Bessere globale Klimamodelle

Aufgrund des unvollständigen Wissens über die Physik von Klimasystemen, stellen die Klimamodellierungsgruppen rund um die Welt die Klimaprozesse in ihren Modellen auf unterschiedliche Weise dar. So kommt es bei den Vorhersagen des zukünftigen Klimas zu Unterschieden und Unsicherheiten.

Das von der EU finanzierten Projekt "Performance and usefulness of climate predictions: Beyond current limitations" (CLIMITS) wendete zur Verbesserung der jahreszeitlichen Vorhersagen mehrere verschiedene Prognosemodelle gemeinsam an, indem die mit einzelnen Modellen verbundenen Mehrdeutigkeiten reduziert wurden. Um die Ziele zu erreichen, wendete man das Multi-Model-Ensemble-Verfahren (MME) an. Hier nutzt man viele verschiedene Modelle, um eine Vorhersage zu generieren.

Die Projektpartner integrierten zwei saisonale MME-Prognosesysteme (Seasonal Prediction System), die jeweils separat von der europäischen (ENSEMBLES) und der asiatisch-pazifischen (CliPAS/APCC) Klimavorhersagegemeinschaft entwickelt wurden. Im Folgenden bewertete man alle möglichen Multi-Modell-Kombinationen, die durch die Zusammenstellung von 5 ENSEMBLES- und 11 CliPAS/APCC-Modelle zu ermitteln waren.

Die Kombination mündete in der Schaffung des sogenannten großen ENSEMBLES-CliPAS/APCC MME. Das große MME verbesserte die Klimavorhersage im Vergleich zu früheren Schätzungen im starken Maße. Nach einer Bewertung der SPS-Kombinationen stellte man fest, dass die optimale SPS-Gruppierung in ENSEMBLES- und CliPAS/APCC-Modellen besteht.

Die Verbindung zwischen Leistung und Verzerrung der großen MME-Kombinationen wurde beurteilt. Die Leistung bewertete man in der Region Europa-Mittelmeer und im ostasiatischen Raum. Dazu gehörte die Möglichkeit, Unregelmäßigkeiten während des indischen Sommermonsuns und im borealen Sommer vorherzusagen. Resultate ergaben hier, dass die Kombination von SPS mit unabhängigen MME-Quellen eine gute Strategie ist, um bestehende Einschränkungen hinsichtlich der saisonalen Vorhersagen zu überwinden.

CLIMITS offenbarte Mängel in der Performance der MME-Prognosen, die derzeit den asiatisch-pazifischen und europäischen Klimavorhersagegemeinschaften zur Verfügung stehen. Die Ergebnisse sollten den mit Klimadaten beauftragten Einrichtungen eine Hilfe dabei sein, MME-Methoden zu entwickeln, die bessere jahreszeitliche Vorhersagen ergeben sollen, die den Nutzern zuverlässigere Informationen liefern.