image
Klimaprojektionen im
Projekt KLAPS

2
Modellierung von Klimaprojektionen im
polnisch-sächsischen Grenzraum
im Rahmen des Projekts
KLAPS
KLAPS - Klimawandel, Luftverschmutzung und Belastungs-
grenzen von Ökosystemen im
polnisch-sächsischen Grenzraum
Frank Kreienkamp, Arne Spekat, Wolfgang Enke

3
Inhalt
1
Einleitung ............................................................................................................................................................... 8
1.1
Klimawandel, Szenarios und Ensembles ................................................................................................................. 8
1.2
Regionale Klimafolgen............................................................................................................................................. 10
1.3
Die Untersuchungsregion ........................................................................................................................................ 11
1.4
Projektziele und -partner ......................................................................................................................................... 11
1.5
Zu diesem Bericht.................................................................................................................................................... 12
1.6
Disclaimer ................................................................................................................................................................ 12
2
Methoden und Daten ............................................................................................................................................. 12
2.1
Regionalisierung ...................................................................................................................................................... 12
2.1.1
Dynamische Verfahren ............................................................................................................................................ 13
2.1.2
Statistische Verfahren ............................................................................................................................................. 13
2.2
Die ESD-Methode WETTREG/WEREX ................................................................................................................... 14
2.3
Verwendete Daten ................................................................................................................................................... 17
2.3.1
Messungen an Stationen ......................................................................................................................................... 17
2.3.2
Reanalysedaten ...................................................................................................................................................... 19
2.3.3
Globales Klimamodell .............................................................................................................................................. 19
3
Ergebnisse ............................................................................................................................................................. 20
3.1
Validierung von Simulationen und Messungen ........................................................................................................ 20
3.2
Klimaprojektionen für die KLAPS-Region ................................................................................................................ 22
4
Erweiterungen von IDP ......................................................................................................................................... 30
4.1
Kontext .................................................................................................................................................................... 30
4.2
Zur Bestimmung von Perzentilen ............................................................................................................................ 30
4.3
Definitionen der in IDP neu hinzugekommenen Extremindikatoren ........................................................................ 30
4.3.1
CSDI10 .................................................................................................................................................................... 30
4.3.2
CDF ......................................................................................................................................................................... 31
4.3.3
CS ........................................................................................................................................................................... 31
4.3.4
FPE ......................................................................................................................................................................... 31
4.3.5
FBP ......................................................................................................................................................................... 31
4.3.6
FFP.......................................................................................................................................................................... 31
4.3.7
TX10p ...................................................................................................................................................................... 31
4.3.8
TX90p ...................................................................................................................................................................... 31
4.3.9
TN90p ...................................................................................................................................................................... 31
4.3.10
TN10p ...................................................................................................................................................................... 31
4.3.11
HSDI90 .................................................................................................................................................................... 31
4.3.12
CTX90 ..................................................................................................................................................................... 31
4.3.13
CTN90 ..................................................................................................................................................................... 31
4.3.14
CTX10 ..................................................................................................................................................................... 32
4.3.15
CTN10 ..................................................................................................................................................................... 32
4.3.16
CSU25 ..................................................................................................................................................................... 32
4.3.17
CHD30 ..................................................................................................................................................................... 32
4.3.18
R90th ....................................................................................................................................................................... 32
4.3.19
R95th ....................................................................................................................................................................... 32
4.3.20
RX1 ......................................................................................................................................................................... 32
4.3.21
RX1MY .................................................................................................................................................................... 32
4.3.22
RX5 ......................................................................................................................................................................... 32
4.3.23
RX5MY .................................................................................................................................................................... 32
4.3.24
DP11 ....................................................................................................................................................................... 33
4.3.25
SPI-Index ................................................................................................................................................................. 33
4.4
Anmerkungen bezüglich Niederschlag und Andauer-Indikatoren ............................................................................ 33
4.4.1
Nutzung von Tagen mit Niederschlag...................................................................................................................... 33

4
4.4.2
Andauer-Indikatoren und Indikatoren mit über den Jahreswechsel hinausgehenden Zeitbereichen ...................... 33
5
Zusammenfassung ................................................................................................................................................ 35

5
Abbildungsverzeichnis
Abbildung
1:
Klimastationen
(links)
und
Niederschlagsstationen
(rechts)
in
der
KLAPS-Region.....................................
11
Abbildung 2:
Exemplarisches Beispiel für die 10 WETTREG-Realisierungen 00 bis 09. Niederschlag an der Station
Dresden-Klotzsche, MPI-ESM Lauf 1, Szenario RCP8.5, simulierte Dekade 2071-2080........................... 16
Abbildung 3:
Mit WR13 regionalisierte Klimaprojektionen für die KLAPS-Region. Dargestellt sind die projizierten
Veränderungen der Jahresmitteltemperatur als Differenz zwischen den Zeiträumen 1971-2000 und
2071-2100. Links: MPI-ESM Lauf 2 RCP8.5; rechts: MPI-ESM Lauf 3 RCP8.5......................................... 22
Abbildung 4:
Mit WR13 regionalisierte Klimaprojektionen für die KLAPS-Region. Dargestellt sind die projizierten
prozentualen Veränderungen des Niederschlags im Sommer als Differenz zwischen den Zeiträumen
1971-2000 und 2071-2100. Links: MPI-ESM Lauf 2 RCP8.5; rechts: MPI-ESM Lauf 3 RCP8.5................ 23
Abbildung 5:
Mit WR13 regionalisierte Klimaprojektionen für die KLAPS-Region. Dargestellt sind die projizierten
prozentualen Veränderungen des Niederschlags im Winter als Differenz zwischen den Zeiträumen
1971-2000 und 2071-2100. Links: MPI-ESM Lauf 2 RCP8.5; rechts: MPI-ESM Lauf 3 RCP8.5................ 23
Abbildung 6:
Ensemble-Bänderdiagramme der Temperatursignale 1971-2000 zu 2071-2100 (in °C) für 13
Klimaprojektionen der Vorhaben KLAPS, NEYMO, WEREX und WETTREG. Oben links: Frühjahr
(März-April-Mai); oben rechts: Sommer (Juni-Juli-August); mitte links: Herbst (September-Oktober-
November); mitte rechts: Winter (Dezember-Januar-Februar); unten: Jahr. ............................................... 26
Abbildung
7:
Ensemble-Bänderdiagramme
der
Niederschlagssignale
1971-2000
zu
2071-2100
(prozentuale
Änderungen)
für
13
Klimaprojektionen
der
Vorhaben
KLAPS,
NEYMO,
WEREX
und
WETTREG.
Oben
links:
Frühjahr
(März-April-Mai);
oben
rechts:
Sommer
(Juni-Juli-August);
mitte
links:
Herbst
(September-Oktober-November);
mitte
rechts:
Winter
(Dezember-Januar-Februar);
unten:
Jahr.
Der
blaue
Balken
gibt
den
95
%-Vertrauensbereich
(zur
Erläuterung
s.
S.
19)
an.....................................
27

6
Tabellenverzeichnis
Tabelle 1:
Meteorologische Variable, für die Klimaprojektionen erstellt werden ................................................................ 18
Tabelle 2:
Vorhandensein der meteorologischen Variablen an den verwendeten Klimastationen in der
KLAPS-Region im Zeitraum 1971-2000 (X). Die Abkürzungen für die meteorologischen Variablen
finden sich in Tabelle 1..................................................................................................................................... 18

7
Abkürzungsverzeichnis
AR4
Fourth Assessment Report (Vierter Sachstandsbericht) des IPCC, erschienen 2007
AR5
Fifth Assessment Report (Fünfter Sachstandsbericht) des IPCC, vorgesehen Herausgabe
2013/14
CCLM
Vom COSMO (s.u.) betriebene Version des CLM
CHMI
Tschechisches Hydrometeorologisches Institut
CLM
Klima-Version des DWD-Modells Lokalmodells (LM)
CMIP
Coupled Model Intercomparison Project; die dritte Phase, CMIP3, fand im Rahmen des IPCC
AR4 statt, CMIP5 wurde für den IPCC AR5 eingerichtet
COSMO
Consortium for Small-Scale Modelling
DWD
Deutscher Wetterdienst
ESD
Empirical Statistical Downscaling
GCM
Global Climate Model
IMGW
Instytut Meteorologii I Gospodarki Wodnej (Institute für Meteorologie und Wasserwirtschaft),
Warschau und Krakau
IDP
Interaktives Diagnose und Präsentationstool – von CEC Potsdam GmbH entwickelte Software
IPCC
Intergovernmental Panel on Climate Change
KLAPS
Klimawandel, Luftverschmutzung und Belastungsgrenzen von Ökosystemen im polnisch-
sächsischen Grenzraum
LfULG
Sächsisches Landesamt für Umwelt, Landwirtschaft und Geologie
MPI-ESM
Erdsystemmodell des Max-Planck-Instituts Hamburg
NCAR
National Center for Atmospheric Research
NCEP
National Center for Environmental Prediction
NEYMO
Lausitzer Neiße/Nysa Luzycka – Klimatische und hydrologische Modellierung, Analyse und
Prognose
RCM
Regional Climate Model
RCP
Representative Concentration Pathways
REMO
Regional Model
SRES
Special Report on Emission Scenarios des IPCC
STARS
Statistical Analogue and Resampling Scheme
WETTREG
Wetterlagen-basierte Regionalisierung
WR10
WETTREG in der Version von 2010
WR13
WETTREG in der Version von 2013

8
1 Einleitung
1.1 Klimawandel, Szenarios und Ensembles
Das Klima in Form von langfristigen Änderungen in der Atmosphäre sowie das daraus folgende lokale Wetter
sind essentielle Einflussgrößen für die Zivilgesellschaft, die Wirtschaft und viele weitere Bereiche unseres
Lebens. Durch die Einwirkungen von Klima und Wetter sind diese gefährdet. Anzeichen dafür gibt es bereits in
der Gegenwart – es zeichnet sich darüber hinaus aber ein Klimawandel ab, der die Einflussgrößen weiter
verändert.
Die wissenschaftliche Basis unseres Wissens um das sich wandelnde Klima erwächst aus den Berichten der
Arbeitsgruppe I des Intergovernmental Panel on Climate Change (IPCC)
1
. Die aktuelle Ausgabe dieses perio-
disch den Erkenntnisfortschritt reflektierenden Berichts ist im so genannten Vierten Sachstandsbericht, Eng-
lisch Fourth Assessment Report, AR4, (IPCC 2007) zu finden. Der Fünfte Sachstandsbericht, AR5 mit einer
Aktualisierung steht für 2013/2014 an.
Basis für die Projektionen eines zukünftigen, gewandelten Klimas sind Szenarios. In ihnen werden plausible
globale Entwicklungen zusammengefasst. Damit diese als Eingangsgrößen für Globale Klimamodelle (Global
Climate Models, GCMs) in adäquat aufbereiteter Form vorliegen, werden sie transformiert. Dabei erfolgt eine
Umrechnung der verschiedenen Komponenten (z.B. Bevölkerungsentwicklung, technisch-wissenschaftlicher
Fortschritt, Wirtschaftsentwicklung, Entwicklung von Umweltethik und Gerechtigkeit) in die Dimension der
Treibhausgase
2
. Die Klimaprojektionen seit etwa 2000, also auch die im Rahmen von CMIP3 verglichenen
und im AR4 benutzten, basieren dabei auf den so genannten SRES-Szenarios (Nakicenovic, et al. 2000). In
ihnen erfolgt eine Abschätzung des
Ausstoßes
von Treibhausgasen, der als Antrieb für die GCMs dient. Zahl-
reiche globale und regionale Klimaprojektionen, auch für Sachsen, wurden auf der Basis der SRES-Szenarios
A1B, A2 und B1 erstellt. Seit etwa 2008 erfolgte eine Novellierung der Szenario-Philosophie, erstmals ausführ-
lich dargestellt in (Moss, et al. 2008). Die dort präsentierten so genannten Representative Concentration Path-
way (RCP)-Szenarios schätzen die zeitliche Entwicklung der
Konzentration
von Treibhausgasen ab, eine
Größe, die zum Ersten in der Gegenwart besser zu ermitteln ist als der Treibhausgas-Ausstoß und zum Zwei-
ten über den so genannten Strahlungsantrieb auch passgenauer als Eingangsgröße für GCM dient (Liepert
2010). RCP-Szenarios sind inzwischen als
State-of-the-Art
sehr gut eingeführt und sind auch die Grundlage
für den 2013/14 erscheinenden AR5 des IPCC.
Ein RCP-Szenario, auch wenn es in den für KLAPS genutzten Projektionen nicht verwendet wird, jedoch im
adjungierten Vorhaben NEYMO (Kreienkamp, Spekat und Enke 2013), verdient besondere Erwähnung: Es ist
das RCP2.6-Szenario. Dieses approximiert die atmosphärischen Bedingungen unter Einhaltung des Ziels, die
globale Erwärmung unterhalb von 2 Grad bezüglich des vorindustriellen Niveaus zu halten (Randalls 2010).
Eine Abschätzung der
regionalen
Klimaänderungen auf der Basis des globalen Zweigradziels wurde für das
Bundesland Hessen publiziert (Hübener, et al. 2010). Zudem erfolgten Auswertungen von Klimaprojektionen
bezüglich des Zweigradziels für den Freistaat Sachsen im Rahmen von WEREX V (Kreienkamp, Spekat und
Enke 2011).
Im Laufe der letzten rund 15 Jahre etablierte sich zudem eine Strategie, Aussagen zu Klimaänderungen durch
die Betrachtung eines
Ensembles
von Modellresultaten eine höhere Belastbarkeit zu geben (Peng, Leslie und
Shao 2002). Im Rahmen des EU-Projektes ENSEMBLES wurden Analysestrategien für gruppierte Klimamo-
1
http://www.ipcc.ch
2
Es sei an dieser Stelle angemerkt, dass jedwede Umrechnung von globalen Entwicklungen in Treibhausgas-Dimensionen selbst auf
einer Reihe von Modellen beruht und daher mit einer Kaskade von Unsicherheiten einhergeht.

9
delle entwickelt und getestet (ENSEMBLES 2009). Die Betrachtung von verschiedenen SRES-Szenarios, wie
sie in der Vergangenheit auch für Sachsen zur Abschätzung der Bandbreite von Klimaänderungen ausgeführt
wurde, stellt einen Spezialfall des Ensembles dar. Eine Typologie unterscheidet die folgenden für Klimabe-
trachtungen wichtigsten Ensemble-Arten:
Initialisierungs-Ensemble: Es umfasst verschieden Ausgangszustände, bei Nutzung desselben Modells und
desselben Szenarios. Die verschiedenen Ensemble-Mitglieder werden durch mehrere Simulationsläufe die-
ses Modells erzeugt, deren Startpunkte zu unterschiedlichen Zeiten im vorindustriellen Zeitraum liegen. Ver-
breitet wird diese Herangehensweise auch als multipler Lauf eines Modells für dasselbe Szenario bezeich-
net.
Multi-Modell-Ensemble: Die Mitglieder bestehen bei diesem Typ aus Simulationsrechnungen verschiedener
Klimamodelle. Dabei wird dasselbe Szenario zur Grundlage genommen. Mit einem solchen Ensemble lässt
sich eine weitere Dimension der Bandbreite des simulierten Klimawandels untersuchen – die Modell-
spezifischen Ausprägungen der Klimasignale. Dabei ist zu beachten, dass es „Modellfamilien“ gibt (Knutti,
Masson und Gettelman 2013) und somit nicht alle Modelle voneinander unabhängig sind (Pennell und
Reichler 2011).
Multi-Modell-Multi-Szenario-Ensemble: Der Name ist Programm. Hier erfolgt sowohl die Einbeziehung ver-
schiedener Modelle als auch verschiedener Szenarios. Damit sind besonders umfangreiche Betrachtungen
des sich abzeichnenden Klimawandels möglich.
Im Rahmen von KLAPS wird ein Ensemble des Typs
Initialisierung
genutzt – gemeinsam mit den in NEYMO
erstellten Projektionen liegen Ergebnisse vor, die ein
Multi-Modell-Multi-Szenario-Ensemble
darstellen, wobei
die beiden in KLAPS und NEYMO verwendeten Modelle unterschiedlichen Generationen entstammen (s.u.).
Weitere Ausführungen zum Umgang mit regionalen Klimamodellierungen, auch zur Systematik der verschie-
denen Ensemble-Typen sind in einer Publikation zu Interpretations-Leitlinien (Kreienkamp, Hübener, et al.
2012) enthalten. Ein nicht zu unterschätzender Faktor im Zusammenhang mit Ensemble-Studien ist, dass eine
zur Analyse verwendete Gruppe von Modellen ein „Gelegenheits-Ensemble“ (Ensemble of Opportunity) dar-
stellt. Das heißt, dass die benutzten Mitglieder nicht notwendigerweise den vollständigen Bereich möglicher
Resultate und Unsicherheiten umfassen (Parker 2011).
Die KLAPS-Studie, zu der dieser Bericht vorgelegt wird, zielt darauf ab, die zukünftige Klimaentwicklung, ba-
sierend auf diesen aktuellen Szenarios für den deutsch-polnischen Grenzraum abzuschätzen und zu doku-
mentieren. Das Ensemble wird aus den Klimaprojektionen von zwei Läufen des Globalmodells MPI-ESM-LR
3
,
angetrieben mit dem RCP8.5-Szenario gebildet.
Anmerkung zu den ECHAM-Läufen: Sofern möglich und finanziell leistbar, sollten von einem GCM immer
mehrere Läufe gerechnet werden, was der Abschätzung der modell-internen Variabilität dient. Im Fall von
ECHAM5 bzw. MPI-ESM wird dabei so vorgegangen, dass das Modell zunächst Simulationen über viele Jahr-
hunderte rechnet, bis ein stabiler, auch „eingeschwungen“ genannter Zustand erreicht ist. Aus diesem Zu-
3
Es handelt sich beim MPI-ESM um die Weiterentwicklung des ECHAM5 MPI OM-Modells aus Hamburg. Das LR steht für Low Resoluti-
on, horizontale Auflösung T63, d.h. rund 200 km Gitterweite in mittleren Breiten, mit 47 Schichten in der Vertikalen – es gibt auch eine
MR-Version mit der gleichen horizontalen Auflösung und 95 Schichten in der Vertikalen. Die Atmosphärenkomponente heißt ECHAM6
(Stevens, et al. 2013); weitere Komponenten erweitern es zum Erdsystemmodell. Einige Artikel zu MPI-ESM sind zum Zeitpunkt der
KLAPS-Berichtslegung in einem Sonderheft des Journal of Advances in Modeling Earth Systems (JAMES) publiziert worden. Weitere
Information findet sich auf den
Webseiten
http://www.mpimet.mpg.de/science/models/mpi-esm/james-special-issue.html
und
http://onlinelibrary.wiley.com/journal/10.1002/%28ISSN%291942-2466

10
stand werden in der zeitlichen Umgebung der Mitte des 19. Jahrhunderts zufällig einzelne Jahre gewählt und
als Anfangszustand für das Jahr 1850 deklariert. Die Folge ist, dass das GCM mit unterschiedlichen „Atmo-
sphärenkonfigurationen“, also z.B. ENSO-Phasen und anderen Spezifika, seine 20C-Simulationen beginnt.
Sowohl bei ECHAM5 als auch bei der Atmosphärenkomponente ECHAM6 des MPI-ESM erfolgte dies drei Mal
– in KLAPS und NEYMO werden alle drei Läufe eingesetzt.
1.2 Regionale Klimafolgen
Welche Folgen hat der Klimawandel? In welchen Bereichen sind wir oder unsere Infrastruktur verwundbar
gegenüber dem Klimawandel? Welche Anpassungsmöglichkeiten und -maßnahmen gibt es? Diesen Fragen
wird in der IPCC-Arbeitsgruppe II nachgegangen, die ihrerseits einen umfassenden Sachstandsbericht zu
Impakten, Anpassung und Vulnerabilität mit Bezug auf den Klimawandel herausgibt (IPCC 2007). Der Sach-
stand zu Extremen (Field, et al. 2012), bietet zusätzlich Information zu regionalen Klimaentwicklungen mit
hoher Relevanz für Klimafolgen sowie einen Thesaurus für relevante Fachbegriffe.
Da GCMs primär zur Beschreibung von Klimaentwicklungen auf der globalen bis kontinentalen Skala geeignet
sind, war es erforderlich andere Wege zu beschreiten, um auf dem Wege eines so genannten Downscaling zu
zu regionalen Aussagen zu kommen. In Abschnitt 2.1 werden die Grundlagen kurz beschrieben. Die Interpre-
tation von regionalen Klimaaussagen erfordert besonderes Augenmerk, da es Spezifika der verwendeten Mo-
delle zu beachten gilt [ (Carter, et al. 2007) und (Kreienkamp, Hübener, et al. 2012)].
Im Projekt KLAPS wird das Regionalisierungsverfahren WETTREG in einer aktualisierten Fassung WR13_v02
eingesetzt. Dabei entstehen, wie in Abschnitt 2.2 weiter ausgeführt, Zeitreihen meteorologischer Elemente,
denen die Signatur eines gewandelten Klimas aufgeprägt ist. Seinen Antrieb bezieht WR13 aus mehreren
Szenarioläufen des MPI-ESM.

image
image
image
11
1.3 Die Untersuchungsregion
Die KLAPS-Untersuchungsregion befindet sich an der deutsch-polnischen Grenze beiderseits der Oberlausitz
und Niederschlesiens. Abbildung 1 zeigt sowohl die Lage der Region mit den Ländergrenzen als auch die
Lage von Klima- und Niederschlagsstationen. Zur Beschreibung des Klimas der KLAPS-Region werden Stati-
onsdaten aus Brandenburg, Sachsen, Polen und Tschechien verwendet. Details zu den meteorologischen
Variablen und der Datenlage finden sich in Abschnitt 2.3.1.
1.4 Projektziele und -partner
Ausgehend vom sich abzeichnenden und vom projizierten Klimawandel sowie dem Einfluss von Luftschadstof-
fen auf die vorhandenen Ökosysteme sowie der Erkenntnis, dass weder eine gemeinsame Klimadiagnose und
–projektion für den deutsch-polnischen Grenzraum, noch eine Analyse der Luftschadstoffe in Kombination mit
sich ändernden Windverhältnissen existiert wurde das KLAPS-Projekt aufgelegt. Ziel ist es, die zu erwarten-
den Auswirkungen des Klimawandels auf die Bevölkerung und den Tourismus sowie die Ausbreitung von
Luftschadstoffen als auch das Risikopotential vorhandener Ökosysteme im Grenzgebiet mit einem gemeinsa-
men methodischen Ansatz für die gesamte Projektregion zu beschreiben. Dafür werden Klima- und Luft-
schadstoffdiagnosen für die Gegenwart und Modellierungen für die Zukunft durchgeführt.
Die Projekt-Partner sind
Sächsisches Landesamt für Umwelt, Landwirtschaft und Geologie in Dresden (Lead-Partner)
IMGW (Instytut Meteorologii i Gospodarki Wodnej)
Universität Breslau, Institut für Geografie und Regionalentwicklung (Instytut Geografii i Rozwoju Regional-
nego).
Abbildung 1: Klimastationen (links) und Niederschlagsstationen (rechts) in der KLAPS-Region.

12
1.5 Zu diesem Bericht
Kern des CEC-Anteils im KLAPS-Projekt ist die Datenerstellung. Es werden Klimaprojektionen auf der Basis
von mehreren Szenario-Rechnungen durchgeführt und die Ergebnisse werden auf Datenträger zur weiteren
Verarbeitung und Visualisierung übergeben. Daher widmet sich dieser Bericht in kurzer Form der Hintergrund-
Thematik
regionaler Klimawandel
sowie in Abschnitt 2 der Vorstellung der verwendeten Regionalisierungsme-
thode und der verwendeten Datenarten. Einige Resultate werden in Abschnitt 3 präsentiert. Der CEC-Anteil
des Projektes hat einen weiteren Fokus: Im Rahmen von KLAPS erfolgt eine Erweiterung der Funktionalität
der von CEC entwickelten Interaktiven Darstellungs- und Präsentationssoftware (IDP). Mit dieser wird die Flä-
chendarstellung einer Reihe von Extremindikatoren ermöglicht. Eine Übersicht der neu hinzukommenden dar-
stellbaren Größen erfolgt in Abschnitt 4. Eine Zusammenfassung der Berichtsabschnitte findet sich in Ab-
schnitt 5. Ein Verzeichnis von zitierter Literatur ergänzt ab Seite 36 den Berichtstext.
Anmerkung: Es gibt zu KLAPS ein adjungiertes Vorhaben (NEYMO) mit eigenem Fokus, aber auch Gemein-
samkeiten zu KLAPS. Wenn auf Grund von Nutzerwünschen in einem der beiden Projekte spezifische Daten-
aufbereitungen oder Analysen durchgeführt wurden, so erstreckte sich dies immer auf das Ensemble der Pro-
jektionen
beider
Vorhaben.
1.6 Disclaimer
Die in diesem Bericht gezeigten Darstellungen beruhen auf Basisdaten, die von Dritten erzeugt wurden (Re-
analysen, globale Klimamodell-Szenariorechnungen und Beobachtungsdaten). Die Firma Climate and En-
vironment Consulting Potsdam GmbH übernimmt keine Verantwortung oder Haftung für deren Qualitätskon-
trolle und geht bei der Anwendung der Regionalisierungsmethode und der Interpretation der Resultate von
einer höchstmöglichen Qualität der Basisdaten aus.
Die mit den globalen Klimamodellen errechneten Treibhausgas-Szenarios basieren ihrerseits auf Szenarios
der Entwicklung der Weltbevölkerung, der Wirtschaft und anderer Globalisierungsfaktoren, für deren Richtig-
keit oder Eintreffen keine Garantie übernommen werden kann. Diese Annahmen entsprechen aber dem aktu-
ellen Stand der Wissenschaft, so dass eine bestmögliche Eintreffens-Wahrscheinlichkeit angenommen wer-
den kann.
Somit gilt auch für die ausgelieferten Daten, dass deren Aussagekraft in Relation mit der Qualität der Basisda-
ten zu sehen ist. Die Resultate der statistischen Regionalisierung sind nach bestem Wissen und Gewissen
entsprechend dem aktuellen Stand der Wissenschaft gewonnen worden.
2 Methoden und Daten
2.1 Regionalisierung
Die Regionalisierung (auch Downscaling genannt) von Modellresultaten ist ein zentrales Aufgabenfeld der
Klimamodellierung. Sie unterstützt den Erkenntnisprozess zum globalen Wandel, der Modellaussagen mit
einer Auflösung benötigt, die auch von den am weitesten entwickelten Vertretern vom Typ gekoppeltes GCM
nicht zur Verfügung gestellt werden können. Dies ist bereits relativ früh erkannt worden (Grotch und
MacCracken 1991) und bestätigte sich auch für die in CMIP3 und AR4 benutzte Generation von GCMs
(Fowler, Blenkinsop und Tebaldi 2007). Die GCMs wurden im Laufe der Zeit weiter verbessert, zum Beispiel

13
bezüglich ihrer räumlichen und zeitlichen Auflösung sowie der physikalischen Parameterisierungen und der
Anzahl der modellierten Prozesse.
GCMs sind unverzichtbare Grundlage für Betrachtungen von großräumigen Klimaentwicklungen, denn auf der
globalen
und
kontinentalen
Skala liefern sie konsistente und robuste Ergebnisse, so dass sie den großskali-
gen Antrieb für die Regionalisierungsverfahren darstellen. Es gibt bei der Regionalisierung zwei Grundansät-
ze, die in den nachfolgenden Abschnitten kurz vorgestellt werden.
2.1.1
Dynamische Verfahren
In einen Teilbereich der Erde, für den Aussagen mit hoher räumlicher Auflösung benötigt werden, wird ein
Fenster in das grob aufgelöste Globalmodell gesetzt [so genanntes Nesting (Rummukainen 2010)], in wel-
chem die physikalischen Größen auf einem bedeutend engeren Raster errechnet werden. Ein typischer Maß-
stab für ein solches genestetes Modell ist etwa Europa, Mitteleuropa oder der Alpenraum. An der Berandung
des Fensterbereichs gibt ein GCM die von ihm berechneten meteorologischen Elemente vor. In einer Über-
gangszone wird der Einfluss der meteorologischen Parameter, die mit der höheren Auflösung berechnet wur-
den, schrittweise erhöht. Im Inneren der Nesting-Region werden die meteorologischen Elemente auf einem
engmaschigen Gitter und mit kurzen Zeitschritten erzeugt. Es ist zu beachten, dass die Meeresoberfläche
ebenfalls als feste Randvorgabe durch das Globalmodell vorgegeben ist. Hier werden Meeresoberflächen-
temperaturen und Meeresinformationen vorgeschrieben. Da die Nestingregionen deutlich größer als das kon-
tinentale Mitteleuropa sind und sowohl das Mittelmeer als auch den Atlantik bis zum isländisch-grönländischen
Raum umfassen, liegt hier ein Einflussfaktor von erheblicher Größenordnung. Ein Verfahren dieser Art heißt
auch Regionales Klimamodell (engl. Regional Climate Model) (RCM). In Deutschland werden verbreitet die
RCMs REMO (Jacob und Podzun 1997) und CCLM (Rockel 2008) angewandt.
2.1.2
Statistische Verfahren
Zukünftige Veränderungen der meteorologischen Elemente werden in Form einer Fortschreibung von statisti-
schen Beziehungen zwischen großräumiger und kleinräumiger Information auf der Basis von Stationsdaten,
die in einer so genannten Lernperiode entwickelt werden, ermittelt. Die Fortschreibung in die Zukunft erfolgt
dabei durch eine Modulation und Modifikation der in der Lernperiode identifizierten statistischen Beziehungen.
Ein solches Verfahren heißt auch Empirisch-Statistische Regionalisierung [engl. Empirical Statistical
Downscaling, ESD (Benestad, Hanssen-Bauer und Cheng 2008)]. Die Information über die Entwicklung der
statistischen Beziehungen erhält das ESD-Verfahren von einem großräumigen Modell, in der Regel einem
GCM.
Statistische Verfahren wie die unten genannten WETTREG oder STARS erzeugen ihre Information, zum Bei-
spiel das zukünftige Verhalten von meteorologischen Variablen wie Temperatur oder Niederschlag, im Ge-
gensatz zu den dynamischen Verfahren, nicht an
Gitterpunkten
sondern an den
Positionen von Messstatio-
nen
. Damit auch im Raum zwischen den Stationsorten Klima-Information ablesbar ist, erfolgt einerseits eine
Höheninterpolation und andererseits eine räumlich-geometrische Interpolation. Die Genauigkeit der Höhenin-
terpolation hängt davon ab, ob Stationen aus vielen verschiedenen Höhen über NN ausgewertet werden kön-
nen, was in der KLAPS/NEYMO-Region eingeschränkt gilt – ein einschränkender Faktor ist dabei die geringe
Stationsdichte und die Tatsache, dass an einigen Stationen nur ein Teil der meteorologischen Variablen ver-
fügbar ist (vgl. Tabelle 2). Auch die Güte der räumlichen Interpolation ist durch die in Teilbereichen geringe
Stationsdichte eingeschränkt. Insbesondere an den Rändern des Gebiets ist die Zahl der Stützstellen mit In-
formation vergleichsweise gering, so dass Verfälschungen wegen der dann notwendigen Extrapolation in die
betreffenden Gebiete hinein auftreten können.
Durch den Einsatz eines stochastischen Wettergenerators wird zudem eine beliebige Anzahl von „Varianten
der Zukunft“ erzeugt. Diese sind (i) voneinander unabhängig und (ii) gleich wahrscheinlich. In Deutschland

14
werden verbreitet die ESDs WETTREG (Spekat, Kreienkamp und Enke 2010) und STARS (Orlowsky 2007)
angewandt.
2.2 Die ESD-Methode WETTREG/WEREX
Bereits seit mehr als 10 Jahren ist die Regionalisierungsmethode WETTREG verfügbar. Sie wurde in der für
den Freistaat Sachsen optimierten Version WEREX erstmals 2002/2003 für Studien zum regionalen Klima-
wandel eingesetzt und seitdem in mehreren Stufen aktualisiert, erweitert und verbessert. Die wichtigsten Ent-
wicklungsstufen der Methodik sind WR06 (Spekat, Enke und Kreienkamp 2007) und WR10 (Kreienkamp,
Spekat und Enke 2010). Für das KLAPS-Projekt wurde die aktualisierte Fassung WR13_v02 verwendet, bei
der insbesondere der Sequenzierungsprozess für die Zeitreihen überarbeitet wurde (Kreienkamp, Spekat und
Enke 2013), s.u. in den Erläuterungen zum Stochastischen Wettergenerator. Die Methode besteht aus mehre-
ren Schritten.
Schritt 1 Zirkulationsmuster
Ausgangspunkt für WETTREG ist die These, dass Zirkulationsmuster ein Bindeglied zwischen der großräumi-
gen und der regionalen/lokalen Skala sind. Daher werden im ersten Schritt Zirkulationsmuster klassifiziert,
denen im weiteren Anwendungsverlauf eine zentrale Rolle zukommt. Eine verbreitet eingesetzte Strategie zur
Bildung von Klassen sucht Ähnlichkeiten, resp. Unähnlichkeiten in der Erscheinungsform der Zirkulation, z.B.
der Position von Steuerungszentren, wie sie sich in Felddarstellungen des Geopotenzials abzeichnen. Eine
empirisch-subjektive Klassifikation wie die von Hess und Brezowsky geht bei der Bestimmung der Großwetter-
lagen diesen Weg. Innerhalb der Klassen werden dann die so rubrizierten Tage analysiert. Diese Vorgehens-
weise schließt also von der Zirkulation auf die regionalen Wetter- und Klimaspezifika und wird auch
Circulation
to Environment
genannt (Yarnal 1993).
Bei WETTREG wird der Weg umgekehrt beschritten (
Environment to Circulation
). Es werden zunächst Wer-
tebereiche eines regionalen meteorologischen Parameters bestimmt und dann analysiert, welche Zirkulations-
formen zu den einzelnen Wertebereichen gehören. In der Folge bildet WETTREG beispielsweise 12 unter-
schiedlich „kalte“ oder „warme“ resp. 8 unterschiedlich „trockene“ oder „niederschlagsreiche“ Klassen
4
. Zur
Definition der Muster werden in diesem Zusammenhang Klimadaten der Gegenwart verwendet. Auf der Ebene
des regionalen Klimas sind dies die Werte an Messstationen und auf der Ebene der großräumigen Muster
sind dies die so genannten Reanalysedaten (s.a. Abschnitt 2.3). Als Nächstes erfolgt der Übergang von
Klimadaten zu Ergebnissen von Klimamodellen. Diese liegen in Form von täglichen „Wetterkarten“, d.h. Feld-
verteilung atmosphärischer Größen, vor
5
. Um nun für die simulierten atmosphärischen Verhältnisse an einem
Tag der Zukunft die ihm am besten entsprechende WETTREG-Klasse zu ermitteln, wird eine objektive Ähn-
lichkeitssuche durchgeführt. Dieser Vorgang heißt auch Wiedererkennung. Es entstehen Häufigkeitsverteilun-
4
Die zur Klassenbildung verwendete Größe ist in den WETTREG-Versionen nach 2010 nicht mehr durch die Werte der meteorologischen
Variablen (z.B. Grundlage einer Temperaturklasse im Sommer zwischen 18°C und 21°C) definiert. Statt dessen wird in WR10 und der im
KLAPS-Projekt eingesetzten Version WR13 die
Abweichung vom Jahresgang
verwendet – eine Temperaturklasse wäre demzufolge so
definiert, dass sie beispielsweise Tage zusammenfasst, die um 4-6°C zu warm gegenüber dem Mittelwert sind.
5
Es handelt sich dabei selbstverständlich
nicht
um Wettervorhersagen für einen konkreten zukünftigen Zeitpunkt. In einem GCM wird ein
konsistentes Verhalten des Klimasystems mit zahlreichen mathematisch-physikalischen Beziehungen und Wechselwirkung simuliert – mit
dem Antrieb eines sich über die Zeit ändernden Anteils der Treibhausgase in der Atmosphäre. Zu mehreren Zeitpunkten eines zukünfti-
gen Tages werden die gerade in der Simulation herrschenden Verhältnisse gespeichert. Auf diese Daten greift WETTREG im Laufe der
Zirkulationsmuster-Phase zu.

15
gen der WETTREG-Klassen, die
Szenario-spezifisch
sind und sich im Simulationszeitraum verändern. Sie
bilden den Antrieb für den zweiten Schritt des WETTREG-Verfahrens.
Schritt 2: Stochastischer Wettergenerator
Nach dem Prinzip des Setzkastens werden segmentierte Zeitreihen meteorologischer Parameter aus der Ge-
genwart zu neuen Zeitreihen zusammengesetzt. Dies geschieht in erster Näherung zufällig, ein Vorgang der
auch Synthetisierung heißt. Mit dem stochastischen Wettergenerator werden folglich alternative Varianten des
Gegenwartsklimas hergestellt. Das sich ändernde Klima wird den Reihen durch die Forderung, die sich än-
dernde Häufigkeit der Zirkulationsmuster zu reproduzieren, aufgeprägt.
Das Prinzip des in WETTREG verwendeten stochastischen Wettergenerators ist dabei wie folgt: Zu jedem
Zeitreihensegment der Gegenwart, das sich im „Setzkasten“ befindet, gehört auch die Kenntnis, welche
WETTREG-Klassen jedem der Tage, aus denen das Segment besteht, zugeordnet wurden. Für jeden Ab-
schnitt der Zukunft wurde, wie bei Schritt 1 beschrieben, per Wiedererkennung ermittelt, welche Häufigkeits-
verteilung der WETTREG-Klassen in der jeweiligen Klimamodell-Simulation auftrat. Beim sukzessiven Aufbau
der neuen Zeitreihe wird jedes Mal getestet, welcher Abschnitt aus dem „Setzkasten“ am geeignetsten zur
Reproduktion der Häufigkeitsverteilung ist.
Die Entscheidung über Verwerfen oder Akzeptieren eines Zeitreihensegments aus dem „Setzkasten“ erfolgt
durch ein Regelwerk, das mehrere Anforderungen erfüllen muss. Die wichtigsten sind: (i) Optimierung der
Anpassung an die vom antreibenden GCM simulierten Häufigkeitsverteilungen der WETTREG-Klassen, (ii)
stochastische Unabhängigkeit der einzelnen WETTREG-Simulationen, da ja mehrere voneinander unabhän-
gige, ähnliche und gleichwertige Zeitreihen synthetisiert werden sollen, (iii) Aufrechterhaltung einer möglichst
hohen Klimavielfalt, um zu gewährleisten, dass nicht dieselbe Episode überproportional häufig im Synthese-
prozess genutzt wird, (iv) Bewahrung einer plausiblen Klima-Variabilität in den einzelnen WETTREG-Läufen
(Kreienkamp, Spekat und Enke 2013)
6
. Mit dem stochastischen Wettergenerator werden folglich alternative
Varianten des Gegenwartsklimas – in Abhängigkeit von einer Klimaprojektion, basierend auf einem Treib-
hausgas-Szenario – erzeugt.
Gegenüber der in älteren Studien verwendeten Versionen des WETTREG-Wettergenerators wurden in WR13
(Kreienkamp, Spekat und Enke 2013) z.B. besondere Strategien implementiert, die starken Klimasignalen,
d.h. starken zukünftigen Veränderungen der Häufigkeitsverteilung gerecht werden, wie sie etwa in einigen
RCP8.5-Szenariorechnungen auftreten. Zudem erfolgten Weiterentwicklungen, die die Balance Zufälligkeit-
Repräsentativität-stochastische Unabhängigkeit-Variabilität besser wahren helfen.
Schritt 3: Regressions-basierte Einarbeitung weiterer GCM Spezifika
Nach den ersten beiden Schritten sind durch WETTREG Zeitreihen synthetisiert worden, die die Signatur ei-
ner Klimaänderung in sich tragen. Die wichtigste steuernde Größe (der Antrieb) ist dabei die sich mit der Zeit
ändernde Häufigkeit von Zirkulationsmustern. Es ist eine ambitionierte Forderung von Verfahren wie WETT-
REG an die GCMs, dass sich die zukünftigen Klimaänderungen in den Modellsimulationen allein in „Makro-
Größen“, wie etwa simulierte Zirkulationsstrukturen wiederspiegeln. In der Tat wird die Größenordnung von
Klimasignalen die ein GCM simuliert, durch einen weiteren Verfahrensschritt besser genähert: Über statisti-
sche Regressionsbeziehungen erfolgt das Einarbeiten von Änderungen physikalischer Größen direkt aus den
Modellsimulationen.
Regressionen ermöglichen es, eine Zielgröße, z.B. die Temperatur in Bodennähe, indirekt aus anderen atmo-
sphärischen Größen, z.B. das Geopotenzial im Niveau 850hPa, die Strömungsdivergenz in 700hPa oder die
Advektion der Feuchte zu gewinnen. Für einen Zielgröße wird eine Kombination aus bis zu vier verschiedenen
6
Diese Open-Access-Publikation ist
unter
www.mdpi.com/2073-4433/4/2/169/
abrufbar

image
image
image
image
image
image
image
image
image
image
16
atmosphärischen Größen ermittelt, die eine bestmögliche Korrektur der synthetisierten Zeitreihen gewährleis-
tet.
00
01
02
03
04
05
06
07
08
09
Abbildung 2: Exemplarisches Beispiel für die 10 WETTREG-Realisierungen 00 bis 09. Niederschlag an
der Station Dresden-Klotzsche, MPI-ESM Lauf 1, Szenario RCP8.5, simulierte Dekade 2071-2080.

17
ESD-Verfahren besitzen den Vorteil, relativ ökonomisch bezüglich der Rechnerkapazität zu sein. Mit ihnen ist
es möglich, zahlreiche äquivalente
Versionen
einer Klimaprojektion zu erzeugen. Dies ist für viele Anwendun-
gen im Bereich von Klimafolgen relevant.
Der entsprechende Aufwand, ein GCM oder RCM mehrmals laufen zu lassen, ist ungleich größer. Prinzipiell
sind hunderte von stochastisch unabhängigen WETTREG-Läufen, die jeweils von einem GCM-Szenariolauf
angetrieben wurden, denkbar.
Aus Gründen der Komplexität von Anwendungen, die die Projektionen als Eingangsgrößen benötigen und der
Handhabbarkeit sowie des Datenvolumens hat es sich als praktisch erwiesen, für jedes GCM-Szenario zehn
Läufe von WETTREG, so genannte Realisierungen, durchzuführen. Exemplarisch sind in Abbildung 2 die 10
Realisierungen von WETTREG für den mit MPI-ESM Lauf 1 Szenario RCP8.5 projizierten Niederschlag an der
Station Dresden-Klotzsche in der Dekade 2071-2080 dargestellt. Der stochastische Wettergenerator erzeugt,
wie dort zu erkennen, synthetische Witterungsabläufe mit durchaus unterschiedlichem Niederschlagsverhal-
ten, insbesondere der Extreme.
Diese zehn Läufe können einzeln als Eingangsgrößen für die Anwendungen genutzt werden. Verbreitet wird
vom Nutzer jedoch das Mittel der Läufe verwendet, das eine Balance zwischen Belastbarkeit der Resultate
und Rechenaufwand auf der Nutzerseite darstellt. Eine Mittelung auf Tagesbasis erfolgt nicht. Arithmetische
Mittelungen der zehn Läufe werden erst auf der Ebene der Monate, Jahreszeiten oder des Jahres sinnvoll.
Hier ein Beispiel für die Mittelung im Zuge einer Auswertung: Wenn die Kenntage eines Zeitabschnitts be-
stimmt werden sollen, so erfolgt dies zunächst separat in den zehn Realisierungen/Läufen von WETTREG.
Danach wird aus den zehn Kenntage-Zählungen das arithmetische Mittel gebildet. Wenn nicht anders ange-
geben, wird auch in den Analysen dieses Berichts das Mittel der zehn WETTREG-Läufe genutzt.
2.3 Verwendete Daten
2.3.1
Messungen an Stationen
Zur Bestandsaufnahme des Klimas in der Untersuchungsregion (s. Abbildung 1) sind qualitätskontrollierte,
tägliche Klimadaten eines möglichst dichten Stationsnetzes für einen gegenwartsnahen, mindestens 30-
jährigen Zeitraum (z.B. 1971–2000) notwendig. Eine Qualitätskontrolle sowie eine Füllung bestehender Daten-
lücken – soweit möglich – wurde in Form eines Auftrags des LfULG an die TU Dresden, Lehrstuhl für Meteoro-
logie vergeben (Bernhofer und Franke 2013). Relevante Wetter Elemente für die Untersuchung sind in Tabelle
1 aufgeführt. Außerdem werden Metadaten der Stationen (Lage, Höhe) benötigt. Es sei darauf hingewiesen,
dass im Rahmen des Projektes außerdem nutzerrelevante Größen wie die 12 UTC-Werte von Temperatur,
relativer Feuchte, Bedeckungsgrad und Windgeschwindigkeit genutzt werden, da es für diese einen Bedarf an
Projektionen gibt. Die Lückenfüllung und Qualitätskontrolle der 12 UTC-Werte erfolgte durch CEC Potsdam in
einem mehrstufigen Prozess nach folgendem Schema:
1. Berechnung des Jahresganges jedes Elementes (geglättet)
2. Berechnung der täglichen Anomalien zum Jahresgang
3. Identifikation der vier nächstgelegenen Stationen
4. Zu jeden Zeitpunkt mit einer Lücke wird ein Mittelwert der Anomalie der vier nächstgelegenen Statio-
nen berechnet
5. Aufprägen des Jahresganges um von Anomalien zu Werten zu kommen
6. Prüfen der neuen Werte auf Plausibilität (z.B. RR >= 0 mm, RF > 0 %, RF<=100%, TN <= TM <= TX,
usw.)

18
Tabelle 1: Meteorologische Variable, für die Klimaprojektionen erstellt werden
Name
Abkürzung
Einheit
Maximum der Temperatur
TX
°C
Tagesmittel der Temperatur
TM
°C
Minimum der Temperatur
TN
°C
Tagessumme des Niederschlages
RR
mm
Tagesmittel der relativen Feuchte
RF
%
Tagesmittel des Luftdrucks
PP
hPa
Tagesmittel des Dampfdrucks
DD
hPa
Tagessumme der Sonnenscheindauer
Alternativ: Globalstrahlung
SD
GS
Stunden
w/m
2
Tagesmittel des Bedeckungsgrades
NN
octas
Tagesmittel der Windstärke
FF
m/s
Es werden zusätzliche Projektionen für die unten stehenden Variablen bestimmt, sofern Daten vorhanden sind
12:00 UTC – Wert der Lufttemperatur
TT
12
°C
12:00 UTC – Wert der relativen Feuchte
RF
12
%
12:00 UTC – Wert des Bedeckungsgrads
NN
12
octas
12:00 UTC – Wert der Windgeschwindigkeit
FF
12
m/s
Die genutzten Stationen stammen aus den Messnetzen des Deutschen Wetterdienstes, des polnischen IMGW
und des Tschechischen CHMI. Insgesamt wurden Daten von 26 Klimastationen
7
(Messung von allen oder
einem Teil der in Tabelle 1 aufgelisteten Größen) und 75 Niederschlagsstationen
8
(nur Messungen des Nie-
derschlags) verarbeitet. Der zur Verfügung gestellte Zeitraum umfasst die Jahre 1971-2010. Einen Überblick
der Datenlage an den Klimastationen gibt Tabelle 2.
Tabelle 2: Vorhandensein der meteorologischen Variablen an den verwendeten Klimastationen in der
KLAPS-Region im Zeitraum 1971-2000 (X). Die Abkürzungen für die meteorologischen Variablen finden
sich in Tabelle 1.
Station
TX
TM
TN
RR
RF
PP
DD
SD
NN
FF
TT
12
RF
12
NN
12
FF
12
Bad Muskau
X
Bedrichov
X
X
X
X
X
X
X
X
Cottbus
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Ceska-Lipa
X
X
X
X
X
X
X
Cesky Dub
X
X
X
X
X
X
X
X
Doberlug-Kirchhain
X
X
X
X
X
X
X
X
X
X
X
X
Dresden Klotzsche
X
X
X
X
X
X
X
X
X
X
X
X
X
X
7
3 Stationen aus Brandenburg, 6 aus Sachsen, 9 aus Polen und 8 aus Tschechien
8
8 Stationen aus Brandenburg, 33 aus Sachsen, 19 aus Polen und 15 aus Tschechien

19
Station
TX
TM
TN
RR
RF
PP
DD
SD
NN
FF
TT
12
RF
12
NN
12
FF
12
Görlitz
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Hoyerswerda
X
Hejnice
X
X
X
X
Jablonne-v-Podjested
X
X
X
X
X
X
Jakuszyce
X
X
X
X
X
X
X
Jelenia Gora
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Kubschütz
X
X
X
X
X
X
X
X
X
X
X
X
Lindenberg
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Legnica
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Liberec
X
X
X
X
X
X
X
Nove-Mesto-pod-Smrke
X
X
X
X
X
X
X
X
Slubice
X
X
X
X
X
X
X
X
X
X
X
X
X
Sniezka
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Szczawno Zdroj
X
X
X
X
X
X
X
X
X
X
X
Usti-nad-Labem-Kockro
X
X
X
X
Varnsdorf
X
X
X
X
X
X
Zinnwald-Georgenfeld
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Zgorzelec
X
X
X
X
X
X
X
X
X
X
X
X
X
Zielona Gora
X
X
X
X
X
X
X
X
X
X
X
X
X
X
2.3.2
Reanalysedaten
Grundgedanke des Reanalyse-Ansatzes ist es, eine Klimatologie der Atmosphäre in drei Dimensionen auf der
Basis von Daten hoher Homogenität in Zeit und Raum zu erzeugen. Atmosphärische Messdaten wurden und
werden in einer Vielzahl von Verfahren, die sich über die Zeit verändert haben, analysiert, so dass es nicht
bruchlos möglich ist, Analysen aus unterschiedlichen Quellen und für unterschiedliche Perioden zu betrach-
ten. Erst durch ihr Re-Analysieren ist ein auf homogenen Daten beruhendes dreidimensionales Bild des Kli-
mas der Jetztzeit möglich. WETTREG verwendet Felder von Geopotenzial, Temperatur und Feuchte in ver-
schiedenen Atmosphären-Niveaus aus NCEP/NCAR-Reanalysedaten (Kalnay, et al. 1996) für den gleichen
Zeitraum wie in Abschnitt 2.3.1.
2.3.3
Globales Klimamodell
Die Projektionen eines geänderten Klimas erfolgen mit Läufen von Globalen Klimamodellen, die ihrerseits von
Szenarios des Ausstoßes (Szenariotyp SRES, s. Abschnitt 1.1) oder der Konzentration (Szenariotyp RCP, s.
Abschnitt 1.1) von Treibhausgasen angetrieben werden. Für das KLAPS-Projekt sind dies folgende Szenarios
MPI-ESM, Lauf 2, Szenario RCP85
MPI-ESM, Lauf 3, Szenario RCP85
Anmerkung 1: Bis zum modellierten Jahr 2001 bei ECHAM5 bzw. 2006 bei MPI-ESM handelt es sich um Re-
Simulationen des Gegenwartsklimas, so genannte 20C-Daten. Diese werden benötigt, weil zur Ermittlung von
Klimasignalen die Differenz zwischen den meteorologischen Parametern einer
gegenwärtigen simulierten
und

20
einer zukünftigen simulierten Periode gebildet werden muss. Würden die Klimasignale aus der Differenz von
gemessenen
Daten der Gegenwart und für die Zukunft simulierten Daten berechnet, so besteht das Risiko,
dass systematische Modellfehler (Bias) die Ergebnisse verfälschen. Die Modellfehler sind für die meteorologi-
schen Variablen von unterschiedlicher Größenordnung; sie werden mit der Untersuchung in Abschnitt 3.1
quantifiziert. Diese Problematik ist z.B. in den Abbildungen auf Seite 60 des ENSEMBLES-Berichts
(ENSEMBLES 2009) deutlich erkennbar. Die Modelljahre 2001 bzw. 2006 (s.o.) stellen den Zeitpunkt dar,
jenseits dessen die eigentlichen Klimaprojektionen, angetrieben mit Treibhausgas-Szenarios beginnen.
Anmerkung 2: Im Rahmen des adjungierten Projektes NEYMO (Kreienkamp, Spekat und Enke 2013) ist der
RCP85-Lauf 1 von MPI-ESM verfügbar; außerdem wurde für NEYMO der selbe MPI-ESM Lauf 1 angetrieben
mit dem RCP26-Szenario (angelehnt an das Zweigradziel) und ein ECHAM5-Lauf, angetrieben mit dem
SRES-Szenario A1B als Quelle für die Regionalisierung mit WR13 verwendet. In der Kombination der Ergeb-
nisse von KLAPS und NEYMO wird somit das Modell-Ensemble in Richtung Multi-Modell-Multi-Szenario-
Ensemble ausgeweitet. Details zur Unterschiedlichkeit der MPI-ESM Läufe 1 bis 3 finden sich auf Seite 9f.
3 Ergebnisse
3.1 Validierung von Simulationen und Messungen
Größenordnung der Unterschiede zwischen Simulationen und Messungen
Die Validierung setzt Resimulationen und Realität in Beziehung. Dazu werden für die NEYMO-Region die 30-
jährigen Mittel 1971-2000 aus der Klimatologie dieses Zeitraums bestimmt und die Differenz zu den jeweiligen
Resimulationen (20C-Daten der Modellsimulationen für den Zeithorizont 1971-2000, regionalisiert mit WR13,
vgl. Anmerkung 1 in Abschnitt 2.3.3) berechnet. Wenn die Resimulationen die klimatischen Verhältnisse adä-
quat abbilden, ist die Differenz nahe 0.
In der Tat ist dies für die weit überwiegende Mehrzahl der untersuchten Elemente und Jahreszeiten der Fall.
Die mit ausgelieferte Dokumentation auf dem Datenträger (s.u.) zeigt dies ausführlich. Die Kartendarstellun-
gen sind in der Regel weiß, d.h. die Wertebereiche liegen in der gesamten KLAPS-Region nahe 0, oder es
treten blasse Farbtöne, die der geringsten Abweichungsstufe entsprechen, auf. In der folgenden Auflistung
sind die Ergebnisse für die einzelnen meteorologischen Elemente zusammengefasst. Die Güte der Überein-
stimmung wurde mit Hilfe der Variabilität des Elements im Klimazeitraum abgeschätzt. Dem liegt ein Konzept
zu Grunde, das zur Trennung von Rauschen (natürlicher Variabilität) und Klimasignal verwendet werden kann.
Mit Hilfe der Standardabweichung der Variablen innerhalb des Klimazeitraums (z.B. 1971-2000) erfolgt die
Bestimmung von Konfidenzintervallen, auch als Vertrauensgrenzen des Mittelwerts bezeichnet (Taubenheim
1969). Details zur Berechnungsmethode sind im Bericht zum Visualisierungsprogramm IDP (Kreienkamp und
Spekat 2011) enthalten. Der Vertrauensbereich, verbreitet mit einer Irrtumswahrscheinlichkeit von 5% ver-
wendet, gibt den „Ereignishorizont“ an, den die zeitliche Entwicklung einer projizierten Klimavariablen verlas-
sen muss, um als deutliches Signal bezeichnet werden zu können. Für die unten stehenden Variablen, bei
denen im Rahmen der Validierung ein Vergleich zwischen Modellierung und Messung vorgenommen wird, ist
jeweils in Klammern und durch die Abkürzung VB gekennzeichnet eine Grobabschätzung des Vertrauensbe-
reichs angegeben:
TX: Sehr gute Übereinstimmungen. Abweichungen sind kleiner als ±0,2°C (VB ±0,3°C)
TM: Gute bis sehr gute Übereinstimmungen. Abweichungen sind verbreitet kleiner als ±0,3°C (VB ±0,3°C)

21
TN: Gute Übereinstimmung. Abweichungen sind verbreitet kleiner als ±0,3°C. Nur die hoch gelegenen Berg-
stationen zeigen etwas größere Differenzen, wobei die Beobachtungen bis zu 0,5°C höher liegen als die
Resimulationen (VB ±0,4°C).
RR: Gute Übereinstimmungen, in der Regel im Bereich von ±5%. Lediglich im Winter treten Unterschiede in
einer Größenordnung von rund ±10% auf (VB ±7%).
RF: Gute Übereinstimmungen. Abweichungen sind verbreitet kleiner als 1% (VB ±1%)
DD: Mäßige bis gute Übereinstimmungen. Abweichungen sind zumeist unter ±1 hPa. Lediglich im Frühjahr
treten Differenzen leicht über 1 hPa auf, wobei die Beobachtungen über den resimulierten Werten liegen
(VB ±0,3 hPa)
PP: Sehr gute Übereinstimmungen. Abweichungen sind zumeist unter 0,1 hPa. Lediglich im Frühjahr und
Sommer treten Differenzen leicht über 0,2 hPa auf, wobei die Beobachtungen unter den resimulierten Wer-
ten liegen (VB ±0,5 hPa)
SD: Gute Übereinstimmungen. Abweichungen sind im Bereich von ±0,2 Stunden (VB ±0,2 Stunden)
NN: Gute Übereinstimmungen. Abweichungen sind im Bereich von ±0,1 Achteln (VB ±0,1 Achtel)
FF: Mäßige bis gute Übereinstimmungen. Abweichungen sind verbreitet kleiner als ±0,2 m/s. Nur die hoch
gelegenen Bergstationen zeigen etwas größere Differenzen, wobei die Beobachtungen, insbesondere im
Frühjahr, bis zu 0,4 m/s von den Resimulationen abweichen (VB ±0,2 m/s)
TT
12
: Sehr gute Übereinstimmungen. Abweichungen sind kleiner als ±0,3°C (VB ±0,6°C)
RF
12
: Gute Übereinstimmungen. Abweichungen sind verbreitet kleiner als 1%. Lediglich im Sommer treten
Abweichungen in der Größenordnung von -1,5% auf (VB ±1%)
NN
12
: Sehr gute Übereinstimmung. Abweichungen sind im Bereich von ±0,1 Achteln (VB ±0,2 Achtel)
FF
12
: Mäßige bis gute Übereinstimmungen. Abweichungen sind verbreitet kleiner als ±0,2 m/s. Nur die hoch
gelegenen Bergstationen zeigen etwas größere Differenzen, wobei die Beobachtungen, insbesondere in
Winter und Frühjahr, bis zu 0,4 m/s von den Resimulationen abweichen (VB ±0,2 m/s)
Diese Charakteristika treten bei den vier verschiedenen 20C-Simulationen (ein ECHAM5 A1B-Lauf und drei
MPI-ESM RCP-Läufe) auf. Weitere modell- oder laufspezifische Auffälligkeiten zeigen sich nicht.
Validierungsdateien auf Datenträger
Mit dem Bericht werden verschieden begleitenden Dateien übergeben. Bezüglich der Validierung sind dies
pdf-Dokumente mit Kartendarstellungen der KLAPS-Region:
Vergleich-20CminusBeoVoll_EH6r2_rcp85.pdf
→ MPI-ESM Lauf 2
Vergleich-20CminusBeoVoll_EH6r3_rcp85.pdf
→ MPI-ESM Lauf 3
Auf jeder Seite einer solchen pdf-Datei finden sich für eines der 10 meteorologischen Elemente sowie der vier
zusätzlichen Größen TT
12
, RF
12
, NN
12
und FF
12
(s. Tabelle 1) jeweils 5 Kartendarstellungen (Jahreszeiten und
Jahr), in denen die Differenzen zwischen den Resimulationen (20C) des jeweiligen Modelllaufs und der Klima-
tologie, immer für den Zeitraum 1971-2000 berechnet wurden.

image
image
22
3.2 Klimaprojektionen für die KLAPS-Region
Im Rahmen des KLAPS-Projektes wurden WETTREG-Regionalisierungen sowohl mit der neuen Version
WR13 als auch auf der Basis von Klimaprojektionen des Typs RCP mit zwei Läufen des MPI-ESM-Modells
durchgeführt (Lauf 2 und 3 mit dem RCP-Szenario 8.5).
Dabei entstand ein umfangreicher Bestand an Kartendarstellungen für die Klimaprojektionen, 10 meteorologi-
sche Elemente, Jahreszeiten/Jahr und mehrere Zeithorizonte. Diese sind in der begleitenden Datei
Vergleich-
Projekte-Klimasignal.pdf
enthalten. Im Bericht sollen exemplarisch Beispiele für die Temperatur- und die Nie-
derschlagsänderungen gegeben werden.
Auf den Folgeseiten sind für die Jahresmitteltemperatur sowie den Niederschlag in Sommer und Winter die
Änderungssignale von 1971-2000 zu 2071-2100 im Vergleich der verschiedenen Klimaprojektionen darge-
stellt. Die erläuternden Texte finden sich auf Seite 23.
Abbildung 3: Mit WR13 regionalisierte Klimaprojektionen für die KLAPS-Region. Dargestellt sind die
projizierten Veränderungen der Jahresmitteltemperatur als Differenz zwischen den Zeiträumen 1971-
2000 und 2071-2100. Links: MPI-ESM Lauf 2 RCP8.5; rechts: MPI-ESM Lauf 3 RCP8.5.

image
image
image
image
image
23
Abbildung 4: Mit WR13 regionalisierte Klimaprojektionen für die KLAPS-Region. Dargestellt sind die
projizierten prozentualen Veränderungen des Niederschlags im Sommer als Differenz zwischen den
Zeiträumen 1971-2000 und 2071-2100. Links: MPI-ESM Lauf 2 RCP8.5; rechts: MPI-ESM Lauf 3 RCP8.5.
Abbildung 5: Mit WR13 regionalisierte Klimaprojektionen für die KLAPS-Region. Dargestellt sind die
projizierten prozentualen Veränderungen des Niederschlags im Winter als Differenz zwischen den
Zeiträumen 1971-2000 und 2071-2100. Links: MPI-ESM Lauf 2 RCP8.5; rechts: MPI-ESM Lauf 3 RCP8.5.
In den Karten der Vorseiten ist jeweils die KLAPS-Region dargestellt. Eine neunteilige Farbskala unter jeder
Karte gibt die Farbzuordnung der Werte an. Zudem findet sich unter jeder Farbskala ein Box-Whisker-Plot,
dessen äußere Begrenzungsstriche für das Maximum und das Minimum des innerhalb des Kartenbereichs
auftreten Werts stehen. Ein rechteckiger schwarzer Kasten gibt den so genannten Interquartilbereich wieder.
Das ist der Bereich, in dem sich, nach einer Größensortierung innerhalb des Kartenbereichs auftretenden
Werte die „mittleren 50%“ befinden. Ein weißer Strich im rechteckigen Kasten zeigt den Wert des Medians,
also der Mitte des größensortierten Wertebereichs an. Außerdem wird rechts neben jeder Farbskala der Mit-
telwert aller Punkte im Kartenbereich ausgegeben. Eine senkrecht stehende Maßstabsskala, bei der jeder
schwarze bzw. weiße Abschnitt 20km repräsentiert, ergänzt die Kartendarstellung.

24
Wie Abbildung 3 zeigt, sind in der KLAPS-Region auf Grund der Projektionen
Temperaturzunahmen in der
Größenordnung von 3,5 bis 4 Grad
zur erwarten.
In Abbildung 4 und Abbildung 5 sind die entsprechenden Signale für den Niederschlag im Sommer bzw. im
Winter wiedergegeben. Auch in der KLAPS-Studie bestätigt sich die Zweiteilung des Signals mit einer
Ab-
nahme des Niederschlags im Sommer bis 2071-2100 um rund 15-25%
gegenüber den für 1971-2000 si-
mulierten Werten. Es zeigt sich zudem eine
Zunahme des Niederschlags im Winter bis 2071-2100 um
rund 20%
gegenüber 1971-2000 bei WR13-Regionalisierungen den beiden untersuchten MPI-ESM Läufen 2
und 3, angetrieben von Szenario RCP8.5.
Einordnung der projizierten Klimasignale
In den folgenden Darstellungen (Abbildung 6 und Abbildung 7) werden Klimaprojektionen der Vorhaben
KLAPS, NEYMO, WEREX und WETTREG für die einzelnen Jahreszeiten und das Jahr in Beziehung gesetzt.
Dargestellt sind in Form von so genannten Ensemble-Bänderdiagrammen die Temperatur- bzw. Nieder-
schlagsänderungen für die KLAPS-Region (vgl. Abbildung 1). Jedes Band beschreibt den in einer Kartendar-
stellung der Region vorgefundenen Wertebereich. Ähnlich wie bei den Box-Whisker-Plots unter den Karten-
darstellungen zeigt der gestrichelte Teil eines Bandes die Unterschiede zwischen größtem und kleinstem
Wert. Der schwarze Kasten steht für den Bereich, in dem sich die Perzentile 25 bis 75 (die „mittleren 50%“ der
Werte) befinden und die rote Marke gibt den Median der Werte an. Auf Grund der Rundung auf eine Nach-
kommastelle können bei relativ schmalen Wertebereichen in einzelnen für die Bänderdarstellung ausgewerte-
ten Karten Teile der Bänder nicht sichtbar sein, z.B. die Bänder für die RCP2.6-Projektionen der Temperatur-
signale.
Das Modellensemble besteht aus folgenden Projektionen. An der ersten Stelle jeder Zeile befindet sich eine
Angabe zu Herkunft und antreibendem Globalmodell. Die Angabe nach dem Pfeil zeigt die Regionalisie-
rungsmethode an und in Klammern ist der im Diagramm zur Bezeichnung benutzte Name hinzugefügt.
NEYMO ECHAM 5 R1 A1B → WR13 (KLAPS\EH5r1_A1B\21C)
NEYMO MPI-ESM R1 RCP8.5 → WR13 (KLAPS\EH6r1_rcp85\21C)
KLAPS MPI-ESM R2 RCP8.5 → WR13 (KLAPS\EH6r2_rcp85\21C)
KLAPS MPI-ESM R3 RCP8.5 → WR13 (KLAPS\EH6r3_rcp85\21C)
NEYMO MPI-ESM R1 RCP2.6 → WR13 (KLAPS\EH6r1_rcp26\21C)
WEREX V ECHAM5C R1 A1B → WR10 (WEREX_V\EH5C_A1B\A1B)
WEREX V ECHAM5C R1 E1 → WR10 (WEREX_V\EH5C_E1_L1\A1B)
WEREX V ECHAM5 R1 A1B → WR10 (WEREX_V\EH5_A1B\A1B)
ECHAM 5 R1 A1B → REMO (REMO_10x\EH5_L1\A1B)
ECHAM 5 R1 A1B → CLM (CLM\EH5_L1\A1B)
WETTREG ECHAM 5 R1 A1B → WR10 (WETTREG2010\EH5_L1\A1B)
WETTREG ECHAM 5 R1 A2 → WR10 (WETTREG2010\EH5_L1\A2)
WETTREG ECHAM 5 R1 B1 → WR10 (WETTREG2010\EH5_L1\B1)

25
Sowohl die Bandbreite der Ergebnisse als auch Ähnlichkeiten/Unähnlichkeiten zwischen bestimmten Model-
len, Szenarios und Regionalisierungsmethoden sind in Abbildung 6 und Abbildung 7 erkennbar. Dabei ist das
auch in früheren Untersuchungen identifizierte relativ schwache Temperaturänderungssignal im Frühjahr
(Abbildung 6 oben links) ein „Fingerabdruck“ des ECHAM-Modells, was sich auch in der aktuellen Version
MPI-ESM zeigt. Simulationen auf der Basis des A1B-Szenarios zeigen bezüglich der Temperaturänderungs-
signale in allen Jahreszeiten und im Jahr relativ ähnliche Werte, was u.A. darauf hinweist, dass Regionalisie-
rungen mit WR10 und WR13 vergleichbare Größenordnungen der Signale ermitteln (z.B. durch Betrachtung
der ersten, dritten und letzten Balken in den Teilfiguren von Abbildung 6). Bemerkenswert ist zudem die Un-
terschiedlichkeit der Temperatursignale in den einzelnen MPI-ESM-Läufe, die insbesondere in Sommer und
Winter deutlich voneinander abweichen.
Bezüglich des Niederschlags (Abbildung 7) bestätigt sich die auch häufig in älteren Untersuchungen konsta-
tierte saisonale Zweiteiligkeit der Signale, d.h. die Sommer werden tendenziell trockener (Abbildung 7 oben
rechts) und in den Wintermonaten ist tendenziell eine Bandbreite zwischen Gleichbleiben und leichter Nieder-
schlagszunahme zu verzeichnen (Abbildung 7 mitte rechts). Insbesondere bezüglich der Wintermonate ist für
die RCP8.5-Projektionen mit MPI-ESM (regionalisiert mit WR13) eine vergleichsweise deutliche Zunahmenei-
gung sichtbar, die sich ebenfalls in der mit WR13 regionalisierten ECHAM5 A1B-Projektion zeigt.

image
image
image
image
image
26
Abbildung 6: Ensemble-Bänderdiagramme der Temperatursignale 1971-2000 zu 2071-2100 (in °C) für
13 Klimaprojektionen der Vorhaben KLAPS, NEYMO, WEREX und WETTREG. Oben links: Frühjahr
(März-April-Mai); oben rechts: Sommer (Juni-Juli-August); mitte links: Herbst (September-Oktober-
November); mitte rechts: Winter (Dezember-Januar-Februar); unten: Jahr.

image
image
image
image
image
27
Abbildung 7: Ensemble-Bänderdiagramme der Niederschlagssignale 1971-2000 zu 2071-2100 (prozen-
tuale Änderungen) für 13 Klimaprojektionen der Vorhaben KLAPS, NEYMO, WEREX und WETTREG.
Oben links: Frühjahr (März-April-Mai); oben rechts: Sommer (Juni-Juli-August); mitte links: Herbst
(September-Oktober-November); mitte rechts: Winter (Dezember-Januar-Februar); unten: Jahr. Der
blaue Balken gibt den 95%-Vertrauensbereich (zur Erläuterung s. S. 20) an.

28
Einige allgemeine Hinweise zum Umgang mit Klimaprojektionen
Die Komplexität der Materie – Klimamodellierung, Regionalisierung, Klimafolgen, Kommunikation, Entschei-
dungsprozesse – ist sehr groß. Wer mit Ergebnissen von Klimamodellen und Aussagen auf der regionalen
Skala zu tun hat, sollte sich des Risikos, beispielsweise von Fehlinterpretationen bewusst sein. Auf internatio-
naler Ebene sind im Rahmen des IPCC-Prozesses einige Leitlinien zu guter Praxis erschienen bezüglich ver-
schiedener Aspekte der Arbeit mit Klimamodelldaten und deren Interpretation erschienen [z.B. (Carter, et al.
2007), (Hegerl, et al. 2010), (Knutti, Abramowitz, et al. 2010), (Mastrandrea, et al. 2010)]. Auch die World Me-
teorological Organization stellt Grundlagenmaterial bereit (WMO 2010). Die Autoren dieses Berichts sind be-
züglich der Kommunikation von Klimamodell-Aussagen (Spekat und Kreienkamp 2007) und der Leitlinien zur
Interpretation von regionalen Klimamodellergebnissen (Kreienkamp, Hübener, et al. 2012) in internationale
und nationale Aktivitäten eingebunden.
Nachfolgend sind einige Hinweise und Empfehlungen aufgeführt – für Details sollte die o.e. Literatur konsul-
tiert werden. Diese sind immer auch mit Blick auf die Umsetzbarkeit zu sehen, denn der Finanzrahmen von
Vorhaben lässt häufig nur zu, dass ein Teil der Empfehlungen beherzigt werden kann; dennoch sollte eine
weitest gehende Umsetzung zumindest angestrebt werden
Wenn Klimasignale untersucht werden ist es von zentraler Wichtigkeit, dass deren Berechnung auf der Ba-
sis von
modellierten
Zeitabschnitten der Gegenwart und der Zukunft erfolgt. Das bedeutet, für die Aussagen
zum Klima der Gegenwart sollten nicht Messungen sondern Resimulationen (20C-Daten) des gegenwärti-
gen Klimas verwendet werden.
Aus Gründen der Repräsentativität sollten für die meteorologischen Variablen Mittel über 30 Jahre gebildet
werden. Die Problematik, mit solchen Mittelungen ein zeitlich variables Klima anzunähern, ist bekannt
(Trewin 2007), aber diese Art der Informationsaufbereitung entspricht am besten den internationalen Stan-
dards.
Aus Gründen der Vergleichbarkeit der 30-jährigen Mittel sind die Bezugszeiträume in Anlehnung an die Pra-
xis der WMO zu wählen (Arguez und Vose 2011). Dort wird zwischen Standard-Normalperioden (30-jährig,
nicht überlappend, also 1901-30, 1931-60, 1961-90, 1991-2020 etc.) und Klimanormalperioden (30-jährig,
von Dekade zu Dekade fortschreitend, also 1961-90, 1971-2000, 1981-2010 etc.) unterschieden. Erstere
sind empfehlenswert, wenn es um die Vergleichbarkeit mit großen Klimastudien der Vergangenheit gehen
sollten, letztere sind für Klimastudien bedeutungsvoll, bei denen ein zeitnaher Bezugsrahmen im Fokus
steht.
Ensembles von Modellen sollten so umfassend wie möglich sein, um den Ereignisraum zukünftiger Klima-
änderungen adäquat abzudecken. Dabei ist zu beachten, dass in jedem Fall Betrachtungen der Bandbreite
von Klimaentwicklungen durch die Analyse des Ensembles erfolgen können. Die Mittelung der Ensemble-
mitglieder hingegen kann nur bei Initialisierungs- und Multimodell-Ensembles (vgl. Typologie auf S. 9) erfol-
gen – eine Mittelung über mehrere Szenarios hinweg ist physikalisch nicht sinnvoll.
Falls möglich sollten Ergebnisse sowohl von statistischen als auch von dynamischen Regionalisierungen
genutzt werden.
Insbesondere bei dynamischen Regionalisierungen ist zu beachten, dass die räumliche Repräsentativität
der Werte an den Gitterpunkten nicht hoch ist. Deshalb empfehlen die Modellbetreiber in der Regel, über die
Nachbarpunkte zu mitteln.
Um zu ermitteln, ob das Änderungsverhalten einer simulierten meteorologischen Variablen ein Signal dar-
stellt oder die Größenordnung des Rauschens (Variabilität im Klima der Gegenwart) besitzt sind die ent-
sprechenden Vertrauensbereiche des Mittelwerts zu bestimmen (Kreienkamp und Spekat 2011). Siehe dazu
auch die Erläuterungen auf S. 20 dieses Berichts.

29
Zur Repräsentativität einzelner WETTREG-Realisierungen
Können einzelne Realisierungen ausgewählt werden, so dass diese die Bandbreite aller Realisierungen be-
schreiben? Mit anderen Worten: Ist es möglich, eine Untermenge aus der Anzahl an Realisierungen so aus-
zuwählen, dass die gesamte Bandbreite des atmosphärischen Geschehens repräsentiert wird?
Dies ist zwar möglich, hat aber erhebliche Einschränkungen zur Folge. Eine Auswahl basiert immer auf einer
im Voraus definierten Annahme. Diese Annahme, so pragmatisch für eine spezifische Anwendung sie auch
sein mag, schränkt die Nutzung der gewählten Realisierungen unter anderen Rahmenbedingungen ein.
Ein Beispiel: Auf Basis der Realisierungen für UBA-WETTREG (Version WR06) resp. WEREX IV wurden Da-
tensätze selektiert, die ‚trockene‘, ‚mittlere‘ bzw. ‚feuchte‘ Realisierungen enthalten. Die dabei zu Grunde ge-
legte Vorgabe war die für Deutschland (Sachsen) berechnete mittlere Niederschlagssumme für jede Dekade.
Gesucht wurden die Realisierungen mit der niedrigsten, mittleren oder höchsten Summe. Darauf basierend
wurde je eine durchgehende Realisierung (aus den Abschnitten der einzelnen Dekaden) erzeugt. In ihnen
sollten sich die im Mittel relativ trockenen, mittleren bzw. feuchten Verhältnisse zusammengefasst werden. Die
Annahmen waren also der Regionalbezug und die mittlere Niederschlagssumme je Dekade.
Aber solche einschränkenden Vorgaben bringen auch Nachteile mit sich, die nicht offensichtlich sind: Mit den
o.g. Annahmen sind zum Beispiel keine Untersuchungen der Jahr-zu-Jahr-Variabilität möglich. Auch Untersu-
chungen zu Unterschieden in den Teilregionen können mit solchen Datensätzen nicht durchgeführt werden.
Es trat in der Praxis das Problem auf, dass das in allen Realisierungen als feuchtestes identifizierte Jahr den-
noch in der Zeitreihe der trockenen Auswahl vorkam. Ein weiterer Widerspruch entstand dadurch, dass für
eine Teilregion die mittlere Niederschlagssumme in der trockenen Zeitreihe höher war als in der den mittleren
Zustand repräsentierenden Zeitreihe. Es besteht auch das Risiko, dass beispielsweise die klimatische Was-
serbilanz in der feuchten Zeitreihe kleiner ist als in der mittleren.
Um den Hintergrund dieser Aussagen zu beleuchten, ist ein wenig Detail-Beschreibung zum Wettergenerator
(s.a. Abschnitt 2.2) erforderlich: Der stochastische Wettergenerator von WETTREG stellt im Rahmen eines
Zufallsprozesses X-mal (in der Praxis 10-mal) eine Abfolge von Tagen zusammen, die im jährlichen Mittel der
Vorgabe der analysierten Häufigkeiten beider Wetterlagenklassifikationen
9
in den Ergebnissen der Projekti-
onsläufe des GCMs folgt. Daraus folgt, dass die Realisierungen bezüglich des
Mittelwertes
z.B. der Tempera-
tur einander sehr ähnlich sind. Die Unterschiede liegen in den Abfolgen der Wetterlagen. Ein zusätzlicher Zu-
fallsprozess (Kreienkamp, Spekat und Enke 2013) sorgt dafür, dass die Abfolgen der einzelnen Jahre ge-
mischt werden. Zusammengefasst beschreiben die X Realisierungen die interne Variabilität des Zufallscharak-
ters des Wettergenerators von WETTREG.
Eine besonders wichtige Konsequenz ergibt sich dabei für Extreme. Es darf nicht übersehen werden, dass die
Auftretenswahrscheinlichkeit von seltenen, nicht durch die Häufigkeiten der Wetterlagenklassifikationen, be-
schriebenen (lokalen) Ereignissen – denken wir an das Niederschlagsereignis 2002 an der Station Zinnwald-
Georgenfeld – aus der Sicht einer Wetterlagenklassifikation rein zufällig sind. Analysen des Auftretens dieser
Ereignisse in simulierten Zeitreihen sind zwar möglich, aber nur wenig belastbar. Hierzu ein Beispiel bezüglich
einer Gewitterlage. Es ist uns bewusst, dass im Grunde keine Wetterlage (ob empirisch oder objektiv ermittelt)
direkte Aussagen zu Gewittern zulässt, dennoch ist dies zur Illustration der Problematik gut geeignet. Eine
Wetterlage Y kann lediglich das
Potenzial
, dass Gewitter mit Starkniederschlag auftreten, beschreiben. Sie
beschreibt nicht, dass ein Gewitter auftreten
muss
. Darüber hinaus sagt sie weder etwas über den Ort eines
Niederschlagsereignisses noch über die Niederschlagsmenge an den einzelnen Stationen in der Region aus.
Der Wettergenerator greift hierfür auf den Pool von 40 Jahren Beobachtung zurück und bedient sich, mehr-
mals oder auch gar nicht, entsprechender Extremabschnitte (vgl. Abbildung 2). Dieser Pool, so umfangreich er
9
Eine Klassifikation ist durch die Wertebereiche der Temperatur und die zweite ist durch die Wertebereiche des Niederschlags definiert

30
auch erscheinen mag, beschreibt nur einen kleinen Teil der möglichen räumlichen Strukturen und der mögli-
chen Ereignisse.
4 Erweiterungen von IDP
4.1 Kontext
Im Jahre 2006 wurde von CEC Potsdam GmbH im Rahmen einer Mehrländer-Initiative das Softwarepaket IDP
zur interaktiven Analyse und Visualisierung von Klimamodell-Daten entwickelt. Im Laufe der Jahre erfolgten
durch weitere Vorhaben zahlreiche Erweiterungen der Funktionalität von IDP (Kreienkamp und Spekat 2013).
Im Rahmen von KLAPS wurde dem die Möglichkeit der
Kartendarstellung
einer Reihe von Extremindikatoren
hinzugefügt. Diese sind in der Folge, immer unter Angabe des international bekannten Terminus und der Ab-
kürzung sowie einer Definition des Indikators, kurz aufgelistet. Die dabei verwendeten Abkürzungen der mete-
orologischen Parameter sind
TX – Tagesmaximum der Temperatur
TG – Tagesmittel der Temperatur
TN – Tagesminimum der Temperatur
RR – Tagessumme des Niederschlags
4.2 Zur Bestimmung von Perzentilen
Einige der Indikatoren enthalten Perzentile. Ihre Berechnung erfolgt für jeden Tag des Jahres. Um z.B. für 30
Jahre den Wert an einem 15. Juni zu ermitteln, werden die Messwerte des jeweiligen Tages (15.6.) sowie der
zwei vorangehenden (13. und 14.6.) und der beiden nachfolgenden (16. und 17.6.) Tage des Referenzzeit-
raumes genutzt. Diese 30 x 5=150 Messwerte werden der Größe nach sortiert. Danach erfolgt eine Suche
nach Werten, die an einer bestimmten Position der Liste stehen. Entsprechend der durch das Perzentil gefor-
derten Position werden die zugehörigen Rangplätze ermittelt: 10-Perzentil – Rangplatz 15, Median (50-
Perzentil) – Rangplatz 75, 90-Perzentil – Rangplatz 135 u.s.w. um den Messwert, der an der entsprechenden
Stelle in der Rangfolge steht für das Perzentil einzusetzen. Nicht bei allen Perzentilen ergeben sich dabei
ganzzahlige Ränge, z.B. wäre beim 95-Perzentil der Rangplatz 150 x 0,95=142,5 erforderlich. Daher wird der
Ganzzahlanteil dieses Platzes – im Fall des 95-Perzentils der Rangplatz 142 und der nächsthöhere verwen-
det, d.h. für die 95%-Perzentil-Grenze wird ein Messwert zwischen dem Rangplatz 142 und 143 durch arith-
metische Mittelung berechnet.
4.3 Definitionen der in IDP neu hinzugekommenen
Extremindikatoren
4.3.1
CSDI10
Cold spell duration index (CSDI10): Mittlere Anzahl an Perioden von mindestens 6 aufeinanderfolgenden Ta-
gen mit TN < 10% Perzentil TN (Referenzzeitraum 1971-2000), s.a. Anmerkungen in Abschnitt 4.4.2.

31
4.3.2
CDF
Consecutive frost days/frost period (CDF): Mittel der jährlich größten Anzahl an aufeinanderfolgenden Frostta-
gen (TN < 0 °C). Die Bestimmung erfolgt so, dass für jedes Jahr die maximale Länge an aufeinanderfolgen-
den Frosttagen ermittelt wird. Danach wird über alle untersuchten Jahre der Mittelwert berechnet, s.a. Anmer-
kungen in Abschnitt 4.4.2.
4.3.3
CS
Cold sum (CS): Summe der negativen Abweichungen für TG im Zeitraum 1. November bis 31. März (fünf Mo-
nate). In jeder Dekade werden die ersten drei Monate und die letzten zwei Monate nicht mit berücksichtigt.
Hier würden die Winter nicht fünf Monate umfassen, s.a. Anmerkungen in Abschnitt 4.4.2.
4.3.4
FPE
End of frost period (FPE): mittleres Datum des letzten Frosttages (TN >= 0°C) im ersten Halbjahr.
4.3.5
FBP
Beginning of frost period (FPB): mittleres Datum des ersten Frosttages (TN < 0°C) im zweiten Halbjahr.
4.3.6
FFP
Frost free period (FFP): Länge der Periode zwischen FPE und FPB.
4.3.7
TX10p
Cold day-times (TX10p): mittlere Anzahl der Tage mit TX < 10% Perzentil (Referenzzeitraum 1971-2000).
4.3.8
TX90p
Warm days (TX90p): mittlere Anzahl der Tage mit TX > 90% Perzentil (Referenzzeitraum 1971-2000).
4.3.9
TN90p
Warm nights (TN90p): mittlere Anzahl der Tage mit TN > 90% Perzentil (Referenzzeitraum 1971-2000).
4.3.10 TN10p
Cold nights (TN10p): mittlere Anzahl der Tage mit TN < 10% Perzentil (Referenzzeitraum 1971-2000).
4.3.11 HSDI90
Heat spell duration index (HSDI90): mittlere Anzahl an Perioden von mindestens 6 Tagen mit TX > 90%
Perzentil (Referenzzeitraum 1971-2000).
4.3.12 CTX90
Maximum number of consecutive warm days (CTX90): Mittel der jährlich maximalen Anzahl an aufeinander-
folgenden Tagen mit TX > 90% Perzentil (Referenzzeitraum 1971-2000). Die Bestimmung erfolgt so, dass für
jedes Jahr die maximale Länge von aufeinanderfolgenden TX90-Tagen ermittelt wird. Danach wird über alle
untersuchten Jahre der Mittelwert berechnet.
4.3.13 CTN90
Maximum number of consecutive warm nights (CTN90): Mittel der jährlich maximalen Anzahl an aufeinander-
folgenden Tagen mit TN > 90% Perzentil (Referenzzeitraum 1971-2000). Die Bestimmung erfolgt so, dass für
jedes Jahr die maximale Länge von aufeinanderfolgenden TN90-Tagen ermittelt wird. Danach wird über alle
untersuchten Jahre der Mittelwert berechnet.

32
4.3.14 CTX10
Maximum number of consecutive cold days (CTX10): Mittel der jährlich maximalen Anzahl an aufeinanderfol-
genden Tagen mit TX < 10% Perzentil (Referenzzeitraum 1971-2000). Die Bestimmung erfolgt so, dass für
jedes Jahr die maximale Länge von aufeinanderfolgenden TX10-Tagen ermittelt wird. Danach wird über alle
untersuchten Jahre der Mittelwert berechnet, s.a. Anmerkungen in Abschnitt 4.4.2.
4.3.15 CTN10
Maximum number of consecutive cold nights (CTN10): Mittel der jährlich maximalen Anzahl an aufeinander-
folgenden Tagen mit TN < 10% Perzentil (Referenzzeitraum 1971-2000). Die Bestimmung erfolgt so, dass für
jedes Jahr die maximale Länge von aufeinanderfolgenden TN10-Tagen ermittelt wird. Danach wird über alle
untersuchten Jahre der Mittelwert berechnet, s.a. Anmerkungen in Abschnitt 4.4.2.
4.3.16 CSU25
Maximum number of consecutive summer days (CSU): Mittel der jährlich maximalen Anzahl an aufeinander-
folgenden Tagen mit TX > 25 °C [Sommertage]. Die Bestimmung erfolgt so, dass für jedes Jahr die maximale
Länge von aufeinanderfolgenden Sommertagen ermittelt wird. Danach wird über alle untersuchten Jahre der
Mittelwert berechnet.
4.3.17 CHD30
Maximum number of consecutive heat days (CHD): Mittel der jährlich maximalen Anzahl an aufeinanderfol-
genden Tagen mit TX > 30 °C (Heiße Tage). Die Bestimmung erfolgt so, dass für jedes Jahr die maximale
Länge von aufeinanderfolgenden Heißen Tagen ermittelt wird. Danach wird über alle untersuchten Jahre der
Mittelwert berechnet.
4.3.18 R90th
Heavy precipitation (R90th): Mittlere Anzahl der Tage mit RR > 90% Perzentil (Referenzzeitraum 1971-2000).
Die Perzentile werden auf der Basis aller RR-Werte ≥ 1mm (!) berechnet (nicht als Jahresgang).
4.3.19 R95th
Very heavy precipitation (R95th): Mittlere Anzahl der Tage mit RR > 95% Perzentil (Referenzzeitraum 1971-
2000). Die Perzentile werden auf der Basis aller RR-Werte ≥ 1mm (!) berechnet (nicht als Jahresgang).
4.3.20 RX1
Maximum daily precipitation (RX1): Größte Tagessumme des Niederschlags.
4.3.21 RX1MY
Mean yearly maximum daily precipitation (RX1MY): Mittel der jährlich größten Tagessumme des Nieder-
schlags. Für jedes Jahr wird die größte Tagessumme des Niederschlags bestimmt. Über alle untersuchten
Jahre wird der Mittelwert berechnet.
4.3.22 RX5
Maximum 5 day precipitation (RX5): Größte Fünf-Tagessumme des Niederschlags, s.a. Anmerkungen in Ab-
schnitt 4.4.2.
4.3.23 RX5MY
Mean yearly maximum 5 day precipitation (RX1MY): Mittel der jährlich größten Tagessumme des Nieder-
schlags. Für jedes Jahr wird die größte Fünftagessumme des Niederschlags bestimmt. Über alle untersuchten
Jahre wird der Mittelwert berechnet.

33
4.3.24 DP11
Dry periods (DP11): mittlere Anzahl an Perioden von mindestens 11 Tagen mit RR < 1mm, s.a. Anmerkungen
in Abschnitt 4.4.2.
4.3.25 SPI-Index
Der SPI (Standardized Precipitation Index – Standardisierter Niederschlagsindex) wurde irsprünglich zur Iden-
tifikation von Trockenperioden entwickelt. Der SPI ist eine abgeleitete Größe aus dem kumulierten Nieder-
schlag über Betrachtungszeiträume der zurückliegenden 3, 6, 12, oder 24 Monate. Damit kann eingeschätzt
werden, ob Zeitabschnitte zu feucht, zu trocken oder durchschnittlich sind. Die Berechnung von SPI erfordert
(i) eine Bestimmung der statistischen Parameter der Niederschlags-Häufigkeitsverteilung für einen längeren
Zeitraum und (ii) die Identifikation der Position eines zu untersuchenden Zeitraums (z.B. Sommermonate 1998
oder Jahr 2004) in der ,,theoretischen” Häufigkeitsverteilung. Im Grunde wird ermittelt, wie weit ein konkreter
Wert vom Mittelwert entfernt ist; zur Quantifikation werden Bruchteile der Standardabweichung verwendet.
Extrem trockene Perioden haben einen SPI ≤ -2, extrem niederschlagsreiche Perioden haben einen SPI ≥ 2.
Grundlage für die Berechnung sind Ausführungen zu Häufigkeit und Andauer von Trockenperioden (McKee,
Doesken und Kleist 1993) und der Definition des SPI (Lloyd-Hughes und Saunders 2002). Die Referenzperio-
de ist der Zeitraum 1971–2000. Im Visualisierungsprogramm IDP sind Darstellungen des SPI im Rahmen der
Stations-oder Stationsgruppen-bezogenen Dekadenzeitreihen
implementiert (Kreienkamp und Spekat 2013).
4.4 Anmerkungen bezüglich Niederschlag und Andauer-
Indikatoren
4.4.1
Nutzung von Tagen mit Niederschlag
Für den Niederschlag werden nur Tage genutzt, an denen auch tatsächlich Niederschlag auftrat.
4.4.2
Andauer-Indikatoren und Indikatoren mit über den Jahreswechsel hinausgehenden
Zeitbereichen
Werden Indikatoren für Teilbereiche des Jahres, die über den Jahreswechsel hinausgehen sowie für mehrere
Dekaden berechnet, wie es im Winter (Dezember bis Februar) oder im Fall von CS für den fünfmonatigen
Zeitraum November bis März der Fall ist, so reduziert sich die Zahl der verwendeten Jahre auf Grund des
Berechnungsalgorithmus. Der Grund ist, dass (i) die Indikatorbestimmung
dekadenweise
und (ii) nur für
zu-
sammenhängende
Winter erfolgt. Da am Anfang und Ende jeder Dekade ein Winter nicht vollständig enthalten
ist, wird dessen Wert auch nicht einbezogen. Bei Betrachtungen von drei Dekaden entfallen also 4 Winter
(Anfang von Dekade 1, Übergang von Dekade 1 zu Dekade 2, Übergang von Dekade 2 zu Dekade 3, Ende
von Dekade 3). Die ist relevant für CDF (Abschnitt 4.3.2
10
) und CS (Abschnitt 4.3.3) oder für Untersuchungen
mit anderen Indikatoren, bei denen ein Jahresende-übergreifender Zeitbereich gewählt wird.
Von Bedeutung ist die dekadenweise Bestimmung der Indikatoren und deren Bestimmung an Ende und An-
fang einer Dekade in einem weiteren Zusammenhang: Bei einigen Periodenlängen-bezogenen Indikatoren
(CSDI, Abschnitt 4.3.1; CTX10, Abschnitt 4.3.14; CTN10, Abschnitt 4.3.15; RX5, Abschnitt 4.3.22 oder DP11,
10
Bei diesem Indikator ist es als sinnvoll zu erachten, wenn eine Untersuchung im Winter, Winterhalbjahr oder einem anderen, das Jah-
resende überschreitenden Zeitabschnitt erfolgt.

34
Abschnitt 4.3.24) kann der Fall auftreten, dass eine entsprechende Periode in einem Jahr beginnt und über
das Jahresende hinaus geht (oder im Vorjahr begonnen hat und in das erste Jahre einer Dekade „hineinragt“).
Tritt dies zudem im letzten (ersten) Jahr einer Dekade auf, so wird eine solche Periode am Jahresende (Jah-
resanfang) abgeschnitten. Bei allen anderen Jahren werden derartige Jahresende-übergreifende Perioden
berücksichtigt.

35
5 Zusammenfassung
Im Rahmen des Projektes KLAPS erfolgten Klima-Regionalisierungen für den südlichen Teil der deutsch-
polnischen Grenzregion. Bei der Erstellung kamen Szenarios der aktuellen Generation (RCP) als auch Projek-
tionen mit der aktuellen Version des MPI-Klimamodells (MPI-ESM) zum Einsatz. Die Regionalisierungen nutz-
ten die aktuelle Version WR13_v02 der WETTREG/WEREX-Methode. Durch Analysen im Rahmen des ad-
jungierten Vorhabens NEYMO kann die Bandbreite des Klimawandels auch in WR13-regionalisierten Ergeb-
nissen auf der Basis weiterer RCP-Projektionen mit MPI-ESM sowie einer SRES-A1B-Projektion mit ECHAM5
MPI-OM untersucht werden.
In einer Validierungsphase wurden die Resimulationen des Gegenwartsklimas (20C-Daten) mit dem aus Mes-
sungen ermittelten Klima verglichen. Die Abweichungen sind nur gering, so dass von einer guten bis sehr
guten Beschreibung des Gegenwartsklimas durch die Modellierung ausgegangen werden kann.
Die Bandbreite von meteorologischen Variablen in einem zukünftigen, gewandelten Klima unter verschiede-
nen Szenario-Annahmen wurde in der Projektionsanalyse-Phase untersucht und dokumentiert. Damit ist eine
Reihe von Vergleichen, z.T. auf der Basis anderer Vorhaben, möglich:
Verschiedene Szenarios bei gleichem Modell:
Für MPI-ESM liegen KLAPS/NEYMO-Simulationen auf der Basis von RCP8.5 und 2.6 vor.
Für ECHAM5C liegen WEREX-Simulationen auf der Basis von SRES A1B und E1 vor.
Für ECHAM5 liegen WETTREG-Simulationen auf der Basis von SRES A1B, A2 und B1 vor.
Verschiedene Globale Modelle oder Modell-Läufe bei gleichem Szenario:
Für RCP8.5 liegen durch die Vorhaben NEYMO und KLAPS Projektionen auf der Basis von drei ver-
schiedenen Läufen von MPI-ESM vor.
Für SRES A1B liegen Projektionen auf der Basis von ECHAM 5, im Rahmen von WEREX V und im
Rahmen von UBA-WETTREREG erstellt sowie ECHAM5C, ebenfalls im Rahmen von WEREX V er-
stellt vor.
Verschiedene Regionalisierungsmethoden bei gleichem antreibenden Globalen Modell
Für ECHAM 5 A1B liegen Regionalisierungen mit WR10, REMO und CLM vor.
Verschiedene Generationen von Regionalisierungen bei gleichem antreibendem Modell und gleich bleiben-
dem Szenario
Für SRES A1B liegen Regionalisierungen mit WR10 und WR13 vor.
Außerdem wurde im Rahmen von KLAPS eine umfangreiche Erweiterung des Diagnose- und Visualisierungs-
programms IDP durchgeführt. Der Schwerpunkt liegt bei Extrem-Indikatoren und dem Standardisierten Nie-
derschlagsindex (SPI).
Dem Nutzer wird Dokumentations- und Datenmaterial übergeben, mit dem weitere Analysen zu den Klimafol-
gen in der Bezugsregion und ein Einblick in deren Bandbreite möglich sind.

36
Literaturverzeichnis
Arguez, A., und R. Vose. „The definition of the standard WMO climate normal, the key to deriving alternative climate
normals.“
Bull. Amer. Met. Soc.
, 2011: 699-704.
Benestad, R., I. Hanssen-Bauer, und D. Cheng.
Empirical-statistical Downscaling.
Singapore: World Scientific Publishing
Co. Pte. Ltd., 2008.
Bernhofer, C., und J. Franke.
Aufbereitung meteorologischer Daten für die Verwendung im Klimamodell im Rahmen des
Projektes NEYMO.
Abschlussbericht, Dresden: Landesamt für Umwelt, Landwirtschaft und Geologie, 2013.
Carter, T.C., et al.
General Guidelines on the use of Scenario Data for Climate Impact and Adaptation Assessment,
Version 2.
Genf, Schweiz: IPCC Task Group on Data and Scenario Support for Impact and Climate Assessment
(TGICA), 2007.
ENSEMBLES.
Climate Change and its Impacts: Summary of research and results from the ENSEMBLES project.
Herausgegeben von P. van der Linden und J.F.B. Mitchell.
Exeter, UK: Met. Office Hadley Centre, 2009.
Field, C.B., et al.
Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation. A Special
Report (SREX) of Working Groups I and II of the Intergovernmental Panel on Climate Change.
Cambridge, UK,
und New York, NY, USA: Cambridge University Press, 2012.
Fowler, H. J., S. Blenkinsop, und C. Tebaldi. „Review: Linking climate change modelling to impacts studies: recent
advances in downscaling techniques for hydrological modelling.“
Int. J. Climatol.
, 2007: 1547-1578.
Grotch, S. L., und M. C. MacCracken. „The use of general circulation models to predict regional climatic change.“
J.
Climate
, 1991: 286-303.
Hegerl, G., et al.
Good practice guidance paper on detection and attribution related to anthropogenic climate change.
Bericht, Genf: In: Meeting Report of the Intergovernmental Panel on Climate Change Expert Meeting on Detection
and Attribution of Anthropogenic Climate Change, 2010.
Hübener, H., S. Baumgart, N. Jansky, F. Kreienkamp, A. Spekat, und H. Wolf. „Regional Climate Change and Impact
Assessment for the Federal State Hesse, Germany, and Implications of the Global 2°C Climate Target.“ In
Climate Change-Socio-Economic Effects
, von J. Blanco, & L. Kheradmand, 367-384. Rijeka, Kroatien: InTech
Open Access Publishing, 2010.
IPCC.
Climate Change 2007 - Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Fourth
Assessment Report of the Intergovernmental Panel on Climate Change. Herausgegeben von M. Parry et al.
Cambridge, UK und New York, NY, USA: Cambridge University Press, 2007.
IPCC.
Climate Change 2007 - The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment
Report of the Intergovernmental Panel on Climate Change. Herausgegeben von S. Solomon et al.
Cambridge,
UK und New York, NY, USA: Cambridge University Press, 2007.
Jacob, D., und R. Podzun. „Sensitivity studies with the regional climate model REMO.“
Meteorol. Atmos. Phys.
, 1997: 119-
129.
Kalnay, E., et al. „The NCEP/NCAR 40-Year Reanalysis Project.“
Bull. Amer. Met. Soc.
, 1996: 437-471.
Knutti, R., D. Masson, und A. Gettelman. „Climate model genealogy: Generation CMIP5 and how we got there.“
Geophys.
Res. Lett.
, 2013: 1-6.
Knutti, R., et al.
Good practice guidance paper on assessing and combining multi model climate projections.
Bericht, Bern:
Meeting Report of the Intergovernmental Panel on Climate Change Expert Meeting on Assessing and Combining
Multi Model Climate Projections. IPCC Working Group I Technical Support Unit, 2010.
Kreienkamp, F., A. Spekat, und W. Enke. „The Weather Generator used in the Empirical Statistical Downscaling Method,
WETTREG (Technical Note).“
Atmosphere
, 2013: 169-197.
Kreienkamp, F., A. Spekat, und W. Enke.
Ergebnisse eines regionalen Szenarienlaufs für Deutschland mit dem
statistischen Modell WETTREG2010.
Dessau: Umweltbundesamt, 2010.
Kreienkamp, F., A. Spekat, und W. Enke.
Modellierung von Klimaprojektionen für das erweiterte Neißeeinzugsgebiet
(NEYMO).
Bericht, Dresden: Sächsisches Landsamt für Umwelt, Landwirtschaft und Geologie, 2013.
Kreienkamp, F., A. Spekat, und W. Enke.
WEREX V - Bereitstellung eines Ensembles regionaler Klimaprojektionen.
Abschlussbericht.
Dresden: Climate & Environment Consulting Potsdam GmbH im Auftrag des Sächsischen
Landesamtes für Umwelt, Landwirtschaft und Geologie, 2011.
Kreienkamp, F., H. Hübener, C. Linke, und A. Spekat. „Good practice for the usage of climate model simulation results - A
discussion paper.“
Environm. Syst. Res.
, 2012: 1-25.

37
Kreienkamp, F., und A. Spekat.
IDP. Ein Werkzeug zur explorativen Datenanalyse. Bedienungsanleitung Version 3.4.0.8.
Bericht, Potsdam: Climate and Environment Consulting GmbH im Auftrag des Landesamtes für Umweltschutz
Sachsen-Anhalt, 2011.
Kreienkamp, F., und A. Spekat.
IDP. Ein Werkzeug zur explorativen Datenanalyse. Bedienungsanleitung. Version 3.6.
Bericht, Potsdam: CEC Potsdam GmbH im Auftrag des Sächsischen Landesamtes für Umwelt, Landwirtschaft
und Geologie, 2013.
Liepert, B. G. „The physical concept of climate forcing.“
WIREs Climate Change
, 2010: 786-802.
Lloyd-Hughes, B., und M. Saunders. „A Draught Climatology for Europe.“
Int. J. Climatol.
, 2002: 1581-1592.
Mastrandrea, M., et al.
Guidance Note for Lead Authors of the IPCC Fifth Assessment Report on Consistent Treatment of
Uncertainties.
Bericht, Genf: IPCC Cross-Working Group Meeting on Consistent Treatment of Uncertainties,
Jasper Ridge, CA, USA, 6-7 July 2010, 2010.
McKee, T.B., N.J. Doesken, und J. Kleist. „The Relationship of Drought Frequency and Duration to Time Scales.“
Eighth
Conference on Applied Climatology, 17-22 January 1993, Anaheim, California
, 1993: 179-184.
Moss, R., et al.
Towards New Scenarios for Analysis of Emissions, Climate Change, Impacts, and Response Strategies.
19--21 September 2007, Noordwijkerhout, The Netherlands.
Genf, Schweiz: Intergovernmental Panel on Climate
Change, 2008.
Nakicenovic, N., et al.
Emissions Scenarios; A Special Reports of IPCC Working Group III.
Cambridge, UK: Cambridge
University Press, 2000.
Orlowsky, B. „Setzkasten Vergangenheit - ein kombinatorischer Ansatz für regionale Klimasimulationen.“
Dissertation.
Hamburg: Fakultät Geowissenschaften, 2007.
Parker, W. S. „When Climate Models Agree: The Significance of Robust Model Predictions.“
Phil. Science
, 2011: 579-600.
Peng, G., L. M. Leslie, und Y. Shao.
Environmental Modelling and Prediction.
New York: Springer, 2002.
Pennell, C., und Th. Reichler. „On the Effective Number of Climate Models.“
J. Climate
, 2011: 2358-2367.
Randalls, S. „History of the 2degree C climate target.“
WIREs Climate Change
, 2010: 598-606.
Rockel, B. „Special Issue: COSMO-CLM.“
Meteorologische Zeitschrift
, 2008: 347-528.
Rummukainen, M. „State-of-the-art with regional climate models.“
WIREs Climate Change
, 2010: 82-96.
Spekat, A., F. Kreienkamp, und W. Enke. „An impact-oriented classification method for atmospheric patterns.“
Phys.
Chem. Earth
, 2010: 352-350.
Spekat, A., und F. Kreienkamp. „Somewhere over the rainbow - advantages and pitfalls of colourful vizualizations in
geosciences.“
Adv. Sci. Res.
, 2007: 15-21.
Spekat, A., W. Enke, und F. Kreienkamp.
Neuentwicklung von regional hoch aufgelösten Wetterlagen für Deutschland und
Bereitstellung regionaler Klimaszenarios auf der Basis von globalen Klimasimulationen mit dem
Regionalisierungsmodell WETTREG.
Dessau: Umweltbundesamt, 2007.
Stevens, B., et al. „Atmospheric component of the MPI-M Earth System Model: ECHAM6.“
J. Adv. Mod. Earth Syst.
(JAMES)
, 2013: 146-172.
Taubenheim, J.
Statistische Auswertung geophysikalischer und meteorologischer Daten.
Leipzig: Akademische
Verlagsgesellschaft Geest & Portig K.-G., 1969.
Trewin, B.
The role of climatological normals in a changing climate. Technical Report WCDMP No. 61, WMOTD No 1377.
Bericht, Genf: WMO, 2007.
WMO.
Guide to climatological practices, 3rd edition.
Bericht, Genf: World Meteorological Organization, 2010.
Yarnal, B.
Synoptic climatology in environmental analysis.
London: Belhaven Press, 1993.

Herausgeber:
Sächsisches Landesamt für Umwelt, Landwirtschaft und Geologie (LfULG)
Pillnitzer Platz 3, 01326 Dresden
Telefon: + 49 351 2612-0
Telefax: + 49 351 2612-1099
E-Mail: lfulg@smul.sachsen.de
www.smul.sachsen.de/lfulg
Autoren:
Frank Kreienkamp, Arne Spekat, Wolfgang Enke
Climate & Environment Consulting Potsdam GmbH
David-Gilly-Straße 1, 14469 Potsdam
Telefon: + 49 331 7432301
E-Mail: frank.kreienkamp@cec-potsdam.de
Redaktion:
Susann Mehler
Abteilung Klima, Luft, Lärm, Strahlen/Referat Klima, Luftqualität
Söbrigener Str. 3a, 01326 Dresden
Telefon: + 49 351 2612-5511
Telefax: + 49 351 2612-5099
E-Mail: Susann.Mehler@smul.sachsen.de
Fotos:
http://pixabay.com/
Redaktionsschluss:
12.08.2013
Hinweis:
Die Broschüre steht nicht als Printmedium zur Verfügung, kann aber als PDF-
Datei unter
http://www.umwelt.sachsen.de/klaps
heruntergeladen werden.
Verteilerhinweis
Diese Informationsschrift wird von der Sächsischen Staatsregierung im Rahmen
ihrer verfassungsmäßigen Verpflichtung zur Information der Öffentlichkeit her-
ausgegeben.
Sie darf weder von Parteien noch von deren Kandidaten oder Helfern im Zeit-
raum von sechs Monaten vor einer Wahl zum Zwecke der Wahlwerbung ver-
wendet werden. Dies gilt für alle Wahlen.
Missbräuchlich ist insbesondere die Verteilung auf Wahlveranstaltungen, an
Informationsständen der Parteien sowie das Einlegen, Aufdrucken oder Aufkle-
ben parteipolitischer Informationen oder Werbemittel. Untersagt ist auch die
Weitergabe an Dritte zur Verwendung bei der Wahlwerbung. Auch ohne zeitli-
chen Bezug zu einer bevorstehenden Wahl darf die vorliegende Druckschrift
nicht so verwendet werden, dass dies als Parteinahme des Herausgebers zu-
gunsten einzelner politischer Gruppen verstanden werden könnte.
Diese Beschränkungen gelten unabhängig vom Vertriebsweg, also unabhängig
davon, auf welchem Wege und in welcher Anzahl diese Informationsschrift dem
Empfänger zugegangen ist. Erlaubt ist jedoch den Parteien, diese Informations-
schrift zur Unterrichtung ihrer Mitglieder zu verwenden.