Diese Studie untersucht die Anwendung von regressionsbasierten Downscalingtechniken in der Pascua-Lama Region in den trockenen Anden. Das Ziel ist zu untersuchen, ob es möglich ist, erfolgreich Downscaling von großskaligen atmosphärische Daten zur Modellierung von lokalen Bedingungen in einer solch komplexen Topographie zu betreiben. Downscaling kann nützlich sein, zum Erhalten von langen Zeitreihen an Orten, wo Beobachtungsdaten rar sind. Die untersuchten Zielvariablen sind Lufttemperatur, relative Feuchte und Windgeschwindigkeit. Beobachtungen dieser Zielvariablen werden an vier Messstationen in Bergumgebungen in der Nähe von Gletschern abgeschätzt. Als großskaligen Datensatz evaluieren wir ERA Interim Reanalysedaten. Die Analysen führen wir mit sDoG ('statistical Downscaling for Glacierized mountain environments') durch, einem Trainings- und Validierungsnetzwerk basierend auf linearen Regressionsmethoden. Für die direkten (einfachen) Prädiktoren wird eine 'Optimum Scale Analyse' durchgeführt. Diese zeigt, dass sie eine sinnvolle Methode zur Verbesserung des Vorhersageskills sein kann, aber nicht notwendigerweise an allen Stationen und Variablen über den gesamten Jahresverlauf. Die größten Verbesserungen können dabei für die Windgeschwindigkeit erzielt werden. Weiterhin zeigte sich, dass eine fixierte Skala (4 x 4 Gitterpunkte) keine eindeutigen Verbesserungen liefert. Der Vergleich mit traditionellen (multiplen) Prädiktoren zeigt, dass multiple Prädiktoren einen verbesserten Skill gegenüber einfachen Prädiktoren liefern. Speziell für die Lufttemperatur wird dies über den gesamten Jahresverlauf offensichtlich. Die Verbesserungen durch multiple Prädiktoren für die relative Feuchte können noch höher als bei der Lufttemperatur sein, es gibt aber auch Tage mit keiner Verbesserung oder gar schlechterem Skill. Für die Windgeschwindigkeit sind die Verbesserungen im Mittel am höchsten, jedoch treten hier auch einige Tage mit deutlich schlechterem Skill auf, dies könnte auf schlechte Datenqualität hindeuten. Dadurch könnte es bei der Windgeschwindigkeit und bei der relativen Feuchte sinnvoll sein verschiedene Prädiktoroptionen für verschiedene Tage zu benutzen, da bei einfache Prädiktoren robuster sind bei unsicherem Trainingsdatensatz. Insgesamt kann Downscaling und der Vergleich von verschiedenen Prädiktoroptionen sehr sinnvoll sein zur Verbesserung von globalen atmosphärischen Datensätzen, speziell in vergletscherten Bergregionen. Ebenso kann Downscaling einen erheblichen Beitrag zu verbesserten hochaufgelösten Zeitreihen liefern, die zur Modellierung der Klima- und Gletscherentwicklung verwendet werden können.
Titelaufnahme
- TitelWie beeinflussen großskalige Wetterstrukturen das lokale Wetter in den Anden von Chile? : Ein Downscaling Experiment / von Christopher Zier
- Weitere TitelHow do large scale atmospheric structures influence the local weather in the Andes of Chile? A downscaling experiment
- verfasst von
- betreut von
- ErschienenInnsbruck, Juli 2017
- Umfangvii, 79 Blätter : Illustrationen, Diagramme, Karten
- AnmerkungZusammenfassung in englischer SpracheAbweichender Titel laut Übersetzung der Verfasserin/des Verfassers
- Datum der AbgabeAugust 2017
- SpracheDeutsch
- DokumenttypMasterarbeit
- Schlagwörter
- Schlagwörter (DE)regressionsbasierte Downscalingtechniken / Anden / Chile / komplexer Topographie / großskalige atmosphärische Daten / Beobachtungsdaten / Bergterrain / Reanalysedaten / sDoG / Trainings-und Validierungsnetzwerk / lineare Regression / direkte Prädiktoren / Optimum Scale Analyse / Skill / Windgeschwindigkeit / Lufttemperatur / relative Feuchte / multiple Prädiktoren / einfache prädiktoren / Datenqualität / verschiedene Prädiktoroptionen / Trainingsdatensatz / vergletscherte Bergregionen / Gletscherentwicklung
- Schlagwörter (EN)regression / dry Andes / Chile / Downscaling / local conditions / complex topography / observations / target variables / mountain terrain / large-scale data set / reanalysis / sDoG / training and validation network / optimum scale analysis / direct predictors / univariate predictors / multivariate predictors / forecast skill / temperature / relative humidty / wind speed / data quality / comparison / strategies / glacierized mountain regions / glacier evolution
- URN
- Das Dokument ist online verfügbar
- Nachweis
This study explores the application of regression-based downscaling approaches in the Pascua-Lama Region in the dry Andes. The goal is to investigate whether it is possible to successfully downscale large scale atmospheric data to model the local conditions in such a complex topography. Downscaling can be useful to provide long-term time series at locations where observations are scarce. The investigated local target variables are air temperature, relative humidity and wind speed. I assess observations of these target variables from four measurement sites in mountain terrain near to glaciers. The evaluated large-scale data set is the ERA interim reanalysis data set. The analysis is done with sDoG (statistical Downscaling for Glacierized mountain environments), a training and validation network based on linear regression tools. An optimum scale analysis is done for the direct (univariate) predictors. It shows that it can be a good method for improving the forecast skill, but not necessarily for all stations and variables over the whole year. The best improvements in forecast skill are possible for wind speed. Moreover it shows that a fixed scale (4 x 4 gridpoints) doesn’t lead to clear improvements. The comparison with traditional (multivariate) predictors shows that the multivariate predictors have a higher skill than univariate predictors, especially for temperature for which the improvement is clear over the whole year. The improvements obtained by using multivariate regressions can be higher for relative humidity than for temperature, but there are also days of the year with no improvement or even less skill. For wind speed the improvements are in average the highest of all variables. But there are also days of the year where the skill is worse than for the direct predictors, which could be a sign of bad data quality. Here and for relative humidity it could be useful to use different predictor options for different days, because univariate predictors prove to be more robust with uncertain training data. Overall I find that downscaling and comparing different predictor strategies can be a useful tool to improve global atmospheric data sets, especially in glacierized mountain regions. Downscaling could also help to get better time series for modelling future climate changes and glacier evolution.
- Das PDF-Dokument wurde 146 mal heruntergeladen.