Die Netzwerktheorie ist eine wirksame Methode, um die Struktur realer Systeme, z.B. des Klimasystems, zu beschreiben und zu klassifizieren. Der erste Teil dieser Arbeit nutzt diese Diskriminanzfähigkeit um die Ost- und Zentralpazifischen Phasen von El Niño und La Niña mittels eines Index basierend auf der Evaluation zeitlich entwickelnder Klimanetzwerke zu unterscheiden. Nach dem Studium der klimatischen Einflüsse dieser unterschiedenen Phasen verlegt die Arbeit ihren Schwerpunkt von der Klassifikation einzelner klimatischer Schichten auf den generelleren Fall interagierender Netzwerke. Hier repräsentieren die Teilnetzwerke entsprechende Variabilitäten in Ozean und Atmosphäre. Es zeigt sich, dass die Ozean-Atmosphären-Wechselwirkung einer hierarchischen Struktur folgt wobei makroskopische Netzwerkmaße einzelne Atmosphärenschichten bezüglich ihrer Wechselwirkung mit dem Ozean unterscheiden. Der zweite Teil dieser Arbeit untersucht den Einfluss der räumlichen Einbettung von Knoten auf topologische Netzwerkeigenschaften. Hierzu werden Nullmodelle eingeführt, welche zufällige Surrogate eines gegebenen Netzwerks erzeugen, sodass globale und lokale räumliche Eigenschaften erhalten bleiben. Diese Modelle erfassen die makroskopischen Eigenschaften der studierten Netzwerke besser als bisherige Standardmodelle zur Erzeugung von Zufallsnetzwerken. Abhängig von der Performanz der vorgeschlagenen Modelle können gegebene Netzwerke schlussendlich in verschiedene Klassen eingeteilt werden. Die Arbeit schließt mit einer Erweiterung der bisherigen Netzwerkklassifikatoren um eine zweidimensionale Metrik, welche Netzwerke auf Basis ihrer Komplexität unterscheidet. Es wird gezeigt, dass Netzwerke des gleichen Typs dazu neigen in individuellen Bereichen der resultierenden Komplexitäts-Entropie-Ebene zu liegen. Die eingeführte Methode ermöglicht auch die objektive Konstruktion von Klimanetzwerken indem Schwellwerte gewählt werden, die die statistische Komplexität maximieren. / Complex network theory provides a powerful tool to quantify and classify the structure of many real-world complex systems, including the climate system. In its first part, this work demonstrates the discriminative power of complex network theory to objectively classify Eastern and Central Pacific phases of El Niño and La Niña by proposing an index based on evolving climate networks. After an investigation of the climatic impacts of these discriminated flavors, this work moves from the classification of sets of single-layer networks to the more general study of interacting networks. Here, subnetworks represent oceanic and atmospheric variability. It is revealed that the ocean-to-atmosphere interaction in the Northern hemisphere follows a hierarchical structure and macroscopic network characteristics discriminate well different parts of the atmosphere with respect to their interaction with the ocean. The second part of this work assesses the effect of the nodes’ spatial embedding on the networks’ topological characteristics. A hierarchy of null models is proposed which generate random surrogates from a given network such that global and local statistics associated with the spatial embedding are preserved. The proposed models capture macroscopic properties of the studied spatial networks much better than standard random network models. Depending on the models’ actual performance networks can ultimately be categorized into different classes. This thesis closes with extending the zoo of network classifiers by a two-fold metric to discriminate different classes of networks based on assessing their complexity. Within this framework networks of the same category tend to cluster in distinct areas of the complexity-entropy plane. The proposed framework further allows to objectively construct climate networks such that the statistical network complexity is maximized.

Diese Dissertation beschäftigt sich mit regionaler Klimamodellierung über Südamerika, der Analyse von Modellsensitivitäten bezüglich Wolkenparametrisierungen und der Entwicklung neuer Methoden zur Modellevaluierung mithilfe von Klimanetzwerken. Im ersten Teil untersuchen wir Simulationen mit dem COnsortium for Small scale MOdeling model in CLimate Mode (COSMO-CLM) und stellen die erste umfassende Evaluierung dieses dynamischen regionalen Klimamodells über Südamerika vor. Dabei untersuchen wir insbesondere die Abhängigkeit simulierter tropischer Niederschläge von Parametrisierungen subgitterskaliger cumuliformer und stratiformer Wolken und finden starke Sensitivitäten bezüglich beider Wolkenparametrisierungen über Land. Durch einen simultanen Austausch der entsprechenden Schemata gelingt uns eine beträchtliche Reduzierung von Fehlern in klimatologischen Niederschlags- und Strahlungsmitteln, die das COSMO-CLM über tropischen Regionen für lange Zeit charakterisierten. Im zweiten Teil führen wir neue Metriken für die Evaluierung von Klimamodellen bezüglich räumlicher Kovariabilitäten ein. Im Kern bestehen diese Metriken aus Unähnlichkeitsmaßen für den Vergleich von simulierten mit beobachteten Klimanetzwerken. Wir entwickeln lokale und globale Unähnlichkeitsmaße zum Zwecke der Darstellung lokaler Unähnlichkeiten in Form von Fehlerkarten sowie der Rangordnung von Modellen durch Zusammenfassung lokaler zu globalen Unähnlichkeiten. Die neuen Maße werden dann für eine vergleichende Evaluierung regionaler Klimasimulationen mit COSMO-CLM und dem Statistical Analogue Resampling Scheme über Südamerika verwendet. Dabei vergleichen wir die sich ergebenden Modellrangfolgen mit solchen basierend auf mittleren quadratischen Abweichungen klimatologischer Mittelwerte und Varianzen und untersuchen die Abhängigkeit dieser Rangfolgen von der betrachteten Jahreszeit, Variable, dem verwendeten Referenzdatensatz und Klimanetzwerktyp. / This dissertation is about regional climate modeling over South America, the analysis of model sensitivities to cloud parameterizations, and the development of novel model evaluation techniques based on climate networks. In the first part we examine simulations with the COnsortium for Small scale MOdeling weather prediction model in CLimate Mode (COSMO-CLM) and provide the first thorough evaluation of this dynamical regional climate model over South America. We focus our analysis on the sensitivity of simulated tropical precipitation to the parameterizations of subgrid-scale cumuliform and stratiform clouds. It is shown that COSMO-CLM is strongly sensitive to both cloud parameterizations over tropical land. Using nondefault cumulus and stratus parameterization schemes we are able to considerably reduce long-standing precipitation and radiation biases that have plagued COSMO-CLM across tropical domains. In the second part we introduce new performance metrics for climate model evaluation with respect to spatial covariabilities. In essence, these metrics consist of dissimilarity measures for climate networks constructed from simulations and observations. We develop both local and global dissimilarity measures to facilitate the depiction of local dissimilarities in the form of bias maps as well as the aggregation of those local to global dissimilarities for the purposes of climate model intercomparison and ranking. The new measures are then applied for a comparative evaluation of regional climate simulations with COSMO-CLM and the STatistical Analogue Resampling Scheme (STARS) over South America. We compare model rankings obtained with our new performance metrics to those obtained with conventional root-mean-square errors of climatological mean values and variances, and analyze how these rankings depend on season, variable, reference data set, and climate network type.