Statistical forecasting of synoptic-scale rainfall in tropical Africa

Niederschlagsvorhersagen über dem tropischen Afrika basierend auf numerischen Modellen erreichen selten eine höhere Güte als einfachere klimatologische Vorhersagen. Die Grenzen der heutigen numerischen Wettervorhersagemodelle (NWP) bei der Auflösung kleinräumiger Konvektionsprozesse und die geringere intrinsische Vorhersagbarkeit in tropischen Gebieten sind wesentliche Gründe dafür. Aktuelle Forschungsergebnisse deuten jedoch darauf hin, dass datengestützte Vorhersagen, die sich ausschließlich auf räumlich-zeitliche Abhängigkeiten stützen, ein Potenzial für eine verbesserte Vorhersag-barkeit von Niederschlägen auf synoptischer Ebene über dem tropischen Afrika aufweisen. Ein weiterer Vorteil sind die geringeren Rechenkosten, die mit der Erstellung statistischer Modelle für solche Vorhersagen verbunden sind. Das Hauptziel dieser Dissertation besteht darin, tägliche Niederschlagsvorhersagen mit statistischen Modellen zu entwickeln, die ausschließlich mittels Vorhersagevariablen aus Beobachtungsdatensätzen trainiert werden. Zunächst untersuchen wir das Potenzial für die Konstruktion eines statistischen Modells zur Vorhersage der Auftrittswahrscheinlichkeit von täglichem Niederschlag im tropischen Afrika unter Verwendung eines logistischen Regressionsmodells (Logistic). Wir wenden den neu entwickelten `Coefficient of Predictive Ability' (CPA) an, um Prädiktoren auf der Grundlage der Niederschlagsdaten der vorangegangenen drei Tage zu ermitteln. Das logistische Modell wird anhand der identifizierten Prädiktoren in einem "Leave-one-out"-Kreuzvalidierungsmodus trainiert, um die Robustheit der Ergebnisse zu verbessern. Die statistische Vorhersage wird mit einem klimatologie--basierten Benchmark, der operationellen Ensemble-Niederschlagsvorhersagen (ENS) des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF) und einer statistisch nachbearbeiteten Ensemble-Vorhersage verglichen. Alle Vorhersagen weisen innerhalb des tropischen Regengürtels eine geringe Güte auf, mit statistisch nicht-signifikanten Unterschieden im Brier Skill Score (BSS). Die logistische Vorhersage übertrifft jedoch die Benchmarks hauptsächlich an den Rändern des Regengürtels. Die CPA, zusammen mit dem neuartigen `coherent-linear-propagation factor' (coh) und meteorologischen Hilfsvariablen, zeigen, dass die hohe Stochastizität im Regengürtel die Vorhersagbarkeit einschränkt. Entlang der Ränder des Regengürtels nutzt das logistische Modell jedoch sich kohärent ausbreitende Niederschlagsmerkmale, die mit starken tropischen Wettersystemen wie den `African easterly waves' (AEWs) im Sommer der Nordhemisphäre verbunden sind. Zweitens, werden in dieser Studie die Auswirkungen der verschiedenen Phasen tropischer Wellen auf synoptisch-skalige Niederschläge untersucht. Die Studie untersucht auch den Einfluss der Phasen auf NWP- und statistische Niederschlagsvorhersagen. Die Analyse zeigt, dass schnell propagierende Wellen, wie die tropische Depressionen (TDs) und Kelvin-Wellen, den größten Einfluss auf die täglichen Niederschlagsanomalien über dem tropischen Afrika haben. Großräumige Wellen, wie die Madden-Julian-Oszillation (MJO) und die äquatorialen Rossby-Wellen (ER), zeigen zwar eine gewisse Modulation, aber mit fehlenden Wellenstrukturen im verbundenen Niederschlagsmuster. Die Phasen aller tropischen Wellen, mit Ausnahme der ostwärts propagierenden Trägheitsschwerewellen (EIG) haben einen erkennbaren Einfluss auf die Güte der ENS-Vorhersage. Allerdings ist der Einfluss bei der Vorhersage des Auftretens von Niederschlägen stärker ausgeprägt als bei der Schätzung der Niederschlagsmenge. Ein großer Nachteil des oben beschriebenen datengetriebenen Ansatzes besteht darin, dass er bei der Auswahl der Prädiktoren vollständig auf menschliches Fachwissen angewiesen ist. Vorhandenes Wissen über kohärente Wellenmerkmale wird nicht direkt einbezogen, insbesondere in Regionen, in denen mehrere Wellentypen aktiv sein können. Dies führt zu nichtlinearen Wechselwirkungen, die von der CPA möglicherweise nicht erkannt werden. Eine noch wichtigere Einschränkung ist jedoch das logistische Regressionsmodell, das lediglich die Wahrscheinlichkeit des Auftretens von Niederschlägen vorhersagen kann. Die Weiterentwicklung der statistischen Modelle soll diese beiden Mängel beheben. Um den ersten zu beheben, wurde ein Gradient-Boosting-Verfahren eingeführt, um die Auswahl der Prädiktoren teilweise zu automatisieren. Da das logistische Regressionsmodell auf binäre Ergebnisse beschränkt ist, wurden ein Gamma-Regressionsmodell und ein fortschrittlicheres Convolutional Neural Network (CNN) verwendet, um deterministische Vorhersagen der täglichen Niederschlagsmengen für sechs Stunden im Voraus zu erstellen. Das kürzlich entwickelte `Easy Uncertainty Quantification' (EasyUQ)-Tool wird verwendet, um diese deterministischen Vorhersagen in leicht zu kalibrierende probabilistische Vorhersagen umzuwandeln. Es werden Prädiktoren auf der Grundlage von sieben konvektiv gekoppelten tropischen Wellen identifiziert, um die statistischen Modelle in einem "Leave-one-out"-Kreuzvalidierungsmodus zu trainieren. Die erstellten statistischen Vorhersagen werden mit verschiedenen Benchmark-Vorhersagen verglichen, darunter zwei klimatologie-basierte Vorhersagen, die rohe ECMWF-Ensemblevorhersage und eine probabilistische Vorhersage, die mit EasyUQ aus der ECMWF-Kontrollvorhersage (ENS-control EasyUQ) erstellt wurde. Insgesamt weisen die statistischen Vorhersagen im gesamten Analysebereich eine hohe Güte auf, was die Robustheit der auf tropischen Wellen basierenden Vorhersagen belegt. Im Bereich des tropischen Regengürtels sind die statistischen Vorhersagen besser als die Benchmark-Vorhersagen. Allerdings zeigt die Gamma-Regressionsvorhersage statistische Signifikanz über ein größeres Gebiet als die CNN-Vorhersage. In Regionen mit geringem Niederschlag, insbesondere in der nördlichen Sahelzone und im äquatorialen Atlantik, scheint die ENS-Kontrollvorhersage EasyUQ ein höhere Güte aufzuweisen. Allerdings sind die Unterschiede zu den statistischen Vorhersagen in den meisten dieser Regionen statistisch nicht signifikant. Diese Dissertation gehört zu den ersten Studien, die systematisch die Vorteile des Einsatzes statistischer Prognosen zur Vorhersage des täglichen Niederschlags im tropischen Afrika aufzeigen. Basierend auf meteorologischen Erkenntnissen versucht diese Arbeit, wertvolle Einblicke in die zugrundeliegenden Prinzipien, die von komplexen maschinellen Lernmodellen genutzt werden, zu liefern, um bessere Vorhersagen als die von konventionellen NWP-Modellen zu erstellen. Die in dieser Dissertation diskutierten statistischen Modelle wurden mit Schwerpunkt auf der operationellen Vorhersage entwickelt und können aufgrund ihrer im Vergleich zu ihren Pendants im NWP-Bereich wesentlich geringeren Kosten mit minimalen Änderungen eingesetzt werden.