Suchergebnisse

Landwirtschaftliche Dürren führen zu hohen sozialen und wirtschaftlichen Schäden. Die Auswirkungen dieser Extremereignisse können mit der Hilfe von einem saisonalen Vorhersagesystem, welches Dürren mehrere Monate im Voraus prognostiziert, abgeschwächt werden. Das Vorhersagesystem, welches in dieser Arbeit entwickelt wird, basiert auf meteorologischen Prognosen des nordamerikanischen Multi-Modell Ensembles (NMME), die verwendet werden um das mesoskalige Hydrologische Modell (mHM) anzutreiben. Ein neu entwickeltes stochastisches Verfahren wird benutzt um die monatlichen Niederschlagsvorhersagen des NMME Datensatzes in tägliche zu disaggregieren. Dieses Verfahren erhält die räumliche Kovarianz von Niederschlag durch das neu vorgestellte "Anchor"-Sampling auf beliebig großen Gittern. Die erhaltenen Prognosen werden mit denen des Ensemble Streamflow Prediction (ESP) Ansatzes verglichen. Der Bewertungszeitraum reicht von 1983 bis 2009. Das Simulationsgebiet umfaßt große Teile Kontinentaleuropas. Die auf dem NMME basierenden Prognoses zeigen bei einer sechsmonatigen Vorhersagezeit eine 69% höhere Vorhersagegüte auf als die des ESP Ansatzes. Dabei gibt es eine substantielle räumliche und zeitliche Variabilität von bis zu 40%. Ein Standardansatz in der Dürrevorhersage ist es entweder die Prognosen der einzelnen Modelle oder die des gesamten Ensemblemittels auszuwerten. Das gesamte Ensemblemittel zeigte eine höhere Güte als jedes Einzelmodell. Die Vorhersagegüte eines Subensembles (eine Subgruppe von Modellen), welches vom neu entwickeltem Rückwärtseliminiatiosalgorithmus effizient gefunden wurde, ist jedoch nur 1% geringer. Die Anzahl der Modellläufe dieses Subensembles beträgt jedoch nur 60% der des gesamten Ensembles. Die in dieser Arbeit vorgestellten Methoden zur Identifizierung von Subensembles und zur zeitlichen Disaggregierung von Niederschlag sind nicht auf die hier betrachtete Anwendung beschränkt und können auch auf andere Anwendungen übertragen werden.

Abstract. Crop models routinely use meteorological variations to estimate crop yield. Soil moisture, however, is the primary source of water for plant growth. The aim of this study is to investigate the intraseasonal predictability of soil moisture to estimate silage maize yield in Germany. We also evaluate how approaches considering soil moisture perform compare to those using only meteorological variables. Silage maize is one of the most widely cultivated crops in Germany because it is used as a main biomass supplier for energy production in the course of the German Energiewende (energy transition). Reduced form fixed effect panel models are employed to investigate the relationships in this study. These models are estimated for each month of the growing season to gain insights into the time-varying effects of soil moisture and meteorological variables. Temperature, precipitation, and potential evapotranspiration are used as meteorological variables. Soil moisture is transformed into anomalies which provide a measure for the interannual variation within each month. The main result of this study is that soil moisture anomalies have predictive skills which vary in magnitude and direction depending on the month. For instance, dry soil moisture anomalies in August and September reduce silage maize yield more than 10 %, other factors being equal. In contrast, dry anomalies in May increase crop yield up to 7 % because absolute soil water content is higher in May compared to August due to its seasonality. With respect to the meteorological terms, models using both temperature and precipitation have higher predictability than models using only one meteorological variable. Also, models employing only temperature exhibit elevated effects.

ZusammenfassungDas Schätzen von räumlich verteilten Parametern hydrologischer Modelle ist ein bereits lang erforschtes und anspruchsvolles Problem. Parameter-Transferfunktionen, die einen funktionellen Zusammenhang zwischen Modellparametern und geophysikalischen Gebietseigenschaften herstellen, sind eine potenzielle Möglichkeit, Parameter ohne Kalibrierung zu schätzen. Function Space Optimization (FSO) ist eine symbolische Regressionsmethode, die automatisiert Transferfunktionen aus Daten schätzen kann. Sie basiert auf einem textgenerierenden neuronalen Netzwerk, das die Suche nach einer optimalen Funktion in ein kontinuierliches Optimierungsproblem umwandelt.In diesem Beitrag beschreiben wir die Funktionsweise von FSO und geben ein Beispiel der Anwendung mit dem mesoscale Hydrological Model (mHM). Ziel der Anwendung ist die Schätzung zweier Transferfunktionen für die Parameter KSat (gesättigte hydraulische Leitfähigkeit) und FieldCap (Feldkapazität). Dafür verwenden wir Daten 7 großer deutscher Einzugsgebieten über einen Zeitraum von 5 Jahren zum Schätzen der Transferfunktionen und weiterer numerischer Parameter. Die resultierenden Funktionen und Parameter werden ohne weitere Kalibrierung auf 222 Validierungsgebiete über eine Validierungsperiode von 35 Jahren angewendet. Mit der Anwendung in diesen "unbeobachteten" Gebieten können wir die Übertragbarkeit und die zumindest regionale Gültigkeit der Transferfunktionen überprüfen.Die Ergebnisse zeigen, dass bei einer Anwendung in unbeobachteten Gebieten die Modellgüte in einem ähnlichen Wertebereich wie in den Trainingsgebieten liegt und somit weiterhin akzeptabel ist. Die Nash-Sutcliffe Efficiency (NSE) in den Trainingsgebieten über den Validierungszeitraum unterscheidet sich mit einem medianen Wert von 0,73 nicht nennenswert von dem der Validierungsgebiete mit einem medianen NSE von 0,65.Zusammengefasst haben Transferfunktionen das Potenzial, die Vorhersagefähigkeiten, Übertragbarkeit auf andere Gebiete sowie physikalische Interpretierbarkeit bestehender hydrologischer Modelle zu verbessern. Mit FSO wurde zum ersten Mal eine objektive, datengetriebene Methode entwickelt, mit der Transferfunktionen geschätzt werden können.