i-0a43bb0f40aada08e9836291c8a3fe12-raureif-thumb-150x112.jpg

Langfristprognosen gehören ja derzeit immer noch zu etwas, das man als höchst experimentell bezeichnen kann. Die Trefferquoten hielten sich bis dato sehr in Grenzen. Jetzt wurde ein neues Langfristmodell vorgestellt, das im Herbst zumindest den Winter-Trend prognostizieren könnte – die ersten Verifikationen sehen vielversprechend aus.

Das Modell stammt von einem privaten meteorologischen Service aus den USA, genannt Atmospheric and Environmental Research oder kurz AER des Meteorologen Judah Cohen und seinen Kollegen.

Deren Modell sCast benötigt als Eingabegröße die Schneebedeckung Sibiriens im Oktober. Das dahinter steckende Prinzip ist dabei tatsächlich gut nachvollziehbar:

Bei überdurschnittlich viel Schnee sammelt sich kältere Luft am Boden, ein kräftiges Bodenhoch entsteht. Dieses Hoch dient dann als Barriere für den Jetstream, ein Starkwindband an der Grenze der unterschiedlichen Luftmassen. Der Jetstream wird gezwungen, in größeren Schlangenlinien um die Erde zu kreisen, er mäandriert stärker.

Dadurch wird auch die höhere Atmosphäre, die Stratosphäre, in Schwingungen versetzt. Nach etwa drei Monaten gibt es dann starke Warmluftvorstöße in der oberen Atmosphäre, welche wiederum den so genannten Polarwirbel stört.

Als Folge wird im Januar des darauffolgenden Jahres eine atmosphärische Strömung entstehen, die Kaltluftvorstöße bis weit nach Süden begünstigt, sowohl in den USA als auch in Europa. Eine ähnliche Situation durften wir im Winter 2008/2009 erleben.

Daraus folgt: Wenn im Oktober in Sibiren mehr Schnee als üblich liegt, so ist die Wahrscheinlichkeit für einen langen Winter auch in Europa und den USA größer.

Die Erfolge von sCast sind dabei wirklich überdurchschnittlich im Vergleich zu anderen Langfristmodellen. Die Trefferquote für monatliche Mittelwerte liegt bei ca. 70%. sCast hat sieben Winter bis dato gut prognostiziert und hat auch 33 Winter in der Vergangenheit sehr gut reproduzieren können. 

Mehr Details hierzu findet man bei Jens Christian Heuer.

Kommentare (11)

  1. #1 Jörg Friedrich
    August 7, 2009

    Das Erstaunliche daran ist, dass das ja ein ganz anderer Modelltyp zu sein scheint als die Wetter- und die Klimamodelle?!

  2. #2 Frank Abel
    August 7, 2009

    Ja, erstaunlich und vielleicht auch wichtig, dass man bei Langfristmodellen nicht die alten Wege geht. Die Performance war bisher eher suboptimal, wie man als Meteorologe sicherlich weiß.

  3. #3 Krishna Gans
    August 7, 2009

    Wie kann sich die momentane Kälteanomalie des Nordatlantiks störend auf die Prognosen auswirken ?

  4. #4 Geoman
    August 7, 2009

    @Frank Abel

    Sollte man statt “alten Wege” nicht besser die seit einigen Jahren “neuen Wege” schreiben.

  5. #5 Jörg
    August 8, 2009

    Mit 2 Minuten googlen findet man

    http://www.aer.com/news/pr/2007/2007-08-21-sCast.html

    Unlike other seasonal forecasts, sCast uses a unique initialization scheme as input to its climate model. Our input is a combination of El Niño temperature trends in addition to snow cover from remote parts of the world and the North Atlantic Oscillation and Arctic Oscillation patterns.

    Es ist eine andere INITIALISIERUNG eines Klimamodells.

    Das Erstaunliche daran ist, dass das ja ein ganz anderer Modelltyp zu sein scheint als die Wetter- und die Klimamodelle?!

    Soviel dazu.

  6. #6 Jörg Friedrich
    August 8, 2009

    @Jörg: Sowohl Wetter-Vorhersage-Modelle als auch Klimamodelle sind dynamische Modelle der allgemeinen Zirkulation, die auf den Bewegungsgleichungen beruhen. Im Falle von sCast scheint es sich aber um ein statistisches Modell zu handeln.

    Es gibt natürlich noch andere statistische Modelle, z.B. solche, die auf dem ENSO-Mechanismus aufsetzen, aber mein Erstaunen kam daher dass ich bisher vermutet hatte, dass statistische Modelle zur Vorhersage gegen dynamische (Ensemble-) Modelle eigentlich inzwischen Chancenlos seien, da wie gesagt sowohl im Kurzfrist-bereich als auch im Bereich Klimamodellierung meines Wissens inzwischen nur noch dynamische allgemeine Zirkulationsmodelle (GCM) verwendet werden.

    Insofern hat Geoman auch recht. Die statistischen Modelle sind ja eigentlich die “alten” und die dynamischen sind die “neuen” Modelle.

  7. #7 Jörg Friedrich
    August 8, 2009

    Ich muss zugeben, dass mich das jetzt etwas mehr als zwei Minuten googlen gekostet hat, aber hier ist der entscheidende Artikel von Cohen und Fletcher zum sCast-Modell der erläutert, dass es sich um ein statistisches Modell und nicht um ein dynamisches GCM handelt. Die Autoren erläutern auch warum sie optimistisch sind, dass statistische Modelle für die saisonale Prognose besser sein werden als dynamische.

    Manchmal loht es sich eben, mehr als zwei Minuten zu googlen. Danke @Jörg für die Herausforderung.

  8. #8 Jörg
    August 9, 2009

    Ich hab den Artikel nur überflogen bisher, es sieht tatsächlich nach mehr aus als ich angenommen habe. Aber ich muss es erst ganz lesen, wenn ich morgen wieder einen Drucker habe, denn ich verstehe immer noch nicht wie man aus einem einfachen statistischen Index dann zu den komplexen Verteilungen auf den Karten kommt.

  9. #9 Jörg
    August 10, 2009

    Puh das ist nicht einfach. Soweit ich verstehe, benutzt der 2007er Artikel sCast als statistische Vorhersage. Aber ich hab nicht genau verstanden was vorhergesagt wird und wie dabei Verteilungen herauskommen. Trotzdem spannend.

    Im aktuellen Artikel aber
    http://web.mit.edu/jlcohen/www/papers/Fletcheretal2009.pdf
    wird ein dynamisches Modell verwendet um zu studieren warum das funktioniert.

  10. #10 Jörg Friedrich
    August 10, 2009

    Die Tatsache, dass das statistische Modell vom dynamischen getestet wird, ist für mich im Moment auch das Unklare: Wenn ich das statistische Modell mit dem dynamischen testen kann, dan kann ich doch gleich das dynamische Modell zur Prognose nehmen, würde ich intuitiv vermuten.

    Beim statistischen Modell werden Veteilungen miteinander korreliert. In einem vergleichenden Übersichtsartikel schreiben Jeffrey Anderson et al.

    Canonical correlation analysis
    CCA is a multivariate regression that linearly relates selected historically observed predictor field patterns to observed predictand field patterns.

  11. #11 meteoralf
    September 11, 2009

    Nimmt man aus der Nordhemisphäre ein Gebiet heraus, kann man Regelmäßigkeiten im Wetterlagenablauf finden. Solche zu verifizieren, funktioniert aber wiederum kaum anders als über meteorologische Daten.
    Datensätze benötigen aufgrund einer Schwankungsbreite der Wetterlagen einen Mindestzeitraum. Die so entstehenden Spannen kann man mit “Witterungsphasen” bezeichnen. Anfang 2010 etwa steht eine solche ins Haus, für die – in Abhängigkeit der Sonnenfleckenentwicklung – die thermischen, hygrischen und solaren Trends festzustehen scheinen. Die genannte Einschränkung aber könnte diesmal dafür sorgen, dass sämtliche Vorhersagen dieser Art bei sich intensivierender SF-Zahl nicht mehr gültig sein könnten – nicht nur in Mitteleuropa. Ergo: Die Sonne (bzw. die Entwicklung ihrer Fleckenzahl) entscheidet wahrscheinlich, wie der Winter – nicht nur bei uns – wird…

Über Frank Abel auf Google+