Spelling suggestions: "subject:"niederschlag"" "subject:"starkniederschlag""
11 |
East African Seasonal Rainfall prediction using multiple linear regression and regression with ARIMA errors models / Vorhersage des saisonalen Niederschlags in Ostafrika mit multipler linearer Regression und Regression mit ARIMA-FehlermodellenKarama, Alphonse January 2021 (has links) (PDF)
The detrimental impacts of climate variability on water, agriculture, and food resources in East Africa underscore the importance of reliable seasonal climate prediction. To overcome this difficulty RARIMAE method were evolved. Applications RARIMAE in the literature shows that amalgamating different methods can be an efficient and effective way to improve the forecasts of time series under consideration. With these motivations, attempt have been made to develop a multiple linear regression model (MLR) and a RARIMAE models for forecasting seasonal rainfall in east Africa under the following objectives:
1. To develop MLR model for seasonal rainfall prediction in East Africa.
2. To develop a RARIMAE model for seasonal rainfall prediction in East Africa.
3. Comparison of model's efficiency under consideration
In order to achieve the above objectives, the monthly precipitation data covering the period from 1949 to 2000 was obtained from Climate Research Unit (CRU). Next to that, the first differenced climate indices were used as predictors.
In the first part of this study, the analyses of the rainfall fluctuation in whole Central- East Africa region which span over a longitude of 15 degrees East to 55 degrees East and a latitude of 15 degrees South to 15 degrees North was done by the help of maps. For models’ comparison, the R-squared values for the MLR model are subtracted from the R-squared values of RARIMAE model. The results show positive values which indicates that R-squared is improved by RARIMAE model. On the other side, the root mean square errors (RMSE) values of the RARIMAE model are subtracted from the RMSE values of the MLR model and the results show negative value which indicates that RMSE is reduced by RARIMAE model for training and testing datasets.
For the second part of this study, the area which is considered covers a longitude of 31.5 degrees East to 41 degrees East and a latitude of 3.5 degrees South to 0.5 degrees South. This region covers Central-East of the Democratic Republic of Congo (DRC), north of Burundi, south of Uganda, Rwanda, north of Tanzania and south of Kenya. Considering a model constructed based on the average rainfall time series in this region, the long rainfall season counts the nine months lead of the first principal component of Indian sea level pressure (SLP_PC19) and the nine months lead of Dipole Mode Index (DMI_LR9) as selected predictors for both statistical and predictive model. On the other side, the short rainfall season counts the three months lead of the first principal component of Indian sea surface temperature (SST_PC13) and the three months lead of Southern Oscillation Index (SOI_SR3) as predictors for predictive model. For short rainfall season statistical model SAOD current time series (SAOD_SR0) was added on the two predictors in predictive model. By applying a MLR model it is shown that the forecast can explain 27.4% of the total variation and has a RMSE of 74.2mm/season for long rainfall season while for the RARIMAE the forecast explains 53.6% of the total variation and has a RMSE of 59.4mm/season. By applying a MLR model it is shown that the forecast can explain 22.8% of the total variation and has a RMSE of 106.1 mm/season for short rainfall season predictive model while for the RARIMAE the forecast explains 55.1% of the total variation and has a RMSE of 81.1 mm/season.
From such comparison, a significant rise in R-squared, a decrease of RMSE values were observed in RARIMAE models for both short rainfall and long rainfall season averaged time series. In terms of reliability, RARIMAE outperformed its MLR counterparts with better efficiency and accuracy. Therefore, whenever the data suffer from autocorrelation, we can go for MLR with ARIMA error, the ARIMA error part is more to correct the autocorrelation thereby improving the variance and productiveness of the model. / Die nachteiligen Auswirkungen der Klimavariabilität auf Wasser, Landwirtschaft und Nahrungsressourcen in Ostafrika unterstreichen die Bedeutung einer zuverlässigen saisonalen Klimavorhersage. Um diese Schwierigkeit zu überwinden, wurden die Regression mit ARIMA-Fehlern (RARIMAE)-Methoden entwickelt. Die Anwendungen RARIMAE in der Literatur zeigen, dass die Zusammenführung verschiedener Methoden ein effizienter und effektiver Weg sein kann, um die Vorhersagen der betrachteten Zeitreihen zu verbessern. Aus dieser Motivation heraus wurde versucht, ein multiples lineares Regressionsmodell (MLR) und ein RARIMAE-Modell zur Vorhersage saisonaler Niederschläge in Ostafrika unter folgenden Zielsetzungen zu entwickeln:
1. Entwicklung eines MLR-Modells für die Vorhersage der saisonalen Regenfälle in Ostafrika.
2. Entwicklung eines RARIMAE-Modells für die saisonale Niederschlagsvorhersage in Ostafrika.
3. Vergleich der betrachteten Modelleffizienz
Um die oben genannten Ziele zu erreichen, wurden die monatlichen Niederschlagsdaten für den Zeitraum von 1949 bis 2000 von der Climate Research Unit (CRU) bezogen. Daneben wurden die ersten differenzierten Klimaindizes als Prädiktoren verwendet.
Im ersten Teil dieser Studie wurden die Niederschlagsschwankungen in der gesamten Region Zentral-Ostafrika, die sich über einen Längengrad von 15 Grad Ost bis 55 Grad Ost und einen Breitengrad von 15 Grad Süd bis 15 Grad Nord erstrecken, analysiert mit Hilfe von Karten gemacht. Für den Modellvergleich werden die Erklärte Varianz-Werte für das MLR-Modell von den R-Quadrat-Werten des RARIMAE-Modells abgezogen. Die Ergebnisse zeigen positive Werte, was darauf hinweist, die Erklärte Varianz durch das RARIMAE-Modell verbessert wird. Auf der anderen Seite werden die Root-Mean-Square-Error-Werte (RMSE) des RARIMAE-Modells von den RMSE-Werten des MLR-Modells subtrahiert und die Ergebnisse zeigen einen negativen Wert, der darauf hinweist, dass der RMSE durch das RARIMAE-Modell für Trainings- und Testdatensätze reduziert wird.
Für den zweiten Teil dieser Studie umfasst das betrachtete Gebiet einen Längengrad von 31,5 Grad Ost bis 41 Grad Ost und einen Breitengrad von 3,5 Grad Süd bis 0,5 Grad Süd. Diese Region umfasst den Zentral-Osten der Demokratischen Republik Kongo (DRC), nördlich von Burundi, südlich von Uganda, Ruanda, nördlich von Tansania und südlich von Kenia. Betrachtet man ein Modell, das auf der Grundlage der durchschnittlichen Niederschlagszeitreihen in dieser Region erstellt wurde, zählt die lange Regensaison den neunmonatigen Vorsprung der ersten Hauptkomponente des indischen Meeresspiegeldrucks (SLP_PC19) und den neunmonatigen Vorsprung des Dipolmodus-Index (DMI_LR9) als ausgewählte Prädiktoren für statistische und prädiktive Modelle. Auf der anderen Seite zählt die kurze Regenzeit den dreimonatigen Vorsprung der ersten Hauptkomponente der indischen Meeresoberflächentemperatur (SST_PC13) und den dreimonatigen Vorsprung des Southern Oscillation Index (SOI_SR3) als Prädiktoren für das Vorhersagemodell. Für das statistische Modell der kurzen Regenzeit wurde die aktuelle SAOD-Zeitreihe (SAOD_SR0) zu den beiden Prädiktoren im Vorhersagemodell hinzugefügt. Durch die Anwendung eines MLR-Modells wird gezeigt, dass die Vorhersage 27,4 % der Gesamtvariation erklären kann und einen RMSE von 74,2 mm/Saison für eine lange Regenzeit hat, während die Vorhersage für RARIMAE 53,6% der Gesamtvariation erklärt und einen RMSE von 59,4 mm/Saison hat. Durch die Anwendung eines MLR-Modells wird gezeigt, dass die Vorhersage 22,8% der Gesamtvariation erklären kann und einen RMSE von 106,1 mm/Saison für das Vorhersagemodell für kurze Regenzeiten hat, während die Vorhersage für RARIMAE 55,1% der Gesamtvariation erklärt und a RMSE von 81,1 mm/Saison.
Aus einem solchen Vergleich wurde ein signifikanter Anstieg die Erklärte Varianz und eine Abnahme der RMSE-Werte in RARIMAE-Modellen sowohl für die gemittelten Zeitreihen für kurze Regenfälle als auch für lange Regenzeiten beobachtet. In Bezug auf die Zuverlässigkeit übertraf RARIMAE seine MLR-Pendants mit besserer Effizienz und Genauigkeit. Wenn die Daten unter Autokorrelation leiden, können wir uns daher für MLR mit ARIMA-Fehler entscheiden. Der ARIMA-Fehlerteil dient mehr dazu, die Autokorrelation zu korrigieren, wodurch die Varianz und Produktivität des Modells verbessert wird.
|
12 |
Zur räumlichen Niederschlagsverteilung in der Region LeipzigMüller, Ulrich 24 November 2016 (has links) (PDF)
In dieser Arbeit werden verfügbare Normalwerte (Zeitraum 1951 bis 1980) aufbereitet und eine Karte der mittleren jährlichen Niederschlagssummen für den Raum Leipzig entwickelt. Darüber
hinaus erfolgen spezielle Auswertungen der in den Jahren 1992 bis 1998 an drei Standorten durchgeführten zehnrninütlichen Niederschlags- und Windmessungen. Niederschlags-Windrosen und Häufigkeitsverteilungen der Niederschlagsintensitäten werden gezeigt und diskutiert. / In this work available normal values (period 1951 to 1980) are edited and a card of the middle annual precipitation totals for the area of Leipzig is developed. In the another part of this study the ten minutes measurements of precipitation and wind from three stations in Leipzig in the years 1992 to 1998 are analysed. Precipitation wind-roses and frequency distributions of rain intensities are shown and discussed.
|
13 |
Simulation konvektiver Niederschlagsereignisse mit dem LMKZimmer, Janek 07 April 2017 (has links) (PDF)
Die Modellierung eng begrenzter konvektiver Starkniederschlagsgebiete mit mesoskaligen numerischen Wettervorhersagemodellen ist durch die enorme Bandbreite der möglichen Zellverteilungen stets auf eine bestimmte Problemstellung beschränkt. Zahlreiche Autoren haben sich der Untersuchung superzellulärer Strukturen mithilfe idealisierter Strömungssimulationen gewidmet, um deren Entwicklung in unterschiedlichen atmosphärischen Umgebungen zu beschreiben (Atkins et al., 1999, Bluestein & Weisman, 2000, unter anderen). Im vorliegenden Artikel wird die Sensitivität der simulierten Niederschlagsintensität in Bezug auf verfügbare Labilitätsenergie, Umgebungswindverhältnisse sowie Einfluss orografischer Erhebungen näher betrachtet. Das dazu verwendete LMK mit 2:8km Gitterweite wurde ohne eine parametrisierte Behandlung der konvektiven Prozesse betrieben. Die Modellergebnisse der Simulationen mit idealisierten Eingangsbedingungen werden mit denen einer Fallstudie eines konvektiven Starkniederschlagsereignisses am 16.06.2006 in Sachsen bewertet. / Due to the huge variety of possible cell distributions, the simulation of small-scale heavy convective precipitation events using mesoscale numerical weather prediction models is limited to a certain issue of investigation. Numerous authors addressed the examination of supercellular structures by idealized
ow simulations to describe their behaviour under various atmospheric conditions (Atkins et al., 1999, Bluestein & Weisman, 2000, among others). The presented paper studies the sensitivity of simulated precipitation intensity in response to the available amount of instability, environmental wind speed and -shear as
well as orographic in uences. For this purpose, the LMK model with 2:8km grid spacing has been applied without a parameterized treatment of convective processes. The model results of the simulations involving idealized initial conditions are reviewed related to a case study of a severe storm event in Saxony on June, 16th 2006.
|
14 |
Niederschlags- und Temperaturabschätzungen für den Mittelmeerraum unter anthropogen verstärktem Treibhauseffekt / Assessment of Mediterranean precipitation and temperature under increased greenhouse warming conditionsHertig, Elke January 2004 (has links) (PDF)
Unter Einbezug von modellsimulierten großskaligen Geopotential-, Feuchte- und Meeresoberflächentemperaturfeldern für Szenarien eines anthropogen verstärkten Treibhauseffekts wird der Niederschlag bzw. die Temperatur im Mittelmeerraum für das 21. Jahrhundert mit der Methode des statistischen Downscalings abgeschätzt. Die als Gitterfelder mit 0.5° räumlicher Auflösung vorliegenden Niederschlags- und Temperaturdaten des CRU-(Climatic Research Unit in Norwich) Datensatzes werden jeweils mittels s-modaler Hauptkomponentenanalyse in Regionen unterteilt. Die resultierenden Zeitreihen der regionalen Variationszentren offenbaren dabei unterschiedliche Niederschlags- und Temperaturverhältnisse in den verschiedenen mediterranen Teilregionen im Untersuchungszeitraum 1948-1998. Als großskalige Einflussgrößen dienen Reanalysedaten des NCEP/NCAR (National Centers for Environmental Prediction/ National Center for Atmospheric Research) der geopotentiellen Höhen der 1000hPa-und 500hPa-Niveaus und der spezifischen Feuchte im 1000hPa-Niveau. Als ozeanische Einflussgrößen werden Meeresoberflächentemperaturdaten des Nordatlantiks und des Mittelmeers verwendet. Zur Dimensionsreduktion und zur Beseitigung linearer Abhängigkeiten gehen die verschiedenen Prädiktorfelder ebenfalls, jeweils getrennt, in s-modale Hauptkomponentenanalysen ein. Anschließend wird der Verlauf des Niederschlags bzw. der Temperatur der regionalen Variationszentren in den Monaten Oktober bis Mai 1948-1998 mit der großräumigen atmosphärischen und ozeanischen Variabilität im gleichen Zeitraum verknüpft. Dies geschieht in mehreren Kalibrierungsabschnitten unter Verwendung von Kanonischen Korrelationsanalysen und multiplen Regressionsanalysen. Die erstellten statistischen Zusammenhänge werden dann in von der Kalibrierung unabhängigen Verifikationszeiträumen überprüft. Die erzielten Modellgüten in den Verifikationsperioden werden herangezogen, um die besten statistischen Modelle für die Zukunftsabschätzungen auszuwählen. Dabei zeigt sich, dass für den mediterranen Niederschlag die besten Modellgüten im Allgemeinen mit der Prädiktorenkombination 1000hPa-/500hPa-Geopotential und spezifische Feuchte erzielt werden können. Die Temperatur im Mittelmeerraum lässt hingegen den stärksten Zusammenhang mit Werten der 1000hPa-/500hPa-geopotentiellen Höhen erkennen. Durch Einsetzen von modellsimulierten Werten der Prädiktoren in die Regressions-bzw. Kanonischen Korrelationsgleichungen wird schließlich die Reaktion der regionalen Klimavariablen Niederschlag bzw. Temperatur auf Veränderungen der großskaligen Zirkulations-, Feuchte- und Meeresoberflächentemperaturanomalien unter Bedingungen eines anthropogen verstärkten Treibhauseffektes abgeschätzt. Je nach verwendeter Methode und einbezogener Prädiktorenkombination zeigen sich teils erhebliche Unterschiede in den Abschätzungsergebnissen. So wird zum Beispiel bei den bedingten Abschätzungen für das 21. Jahrhundert der zukünftige Niederschlagsverlauf zum Teil erheblich abgewandelt, wenn modellsimulierte Feuchtewerte zusätzlich zu den Geopotentialinformationen einbezogen werden. Für die bedingten Abschätzungen des regionalen Klimas im Mittelmeerraum im 21. Jahrhundert werden Prädiktoren-Modellergebnisse zweier verschiedener IPCC- (Intergovernmental Panel on Climate Change) Emissionsszenarien herangezogen. Zum einen werden modellsimulierte Werte nach IS92a- Szenario herangezogen, zum anderen solche nach jüngstem SRESB2-Szenario. Aus beiden verwendeten Szenarienrechnungen gehen im Allgemeinen gleichförmige Tendenzen bei der Entwicklung der Niederschlagssummen im Mittelmeerraum unter anthropogener Verstärkung des Treibhauseffektes im 21. Jahrhundert hervor. Unter Verwendung von Prädiktorenwerten des Hamburger Klimamodells ECHAM4 nach SRESB2-Szenario (großskalige Einflussgrößen: 1000hPa-/500hPa-geopotentielle Höhen und 1000hPa-spezifische Feuchte) ergibt sich für den westlichen und nördlichen Mittelmeerraum bei einer anthropogenen Verstärkung des Treibhauseffektes eine Verkürzung mit gleichzeitiger Intensitätszunahme der "feuchten" Jahreszeit. Dies äußert sich darin, dass im Winter in diesen Regionen Niederschlagszunahmen im Zeitraum 2071-2100 im Vergleich zu 1990-2019 abgeschätzt werden, während im Herbst und Frühjahr Niederschlagsrückgänge überwiegen. In den östlichen und südlichen Teilen des Mittelmeerraumes zeigen sich hingegen für die Monate Oktober bis Mai fast ausschließlich negative Niederschlagstendenzen unter Bedingungen eines anthropogen verstärkten Treibhauseffektes. Für die Temperatur wird unter Verwendung von Modellwerten der großskaligen Einflussgrößen 1000hPa-/500hPa-geopotentielle Höhen unter SRESB2-Szenariobedingungen ein Temperaturanstieg im gesamten Mittelmeerraum für alle untersuchten Monate (Oktober bis Mai) im Zeitraum 2071 bis 2100 im Vergleich zum Abschnitt 1990-2019 abgeschätzt. Die Erhöhung ist im Herbst und zu Beginn des Frühjahrs insgesamt am stärksten ausgeprägt. / Mediterranean precipitation and temperature are assessed for the 21st century under enhanced greenhouse warming conditions by means of statistical downscaling from simulated large- scale predictor fields of 1000hPa-/500hPa- geopotential heights, 1000hPa- specific humidity and sea surface temperatures of the North Atlantic and the Mediterranean. Based on highly resolved gridded data covering the Mediterranean area homogeneously (CRU05 dataset, Climatic Research Unit in Norwich), precipitation and temperature regions are derived by s-mode principal component analyses (PCA). Resulting time series of the regional centres of variation reveal different precipitation and temperature conditions in the various Mediterranean regions for the period 1948-1998. As large-scale predictors 1000hPa-/500hPa-geopotential heights, as well as 1000hPa-specific humidity grids are selected from the NCEP/NCAR-reanalysis project (National Centers for Environmental Prediction/ National Center for Atmospheric Research). Sea surface temperatures of the North Atlantic and of the Mediterranean operate as oceanic predictors. S-mode PCA is also applied to the different predictor fields to remove linear dependencies between variables and to reduce the dimensions of the data. In a next step precipitation/temperature time series of the regional centres of variation for October to May 1948-1998 are linked to the large-scale atmospheric and oceanic circulation in the same period. Canonical correlation analysis and multiple regression analysis are used to establish predictor- predictand- relationships in different calibration periods. Independant periods of time are used to verify the quality of the statistical models. The different quality of the models in the verification periods is used to select the best-performing models for the assessment of future precipitation and temperature. Thereby it is revealed that for Mediterranean precipitation the best performance is achieved with the predictor combination 1000hPa-/500hPa- geopotential heights and specific humidity, whereas Mediterranean temperature shows the strongest connection to the 1000hPa-/500hPa-geopotential heights. The established statistical relationships are subsequently used to predict the response of future precipitation and temperature in the Mediterranean region from climate model changes of the large- scale circulation, humidity, and sea surface temperature anomalies. Considerable differences appear, depending on statistical methods and types of predictors used. Thus the additional inclusion of model-simulated specific humidity values into the predictor fields can result in a substantially modified progression of future precipitation amounts. Model results based on two different IPCC- (Intergovernmental Panel on Climate Change) emission scenarios are used for the conditional assessment of Medi-terranean climate changes in the 21st century. On the one hand model-simulated values according to the IS92a- scenario are used, on the other hand latest SRESB2- scenario values. Both scenario computations yield uniform tendencies of future precipitation amounts in the Mediterranean under increased greenhouse warming conditions. Using ECHAM4- model data according to the SRESB2- scenario (large-scale predictors: 1000hPa-/500hPa-geopotential heights and 1000hPa-specific humidity), a shortening and at the same time an intensity increase of the wet season arises for the western and northern Mediterranean regions. Thus the models predict precipitation increases in winter for the period 2071-2100 compared to 1990-2019, whereas precipitation decreases dominate in fall and spring. The eastern and southern parts of the Mediterranean exhibit mainly negative precipitation tendencies from October to May under enhanced greenhouse warming conditions. Mediterranean temperature shows an increase for the whole Mediterranean area in all analysed months from October to May for the period 2071-2100 compared to 1990-2019 under SRESB2- scenario conditions. Overall the temperature rise is most pronounced during fall and at the beginning of spring.
|
15 |
Discrete-continuous downscaling model for generating daily precipitation time seriesYang, Wei. January 2008 (has links)
Zugl.: Stuttgart, Univ., Diss., 2007.
|
16 |
Aspects of daily rainfall climate relevant to soil erosion in Kenya summary /Bärring, Lars. January 1988 (has links)
Thesis--University of Lund, Sweden, 1988. / Cover title. Includes bibliographical references (p. 11-12).
|
17 |
Rückkopplungen und Rückwirkungen in der hydrologischen Modellierung am Beispiel von kontinuierlichen Niederschlag-Abfluß-Simulationen und HochwasservorhersagenMessal, Hilmar E. E. Unknown Date (has links)
Techn. Universiẗat, Diss., 2000--Berlin.
|
18 |
Variabilität physikalischer und chemischer Parameter des Aerosols in der antarktischen TroposphärePiel, Claudia. Unknown Date (has links) (PDF)
Universiẗat, Diss., 2003--Bremen.
|
19 |
Geotechnische Eigenschaften von Moränen /Teysseire, Philipp. January 2007 (has links)
Zugleich: Diss. Nr. 16322 techn. Wiss. ETH Zürich. / Literaturverz.
|
20 |
On the influence of the geostrophic wind direction on the atmospheric response to landuse changesMölders, Nicole 08 November 2016 (has links) (PDF)
Simulations alternatively assuming a landscape with and without urbanization plus open-cast mining were performed with a non-hydrostatic model. lt is examined whether the atmospheric response to landuse changes is sensitive to the direction of the geostrophic wind. The results of simulations with the same geostrophic wind direction show that except for the cloud and precipitating particles the daily domain-averages of the variables of state hardly differ for the
different landscapes. Nevertheless, the local weather may be affected appreciably over and downwind of the altered surfaces. The significant differences in the cloud and precipitating particles, however, are not bound to the environs of the landuse changes. Generally, the most significant differences occur for the cloud and precipitation particles, the soil wetness factors and the vertical component of the wind vector. The latter changes strongly influence the cloud and precipitation formation by the interaction cloud microphysics-dynamics. The results also indicate that for most of the quantities the local magnitude of the atmospheric response changes for the various directions of the geostrophic wind. However, the differences of the domain-averaged 24h-accumulated evapotranspiration are similar for all geostrophic wind
directions. / Um zu untersuchen, ob die atmosphärische Antwort auf Landnutzungsänderungen sensitiv zur Richtung des geostrophischen Windes ist, wurden Simulationen durchgeführt, bei denen alternativ eine Landschaft mit und ohne Urbanisierung plus Tagebauten angenommen wurde. Die Simulationsergebnisse zeigen, daß - außer für Wolken- und Niederschlagspartikel - die täglichen Gebietsmittelwerte der Zustandsvariablen sich kaum für die beiden Landschaften unterscheiden. Trotzdem kann das lokale Wetter merklich über und im Lee der Oberflächen mit veränderter Landnutzung beeinflußt werden. Die signifikanten Differenzen in den Wolken- und Niederschlagspartikeln sind jedoch nicht an die unmittelbare Nähe der Landnutzungsänderungen gebunden. Generell treten die signifikanten Unterschiede bei den Wolkenund Niederschlagspartikeln, der Bodenfeuchte und der Vertikalkomponente des Windvektors auf. Letztere beeinflussen stark die Wolken- und Niederschlagsbildung durch die Wechselwirkung Wolkenmikrophysik-Dynamik. Die Ergebnisse zeigen außerdem, daß lokal der Grad der atmosphärischen Reaktion für die meisten Größen bei unterschiedlicher Richtung des geostrophischen Windes anders ausfällt. Die Differenzen der Gebietsmittelwerte der 24h-akkumulierten Evapotranspiration gleichen sich jedoch für alle Richtungen des geostrophischen Windes.
|
Page generated in 0.0516 seconds