zum Inhalt springen

Zielsetzungen chemischer Datenassimilation

Messungen von Satelliten und Feldkampagnen, numerische Modelle und klimatologisches Wissen durch statistische Daten: Um unser Verständnis der Atmosphäre zu verbessern gibt es viele Möglichkeiten, jede mit einem eigenen Schwerpunkt. Alle Informationsquellen beinhalten bestimmte Vor- und Nachteile. Ist es möglich diese so zu kombinieren, dass wir einen probabilistisch besten Zustand der Atmposhpäre und dessen zeitlicher Entwicklung bekommen? Können wir die Fehler bzw. Unvollständigkeit unserer Informationen quantifizieren

Datenassimilation und inverse Modellierung benutzen drei Informationsquellen um diese Fragen zu beantworten:

  1. "A priori" Wissen über den Zustand der Atmosphäre, auch "first guess" oder "background" Wissen genannt. Dieses kann z.B durch die Klimatologie, den Jahreszeiten- oder Tagesgang von Spurengasen oder eine vorhergehende Prognose gegeben sein.

  2. Modellgleichungen, welche physikalisches Wissen der Entwicklung der Atmosphäre beinhalten.

  3. Messungen, die von verschiedenen Instrumenten bereitgestellt werden können und räumlich und zeitlich unregelmäßig auftreten können.

Werden diese Informationsquellen mathematisch korrekt zusammengeführt, erhalten wir eine Beschreibung des atmosphärischen Zustands mit einem geringeren Fehler im Vergleich zu den individuellen Informationsquellen.

Es gibt gegenwärtig zwei Methoden um den "besten erwartungstreuen Schätzer" ('Best Linear Unbiased Estimate' (BLUE)) zu erhalten: 4-dimensionale variationelle Datenassimilation (4D-Var) und den Kalman-Filter bzw. -Glätter. Der Kalman-Filter kann in der Praxis nur mit stark eingeschränkter Komplexizität umgesetzt werden. Das RIU/EURAD benutzt die 4D-Var Methode. Dieser Ansatz erfordert die Entwicklung des adjungierten Programms zu dem Vorwärtsmodell. Somit kann eine glatte Modelltrajektorie bestimmt werden, welche den erwartungstreuen Schätzer (BLUE) liefert. Als Voraussetzung müssen geeignete Fehlerkovarianzen bereitgestellt werden. Folglich ermöglicht 4D-Var eine "a posteriori" Auswertung der Analyse.

Fortschrittliche Algorithmen zur Raum-Zeit-Datenassimilation erfordern einen besonderen Entwicklungsaufwand und hohe Rechenkapazität. Jedoch lassen sich enorme Profite durch eine detailliertere Darstellung des unvollständig beobachteten Atmosphärenzustands erzielen.

Kontaktperson: Hendrik Elbern (Mitarbeiter)