LAETITIA

Verbesserte LAI-Schätzung für Wettervorhersagen.

Kurzbeschreibung

Ausgangssituation / Motivation

Die Vegetation spielt in der Wettervorhersage eine relevante Rolle, da die räumlich und zeitlich stark variierenden Vegetationseigenschaften und –charakteristika einen signifikanten Einfluss auf den Energie- und Wasserhaushalt des Bodens und der bodennahen Atmosphäre respektive Grenzschicht haben. Bisher wird diese wichtige Rolle in Wettermodellen nur unzureichend berücksichtigt.

Gründe dafür liegen zum einen in der limitierten Rechenkapazität, zum anderen in der mangelnden Verfügbarkeit von verlässlichen Beobachtungsdaten der Vegetation und der Landbedeckung. Daher ist es immer noch üblich, in Wettermodellen klimatologische LAI–Daten und grob aufgelöste globale Landbedeckungsdaten zu verwenden. Die Verwendung von LAI-Klimatologien mag für Globalmodelle auf Grund des groben Gitters noch vertretbar sein.

Speziell bei konvektionsauflösenden Modellen mit Gitterdistanzen im niedrigen km-Bereich ist dieser Ansatz jedoch unzureichend und führt zu sub-optimalen Vorhersagen kleinskaliger Phänomene, speziell in topographisch komplexem Gelände.

Inhalte und Zielsetzungen

Im vorgeschlagenen Projekt wird dieser Mangel durch einen innovativen Ansatz behoben und die erzielbaren Verbesserungen werden quantifiziert. Insbesondere sollen Copernicus-Daten der Sentinel-2 Satelliten mittels physikalisch basierter Strahlungstransfermodelle analysiert werden, um aus den 10 Spektralbändern räumlich und zeitlich kontinuierliche LAI Zeitreihen in nahe Echtzeit abzuleiten.

Methodische Vorgehensweise

Diese LAI Daten stehen dann für die Assimilation mittels (simplified) Extended Kalman Filter in einem physikalischen Bodenmodell mit hoher räumlicher Auflösung zur Verfügung. Um diese hohe Auflösung sowie vorhandene Landbedeckungsdaten, die zu einem Großteil auf Sentinel-2-Daten basieren (CORINE, LISA), im Bodenmodell optimal nutzen zu können, soll dieses vom Atmosphärenmodell entkoppelt in sehr hoher Auflösung (< 1 km) gerechnet werden, um bestmögliche Analysen von Bodenparametern und dem Vegetationszustand zu liefern.

Dieser Ansatz ist, auch international gesehen, neu. Diese Bodenanalysen besitzen bereits für sich alleine einen hohen Wert, durch eine innovative Koppelung mit dem konvektionsauflösenden Atmosphärenmodell AROME soll darüber hinaus jedoch noch ein zusätzlicher Mehrwert geschaffen werden, indem die Wettervorhersage verbessert werden soll.

Ob der erwartete positive Einfluss der LAI-Assimilation auf die Vorhersage von bodennahen Parametern im Wettermodell tatsächlich eintritt, wird anhand von meteorologischen Messwerten quantifiziert. Eine Untersuchung dieser Art wurde bisher weder in Österreich noch im internationalen Umfeld durchgeführt.

Erwartete Ergebnisse

Das vorgeschlagene Projekt verfolgt damit mehrere Ziele. Auf der Beobachtungsseite ist dies die Verbesserung der Qualität von LAI-Werten, die auf Sentinel-2-Daten basieren. Bei der Ableitung des LAIs in hoher räumlicher und zeitlicher Auflösung kommen physikalisch-basierte Strahlungstransfermodelle zum Einsatz.

Diese Modelle haben gegenüber empirischen Verfahren den Vorteil, sehr robust zu sein, und darüber hinaus keine lokalen in-situ Daten zur Kalibrierung zu benötigen. Damit ist eine großflächige – globale – Anwendbarkeit sichergestellt. Auf Modellseite ist es vorwiegend die bessere Beschreibung von Vegetation und die damit einhergehenden Austauschprozesse zwischen Boden und Grenzschicht. Durch die in LAETITIA vorgeschlagene Datenassimilation sollen dabei bekannte Schwächen in der Modellprognose des LAI korrigiert werden.

Als Ergebnis stehen zu Projektende verbesserte Bodenanalysen und Wetterprognosen für weitere Anwendungen zur Verfügung, wobei die Quantifizierung der Verbesserung belastbare Aussagen für eine spätere operationelle Umsetzung erbringen wird.

Projektbeteiligte

Projektleitung

Zentralanstalt für Meteorologie und Geodynamik (ZAMG)

 

Kontaktadresse

Zentralanstalt für Meteorologie und Geodynamik (ZAMG)
Hohe Warte 38
A-1190 Wien
Web: www.zamg.ac.at