First Validation Results 

Figures 4.14 – 4.19 show preliminary vertical validation results of temperature. 

The statistics show spatial-temporal mean values including all stations inside the 

validation area defined in Sect. 4.2.1. In each Figure, the model- and radiosonde 

mean temperature profile (upper left panel), the standard deviation profile of model- 

and radiosonde temperatures (upper right panel), the number of data points used for 

calculation of statistics and the correlation between model and radiosonde temperatures 

(lower left panel), and the bias (model – observation) and standard deviation of 

differences is shown. 

Figures 4.14 and 4.15 show the results of MM5 runs performed by IGAM 

(Fig. 4.14) and ARC-sys (Fig. 4.15) using the boku_1 setting (see Sect. 4.1.1). Both 

groups operated MM5 in climate mode. The validation period (Nov. 3. – Nov. 8. 

1999) is divided into three two-day time slices to allow the interpretation of the temporal 

evolution of model errors. The results from both groups show qualitatively the 

same characteristics, especially in the first two days (left panels) when MM5 is near 

its initial state. This demonstrates that both independent implementations of ingesting 

initialization and driving data from ERA-40 are consistent. 

The middle panels (days 3 and 4 of the simulation) show growing differences regarding 

variance of data and errors (~5 K) but the bias remains near zero. In the last 

two-day slice (days 6 and 7) MM5 apparently looses track, the model-observation 

correlation drops below 0.5 and huge standard deviations (~25 K and above) occur. 

Interestingly, the temperature bias still stays near zero. 

Since MM5 is apparently not able to follow the large-scale synoptic state of the 

atmosphere in the test-period using the boku_1 setting, we repeated the simulation 

using smaller domains to constrain the RCM tighter to driving data. The results of 

these simulations are shown in Figure 4.16 (aladin setting, see Sect. 4.1.1) and 4.17 

(boku_1 reduced setting, see Sect. 4.1.1). The results are generally much closer to 

the reference dataset, but still days 5 and 6 of the model period (right panels) show 

substantial errors. 

In Figure 4.18 the results of the corresponding ALADIN experiment performed by 

IMG is shown. In contrary to all MM5 runs presented in this report, ALADIN is operated 

in forecast-mode by daily initializing the RCM with ERA-40 data at 0 UT (‘direct 

mode’ as described by Beck et al. [2004]). Only the noon synoptic hour (12 UT) was 

validated since in this case the model state at the other main synoptic hour (0 UT) 

simply represents the driving data (ERA-40) interpolated to the ALADIN grid. The 

results show a very close agreement with observational data according to all aspects 

of the error statistics. 

In order to directly compare MM5 to ALADIN results both models have to be operated 

in the same mode (climate or forecast). Such a comparison has not been conducted 

yet but the results 12 hours after the model start (Nov. 3., 1999, 12 UT) can 

be taken as a first indication on how the direct comparison in forecast-mode will look 

like. The Nov. 3., 12 UT validation results are depicted in Fig. 4.19, the left panel 

showing ALADIN-IMG results and the middle and right panels showing the MM5- 

IGAM results using the boku_1 reduced and aladin domain settings, respectively. 

20 Anhang 1 

Teilbericht 5

All three simulations agree very closely according to all respects of the error statistics 

showing a correlation with the observed temperatures between 0.9 and 1 (except for 

the 250 hPa level where the variance of the data drops to near-zero), biases below 

2 K and error standard deviations in the order of the bias. 

Figure 4.14: Temperature error statistics profiles of MM5-IGAM in climate mode relative to radiosonde 

data from CALRAS (all available stations). Domain setup: boku_1, domain 2 (see Table 4.3). Left 

panel: Nov. 3 – Nov. 4 1999, middle panel: Nov. 5 – Nov. 6 1999, right panel: Nov. 7 – Nov. 8 1999. 

Figure 4.15: Temperature error statistics profiles of MM5-ARC-sys in climate mode relative to radiosonde 

data from CALRAS (all available stations). Domain setup: boku_1, domain 2 (setup similar to 

Table 4.3, but only 29 vertical layers). Left panel: Nov. 3 – Nov. 4 1999 (spin up time), middle panel: 

Nov. 5 – Nov. 6 1999, right panel: Nov. 7 – Nov. 8 1999. 

Anhang 1 21 

Teilbericht 5

Figure 4.16: Temperature error statistics profiles of MM5-IGAM in climate mode relative to radiosonde 

data from CALRAS (all stations, see Tab. 4.8), Domain setup: aladin domain 2 (see Table 4.4). Left 

panel: Nov. 3 – Nov. 4 1999, middle panel: Nov. 5 – Nov. 6 1999, right panel: Nov. 7 – Nov. 8 1999. 

Figure 4.17: Temperature error statistics profiles of MM5-IGAM in climate mode, relative to radiosonde 

data from CALRAS (all stations, see Tab. 4.8), Domain setup: boku_1 reduced domain 2 

(see Table 4.5). Left panel: Nov. 3 – Nov. 4 1999, middle panel: Nov. 5 – Nov. 6 1999, right panel: 

Nov. 7 – Nov. 8 1999. 

22 Anhang 1 

Teilbericht 5

Figure 4.18: Temperature error statistics profiles of ALADIN-IMG in forecast-mode (“direct mode” as 

described by Beck et al. [2004]) relative to radiosonde data from CALRAS (all stations, see Tab. 4.8). 

Left panel: Nov. 3 – Nov. 4 1999, middle panel: Nov. 5 – Nov. 6 1999, right panel: Nov. 7 – Nov. 8 

1999. 

Figure 4.19: Temperature error statistic profiles of ALADIN-IMG in forecast mode and MM5-IGAM in 

climate mode relative to radiosonde data from CALRAS (all stations, see Tab. 4.8). Only data from 

Nov. 3, 12 UT (12 hours after initialization) are shown. Left panel: ALADIN-IMG, middle panel: MM5- 

IGAM aladin domain 2 (see Tab. 4.4), right panel: MM5-IGAM, boku_1 reduced domain 2 (see 

Tab. 4.5). 

4.2.5 Summary and Conclusions 

A tool for validating the vertical structure of RCM results with respect to radio 

soundings has been demonstrated. The validation procedure is operating on pressure-levels 

and it is well suited for the free atmosphere where direct influence of the 

surface is negligible. In the planetary boundary layer (PBL) where the influence of the 

surface is essential, comparisons based on pressure levels have to be interpreted 

with care. The “meters above ground level”-scale (magl) might be the better choice 

very close to the ground but it is difficult to reliably define the transition-zone (top of 

the PBL) above where the magl-scale would artificially introduce biases into the error 

statistics due to the differences between the smoother digital elevation model (DEM) 

Anhang 1 23 

Teilbericht 5

used by the models and the real-world surface elevation. Furthermore the magl-scale 

does not resolve the main problem in the interpretation of near-surface model versus 

observation comparison, the missing indirect effects of sub-scale surface features. 

Despite of these difficulties, an additional validation product focusing on the PBL and 

regarding the distance from the surface is planned to be implemented during reclip:more 

project year 2 for selected radiosonde sites. 

Figure 4.20: 500 hPa temperature in the validation area after 120 hours model integration time (Nov. 

8. 1999, 0:00 UT). Upper panel: driving data (ERA-40), middle panel: MM5-IGAM with boku_1 setting, 

lower panel: MM5-IGAM with boku_1 reduced setting. 

24 Anhang 1 

Teilbericht 5

Preliminary results from the vertical validation scheme using temperatures demonstrate 

that the MM5 implementations (including ERA-40 data ingestion) at IGAM and 

ARC-sys work consistently but that MM5 in climate mode, especially when operating 

in big domains, is “running away” from the synoptic state of the atmosphere after 4 – 

5 days model integration time. This is also demonstrated in Fig. 4.20 showing the 

500 hPa temperatures after 5 days MM5 integration time (Nov. 8. 1999, 0:00 UT). 

The bulk large-scale features of the ERA-40 driving data set (upper panel) are lost 

when using the boku_1 setting while a smaller setting (boku_1 reduced, lower panel) 

enables MM5 to keep the large-scale features partially intact but still yields unsatisfactory 

results. However, the deviations are mainly visible in the spatial/temporal correlations 

and error standard deviations but not in area-means. The mean temperature 

over the entire validation area is virtually unbiased for all settings (see 

Figs. 3.14 – 3.17). 

Results from ALADIN operated by IMG in forecast mode (daily re-initialization) 

show a very good agreement with observational data (Fig. 4.18) but cannot be directly 

compared to the MM5 simulations operated in climate mode. However, comparisons 

of the ALADIN-IMG and MM5-IGAM temperatures after 12 hours integration 

time are comparable and indicate roughly similar quality of temperatures in the free 

atmosphere (Fig. 4.19). 

These preliminary results show that both, domain setting strategy, and RCM operation 

mode (climate, grid-nudging, 3DVar, forecast,...) should be carefully reconsidered. 

More tests, especially regarding the operation mode are recommended. Additional 

test (not presented in detail in this report) showed that the optimization of 

other important factors like physical parameterization, nesting feedback, vertical 

resolution and extent is, regarding the quantity of the present uncertainties, of secondary 

relevance and should be deferred. 

We refrain from further interpreting the results since they are very preliminary and 

not yet combined with validation relative to ground station data and hope that the 

new possibility to quickly evaluate MM5 and ALADIN results against radiosonde-data 

will aid the sensitivity studies currently going on at BOKU-Met and ARC-sys. 

Anhang 1 25 

Teilbericht 5

4.3 Wind Downscaling (WP WIND) 

4.3.1 Methodology 

In order to approximate near surface wind at a final resolution of 200 m a combined 

application of prognostic and diagnostic models will be performed within three 

study areas (Lower Austria, South-East Styrian, and Hohe Tauern regions). The 

downscaling process consists of two main steps (see Fig. 4.21 for a structure chart of 

the wind-downscaling process): 

Figure 4.21: Structure chart of the wind-downscaling process. Mesoscale model results at ~15 m spatial 

resolution are downscaled to 200 m resolution with respect to near surface wind. Needed input 

data are listed. 

Starting from the reclip:more ‘standard resolution’ of 15 km after dynamic downscaling, 

another dynamic downscaling step is added to prepare initial conditions for 

the actual wind downscaling at 5 km resolution using MM5 in one-way nesting mode. 

26 Anhang 1 

Teilbericht 5

The second step is carried out by a modified version of the micro-scale model 

CALMET [Scire et al., 1999]. It computes a three dimensional divergence-free wind 

field in a diagnostic manner for each single time-slice stored in the MM5 output files 

at a resolution of 200 m. Therefore, it is very important to use MM5 results at a high 

time resolution (e.g. 1 hour) in order to perform statistical analysis afterwards. 

Compared to dynamic downscaling, this procedure is time saving but still provides 

a more sophisticated way to approximate the stratification of the atmosphere than 

pure statistical downscaling methods. Depending on user-defined configurations, 

CALMET can account for kinematical terrain-effects, slope flows, and thermodynamic 

blocking-effects. To set up the lower boundary conditions a high resolution elevation 

model and physio-geographic data (external parameters), such as roughness length, 

surface albedo, Bowen ratio (ratio between sensible heat flux and latent heat flux) 

and surface heat flux parameter (ratio between heat flux into the ground and net incoming 

radiation) are needed at the final resolution (200 m, see sect. 4.3.2). 

4.3.2 Realization 

Domain Settings, MM5 Setup 

While the sensitivity studies regarding the optimal MM5 setup are left unfinished, 

MM5-test data as well as the domain and parameterizations settings from WP 

MODEL (Sect. 4.1) are used for testing purposes. The exact domain settings of additional 

nests (the ‘study areas’ Lower Austria, Styria, and Hohe Tauern) are not yet 

exactly defined for reclip:more and have been set up preliminary for testing purposes 

(see Fig. 4.22 and Tab. 4.10). At the current stage, the wind-downscaling is operational 

within Hohe Tauern region (domain 4) only. 

Table 4.10: MM5 basic spatio- temporal setup for wind downscaling test-runs 

Domain 3 Domain 4 Domain 5 Domain 6 CALMET 

Num. grid points Y 94 41 41 41 348 

Num. grid points X 193 41 41 41 700 

Grid distance [km] 10 5 5 5 0.2 

Num. Layers 25 35 35 35 20 

time step [s] 30 20 20 20 - 

Nest type two-way one-way one-way one-way - 

Anhang 1 27 

Teilbericht 5

Figure 4.22: Preliminary domain settings for the reclip:more study areas: Hohe Tauern (green), Styria 

(yellow), and Lower Austria (gray). The red area marks the working domain of CALMET. The encompassing 

blue region represents domain 3 from the preliminary setting (see chapter 4.1). 

Provision of elevation and physio-geographical data 

For high resolution downscaling of wind a digital elevation model (DEM) and several 

external parameters are needed at a spatial resolution of 200 m. The major part 

of the elevation model used here was computed from the Shuttle Radar Topography 

Mission (SRTM) [Rabus et al., 2004] that is available at 3 arc seconds, tiled into 

1 x 1° pieces. These pieces were patched together by ARC-sys to obtain the DEM for 

MM5 domain 3 at high resolution. Unfortunately, the data turned out to have gaps 

and is shifted about 80 m towards West. The west-shift could be corrected manually, 

but additional elevation models and statistical methods were necessary to fill data 

gaps. A regularized spline interpolation method [Mitasova, 1993] combined with other 

DEMs for adding sampling points (SRTM at 30 arc seconds and a DEM at 250 m 

resolution provided by ARC-sys) were applied. Finally the elevation data set was resampled, 

smoothed to 200 m resolution, and projected to CALMET’s coordinate system 

(Lambert Conformal Conic). Figure 4.23 shows the raw SRTM/3’’ data compared 

to the corrected DEM finally used for wind downscaling. The spline interpolation 

method is very successful in most regions but a smoothed elevation model in regions 

with large data gaps cannot be avoided. 

28 Anhang 1 

Teilbericht 5

Figure 4.23: Comparison of original and interpolated SRTM data at 3 arc seconds resolution. The 

shown region represents the Inn valley between Innsbruck (west) and Schwaz (east). The Karwendel 

is heavily affected by missing gaps (white areas). 

To obtain the physio-geographic external parameters such as roughness length, 

surface albedo, Bowen ratio (ratio between sensible heat flux and latent heat flux) 

and surface heat flux parameter (ratio between heat flux into the ground and net incoming 

radiation), a combination of the CORINE land cover dataset CLC90 [EEA, 

1995], version 12/2000, (available at 250 m resolution, resampling to 200 m was performed 

by ARC-sys) and literature data [Hagemann, 2002; Pineda et al., 2004] were 

used. The physio-geographic data from literature were statically linked to CORINE 

land cover data. However, in a later version of our wind downscaling tool, we plan to 

refine the provision of external parameters by approximating them directly from the 

driving mesoscale model to achieve both, more sophisticated results and a consistent 

model chain on all scales involved. 

Modifications to CALMET 

CALMET usually works on Mircosoft® Windows systems and the code had to be 

exported to UNIX/Linux for reclip:more to be able to use the available computing resources. 

At the same time, a bug (index overflow) was corrected. Since surface albedo 

is mainly affected by the snow cover, a trigger was implemented into CALMET 

to adjust the albedo in a similar way as it done in the simple land surface scheme of 

MM5: If snow cover exists the albedo is raised by 50 %. Concerning the kinematical 

Anhang 1 29 

Teilbericht 5

effects, the tuning option was modified to allow for a seamless adjustment between 0 

and 100 %. Since air density is an important variable in some applications of wind 

downscaling such as wind turbines, a 3-dimensional pressure field was introduced in 

addition to the existing variables to allow a comprehensive calculation of air density. 

Test Runs 

For testing purposes several time slices from the ERA-40 driven MM5-test datasets 

from WP MODEL (see Sect. 4.1) were successfully downscaled to the final resolution 

of 200 m. The CALMET computation time for the area shown in Fig. 4.23 is 

about 188 seconds per time-slice, the size of the output-file amounts about 110 MB if 

all variables are stored. One exemplary downscaling result is shown in Figure 4.24. 

The 10 m wind field in 5 km (upper panel) and 200 m (lower panel) grid spacing over 

“Großglockner” shows that during night (3:00 UTC) stream flows are mainly controlled 

by kinematical effects. 

Figure 4.24: Comparison between the intermediate MM5 result (5 km grid spacing) and CALMET 

(200 m grid spacing) representing the 18. September 1999 at 03:00 (UTC) over the Großglockner. 

Near surface wind at 10 magl [m/s] (stream lines) and the digital elevation model (contour lines) are 

shown. 

30 Anhang 1 

Teilbericht 5

Visualization and Statistical Analysis Tools 

In order to be able to use the freely available Grid Analysis and Display System 

(GrADS) [Doty and Kinter, 1992] version 1.8s11 for visualization purposes, functions 

to convert CALMET-results to GrADS-formatted files were developed. One example 

for CALMET-results displayed with GrADS is shown in figure 4.23. 

In addition to simply displaying the results in maps, it is necessary to quantify 

properties of the wind-field. For this purpose, programs to perform 3-dimensional statistical 

analysis according to mean wind speed, main wind direction, speed of main 

direction, maximum wind speed, direction of maximum speed, etc. have been developed 

and are ready to use. 

4.3.3 Validation 

Since the sensitivity analysis aiming at finding the optimal MM5 setup is left unfinished, 

the validation and the optimization of the parameterization settings of the microscale 

model are addressed to project year 2 and only a short overview and outlook 

is given here. The method is currently under evaluation using the MM5 test 

dataset from WP MODEL. Since this dataset was produced using a preliminary MM5 

setup it is used to check technical performance and the basic functionality of the wind 

downscaling system only. In a second step, MM5-will be rerun using optimized operation 

mode and domain and parameterization settings (see Sect. 4.2.5). Wind statistics 

and vertical profiles will be extracted from CALMET-results and compared 

against observational data recorded during the Mesoscale Alpine Programme (MAP) 

[Bougeault et al., 2001]. Exposed surface observations surrounded by homogeneous 

land use types and SODAR observations will be first checked against icing and 

calms then compared to the modeled data using Kolmogorov-Smirnov and Kuiper 

tests [Fisher, 1995; Press et al., 1992]. 

4.3.4 Related Publication 

The European Environmental Agency (EEA) is planning a high-level launch event 

for CORINE Land Cover, version 2000, in November 2004 in Brussels. In order to 

support this event, the EEA and the Joint Research Centre (JRC) will collaborate on 

a joint publication, which should serve as future reference for the project. At this occasion 

the EEA will present a brochure with CORINE applications and invited H. Truhetz 

(IGAM) for joining the brochure with a description of CORINE’s application concerning 

the wind-downscaling method. In answer to this invitation the following paper 

has been submitted on June 28 th , 2004: 

Downscaling of Near Surface Wind in the Alpine Region 

Heimo Truhetz 1 , Andreas Gobiet 1 , Wolfgang Loibl 2 , and Gottfried Kirchengast 1 

1 Institute for Geophysics, Astrophysics, and Meteorology (IGAM), University of Graz, Austria 

2 Austrian Research Centers (ARC) Systems Research GmbH, Austria 

Anhang 1 31 

Teilbericht 5

4.3.5 Summary and Conclusion 

A combined downscaling procedure, consisting of a dynamical downscaling step 

with MM5 and the microscale diagnostic model CALMET, was introduced and its 

primary functionality was successfully demonstrated. The needed digital elevation 

model has been generated from SRTM 3 and SRTM 30 arc seconds data by applying 

spline interpolation methods to fill in missing gaps. The external parameters concerning 

the lower boundary conditions were derived from CORINE land use data by 

statically linking the land use classes to conventional data taken from literature. 

Proper software-tools for statistical analysis and visualization of the resulting datasets 

were developed. 

Regarding future work, the following developments are planned. Since funding for 

the wind downscaling work at IGAM is only partly available via reclip:more, it depends 

on possible co-funding from other projects whether all or only parts of these 

developments can be realized. 

- As it is shown in the structure chart, MM5 results are currently passed through a 

module called CALMM5. To avoid this intermediate step, CALMM5 should be implemented 

into CALMET. 

- The vertical interpolation between sigma levels (MM5) and height above ground 

(CALMET) should be updated according to state of the art interpolation schemes 

as they are used within MM5. 

- The vertical wind components from the MM5 datasets should be considered by 

CALMET’s initialization step. 

- Surface heat and momentum fluxes are computed from energy budget model and 

Monin-Obukhov similarity theory through iteration. The external parameters are 

treated as first guess conditions and are kept constant during the whole downscaling 

process. The involved parameters and their dependency from snow cover 

should be derived from the driving MM5 datasets. 

- Surface roughness should be updated due to biological impacts (e.g. seasonal leaf 

area index), topographical impacts from sub-grid variability of terrain elevation and 

snow cover. 

- Currently the application of Monin-Obukhov similarity theory does not recognize 

displacement heights. This circumstance leads to a miss-representation of airflow 

over forests and other land use categories with high obstacles. 

- To determine snow cover effects a proper downscaling method for snow from 

ZAMG and/or ARC-sys should be implemented. 

- More sophisticated methods (e.g. four-point method) to calculate derivatives of 1st 

order within CALMET’s divergence minimization scheme should be applied to 

avoid numerical miss-interpretations. 

- Statistical tests concerning turbulence should be added to the 3-dimensional 

analysis procedures. 

32 Anhang 1 

Teilbericht 5

- To avoid huge storage demands in the face of long-term model runs CALMET’s 

save-routines should be replaced with the statistical analysis procedures. 

- Since wind gusts are poorly produced by mesoscale models a suggested postprocessing 

algorithm (Goyette et al, 2003) should be implemented. 

Anhang 1 33 

Teilbericht 5

Acknowledgements 

The authors gratefully acknowledge IMG, University of Vienna, especially A. Beck 

and B. Ahrens, for their activities regarding the provision of ECHAM5 driving data. 

We thank, for fruitful scientific discussions, all partners from all reclip:more teams. 

We also thank ARC-sys, especially W. Loibl, for his commitment to the difficult task of 

coordinating the different groups involved. H.T. received financial support for this 

work from the reclip:more project funded by the K-wiss program of the ARC Holding. 

A.G. received partial support from the START research award of G.K. funded by the 

Austrian Ministry for Education, Science, and Culture and managed under Program 

No. Y103-N03 of the Austrian Science Fund (FWF). 

References 

Beck, A., B. Ahrens, and K. Stadlbacher (2004): Impact of nesting strategies in dynamical 

downscaling of reanalysis data. Geophys. Res. Lett., 31, L19101, doi:10.1029/2004 

GL020115. 

Bougeault, P., P. Binder, A. Buzzi, R. Dirks, R. Houze, J. Kuettner, R.B. Smith, R. 

Steinacker, and H. Volkert (2001): The MAP Special Observing Period, Bull. Amer. Meteor. 

Soc., 83, 3, 433-462. 

Doty, B., J.L. Kinter III (1992): The Grid Analysis and Display System (GrADS): A practical 

tool for earch science visualization, paper presented at 8th International Conference on Interactive 

Information and Procession Systems, 5-10 January, Atlanta. 

Dudhia, J., D. Gill, K. Manning, W. Wang, and C. Bruyere (2004): PSU/NCAR Mesoscale 

Modeling System Tutorial Class Notes and User’s Guide: MM5 Modeling System Version 3, 

Software Manual, Mesoscale and Microscale Meteorology Division of the National Center 

for Atmospheric Research, Boulder. 

EEA (1995): CORINE Land Cover, European Environmental Agency Report, Commission of 

the European Communities OPOCE (Office for official publications of the European Communities), 

Luxembourg. 

Eidenshink, J.C., J.L. Faundeen (1994): The 1 km AVHRR global land data set: First stages 

in implementation, Int. J. Remote Sens., 15, 17, 3443-3462. 

Fisher, N.I. (1995): Statistical analysis of circular data, Cambridge University Press, Cambridge. 

Goyette, S., O. Brasseur, M. Beniston (2003): Application of a new wind gust parameterisation: 

Multiscale case studies performed with the Canadian regional climate model, J. Geophys. 

Res., 108, D13, 4374-4389. 

Häberli, C. (2003): CALRAS - The Comprehensive Alpine Radiosonde Data Set, technical 

documentation, parts 1-3, Dept. of Meteorology and Geophysics, Univ. of Vienna. 

Hagemann, S. (2002): An Improved Land Surface Parameter Dataset for Global and Regional 

Climate Models, Report 336, Max Planck Institute for Meteorology (MPI), Hamburg. 

Justice, C.O. et al. (1998): The Moderate Resolution Imaging Spectroradiometer (MODIS): 

Land Remote Sensing for Global Change Research, IEEE T. Geosci. Remote, 36, 4, 1228- 

1249. 

34 Anhang 1 

Teilbericht 5

Leggett, J., W.J. Pepper, and R.J. Swart (1992): Emissions scenarios for the IPCC: an update 

in Climate change 1992: the supplementary report to the IPCC scientific assessment 

edited by J.T. Houghton, B.A. Callander, and S.K. Varney, pp.75-95, Cambridge Univ. 

Press, Cambridge. 

Pineda, N., O. Jorba, J. Jorge, J.M. Baldasano (2004): Using NOAA AVHRR and SPOT VGT 

data to estimate surface parameters: application to a mesocale meteorological model, Int. 

J. Remote Sens., 25, 1, 129-143. 

Press, W.H., S.A. Teukolsky, W.T. Vatterling, B.P. Flennery (1992): Numerical Recipes in 

FORTRAN 77: The Art of Scientific Computing, University Press, Cambridge. 

Rabus, B., M. Eineder, a. Roth, r. Bamler (2003): The shuttle radar topography mission - a 

new class of digital elevation models acquired by space-borne radar, ISPRS J. Photogramm., 

57, 241-262. 

Renold, M., U. Beyerle, C.C. Raible, R. Knutti, and T.F. Stocker (2004): Climate Modeling 

with a Linux Cluster, EOS, Transactions, 85, 40, 290. 

Roeckner, E., G. Baeuml, L. Bonaventura, R. Brokopf, M. Esch, M. Giorgetta, S. Hagemann, 

I. Kirchner, L. Kornblueh, E. Manzini, A. Rhodin, U. Schlese, U. Schulzweida, A. Tompkins 

(2003): The Atmospheric General Circulation Model ECHAM5. Part 1: Model Description, 

Report 349, Max Planck Institute for Meteorology (MPI), Hamburg. 

Schutzweida, U. (2004): CDO’s Useres Guide. Climate Data Operators, version 0.8.9, software 

manual, Max Planck Institute for Meteorology (MPI), Hamburg. 

Scire, J.S., F.R. Robe, M.E. Fernau, R.J. Yamartino (2000): A User’s Guide for the CALMET 

Meteorological Model (Version 5), software manual, Earth Tech Inc., Concorde. 

Simmons, A.J., J.K. Gibson (2000): The ERA-40 Project Plan, ERA-40 Project Report Series 

No. 1, European Centre for Medium-Range Weather Forecasts (ECMWF), Reading. 

Steinacker, R., W. Pöttschacher, M. Dorninger (1997): Enhanced Resolution Analysis of the 

Atmosphere over the Alps Using the Fingerprint Technique. Annalen der Meteorologie, 35, 

235- 237. 

Storer, N., J. Hennessy, D. Salmond (2003): Migration of the high-performance computing 

service to the new IBM supercomputers, ECMWF Newsletter, 97, 20-23. 

Waszkewitz, J., P. Lenzen, N. Gillet (2001): The PINGO packages – Procedural Interface for 

Grib formatted Objects, software manual, Deutsches Klimarechenzentrum GmbH (DKRZ) 

and Max Planck Institute for Meteorology (MPI), Hamburg. 

WMO (1995): 306 - Manual on codes, WMO publication, WMO, Geneva. 

Anhang 1 35 

Teilbericht 5

Anhang 1 















eclip:more 



Projektjahr 1 

Projektteil systems research 

Datenaufbereitung, Regionale Klimamodellierung und 

Regionalisierungstool Strahlung 


von 

Mario Köstl, Wolfgang Loibl und Johann Züger 

ARC systems research GmbH 

Seibersdorf, 29. November 2004

Inhaltsverzeichnis 

1 Datenaufbereitung (WP 2.3a) 1 

2 Regionale Klimamodellierung (WP4.1 + WP4.2) 1 

3 Sensitivitätsexperimente (WP 4.3a) 3 

4 Regionalisierung der Sonnenstrahlung (WP5.5) 13 

4.1 Modellergebnisse – Teilergebnisse für die einzelnen Schritte 14 

4.2 Integration der Residuen in das clear-sky-Strahlungsmodellergebnis 18 

Literatur 19 

ANHANG A Das Mathematisch-physikalische Sonnenstrahlungsmodell 21 

ANHANG B AML-Script zur Berechnung der clear-sky Strahlung 23

1 Datenaufbereitung (WP 2.3a) 

Nachdem sich das reclip Team auf ERA-40-Daten des ECMWF als Antriebsdaten geeinigt hatte, 

wurde mit dem Herunterladen dieser Daten begonnen. Diese sind zur Zeit für die Jahre 1993 bis 

2000 auf einem Server in systems research abgelegt - die Jahre 1998 bis 2000 stehen auch auf 

dem FTP-Server von systems research zur Verfügung. Sie liegen als Rasterdaten auf Druckflächen 

vom Boden bis 50 hPa mit einer räumlichen Auflösung von 1°x1° vor. Es wurden dabei vor 

allem jene Parameter berücksichtigt, die zum Betrieb des Modells notwendig sind. Das Datenvolumen 

beträgt ca. 2 GB pro Jahr. 

Während des Herunterladens der Daten über das ECMWF Webportal wurden bereits erste Modellläufe 

und verschiedene Tests durchgeführt. Dabei zeigte sich, dass die bereitgestellten Daten 

nicht immer mit ihrer Beschreibung übereinstimmten. Anfangs wurden zum Teil andere Parameter 

als in der Downloadanforderung spezifiziert ausgegeben – dies lag wahrscheinlich daran, dass 

das Webportal des ECMWF damals noch ziemlich neu und damit fehlerbehaftete war. In der Folge 

konnten zwar diese Fehler ausgeräumt werden, es traten aber immer wieder Diskrepanzen 

zwischen den erhaltenen Daten und ihrer Beschreibung auf den ECMWF Seiten auf – so wurden 

zB Geopotentiale [m 2 /s 2 ] als Höhen [m] beschrieben oder die Grenzen der Bodenschichten nicht 

richtig wiedergegeben. Es musste auch einiges an den MM5 Inputroutinen geändert werden um 

die Antriebsdaten richtig einlesen zu können. 

Um für weitere Auswertungen einheitliche Formate zu gewährleisten, erstellte systems research 

Programme, die einerseits als Schnittstellen für die Validierung durch BOKU-Met und andererseits 

zur Übergabe an VERA (IMG) dienen, und stellte diese auch den Projektpartnern zur Verfügung. 

Um einen möglichst reibungsfreien Austausch von Daten, Routinen und Ergebnissen zu gewährleisten, 

wurde bei systems research ein FTP-Server mit entsprechender Speichekapazität installiert. 

Auf diesem haben alle Projektpartner mittels sFTP und einer gemeinsamen Kennung uneingeschränkten 

Zugang zu allen Daten und Programmen. 

2 Regionale Klimamodellierung (WP4.1 + WP4.2) 

Vom National Center for Atmospheric Research (NCAR) werden laufend neue Versionen des 

mesoskaligen Modells MM5 veröffentlicht. Meist handelt es sich dabei um so genannte „minor 

releases“ bei denen die Behebung von kleinen Fehlern im Vordergrund steht. Das „major release“ 

der Version 3.6 hat sich in vorangegangenen Arbeiten bereits als äußerst stabil erwiesen. Seit 

Februar 2004 – also unmittelbar vor Beginn dieses Arbeitsschrittes – steht nun die neue Version 

3.6.3 zur Verfügung. Da in diesem Release nur marginale Änderungen vorgenommen wurden und 

bei allen Projektpartnern bereits eine Version 3.6.x im operationellen Einsatz war, wurde in einer 

gemeinsamen Sitzung vereinbart, in Zukunft einheitlich MM5 in der Version 3.6.3 zu verwenden. 

Um abzuschätzen wie groß die Unterschiede der Ergebnisse auf den verschiedenen Hardware- 

Plattformen (zB Compiler, Zahlendarstellung, etc.) der einzelnen Projektpartner sind, wurden Vergleichsrechnungen 

für eine Episode durchgeführt. Dabei zeigte sich, dass die Abweichungen 

durchaus tolerierbar sind. Daher kann davon ausgegangen werden, dass künftige Modell- 

Ergebnisse ebenfalls vergleichbar sein werden. 

Um eine möglichst weit reichende Vergleichbarkeit der Modellergebnisse mit der „Wirklichkeit“ zu 

gewährleisten, wurde vereinbart die ersten Sensitivitätstests mit den besten zur Verfügung stehenden 

Daten anzutreiben. Für den europäischen Raum sind diese im Moment die ERA-40-Daten 

des ECMWF mit einer geometrischen Auflösung von 1° und 6h zeitlicher Auflösung. Diese Daten 

werden außerdem auch für großräumige Vergleiche mit den Modellergebnissen herangezogen. 

Man muss bei den Auswertungen und Interpretationen allerdings vorsichtig sein, da die vermeintliche 

„Wirklichkeit“ auch das Ergebnis eines Modells ist. 

Anhang 1 1 

Teilbericht 6

Wie von systems research bereits in vorangegangen Arbeiten aufgezeigt wurde, hängen die Modellergebnisse 

wesentlich von der Wahl der Domänengröße und der Lage ab. Da der Antrieb des 

Modells nur über die Ränder – dh. die äußersten drei Gitterzellen des mother domains - erfolgt, 

hat es bei genügend großer Wahl des Modellgebietes im Inneren die Möglichkeit seine eigene 

Dynamik und seine eigenen Strukturen zu entwickeln. Es gilt hier aber die Frage zu klären, wie 

viel Dynamik das Modell entwickeln darf ohne die globalen Strukturen der Antriebsdaten zu verlieren 

– dh. wie weit kann oder muss man die Ränder nach außen verschieben um einerseits die 

Entwicklung kleinräumiger Strukturen zu ermöglichen, in größeren Maßstäben jedoch möglichst 

geringe Abweichungen gegenüber den Antriebsdaten zu erhalten. Aus diesem Grund standen in 

einem ersten Schritt Sensitivitätsexperimente zur Modelldynamik im Vordergrund (vgl. Abb. 2). 

Als Vorgaben für die räumliche Lage der Domänen wurde vereinbart, dass in der äußeren der 

größte Teil Europas, Teile des Atlantiks und der Mittelmeerraum abgedeckt werden. In der inneren 

Domäne sollte der Alpenbogen eine zentrale Lage einnehmen, aber auch der Golf von Genua 

sollte wegen seines entscheidenden Einflusses auf das Wettergeschehen südlich der Alpen berücksichtigt 

werden. Unter diesen Prämissen wurden von BOKU-Met insgesamt 4 geometrische 

Setups für die Größe und Lage der Domänen vorgeschlagen (siehe Tabelle 1). Das geometrische 

Setup für die Fälle 1 und 2 bzw. 3 und 4 unterscheidet sich nur in der Anzahl der Gitterpunkte in x- 

und y-Richtung. In den Fällen 1 und 3 bzw. 2 und 4 blieb die Lage der Domänen unverändert, die 

Auflösung wurde jedoch von 45/15 km auf 30/10 km reduziert. 

Tabelle 1: Geometrische Domänenfestlegung für Sensitivitätstests 

Case# Domäne 

Gitterpunkte 

W/O 

Gitterpunkte 

N/S 

Maschenweite 

[km] 

Ausdehnung 

W/O [km] 

Ausdehnung 

N/S [km] 

1 1 110 88 45 4950 3960 

2 82 58 15 1230 870 

2 1 90 70 45 4050 3150 

2 76 52 15 1140 780 

3 1 165 132 30 4950 3960 

2 124 88 10 1240 880 

4 1 135 105 30 4050 3150 

2 115 79 10 1150 790 

Die einzelnen Setups unterscheiden sich also sowohl in ihrer Auflösung als auch in ihrer Ausdehnung, 

wobei die Größe der Domänen für die Fälle 1 und 3, bzw. 2 und 4 identisch sind (vgl. Abb. 1). 

Abb. 1: Lage der Domänen für Testcase #1 und #3 (links) und Testcase #2 und #4 (rechts) 

2 Anhang 1 

Teilbericht 6

Die vertikale Auflösung wurde für die hier aufgeführten Tests mit 29 Levels zwischen dem Boden 

und einer Obergrenze von 50 hPa festgelegt – nur der von IGAM am Supercomputer des ECMWF 

durchgeführte Modelllauf wurde mit 42 Levels initialisiert. 

Weiters wurden für die ersten Tests 2 Episoden ausgewählt: 

Episode 1: 18.09.1999 bis 21.09.1999 

Episode 2: 05.11.1999 bis 08.11.1999 

Die Rechnungen zu jeder Episode starteten jeweils 2 Tage früher um dem Modell einen adäquaten 

Spin-up zu ermöglichen. 

Im Modell MM5 sind unterschiedlichste Parametrisierungen implementiert. Dadurch kann der Benutzer 

je nach Wahl der einzelnen Parametersets durchaus unterschiedliche Modelle generieren. Da 

aber nicht alle Kombinationen sinnvoll sind und eine möglichst weit reichende Vergleichbarkeit der 

Ergebnisse zu gewährleisten ist, wurde die Parametrisierung des Modells wie folgt vereinbart: 

- Strahlung: RRTM longwave scheme IFRAD=4 


- Cumulus: Kain-Fritsch 2 + shallow convection ICUPA=8, ISHALLOW=1 

- Feuchte: Reisner 1 (Mixed-Phase) IMPHYS=5 

3 Sensitivitätsexperimente (WP 4.3a) 

Die aus den oben erwähnten Vorgaben resultierenden Testläufe wurden von systems research mit 

dem mesoskaligen Modell MM5 in der Version 3.6.3 durchgeführt. 

Da sich die MM5 Domänen hinsichtlich Lage, Größe und Auflösung deutlich von den von ALADIN 

verwendeten unterscheiden, können die Ergebnisse von MM5 und ALADIN nur eingeschränkt miteinander 

verglichen werden. Um eine bessere Vergleichbarkeit der MM5 und ALADIN Rechnungen 

zu ermöglichen, wurde von systems research zusätzlich ein MM5 Lauf mit einem der ALADIN Domäne 

vergleichbaren Setup gerechnet. Es wurde dabei die äußere Domäne so gewählt, dass sie 

möglichst mit der ALADIN Domäne übereinstimmt, die innere sollte weitestgehend mit der inneren 

Domäne der übrigen MM5 Rechnungen deckungsgleich sein. Wie aus Tabelle 2 zu ersehen ist, sind 

die Abmessungen der ALADIN Domäne deutlich kleiner als die der übrigen Testcases (siehe Abb. 2, 

letzte Zeile). 

Tabelle 2: Geometrisches Setup für ALADIN Vergleichsrechnung 

Case# Domäne 

Gitterpunkte 

W/O 

Gitterpunkte 

N/S 

Maschenweite 

[km] 

Ausdehnung 

W/O [km] 

Ausdehnung 

N/S [km] 

0 1 50 50 45 2250 2250 

2 82 58 15 1230 870 

Anhang 1 3 

Teilbericht 6

Die vertikale Auflösung beträgt hier 29 Levels zwischen dem Boden und der Obergrenze von 50 

hPa. Weiters wurde die Parametrisierung des Modells von den übrigen Testläufen übernommen und 

die Berechnungen für die 2. Episode (5. bis 8. 11. 1999) analog zu den anderen Experimenten mit 2 

zusätzlichen Tagen für das Spin-up des Modells durchgeführt. 

Um die einzelnen Testläufe von systems research und den übrigen Projektpartnern einfach unterscheiden 

zu können, wurde eine eigene Nomenklatur in der Form eines Buchstaben und dreier Zahlen 

eingeführt. Demgemäß werden alle von systems research durchgeführten MM5-Läufe mit „Axxx“, 

jene von BOKU-Met mit „Bxxx“, die IMG ALADIN Läufe mit “Cxxx“ und die IGAM MM5-Rechnungen 

mit „Dxxx“ bezeichnet wobei „xxx“ für die jeweilige Case# steht. Die insgesamt 9 Testläufe von 

systems research – in der Folge als „A000“ bis „A008“ bezeichnet – wurden weiters durch einzelne 

Berechnungen von BOKU-Met („B005“) und IGAM („D005“, „ECMWF“) ergänzt. 

Es sollen hier keine eingehenden statistischen Analysen durchgeführt werden, da diese von BOKU- 

Met in ihrem Teil ausführlich beschrieben und diskutiert werden. Für die einzelnen Testläufe werden 

nur die Minimum-, Maximum- und die mittlere Temperatur auf der 850 hPa Fläche für die äußere 

Domäne (Tab. 3a) und die innere Domäne (Tab. 3b) aufgelistet. Wie aus den Zahlen in Tabelle 3a 

abzulesen ist, kann die Zeile für die Vergleichsrechnung MM5/ALADIN (A000) für die äußere Domäne 

nicht wirklich mit den anderen verglichen werden, da ein ganz anderes Einzugsgebiet abgedeckt 

wird. Für die innere Domäne sollte dies jedoch durch die Wahl des MM5 Setups gewährleistet sein. 

Wie aus Tabelle 3b ersichtlich ist, sind die einzelnen Testläufe – mit Ausnahme des Laufs A000 – 

einander einigermaßen ähnlich, weichen jedoch alle relativ deutlich von den ERA-40 Antriebsdaten 

ab. 

Tabelle 3a: min-, max- und mean-Temperatur auf der 850 hPa Fläche in der äußeren Domäne 

6. 11. - 12:00 7. 11. - 12:00 8. 11. - 12:00 

Min Max Mean Min Max Mean Min Max Mean 

ERA-40 – D1 -15,5 23,9 2,7 -14,7 23 2,9 -14,9 21,1 3,1 

A005 – D1 -16,4 19,9 2 -14,2 18,6 2,3 -15,3 17,4 2,4 

B005 – D1 -16,4 19,9 2,2 -14,2 18,6 2,4 -15,4 17,4 2,6 

D005 – D1 -16,4 19,9 1,9 -14,2 18,5 2,1 -15,3 17,4 2,3 

ECMWF – D1 -16,5 19,9 1,8 -13,8 18,6 2 -15,4 17,5 2 

A000 – D1 -6,3 14,8 4,3 -7 15,4 3,1 -7,7 16,4 3 

Tabelle 3b: min-, max- und mean-Temperatur auf der 850 hPa Fläche in der inneren Domäne 

6. 11. - 12:00 7. 11. - 12:00 8. 11. - 12:00 

Min Max Mean Min Max Mean Min Max Mean 

ERA-40 - D2 -8,8 15,8 7,3 -5,8 15,5 5,8 -7,6 15,6 5,5 

A005 - D2 -1,4 8,3 4 -5,3 8,9 2,6 -2,7 14,6 3,8 

B005 - D2 -1,3 9,6 4,2 -5,6 9,7 2,5 -0,9 14,5 3,8 

D005 - D2 -1,6 7,7 3,4 -5,4 8 2 -3 11,6 2,8 

ECMWF - D2 -2,1 9,2 3,6 -4,8 12 1,7 -2,7 13,9 2,4 

A000 - D2 -2,9 8,7 3 -4,8 11,9 0,7 -3,8 12,1 1,1 

4 Anhang 1 

Teilbericht 6

Im Folgenden werden an Hand einiger Graphiken die Ähnlichkeiten bzw. Unterschiede der einzelnen 

Ergebnisse illustriert. Abseits von Statistiken und Kennzahlen soll hier der Versuch unternommen 

werden, die Möglichkeiten bzw. Beschränkungen einer schnellen optischen Beurteilung unter Verwendung 

des Geographischen Informationssystems ARC/INFO bzw. ArcView aufzuzeigen. 

Zu diesem Zweck wurde eine Reihe von Auswerteroutinen erstellt, die aus dem MM5 Output möglichst 

automatisiert alle relevanten Parameter und die Daten für das geometrische Setup extrahieren 

und daraus ARC/INFO ASCII-Grids erstellen. Diese werden in entsprechenden Verzeichnissen abgelegt 

und danach mittels AML-Prozeduren in ARC/INFO Grids übergeführt. Die daraus resultierenden 

Karten können in der Folge sehr einfach und schnell mit ArcView visualisiert werden. 

Parallel dazu wurden einerseits sämtliche Ergebnisse für eine weiterführende statistische Analyse 

aufbereitet und an BOKU-Met übermittelt, andererseits in ein vordefiniertes Format übergeführt, um 

eine Validierung der Modellergebnisse mit Daten des VERA Modells am IGM zu ermöglichen. 

Auf der folgenden Seite ist in Abb. 2 der Vergleich der Temperatur auf der 850 hPa Fläche für 

Case# 5 zwischen den ERA-40 Antriebsdaten und den Ergebnissen von systems research, BOKU- 

Met und IGAM zu sehen. Die Bilder in der Spalte ganz links orientieren sich an der Größe der äußeren 

Domäne mit 45 bzw. 30 km Auflösung, die mittlere und rechte Spalte zeigen die innere mit 15 

bzw. 10 km Rasterweite. Von oben nach unten sind der Reihe nach die ERA-40 Ausgangsdaten, die 

Ergebnisse von systems research, BOKU-Met, IGAM, eines von IGAM am Großrechner des 

ECMWF durchgeführten Testlaufs und der MM5 Lauf von systems research mit dem ALADIN Setup 

zu sehen. 

Für das Standard MM5 Setup sind die einzelnen Strukturen sowohl auf der 45 km als auch auf der 

15 km Skala sehr ähnlich und weisen nur geringfügige Differenzen auf. Generell unterscheiden sie 

sich alle – vor allem über den Alpen – deutlich von den Antriebsdaten. Nur die Ergebnisse des MM5- 

ALADAIN-Vergleichslaufes heben sich von diesem Bild ab und sind den ERA-40 Eingangsdaten 

deutlich ähnlicher. 

Dieser Testlauf ist der einzige der den Kaltluftsee über den Alpen – zumindest für den 7. November 

– in einer zu den ERA-40 Daten vergleichbaren Art und Weise wiedergeben kann. Dies liegt hauptsächlich 

an der Tatsache, dass auf Grund der deutlich kleineren Domäne das Modell in seinen Freiheiten 

eingeschränkt ist und daher eher die Charakteristiken der Antriebsdaten widerspiegelt. In der 

letzten Reihe ist im ersten Bild der Unterschied in der Abmessung der äußeren Domäne zwischen 

den MM5 Rechnungen und der MM5-ALADIN-Vergleichsrechnung zu sehen. 

Anhang 1 5 

Teilbericht 6

Abb. 2: Vergleich der 850 hPa Temperatur – Era40 Antriebsdaten (1. Zeile), MM5 systems research (2. 

Zeile), MM5 BOKU (3. Zeile), MM5 IGAM (4. Zeile), MM5 ECMWF (5. Zeile) und MM5 systems research/Aladin-Setup 

(6. Zeile) für den 6., 7. und 8. Nov. 1999 – 12:00 Uhr (von links nach rechts). 

Erfahrungsgemäß können Modelle die Temperatur meist recht gut wiedergeben, bei Niederschlägen 

ist dies schon deutlich schwieriger. In Abbildung 3 sind analog zu Abbildung 2 die von den einzelnen 

Projektpartnern für den Case# 5 berechneten akkumulierten Niederschlagssummen für den 6., 7. 

und 8. November 1999 jeweils 18:00 Uhr dargestellt. Der in der mittleren und rechten Spalte gewählte 

Ausschnitt repräsentiert ungefähr die Größe der inneren Domäne. 

6 Anhang 1 

Teilbericht 6

Ein Vergleich mit ERA-40 muss hier entfallen, da diese Daten nicht verfügbar sind. Die Verteilungsmuster 

sind auch hier in allen Fällen sehr ähnlich, die lokalen Intensitäten können aber durchaus 

unterschiedlich sein. 

Abb. 3: Vergleich akkumulierter Niederschlag – MM5 systems research (1. Zeile), MM5 BOKU (2. Zeile), 

MM5 IGAM (3. Zeile), MM5 ECMWF (4. Zeile) und MM5 systems research/Aladin-Setup (5. Zeile) für 

den 6., 7. und 8. Nov. 1999 – 18:00 Uhr (von links nach rechts). 

Abbildung 4a soll an Hand der Temperatur auf der 850 hPa Fläche die Unterschiede für die einzelnen 

geometrischen Setups aufzeigen. Dargestellt sind in den einzelnen Reihen die für die Testcases# 

1- 4 berechneten Temperaturen für den 19., 20. und 21. September 1999 (Episode 1) jeweils 

12:00 Uhr. Im Großen und Ganzen ähneln die zu beobachtenden Muster einander sehr. Am ehesten 

sind Unterschiede an der Kälteinsel ganz in Nordosten zu erkennen. In den Differenzkarten (Abb. 4b) 

wird dieser Eindruck hingegen nicht bestätigt. Hier zeigen sich die größten Abweichungen im Bereich 

der Alpen bzw. Voralpen. Generell ist zu bemerken, dass Unterschiede bei den größeren Domänen 

(A001/A003) wesentlich stärker hervortreten. 

Anhang 1 7 

Teilbericht 6

Abb. 4a: Vergleich der 850 hPa Temperatur: Testcases# 1 - 4 (von oben nach unten) für den 19., 20. 

und 21. September 1999 - 12:00 Uhr (von links nach rechts) 

Abb. 4b: Differenz der 850 hPa Temperatur: Testcases# 1/3 und 2/4 (von oben nach unten) für den 19., 

20. und 21. September 1999 –12:00 Uhr (von links nach rechts) 

8 Anhang 1 

Teilbericht 6

Abbildung 5a auf der nächsten Seite zeigt die Temperatur auf der 850 hPa Ebene für den 6., 7. und 

8. November 1999 (Episode 2) jeweils 12:00 Uhr. Auch hier sind auf den ersten Blick in den großräumigen 

Mustern keine ausgeprägten Unterschiede zu erkennen. Zwar treten auch hier Differenzen 

in den Temperaturen aufn, aber die Bilder sind doch sehr ähnlich. Die Differenzkarten (Abb. 5b) 

zeichnen auch hier ein etwas anderes Bild. Die größten Unterschiede finden sich an den Rändern 

der kalten Bereiche, wo zB warme Mittelmeerluft über den Alpen auf kalte Luft aus dem Norden trifft. 

Neben der Größe bzw. der geometrischen Auflösung ist hier auch der Zeitpunkt entscheidend. Die 

Übereinstimmung wird gegen Ende der Episode deutlich schlechter. 

Abb. 5a: Vergleich der 850 hPa Temperatur – Testcases# 5 - 8 (von oben nach unten) für den 6., 7. und 

8. November 1999 - 12:00 Uhr (von links nach rechts) 

Anhang 1 9 

Teilbericht 6

Abb. 5b: Differenz der 850 hPa Temperatur – Testcases# 5/7 und 6/8 (von oben nach unten) für den 6., 

7. und 8. November 1999 - 12:00 Uhr (von links nach rechts) 

Der Niederschlag zeigt überraschenderweise ein sehr homogenes Bild für alle 4 Testcases (Abb. 

6a). Sowohl die Verteilung als auch die Mengen stimmen in allen Berechnungen sehr gut überein. 

Auch die Differenzkarten (Abb. 6b) weisen keine größeren Abweichungen aus. Es sind dort nur einige 

kleine, räumlich sehr begrenzte Unterschiede über der Schweiz und in Norditalien zu erkennen. 

Abb. 6a: Vergleich akkumulierter Niederschlag – Testcases #1 – #4 (von oben nach unten) für den 

19., 20. und 21. September 1999 – 12:00 Uhr (von links nach rechts) 

10 Anhang 1 

Teilbericht 6

Abb. 6b: Differenz akkumulierter Niederschlag – Testcases #1/3 - #2/4 (von oben nach unten) für den 

19., 20. und 21. September 1999 - 12:00 Uhr (von links nach rechts) 

Das Bild des akkumulierten Niederschlags für die zweite Episode (6., 7. und 8. November 1999) 

präsentiert sich ähnlich dem vorherigen sehr einheitlich (Abb. 7a). Die markantesten Unterschiede 

treten über Norditalien, der nördlichen Adria und über dem Meer zwischen der Südspitze Italiens und 

Griechenland auf. Ein Blick auf die Differenzkarten (Abb. 7b) bestätigt diesen Eindruck. 

Abb. 7a: Vergleich akkumulierter Niederschlag – Testcases #5 - #8 (von oben nach unten) für den 6., 7. 

und 8. November 1999 - 12:00 Uhr (von links nach rechts) 

Anhang 1 11 

Teilbericht 6

Abb. 7b: Differenz akkumulierter Niederschlag – Testcases #5/7 - #4/8 (von oben nach unten) für den 6., 

7. und 8. November 1999 - 12:00 Uhr (von links nach rechts) 

Wie frühere Untersuchungen – zumindest jene von systems research – gezeigt haben, sind die Modellergebnisse 

stark vom geometrischen Setup abhängig. In den Analysen von BOKU-Met treten 

deutlichere Unterschiede in den Ergebnissen der einzelnen Tests vor allem während der 2. Episode 

auf. Gerade die Alpen stellen für Modelle eine besondere Herausforderung dar und meist treten dort 

auch größere Differenzen auf. Daher sollte dieser Bereich einer genaueren Betrachtung unterzogen 

werden. Während sich die statistischen Kennzahlen auf eine ganze Domäne beziehen, sollte hier der 

Versuch unternommen werden, die Bereiche mit den größten Abweichungen zu lokalisieren. 

Es konnten in dieser Studie während der ersten Episode für die unterschiedlichen räumlichen Bedingungen 

keine dramatischen Abweichungen gefunden werden, die eine eindeutige Präferenz für ein 

bestimmtes Setup rechtfertigen würden. Bei der zweiten Episode sind die Unterschiede zwischen 

den einzelnen Testläufen zwar am Anfang relativ gering, verstärken sich aber gegen Ende doch 

deutlich. All diese Ergebnisse sind jedoch vor dem Hintergrund des doch relativ kleinen Samples von 

2 Episoden mit je 4 Tagen zu sehen. Um hier eine einigermaßen gesicherte Aussage zu ermöglichen 

werden noch weitere Sensitivitätstest über längere Zeiträume notwendig sein. Insbesondere der für 

die nächste Etappe geplante Modelllauf über ein ganzes Jahr sollte hier eine deutliche Verbesserung 

bringen. 

12 Anhang 1 

Teilbericht 6

4 Regionalisierung der Sonnenstrahlung (WP5.5) 

Die Sonnenstrahlungsdaten werden entsprechend der Nachfrage-Erhebung von systems research 

vor allem für vegetationsökologische Fragestellungen herangezogen werden. Für die Photosynthese 

und Pflanzenwachstum ist hier die kurzwellige Strahlung von Bedeutung. Die Wärmestrahlung geht 

über die Modellierung bzw. Regionalisierung der Temperatur implizit in die Modellergebnisse ein und 

wird hier bei der Sonneneinstrahlungs-Regionalisierung außer Acht gelassen. 

Die Sonneneinstrahlungs-Modellergebnisse aus den Regionalmodellen MM5 und Aladin liegen nur in 

einer relativ groben Auflösung vor, die aufgrund der Verwendung eines nur groben und „flachen“ 

digitalen Höhenmodells die Realität wenig trifft und in keiner Weise das Expositions-Hangneigungsgefüge 

des Geländes und damit der Sonneneinstrahlung auf lokaler Ebene widerspiegelt. 

Die Regionalisierung erfolgt darum nicht durch Downscaling der Ergebnisse der Regionalmodelle, 

sondern durch ein schrittweises Verfahren: 

1. Zunächst wird mit einem physikalisch-mathematischen Modells für die vom Regionalmodell 

verwendete Zeitspanne unter Beachtung der Solarkonstante, des Sonnenstandes aufgrund von 

Jahreszeit und Uhrzeit (Inklination, etc.) und der geographischen Breite die direkte kurzwellige 

Sonneneinstrahlung bei wolkenlosem Himmel auf eine ebene Fläche berechnet. 

2. Die Modifizierung dieser theoretischen Sonneneinstrahlung durch Exposition und Hangneigung 

sowie durch direkte Abschattung wird des Weiteren mit Hilfe eines feinen digitalen Höhenmodells 

(DHM), dessen Auflösung jener der gewünschten Regionalisierungsergebnisse entspricht, 

berechnet. 

3. Aus den Ergebnissen werden Mittelwerte für die Modellpunkte berechnet und die Differenz (die 

Residuen) zu den Regionalmodellergebnissen berechnete. 

4. Die Differenzen werden im Regelfall positiv sein – dh. die Ergebnisse des Strahlungsmodells 

sind höher als die im Regionalmodell integrierten Sonnenstrahlungs-Ergebnisse, da diese ja 

den Einfluss der Bewölkung enthalten. 

5. Die Residuen werden interpoliert - entweder linear mittels IDW, mit thin plate splines oder mittels 

Variogrammfunktion und Co-Kriging unter Verwendung der Seehöhe als Co-Variable - und 

die so generierte Residualfläche von der auf dem DHM basierenden Modellfläche des expliziten 

Strahlungsmodell subtrahiert. (Im Prinzip ist auch die von Schöner in seinem Teilbericht vorgestellte 

EOF-Methode aus dem CLIM.PACT-Paket von R. Benestadt einsetzbar, allerdings stand 

diese zum Zeitpunkt der Arbeiten an der Strahlungsregionalisierung noch nicht zur Verfügung.) 

6. Das Ergebnis ist nun eine fein differenzierte - auf Topographie, Sonnenstand und Bewölkung 

abgestimmte Sonneneinstrahlungsfläche für die jeweilige gewünschte Zeitspanne. Die Strahlungssumme 

je Fläche für die gewählte Zeiteinheit wird etwa dieselbe sein, wie im Regionalmodell. 

Die kleinräumige Variation zeigt große Schwankungen und ergibt sich aus den Geländeformen, 

die großräumigen Unterschiede ergeben sich durch die Variation in der Bewölkungsintensität. 

Eine kurze Abhandlung des verwendeten Sonnenstrahlung-Modells ist in Anhang 1 zu finden, das 

verwendete AML-Script in Anhang 2. 

Anhang 1 13 

Teilbericht 6

Die folgende Abbildung fasst den Ablauf der einzelnen Modellier-Schritte der Strahlungs- 

Regionalisierung zusammen. 

Abb. 8: Regionalisierung der Strahlung unter Berücksichtigung des Geländes und der Bewölkung 

4.1 Modellergebnisse – Teilergebnisse für die einzelnen Schritte 

Die folgenden 5 Abbildungen zeigen Resultate der von MM5 generierten Sonnenstrahlung, der potenziellen 

clear-sky Sonnenstrahlung, der auf MM5-Auflösung gemittelten clear-sky Sonnenstrahlung, 

Differenzen zwischen den beiden Modellen und schließlich 2 kompilierte Endergebnisses unter 

Beachtung der Bewölkungseffekte für den 16.9.1999. Aus Gründen der Vergleichbarkeit wurden die 

Klassengrenzen und Legendenfarben ident gehalten. 

14 Anhang 1 

Teilbericht 6

Abb. 9: MM5 – Modellergebnisse: Sonnenstrahlung in KJ /m2 am 16.9.1999 (10 km Auflösung) 

Abb. 10: potenzielle clear-sky Sonnenstrahlung in KJ/m2 am 16.9.1999 (topographische Basis bzw. 

geometrische Auflösung 1000m DHM) 

Anhang 1 15 

Teilbericht 6

Abb. 11: Potenzielle clear-sky Einstrahlung in KJ/m2 am 16.9. 1999 gemittelt auf MM5 Modell- 

Gitterpunkte (10km Auflösung) 

Abb. 12: Differenzen zwischen den MM5-Ergebnissen und der potenziellen clear-sky Einstrahlung in 

KJ/m2 am 16.9.1999 (10 km-Auflösung) 

16 Anhang 1 

Teilbericht 6

Abb. 13: aktuelle Sonnenstrahlung in KJ/m² am 16.9.1999 unter Berücksichtigung der Bewölkung (anhand 

der interpolierten Differenzen aus Abb. 5) und der Topographie (DHM Auflösung 1000m) 

Die Kombination beider Karten zeigt zu hohe Werte für die wolkenfreien Gebiete, da das MM5- 

Ergebnis eben höhere Strahlung generiert als das physikalisch-mathematische Modell liefert (hier 

clear-sky Strahlung). In einem ersten Schritt werden nur die negativen Abweichungen weiter 

herangezogen – in der Annahme, dass diese die Effekte der Bewölkung auf die Sonnenstrahlungsintensität 

zeigen. 

Abb. 14: aktuelle Sonnenstrahlung in KJ/m² am 16.9.1999 unter Berücksichtigung der Bewölkung (anhand 

der interpolierten negativen Differenzen aus Abb. 5) und der Topographie (DHM Auflösung 1000m) 

Anhang 1 17 

Teilbericht 6

4.2 Integration der Residuen in das clear-sky- 

Strahlungsmodellergebnis 

Diskussion: 

Im Prinzip funktioniert der Ansatz, auch wenn es noch einige Ausreißer-Flächen nach der Integration 

der Residuen-Fläche gibt. Insgesamt scheint es, dass das regionale Klimamodell zu hohe Sonnenstrahlungswerte 

generiert, was zu regional gelegentlich unplausiblen Abweichungen gegenüber den 

clear-sky Werten führt. Dies äußert sich dahingehend, dass die Differenzen in den nicht oder nur 

wenig bewölkten Gebieten hoch positive Abweichungen zeigen, während in den an diesem Modell- 

Tag stark bewölkten Gebieten - im nördlichen Wiener Becken und in den Nordtiroler Kalkalpen –zT 

stark negative Abweichungen auftreten. 

Es wird daher vorgeschlagen, das MM5-Modell anhand von Messdaten sowie anhand von physikalisch-mathematischen 

Modellergebnissen zu überprüfen. 

In einem ersten korrigierenden Schritt wurden die positiven Residuen außer Acht gelassen, was 

dazu führt, dass die Ergebnisse weit realistischer scheinen und die Charakteristik der Ergebnisse 

beider Modelle integrieren. 

Um ein Regional-Modell anhand von clear-sky Modellergebnissen zu kalibrieren, ist es notwendig 

clear-sky Tage mit dem jeweiligen Modell zu generieren und dann die Sonnenstrahlungsdifferenzen 

zum mathematisch–physikalischen Modell zu interpretieren und gegebenenfalls die Modellparameter 

zu adaptieren. Wenn dies nicht den gewünschten Erfolg liefert, sind zumindest die Regionalmodell- 

Ergebnisse mit einem Korrekturfaktor zu gewichten. 

Nachtrag: 

Inzwischen wurde eine zusätzliche Variante entwickelt, um die Problematik der Sonn-Schatt-Seiten- 

Differenzen im Gebirge und die sich daraus ergebenden positiven Abweichungen in den Griff zu 

bekommen. Diese kommen nach der modifizierten Berechnungsform nun nicht mehr vor, sodass 

tatsächlich davon ausgegangen werden kann, dass die Abweichungen zwischen den MM5- 

Ergebnissen und der auf MM5-Auflösung geglätteten clear-sky Einstrahlungs-Modellierung tatsächlich 

bewölkungsbedingt sind und die „Rückrechnung“ die tatsächliche lokale und zeitbezogene Situation 

gut widerspiegelt . Zur Überprüfung sind hierzu noch die Strahlungsdaten der ZAMG notwendig, 

die zur Zeit der Berichtslegung noch nicht vorhanden waren. Die Details dazu werden nach entsprechender 

quantitativer Validierung im nächsten Bericht im Detail erörtert werden. 

18 Anhang 1 

Teilbericht 6

Literatur 

Bernhard, L. & R. Weibel (1999) 

Modelling snowmelt using a digital terrain model and GIS based techniques. – In: Dikau, R. & H. Saurer (Hg.): GIS 

for earth surface systems. Borntraeger: Berlin, Stuttgart, S. 25-46. 

Bernhardt, F. & H. Philipps (1958): 

Die räumliche und zeitliche Verteilung der Einstrahlung, der Ausstrahlung und der Strahlungsbilanz im Meeresniveau. 

Teil 1: Die Einstrahlung. (= Abhandlungen des Meteorologischen und Hydrologischen Dienstes der DDR 45) – 

Meteorologischer Dienst der DDR: Berlin. 

Hastenrath, S. (1984): 

The glaciers of Equatorial East Africa. – Reidel: Dordrecht, Boston, Lancaster. 

Hock, R. (1999): 

A distributed temperature-index ice- and snowmelt model including potential direct solar radiation. – In: Journal of 

Glaciology, Vol. 45, H. 149, S. 101-111. 

Iqbal, M. (1983): 

An introduction to solar radiation. – Academic Press: Toronto, New York, London. 

Kumar L., Skidmore A. K., Knowles E. (1997): 

Modelling topographic variation in solar radiation in a GIS environment. – In: International Journal of Geographic 

Information Science, Vol. 11, No. 5, S. 475-498. 

Liljequist, H. & K. Cehak (1994): 

Allgemeine Meteorologie. – Viehweg: Braunschweig, 3. Aufl. 

Mölg, T. (2001): 

Modellierung der Globalstrahlung in Zusammenhang mit neuzeitlichen Gletscherschwankungen am Ruwenzori. – 

Diplomarbeit, Institut für Geographie der Universität Innsbruck: Innsbruck. 

Schafmeister, M.T. (1999): 

Geostatistik für die hydrogeologische Praxis. – Springer: Berlin, Heidelberg, New York. 

Anhang 1 19 

Teilbericht 6

20 Anhang 1 

Teilbericht 6

ANHANG A Das Mathematisch-physikalische 

Sonnenstrahlungsmodell 

Physikalisch-mathematische Basis des Strahlungsmodells ist die Berechnung der direkten kurzwelligen 

Sonneneinstrahlung bei wolkenlosem Himmel SW↓ (dir) auf eine ebene Fläche. 

Die Strahlungsleistung der Sonne die auf der Erde pro Quadratmeter ankommt wird als 

Solarkonstante I0 bezeichnet und beträgt bei einer mittleren Sonnenentfernung am Oberrande der 

Erdatmosphäre 1367 Wm -2 (Jansen, 1985). Da der Abstand der Erde von der Sonne aufgrund der 

Exzentrizität der Erdbahn während eines Jahres schwankt, ist ein Korrekturfaktor ε notwendig. 

Daraus ergibt sich die Einstrahlung G0 auf eine Ebene senkrecht zur Sonnenstrahlung [Wm-2]: 

G0 = I0 ε (1) 

Nach Kreith & Kreider (1978) bzw. Duffie & Beckmann(1991) kann für ε folgender Ansatz 

angenommen werden: 

ε = 1 + 0.03344 cos (360° N/365) (2) 

wo N die laufende Tageszahl von 1. Jänner bis 31. Dezember ist. 

Die Sonneneinstrahlung auf ebenes Gelände normal zum Einstrahlungswinkel B0c [Wm-2], bei 

wolkenfreiem Himmel ergibt sich aus: 

Bhc = G0 sin h0 (3) 

wobei h0 dem Sonnenwinkel entspricht. 

Die Sonnenstrahlung auf einer geneigten Fläche Bic [Wm -2 ] ist: 

Bic = B0c sin δexp (4) 

wobei δexp dem Winkel zwischen Sonne und der geneigten Fläche entspricht. 

Der Winkel wird anhand der Sonnenposition und einem aus dem Höhenmodell abgeleiteten 

Neigungs- und Expositionsmodell bestimmt. Die Sonnenposition in Relation zur ebenen Fläche (vgl. 

Kumar et al., 1997) ergibt sich aus der Deklination h0 (= Winkel zwischen Sonnenstand und der 

ebenen Fläche) und dem Azimut A0 (= horizontaler Winkel zwischen der Sonne und dem Meridian 

von Osten aus): 

wobei 

sin α = sin L sin δs + cos L cos δs cos hs (5) 

α = der Sonnenwinkel 

L = geographische Breite 

δ = die Sonnendeklination (Winkel zw. Ebene und Sonnenstand) 

hs = Stundenwinkel (Azimut) 

Anhang 1 21 

Teilbericht 6

Bei der Strahlung wird hier vereinfachend nur zwischen direkter und diffuser Strahlung 

unterschieden. Die direkte Strahlung wird anhand Boughers’ Gesetz berechnet (Kumar et al., 1997): 

Ib = Io e -kM (6) 

k ist dabei die Absorptionskonstante und M das Luftmassen-Verhältnis, also das Verhältnis zwischen 

der Luftmasse, welche die Strahlung bei gegebenem Sonnenwinkel passieren muss, und jener 

Masse die passiert wird, wenn die Sonne im Zenit stehen würde. Die Ermittlung von k und M wird 

hier nicht weiter ausgeführt, hier sei auf Kumar et al. (1997) verwiesen. 

Die diffuse Strahlung resultiert vor allem aus der Lichtstreuung an Luftmolekülen. Die Berechnung 

der diffusen und reflektierten Strahlung Id basiert – Kumar et al. (1997) folgend – auf Gates (1980): 

wobei 

Id = Io τd cos 2 β/2 sin α (7) 

τd = der Strahlungsdiffusionskoeffizient 

α = der Expositionswinkel der beleuchteten Fläche 

β = der Hangneigungswinkel der beleuchteten Fläche 

Mangels Bewölkungsdaten wird die Minderung durch Bewölkung aus dem Modell berechnet, sondern 

anhand der tagesspezifischen Ergebnisse eines regionalen Klimamodells über die Residuen. 

(Die Residuen werden durch Subtraktion des Flächemittels der theoretischen Einstrahlung bei wolkenlosem 

Himmel des mathematisch-physikalischen Modells von den die Bewölkung berücksichtigenden 

Einstrahlungsergebnissen für die Modellpunkte aus dem Regionalmodell erzeugt.) 

Das Strahlungsmodell wurde vorerst im Grid-Modul von ARC/INFO implementiert, das verwendete 

AML-Script ist in Anhang 2 zu finden. 

Abb. A1: Schema der Einstrahlungsformen – direkte (1), diffuse (2) und reflektierte (3) Strahlung 

22 Anhang 1 

Teilbericht 6

ANHANG B AML-Script zur Berechnung der clear-sky 

Strahlung 

* ========================================================================= 

/* @(#)shortwavb.aml 1.4 09/14/2000 11:22:17 

/*------------------------------------------------------------------------- 

/* Original Code 

/* Lab for synthetic dynamic vegephenomenology 

/*------------------------------------------------------------------------- 

/* Program: SHORTWAVB.AML 

/* Purpose: This program calculates the shortwave radiation received 

/* at the surface of the earth over a period of time. For the 

/* given day(s), it calculates the sunset and sunrise times 

/* and intergrates solar radiation from sunrise to sunset each 

/* day. 

/* Reference: This AML program was used originally for work published as: 

/* Kumar, L., Skidmore, A.K., Knowles, E., (1997) Modelling 

/* Topographic Variation in Solar Radiation in a GIS Envi- 

/* ronment. International Journal of Geographical Informa- 

/* tion Science, 11(5): 475-497. 

/*------------------------------------------------------------------------- 

/* Usage: &r shortwavb 

/*------------------------------------------------------------------------- 

/* Notes: This AML was originally coded as "shortwave.aml" by Lalit 

/* Kumar. For northern hemispheres, the code had an error. 

/* When calculating the terrain-based overhsadowing, the 

/* sun passed always north of the target cell. However, the 

/* calculation of the radiation intensity was correct. To 

/* adjust the code for northern hemispheres, the shortwavc.aml 

/* was developed. 

/*------------------------------------------------------------------------- 

/* Addresses: Lalit Kumar 

/* School of Geography, University of New South Wales 

/* Sydney, Australia 

/* 

/* adapted for northern hemisphere 

/* Niklaus E. Zimmermann 

/* Swiss Federal Research Institute WSL 

/* CH-8903 Birmensdorf, Switzerland 

/* 

/* adapted for reclip:more application by Hans Zueger 

/* ARC systems research GmbH 

/* A 2444 Seibersdorf 

/*------------------------------------------------------------------------- 

/* Input: DEM 

/* Output: radiation covers 

/*------------------------------------------------------------------------- 

/* History: Lalit Kumar - ... - Original coding 

/* Lalit Kumar - 5/08/1997 - Last Modifications 

/* Niklaus E. Zimmermann - 11/21/1998 - Corrections (N-hemisph.) 

/*========================================================================= 

&args cover outgrid latdeg daystart dayend timeint 

&if [show program] ne GRID &then 

grid 

&if ^ [exists %cover% -grid] &then 

&return &error Grid %cover% does not exist. 

&if [exist %outgrid% -grid] &then 

&return &error Grid %outgrid% already exists. 

&if ^ [variable latdeg] &then 

&return &error need a valid latitude 

&if ^ [variable daystart] or %daystart% < 1 or %daystart% > 365 &then 

&return &error please enter a start day between 1 and 365 

&if ^ [variable dayend] or %dayend% < 1 or %dayend% > 365 &then 

&return &error please enter an end day between 1 and 365 

&if ^ [variable timeint] or %timeint%

&s time = %timeint% * 0.0043633 /* convert minutes into radians 

&s daynumber = %daystart% 

&s pi = 22 / 7 

&s degtorad = 2 * %pi% / 360 

&s latitude = %latdeg% * %degtorad% 

&if [exist slopegrid -grid] &then kill slopegrid all 

slopegrid = slope(%cover%) 

&if [exist slopegrid2 -grid] &then kill slopegrid2 all 

slopegrid2 = slopegrid * %degtorad% 

&if [exist aspectgrid -grid] &then kill aspectgrid all 

aspectgrid = aspect(%cover%) 

&if [exist aspectgrid1 -grid] &then kill aspectgrid1 all 

/* change so that surface azimuth is zero at south 

if (aspectgrid == -1) aspectgrid1 = 0 

else if (aspectgrid le 180) aspectgrid1 = 180 - aspectgrid 

else aspectgrid1 = 540 - aspectgrid 

&if [exist aspectgrid2 -grid] &then kill aspectgrid2 all 

aspectgrid2 = aspectgrid1 * %degtorad% 

&if [exist outgrid0 -grid] &then kill outgrid0 all 

outgrid0 = hillshade (%cover%, 0, 0, shadow) 

&if [exist initialgrid -grid] &then kill initialgrid all 

initialgrid = outgrid0 * 0 

kill outgrid0 all 

kill slopegrid all 

kill aspectgrid all 

kill aspectgrid1 all 

&if [exist sungrid -grid] &then kill sungrid all 

&if [exist wattsgrid -grid] &then kill wattsgrid all 

&if [exist wattsgrid2 -grid] &then kill wattsgrid2 all 

&if [exist shaded -grid] &then kill shaded all 

&if [exist cosi -grid] &then kill cosi all 

&do &until %daynumber% > %dayend% 

/* See Eq 7 

&s Io = [calc 1.367 * ( 1 + 0.034 * [cos [calc 360 * %degtorad% * ~ 

%daynumber% / 365]] )] 

/* See Eq 4 

&s decl = [calc 23.45 * %degtorad% * [sin [calc %degtorad% * 360 * ~ 

( 284 + %daynumber% ) / 365]]] 

/* See Eq 6 

/* This line needed to be adjusted to latitudes exceeding 66.5° N/S 

&if [calc -1 * [tan %latitude%] * [tan %decl%]] lt -1.0 &then /*nez: check that x 

is not >1.0 for acos(x) 

&s sunrise = [acos -1.0] /*nez: 

" 

&else &if [calc -1 * [tan %latitude%] * [tan %decl%]] gt 1.0 &then /*nez: 

" 

&s sunrise = [acos 1.0] /*nez: 

" 

&else /*nez: 

" 

&s sunrise = [acos [calc -1 * [tan %latitude%] * [tan %decl%]]] /*orig 

" 

&s sunset = -1 * %sunrise% 

/* To ensure calculations are at half the time interval 

&s hourangle = %sunrise% - ( %time% / 2 ) 

&s pass = 1 

&do &until %hourangle% < %sunset% 

&ty day : %daynumber% 

&ty pass: %pass% 

/* See Eq 2 

24 Anhang 1 

Teilbericht 6

powers) 

alt%]] 

alt%]] 

/*nez 

/*nez 

/*nez 

&s solaralt = [asin [calc [sin %latitude%] * [sin %decl%] + [cos %latitude%] * ~ 

[cos %decl%] * [cos %hourangle%]]] 

&s test = [tan %decl%] / [tan %latitude%] 

/* See Eq 3 

&if ( [cos %hourangle%] > %test% ) &then 

&s solaraz = [asin [calc [cos %decl%] * [sin %hourangle%] / [cos %solaralt%]]] 

&else &if ( [cos %hourangle%] < %test% ) &then 

&s solaraz = %pi% - [asin [calc [cos %decl%] * [sin %hourangle%] / [cos %solaralt%]]] 

&else &if ( %test% = [cos %hourangle%] and %hourangle% >= 0 ) &then 

&s solaraz = %pi% / 2 

&else &if ( %test% = [cos %hourangle%] and %hourangle% < 0 ) &then 

&s solaraz = -1 * %pi% / 2 

&end /* don't ask :)) 

&if ( %solaraz% >= 0 ) &then 

&s solarazdeg = %solaraz% * 57.29578 

&else 

&s solarazdeg = 360 - ( [abs %solaraz%] * 57.29578 ) 

/* See Eq 11 

/* Below is the original code, which doesn't run under AI 8.0.2 (no raise to fractional 

/*&s M = [calc ( 1229 + ( 614 * [sin %solaralt%] ) ** 2 ) ** 0.5 - 614 * [sin %solar- 

/* Calvin Tolkamp proposed the workaround below: 

&s M = [calc [sqrt [calc 1229 + ( 614 * [sin %solaralt%] ) ** 2 ]] - 614 * [sin %solar- 

&s e = 2.7182818 

/*This is to back-calculate the tau-value 

/*&s tau = [calc ( 0.56 * ( %e% ** ( -0.65 * %M% ) + %e% ** ( -0.095 * %M% ) ) )] 

/*&ty Solaralt: %solaralt%, Air mass: %M%, Tau: %tau% 

/* See Eq 15 

/* Below is the original code, which doesn't run under AI 8.0.2 (no raise to fractional 

powers) 

/*&s Is = %Io% * 0.56 * ( %e% ** ( -0.65 * %M% ) + %e% ** ( -0.095 * %M% ) ) 

/* Calvin Tolkamp proposed the workaround below: 

&s Is = %Io% * 0.56 * ( [exp [calc -0.65 * %M% ]] + [exp [calc -0.095 * %M% ]] ) 

&s solaraltdeg = %solaralt% * 57.29578 

/*sungrid = HILLSHADE (%cover%, %solarazdeg%, %solaraltdeg%, shadow) /*nez: was 

disabled because it is wrong in N-lat. 

&if ( %solarazdeg%

* Trust me on the following two lines (You always need to fudge a little). 

if (cosi lt 0) shaded = 0 

else shaded = 1 

wattsgrid = %Is% * cosi * sungrid * shaded * 60 * %timeint% 

wattsgrid2 = wattsgrid + initialgrid 

kill wattsgrid all 

kill initialgrid all 

kill sungrid all 

kill shaded all 

kill cosi all 

rename wattsgrid2 initialgrid 

&s hourangle = %hourangle% - %time% 

&s pass = %pass% + 1 

&end 

&s daynumber = %daynumber% + 1 

&end 

%outgrid% = int(initialgrid) 

/* NOTE : THE UNITS FOR RADIATION IN THE OUTGRID ARE kJ/m^2/timeperiod 

/* If these are to be converted to MJ/m^2/day, then they should be divided by 1000 * no. of 

days. 

kill initialgrid all 

kill aspectgrid2 all 

kill slopegrid2 all 

26 Anhang 1 

Teilbericht 6

Anhang 2 

Protokolle der Projektmeetings

Protokoll: 

3. Projektvorbereitungsmeeting 

zum K-Wiss-Programm reclip:more 

‘‘research for climate protection: model run evaluation‘‘ 

(Meeting fand erst nach offiziellen Projektbeginn statt) 

Do. 13.11. 2003 ARC systems research Stadtbüro/Kolingasse 11/11, 1090 Wien 

10:00 – 13:00 

Themen:+ Allg. Vertragsbedingungen – revidiert 

Teilnehmer: 

+ Bereinigung von Unklarheiten hinsichtlich der einzelnen Leistungspakete 

+ Diskussion der jeweiligen Verantwortlichkeiten laut eingereichter Offerte 

+ Klärung offener Fragen inhaltlicher Art 

Name Institution E-mail 

Manfred Dorninger IMG - Uni Wien manfred.dorninger@univie.ac.at 

Bodo Ahrens IMG - Uni Wien bodo.ahrens@univie.ac.at 

Alexander Beck 

IMG - Uni Wien alexander.beck@univie.ac.at 

Herbert Formayer IMP - Boku herbert.formayer@boku.ac.at 

Wolfgang Schöner ZAMG wolfgang.schoener@zamg.ac.at 

Andreas Gobiet IGAM - Uni Graz andreas.gobiet@uni-graz.at 

Heimo Truhetz IGAM - Uni Graz heimo.truhetz@uni-graz.at 

(heimo.truhetz@utanet.at) 

Wolfgang Loibl ARC sys wolfgang.loibl@arcs.ac.at 

Johann Züger ARC sys johann.zueger@arcs.ac.at 

Mario Köstl ARC sys mario.koestl@arcs.ac.at 

Protokoll: Köstl, mit Ergänzungen von Loibl 

Allgemeine Vertragsbedingungen, Zahlungsmodalitäten 

ARC systems research ist zwar ein eigenständiges Tochterunternehmen der ARC 

Holding, allerdings an gewisse Vorgaben seitens der Holding und „Traditionen“ gebunden. 

Die allgemeinen Vertragsbedingungen stammen noch von der Muttergesellschaft ARC 

Seibersdorf research und sind für Forschungskooperationen nicht wirklich geeignet – 

etwa das Publikationsverbot von eigenen Entwicklungen – IGAM hat dies bemerkt und 

ARC systems research diesbezüglich kontaktiert. 

Anhang 2 1

Loibl hat darauf revidierte Vertragsbedingungen entworfen und diese an alle Projektpartner 

ausgeschickt. Nach Zustimmung der Partner wurden die neuen Bedingungen 

mit einem Begleitschreiben, in dem die alten Vertragsbedingungen als gegenstandslos 

erklärt werden, den Vertragspartner übergeben. 

Die Verträge mit den Standardvertragsbedingungen bzw. die kaufmännische Abwicklung 

von Projekten wird, was Rechnungslegung und Zahlungen betrifft, für die 

nächsten 2 Jahre von der ARC business services als weiterer ARC Holding Tochter 

abgewickelt. Somit hat ARC systems research nur bedingt auf Form und Art der Vertragserrichtung, 

Auftragsbestätigung etc. Einfluss. Deshalb wurden die Teilzahlungs- 

Modalitäten – wie mit den Partnern besprochen – nicht in den Vertragstext bzw. das 

Auftragsschreiben aufgenommen. ARC systems research wird trotzdem das 2. Drittell 

nach gemeinsamer Erstellung der Feinstruktur und der individuellen Arbeitsberichte zu 

Methoden und Datenbereitstellung und nach Rechnungslegung auszahlen. 

Bereinigung von Unklarheiten hinsichtlich Antriebsdaten 

Ahrens kümmert sich um ERA-40 für Aladin (Umfang ca. 30 GB pro Jahr). 

Da dieses Modell eventuell andere Felder als MM5 benötigt, übernimmt systems 

research die Verantwortung für den ERA-40-Download – Züger wird die Daten 

archivieren und den Partnern für MM5 zur Verfügung stellen. Grundsätzlich wurde 

festgehalten, alle ERA-40 Daten va. bezogen auf die Bodenfelder zu nutzen. 

(Anm. Köstl: Dies wurde von Züger bereits begonnen. Nach Recherchen von Züger ist 

für eine Auflösung von 2,5 ° kein gesonderter Antrag an das ECMWF zu richten, 

sondern nur die im Downloadformular angeführten Bedingungen für die wissenschaftliche 

Verwendung der Daten zu erfüllen. Die für die Verwendung feinerer 

Auflösung benötigte Befugnis, wird von systems research beantragt. Da die Daten in 

grib-Format vorliegen, sind keine Schwierigkeiten bei der Aufbereitung zu erwarten.) 

Die Wahl der Auflösung der Antriebsdaten – ECHAM T42 oder T106 – wurde zwischen 

den Beteiligten (Ahrens, Gobiet, Formayer, Loibl) diskutiert, aber noch keine definitive 

Entscheidung getroffen. Hier wird weiter recherchiert, ob besser geeignete T106- 

Antriebsdaten verfügbar gemacht werden können (Ahrens). 

Es ist allen Projektpartnern klar, dass ein höher aufgelöstes GCM erstrebenswert wäre, 

da jede zusätzliche Nestingstufe eine Unsicherheitsquelle darstellt. Auch die Tatsache, 

dass im T42 der Effekt der Alpen wohl kaum zum Tragen (Loibl „Flache Flunder“) 

kommt, kann problematisch werden. 

Gobiet regt an, sich zunächst auf T42 zu konzentrieren (da dieses ausgereift und 

verfügbar) und T106 je nach Notwendigkeit für Sensitivitätstest einzusetzen. Sollten 

keine T106 Läufe für die gewünschten Zeiträume zur Verfügung stehen, könnten/ 

sollten allerdings für ausgewählte kürzere Zeitfenster Vergleiche zwischen T42- und 

T106-getriebene RCM’s im Rahmen der Sensitivitätsuntersuchen durchgeführt werden. 

Gobiet verweist weiters auf den DMI-Datensatz, der die Jahre 1970 – 1994 bzw. 

2060 – 2090 abdeckt. Dieser könnte ebenfalls – zumindest für die retrospektiven Tests 

– verwendet werden. 

In Zusammenhang mit der Wahl des GCM wurden auch die zu rechnenden Zeiträume 

diskutiert – allerdings auch hier noch keine definitive Entscheidung getroffen, da dies 

von den verfügbaren Zeitfenstern der Antriebsdaten abhängt. 

2 Anhang 2

Bei der Auswahl der Zeitscheiben f. Control runs soll nach Meinung von Dorninger in 

Kombination mit synoptischen Daten erfolgen: zB VERACLIM 1980-2000 

Dorninger verweist zusätzlich auf Lücken in MARS-Archiv vor 1980er Jahren, die nur 

mit unrealistisch hohem Aufwand zu füllen wären. Zusätzlich seien auch die VERA- 

Daten nach 1980 wesentlich besser. Er meint auch, dass MAP Perioden berücksichtigt 

werden sollten, da für diese umfangreiche Datensätze zur Verfügung stünden (auch in 

Hinsicht auf Zyklogenese, Starkniederschlag, Föhn – sehr gute Daten liegen für den 

Zeitraum 7.9.99 – 15.11.99 vor). 

Formayer verweist in diesem Zusammenhang auch auf Notwendigkeit einer 

Winterperiode, um Schneebedeckung gut nachvollziehen zu können. 

Einigung auf Zeitraum späte 1980er und 1990 – 2000 für Kontrollläufe, da diese Jahre 

durch Daten am besten abgedeckt sind (zB ERA15 1979 – 1994, aber auch MAP, 

insbesondere MAP-SOP). 

Bezüglich der Zeitscheiben f. prospektive runs verweist Loibl auf CERA-Datenbank: 

dzt. verfügbar ETH 2041-2050, DMI 2060-2089) 

Ahrens berichtet von einem geplanten REMO-Lauf, der allerdings prognostisch den 

Zeitraum 2070 – 2100 abdeckt, somit wohl für reclip.more nicht in Frage kommt. 

(Nachträgliche Anm. Loibl: Der von möglichen Anwendern präferierte Zeitraum für 

prospektive Model runs 2020 – 2050 (vgl. Auswertung der systems research 

Anwender-Umfrage vom letzten Mal) kann nur dann berücksichtigt werden, wenn 

ausreichend getestete Antriebsdaten verfügbar sind. Allerdings scheint es im Lichte der 

Erkenntnisse, nämlich dass für den Zeitraum um 2020 noch keine Unterschiede 

zwischen „business as usual“ und IPCC- CO2-Anstiegs-Szenarien zu erwarten sind- 

und die Ergebnisse etwa der Charakteristik der Control runs entsprechen werden, 

klüger hier Antriebsdaten aus spätere Zeitscheiben zu nutzen.) 

Auf die Frage von Gobiet, ob denn 10 Jahre für long runs nicht ausreichen würden, 

antwortet Formayer, dass sich hier die Frage stelle, welche Dekade man wählt und 

verweist auf Ergebnisse prognostischer Läufe, bei denen zB die 2020er Jahre 

verhältnismäßig kühl – etwa vergleichbar mit den 1980er Jahren – wären und somit 

eine Dekade nicht ausreichend wäre, um etwaige Klimaänderungen erkennen zu 

können. Generell wären 10 Jahre für Klimastatistiken wohl zu kurz. Formayer ist da für 

eine 30 jährige Reihe, um die Variabilität des Klimas über die Zeit auszugleichen. 

Validierung und Sensitivitäts-Untersuchungen 

Sensitivitätstests 

Es herrscht Konsens zw. der Gruppe der Modellierer und der Validierer, eine Liste 

möglicher Sensitivitätstests zu erstellen, um abschätzen zu können, welche Parameter 

überhaupt benötigt werden. Dies geschieht insbesondere im Hinblick auf den 

(Witterungs-/Klima-bezogenen) Einfluß der Alpen. 

Dazu meint Formayer, er werde mit KollegInnen am IMP eine Liste sinnvoller Test 

zusammenstellen, die dann von den Projektpartnern bezüglich Notwendigkeit und 

Machbarkeit bewertet werden sollte. Dann kann gestrichen werden, was nicht machbar 

ist. Allgemeine Zustimmung. 

Anhang 2 3

Da diese Tests maßgeblichen Einfluss auf benötigte Input-Daten und den 

Validierungsvorgang haben, sollte daher nach Meinung Formayers eine Klärung dieser 

Frage hintangestellt werden. Auch sollten noch Schnittstellen zwischen den einzelnen 

Tasks (va. Validierung und Modellierung) definiert werden. Als Validierungs-Tool sollte 

VERA verwendet werden, da dies ein „standartisiertes“ Gitter wäre. 

Validierung 

Dorninger berichtet kurz von semioperativen Erfahrungen mit diversen Modellen 

(Aladin, LM) und wünscht von Modellbettreibern die Nennung der Outputformate, 

insbesondere Parameteranzahl und -art. 

Auf die Frage Formayers, inwieweit VERA für Verwendung in reclip:more adaptiert 

werden müsste, erklärt Dorninger, dass derzeit Bodendruck, T2m, Wind und Feuchte 

(als Differenz zwischen der äquivalent-potentiellen und potentiellen Temperatur) operational 

zur Verfügung stünden, Tmin und Tmax hingegen nicht. Diese zu implementieren 

sollte allerdings keine Probleme bereiten. 

Auf Frage von Köstl, ob man nicht auch statistische Methoden zur Validierung 

verwenden sollte, antwortet Formayer, dass die zwar für die Temperatur machbar sei 

(und auch schon durchgeführt wurde), beim Niederschlag hingegen eher schlechte 

Ergebnisse erzielt wurden: Statistical downscaling bringt für T einen r 2 von 0,7 während 

der Niederschlag nur einen r 2 von 0.2 bis 0.3 liefert. 

Bezüglich der Frage, auf welchem Scale die Validierung stattfinden sollte, erklärt 

Ahrens, dass sich hierfür 20 – 40 km eignen würden, da dies einerseits dem VERA- 

Gitter entspräche (und auch ERA-40 eine vergleichbare Auflösung besitzt) und 

andererseits RCM-Ergebnisse auf 10 km-Basis ebenfalls zunächst um einen Faktor 4 

upgescalt werden müssen, um anschließend mittels dynamischen Downscalings 

höhere Auflösungen erreichen zu können. Würde dies nicht gemacht, würden man 

unrealistische räumliche Verteilungsmuster erzielen. Vorsicht sei auch bei GCM- 

Validierung der Control runs geboten: T42 Extremereignisse sind nicht unbedingt T106 

Extremereignisse. 

Formayer verweist in diesem Zusammenhang auf Ergebnisse von PRUDENCE und 

erklärt, dass, sollten auf dem VERA-Scale zB die Temperatur nicht stimmen, diese 

auch auf feineren Scales nicht verbessert werden könne. 

Laut Schöner und Formayer sollte die Validierung jedenfalls auf keinen Fall auf 

Punktdaten erfolgen, da hier zu viel lokale Information mit eingehen würden). 

Loibl wünscht sich zur Validierung für Detailregionen zumindest 1 km. Auf Bedenken 

von Gobiet, dass dies doch eine zusätzlicher Interpolationschritt wäre, meint Ahrens, 

dass es sich hierbei nur um ein Upscaling handelt und dieses ohnehin notwendig wäre, 

ob aber dafür VERA geeignet wäre, muss man noch diskutieren. 

Auf Frage von Gobiet, wird festgestellt, dass Bodenfelder mittels VERA, vertikale 

Profile hingegen mit Radiosonden verifiziert werden sollten. 

Regionalisierung 

Schöner: Neben der flächenhaften Umlegung von Punktinformationen (Upscaling), 

birgt auch der umgekehrte Vorgang (oder zumindest das Downscaling von einer 

groben Auflösung auf zB 1 km) für klimatologische Fragestellungen eine große 

Unsicherheit. 

4 Anhang 2

Laut Formayer ist eine Adaption von MOST (Model Output Statistics) für Klimafragen 

nicht trivial und im Rahmen von reclip.more nicht machbar. Dies wäre allerdings 

sinnvoll und könnte ev. im Rahmen des FORNE-Programms (neuerdings unter 

PROVISION) geschehen. 

Gobiet meint, zunächst die Ergebnisse der Sensitivitäts-Studien ab zu warteten. 

Truhetz berichtet von Projektteil Wind für die noch zu definierenden study areas: 

Hierfür soll ein mikroskaliges Modell auf MM5 mit feinem DHM aufgesetzt werden. Der 

Plan ist, das bodennahe Windfeld auf eine Auflösung < 1 km zu regionalisieren. Er 

wünscht ein möglichst feines DHM. 

Loibl erklärt darauf, dass in systems research im Prinzip DHMs für Ö mit 250m 

Auflösung bereitstehen, 100 m Auflösung kann für (noch zu bestimmende) study areas 

generiert werden. Für Europa gibt’s das 30“ DHM des USGS, das ebenfalls verfügbar 

wäre. 

Er meint weiters, dass Abweichungen vom DHM durchaus berücksichtigt werden 

sollten und hierfür auch Methodenentwicklungen (zB mittels Residuen-Ausgleich) 

überlegt werden sollten. 

Auf Frage Loibls, wie dies in VERA gehandhabt wird, erklärt Dorninger, dass zunächst 

Modell-Gitterpunkte auf das VERA-Gitter übertragen werden (und wegen der gröberen 

Auflösung dafür mehrere Punkte zur Verfügung stehen) und dann die Höheninformation 

berücksichtigt wird. 

Loibl: können auch Tagesgänge – etwa über empirisch gewonnene Funktionen 

berücksichtigt werden? Dorninger muss hier nachfragen. 

Ahrens erklärt, dass Niederschlag und Strahlung nicht in VERA enthalten wären und 

Informationen bezüglich der Bodenfeuchte ohnehin nur aus ERA-Daten zu extrahieren 

sind. Formayer bestätigt, dass mit VERA im Wesentlichen nur die Dynamik überprüft 

werden kann, ansonsten Klimadaten (ev. auf Monatsbasis) verwendet werden müssen. 

Truhetz erklärt, dass MM5 zur Berechnung der Bodenfeuchte Landbedeckungssdaten 

benötigt. Ahrens verweist diesbezüglich auf neuen NOAA-Datensatz (Anmerkung Loibl 

zu grob – besser CORINE-Landcover für Europa nehmen). 

Formayer meint, dass Landbedeckung und Bodenschemata sehr kritische Punkte 

wären (vor allem in Hinsicht auf die Energiebilanz) und verweist auf PRUDENCE- 

Ergebnisse. Diese Punkte müssen unbedingt im Rahmen der Sensitivitätsuntersuchungen 

geklärt werden. Auch auf die Strahlungsbilanz sollte große Aufmerksamkeit 

gelegt werden! 

Köstl erklärt sich auf Fragen von Ahrens, Beck und Truhetz in Zusammenhang mit 

Landnutzung und -bedeckung bereit, ARC-Daten zu durchforschen (zB CORINE- 

Daten) und Information darüber den Fragenstellern zukommen zu lassen. 

Laut Züger ist in MM5 V3.6.1 das neue Noah Land-Surface Scheme implementiert. 

Dieses ersetzt das alte OSU Land-Surface Scheme. In MM5 sind weltweite Daten für 

DEM, Landuse, Vegetation (25 Kategorien) und Soil (17 Kategorien) in Auflösungen bis 

zu 30“ implementiert. 

Anhang 2 5

Zeitliche Auflösung 

Auf Frage von Gobiet, welche Zeitschritte benötigt würden und deshalb abgespeichert 

werden müssten (Problem Datenmenge!), antwortet Formayer, dass die von der 

jeweiligen Fragestellung abhinge. 

So würden zB für die Fragen bezüglich Bodenfeuchte und Schneeakkumulation 

tägliche bzw. monatliche Daten ausreichen. Allerdings müsste man diese im Rahmen 

einer Sensitivitätsanalyse (zB bei Fragen der Schneebedeckung) für mehrere Jahre 

abspeichern. Man sollte bedenken, dass auch short runs für die Sensitivitätstests 

mitunter mehrere Jahre dauern müssten! 

Nach allgemeiner Diskussion stellte sich ein 6-stündiger Output als geeigneter 

Kompromiss heraus, da damit über die Variabilität des Tagesganges auch Tmin und 

Tmax geschätzt werden können. 

Dorninger gibt zu bedenken, dass auch Tagesgänge sinnvoll seien. 

Loibl verweist auf einen Datensatz von systems research (Temperatur – Tagesgänge 

für 2 Jahre der 90er Jahre), der zur verfügung gestellt werden könnte. 

Für die Windmodellierung sind laut Truhetz auch stündliche Daten notwendig 

Züger bietet an, die Modell-Output-Routinen zu durchforsten, und nur notwendige 

Parameter auszugeben. 

Da letztendlich all diese Fragen nur nach Definition der Sensitivitäts-Studien geklärt 

werden können, wird von Formayer nochmals auf die zu erstellende Liste (vgl. oben) 

hingewiesen. 

Allgemeines 

Gobiet regt Bildung von Workpackages an (zB Sensitivitätsanalyse – Validierung – 

Regionalisierung Modellierung der short runs – Modellierung der long runs, da sich in 

diesen die einzelnen Projektpartner leichter wieder finden könnten. 

Loibl wird diesbezüglich (und auch hinsichtlich aller oben besprochenen Punkte) 

modifizieren und an alle Partner weiterleiten (siehe Anhang). 

Die Überlegung von Loibl, Subroutinen zum Datenoutput zu erstellen und direkt in die 

Modelle zu inkludieren wird nach allgemeiner Diskussion verworfen. Vielmehr sollte ein 

Interface geschaffen werden, um den Datenaustausch sicherzustellen. 

Die Berechnungen sollten nach Meinung von Schöner wenn möglich mit R (SASbasierende 

Statistik free ware) erfolgen werden. 

Loibl meint, das wäre zu überlegen, letztendlich sei aber hier keine Batchroutine, 

sondern ein flexibles Programm notwendig, das direkt auf die RCM-Ergebnisse aufsetzen 

kann. 

Die Ergebnisse der jeweiligen Modellläufe sollten von den einzelnen Modelliergruppen 

geprüft werden. Hier sollte Eigenverantwortlichkeit herrschen und letztlich nur 

abschließend ein „Supervision“ eines Subteams erfolgen. 

6 Anhang 2

Weitere Vorgehensweise: 

Die von Formayer zusammengestellte Liste möglicher Sensitivitätstests wird via E-mail 

an alle Projektpartner gehen. Aus dieser Liste sollen dann jene Experimente gewählt 

werden, die mit machbarem Aufwand durchgeführt werden können 

Bezüglich der Methoden des Upscalings und der Aufgabenteilung in diesem Task 

werden sich Schöner und Loibl ca. in den nächsten 2 Wochen besprechen. 

Die gebildeten Sub-Gruppen sollten sich wenn möglich noch vor Jahresende treffen, 

um die Feinstrukturierung der Tasks zu diskutieren (dies kann auch per E-mail 

geschehen) 

Anm. Gobiet: wir sollten uns endlich auf eine gemeinsame Nomenklatur einigen! 

Anscheinend verwenden Geographen den Begriff Upscaling wo Meteorologen den 

Begriff Downscaling verwenden. Vielleicht genügt ja der Begriff ‚Regionalisierung’. 

Für Jänner 2004 ist ein das nächste Meeting vorgesehen 

Im Februar 2004 soll ein Workshop mit internationaler Beteiligung (zB von STARDEX, 

QUIRCS, etc.) stattfinden. 

Anhang 2 7

8 Anhang 2

Protokoll: 

1. Projektmeeting 



Fr. 30.1. 2004 IMG – UZA II/ Althanstraße 14, 1090 Wien, 

10:00 – 13:00 

Themen: + Allgemeines zur Rechnungslegung 

Teilnehmer: 

+ Stand der Bearbeitung – Kurzberichte 

+ Projektfeinstruktur 

+ reclip:strat - Vorstellung der strategischen Begleitforschung 

+ Allfälliges 


Manfred Dorninger IMG - Uni Wien manfred.dorninger@univie.ac.at 

Barbara Chimani 

IMG - Uni Wien barbara.chimani@univie.ac.at 

Bodo Ahrens IMG - Uni Wien bodo.ahrens@univie.ac.at 

Alexander Beck 

IMG - Uni Wien alexander.beck@univie.ac.at 

Herbert Formayer IMP - Boku herbert.formayer@boku.ac.at 


Andreas Gobiet IGAM - Uni Graz andreas.gobiet@uni-graz.at 

Heimo Truhetz IGAM - Uni Graz heimo.truhetz@uni-graz.at 



Thomas Roediger-Schluga ARC sys Thomas.roediger-schluga@arcs.ac.at 


Protokoll: Köstl, Ergänzungen: Züger, Loibl 

Allgemeines zur Rechnungslegung 

Die Auftragsbestätigungen für 3 Partner (MIG-Dorninger,IMG-Ahrens; BOKU) mit 

Ersuchen um Überweisung der Anzahlung wurden von ARC business services nicht 

als Rechnung akzeptiert – dies allerdings erst Ende Jänner auf Nachfrage den ARC 

systems research mitgeteilt. 

Anhang 2 9

Loibl übermittelt an die Institute Vorschläge für die Formulierung einer 

Anzahlungsdrechnung (Anm. Köstl: bereits erledigt). Mehrere Teilnehmer geben zu 

bedenken, dass es aufgrund der Universitätsreform nun keine Institute mehr gibt und 

deswegen Rechnungen künftig über das Dekanat gehen müssen. 

Stand der Bearbeitung 

A) Daten, Antriebsdaten 

• Messdaten 

Schöner überreicht 2 CDs mit startclim-Daten; bezüglich der mittleren Tagesgänge (ca. 

15 Jahre, regionalisiert) möchte er noch etwas abwarten und die Daten-Ansprüche der 

Projektpartner abklären (Je eine CD geht an systems research und an IGAM, da die 

anderen Partner in StartClim involviert sind und die Daten auf direktem Wege 

bekommen, bzw. evtl. bereits bekommen haben) 

Bezüglich der Zugänglichkeit bzw. der Einrichtung einer Datenbank regt Loibl an, bei 

allen Institutionen wenn notwendig eine FTP-download area, für die Projektpartner 

einzurichten, systems research wird dies jedenfalls tun; weiters wurde diskutiert, eine 

Metadatenbank einzurichten, wo die Dateiname, Inhalte und FTP-Adressen der 

verfügbaren Datensätze erfasst sind. 

Formayer regt eine einheitliche Nomenklatur an. Auf Vorschlag von Loibl, sich da an 

StartClim zu orientieren, meint Formayer, dass dies dort nicht immer so einheitlich 

passiert wäre…) 

• EU-Synop-Daten, MAP-Daten, Wettersondendaten 

Dorninger überreicht jedem der Partner eine DVD (incl. kurzen word-Text mit 

Erklärungen und einem Abriss, wie die Daten mittels READ Befehl eingelesen werden 

können) mit dreistündigen SYNOP-Daten aus dem MARS-Archiv von 1979 bis 2000 für 

den Großraum Alpen (Rohdaten, zwar in ASCII-Format aufbereitet, allerdings nicht 

qualitätskontroliert!) und bittet die Projektpartner die Daten (laut ECMWF-Richtlinien) 

nicht außerhalb des Projektes zu verwenden bzw. diese nicht an Dritte weiter zu 

geben; 

Auf Frage von Truhetz zur Qualitätskontrolle erklärt er, dass bei diesen Daten der flag 

nicht berücksichtigt wurde, da VERA Clim eine eigene Qualitätskontrolle durchführt; 

Bei den MAP-Daten verweist Dorninger auf die Datenbank der ETH Zürich 

(http://www.map.ethz.ch/map-doc/datacenter.htm; dort gibt es zwei Kategorien von 

Daten – einerseits solche, die für alle Interessierten frei zugänglich sind, und 

andererseits sensible Daten, für die ein spezielles Zugriffsrecht notwendig ist (hierfür 

muss man das Projekt angeben, danach sollte man innerhalb von drei bis vier Wochen 

eine Zugriffsermächtigung erhalten); empfiehlt allen Validierern, sich die Datenbank 

anzusehen, um sich eine Meinung bezüglich der gewünschten Daten und der Termine 

zu machen); 

1. MAP-seasons umfassen die Jahre 1992-1999 jeweils von 16.-30-11. jedes Jahres. 

Parameter: GTS Daten, 24h accumulated precipitation (Analyse nach Christoph Frei) 

2. MAP episodes sind spezielle, nach Wettersituation ausgesuchte Episoden. Es liegen 

vor: synoptische Beschreibung, verschiedenste Daten (nicht einheitlich), Ergebnisse 

von Modellsimulationen etc. 

3. zusätzliches Datenmaterial und ultra fine scale Simulationen während der SOP/IOPs. 

Die Frage von Formayer, ob, wenn der Zeitraum einmal definiert ist, ob dann nicht 

Dorninger die Daten downloaden könnte, bejaht dieser. 

10 Anhang 2

Auf Frage von Truhetz, ob auch Windmessungen vorhanden wären, wird auf spezielle 

Teilprojekte (zB FORM - Messungen im Rheintal – wo 3D-Windfelder zur Verfügung 

stehen) bzw. Radiosondenmaterial verwiesen. (Allerdings besitzen diese meist einen 

Feuchtebias, dh. sie sind i.d.R. zu trocken hier ist Qualitätskontrolle notwendig). 

Für die Verwendung der CALRAS Daten (qualitätskontrollierter Radiosondendatensatz) 

wurde Herr Häberli von Dorninger vor ca. zwei Monaten wegen der Datenbereitstellung 

kontaktiert. Dieser wird sich beim nächsten Wien-Aufenthalt darum kümmern (da es 

sich hier auch um high resolution data handelt, geht es hier auch um die Einholung 

einer Genehmigung von diversen Wetterdiensten); 

• ERA-40 Daten 

Loibl informiert, dass kein Ansuchen für ein special project notwendig wäre, um Daten 

zu erhalten, sondern ein einfacher Antrag um Genehmigung zum Datendownload via 

ZAMG/Dr. Wiehl genügt – dieser Antrag ist gestellt, die Zugangscodes sind für die 

kommenden Wochen zu erwarten; Züger berichtet, dass ein Datensatz mit 2,5° frei 

zugänglich ist, den er bereits für Probeläufe verwendet (allerdings war es dafür 

notwendig, den Zeitschritt zu halbieren, da es sonst immer wieder zu Verletzungen des 

CFL-Kriteriums kam); 

Anschließend erfolgte eine kurze Diskussion über numerische Instabilitäten: Truhetz 

verweist auf alternative Verwendung von CERA-Datenbank; Formayer gibt zu 

Bedenken, dass wahrscheinlich noch kleinere Zeitschritte notwendig sein werden; 

Beck sieht das Problem ev. in der vertikale Interpolation(von ERA-40 auf MM5 

Niveaus); für Ahrens’ Aladin-Rechnungen bestehen bei ERA-40-Daten keine 

Probleme; 

• GCM-Daten 

Truhetz berichtet von zwei in Frage kommenden transienten Läufen (ECHAM 4, 

T42/19 levels); nach Anfrage von Ahrens, ob man sich nicht schon auf T106 geeinigt 

hätte, kommt es zu reger Diskussion: 

Laut Protokoll vom 13.11.2003 (Punkt B – Bereinigung von Unklarheiten hinsichtlich 

Antriebsdaten) gab es diese nicht, allerdings wurde von den meisten Meeting-Teil– 

nehmern T106 bevorzugt, sofern diese Daten zur Verfügung stünden. Gobiet regte 

damals an, sich zunächst auf T42 zu konzentrieren (da dieser Datensätze ausgereift 

und gut verfügbar sind) und T106 je nach Notwendigkeit für Sensitivitätstest einzusetzen. 

Formayer stellt u.a die Frage, ob in 6 oder 12-stündigen Intervallen abgespeichert 

werden sollte ( Datenmenge), Ahrens verweist darauf, dass dies von 

Domainlage/-größe und speziellen Wetterlagen abhängig wäre; 

Formayer schlägt vor, im Rahmen der Sensitivitätsstudien zu untersuchen, welche 

Unterschiede sich bei 6- bzw. 12-stündigen Forcing ergäben; 

Als Ergebnis der Diskussion gibt es eine Einigung auf T106 (dzt. verfügbar in CERA- 

Datenbank: ETH: 2041-2050, DMI: 2060-2089) mit 6stündigen Intervallen; dass diese 

Läufe ev. spätere Dekaden als geplant abdecken sollte kein Problem sein (da ohnehin 

vor 2050 keine großen Unterschiede der Szenarien zu erwarten sind). Gobiet und 

Truhetz nehmen dies zu Kenntnis; 

Bezüglich der control runs wendet Formayer ein, man sollte nicht die extremen 90er 

Jahre des 20. Jhdts. verwenden (ua. auch wegen Einfluss verstärkter Vulkantätigkeit), 

daher Einigung auf Zeitraum 1980er Jahre und das Jahr 1999 für die short-runs; 

Anhang 2 11

Dass GCMs laut Truhetz mit 30 Tagen pro Monat rechnen, ist laut Züger kein Problem, 

einzig der Beginn und die Länge des Zeitraums seien ausschlaggebend, da Sonnengang 

ohnehin auf 360 Tage bezogen wird; zusätzlich berichtet Truhetz, dass es einige 

spezielle Bezeichnungsdifferenzen bzgl. Datum/Jahreszahlen gibt, die ev. Änderungen 

des Modell-Codes erforderlich machen würden; 

Dass für verschieden Bodentiefen keine soil moisture, sondern nur eine gesamte soil 

wetness ausgegeben wird, sollte ebenfalls keine Probleme bereiten, da ohnehin bei 

der Initialisierung der LAMs der Boden als gesättigt angenommen wird; 

B) Sensitivitätstests – Validierung – (MM5-Programm-Kompatibilität) 

Formayer verweist auf Vorschlag von IMP-Gruppe und Rückmeldungen einiger 

Projektmitglieder (siehe E-mails vom 19.1.2004): 

Im Wesentlichen sollen Cumulus- und Grenzschicht-Parametrisierung, das explicit 

moisture scheme, die Strahlung und das SVAT (Soil Vegetation Atmosphere 

Transphere) Schema untersucht werden. Zusätzlich sollen Tests zur Dynamik des 

Modells über den Alpen (zB Südföhn, Nordföhn, Lee-Zyklogenese im Mittelmeer, Vb- 

Wetterlage, Kaltfront mit Starkwind an Alpennordseite) durchgeführt werden; 

Alle diese Untersuchungen sollten wenn möglich innerhalb eines Jahres durchgeführt 

werden (Ahrens verweist hierbei wegen MAP SOP auf das Jahr 1999. 

Nach Diskussion gibt es Einigung für 1999 als retrospektive short-run Episode. 

Ahrens möchte mit Aladin va. das SVAT Schema mit verschiedenen Klimafiles 

untersuchen (zB durch Austausch div. Kennzahlen). Zusätzlich könnte das IMG auch 

Untersuchungen bezüglich inkompatibler Parametersettings durchführen. Auch längere 

Läufe (1 Jahr oder mehr) können (und werden) am IMG durchgeführt werden. 

Im Zusammenhang mit den Sensitivitätstest verweist Formayer auch auf eine E-mail 

von Chr. Frei, in der dieser auf die Notwendigkeit von Tests für die Festlegung der 

Modelldomains, der Nestingstufen (Auflösungsschritte) und der Update-Frequency 

hinweist und zu bedenken gibt, dass Test von jeweils 2-3 Episoden mit einer Dauer 

von 2-5 Tagen eine sehr kleine Stichprobe für eine Entscheidung der geeigneten 

Parametrisierungsoption wäre. Frei schlägt vor die Episodenzahl zu vergrößern, im 

Sommer sogar mindestens zu verdoppeln. Je nach der Größe des Modellgebietes 

braucht es auch eine gewisse Zeit bis sich die feinskaligen Strukturen entwickelt 

haben. Die Spin up Zeit für ein Europäisches Modellgebiet liegt laut Frei in der Größenordnung 

von 2-4 Tagen. Damit das Verhalten der Parametrisierungen im Klimamode 

getestet werden können, müssten möglicherweise größere Episodendauern betrachtet 

werden. 

Zusätzlich muss geklärt werden, welche Felder (zB für Vergleich mit VERA Clim) 

ausgegeben werden sollten. Für spezielle Untersuchungen könnte das IMG punktuelle 

Versuchsdaten der BOKU zur Verfügung stellen. 

Auf Frage von Schöner, ob MAP episodes oder seasons verwendet werden sollen, 

erklärt Dorninger, dass beides sinnvoll und machbar wäre; Bezüglich Schneedaten 

verweist Formayer auf StartClim. 

Ahrens erklärt, dass er mit Aladin eine umgekehrte Vorgangsweise wählt: Ausgehend 

vom fixen Bodenschema sollen dabei die diversen Kennzahlen ermittelt werden; 

12 Anhang 2

Für VERA Clim stellt Dorninger die Frage nach der gewünschten Auflösung. Er wird die 

Arbeiten erst durchführen, nachdem man sich auf eine Auflösung geeinigt hat. 

Dorninger und Chimani bitten nochmals eindringlich die Modellierer, Probefiles der 

Modellausgaben zu übermitteln! Hierfür sollten die Modellierer so bald wie möglich 

jeweils ein Outputfile an barbara.chimani@univie.ac.at zwecks genauerer Spezifikation 

schicken. Um den Vergleich der Modelloutputs mit den VERA-Feldern zu berechnen 

sind folgende Felder notwendig: eine Datei mit der Modelltopographie (möglichst in der 

Form: Lambda, Phi, Höhe von jedem Gitterpunkt) und eine Datei mit den Daten für 

jeden Gitterpunkt: 

• Parameter der untersten Modellfläche: Temperatur, Druck, Feuchtemaß (spez. Feuchte 

oder Taupunkt), Höhe 

• Bodenparameter: T2m, Bodendruck und auf Meeresniveau reduzierter Druck, 

Feuchtemaß (rel. Feuchte oder Taupunkt), Tmin, Tmax, v10m (u- v- Windkomponente) 

Ein Format mit Lambda, Phi und anschließend den verschiedenen Parameter in 

einzelnen Spalten wäre von Vorteil. Wichtig natürlich jeweils in der Auflösung mit der 

sie dann die retrospektiven Läufe durchführen werden (vgl. e-mail vom 4.12.2003). 

C) Modellierung 

• Modellierung mit MM5 

Züger berichtet über Erfahrungen bezüglich Domain-Festlegung bzw. Auswirkungen 

durch Verschiebungen der Domains (besonders des Mother Domains). 

Es gab bereits Untersuchungen der verschiedenen Schemata und Randbedingungen, 

allerdings kann hier nicht beurteilt werden, ob eine Parametrisierung besser ist als eine 

andere (die Ergebnisse sind anders, aber nicht wirklich besser oder schlechter). 

Jedenfalls kann gesagt werden, dass die Wahl der Lage und der Größe der Domains 

großen Einfluss auf die Ergebnisse hat. 

Das in systems research momentan verwendete Setup verwendet 3 Domains mit 

40x70, 61x76 und 94x139 Gitterpunkten und Auflösungen von 90, 30 und 10 km. Es 

wird momentan eine Lambert-Projektion mit dem Zentrum bei 13°30’ Länge und 48° 

Breite und den 1 st und 2 nd TrueLatidutes bei 46° und 49° verwendet. In Zukunft wird 

dies auf Werte der in Österreich aktuell gebräuchlichen Lambert-Projektion geändert 

(Zentrum bei 13°20’ und 47°30’). Die äußerste Domäne reicht vom Atlantik bis zur 

Kaspischen See und von Nordafrika bis Südskandinavien, die 2. Domäne von der 

Atlantikküste bis zum Bosporus und von Sizilien bis Dänemark, die innerste Domäne 

vom Golf von Genua bis Südpolen. 

Formayer merkt die Wichtigkeit der Tatsache an, dass Übergänge der einzelnen 

Nestings sorgfältig ausgewählt werden müssen (zB nicht bei Gebirgskämmen etc.) da 

es sonst zu Schwierigkeiten kommen kann. 

Truhetz berichtet von Versuchen mit MM5 V3.6.2 das Ergebnis des Datensatzes 

„storm of the century“ des NCAR mit nachzurechen: Dabei wurden für einzelne 

Parameter Abweichungen von 1/10 % beobachtet, obwohl nur 12 Stunden gerechnet 

wurden! Als Erklärung dafür wurden unterschiedliche Compiler bzw. Plattformen 

genannt. Die wahrscheinlichste Erklärung allerdings dürfte sein, dass das NCAR nicht 

mit IEEE Festlegung gerechnet hat (auf IEEE-Maschinen mit den entsprechenden 

compilern müsste laut Beck vollständige Übereinstimmung erreichbar sein! In der 

Praxis, sprich bei sehr komplexen Programmen, geht das oft nicht. Was aber jedenfalls 

moeglich sein sollte, ist dass bei erzwungener IEEE-Kompatibilität die Unterschiede 

am geringsten sein müssen.); 

Anhang 2 13

Beck regt deswegen Tests der beteiligten Institutionen ARC – IGAM – IGM an, 

Formayer schränkt ein, dies wäre nur dort notwendig, wo Plattformübergreifende Tests 

für dieselben Zeiträume durchgeführt werden. 

Auf Frage von Truhetz bezüglich der Zängl-Version von MM5 meint Formayer, das bei 

der in reclip:more angestrebten Auflösung wahrscheinlich keine maßgeblichen 

Unterschiede zu erwarten sind, er könnte sich diesbezüglich aber Sensitivitätstest 

vorstellen; 

• Modellierung mit Aladin 

Ahrens berichtet von coupling-Strategien bei Aladin: es ist nur eine Nestigstufe mit 

260 x 220 Zellen vorgesehen (Mehrfaches nesting verschlechtert laut Ahrens die 

Performance erheblich), dies würde eine Auflösung von ca. 15 km ergeben (Züger 

meint, dass bei Verwendung von T106 bei MM5 auch nur 2 nests notwendig wären); 

Zusätzlich bemerkt Ahrens nochmals, dass für die Modellvergleiche ohnehin eine 

Aggregierung von ca. 4 Gitterzellen notwendig ist (dh. der Vergleich müsste auf einer 

Skala von 40 – 60 km erfolgen; 

Formayer meint, dass subskalige Effekte aus VERA herausgerechnet werden müssen 

und ein Gitterzellen-Vergleich daher durchaus sinnvoll sei; Beck meint hingegen, dass 

dies aufgrund numerisch unterschiedlicher Gitterpunkte nicht sinnvoll wäre; 

Nach kurzer Diskussion sind sich alle Teilnehmer einig, dass durch Verwendung des 

„standardisierten“ Gitter von VERA Clim keine Problem beim Vergleich auftreten 

sollten; 

D) Regionalisierung 

Loibl gibt kurze Einführung und berichtet kurz von 2 Regionalisierungs-Meetings mit 

Schöner wo Literatur gesichtet und über unterschiedliche Methoden diskutiert wurde. 

Für die Modellierung von Tmean, Tmax, Tmin, Niederschlag ist geplant die AURHELY- 

Methode einzusetzen, Schneedecke wird aus NS und Temperatur abgeleitet. 

Globalstrahlung wird mit einem physikalischen Modell über Sonnenstand, Evwölkung 

und Exposition gerechnet. Wind wird ebenfalls numerisch gerechnet. 

Schöner merkt an, dass es sich bei der Regionalisierung um zwei Schwerpunkte 

handelt: einerseits um ein herkömmliches Downscalingverfahren und andererseits um 

die Verfeinerung auf ca. 1 km. Va. für das Downscaling von Tmin, Tmax sind noch 

zusätzliche Recherchen und gegebenenfalls Überlegungen notwendig. 

Truhetz erläutert nochmals kurz den Projektteil Wind. Hierfür soll das diagnostische 

mikroskalige Modell CALMET auf MM5 mit feinem DHM aufgesetzt werden. Der Plan 

ist, das bodennahe Windfeld auf eine Auflösung < 1 km zu regionalisieren. Für die 

benötigten Eingangsdaten Rauhigkeitslänge [m], Albedo der Oberfläche (hierbei ist die 

schneefreie Albedo gemeint), Bowen-Verhältnis Wärmeflussparameter des Bodens Cg 

und (optional) Anthropogenetischer Wärmeeintrag Qf [W/m2] stehen eine Übernahme 

von Werten aus Fachliteratur, ev. Fernerkundungsdaten bzw. Modellergebnisse von 

Aladin bzw. MM5 zu Auswahl. 

Formayer gibt zu bedenken, dass die Auflösung der Landbedeckung ev. ein Problem 

darstellen könnte; auf seine Frage bezüglich extremer Windgeschwindigkeiten meint 

Truhetz, dass thermische Effekte vernachlässigt werden müssen, da ansonsten 

größere Probleme zu erwarten sind; 

14 Anhang 2

Projektfeinstruktur 

Loibl stellt sich folgende Einteilung bzw. Verantwortlichkeiten vor: 

Daten: 

Ö Messdaten: Schöner 

EU Daten: Dorninger 

ERA-40: Ahrens + Züger 

GCM: Gobiet /Truhetz 

Modellierung, Modellparametrisierung: 

MM5: Züger (Version, Code-Abgleich, Binär-Ergebnis-Check); 

Mitarbeit Gobiet/Truhetz, Formayer 

Aladin: Ahrens Mitarbeit Beck 

Validierung und Sensitivitätstest: 

Formayer - Mitarbeit Gruppe IMP, Ahrens/IMG, Dorninger/IMG 

Mitarbeit Chimani, Gobiet (3D), Köstl, Züger 

Regionalisierung: 

Loibl (Tmin, Tmax, Strahlung) 

Mitarbeit: Schöner (Tmean, NS, Schnee), Truhetz (Wind), 

Züger (Program-Coding systems research) 

Da dies von den Projektpartnern akzeptiert wird, sollen bis Mitte/Ende Februar 

Entwürfe der tatsächlichen Umsetzung der Workpackages (sofern sie nicht bereits 

vorliegen: zB IGAM, IGM, tw. BOKU) erfolgen; 

reclip:strat – Vorstellung der strategischen Begleitforschung 

Thomas Rödiger-Schluga stellt Aufgaben und Ziele von reclip:strat vor, bietet für alle 

Projekteilnehmer Unterstützung an und vereinbart Interviewtermine; 

Allfälliges 

Zur Einladung von internationalen Experten für den geplanten Workshop kämen laut 

Loibl für Herrn Keuler/Uni Cottbus (Projektleiter Quirks) der 16.4. in Frage: Mit Rasmus 

Benestad/ Met.No wurde seitens Schöner Kontakt aufgenommen. 

Schöner kann am 15.-16.4. definitiv nicht, weshalb Loibl zusagt, mit Herrn Keuler einen 

neuen Termin auszuverhandeln. 

Dorninger wünscht sich, dass Keuler/Benestad ev. auch am wöchentlichen Kolloquium 

am Institut (immer Dienstag!) Vortragen würde. 

Formayer berichtet von stattfindenden Workshop in Lund (Schweden) zwischen 29.3. 

und 2.4. und meint, dass unbedingt ein bis zwei Projektpartner (Formayer, Züger ?) 

daran teilnehmen sollten, da dort die wichtigsten Fachleute auf dem Gebiet Regionalmodellierung 

anwesend sein werden – eine Anmeldung hierfür wäre noch möglich 

(nähere Details finden sich unter http://dvsun2.gkss.de/workshoplund bzw.. 

https://dvsun2.gkss.de/domino/html/lund.nsf) 

Gobiet erzählt von geplantem PRUDENCE-Workshop, bei dem ebenfalls jemand aus 

der Gruppe teilnehmen sollte – genauere Details wären ihm aber nicht bekannt; 

Anhang 2 15

Von den Projektpartnern wurde eine reclip:more-Homepage und ein reclip:more – 

Poster angeregt, wobei letzteres bei allen relevanten Tagungen aufgehängt werden 

sollte. Loibl wird die Anregung aufnehmen. 

Loibl berichtet von ProVision, wo Klima-/Folgen-/Forschungsrelevante Themen 

Themen eingereicht werden sollten. Termin für Proposaldrafts 28.2.2004, Start-up 

Workshop 9.3.2004. 

Loibl dankt den Anwesenden für ihre Beiträge und ihre Beteiligung an den 

Diskussionen und schließt die Sitzung pünktlich(!) um 13 h. 

16 Anhang 2

Protokoll: 

2. Projektmeeting 



Do. 27.05. 2004 ARC systems research Stadtbüro/ Kolingasse 11/11, 1090 Wien 

11:00 – 14:30 

Themen 

1) Diskussion ECHAM Antriebsdaten 

2) Berichte über den Arbeitsfortschritt 

2a) allgemeine Datenbereitstellung: Antriebsdaten, diverses 

systems research 

2b) Modellierung: 

IMG-Ahrens, IGAM, systems research 

2c) Sensitivitäts-Tests- Vorgaben: 

IMG-Ahrens, BOKU-Met 

2d) Modell-Evaluierung/Modell-Vergleich-Vorgaben: 

BOKU-Met, IMG-Dorninger 

3) Allfälliges 

Bemerkung: die geplanten Tagesordnungspunkte „Regionalisierung, Abstimmung“ 

(bezüglich zu liefernder Ergebnisse und Teilberichte) und „Offerte für Projektjahr 2“ 

(Inhalte, Termine) wurden auf das nächste Treffen verschoben 

Teilnehmer: 


Manfred Dorninger IMG – Uni Wien manfred.dorninger@univie.ac.at 

Barbara Chimani IMG – Uni Wien barbara.chimani@univie.ac.at 

Bodo Ahrens IMG – Uni Wien bodo.ahrens@univie.ac.at 

Andreas Frank BOKU-Met reclip@imp1.boku.ac.at 

Petra Seibert BOKU-Met petra.seibert@imp1.boku.ac.at bzw. 

reclip@imp1.boku.ac.at 

Elsa Dos Santos Cardoso ZAMG elsa.santos@zamg.ac.at 


Andreas Gobiet IMAG - Uni Graz andreas.gobiet@uni-graz.at 

Heimo Truhetz IMAG - Uni Graz heimo.truhetz@uni-graz.at 




Protokoll: Köstl, mit Ergänzungen von Züger und & Loibl, Korrekturen von Seibert & 

Frank 

Anhang 2 17

1) Diskussion ECHAM Antriebsdaten 

In den letzten Wochen (s. ua. Mails von Ahrens und Gobiet vom 3.5, 4.5. 11.5. und 

17.5.) hat sich eine interessante Alternativen zu den bis dato geplanten Modell 

ECHAM4 T106 (Lugano-Experiment (IS92a): 1971-1980, 2041-2050.) ergeben: 

ECHAM5 T106 (1960-1990, 2041-2050*) hätte den Vorteil, dass aufgrund des 

Zeitraums (60-90) – anders als beim ECHAM4-Lauf – den ECHAM-getriebenen RCM- 

Lauf nicht nur mit ERA-40, sondern auch mit Beobachtungen direkt zu validieren. Das 

Modell hat sich weiterentwickelt, und ist durchaus zu verwenden. 

Laut Ahrens (nach Kontakt mit Martin Wild von der ETH Zürich) ist der retrospektive 

Lauf schon dokumentiert. 

Da auch das „Lugano-Experiment“ als KEIN control run mit fixierter CO2-Konzentration 

ist, sondern mit gemessenen CO2-Konzentrationen gerechnet wurde, würde kein 

zusätzliches Problem entstehen. Ahrens meint sogar, da ERA-40 ja auch „was 

transientes ist„ dies sogar ein Vorteil wäre. 

Zusätzlich meint Gobiet, dass in 2 Jahren, wenn die ersten Ergebnisse von reclip 

ECHAM4 Antriebsdaten nicht mehr als 'state of the art' argumentierbar seien. 

Der Nachteil wäre, dass noch kein prospektiver Lauf existiert (es gibt aber eine 

informelle Zusage von Martin Wild diesen Lauf für die reclip-Gruppe durchzuführen). 

Zusätzlich ist auch zu bedenken, dass der ECHAM4-Lauf besser untersucht und 

Schwächen besser bekannt sind. 

Gobiet und auch Ahrens tendieren stark zu ECHAM5, haben aber praktische 

Bedenken und schlagen deshalb folgende Vorgehensweise vor: 

Ahrens wird in den nächsten Wochen mit Martin Wild konkret ausmachen, dass der 

prospektive Lauf in einer für reclip nutzbaren Form tatsächlich gerechnet und zur 

Verfügung stehen wird. Falls bis zu bewissen Stichtag (voraussichtlich der 17. Juni) 

keine definitive Zusage zu erreichen ist, bleibt wir beim Lugano-Experiment (ECHAM4). 

Auf Frage von Seibert „Warum überhaupt 1980er Zeitraum?“, wird auf bessere 

Datengrundlage (Marsarchiv, VERA – vgl. Protokoll vom 13.11.) hingewiesen. Seibert 

meint hingegen, „die Beobachtungsdaten seien in diesem Zeitraum auch nicht viel 

besser“. 

Züger & Loibl schließen sich Argumentation von Gobiet und Ahrens an, Seibert gibt 

nochmals allg. Skepsis des (nichtanwesenden) Formayer wider (Stichwort nicht 

repräsentive, außerordnentliche Vulkantätigkeit in diesem Jahrzehnt) und fragt ob 

ECHAM5 Lauf Variationen in den externen Randbedingungen wie zB Vulkanaerosol 

beinhaltet. Dies wird verneint. 

Nach allgemeiner Diskussion wird Vorschlag „ECHAM5 – wenn möglich“ akzeptiert. 

Zusätzlich steht bereits ein 2tägiger Testdatensatz zur Verfügung. 

2) Berichte über den Arbeitsfortschritt 

2a) allgemeine Datenbereitstellung: Antriebsdaten, Diverses: 

Züger berichtet von Problemen mit ERA-Daten: Er hat Datensätze vom Web-Portal 

(Jahr 1999, nördl. Hemisphäre mit 1° Auflösung, alle Druckflächen) heruntergeladen – 

18 Anhang 2

(ca. 10 Gbyte). Beim Downloaden kam es zeitweise zu Fehlern, so dass die falschen 

Felder extrahiert wurden und teilweise unrealistische Bodentemperaturen von über 70° 

Celsius auftreten. Die genauen Analysen, wo der Fehler liegt sind zurzeit im Laufen. 

Zusätzliche Probleme ergeben sich durch Definition der Bodenschichten. Diese sind 

laut ECMWF-Beschreibung in Intervallen von 0-7 cm, 7-28 cm, 28-100 cm und 

100-289 cm gegeben. Die letzte Schicht ist aber in den Datensätzen mit 100-255 cm 

abgespeichert. Es mussten deshalb einige Routinen der MM5-Präprozessoren 

geändert werden, da dies sonst gewisse Parametersetzungen nicht erkennen. 

Seibert wünscht genauere Spezifikationen über Art und Anzahl der Levels und 

Parameter. Generell besteht aber offensichtlich ein Problem bei der Dokumentation. 

Dies sollte laut Seibert geklärt werden. 

Züger sagt zu, eine Tabelle mit entsprechenden Angaben als Anhang dem Protokoll 

beizufügen. (Dies wurde bereits mit Protokollversion 1 verschickt) 

Im Anschluss kommt es zur allgemeinen Diskussion bezüglich der Datenaufbereitung. 

Gobiet verweist auf unbedingte Notwendigkeit einer gemeinsamen Datenaufbereitung. 

Züger meint er hätte Pregrid ohne größeren Aufwand modifiziert, diese veränderte 

Version stellt er gerne den anderen Projektpartnern zur Verfügung 

Ahrens stellt Frage, ob die Datenaufbereitung auf Druckflächen erfolge (bei Aladin 

geschehe die auf den Modellflächen, bei MM5 laut Züger auf Druckflächen). Frage der 

Zusammenführung der Ergebnisse von Aladin nach Modellflächen und bei MM5 nach 

Druckflächen blieb offen? 

Truhetz verweist für Daten-Interpretation auf Einlesemodul Pingos als geeignetes 

Werkzeug. 

Die Anwesenden einigen sich darauf, dass die Originaldaten nicht verändert werden 

sollten, sondern die Einleseroutinen angepasst werden müssen 

Frage von Loibl an Ahrens, ob auch bei Aladin vergleichbare Probleme mit ERA-40 

Daten auftreten wird verneint. Es wurden bereits mehrfache Läufe für das Jahr 1999 

ohne Probleme durchgeführt 

Seibert fordert Kontroll-Vergleich mit IGM-Ahrens/Beck. Die Seibersdorfer Daten 

sollten nochmals überprüft werden. Loibl stimmt dem zu und avisiert Kontakt Züger- 

Beck. 

Frank verweist auf MetView als Tool zur Datenüberprüfung, Züger verwendet den in 

MM5 integrierten Grib-Analyser; 

Dorninger sieht möglicherweise Probleme bei ECMWF-Daten Diskussion über Grib- 

Format. 

Züger: Das Grib-Format der ERA-40-Daten ist bei ECMWF dokumentiert, wird von den 

MM5-Präprozessoren im Allgemeinen auch verstanden und sollte daher kein Problem 

darstellen. 

Anhang 2 19

2b) Modellierung: 

Ahrens berichtet von durchgeführten Testläufen (zT in Lund präsentiert), va. bezüglich 

diverser Kopplungsstrategien. Das Jahr 1999 wurde mit verschiedenen Varianten 

gerechnet, wobei jeder Tag neu initialisiert wurde. Derzeit erfolgt eine umfassende 

Auswertung (siehe ua. auch: Beck et.al., Geophys. res. letters (in press) Impact of 

nesting strategies in dynamical downscaling of reanalysis data (attachment zur 

.Ahrens-mail vom 10.03.2004)) 

Das Downscaling erfolgte von 120 km auf 12 km ohne Zwischennest. Probleme 

können an den Rändern von großen Domains auftreten, da es hier zu Verzerrungen 

kommt. Dabei stellt sich die Frage (auch von Seibert gestellt) ob und in wieweit die 

interne Dynamik zugelassen werden soll. 

Ahrens meint, die tägliche Initialisierung erfolgte hauptsächlich deswegen, weil Aladin 

kein eigentliches Klimamodell wäre und daher das regionale Modellklima nicht 

unbedingt verlässlich sei. Zwar würde das Modell „nicht schlecht“ funktionieren, aber 

es bestünde in diesem Zusammenhang einfach noch zu geringe Erfahrung. 

Loibl schlägt vor, einen Vergleich mit und ohne täglicher Initialisierung in die Sensitivitätsuntersuchungen 

aufzunehmen. 

Züger verweist auf Determinierung durch die Randbedingungen und berichtet von 

Ergebnissen bei denen sich die Werte bei unterschiedlichen Startterminen nach ca. 4-5 

Tagen wieder angleichen. 

Seibert fordert, dass sich MM5 und Aladin-Modellierer auf einheitliches Setup (Neu- 

Initialisierung, Nudging, Domaingröße etc.) einigen und meint, dass ein LAM doch in 

der Lage sein muss, die feinen Skalenphänomene besser zu beschreiben und 

gleichzeitig die großräumigen Skalenphänomene zu erhalten. Dies könne doch durch 

ein Nudging im Inneren besser erreicht werden, einem täglichen Initialisieren stehe sie 

sehr skeptisch gegenüber. 

Replik von Truhetz und Züger: „Nudging sei ein durchaus „ein zweischneidiges 

Schwert“; Züger erwähnt hierbei auch ähnliche Diskussionen diesbezüglich in Lund. 

Die Frage hier wie dort ist nämlich: Wollen wir ein möglichst genaues Abbild der 

Antriebsdaten auf kleinräumige Strukturen (=dynamisches Downscaling), oder soll das 

Modell in der Lage sein auf Grund seiner eigenen Physik die Vorgänge in der 

Atmosphäre zu beschreiben (=regionales Klimamodell). 

Ahrens weist darauf hin, dass man zwischen eigentlicher (Regional)Klimaforschung 

einerseits und der Generierung der „besten“ Ergebnisse für Anwendungen 

unterscheiden müsse. Regionale Effekte blieben durch das „Bodengedächtnis“ durchaus 

erhalten. 

Truhetz meint, dass eine ständige Neuinitialisierung bei MM5 nicht so ohneweiters 

möglich wäre und deshalb Nudging hier durchaus sinnvoll ist. 

Gobiet drängt darauf, dass diese Betrachtungen (mit/ohne Nudging/Neuinitialisierung) 

Ebenfalls im Rahmen der Sensitivitätstests untersucht werden sollen. Dem stimmen 

die Anwesenden zu. 

20 Anhang 2

Züger berichtet bei Verwendung von ERA-40-Daten von Verletzungen des CFL-Kriteriums. 

Es wurden deshalb Tests mit unterschiedlichen internen Zeitschritten durchgeführt. 

Halbiert man den Zeitschritt so kommt es zu großräumigen Unterschieden der 

Temperatur von bis zu 6° Celsius! 

Ausgehend von Frage von Seibert, ob es in MM5 eine Trennung zwischen Advektion 

und Diffusion (sowohl vertikal wie horizontal) gibt und ob hier die Ursache liegen könne 

(Crank-Nicholson sei zwar stabil, hätte aber einen großen truncation error), kommt es 

zur einer Diskussion bezüglich der Unterschiede zwischen expliziten, semi-expliziten 

und impliziten Schemata. 

Truhetz meint in diesem Zusammenhang, dass es sich sicherlich um ein implizites 

Schema handelt, allerdings gäbe es in MM5 eine Vielzahl verschiedener Varianten zur 

Beschreibung der PBL (MRF zum Beispiel verwendet für die vertikale Diffusion ein 

implizites Schema). 

Truhetz berichtet kurz von Fortschreiten der Windmodellierung: Es wurde ein DHM mit 

90m Auflösung der SRTM Mission generiert; Fehler (va. durch Schattenphänomene) 

wurden mittels SRMT30 (gleiche Datengrundlage, aber 30’ Auflösung) semistatistisch 

bereinigt. Dabei gab es Probleme aufgrund von Versetzungen gegenüber GTOPO30. 

2c) Sensitivitäts-Tests- Vorgaben: 

Seibert und Frank verteilen die von BOKU-Met erarbeiteten Vorschläge zur 

Modellevaluierung und stellen diese zur Diskussion: 

Die Modellevaluierung soll einerseits die Auswahl eines möglichst optimalen Setups für 

MM5 und Aladin (Domain, Gitter, Modellphysik) dienen und andererseits einen 

vergleichenden Test der Leistungsfähigkeit der beiden Modelle in Hinblick auf 

Klimaanwendungen ermöglichen. Vorgeschlagen werden ua. Episodensimulationen mit 

Randbedingungen aus ERA-40 mit und ohne Nudging sowie eine 1-Jahres-Simulation 

mit Randbedingungen aus ERA-40 zur Optimierung des SVAT-Schemas und für 

vergleichenden Test der beiden Modelle sowie zur Abschätzung der Leistungsfähigkeit 

der Modelle. 

Neben den statistischen Standardparametern sollen auch zusätzliche, zT neuentwickelte 

Parameter berechnet werden (Ausführliches siehe Mail von Seibert vom 

14.5.2004). Zusätzlich werden Evaluierungsmethoden für die verschiedenen Datenquellen 

bzw. Parameter vorgeschlagen. 

Bezüglich der Validierungsstrategien schlägt Frank eine leicht veränderte Domainlage 

vor (vgl. Seite 1-3, Unterlage 2) und empfiehlt von der bisher geplanten Vorgehensweise 

eines zweifachen Nestings bei MM5 (90 – 30 – 10 km) abzugehen und nur eine 

Nestingstufe zu verwenden (30/10 km oder 45/15 km) (falls dies im Hinblick auf die 

dann notwendigen größeren Domains mit feinerer Auflösung rechentechnisch 

leististbar ist). Der Unterschied der Auflösung zwischen 15 km und 10 km soll mittels 

Sensitivitätstest ermittelt werden (vgl. Seite 3, Unterlage 2), es wird aber angenommen, 

dass sich keine gravierenden Unterschiede ergeben. 

Nach kurzer Diskussion mit Züger und Gobiet stimmen die Anwesenden dem zu. 

Dorninger erklärt auf Anfrage von Truhetz und Gobiet nochmals die VERA-Spezifikation 

(Gitterpunkt zu Gitterpunkt 20 km). 

Anhang 2 21

Ausgehend von der vorgeschlagenen Episoden-Auswahl (Seite 4, Unterlage 2) entwickelt 

sich nochmals eine Diskussion bezüglich des Einflusses von „kurzfristigen“ 

Phänomen bei runs im Klimamodus (vgl. oben – Stichwort Neuinitialisierung). Züger 

bezweifelt Notwendigkeit/Sinnhaftigkeit. Dorninger hält fest, dass unter Annahme bestmöglicher 

Rand und Anfangsbedingungen es durchaus wichtig ist, zu untersuchen 

inwieweit die Modelle synoptische Phänomene wiederzugeben in der Lage sind. 

Ahrens verweist hingegen darauf, das es bei Einzel/Episodenereignissen ev. zu Verschiebungen 

im Vergleich zu ERA-40 kommen kann. 

Als statistische Parameter sollten 

• Mittelwert, 

• RMSE, 

• Bias bzw. Bias-korrigierter RMSE, 

• das Taylor-Diagramm mit seinen Statistiken (Standardabweichungen zwischen 

Modell und Beobachtung sowie der Korrelationskoeffizient) 

• der Fisher skill score, 

• der Bias skill score und 

• der total skill score 

zur Verwendung kommen. 

Seibert verweist vor allem auf die Generierung eines „total skill score“ hin und fragt, ob 

dieser akzeptabel wäre. Dorninger gibt Bedenken bezüglich des Namens an (wegen 

ev. fehlenden Referenz), Seibert sieht dies nicht so („vergleichen ja mit Beobachtungen“). 

Grundsätzlich wird den vorgeschlagenen Parametern zugestimmt, Gobiet will jedoch 

sichergestellt wissen, dass auch die statistischen Einzelgrößen gespeichert bleiben. 

Dem wird zugestimmt. 

Seibert schlägt namens BOKU-Met vor, ein Programm zur Berechnung der statistischen 

Parameter zu zu erstellen, dass den Projektpartnern zur Verfügung gestellt 

wird, damit diese die Indikatoren selbst berechnen (und nur die Analyse-Ergebnisse an 

BOKU-Met übermitteln anstatt der Modellergebnisse). Dies wird von den Anwesenden 

akzeptiert. 

Als zu evaluierende meteorologische Parameter schlägt Seibert primär Geopotential 

und Temperatur der 850 hPa Fläche vor (wobei beide nur in Gebieten mit darunter 

liegender Topographie, d.h. außerhalb der Alpen evaluiert werden sollen), sowie als 

Feuchtemaß die spezifische Feuchte (g Wasserdampf pro kg feuchter Luft) vor, da der 

Dampfdruck höhenabhängig ist und sowohl ERA als auch MM5 und Aladin die 

spezifische Feuchte verwenden (850 hPa, Gebiet wie bei beiden anderen Parametern). 

Zusätzlich stellt sie Bodendruck und 500 hPa Geopotential zur Diskussion. 

Zusätzlich ist laut Dorninger ist die 500 hPa Fläche zusätzlich sinnvoll, da man diese 

ev. für Vergleiche mit Radiosondenaufstiegen verwenden kann. Beim Bodendruck 

sollte der (auf VERA-Topographie?) reduzierte Druck evaluiert werden, da dieser sehr 

vertrauenswürdig wäre. 

Es wird Einigung dahin gehend erzielt, dass die 500 hPa Fläche verwendet werden 

soll, der Bodendruck jedoch nicht. 

22 Anhang 2

Die Evaluierung soll sich auf Felder zu den synoptischen Hauptterminen (00, 06, 12, 18 

– also sechsstündig) stützen und nach Berücksichtigung der Spin-up-Zeit (48h, ev. 

72h, laut Züger sogar mehr) beginnen. 

Als Upscaling-Methode wird die Überführung der Parameter auf Druckflächen mittels 

Modell-Postprozessoren und anschließender Interpolation auf das ERA-40 Gitter 

mittels Cressman-Methode vorgeschlagen. Der großräumige Vergleich sollte auf einer 

Skala von 500 oder 100 km („Varianz auf 1° Gitter?“) vorgenommen werden, ev. sollte 

vorher eine Glättung erfolgen. Ahrens verweist hierbei auf LACE-Domain. 

Auf die Frage von Truhetz zur Eignung der Cressman-Methode meint Ahrens, dass 

diese zwar eigentlich für Punktvergleiche entwickelt worden wäre, sie aber wegen der 

stattfindenden Glättung durchaus auch für Flächen geeignet wäre. 

Als Kenngrößen sollten alle oa. 8 Kenngrößen für jeden Evaluierungszeitschritt und 

jeden meteorologischen Parameter, für die gesamte Evaluierungsperiode und jeden 

met. Parameter sowie der Gesamt-Skill-Score gemittelt über alle met. Parameter für 

die gesamte Evaluierungsperiode berechnet werden. Dorninger meint dazu, dass die 

Angabe eines Gesamt-Skill-Scores zu wenig wäre. 

Gobiet spricht sich prinzipiell für Vergleiche zwischen GCM und ERA aus. 

Auf die Anmerkung von Ahrens, dass noch Sensitivitätstests mit gröberer ERA- 

Auflösung für die Auswahl des Modellsetups fehlen würde, entwickelt sich allgemeine 

Diskussion. Seibert will wissen welche Auflösung die jeweiligen Daten (sowohl ERA als 

auch ECHAM) haben. Es stellt sich heraus, dass die GCM Daten T106 Auflösung 

haben, ERA-40 wurde jedoch mit T160 gerechnet. Auf Antwort von Züger, dass 

mehrere die ERA-Daten in einer Auflösung, welche T106 entspricht, heruntergeladen 

werden könntenladbar seien, meint Seibert, es reiche nicht aus einfach gröbere Daten 

herunterzuladen, vielmehr muss verifiziert werden, wie diese Daten erzeugt werden. 

Dies gilt auch für die Daten des Mars-Archivs: wurde spektral abgeschnitten, wenn ja 

wie? 

Um Vergleichbarkeit zu gewährleisten, muss spektral abgeschnitten werden, nicht 

einfach nur die T160-Daten auf einem 1.5-Grad Gitter abgegriffen werden. 

Züger und Truhetz erklären sich bereit, dies bis zum nächsten Mal zu klären. 

Seibert bezweifelt den Sinn eines dynamischen Downscalings der Reanalyse und 

verweist dabei auf die Kosten. 

Loibl meint, dies geschehe, um die Effekte der LAMs mit den „besten“ zur Verfügung 

stehenden Antriebsdaten zu zeigen. Der Vergleich mit den GCM geschehe ja nur beim 

long run. Seibert bleibt skeptisch und gibt zu bedenken, dass dies bei der Entwicklung 

des Modellsetups zu berücksichtigen ist. 

Schließlich sind die meisten Anwesenden der Meinung, die bereits bei den letzten 

Meetings fixierte Vorgehensweise beizubehalten. 

Bezüglich der Parameter für die Evaluierung mit ERA-40 Daten zu liefender Karten 

bzw. Querschnitte einigen sich die Anwesenden auf H500, T850 und S700 (anstatt 

S850). 

Es sollen Karten von Testmodell und/oder ERA-40 sowie der Differenzen erzeugt 

werden. Zwecks Effizienterhöhung könnte. Diese Differenzkarten sollten sowohl 

geglättet wie auch ungeglättet erzeugt werden. 

Anhang 2 23

Weiters wurde auf Inititative von Seibert der Ablauf des Datentransfers zwischen den 

Projektpartnern besprochen: Wer liefert welche Daten wohin? 

Generell warnt Seibert vor „zu umfangreichen“ Datentransfer und meint dass 

grundsätzlich nur die nötigen Daten (2D-Felder, Vertikalprofile, unmittelbar erzeugte 

Plots) ausgetauscht werden sollen. Diese Daten werden von den Modellbetreibern an 

die jeweiligen Evaluatoren geliefert: für VERA an IMG, für ERA-40 und Niederschlag 

an BOKU-Met, für die Vertikalprofile an IGAM. IMG und IGAM senden dann die 

Evaluierungsprodukte an BOKU-Met. Jedenfalls muss ein einheitliches Datenformat 

definiert werden, das auch Metainformationen (welcher Run, welche Fläche, usw.) 

beinhaltet. 

Gobiet könnte sich das CALRAS-Format vorstellen, gibt aber zu bedenken, dass 

dieses nicht freiformatig wäre. (Anmerkung BOKU-Met: Das bezieht sich nur auf 

Vertikalprofile?) 

Dorninger und Chimani verweisen in diesen Zusammenhang auf die von VERA 

benötigten Spezifikationen und dass dies bereits geklärt sei (vgl. Protokoll vom 30.1. 

bzw. E-Mail von Chimani vom 4. 12. 2003). Falls Seibert und Frank diese nicht erhalten 

hätten, werden diese Spezifikationen nochmals an BOKU-Met weitergeleitet. 

Seibert will allerdings hierbei noch Verbesserungen machen und fordert zumindest 

eine „freiformatige Einlesbarkeit“. 

Ahrens meint, da ohnehin nur mehr 2-D-Felder transferiert werden, spiele das 

Datenformat was die Größe anginge (er schlägt ASCII vor) keine große Rolle. 

Wer letztendlich welche Karten (aus Modellergebnssen, Sensitivitätsanalysen und 

Validierungs-Schritten) produziert und zwischen welchen Partnern der Datentransfer 

erfolgen soll, muß noch geklärt werden! (Anmerkung: Boku-Met plädiert dafür, dies bei 

der nächsten Sitzung zu diskutieren) 

BOKU-Met wird jedenfalls einen Ftp-Bereich eröffnen, auf den alle relevanten 

Ergebnisse kopiert werden sollen. Die Endevaluierung erfolgt dann durch BOKU-Met. 

Eine Einrichtung eines Zentralarchiv durch systems research (dieses kann auch als 

Backup dienen) ist geplant und wird in den nächsten Monaten realisiert. 

Bei den Radiosonden-Daten schlägt Seibert eine Höheneinteilung vor (vgl. verteilte 

Unterlage 1, Seite 5) die va. für die Grenzschichtbetrachtungen geeignet ist. Ahrens 

wünscht sich allerdings auch Levels innerhalb der oberen Troposphäre. Es besteht 

Konsens, dass zusätzliche Niveaus einbezogen werden können, aber die untersten 

3500 m auf jeden Fall getrennt ausgewiesen werden. 

Eine Berücksichtigung der Radiosonden-Abdrift ist laut Gobiet vorgesehen, Seibert 

meint allerdings das diese ohnehin i.d.R. vernachlässigbar sei, da sie sich maximal in 

der Größenordnung eines Gitterzelle bewege. Aus MM5 und Aladin müssen 

Pseudoaufstiege extrahiert und dem IGAM für die Vergleiche mit CALRAS zur 

Verfügung gestellt werden. Da dies unter Berücksichtigung der Abdrift wesentlich 

komplizierter wird (mehrere Gitterpunkte pro Aufstieg), wird beschlossen auf die 

standardmäßige Berücksichtigung der Versetzung zu verzichten. 

Gobiet erklärt, er besitze ein Programm, das eine einfache Vertikalprofil-Berechnung 

Extraktion? ermöglicht und stellt dieses den Projektpartnern gerne zur Verfügung. 

24 Anhang 2

2d) Modell-Evaluierung/Modell-Vergleich-Vorgaben: 

Dorninger berichtet kurz von einem informellen Treffen am 19.2.2004. Wesentlich 

dabei war die Einigung auf 3-stündige Zeitintervalle (nur für die Sensitivitätsrechnungen!), 

so dass Tmin und Tmax nicht mehr notwendig wären. Dies wird von 

allen Anwesenden akzeptiert. Für den Jahreslauf werden Tagesmittelwerte ausreichen. 

Ein grundlegendes Problem sind die Niederschlagsdaten 1999, da diese wegen 

Mangel an qualitätsgeprüften Messdaten nicht sinnvoll mit VERA zu analysieren sind. 

Auf Frage von Seibert, was dann zu tun sei bzw. welche zusätzlichen Datensätze 

verwendbar wären entspringt eine umfangreiche Diskussion. 

Ahrens meint, man könnte für großräumige Skalenuntersuchungen GPCC-Daten mit 1° 

Auflösung verwenden. Diese hätte er für 1999 auf Tagesbasis, allerdings nur für Ö und 

CH. Evtl. könnte man zusätzlich Synopdaten (TARNET/TAWES?, HZB) verwenden. 

Auf 100 km und Monatsbasis sollte dies kein großes Problem sein. Schöner gibt 

Qualitätsprobleme zu bedenken. 

Seibert spricht sich zumindest für GPCC aus, jedenfalls sollte der Niederschlag 

quantitativ betrachtet werden. 

Schöner erklärt sich nach Ersuchen von Loibl bereit, die zusätzlichen Niederschlagsdaten 

zu besorgen. 

Dorninger zeigt Beispiele von Ergebnis-Plotts von VERA-Analysen für Aladin-Felder 

und berichtet, dass demnächst auch für MM5 Auswertungen beginnen werden. Ein 

diesbezügliches MM5-Interface hätte Züger in den letzten Wochen fertig gestellt und 

steht nun zur Verfügung. Beispiele von VERA-Analysen sind auf der MAP-Datenbank 

zu sehen ( http://www.map.ethz.ch/map-doc/datacenter.htm ). 

Zusätzlich wird derzeit von Chimani eine Liste von Parametern für statistische 

Untersuchungen zusammengestellt (incl. was aus welcher Maßzahl herauslesbar ist) 

und bis Ende Juni an alle Projektpartner per E-Mail verschickt. Generell werden die 

Felder vom FTP-Server geholt und nur (vorher zu definierende) Auswerteprodukte 

wieder an die Projektpartner verteilt. Bei den Karten stünden GIF- bzw. Postscript- 

Format zu Auswahl. 

Graphiken will Seibert im Postscript-Format abgespeichert bzw. transferiert sehen. 

Seibert wünscht sich auch genaue Spezifikationen (zB generalisierte Küsten, ev. 

Weglassen von Grenzen und Flüssen, Farbkeil, Isolinien ja/nein?). Vor allem eine 

Reduktion geographischer Details in den VERA-Plots (Küstenlinien, Grenzen, Flüsse 

usw.) könnte verhindern, dass die einzelnen Dateien zu groß werden. Der Farbkeil 

sollte eine gute Lesbarkeit gewährleisten, nicht nur zwei Grundfarben für 15 Stufen. 

Loibl schlägt vor, den Farbkeil so zu wählen, dass auch Schwarz-Weiß-Ausdrucke 

noch lesbar seien. 

Anhang 2 25


Schöner drängt auf Fixierung des geplanten Vortrags von Rasmus Benestad/Met.No – 

dieser sollte vor Juli 2004 stattfinden, damit analog zu den Keuler-Benefits für die 

Modellierung auch von den Erkenntnissen von Benestadt für den Regionalisierungstasks 

profitiert wird. 

Auf Anfrage von Seibert berichtet Züger kurz von Lund. 

Die Quintessenz dort war dieselbe wie die vom Keuler-Vortrag. Am Anfang stand eine 

allgemeine (und durchaus ergebnislose) Diskussion ob regionale Klimamodelle in 

Anbetracht der immer besseren Auflösung der GCMs überhaupt einen „added value“ 

bieten können. Einige sehen im Testen von Hochauflösenden Parametrisierungen für 

GCMs einen Weg, andere in einem Zweiweg-Nesting in GCMs, wieder andere im 

dynamischen Downscaling. 

Im Laufe des Workshops kristallisierte sich in den Vorträgen immer mehr heraus, dass 

es keine „besseren“ oder „schlechteren“ Modelle gibt, sondern jedes Modell in gewissen 

Bereichen Stärken und dafür in anderen Schwächen hat. Eine beträchtliche 

Anzahl von Personen/Gruppen setzen vermehrt auf Berechnungen mit Ensembles von 

Modellen. Der Vergleich mit „Messdaten“ erfolgt dann sowohl mit einem Ensemble- 

Mean als auch mit einem Mittel der „Messdaten“, da auch diese Streuungen in einer 

mit den Modellen vergleichbaren Größenordnung aufweisen. Weiters werden 

Evaluierungen nicht auf einzelnen Gitter- und Zeitpunkten durchgeführt, sondern immer 

auf Flächen- und Zeitmitteln (zB Abflussmengen in größeren Einzugsgebieten wie 

Donau oder Rhein auf Monats/saisonaler Basis). 

Die gesammelten Publikationen (erweiterte Abstracts, Poster etc.) des Workshops sind 

unter folgendem Link zu finden: 

http://www.natgeo.lu.se/Lars.barring/RCMworkshop/RCMhome.htm 

Als Termin für ein nächstes Treffen stehen folgende Tage zur Diskussion: Woche 14- 

18.6, oder der 21.6 bzw. der 24.6. Der genaue Termin wird demnächst abgeklärt 

werden und per E-Mail an alle versendet werden – er wird sich nach den Möglichkeiten 

eines Benestad-Vortrages richten. Beim nächsten Meeting sollen dann auch die nicht 

behandelten Tagesordnungspunkte Regionalisierung, Endbericht und Offerte 2004/ 

2005 behandelt werden. 

26 Anhang 2

Protokoll: 

3. Projektmeeting 



Mo. 21.06. 2004 ZAMG, 1190 Hohe Warte, Klimaabteilung 14:00 – 17:30 

Thema: 

1) Vortrag R. Benestad – "Methods of empirical downscaling for temperature and 

precipitation scenarios 

2) Berichte über den Arbeitsfortschritt Regionalisierung – Temperatur, 

Niederschlag, Strahlung, Wind ( Schöner – Loibl – Truhetz) 

3) offene Fragen aus der letzten Sitzung 

a) Validierung: Anaylsen BOKU-Tool & Vor-Ort Analyse vs. 

Ergebnistransfer an BOKU 

b) Definitive Festlegung der Testvorgaben betreffend Validierung, 

Sensitivität 

c) Modell-Ergebnispräsentationen: Text, Tabellen, Karten - Festlegungen 

d) Validierungspräsentationen: Text, Indikatoren, Tabellen, Karten – 

Festlegungen 

4) Abstimmung Ergebnisse Termine 

5) Offerte für ProjektJahr 2: Inhalte Termine 


Teilnehmer: 


Barbara Chimani IMG – Uni Wien barbara.chimani@univie.ac.at 

Bodo Ahrens IMG – Uni Wien bodo.ahrens@univie.ac.at 

Alexander Beck IMG – Uni Wien alexander.beck@univie.ac.at 

Andreas Frank BOKU-Met reclip@imp1.boku.ac.at 

Herbert Formayer BOKU-Met reclip@imp1.boku.ac.at 

Elsa Dos Santos Cardoso ZAMG elsa.santos@zamg.ac.at 


Andreas Gobiet IMAG - Uni Graz andreas.gobiet@uni-graz.at 

Heimo Truhetz IMAG - Uni Graz heimo.truhetz@uni-graz.at 




Protokoll: Köstl, Ergänzungen von Züger & Loibl, Korrekturen von Frank und Schöner 

Anhang 2 27

1) Vortrag R. Benestad 

siehe Folien des Vortrages im Anhang 1 (zamg2004.zip – incl. der nicht präsentierten 

Ergebnisse von Clim.pact!!) 

2) Berichte über den Arbeitsfortschritt Regionalisierung 

Truhetz berichtet von Projektteil Wind – hierfür wird ein mikroskaliges diagnostisches 

Modell auf MM5 mit feinem DHM aufgesetzt. Neben einem möglichst feinen DHM 

(derzeit 200m) benötigt er hierfür spezielle physiogeographische Eingangsdaten: 

Rauhigkeitslänge, Albedo der Oberfläche, das Bowen-Verhältnis sowie den Wärmeflussparameter 

des Bodens Cg und (optional) den anthropogenen Wärmeeintrag Qf. 

Diese benötigten Eingangsdaten werden aus einer Tabelle für die jeweilige Landnutzungsklasse 

in das Modell eingebracht. 

Derzeit „läuft“ das Modell, allerdings wäre ein feineres DHM wünschenswert. Vor allem 

bei der Strahlungsberechnung kommt es wegen zu geringen Hangneigungen und der 

dadurch ungenauen Beschattung in Gebieten mit differenzierter Orographie zu 

ungenauen Ergebnissen (vgl. auch unten bei Loibl). 

Als Alternative könnte das aus der SRTM Mission generierte DHM mit 90m Auflösung 

(allerdings fehlerhaft – vgl. Protokoll vom 27.5.2004) oder eventuell ein DHM von 

einem Projektpartner (zB: Loibl Tirol 70m (ging an ZAMG), Kärnten 50m (hat ZAMG) 

zur Verwendung kommen. 

ZAMG wird aus den SRTM Daten ein möglichst lückenloses und möglichst fehlerfreies 

DHM mit 90m Rasterweite erstellen. Dieses kann bei Bedarf weitergegeben werden. 

Ein 50m Modell von Kärnten kann nicht weitergegeben werden. 

Loibl fragt, ob und wie das Windmodell mit Aladin-Input arbeiten kann bzw. soll. Ahrens 

meint, dass es bei einer Verwendung des Windmodells mit ALADIN zu Problemen 

beim Dateneinlesen kommen könnte. Dieses „Interfaceproblem“ müsste ebenfalls bei 

der Validierung berücksichtigt werden. 

Auf Frage von Formayer, ob die Windmodellierung überhaupt für beide Modelle (MM5 

und ALADIN) notwendig bzw. gewünscht ist, stellt Gobiet klar, dass das Windmodell 

eigentlich nur für einen Einsatz mit MM5 geplant ist und dieses nach Projektende bei 

systems research installiert werden soll. Für ALADIN könnte er sich nur eine gewisse 

Hilfestellung (wenn gewünscht) vorstellen, sich aber keine eigene Modellentwicklung. 

Schöner berichtet von den Fortschritten bei der Downscaling-Methode nach R. 

Benestad mit Punktdaten (vgl. tw. auch Vortrag). Die Berechnungen werden mit 

Modellen des free-ware Statistikpaketes R (S-plus–basierend) erfolgen. Eine diesbezügliche 

Kurzeinschulung erfolgt durch R. Benestad. 

Bisher wurden lediglich Versuche mit der Temperatur gemacht. Die Methode des 

Downscaling für den Niederschlag liegt ebenfalls vor, ist aber noch nicht ausgetestet 

worden. Generell können endgültige Methoden des Downscaling für Temperatur und 

Niederschlag erst bei Vorliegen der retrospektiven Klimaläufe erarbeitet werden, da 

diese die notwendigen Prediktorenfelder liefern. Schnee wird aus Temperatur und 

Niederschlag abgeleitet und fehlt noch generell. 

Auf Fragen von Ahrens und Formayer nach geeigneten Prediktoren, erklärt Schöner, 

dass die Methode einerseits sowohl auf Monats- wie auch auf Tagesbasis funktioniere 

und den SLP, die T2m Temperaturen und das Bodenniederschlagsfeld als Prediktoren 

verwendet. Die geographische Verfeinerung auf 1 km Zielauflösung erfolgt in einerm 

28 Anhang 2

zweiten Schritt aus den Downscalingdaten an den Stationen um den Rechenaufwand 

zu minimieren. 

Bis jetzt wurde dies nur mit ERA-40 Daten gemacht, Loibl meint daher, es sei 

unbedingt notwendig, auch Modelldaten zu verwenden. Hierfür stünde laut Ahrens ein 

einjähriger Datensatz von 1999 des IMG zur Verfügung. Züger meint, er hätte dafür 

ebenfalls einen Datensatz. Beide werden der ZAMG so bald wie möglich zur Verfügung 

gestellt. Ausschnitt und Parameter bzw. das Datenformat (NetCDF?) müssen allerdings 

noch definiert werden 

Loibl berichtet über die Regionalisierung der Tmin und Tmax. An sich ist geplant hier auf 

die Adaptierungen von Schöner /ZAMG aufzubauen, was allerdings erst dann sinn 

macht, wenn die Implementierung zufrieden stellend läuft und ausgetestet ist. 

Für das Tagesminimum liegten eine Vielzahl an Arbeiten zur kleinräumigen 

Interpolation vor. Dabei zeigt sich, dass geostatistische Interpolationen der Punktwerte 

keine zielführenden Ergebnisse liefern. 

Ein praktikables Modell ist das AURELHY-Modell. Es basiert auf einer EOF (empirical 

orthogonal function, bzw. Hauptkomponentenanalyse) mit einer Vielzahl von Prädiktoren 

(DEM –Daten, Landnutzungsdaten und ca. 100 daraus abgeleiteten Variablen). Die 

5 Hauptkomponenten der EOF dienen dann als Basis für eine Regressionsanalyse. 

Nach Berechnung des deterministischen Anteils mit 5 PCs (predicted terrain-driven 

temperature) erfolgt ein Residualkriging. Dieses Verfahren kann im Prinzip mit R 

nachprogrammiert werden. 

(Anm. Schöner: Die AURELHY Methode verwendet nur die PCA Analyse der 

Topographie. Das mit den aus der Landnutzung und dem DHM abgeleiteten 

Parametern ist eine andere Methode basierend auf einem GIS. Ich würde das nicht in 

R machen, sondern wenn man diesen Ansatz wählt mittels eines aml-Skript.) 

Einfache Verfahren kommen mit (lokalen) Regressionsfunktionen aus – problematisch 

ist die Berücksichtigung von Kaltluftseen – hier bieten sich geknickte Regressionsgleichungen 

an, die für die Nahbereiche der Täler und Becken mit Temperaturinversion 

berechnet werden und für die alle anderen ein klassischer Höhengradient berechnet 

wird. Bei der definitiven Methodenwahl werden noch die Ergebnisse von Schöner 

abgewartet. 

Die verwendeten Ansätze für Tagesmaximum sind meist analog zum Tagesminimum 

Courault and Monestiez (1998) haben die INRA Methode (Wettertypenabhängige 

Interpolation) auch für Tmax verwendet. Bei der definitiven Methodewahl werden 

ebenfalls noch die Ergebnisse von Schöner abgewartet. 

Loibl berichtet von der Regionalisierung der Strahlung. Die Regionalisierung kann mit 

LAM-Daten auf ca. 10 km oder mittels GIS (unter Berücksichtigung des durchschnittlichen 

Tagesganges) auf ca. 1 km erfolgen 

Es bieten sich 2 Varianten an. 

1) ausgehend von den LAM-Ergebnissen (MM5/Aladin) und nachträglichem 

downscaling /Gewichtung der Ergebnisse mittels „Abschattungsfaktoren“ 

anhand Topographie, Monat, Uhrzeit. 

2) ausgehend von Geographischer Lage, Topographie, Monat, Uhrzeit 

unter Einbezug der Regional-Modell-Bewölkungs-Daten in den Intervallen der 

MM5-Outputs 

Anhang 2 29

Ein Hauptproblem ist das zu grobe und damit im Hinblick auf Hangneigungen zu flache 

Höhenmodell, das aufgrund der Flachheit die Beschattung durch Gegenhänge unterschätzt 

und somit zu hohe Strahlungswerte generiert (vgl. oben). 

Auf die Frage von Loibl, ob ein feineres DHM verwendet werden sollte, verweist Gobiet 

auf die vergleichbaren Probleme bei der Windmodellierung. Schöner meint, ein ausgebessertes 

SRTM-Höhenmodell wäre eine sehr gute Alternative. 

Formayer regt Vergleiche von MM5 mit Realität an. Züger verweist auf die zahlreichen 

Strahlungsschemata von MM5 und und meint, dass auch geklärt werden müsste, 

welches hierbei die „sinnvollsten“ Ergebnisse liefere. 

Abschließend verweist Gobiet noch auf mögliche Interaktionen zwischen reclip und 

ALPCHANGE, va. bei der Schneemodellierung. Schöner rät, man sollte bei den bestehenden 

Schneemodellen (die T und RR verwenden und daraus den Schnee berechnen) 

bleiben. 

3) offene Fragen aus der letzten Sitzung 

3a) Analysen BOKU-Tool & Vor-Ort Analyse vs. Ergebnistransfer an BOKU 

Ahrens berichtet, dass der gesamte 1999-Datensatz (6-stündige Werte) für VERA ca. 

2 GByte benötigt und meint, dass daher die Datenmenge kein Problem darstellen 

würde. Es wird festgehalten, dass die statistische Auswertung durch BOKU-Met erfolgt. 

Frank benötigt dafür noch Einlese-Routinen mit speziellen Header-Eigenschaften 

(siehe Pkt. 2, Anhang 2 „Validierungsvorschläge BOKU-Met“). Loibl schlägt vor, den 

Header einheitlich zu definieren: 

in Zeile1 Zahl (n) der Headerzeilen, in Zeile2 – (n-1) Kommentare, in Zeile n die 

jeweiligen Spaltenüberschriften; Für jeden Zeitpunkt soll ein File mit 12 Spalten 

(3 Druckflächen x 4 Parametern) geschickt werden. 

(Anm. Frank: Nach Einigung auf quasi VERA-Format werden keine Einleseroutinen 

benötigt.) 

Formayer verweist auf unbedingte Notwendigkeit diesind aber ERA 40-Daten zu 

bekommen, sowohl für die Validierungs-Experimente als auch für die MM5-Testläufe 

von BOKU-Met. Diese werden so bald wie möglich von Züger zur Verfügung gestellt. 

3b) Definitive Festlegung der Testvorgaben betreffend Validierung, Sensitivität 

Formayer schlägt verschiedene Validierungs-Versuche vor (siehe Pkt. 1, Anhang 2 

„Validierungsvorschläge BOKU-Met“). 

Für die Domaintests liefert Züger die monatlichen 2D- und 3D-Felder von Sept./Nov. 

1999 in den nächsten Tagen. Züger berichtet kurz von seinen Fortschritt bei der ERA 

40 Boden-Temp.-Korrektur. Der Fehler lag in den SOILHGTs, die nicht wie vom 

ECMWF beschrieben in Meter sondern in Dezimeter gespeichert sind. Da die MM5- 

Präprozessoren eine Höhenkorrektur der Bodentemperaturen durchführen, kommt es 

bei einer Höhe von zB 1100 m zu einer Korrektur von 11000 m nach 1100 m – mit 

einem Korrekturfaktor von ca. 6°C/1000 m dann zu um ca. 60 °C zu hohen Werten für 

die Bodentemperatur. Züger wird ein Shell-Skript für eine automatische Installation der 

geänderten MM5-Unterprogramme und nachfolgende Berechnungen erstellen und 

dieses an alle interessierten Partner verschickt. 

30 Anhang 2

Formayer schlägt weiters eine „sukzessive“ Definierung der Tests vor – zunächst 

sollen Domaintests mit ERA 40 erfolgen (Lage der Domains, Orographie). 

3c/d) Modell-Ergebnis und Validierungspräsentationen: Festlegungen von Text, 

Indikatoren, Tabellen, Karten 

Die Wetterkarten sind von den Modellbetreibern zu erzeugen und als Postscript oder 

PDF Dateien an BOKU-Met zu schicken. Diese Karten dienen BOKU-Met quasi als 

erster Quicklook. Der Farbkeil soll dabei so definiert werden, dass auch S/W- 

Ausdrucke möglich sind. 

4) Abstimmung Ergebnisse Termine 

Die von BOKU-Met benötigten ERA 40 Daten sind bereits auf den systems researchj 

FTP Server platziert. Die von BOKU-Met benötigten Modelldaten (MM5 und ALADIN, 

für die Termine der Domaintest; VERA-Format!!) werde in der kommenden Woche 

gerechnet/übermittelt. 

Die ersten Validierungs-Ergebnisse der BOKU-Met sollen Ende Juli geliefert werden. 

Auf Frage von Ahrens, wie und ob ein Domain-Test mit VERA-Daten erfolgt, meint 

Formayer, dass diese Tests mit ERA-40 Daten validiert werden. 

Chimani fragt, ob die Programmierung des Interfaces MM5/VERA durch Züger bereits 

erfolgt sei. Züger erklärt, dass die Erstellung des VERA-Inputs derzeit nur testweise 

und speziell auf die Datenstrukturen auf dem eigenen Rechner abgestimmt funktioniert. 

An einer Version, die für alle funktioniert wird noch gearbeitet. Probleme bereitet dabei 

im Moment eine nicht zufrieden stellende Lösung zur Berechnung des SLP. Diese 

sollte mit Abschluss der ersten Testrechnungen und Übermittlung an BOKU-Met 

bereitstehen. 

Frank erklärt, die Arbeiten von BOKU-Met würden durchgeführt, sobald das Setup 

endgültig geklärt ist, also nach den Parametertests. 

BOKU-Met rechnet Vergleich mit Zaengl-Version des MM5, um Unterschiede und 

mögliche Verbesserungen zu erkennen, sobald die Domaintests abgeschlossen sind 

(dafür sind ERA-40-Daten als MM5-Input nötig). Die Festlegung des Domain-Setups ist 

erst der 1.Teil der „Parametertests“, danach folgen die Parametertests zum Festlegen 

der physikalischen Optionen im MM5. 

Schöner versichert, erste Ergebnisse Mitte August liefern zu können. 

Bezüglich der Teilberichte, meint Schöner, dass sein Beitrag Ende August zur 

Verfügung stünde. Ahrens berichtet, dass IMG Teil weitgehend fertig ist und Ende Juli 

an systems research geliefert wird. 

Formayer meint, BOKU-Met könnte erst nach Erhalt der Daten (vgl. oben) beginnen. 

Erste Ergebnisse könnten Mitte Juli vorhanden sein. Zusätzlich sollte bis dahin die 

Kurzbeschreibung des statistischen Tools vorliegen. Für den Teilbericht könnten 

allgemeine Beschreibung der geplanten Durchführung der diversen Tests und einige 

beispielhafte Testergebnisse bis Mitte Juli zur Verfügung gestellt werden 

Eine Umfassende Darstellung der ersten Sensitivitätstests kann bis Ende August 

geliefert werden. 

Chimani sagt die IMG-Beiträge bis Ende Juli zu. 

Anhang 2 31

Loibl ersucht alle Projektpartner, die Beiträge für den Endbericht des ersten 

Projektjahres so zeitgerecht an ARC zu mailen, dass dieser zumindest im September 

zusammengeführt und fertig layoutiert werden kann. 

Exkurs: Antriebsdaten 

Ahrens berichtet, dass er oder Beck im Juli zu Martin Wild an die ETH Zürich fahren, 

um endgültig zu klären, ob ein prospektiver ECHAM 5 Lauf für reclip zur Verfügung 

stünde (was laut Ahrens sehr wahrscheinlich ist). Gobiet bezweifelt, ob die Festlegung 

auf den retrospektiven ECHAM 5 Laufes sinnvoll ist, bevor geklärt ist, ob auch ein 

prospektiver Lauf zur Verfügung steht. Formayer meint in diesem Zusammenhang, 

dass unabhängig vom Gesprächsergebnis in Zürich in den nächsten 6 – 12 Monaten 

ein diesbezüglicher Lauf vom MPI Hamburg angeboten werden wird, da laut Cubasch 

für IPCC 2007 nur mehr ECHAM 5 verwendet werden soll“. Ahrens ist überzeugt, dass 

der retrospektive Lauf in jedem Fall verwendet werden soll und verweist hierbei auf 

mögliche Vergleiche mit PRUDENCE. Gobiet gibt zu bedenken, dass Modell 

„retrospektiv“ und „prospektiv“ vergleichbar sein sollten. 

Letztlich einigen sich die Anwesenden, bei der beim letzten Meeting vorgeschlagenen 

Vorgangsweise zu bleiben.(1981-1990 mit ECHAM 5 rechnen, die prospektiven läufe 

hoffentlich (ab Sommer 2005) auch mit ECHAM5) 

5) Offerte für das zweite Projektjahr 

Loibl wünscht sich möglichst noch mit Ende Juli „einigermaßen“ klare Beschreibung 

der Inhalte, damit die Inhalte zwischen den Partner abgestimmt werden können.. Das 

2. Projektjahr soll mit September 2004 beauftragt werden und bis Juni 2005 laufen, 

sodass eine wahrscheinliche Verzögerung bis August, 2005 angefangen werden kann 

und das 3. Projektjahr im September 2005 starten kann. 

Als Vorgangsweise schlägt Loibl vor, analog zu ersten Projektjahr zunächst Drafts 

analog zu den Formularen im „1. Zwischenbericht“ zu schicken und Rückmeldungen 

abzuwarten, damit die einzelnen Aufgaben geklärt werden. 


Ahrens erinnert an morgigen Vortrag um von PD Dr. F. Berger von der TU Dresden: 

„Wasserhaushaltsuntersuchungen mit Fernerkundungsdaten“ 

Schöner verweist ebenfalls auf zusätzlichen Vortrag am Dienstag von R. Benestad. 

Die offizielle Sitzung wird um 17:15h geschlossen. Dann erfolgt eine informelle 

Präsentation des Clim-pact Paketes für R von Benestad, die bis ca. 19:00 h. dauert. 

32 Anhang 2




Anhang 3 

Folienübersicht der Vorträge




Anhang 3 


Anhang 3 

Teil 1 

Projekt: reclip:more 

Research for Climate Protection – Model run evaluation 

Vorstellung der Projektziele und des Projektablaufs 2003 - 2006 

Wolfgang Loibl, 20. April 2004 

Projekt -Team: 

Wolfgang Loibl 1 , Johann Züger 1 , Mario Köstl 1 (Projektleitung, MM5-Modellierung, Downscaling) 

Andreas Gobiet 2 , Heimo Truhetz 2 (MM5-Modellierung, Validierung, Downscaling) 

Herbert Formayer 3 , Petra Seibert 3 , Andreas Frank 3 , Bernd Krüger 3 (Validierung, Modelltests) 

Bodo Ahrens 4 , Alexander Beck 4 (Aladin-Modellierung, Sensitivitätstests) 

Manfred Dorninger 5 , Barbara Chimani 5 (Datenbereitstellung, Validierung mit VERACLIM) 

Wolfgang Schöner 6 , Elsa Dos Santos Cardoso 6 (Bereitstellung von Ö-Daten, Downscaling) 

1 ARC-sys ARC systems research, Wien - Seibersdorf 

2 IGAM Institut für Geophysik, Astrophysik & Meteorologie der Universität Graz 

3 BOKU-Met Institut für Meteorologie der Universität für Bodenkultur, Wien 

4 IMG Institut für Meteorologie und Geophysik der Universität Wien 

5 ZAMG Zentralanstalt für Meteorologie und Geodynamik, Wien 

1

Anhang 3 

Teil 1 

reclip – Research for Climate Protection 

Ein Programm zur österreichischen Klimaschutzforschung 2003-2006 

Programm-Inhalte: 

reclip:more – Model run Evaluation 

Klimamodellierung als Basis für eine gesamtösterreichische 

und regionsbezogene Klimafolgenforschung 

reclip:tom – Technical Options for Mitigation of Green 

House Gas Emissions 

Systemische Modellierung der Emissionen aus Energie- 

Produktions- und Entsorgungsprozessen 

reclip:strat – Strategische Begleitung und Optimierung 

Lessons learned für Kooperationen universitäre – 

außeruniversitäre Forschung 

© systems research 

reclip:more – Ziele und Aufgaben: Übersicht 

Regionale Klimamodellierung – Methoden, Tests und Ergebnisse als 

Basis für eine Österreich- und regionsbezogene Klimafolgenforschung 

Datenbedarf – Erhebung (ARC-sys) 

Dynamische, regionale Klimamodellierung (ARC-sys, IMG, IGAM) 

Modellierung (ca. 10 km Ziel-Auflösung) mit den Modellen MM5 und Aladin 

retrospektive Läufe 1980-1990 mit 2 alternativen Antriebsdaten (ERA40, ECHAM 4 T106 92a) , 


prospektive Modellläufe 2030-2040 mit identen Antriebsdaten (ECHAM 4 T106, 92a), 


Validierung / Vergleich der Modellergebnisse (BOKU-Met, IMG, IGAM) 

Downscaling der Modellergebnisse 10km -> 1km (ZAMG, ARC-sys, IGAM) 

(Temperatur, Niederschlag, Schnee, Strahlung, Wind…) für 3 Study-Regions 

(Zentralalpen, SE-Steiermark, Ost-Österreich) 

Aufbereitung regionaler Modellergebnisse (ARC-sys) 


2

Anhang 3 

Teil 1 

Ziele und Aufgaben – Details 

Dynamische regionale Klimamodellierung und Sensitivitätsanalysen 

Tests und Vergleiche – Antriebsdaten, Modell-Domains, Perioden 

Downscaling von Messdaten und Modellergebnissen 

für 3 Testregionen mit einer Auflösung von 1 km 

Benchmarking der retrospektiven Modelläufe 

Vergleichende Analyse und Validierung der Modellergebnisse aller 

retrospektiven Modellläufe und der Messergebnisse 

Dokumentation der Vor- und Nachteile der Modellvarianten, der 

unterschiedlichen Antriebsdaten und verschiedener Modellparametrisierungen 

Vergleich der Modellergebnisse der prospektiven Modellläufe analog 4) 

Bereitstellung von regionalisierten Modellergebnissen 

Tagesdaten T mean , T max , T min , Strahlung, Feuchtigkeit, Wind, Niederschlag) 

für Österreich in 10km- sowie in 1km Auflösung für 3 Testregionen 


reclip:more – Arbeitspakete 

Modell – 

Validierung, 

Benchmarking 

Upscaling 

Messdaten & 

Modellergebnisse 

Dynamische 

Modellierung 

Partner 

UNI‘s 

ZAMG 

ARC 


Validierungsmethoden 

Messdaten 

199x 

Re-Analysedaten 

Benchmark 199x 

Downscaling-methoden 

Downscaling 

Messdaten 

& Model runs 199x 

Retrospektive 

model runs 199x 

GCM- 

Daten 

Ergebnisvergleich 

Downscaling 

Model runs 

203x 

Prospektive 

model runs 203x 

GCM- 

Daten 

11/2003 12/2004 12/2005 

transiente 

regionale 

Ergebnisse 

für 

Klimafolgen 

-forschung 

6/2006 

3

Anhang 3 

Teil 1 

Datenbedarf für Klimafolgenforschung (1) 

Erhebung: 

Fragen-Formular versendet an rd. 90 WissenschaftlerInnen (aus 

Austroclim/FORNE-Liste) 

21 brauchbare Antworten, 

davon teilweise nur schriftl. und nicht im Forumuar ausgefüllt 

zahlreiche Zusatzwünsche 

18 für quantitative Auswertung verwendbar - 6 Fachgebiete: 


Botanik und Vegetationsökologie 

Forstwirtschaft/Waldbau 

Zoologie 

Kulturtechnik 

Human- u. Sozial-Ökologie 

(Volks-)Wirtschaft 


Ergebnisse: raumzeitliche Auflösung, Dateninhalte 


Erhebung 2003: 

ARC Systems research 

4

Anhang 3 

Teil 1 


Trends: 

Klimaparameter: 

Insgesamt alle nachgefragt: v.a. Temperatur, Niederschlag, Strahlung, Schneedecke 

Evtl. entbehrlich: Luftfeuchte, Luftdruck, Bodenfeuchte 

räumliche Auflösung: 

Notwendig: bis 10 km 

z.T. notwendig bzw. wünschenswert: 1 km 

v.a. für Botanik (für Sonderfragen), Zoologie, Kulturtechnik (Niederschlag) 

(Human- und Sozialökologie (1 von 2 Personen) nennt alle Parameter mit 1 km als notwendig). 

zeitliche Auflösung: 

Tagesbasis bzw . Derivate davon nachgefragt. T min,T max (6std Auflösung!),T mean, T sum 

study-regions: 

Stubaier und Ötztaler Alpen, Zentralalpen, Eisenwurzen, Ost-Österreich 

Typen: urban (Wien), alpin, strukturschwach (O-Stmk/S-Bgld) 


Modellierung 

regionale Klima-Modellierung (ca. 10 km Ziel-Auflösung) mit 

den Modellen MM5 und Aladin 

Überprüfung Rechengenauigkeit der MM5-sources mit 

verschiedenen Compilern 

retrospektive Läufe 1981-1990, aktuelle… mit den Antriebsdaten 

ERA40, 

ECHAM 5 T106, 92a) 


prospektive Modellläufe 2041-2050 mit den Antriebsdaten 

ECHAM 5 T106, 92a) 

Sensitivitätstests, Validitätsanalyse 

Inputdaten: Startclim 24h (ZAMG, 80 Stationen), EU-Synop 3h, 

MAP 24h , CALRAS 


5

Anhang 3 

Teil 1 

Modellierung – Prüfung der Rechengenauigkeit: IGAM 

Vergleich DEC Alpha : ATHLON 

Datensatz Storm of the Century (SOC) 


Modellierung – Prüfung der Rechengenauigkeit: IGAM 

Datensatz Storm of the Century (SOC) – Vergleich DEC Alpha : ATHLON 

Temperatur Windgeschwindigkeit Windfeld 

Nach 6 Stunden: 

(+0,8; -0,9) % 


(+3,8; -2,8) % 



(+8; -14) % 


(+14; -9) % 


0,8 m/s 


0,95 m/s 

6

Anhang 3 

Teil 1 

Modellierung – Tests & Vergleiche (1) (MM5: ARC-sys) 

derzeit: Retrospektive Modell-Läufe: Tests und Vergleiche 


Temperatur-Verlauf 

August 1986: 

Messung und MM5- 

Modellvergleiche 

Modellierung – Tests & Vergleiche (2) (MM5: ARC-sys) 

Niederschlag & Luftdruck am 25.7.2002, alternative Antriebsdaten 


7

Anhang 3 

Teil 1 

Modellierung: Validierung, Sensitivitätstests (BOKU-Met) 

Ziele: 

1. Feststellung, in welcher Modellkonfiguration die LAMs die besten 

rechentechnisch leistbaren) Ergebnisse für Österreich bzw. den 

Alpenraum in der angestrebten Auflösung von ~10 km liefern 

(Modellparametrisierung) 

2. Aufzeigen, welche Phänomene die LAMs mit dieser Auflösung 

reproduzieren können und welche nicht. (>>> Vortrag Ahrens) 

Tests zur Dynamik des Modells über den Alpen: 

Einfluss der Domain-Position und Größe 

Einfluss des Übergangs Randbedingung/Nestingstufen 

Föhn, Leezyklogenese im Mittelmeer, Vb-Lage, Nord - Kaltfront 

Einfluss der verwendeten Orographie (unterschiedliche Glättungsverfahren?) 

Einfluss unterschiedlicher Landnutzungsmodelle (USGS, CORINE, ARC-sys) 

3. Vergleich MM5 – Aladin, im Hinblick auf Vor- und Nachteile des 

jeweiligen Modells 


Modellierung: Sensitivitätstests, Validierung (IMG) 

Beispiel: Differenzfelder Veraclim/Messdaten - ALADIN 


24.06.2002 

Bodendruck Temperatur 

8

Anhang 3 

Teil 1 

Downscaling: Beispiel Niederschlag (ARC-sys, ZAMG) 

Tests - Downscaling des täglichen Niederschlags 

IDW-interpoliert Co-Kriging 

Höhengradient, Residuen IDW höhengeschichtete IDW-Interpolation 


Downscaling: Beispiel Wind (IGAM) 

MM5: 

Modellierungszeitraum: 1.9.03 -1.10.03 

Domäne 1: 81 km Gitter 




Domäne 5: 1 km Gitter (interpoliert) 

NOAH – Land Surface Model 

Antriebsdaten: NCEP Analysis (ds083.2) 1 x 1 ° Auflösung 

CALMET (nachgeschaltet): 

Modellierungszeitraum: 1.9.03 - 1.10.03 

7 x 7 km mit 50 m Gitter 

Kinematische Effekte 

Hangwindsysteme 

Froude-Effekt 

Antriebsdaten: MM5-Ergebnis Domain 5 


9

Anhang 3 

Teil 1 

Downscaling: Input - Wind 1km / 10 m (IGAM) 


Anwendungsbeispiel - Windpark Oberzeiring 

Downscaling: Calmet – Wind 50m / 10 m (IGAM) 


Anwendungsbeispiel - Windpark Oberzeiring 

Kinematische Effekte 

Hangwindsysteme 

Froude-Effekt…. 

10

Anhang 3 

Teil 1 

reclip:more – PJ1 

Literaturrecherche 

Feinstrukturierung 

Festlegung 

Messdaten, 

Reanalyse,GCM 

Festlegung, 


WP 3.x 

Festlegung, 

Regionalisierungsmethoden 

WP4.x 

Festlegung, 

Domains, 

Zeitspanne, 


WP 2.1, WP 2.2 


Messdaten, 

Methoden 

Messdaten- 

WP 1.1, 1.2 

Entwicklung /Test 


WP 3.1, 3.2, 3.3 


Regionalisierung- 

Methoden 

WP 4.1, 4.2, 4.3 

ERA40- 

Reanalysedaten 

WP 1.3 

GCM-Control runs 


Modelltests 


Messdaten – 

Veraclim WP3.2 

Retrospektive 

Model test runs 

Model short runs, 


WP 5.1, 5.2, 5.3, 5.4, 5.5 

Regionalisierung, 

Validierung 

Validierung 

WP 8, WP 3.2 


Modelldaten:Tests 

WP 4.4, 4.5, 4.6, 

Validierung 

WP8 

11/2003 06/2004 

Methoden/Daten – PJ1 

Messdaten, 

Methoden 

Messdaten 

WP 1.1, 1.2 



WP 3.1, 3.2, 3.3 

Festlegung, 

Regionalisierungsmethoden 

WP 4.x 

Festlegung, 

Domains, 

Zeitspanne, 


WP 2.1, 2.2 

Re-Analysedaten 

GCM control runs 



07/2004 


Modellläufe retrospektiv: 

short runs, long runs, Regionalisierung 

Retrospektive 

Model short runs, 

WP 5.1, 5.2, 5.4, 5.5 

Valid./Regionalisierung 

Messdaten - Veraclim, 

WP 3.2 


Modelldaten 

WP 7.1, 7.2, 7.3 

Retrospektive 

Model long runs, 

WP 6.1, 6.2 

Benchmark 

Benchmark 

WP 8 

06/2005 

11

Anhang 3 

Teil 1 

Methoden – PJ1 

Methoden 



WP 3.1, 3.2, 3.3 


Regionalisierungmethoden 

WP4.1,4.2,4.3 

Festlegung, Domains, 

Zeitspanne, 


WP 2.1, 2.2 


GCM 

WP1.4 

07/2005 


Modellläufe prospektiv: 

short runs, long runs; Regionalisierung 

Prospektive Model 

short runs 


WP 9.1, 9.2, 9.3, 9.4 


Modelldaten: 

WP10.1,10.2,10.3 

Prospektive Model 

long runs 

WP 11.1, 11.2, 

Plausibilitäts-Test 

Daten-Exzerpt 

Plausibilitäts-Test 

Datenexzerpt 

WP 12.1, 12.2 

06/2006 

12




Anhang 3 





Anhang 3 


Statistical tatistical Downscaling Methods - Theoretical 

Background & Experiences from Practical Work 

Rasmus.benestad@met.no 

Outline 

● Theoretical basis. 

R.E. Benestad 

– Why do we need downscaling? 

● Methods. 

– Dynamical v.s. empirical-statistical 

– The common EOF frame-work 

– Statistical models: Regression, CCA, SVD, … 

– Empirical-statistical: e.g linear, analog 

● Uncertainties. 

● Clim.pact and SDSM. 

1

Principles rinciples of Downscaling ownscaling 

Why downscaling? 

“Skillful spatial scale”: ~ 8 grid-pts. 

Grotch & McCracken (1991), J. Clim, 4, p. 286 

Principles rinciples of Downscaling ownscaling 

Large-scale 

(GCMs, re-analysis) 

Latitude 

90 

80 

70 

60 

50 

40 

30 

slp: 1st EOF: var=25.7968% 

X region : large-scale regional condition 

20 

eof an ea slp atl.nc 

J u m n 

−150 −100 −50 0 

Longitude 

50 100 150 

Xlocal local = f(X 

(Xregion, region 

temperature 

6000 

4000 

−2000 

−4000 

−6000 

0 2 4 6 8 

oslo 

oksoy 

nesbyen 

Interpolated Temperatures v.s. station Observations 

Local climatic differences 

are not resolved in GCMs. 

Annual ECHAM4−GSDIO 

Empirical-statistical downscaling: 

1850 1900 1950 2000 2050 

Time 

Interpolated NCEP & AOGCM and station observations 

2000 

Incorporates influence of regional 

0 

conditions and geographical influences 

using information from the past. 

, physiography) 

physiography 

Geographical influence (physiography) 

Small-scale 

(Direct measurements) 

2

Methods ethods 

Empirical-statistical & Dynamical downscaling: 2 completely 

different approaches - independent modelling strategies. 

Deg C 

2.5 

2.0 



0.5 

Projected change in annual mean temperature 

DD 

ED 

Dynamical DS not necessarily ‘better’ than 

empirical-statistical. 0.0 Stationarity-problems 

associated with parameterisation (statistical) and 

Hanssen-Bauer 

not 

et 

more 

al. (2003) 

‘physically 

Clim. Res., 

consistent’ 

25, 15 

(systematic 

biases – also see figure!). 


R1 R2 R3 R4 R5 R6 

2-dimensional data matrix converted to a 1D vector: 

Y ij → ỹ ∈ℜ n×m 

m 

n 

A question of of how to to organize 

the the data…before EOF anaysis. 

Latitude (deg N) 

X14 

X13 

X12 

X11 

X24 

X23 

X22 

X21 

X11 

X12 

... 

Time 

X34 

X33 

X32 

X31 

Example of data grid 

X44 

X43 

X42 

X41 

X54 

X53 

X52 

X51 

X64 

X63 

X62 

X61 

Longitude (deg E) 

Observations Model 

X74 

X73 

X72 

X71 

X84 

X83 

X82 

X81 

X94 

X93 

X92 

X91 

3


EOFs and so forth… 

● Why do we do it? 

– Convenient way of compressing informaton. Handy 

for regression analysis. 

– Nice mathematical properties (orthogonality). Handy 

for regression analysis. 

– Seperate time structures from space. 

● Physically meaningful?? 


Empirical Orthogonal Functions (EOFs) and Principal 

Component Analysis (PCA). 

Eigenvectors of the co-variance matrix: 

‘S-mode’ and ‘T-mode’ 

Variance-covariance matrix S of X’ is 

1/(n-1) X’ T X where 

X’ = X - X 

S e = λ e (Eigenfunctions) 

x’ =E u 

u m = e T m x’ 

Singular Vector Decomposition (SVD) 

(different notations E=U, but u is not the 

vector form for U) 

X = U Σ V T 

[x 1 , x 2 ,..x m ] →X 

e T ie j =δ ij 

[e 1 , e 2 ,..e n ] →E 

Literature: 

Wilks, D.S. (1995) Statistical Methods in the Atmospheric Sciences. Academic Press 

Press W.H., Flannery B.P., Teukolsky S.A, & Vetterling W.T..(1989) Numerical Recipes, Cambridge 

Preisendorfer R.W. (1989) Principal Component Analysis in Meteorology and Oceanology, Elsevier Science Press 

4


Gridded Observations/ re-analysis 

Time axis 

PCA: Singular Vector Decomposition (SVD): 

X = U Σ V T 

U Σ V 

Mathematically identical to 

Empirical orthogonal functions (EOF). 


Precipitation (mm) 

0 10 20 30 40 50 60 

U Σ V U Σ V 

PCA: observations PCA: GCM 

‘Prefect prognosis’ 

Traditional downscaling 

common EOF : : combine two 

different data sets 

GCM results 

space 

U: spatial pattern common 

Σ: ‘Eigenvalues’ (variance) 

V: time series describing the 

loadings (principal components) 

U Σ 

Common PCA 

V 

Common EOF based 

downscaling 

VT VT 

VT OSLO − BLINDERN 

1950 1960 1970 1980 1990 2000 

Time 

met.no Klima DataVareHus 

Regression →ψ 

U 

U 

Match 

Patterns→ϕ 

ϕψ 

scenario 

Precipitation (mm) 

0 10 20 30 40 50 60 

OSLO − BLINDERN 

1950 1960 1970 1980 1990 2000 

Time 

met.no Klima DataVareHus 

Regression →ψ 

ψ 

scenario 

5


Regression & other Statistical models on Relationships 


Tmpr ( deg C ) 

20 30 40 50 60 70 

Regression: 

Example: lm versus projection 

single & multiple regression. 

Least Squares fit Projection of y= a0 + a1 x1 + a2 x2 + a3 x3 + … 

−10 −5 0 5 

data 

multivariate regression & matrix projection. 

Projection & least squares: A x = y → y= A(A T A) -1 A T x 

y = a x → a = (x T y)/(x T x) 

Strang, G. (1988) Linear Algebra and its Applications, Harcourt Brace & Company 

Benestad (1999) MVR applied to Statistical Downscaling for Prediction of Monthly 

Mean Land Surface Temperatures: Model Documentation, DNMI Klima, 2/99. pp.35 

Oslo Temperature (deg C) 

lm 

linear models, generalised linear models, non-linear models. 

Regression example for Innsbruck… 

Empirical Downscaling ( ncep_t2m [ 10W50E−30N60N ] −> Tmpr ) 

−80 −60 −40 −20 0 20 40 

Time 

Calibration: Jan Tmpr at INNSBRUCK using ncep_t2m: R2=81%, p−value=0%. 

d2 

−6 −4 −2 0 2 4 

Tmpr ( deg C ) 

−6 −4 −2 0 2 

d1 

Ualand Temperature (deg C) 

Empirical Downscaling ( ncep_t2m [ 10W50E−30N60N ] −> Tmpr ) 

Obs. 

Fit 

GCM 

Trends 

Jan: Trend fit: P−value=92%; Projected trend= 0.02+−0.25 deg C/decade 

1960 1970 1980 

Time 

1990 

Calibration: Jan Tmpr at INNSBRUCK using ncep_t2m: R2=81%, p−value=0%. 

6



Canonical Correlation Analysis (CCA) 

classical & Barnet-Preisendorfer CCA. 

ECHAM4 

Bretherton et al. (1992) An Intercomparison of Methods for finding 

Coupled Patterns in Climate Data, J. Clim., 5, 541. 

T(2m). 

SLP. 

Benestad (1998) CCA applied to Statistical Downscaling for Prediction of 

Obs. 

Monthly Mean Land Surface Temperatures: Model Documentation, DNMI Klima, 

28/98, pp.96 

T(2m). 

Singular Vector Decomposition (SVD) 

not to be confused with Singular Vector 

Decomposition (SVD) 

Coupled fields (from CCA). 

SLP. 

Find patterns with the 

maximum correlation. 

X 1 = G U T , X 2 =HV T 

U T V = L M R T = C 

Downscaling: 

X 1 = G M (H T H) -1 X 2 

Benestad (1998) SVD applied to Statistical Downscaling for Prediction of 

Monthly Mean Land Surface Temperatures: Model Documentation, DNMI Klima, 30/98, 

pp. 38 

X 1 = G svd S 12 S 22 -1 H T svd X 2 

Maximize co-variance (CCA maximizes correlation) 

Other types of models… 

Neural nets and Self-Organising Maps… 

7



Example of downscaling: ‘Perfect prog’ & common EOF 

Common EOF 

‘Perfect prog’ 

Benestad (2001) Int. J. Clim. 21 1645 

Experiment: downscaling using a set of different predictor domains. 

Check robustness (flat structure). 

Common EOF 

‘Perfect prog’ 

Benestad (2001) Int. J. Clim. 21 1645 

8

Methods ethods & Uncertainties ncertainties 

Choice of domain can affect your results… 

Annual mean temperature No No at ‘inflation’ bjoernoeya−99710 has been used 

here. Less need for for inflation 

Bjoernoeya: 19.02°E,74.52°N 

than in in ‘Perfect Prog’ approach 

(von (von Storch, 1999, J. J. Clim, 12, 12, 3505) 

Temperature (deg C) 

−8 −6 −4 −2 0 2 4 6 

1900 1950 2000 2050 

Time (year) 

Downcaled from ECHAM4/OPYC3 GSDIO 

Benestad (2002) Clim. Res.,21 (2), p. 105-125: warning about domain choice. 


Strong & well-understood 

relationship (reflecting a physical 

mechanism) 

Field that GCMs can skilfully 

reproduce 

Parameters that carry the essential 

signal (e.g. a gradual global 

warming is not well-represented in 

SLP) 

Which parameters as predictors? 

Temperature trend (deg C per decade) 

−2 −1 0 1 2 

obs 

−10E50E52N75N 

−40E20E67N85N 

−40E40E52N80N 

−60E40E42N70N 

.slp. .slp.temp. .temp. 

9


Choice of method: e.g. linear v.s. analog 

Other methods may also be be 

incorporated into clim.pact 

in in the the future, such as as neural 

nets. Various regression 

models are are available (lm, 

glm, etc.), and CCA/SVDbased 

models may also be be 

included in in the the future. 

In In the the common EOF framework it it is is 

possible to to add corrections to to the the 

model results: by by setting 

PC PC loadings for for ‘present-day’ 

climate to to have same spread and 

location (µ (µ & σ) σ) as as in in the the 

observations and use the the same 

adjustments for for the the future. 


Probing uncertainties through multi-model ensembles: 

Spread caused by different model shortcomings, natural 

variability & different initialisation processes. 

10

Uncertainties ncertainties 

Re-cap of Uncertainties… 

● Model shortcomings (systematic biases). 

– Can be explored to a certain extent through multi-model 

ensembles. 

– Analysis, validations, & diagnostics (clim.pact) 

● Imperfect downscaling methods and choice of set-up. 

– Can be explored through different choices and methods (eg 

clim.pact, SDSM, & nested models) 

– Validation exercises. 

● Natural variability, GCM initiation, & additional forcing 

factors. 

– Ensembles of GCM exmperiments. 

● Emission scenarios. 

Clim.pact lim.pact & SDSM DSM 

– Multi-emission scenario ensembles. 

Other types of empirical-statistical downscaling: 

Obs 

So far: pattern matching. GSDIO 

met.no−B2 

Simpler: circulation indices & E.S.C.−B2 

classifications. 

monthly mean T(2m) (degree Celsius) 

−15 −10 −5 0 

Pattern matching: incorporate a form of quality control/validation. 

Clim.pact for R and SDSM 

Wise to to use different tools 

in in downscaling in in order to to 

check robustness! 

Time series 

1900 1950 2000 2050 2100 

Time 

Dec − Feb monthly mean T(2m) at NESBYEN 

C.W. Dawson & Rob Wilby: Wilby 

https://co-public.lboro.ac.uk/cocwd/SDSM 

https://co public.lboro.ac.uk/cocwd/SDSM/ 

11

Clim.pact lim.pact 

Http://cran.p-project.org/ 


Clim.pact 

An analytical tool for climate analysis 

R.E. Benestad 

A cook book recipe 

Can be run on PCs (click), in emacs on Linux (with the 

ESS package installed, or in ordinary shells: 

12



To start R 

● In emacs: 

– Type 'Esc' & 'X' 

– Type 'R' 

– or name of 

working directory. 

Basic commands: 

● help.start() 

● quit() 

● library(clim.pact) 

● ls() 

● A


Selected clim.pact functions. 

● DS() 


● EOF() 

● getnacd() 

● mixFields() 

● catFields() 

● mapField() 

● plotDS()/plotEOF() 

● satellite() 

● corField() 

● Empirical DownScaling. 

● EOF analysis. 

● Reads NACD data. 

● Mixes data fields (eg SLP & T2m). 

● Concatinates fields (obs + model). 

● Shows a map of fields values 

● Plots the results (DS or EOF). 

● Polarstereographic view. 

● Correlation analysis. 

Sample session:Station record 

rm(list=ls()) 

1 

2 

avail.locs() 

mestad.rr Figs 1 & 2 

plotStation(mestad,mon=1) # -> Figs 3 & 4 

3 4 

14



Sample session: Presenting maps 

slp



Sample session: spatial correlation 

data(tromsoe.t2m) 

obs.t2m



Downscaling with real observations. 

data(eof.slp) 

data(bergen.t2m) 

DS(preds=eof.slp,dat=bergen.t2m) 

Sample session: downscaling 

slp.obs


Documentation 

● Online manual & PDF: clim.pact.pdf 

● met.no KLIMA report 01/03 for V0.9 

● Met.no KLIMA, 04/03, pp. 85. 

Rasmus.benestad@met.no 

18

Anhang 4 

Nachfrage nach Klimadaten – Bedarfserhebung Herbst 2003

Nachfrage nach Klimadaten – Bedarfserhebung Herbst 2003 

Die Modellrechnungen erfolgen in mehreren Nestingstufen, wobei ausgehend von 

Modellergebnissen für ein grobes Raster Ergebnisse für ein feineres Raster 

berechnet werden – für Europa, für den Alpenraum, für die Ostalpen etc. Aufgrund 

der beschränkten Finanz- und Rechenkapazitäten können nicht alle potenziellen 

Datenwünsche der Klimafolgen-ForscherInnen-Gemeinde erfüllt werden. 

Um jedoch die auszuwertenden Modellergebnisse an den Bedarf der Klimafolgen- 

ForscherInnen soweit als möglich anzupassen, wurde im September 2003 von ARC 

systems research eine Erhebung unter den Interessenten der FORNE-Initiative 

(Forschung für Nachhaltige Entwicklung) durchgeführt. 

Mittels standardisierten Erhebungsbogen wurde erfragt, welche Klimaparameter als 

wichtig erachtet werden und welche räumliche bzw. zeitliche Auflösung für eine 

Befassung des Fachgebietes mit der Thematik notwendig scheint. 

Insgesamt wurden 85 Institute bzw. WissenschaftlerInnen angeschrieben. 20 davon 

retournierten den Erhebungsbogen, wobei 18 quantitativ auswertbare Antworten 

lieferten. 

Die Adressaten dieser Antworten entstammen folgenden Fachgebieten: 

- Botanik und Vegetationsökologie 

- Forstwirtschaft/Waldbau 

- Zoologie 

- Kulturtechnik 

- Human- u. Sozialökologie 

- Volkswirtschaft 

Die Auswertung der Antworten lässt sich nach Fachgebieten und getrennt in 

räumliche und zeitliche Auflösung wie folgt zusammenfassen: 

Anhang 4 1

Tab. 1: Auswertung der Datennachfragepräferenzen im Hinblick auf die räumliche Genauigkeit 

nach Fachgebieten 

X heißt, dass eine Mehrheit diese Ausprägung als notwendig erachtet 

(x heißt, dass hier keine Mehrheit gegeben ist – bei 50:50 Bewertung) 

0 gibt eine indifferente Meinung an – zT notwendig, zT wünschenswert 

- benennt jene Ausprägungen die zT als wünschenswert, von einer Minderheit als notwendig erachtet wurden. 

Tab. 2: Auswertung der Datennachfragepräferenzen im Hinblick auf die zeitliche Auflösung nach 

Fachgebieten 

X heißt, dass eine Mehrheit diese Ausprägung als notwendig erachtet 

(x heißt, dass hier keine Mehrheit gegeben ist – bei 50:50 Bewertung) 

0 gibt eine indifferente Meinung an – zT notwendig, zT wünschenswert 

- benennt jene Ausprägungen die zT als wünschenswert, von einer Minderheit als notwendig erachtet wurden. 

2 Anhang 4

Die Gesamtauswertung stellt sich wie folgt dar: 

Tab. 3: Auswertung der Datennachfragepräferenzen insgesamt 

Die Nachfragetrends lassen sich folgendermaßen zusammenfassen: 

Räumliche Auflösungen 

Als unbedingt notwendig wird generell eine Auflösung bis 10 km erachtet, teilweise 

wird 1 km als notwendig bzw. wünschenswert angegeben (va. für Sonderfragen der 

Botanik). Zoologie, Kulturtechnik (wo va. der Niederschlag interessiert) sowie 

Human- und Sozialökologie (1 von 2 Personen) halten alle Parameter mit 1 km 

Auflösung als notwendig. 

Als gewünschte Study-Regions mit 1 km Auflösung oder feiner wurden genannt: 

die Stubaier und Ötztaler Alpen, die Zentralalpen, die Region Eisenwurzen, der 

Seewinkel, das Marchfeld und Wien; damit wären drei Regionstypen, nämlich urban 

(Wien), alpin und strukturschwach (zB O-Stmk/S-Bgld) abgedeckt. 

Zeitliche Auflösungen 

Bei der zeitlichen Auflösung wurden Ergebnisse auf Tagesbasis bzw. Derivate 

davon (zB Temperatursummen) als notwendig erachtet. Zusätzlich benötigt man 

Tmean, Tmin, Tmax (dh. zumindest eine 6-stündige Auflösung!), bzw. 

Tagesmittelwerte und Tagessummen. 

Gewünschte Klimaparameter 

Von allen nachgefragt wurde va. T, NS, Strahlung und Schneedecke. Als evtl. 

entbehrlich erscheinen Luftfeuchte, Luftdruck und Bodenfeuchte. 

Anhang 4 3

präsentiert bei 

High-resolution climate modelling: Assessment, added value and applications 

Lund, Sweden, 29 March – 2 April 2004 

Anhang 5 

reclip:more Poster

eclip:more 

research research 

for climate climate 

protection: rotection: model model 

run un evaluation valuation 

Johann Züger, ARC systems research, A-2444 Seibersdorf 

Goals of reclip:more 

The project reclip:more was started to carry out regional climate model runs, sensitivity analysis, model benchmarking of 2 different 

regional climate models and finally to provide validated high resolution datasets for Austria. The overall objective referring to data is to 

produce transient regional climate model (RCM) results of the daily weather conditions for a past decade (~1990-2000) as control run for 

model validation purposes and for a future decade (~2040-2050). A Model validation task shall perform a benchmarking of 2 different 

limited area models: MM5 and ALADIN. The major scientific goals are to quantify the uncertainties, investigate the sensitivity of regional 

climate simulations and create regional scale climate change scenarios with a resolution of 10 km for the eastern Alps covering Austria. 

Further downscaling shall deliver results with 1km resolution for some selected test regions. 

Tasks in detail: 

(1) Development and application of methods and 

tests: 

Model validation - statistical methods, indicators. 

Up/Downscaling - regionalization of observation and 

gridded model results. 

(2) Dynamical regional climate modeling: 

Retrospective model runs of 2 LAMs with Reanalysis 

and GCM data sets for 1990-2000. 

Prospective model runs of 2 LAMs with GCM data 

sets for 2040-2050 (possibly 2070-2100). 

(3) Up / Down Scaling: 

Regionalization of observation data and gridded 

model results for validation and finally for delivery of 

model results. 

(4) Benchmarking of retrospective model runs: 

Comparative analysis of high resolution model 

results and monitoring data. 

Documentation of advantages and disadvantages 

of different model settings within the LAMs. 

(5) Comparison of results of prospective model 

runs 

(6) Delivery of high resolution model results for 

future climate: 

Temperature (mean, max, min), humidity, radiation, 

wind (6-h speed, direction), precipitation (daily). 

K-wiss 

reclip:strat reclip:tom 

Model 

Validation, 

Benchmarking 

Up/Down 

Scaling Data 

and Model 

Results 

Dynamical 

modeling 

Partners: 

Universities 

ZAMG 

ARC 

Data 

1999 

Work Packages & Schedule 

Validation Methods 

Reanalysis 

Data 

Benchmarking 1999 

Up/Down Scaling 

Methods 

Up/Down Scaling Data 

& Model Runs 199x 

Retrospective Model 

Runs 199x 

GCM 

Data 

GCM 

Data 

Results Comparison 

Up/Down Scaling 

Model Runs 204x 

Prospective Model Runs 

204x 

Transient 

Regional 

Results for 

Climate 

Change 

Research 

2003 2004 2005 2006 

The reclip:more Team: 

ARC systems research 

Project management, data preparation for MM5, MM5 short runs, sensitivity tests. 

Downscaling: T-min, T-max, Rad. 

Contact: wolfgang.loibl@arcs.ac.at 

IMGW - University of Vienna 

(1) SYNOP-,MAP-,CALRAS datasets, model run validation with VERA, sensitivity tests. 

(2) Data preparation for ALADIN, ALADIN short runs, sensitivity tests, long runs. 

Contact: (1) manfred.dorninger@univie.ac.at, (2) bodo.ahrens@univie.ac.at 

BOKU-Met - University of Agriculture Vienna 

Sensitivity tests concept, model validation concept, RCM benchmarking. 

Contact: herbert.formayer@boku.ac.at 

IGAM - University Graz 

MM5 long runs, vertical validation, downscaling wind. 

Contact: andreas.gobiet@uni-graz.at, heimo.truhetz@uni-graz.at 

ZAMG - Austrian Weather Service 

Austrian monitoring data, downscaling T-mean, P, Snow. 

Contact: wolfgang.schoener@zamg.ac.at 

Acknowledgement 

The project reclip:more is funded by the K-wiss program of the Austrian Research Centers (ARC). The main goal of the K-wiss program is to enhance the cooperation between universities and other 

research institutions. One of the tasks within K-wiss is reclip conducted by ARC systems research. 

Reclip is divided into three branches: 

reclip:more (research for climate protection: model run evaluation) 

reclip:tom (research for climate protection: Technological Options for Mitigation ) 

reclip:strat (research for climate protection: Strategic Accompanying and Evaluation). 

Contact: 

Wolfgang Loibl 

ARC systems research 

A-2444 Seibersdorf 

reclip:more 

Tel.: +43(0)50550-3875 

Fax: +43(0)50550-3888 

email: wolfgang.loibl@arcs.ac.at 

URL: http://www.systemsresearch.ac.at

Impressum 

Als Manuskript vervielfältigt. Für diesen Bericht 

behalten wir uns alle Rechte vor. 

ARC-Berichte 

Herausgeber, Verleger, Redaktion, Hersteller : 

ARC systems research GmbH 

A-2444 Seibersdorf 

T : +43(0)50550-3880 

F : +43(0)50550-3888 

sys@arcs.at 

www.systemsresearch.ac.at

1. Jahresbericht (german version) - Foresight & Policy Development

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?