Statistik fĂŒr die Vorhersage von Schneefall
Die QualitĂ€t von Wetterberichten hat sich mit der Entwicklung immer leistungsfĂ€higerer Computermethoden in den vergangenen Jahrzehnten stark verbessert. Die VorhersagezeitrĂ€ume sind lĂ€nger und die Prognosen genauer geworden. Bei komplexen lokalen Gegebenheiten kommen allerdings auch die gĂ€ngigen Wettermodelle an ihre Grenzen. FĂŒr Gebiete von hunderten Quadratkilometern GröĂe gibt es in der Regel nur eine einzige Vorhersage, was gerade in Gebirgsregionen zu groĂen Ungenauigkeiten fĂŒhrt. Das hat vielerlei Konsequenzen, insbesondere, wenn es um Schneemengen geht, die fĂŒr den Tourismus groĂe Bedeutung haben. Das Thema Sicherheit ist hier besonders relevant. Eine in Innsbruck tĂ€tige Forschungsgruppe aus den Gebieten Meteorologie und Statistik hat nun in einem vom Wissenschaftsfonds FWF finanzierten Projekt die Daten von konventionellen Wettermodellen mit lokalen Messungen aus der Vergangenheit verglichen, um so lokal prĂ€zisere Vorhersagen zu erhalten, und zwar speziell fĂŒr Schneefall.
Das Wetter in der Vergangenheit einbeziehen
âIn globalen numerischen Wettersimulationen, wie sie fĂŒr Wetterberichte verwendet werden, werden relativ groĂe Zellen modelliert, 20 mal 20, manchmal 50 mal 50 Kilometerâ, erklĂ€rt Projektleiter Achim Zeileis im GesprĂ€ch mit scilog. âDoch wer in Tirol aus dem Fenster blickt, kann mit freiem Auge sehen, dass sich das Wetter auf 20 Kilometern mehrmals Ă€ndert, unter anderem weil Berge im Weg stehen, die in dem numerischen Modell so nicht abgebildet sind.â Die exakte physikalische Modellierung solcher lokalen Eigenheiten des Wetters sei praktisch unmöglich, sagt Zeileis. Allerdings gebe es viele lokale Messstationen, die genauere AuskĂŒnfte darĂŒber erlauben, wie das Wetter in der Vergangenheit war. Diese lieĂen sich nutzen, um konventionelle Wettervorhersagen lokal zu korrigieren.
âWir sammeln und kombinieren Wetterdaten aus der Vergangenheit, um zu verstehen, wie das Wetter wirklich war, wenn numerische Wettersimulationen eine bestimmte Vorhersage machtenâ, erklĂ€rt Zeileis. âWar es tendenziell wĂ€rmer oder kĂ€lter, hat es mehr oder weniger geregnet als vorhergesagt?â In der Forschung spricht man von âstandardisierten Anomalienâ. â Man versucht, immer wieder auftretende Abweichungen statistisch zu fassen und die Vorhersagen so lokal anzupassen. âDiese Prognosen sind natĂŒrlich nach wie vor fehlerbehaftet, zum Teil mit deutlichen Fehlern, sie sind aber hĂ€ufig sehr viel besser als das, was die konventionellen Wettermodelle ausspuckenâ, erklĂ€rt Zeileis.
Verschiedene Daten zusammengefĂŒhrt
FĂŒr die Schneevorhersage sei das Verarbeiten der Messdaten durchaus kompliziert gewesen, erklĂ€rt Projektmitarbeiter Reto Stauffer, der sein Doktorat im Laufe des Forschungsprojekts abschloss. FĂŒr die Vorhersage von Schnee brauche es sowohl Informationen ĂŒber die Temperatur als auch ĂŒber den Niederschlag. âWir hatten viele verschiedene Datenquellen zur VerfĂŒgung. FĂŒr die Vorhersage von Schneemengen war besonders wichtig, dass wir lange Zeitreihen hatten, weil Niederschlag sehr variabel ist. Ein oder zwei Jahre genĂŒgen da nicht.â Man habe sich darauf konzentriert, die Temperaturmessungen und die Niederschlagsmessungen aus zwei verschiedenen Messnetzen zu beziehen, und zwar Letztere vom Hydrographischen Dienst, weil diese Daten vierzig oder fĂŒnfzig Jahre in die Vergangenheit reichen, wĂ€hrend Erstere vom nationalen Wetterdienst stammen, der sehr viele Stationen besitzt. âDa reichte es, Daten zu haben, die zehn oder fĂŒnfzehn Jahre in die Vergangenheit gehen.â Als numerisches Wettermodell nutzte man verschiedene Produkte des EuropĂ€ischen Zentrums fĂŒr Wettervorhersage, unter anderem eines, das eigentlich fĂŒr Klimatologie konzipiert ist und prĂ€zise SchĂ€tzungen fĂŒr den Niederschlag erlaubt. FĂŒr die Arbeit war es dabei nicht nötig, Genaueres ĂŒber die physikalischen VorgĂ€nge am jeweiligen Ort zu wissen. Eine Einbeziehung physikalischer Variablen habe man zwar versucht, beispielsweise die Ausrichtung des Hangs. FĂŒr die Prognose habe das aber nur wenig gebracht.
Fokus auf Tirol
FĂŒr die Berechnung der Schneemengen konzentrierten sich die Forscherinnen und Forscher auf Tirol. Zeileis betont, dass diese Arbeiten besonders fĂŒr Gebirgsregionen interessant seien: âIn Flachland-Gegenden gibt es keine so groĂen Fehler in den globalen Wettersimulationen, weil sich das GelĂ€nde hier weniger Ă€ndert.â Bei anderen Projekten habe man sich unter anderem SĂŒdtirol angesehen. Achim Zeileis betont, dass es sich um Grundlagenforschung handelte, obwohl das Thema von groĂem gesellschaftlichem Interesse sei. Das von seiner Gruppe entwickelte statistische Modell, das mit den genannten standardisierten Anomalien arbeitet, wird an einigen Stellen bereits praktisch eingesetzt. Die Vorhersageverfahren fĂŒr Schneemengen wurden erst kĂŒrzlich publiziert. âWir haben hier ein flexibles Werkzeug, das in Zukunft fĂŒr verschiedene praktische Anwendungen relevant sein kannâ, sagt Zeileis.
Zur Person
Achim Zeileis ist Professor am Institut fĂŒr Statistik der UniversitĂ€t Innsbruck. Der Statistiker interessiert sich besonders fĂŒr Wettervorhersagen, Statistische Modellierung, Software fĂŒr Statistik und Machine Learning.
Publikationen
Reto Stauffer, Georg J. Mayr, Jakob W. Messner, Achim Zeileis: Hourly Probabilistic Snow Forecasts over Complex Terrain: A Hybrid Ensemble Postprocessing Approach. Advances in Statistical Climatology, Meteorology and Oceanography, accepted for publication, 2018
Markus Dabernig, Georg J. Mayr, Jakob W. Messner, Achim Zeileis: Spatial Ensemble Post-Processing with Standardized Anomalies. Quarterly Journal of the Royal Meteorological Society, 2017
Reto Stauffer, Nikolaus Umlauf, Jakob W. Messner, Georg J. Mayr, Achim Zeileis: Ensemble Post-Processing of Daily Precipitation Sums over Complex Terrain Using Censored High-Resolution Standardized Anomalies. Monthly Weather Review, 2017
Jakob W. Messner, Georg J. Mayr, Achim Zeileis: Heteroscedastic Censored and Truncated Regression with crch. The R Journal, 2016 (pdf)
