API src

Found 2797 results.

Related terms

PRIMA - Kooperationsprojekt PureCircles: Optimierung der Effizienz der Ressourcennutzung im Rahmen des Nexus Wasser-Nährstoff-Energie für eine nachhaltige Landwirtschaft in marginalen Gebieten

Forschungsgruppe (FOR) 2589: Zeitnahe Niederschlagsschätzung und -vorhersage; Near-Realtime Quantitative Precipitation Estimation and Prediction (RealPEP), sub project: Coordination Funds

High-quality near-real time Quantitative Precipitation Estimation (QPE) and its prediction for the next hours (Quantitative Precipitation Nowcasting, QPN) is of high importance for many applications in meteorology, hydrology, agriculture, construction, water and sewer system management. Especially for the prediction of floods in small to meso-scale catchments and of intense precipitation over cities timely, the value of high-resolution, and high-quality QPE/QPN cannot be overrated. Polarimetric weather radars provide the undisputed core information for QPE/QPN due to their area-covering and high-resolution observations, which allow estimating precipitation intensity, hydrometeor types, and wind. Despite extensive investments in such weather radars, QPE is still based primarily on rain gauge measurements since more than 100 years and no operational flood forecasting system actually dares to employ radar observations for QPE. RealPEP will advance QPE/QPN to a stage, that it verifiably outperforms rain gauge observations when employed for flood predictions in small to medium-sized catchments. To this goal state-of-the?art radar polarimetry will be sided with attenuation estimates from commercial microwave link networks for QPE improvement, and information on convection initiation and evolution from satellites and lightning counts from surface networks will be exploited to improve QPN. With increasing forecast horizons the predictive power of observation-based nowcasting quickly deteriorates and is outperformed by Numerical Weather Prediction (NWP) based on data assimilation, which fails, however, for the first hours due to the lead time required for model integration and spin-up. Thus, RealPEP will merge observation-based QPN with NWP towards seamless prediction in order to provide optimal forecasts from the time of observation to days ahead. Despite recent advances in simulating surface and sub-surface hydrology with distributed, physicsbased models, hydrologic components for operational flood prediction are still conceptual, need calibration, and are unable to objectively digest observational information on the state of the catchments. RealPEP will prove that in combination with advanced QPE/QPN physics-based hydrological models sided with assimilation of catchment state observations will outperform traditional flood forecasting in small to meso-scale catchments.

Abflussprojektionen für die großen Flüsse Deutschlands basierend auf Bias-korrigierten Klimaprojektionen und dem Wasserhaushaltsmodell LARSIM-ME

Die Bundesanstalt für Gewässerkunde (BfG) erstellt Abflussprojektionen für Pegel in den Einzugsgebieten von Donau, Elbe, Ems, Rhein und Weser und stellt diese als Beitrag und Grundlage zur Deutschen Anpassungsstrategie an den Klimawandel (DAS) über den DAS-Basisdienst "Klima und Wasser" bereit. Die Projektionen fußen auf den Szenarien und Daten, die auch den Berichten des Weltklimarates zugrunde liegen. Diese globalen Klimadaten werden durch Europäische Wetterdienste und Klimaforschungsinstitute für Europa regionalisiert. Für Deutschland und die internationalen Einzugsgebietsanteile werden diese Daten durch den Deutschen Wetterdienst (DWD) ebenfalls im Rahmen des DAS-Basisdienstes aufbereitet. Die BfG setzt die hydrometeorologischen Größen (Lufttemperatur, Niederschlag, Globalstrahlung, Wind, relative Luftfeuchte) und deren für die Zukunft projizierten Änderungen mittels eines Wasserhaushaltsmodells in Tageswerte hydrologischer Größen (u.a. Abfluss) um. Die hier bereitgestellten Daten basieren auf einem Klimadatenfundus, der im Kontext des 5. IPCC-Sachstandsberichts (IPCC, 2013) durch das globale Coupled Model Intercomparison Project Nr. 5 (CMIP5, Meehl und Bony, 2011) und den europäischen Teil des Coordinated Regional Climate Downscaling Experiment (EURO-CORDEX, Jacob et al., 2014) sowie nationale Modellaktivitäten (ReKliEs-De, Hübner et al., 2017) generiert wurden. Die rohen Klimamodelldaten wurden durch die BfG einer grundlegenden Prüfung unterzogen (Nilson, 2021; Nilson et al., 2014) um unplausible Projektionen auszuschließen. Auf Basis dieser Prüfung ergeben sich somit Ensembles von 16 Abflussprojektionen für das Hochemissionsszenario RCP8.5, 11 Projektionen für das mittlere Szenario RCP4.5 und 10 Simulationen für das bzgl. klimaschutzfortgeschritten optimistische RCP2.6-Szenario. Die verbliebenen Klimaprojektionen wurden durch den DWD aufbereitet. Zu den Aufbereitungsschritten gehört eine multivariate Biasadjustierung (Cannon, 2018) auf Basis des hydrometeorologischen Referenzdatensatzes HYRAS (Tageswerte; z.B. Rauthe et al., 2013) sowie eine räumliche Disaggregierung auf das ebenfalls von HYRAS vorgegebene Raster von 5 km x 5 km. Auf dieser Grundlage wurden durch die BfG Simulationen mit dem Wasserhaushaltsmodell LARSIM-ME (Version 2019; Fleischer et al., in Vorber.) durchgeführt und in die bereitgestellten 37 Abflussprojektionen generiert. Die Projektionen sind u.a. in Teile der Klimawirkungs- und Risikoanalyse des Bundes für Deutschland eingeflossen (KWRA 2021). Die Veröffentlichung der nächsten Risikoanalyse ist für 2028 geplant (KRA 2028). Die Pflege und Weiterentwicklung der Modelle und Daten erfolgt kontinuierlich u.a. im Rahmen der Ressortforschung der Bundesministerien für Verkehr und Umwelt.

Indikator: Heiße Tage

<p>Die wichtigsten Fakten</p><p><ul><li>2003, 2015, 2018 und 2022 waren, gemittelt über die gesamte Fläche Deutschlands, die Jahre mit der höchsten Zahl Heißer Tage.</li><li>Trotz starker Schwankungen zwischen den Jahren ist der Trend insgesamt deutlich steigend.</li><li>Durch den ⁠<a href="https://www.umweltbundesamt.de/service/glossar/k?tag=Klimawandel#alphabar">Klimawandel</a>⁠ ist in den nächsten Jahrzehnten mit mehr Heißen Tagen in den Sommermonaten zu rechnen.</li></ul></p><p>Welche Bedeutung hat der Indikator?</p><p>Steigende Temperaturen können sich nachteilig auf die Gesundheit des Menschen auswirken. Der Deutsche Wetterdienst hat als Kenngröße den „Heißen Tag“ definiert: Jeder Tag, dessen höchste Temperatur bei 30 °C oder höher liegt, zählt danach als ⁠<a href="https://www.umweltbundesamt.de/service/glossar/h?tag=Heier_Tag#alphabar">Heißer Tag</a>⁠.</p><p>Hohe Lufttemperaturen belasten den menschlichen Körper durch die Hitze nicht nur direkt, wie z.B. in Form von Kreislaufproblemen. Eine heiße ⁠Witterung⁠ kann auch Verunreinigungen der Atemluft auslösen, die wiederum Atemwegs- und Herz-Kreislauf- Erkrankungen verstärken. So begünstigt eine hohe Lufttemperatur zusammen mit intensiver Sonneneinstrahlung die Bildung von Ozon in Bodennähe, welches die Augen und Atemwege reizt. Diese Belastung kann bestehende Krankheiten der Atemwege verschlimmern und auch allergische Reaktionen auslösen.</p><p>Wie ist die Entwicklung zu bewerten?</p><p>Im Jahr 2025 gab es gemittelt über die Fläche Deutschlands etwa 11,1 ⁠<a href="https://www.umweltbundesamt.de/service/glossar/h?tag=Heie_Tage#alphabar">Heiße Tage</a>⁠, an denen Temperaturen von 30 °C oder mehr gemessen wurden.</p><p>Besonders hoch war die Belastung durch Hitze neben 2022 in den Jahren 2003, 2015 und 2018: In diesen Jahren gab es in Deutschland gemittelt zwischen 18 und 20 Heiße Tage. Nach Anzahl der Heißen Tage wurden die zehn wärmsten Jahre alle seit 1994 registriert. Zwar schwanken die Jahreswerte dieses Indikators stark, insgesamt ist der Trend seit Beginn der Aufzeichnungen aber deutlich steigend.</p><p>Klimamodellierungen zeigen, dass in Deutschland zukünftig mit länger anhaltenden Hitzeperioden und somit einer steigenden Anzahl Heißer Tage zu rechnen ist.</p><p>Wie wird der Indikator berechnet?</p><p>Die Temperaturmessungen der Messstationen des <a href="https://www.dwd.de/DE/klimaumwelt/klimaueberwachung/klimaueberwachung.html;jsessionid=B67BF1D0566D6DE0FF14DA87EDEC1075.live21062">Deutschen Wetterdienstes</a> (DWD) sind die Grundlage des Indikators. Für Flächen, die nicht durch Messstationen abgedeckt sind, müssen sowohl die Temperaturwerte wie auch Kennwerte berechnet werden. Im Ergebnis kann die Verteilung in einem Raster (1 mal 1 Kilometer) dargestellt werden. Für jeden Rasterpunkt wird eine Jahressumme der Heißen Tage berechnet. Der Durchschnitt der Jahreswerte aller Rasterpunkte bildet den ⁠<a href="https://www.umweltbundesamt.de/service/glossar/i?tag=Indikator#alphabar">Indikator</a>⁠ (Gebietsmittel). Weitere Informationen zum Berechnungsverfahren finden Sie in einem <a href="http://www.dwd.de/DE/leistungen/pbfb_verlag_berichte/pdf_einzelbaende/193_pdf.pdf">Bericht des DWD</a> (Müller-Westermeier 1995).</p><p><strong>Ausführliche Informationen zum Thema finden Sie in den Daten-Artikeln <a href="https://www.umweltbundesamt.de/daten/klima/trends-der-lufttemperatur">"Trends der Lufttemperatur"</a> und <a href="https://www.umweltbundesamt.de/daten/umwelt-gesundheit/gesundheitsrisiken-durch-hitze">"Gesundheitsrisiken durch Hitze"</a>.<br></strong></p>

Klimaatlas NRW - Wald- und Forstwirtschaft: Waldbrandgefahr

Dienst bestehend aus Layern zu Wald und Forstwirtschaft. Die Daten des Gruppenlayers Waldbrandgefahr zeigt die Anzahl der Tage pro Jahr, an denen der Waldbrandindex über 4 liegt. Für die Waldbrandgefahr und die forstliche Vegetationszeitlänge stehen sowohl Beobachtungsdaten nach den 30-jährigen Klimanormalperioden im Beobachtungszeitraum 1961-2020 als auch Zukunftsprojektionen für 2031-2060 und 2071-2100 zur Verfügung. Die Klimaprojektionen der Zukunft werden jeweils nach den Klimaszenarien RCP2.6, RCP4.5 und RCP8.5 gegliedert. Neben den absoluten Mittelwerten werden auch die sogenannten Delta Change Raster dargestellt. Für die Beobachtungsraster werden Veränderungen gegenüber der Klimanormalperiode 1991-2020 dargestellt, für die Projektionsraster der beiden Zukunftszeiträume die Veränderungen gegenüber der Referenzperiode 1971-2000. Die Stärke des möglichen Klimasignals wird je Szenario unterteilt nach dem 15., 50. und dem 85. Perzentil.Ebenfalls zeigt ein weiterer Gruppenlayer die mittlere Niederschlagssumme in der tatsächlichen forstlichen Vegetationszeit an. Datenquelle: Deutscher Wetterdienst (DWD); Quellen für Klimaprojektionsdaten: Brienen et al. (2020), Krähenmann (2019)

Klimaatlas NRW - Planung und Bau: Kühlgradtage

Dienst bestehend aus den Rasterlayern zur mittleren Anzahl von Kühlgradtagen [Kelvin*Tag] nach Spinoni. Hier wird der Kühlenergiebedarf durch eine Temperatursumme dargestellt. Die Kühlgradtage werden von der Lufttemperatur abgeleitet und nach dem Verfahren von Spinoni et al. (2015) berechnet. Hierbei wird eine Basistemperatur von 22 °C angenommen. Liegt die Tageshöchsttemperatur unter diesem Wert, wird nicht von einem Kühlbedarf ausgegangen. Die jeweiligen Raster-Layer wurden für die 30-jährigen Mittelwerte der Klimanormalperioden 1951-1980, 1961-1990, 1971-2000, 1981-2010 und 1991-2020 für die beobachtete Vergangenheit berechnet. Ergänzend werden die Änderungen der Klimanormalperiode 1991-2020 bezogen auf 1961-1990 und 1951-1980 dargestellt. Zusätzlich liegen Klimaprojektionen für die Zukunftszeiträume 2031-2060 und 2071-2100 vor, die jeweils nach den Klimaprojektionen RCP2.6, RCP4.5 und RCP8.5 gegliedert sind. Die Stärke des möglichen Klimasignals je Szenario wird unterteilt nach dem 15., 50. und dem 85. Perzentil. Es werden sowohl absolute Mittelwerte als auch sogenannte Delta-Change Raster dargestellt, die die Änderung des Klimasignals gegenüber der Referenzperiode 1971-2000 zeigen. Datenquelle: Deutscher Wetterdienst (DWD); Quellen für Klimaprojektionsdaten: Brienen et al. (2020), Krähenmann (2019), Berechnung durch das LANUK. Weitere Hinweise des Deutschen Wetterdienstes sind zu beachten: https://www.dwd.de/DE/service/rechtliche_hinweise/rechtliche_hinweise_node.html

Flood risk in a changing climate (CEDIM)

Aims: Floods in small and medium-sized river catchments have often been a focus of attention in the past. In contrast to large rivers like the Rhine, the Elbe or the Danube, discharge can increase very rapidly in such catchments; we are thus confronted with a high damage potential combined with almost no time for advance warning. Since the heavy precipitation events causing such floods are often spatially very limited, they are difficult to forecast; long-term provision is therefore an important task, which makes it necessary to identify vulnerable regions and to develop prevention measures. For that purpose, one needs to know how the frequency and the intensity of floods will develop in the future, especially in the near future, i.e. the next few decades. Besides providing such prognoses, an important goal of this project was also to quantify their uncertainty. Method: These questions were studied by a team of meteorologists and hydrologists from KIT and GFZ. They simulated the natural chain 'large-scale weather - regional precipitation - catchment discharge' by a model chain 'global climate model (GCM) - regional climate model (RCM) - hydrological model (HM)'. As a novel feature, we performed so-called ensemble simulations in order to estimate the range of possible results, i.e. the uncertainty: we used two GCMs with different realizations, two RCMs and three HMs. The ensemble method, which is quite standard in physics, engineering and recently also in weather forecasting has hitherto rarely been used in regional climate modeling due to the very high computational demands. In our study, the demand was even higher due to the high spatial resolution (7 km by 7 km) we used; presently, regional studies use considerably larger grid boxes of about 100 km2. However, our study shows that a high resolution is necessary for a realistic simulation of the small-scale rainfall patterns and intensities. This combination of high resolution and an ensemble using results from global, regional and hydrological models is unique. Results: By way of example, we considered the low-mountain range rivers Mulde and Ruhr and the more alpine Ammer river in this study, all of which had severe flood events in the past. Our study confirms that heavy precipitation events will occur more frequently in the future. Does this also entail an increased flood risk? Our results indicate that in any case, the risk will not decrease. However, each catchment reacts differently, and different models may produce different precipitation and runoff regimes, emphasizing the need of ensemble studies. A statistically significant increase of floods is expected for the river Ruhr in winter and in summer. For the river Mulde, we observe a slight increase of floods during summer and autumn, and for the river Ammer a slight decrease in summer and a slight increase in winter.

Wechselwirkung von Schwerewellen und Madden Julian Oszillation

Die Madden-Julian Oszillation (MJO) (Madden & Julian 1971, 1972) ist der dominante Teil der intrasessionalen Variabilität der tropischen Atmosphäre. Sie äußert sich vor allem in ostwärts wandernden Gebieten tiefer Konvektion und erhöhten Niederschlages. Weiterhin beeinflusst die MJO durch dynamische Kopplung das lokale Wetter des Indischen Ozeans und der Pazifischen Inseln. Außerdem spielt die durch vertikale Kopplung vermittelte Interaktion mit anderen wiederkehrenden dynamischen Phänomenen, wie zum Beispiel der Quasizweijahresschwingung der inneren Tropen (Quasi-biennial Oscillation, QBO), eine wichtige Rolle für das Verständnis tropischer Winde. Obwohl die Datenbasis über die MJO, der tiefen tropischen Konvektion und des Niederschlag in den Tropen im Verlauf der letzten Jahrzehnte eine deutliche Verbesserung erfuhr, verbleibt die Modellierung und Simulation der MJO als ein ernstes Problem heutiger atmosphärischer Modelle. Aus diesem Grunde beschäftigt sich das hier vorgeschlagene Projekt mit wichtigen Fragestellungen bezüglich dieser Modellierungsprobleme. Dabei wird auf Methoden, welche während der Anfertigung meiner Doktorarbeit zur Modellierung konvektiver Schwerewellen entstanden, zurückgegriffen. Das Projekt gliedert sich hierbei folgendermaßen in zwei wesentliche wissenschaftliche Fragestellungen:Wie beeinflusst die MJO die Ausbreitung und Dissipation konvektiv angeregter Schwerewellen?Wie wirken diese konvektiven Schwerewellen zurück auf die MJO und deren Konvektion?Das zur Beantwortung dieser Fragen notwendige Werkzeug ist ein gekoppeltes Modell konvektiv angeregter Schwerewellen und ihrer Ausbreitung, welches ich bereits sehr erfolgreich für Studien meiner Dissertation nutzte. Zusätzlich wird die Anwendung des WRF (Weather Research and Forecasting) Modells die numerische Modellierung auf der Mesoskala unterstützen. Einen weiteren Fokus setzt das Projekt auf Impulsflussspektren der Schwerewellen und ihrer durch die MJO induzierten Variabilität. Es wird außerdem untersucht, ob diese MJO induzierte Variabilität von Satelliteninstrumenten aus beobachtet werden kann. Dies wird Einsichten in den durch flache und tiefe Konvektion emittierten Schwerewellenimpulsfluss eröffnen. Im Falle der Feedbackmechanismen wird der Schwerpunkt auf den Einfluss des Schwerewellendrag auf die sekundäre Zirkulation der MJO gelegt.

Verzögerte Antwort der Ionosphäre auf Variationen des solaren EUV (DRIVAR)

Das ionosphärische Plasma reagiert auf Änderungen der ionosphärischen EUV und UV-Strahlung auf der Zeitskala der solaren Rotation mit einer Verzögerung von 1-2 Tagen. Es wird angenommen, dass diese Verzögerung auf Transportprozesse von der unteren Ionosphäre in die F-Region zurück zu führen ist, doch wurden bislang nur begrenzte Modelluntersuchungen durchgeführt, um diesen Zusammenhang zu belegen. Innerhalb von DRIVAR sollen die Prozesse, die für die ionosphärische Verzögerung verantwortlich sind, durch umfassende Datenanalyse und Modellierung untersucht werden. Verschiedene solare Proxies sowie spektral aufgelöste EUV- und UV-Flüsse aus Satellitenmessungen werden verwendet und zusammen mit ionosphärischen Parametern analysiert, welche aus GPS-Radiookkultationsmessungen, Ionosondenmessungen und GPS-Gesamtelektronenmessungen stammen. Letztere haben sowohl den Vorteil einer globalen Abdeckung als auch einer z.T. räumlich hoher Auflösung. Die ionosphärsche Verzögerung wird auf verschiedenen Zeitskalen ionosphärischer Variation (Tage, solare Rotation, saisonal) untersucht, und regionale Abhängigkeiten werden analysiert.Wegen des komplexen Charakters der involvierten Prozesse in der Thermosphäre und Ionosphäre werden Experimente mit numerischen Modellen benötigt, um die der Verzögerung zugrundeliegenden Prozesse physikalisch zu untersuchen. Wir verwenden das Coupled Thermosphere Ionosphere Plasmasphere Electrodynamics (CTIPe), um die Verzögerung zu simulieren und führen Sensitivitätsstudien durch um die zur ionosphärischen Verzögerung führenden Prozesse im Detail zu analysieren. Zusätzliche Experimente werden mit dem Upper Atmosphere Model (UAM) durchgeführt.Die Ergebnisse von DRIVAR werden zu einem verbesserten Verständnis ionosphärischer Prozesse führen und werden insbesondere in der Vorhersage ionosphärischer Variabilität Anwendung finden, z.B. bei der Analyse und Vorhersage von GNSS- Positionsfehlern.

Sonderforschungsbereich Transregio 165 (SFB TRR): Wellen, Wolken, Wetter; Waves to Weather - A Transregional Collaborative Research Center, Teilprojekt A06: Darstellung von Vorhersageunsicherheit durch stochastische Parameterisierungen

Eine Hauptquelle der Vorhersageunsicherheit liegt in der Auslösung von Konvektion durch bodennahe Prozesse wie Grenzschichtturbulenz oder Strömung über Orographie. Für derlei Prozesse wird eine stochastische Beschreibung weiterentwickelt und implementiert. Die erweiterte Parameterisierung wird für unterschiedliche Wetterlagen mit Augenmerk auf die Charakteristika des Fehlerwachstums, die Wechselwirkung mit der großskaligen Strömung und der Güte von Ensemble-Vorhersage getestet. Die relative Bedeutung einzelner Prozesse und deren Wechselwirkung wird untersucht.

1 2 3 4 5 … 278 279 280