This resource contains the monthly mean sea surface temperature [K] for 6 months. The period of hindcast data is January, 1993 - December, 2019. The format of resource is GRIB2. It is provided through the web site of WMO Lead Centre for LRF MME (Long Range Forecast Multi-Model Ensemble). The web site requests a user account. The Grade A(GPCs) and Grade B(NMHSs, RCCs) users can download the data USAGE: Menu: Data and Plot > Data Exchange > Search/Download. This hindcast data is made by GPC_Offenbach (DWD) using an operational seasonal prediction system. For more detailed information about the seasonal forecasts of GPC_Offenbach (DWD) visit the web site http://www.dwd.de/EN/ourservices/seasonals_forecasts/start.html.
The Tropical Glaciology Group's research on Kilimanjaro started in 2002 and is in progress. Central aspects of our research plan are: 1) Development of the working hypothesis: From a synopsis of (i) proxy data indicating changes in East African climate since ca. 1850, (ii) 20th century instrumental data (temperature and precipitation), and (iii) the observations and interpretations made during two periods of fieldwork (June 2001 and July 2002) a scenario of modern glacier retreat on Kibo is reconstructed. This scenario offers the working hypothesis for our project. 2) Impact of local climate on the glaciers: This goal involves micrometeorological measurements on the glaciers, and the application of collected data to full glacier energy and mass balance models. These models quantify the impact of local climate on a glacier, based on pure physical system knowledge. Our models are validated by measured mass loss and surface temperature. 3) Latest Extent of the Kilimanjaro glaciers: Here, a satellite image was analyzed to derive the surface area and spatial distribution of glaciers on Kilimanjaro in February 2003. To validate this approach, an aerial flight was conducted in July 2005. 4) Linking local climate to large-scale circulation: As glacier behavior on Kilimanjaro, a totally free-standing mountain, is likely to reflect changes in larger-scale climate, this goal explores the large-scale climate mechanisms driving local Kilimanjaro climate. Well known large-scale forcings of east African climate are sea surface temperature variations in the Pacific and, more important, in the Indian Ocean. 5) Regional modification of large-scale circulation: The regional precipitation response in East Africa due to large-scale forcing is not adequately resolved in a global climate model as used in 4). Thus, mesoscale model experiments with the numerical atmospheric model RAMS will be conducted within this goal. They are thought to reveal the modification of atmospheric flow by the Kilimanjaro massif on a regional scale. 6) Practical aspects: Based on micro- and mesoscale results, (i) how much water is provided by glaciers, (ii) providing future projections of glacier behavior as basis for economic and societal studies (practical part), e.g., for studies on the impact of vanishing glaciers on Kibo's touristic appeal, and (iii) which impact does deforestation on the Kilimanjaro slopes have on summit climate? Referring to item 2), two new automatic weather stations have been installed in February 2005. They complete a station operated by Massachusetts University on the surface of the Northern Icefield since 2000.
We related the sea surface temperature data from the Helgoland Roads Time Series, one of the most important and detailed long-term in situ marine ecological time series, to the Sylt Roads Time Series and spatially averaged North Sea, Germany, Europe, North Atlantic and Northern Hemisphere surface temperatures. The hierarchical and comparative statistical evaluation of all of these time series relative to one another allows us to relate marine ecosystem change to temperature in terms of time (from 1962 to 2019) and spatial scales (global to local). The objectives are: 1.to investigate the warming in the North Sea in terms of different geographical scales and typical weather indices (North Atlantic Oscillation), 2.to document the different types of changes observed: trends, anomalies and variability 3.to differentiate seasonal shifts, 4.to evaluate anomalies and frequency distributions of temperature over time, and 5.to evaluate hot and cold spells and their variability. Spatially averaged datasets are extracted from gridded HadCRUT4 and HadSST3 reanalysis, the European Environment Agency and the German Weather Service (DWD). Datasets are analyzed in terms of yearly and monthly surface temperature averages and their anomalies relative to 1960s-1990s period. The North Atlantic Oscillation winter mean is the December, January and February average of the data made available by the National Center for Atmospheric Research (NCAR). For detailed information about the datasets, please refer to Amorim & Wiltshire et al. (2023) - https://doi.org/10.1016/j.pocean.2023.103080.
This dataset contains a compilation of published and new SNW data with corresponding environmental data extracted from CMIP6 that are used in the at depth species level Bayesian regression modelling. Environmental data for G. truncatulinoides comes from 200m depth, all other environmental data is from the sea surface (≤ 20 m).
This dataset contains a compilation of published and new SNW data with corresponding sea surface (≤ 20 m) environmental data extracted from CMIP6 that are used in the group level Bayesian regression modelling.
This dataset contains a compilation of published and new SNW data with corresponding sea surface (≤ 20 m) environmental data extracted from CMIP6 that are used in the species level Bayesian regression modelling.
Niederschlag ist eine wichtige, aber schlecht verstandene Komponente unseres Klimasystems. Die genauen Prozesse, durch die Eiskristalle, flüssiges Wasser, Wolkendynamik und Aerosolpartikel bei der Niederschlagsbildung zusammenwirken, sind nicht ausreichend verstanden. Da überall außer über den subtropischen Ozeanen der meiste Niederschlag in Wolken über die Eisphase gebildet wird, sind die Prozesse der Schneefallbildung nicht nur in den polaren, sondern auch in den mittleren Breiten von großer Bedeutung: Wachstum in übersättigter Luft führt zu unzähligen Kristallformen, die von Temperatur, Feuchtigkeit und deren turbulenten Schwankungen abhängen. Durch Aggregation verbinden sich einzelne Kristalle zu komplexen Schneeflocken. Bereifung beschreibt das Anfrieren kleiner Tröpfchen an den Eiskristallen, so dass diese schnell an Masse gewinnen. Dadurch ist die Form der Schneeteilchen - wenn sie beobachtet wird, bevor das Teilchen zu einem Regentropfen schmilzt - ein Fingerabdruck der vorherrschenden Prozesse während der Schneefallbildung. In EMPOS schlagen wir vor, diese Fingerabdrücke zu nutzen, um zu quantifizieren, wie die verschiedenen Prozesse der Schneefallbildung zu Masse oder Häufigkeit des Gesamtniederschlag beitragen. Zu diesem Zweck werden wir die Datenprodukte des innovativen Video In Situ Snowfall Sensors (VISSS) weiterentwickeln, um Riming und Aggregation während einer speziellen Messkampagne in Hyytiälä, Finnland, zu quantifizieren. Die Beobachtungen werden mit dem ICON-Modell verglichen, in welches das fortschrittliche P3 Mikrophysikschema (Predicted Particle Properties) mit einem neuartigen Ansatz zur Behandlung von bereiften Partikeln implementiert ist. Durch dieses kombinierte Beobachtungs- und Modellierungsprojekt wird es möglich zu quantifizieren, wie die einzelnen Wolkenprozesse an der Schneefallbildung beteiligt sind, und zwar in Bezug auf die Häufigkeit des Auftretens und die Gesamtschneemasse. Darüber hinaus werden wir diese Wolkenprozesse in Abhängigkeit von makrophysikalischen Wolkeneigenschaften wie Wolkentiefe und synoptischen Einflüssen analysieren. Auf der Grundlage von Vergleichen zwischen Modell und Beobachtungen, die sowohl mittels Fallstudien als auch für einen längeren Zeitraum durchgeführt werden, werden wir die Schneefallsimulation in ICON im Standard-Zweimomentenschema und im P3-Mikrophysikschema bewerten und verbessern.
El Niño/Southern Oscillation (ENSO) ist die dominate Mode der Klimavariabilität des gekoppelten Ozean-Atmosphäre-Systems im tropischen Pazifik und ergibt sich aus einem komplexen Zusammenspiel zwischen verstärkenden und dämpfenden Feedbacks. Angesichts seiner großen sozioökonomischen Auswirkungen ist es sehr wichtig genau vorherzusagen, wie sich ENSO unter der globalen Erwärmung verändern wird. Obwohl in den letzten Jahrzehnten Verbesserungen bei der Simulation von ENSO erreicht wurden, bleibt eine realistische Darstellung von ENSO und seiner Projektion unter der globalen Erwärmung eine Herausforderung. Die Projektionen von ENSO unterscheiden sich stark zwischen den Klimamodellen, die an den Phasen 3 und 5 des Coupled Model Intercomparison Project (CMIP3 und CMIP5) teilnehmen. Obwohl diese Modelle ENSO simulieren, der in einfachen Indizes mit Beobachtungen übereinstimmt, unterscheidet sich die zugrunde liegende Dynamik stark von der beobachteten. In Beobachtungen wächst eine anfängliche SST-Anomalie während ENSO-Ereignissen durch windinduzierte Änderungen der Ozeandynamik. Dieser Tendenz wirkt ein dämpfendes Feedback der atmosphärischen Wärmeflüsse entgegen, insbesondere durch die Sonneneinstrahlung (SW) und latenten Wärmeflüsse. In den meisten Klimamodellen ist jedoch das Wind-SST-Feedback zu schwach und das SW-SST-Feedback fehlerhaft positiv, so dass ENSO ein Hybrid aus Wind-getriebener und SW-getriebener Dynamik ist. In den Modellen mit dem größten Fehler trägt der SW-SST-Feedback zum Wachstum der SST-Anomalie in ähnlichem Maße wie das Wind-SST-Feedback bei. In den Klimamodellen existiert ein breites Spektrum an ENSO-Dynamiken, das die große Streuung der ENSO-Projektionen für das 21. Jahrhunderts erklären könnte.Im IMBE21C-Projekt untersuchen wir die Auswirkungen der Modellfehler auf die ENSO-Projektionen. Mit einer neuen Methode, der „Offline Slab Ocean SST“, können wir die Rolle der verstärkenden und dämpfenden Feedbacks quantifizieren. Dafür separieren wir die SST-Änderungen der Wind-getriebenen Meeresdynamik von der durch atmosphärische Wärmeflüsse verursacht werden. In diesem Projekt werden wir diese Methode verwenden, um den Antrieb und die Dämpfung in der beobachteten ENSO-Dynamik zu quantifizieren und mit dem in Klimamodellen simulierten ENSO zu vergleichen, um die Fehler in der simulierten ENSO-Dynamik zu identifizieren und zu quantifizieren. Des Weiteren werden wir den Einfluss der fehlerhaften ENSO-Dynamik auf die Projektionen von ENSO im Klimawandel analysieren, indem wir die Modelle in Gruppen mit realistischer und fehlerhafter ENSO-Dynamik unterteilen. Darüber hinaus werden wir die Gesamtunsicherheit der projizierten ENSO-Amplitudenänderung in Modellunsicherheit, Szenariounsicherheit und Unsicherheit aufgrund interner Variabilität aufteilen. Insgesamt zielt das IMBE21C Projekt darauf ab, durch innovative Methoden die Quellen von Unsicherheiten in ENSO-Projektionen zu identifizieren und diese zu reduzieren.
Niedrige Wolken sind Schlüsselbestandteile vieler Klimazonen, aber in numerischen Modellen oft nicht gut dargestellt und schwer zu beobachten. Kürzlich wurde gezeigt, dass sich während der Haupttrockensaison im Juni und September im westlichen Zentralafrika eine ausgedehnte niedrige Wolkenbedeckung (engl. „low cloud cover“, LCC) entwickelt. Eine derart wolkige Haupttrockenzeit ist in den feuchten Tropen einzigartig und erklärt wahrscheinlich die dichtesten immergrünen Wälder in der Region. Da paläoklimatische Studien auf eine Instabilität hinweisen, kann jede Verringerung des LCC aufgrund des Klimawandels einen Kipppunkt für die Waldbedeckung darstellen. Daher besteht ein dringender Bedarf, das Auftreten, die Variabilität und die bioklimatischen Auswirkungen des LCC in westlichen Zentralafrika besser zu verstehen.Um diese Ziele zu erreichen, wurde ein Konsortium aus französischen, deutschen und gabunischen Partnern aufgebaut, zu dem Meteorologen, Klimatologen und Experten für Fernerkundung und Waldökologie gehören. Die meteorologischen Prozesse, welche die Bildung und Auflösung der LCC im Tagesgang steuern, werden anhand von zwei Ozean-Land-Transekten auf der Grundlage einer synergistischen Analyse von historischen In-situ Beobachtungen, von Daten einer Feldkampagne und anhand von atmosphärischen Modellsimulationen untersucht. Die Ergebnisse werden mit einem kürzlich entwickelten konzeptionellen Modell für LCC im südlichen Westafrika verglichen.Die intrasaisonale bis interannuale Variabilität des LCC wird durch die Analyse von In-Situ-Langzeitdaten und Satellitenschätzungen quantifiziert. Unterschiede im Jahresgang des LCC (d.h. jahreszeitlicher Beginn und Rückzug, wolkenarme Tage) und die Ausdehnung ins Inland werden dokumentiert. Ansätze, die auf Wettertypen und äquatorialen Wellen basieren, werden verwendet, um intrasaisonale Variationen des LCC zu verstehen. Die Auswirkungen lokaler und regionaler Meeresoberflächentemperaturen auf die LCC-Entwicklung und ihre Jahr-zu-Jahr Variabilität werden bewertet, wobei statistische Analysen und spezielle Sensitivitätsversuche mit einem regionalen Klimamodell verknüpft werden.Schließlich wird der Einfluss von LCC auf die Licht- und Wasserverfügbarkeit bzw. die Waldfunktion anhand von In-Situ-Messungen untersucht. Die Ergebnisse werden mit Messungen aus der nördlichen Republik Kongo, wo die Trockenzeit sonnig ist, sowie mit einem einfachen Wasserhaushaltsmodells, das an die Region angepasst ist, verglichen. Die Wasserhaushaltsanalysen sollen die Kompensations- oder Verstärkungseffekte von Regen im Vergleich zur potenziellen Evapotranspiration, beide moduliert durch die LCC, auf das Wasserdefizit aufzeigen.Die Ergebnisse von DYVALOCCA werden zum ersten konzeptionellen Modell für Wolkenbildung und -auflösung im westlichen Zentralafrika führen und eine Hilfestellung für die Bewertung von Klimawandel-Simulationen mit Blick auf potentielle Kipppunkte für die immergrünen Regenwälder in der Region geben.
| Origin | Count |
|---|---|
| Bund | 185 |
| Europa | 1 |
| Global | 2 |
| Land | 32 |
| Wissenschaft | 172 |
| Zivilgesellschaft | 1 |
| Type | Count |
|---|---|
| Daten und Messstellen | 165 |
| Ereignis | 1 |
| Förderprogramm | 150 |
| Taxon | 13 |
| Text | 4 |
| unbekannt | 39 |
| License | Count |
|---|---|
| geschlossen | 6 |
| offen | 343 |
| unbekannt | 10 |
| Language | Count |
|---|---|
| Deutsch | 129 |
| Englisch | 258 |
| Resource type | Count |
|---|---|
| Archiv | 42 |
| Datei | 137 |
| Dokument | 21 |
| Keine | 70 |
| Unbekannt | 14 |
| Webdienst | 3 |
| Webseite | 95 |
| Topic | Count |
|---|---|
| Boden | 275 |
| Lebewesen und Lebensräume | 359 |
| Luft | 248 |
| Mensch und Umwelt | 352 |
| Wasser | 339 |
| Weitere | 304 |