Parameterschätzung mit ensemble-basierter Datenassimilation

Numerische Wettervorhersagemodelle sind komplexe Computerprogramme, die simulieren, wie sich die Atmosphäre in den nächsten Tagen entwickeln wird. Dafür benötigen Wettermodelle als erstes Anfangsbedingungen, die den atmosphärischen Zustand zu einem bestimmten Zeitpunkt beschreiben. Diese Anfangsbedingungen werden im Rahmen der Datenassimilation durch die Kombination von aktuellen Messungsdaten und vorangegangenen Vorhersagen unter Berücksichtigung der jeweiligen Fehler bestimmt. Obwohl sich Wettermodelle und Datenassimilationsmethoden im Laufe der Jahre stetig verbessert haben, gibt es nach wie vor zahlreiche Fehlerquellen. Ziel dieses Projektes ist es diese Fehlerquellen zu reduzieren, die über dem Gebirge tendenziell größeren Vorhersagefehler zu reduzieren. Wettermodelle basieren auf einem Rechengitter, welches eine verpixelte Version der Atmosphäre darstellt. In regionalen Wettermodellen haben die dreidimensionalen Pixel eine horizontale Ausdehnung von etwa 1 km und sind etwa 100 m hoch, wobei es bis zu 10 Millionen dieser Pixel gibt. Wettermodelle beschreiben, wie sich Wind, Lufttemperatur, Luftdruck und Wassermassen in jedem Pixel zeitlich entwickeln. Ein großes Problem ist dabei, dass viele meteorologisch wichtige Prozesse in der Natur auf räumlichen Skalen geschehen, die kleiner als die Pixelgröße sind und daher für Wettermodelle unsichtbar. Zu diesen Prozessen gehören zum Beispiel die Absorption von solarer und terrestrischer Strahlung, Wolken- und Niederschlagsbildung und atmosphärische Turbulenzen. Turbulenzen sind chaotische Luftbewegungen, die im Laufe der Zeit dazu führen, dass atmosphärische Eigenschaften homogener werden. Meteorolog*innen beschreiben deren Auswirkungen mit mathematischen Beziehungen, den sogenannten Parametrisierungen. Diese kombinieren meist eine vereinfachte Theorie mit historischen Messungsdaten. Unter bestimmten Wetterbedingungen kann das Ergebnis erstaunlich genau sein, aber leider haben derzeitige Parameterisierungen oft keine Allgemeingültigkeit. Turbulenzparametrisierungen zum Beispiel sind über dem Gebirge oft ungenau, weswegen wir versuchen, sie mit atmosphärischen Beobachtungen zu verbessern. Dazu nutzen wir die Methodik der Datenassimilation. Wir wollen jedoch mit den Beobachtungen nun nicht den Zustand der Atmosphäre schätzen, sondern die empirischen Parameter von Turbulenzparametrisierungen. Dieses Verfahren wird ensemblebasierte Parameterschätzung genannt und ist eine Form der inversen Modellierung. Unser Ziel ist die kontinuierliche Anpassung der Parametrisierungen an aktuelle Beobachtungen in Wettermodellen. Als ersten Schritt führen wir Experimente zur Parameterschätzung mit synthetischen Wettermessungen durch, die aus einem digitalen Zwilling der Atmosphäre stammen, d. h. aus einer numerischen Simulation mit sehr hoher Auflösung, die turbulente Luftbewegungen sehr genau darstellt.