Ensemblevorhersagen
Stephan Hemri hat an der ETH in Z\xfcrich einen Bachelorstudiengang Umweltwissenschaften absolviert und sein Studium mit einem Master in Statistik abgerundet. Seine Masterarbeit entstand an der Eidgen\xf6ssischen Forschungsanstalt f\xfcr Wald, Schnee und Landschaft (WSL). Hierbei hat er auch statistisches Postprocessing kennengelernt. Mit diesem Wissen und dem vorhandenen Interesse \xfcbernahm er ein Promotionsthema von Tilmann Gneitling am Lehrstuhl f\xfcr Computational Statstics an der KIT-Fakult\xe4t f\xfcr Mathematik und am Heidelberger Institut f\xfcr Theoretische Studien. Zu den H\xf6hepunkten dieser Zeit z\xe4hlt er die vier Monate, die er am Europ\xe4ischen Wetterzentrum (Zentrum f\xfcr Mittelfristprognose) in Reading mitforschen konnte. Schon seit langem werden f\xfcr die Wettervorhersage numerische Modelle eingesetzt. Dabei werden Gr\xf6\xdfen wie zum Beispiel Temperatur und Niederschlag auf einem globalen 3-dimensionale Gitter durch das L\xf6sen von gro\xdfen gekoppelten und nichtlinearen Gleichungssystemen bestimmt, die aus physikalischen Modellen hergeleitet sind, nach denen sich Luftmassen und Wasser in der Atmosph\xe4re in etwa bewegen und dabei unser Wetter erzeugen. Ebenso wichtig - wenn auch weniger bekannt - sind hydrologische Vorhersagen zu Pegelst\xe4nden an Fl\xfcssen, die mit \xe4hnlichen Methoden f\xfcr einige Zeit im voraus berechnet werden. Zu Beginn waren die damit verbundenen Rechnungen rein deterministisch, was den gro\xdfen Nachteil hatte, dass die Ergebnisse der Modelll\xe4ufe nichts \xfcber Unsicherheiten der Vorhersage aussagen konnten. Eine Idee, um Ungenauigkeiten der Modellrechnungen zu bestimmen, ist zu Ensemblevorhersagen \xfcberzugehen. Das hei\xdft, man berechnet nicht nur eine Vorhersage, sondern mehrere Modell\xe4ufe, jeweils zu abge\xe4nderten (gest\xf6rten) Anfangsbedingungen oder mit verschiedenen Modellen, um zu sehen, wie stark sie sich in den Ergebnissen unterscheiden. Sind sich die verschiedenen Rechnungen weitestgehend einig, ist die Vorhersage recht sicher zutreffend. Weichen sie stark voneinander ab, sind sie entsprechend wenig sicher. Die Datenlage in der Wettervorhersage ist sehr gut. Insofern, kann man nat\xfcrlich im Nachgang immer abgleichen, inwiefern Vorhersagen eingetroffen sind und dies zur Verbesserung der Modelle benutzen. Aber trotzdem bleiben konkrete Aussagen wie z.B. Hochwasservorhersagen oder Vorhersagen zu Pegeln anhand von Niederschlags-Daten sehr schwierig, weil die Modelle nicht ausgereift sind und die Verbesserung nicht auf der Hand liegt. (...)