Institut für Meteorologie und Klimaforschung, Karlsruhe Kick-Off Meeting Bonn 23./24.10.2006
Priority Program SPP 1167 of the DFG
Quantitative Precipitation Forecast
Forschungszentrum Karlsruhein der Helmholtz-Gemeinschaft
Mechanisms and prediction of precipitation over complex terrain- Project Cluster: “Process understanding” -
S. Wassermann, M. Kunz, Ch. Kottmeier
Institut für Meteorologie und Klimaforschung, Universität Karlsruhe (TH) / Forschungszentrum Karlsruhe
Kick-Off Meeting, 23.-24.10.2006, Bonn
Priority Program SPP 1167 of the DFG
Quantitative Precipitation Forecast
Institut für Meteorologie und Klimaforschung, Karlsruhe Kick-Off Meeting Bonn 23./24.10.2006
Priority Program SPP 1167 of the DFG
Quantitative Precipitation Forecast
Niederschlagsverstärkung über Mittelgebirgen bei großräumigen Niederschlagsereignisse erhöhtes GefährdungspotenzialVorhersageproblem: Summe/räumliche VerteilungKomplexe Dynamik: Um/Überströmen, Wellen
MotivationProblem
ZielVerbessertes Verständnis für Zusammenhang zwischen Anströmungsbedingungen, Dynamik und resultierender Niederschlagsverstärkung ”condicio sine qua non” für Vorhersage
Wiedergabe durch LM/LMK-Modellsimulationen?
Institut für Meteorologie und Klimaforschung, Karlsruhe Kick-Off Meeting Bonn 23./24.10.2006
Um diese Fragen zu klären möchten wir folgendermassen vorgehen. Zunächst: Auf dem Projekt arbeite nicht nur Ich sondern sind noch zwei andere Leute beteiligt. M. K. und H. S. Haben reale Starkniederschlagsereignisse anhand von Beob. Daten und mit Hilfe eines Diagnostischen Modells im Hinblick auf einen Zusammenhang zwischen Anströmungscharakteristika und Niederschlagsmenke analysiert. Ich mache zunächst idealisierte Simulationen vor allem mit dem LM, später evtl. mit dem Diang. Modell. Wir wollen verstehen, was für Strömungsmuster und Niederschlagsmengen/verteilungen sich unter bestimen Anströmungsprofilen an idealisierten Erhebungen ausbilden. Da die physikalischen Zusammenhänge im LM oft schwer nachvollziehbar sind, wird das bereits erwähnte Diagn. Modell zusätzlich verwendet (bisher aber noch nicht). Wenn wir einigermassen verstanden haben, was bei Verwendung von idealisierten Anströmungsprofilen und -Gebirgen passiert, werden wir einige der realen Ereignisse aus den Beobachtungen aus dem blauen Kasten mit dem LM nachsimulieren, und versuchen, die Erkenntnisse aus den idealisierten Fällen anzuwenden.Roter Kasten:Vor allem aus den Boeb. Daten und dem Diagn. Modell gewonnenes Verständnis, incl. diabatische Effekte, sollten auch in LM-Analysen wiederzufinden sein, wir werden versuchen den Zusammenhang zwischen Anströmungsbed. und Niederschlagsverstärkung durch charakteristische Parameterkombinationen auszudrücken. Diese kann man im günstigsten Fall für eine bessere Vorhersagbarkeit der Niederschlagsverstärkung verwenden.
Institut für Meteorologie und Klimaforschung, Karlsruhe Kick-Off Meeting Bonn 23./24.10.2006
Priority Program SPP 1167 of the DFG
Quantitative Precipitation Forecast
Untersuchungsgebiete: versch. Mittelgebirge max. Höhe: 1000-1500 m
bester Zusammenhang:Froude number =U/(N H) x Feuchte-Transport
charakterisiert Strömung: Umströmen, Überströmen,
Schwerewellen
charakterisiert Zufuhr Feuchte in Gebiet
Bsp: Thüringer Wald
Institut für Meteorologie und Klimaforschung, Karlsruhe Kick-Off Meeting Bonn 23./24.10.2006
Priority Program SPP 1167 of the DFG
Quantitative Precipitation Forecast
Fr • U • rs in m s-1 (x 10)R
in m
m h
-1
highlysensitive
stability N in s-1
R in
mm
h-1
mixing ratio rs in g kg-1
R in
mm
h-1
highlysensitive
highlysensitive
2 1
velocity U in m s-1
R in
mm
h-1
highlysensitive
2.5 7.55Fr
Fr
Diagnostisches Modell:lineare Theorie f. Strömung unterschiedliche Sensitivitäten von R abhängig von Position beste Relation zu R: Fr x Feuchtetransp
Diagnostisches ModellBsp: Thüringer Wald
Institut für Meteorologie und Klimaforschung, Karlsruhe Kick-Off Meeting Bonn 23./24.10.2006
Priority Program SPP 1167 of the DFG
Quantitative Precipitation Forecast
Nm = 0.002 s-1, U = 10 m s-1, RF = 99% Nd = 0.015 s-1, U = 10 m s-1, RF = 95%
18000
z in
m
12:00h
x-z-Schnitt bei GP=4 (2D-Sim.)
wmax = 1.2 m/s 12:00hwmax = 44.3 m/s
x-z-Schnitt bei GP=4 (2D-Sim.)
LMK_idealErste Versuche mit LMK 3.12Gaussberg + künstliches Vertikalprofil mit konstantem U, Nd (trockene Brunt-Väisälä-Frequenz) und RF
zeitlich anwachsende Wellenamplitude! (v.a. bei hoher Feuchte)
Vertikalgeschwindigkeit w in m/s
Institut für Meteorologie und Klimaforschung, Karlsruhe Kick-Off Meeting Bonn 23./24.10.2006
Priority Program SPP 1167 of the DFG
Quantitative Precipitation Forecast
intensive Zusammenarbeit mit LMK-Group beim DWD
LMK 3.19 verbessertes Runge-Kutta-Schema:T‘p‘-Dynamik statt Tp‘ Auftriebsterm nun vollständig in den schnellen Prozessen gerechnet erheblicher Effekt auf Wellenproblem
Gitterweite 2.8 km x 2.8 km (1 km x 1 km) Gebietsgröße 2D: 1000 x 7 x 40 GP WirbelproblemGebietsgröße 3D: 200 x 200 x 40 GPZeitschritt dt = 12 s („15 s Problem“ )Wolkenmikrophysik: Schema mit prognostischem qr,qs,qi (itype_gscp=3)
LMK_ideal
wassermann
Mit dem LM sollte idealilsiert untersucht werden, was am Berg bei bestimmter Anströmung passiert. Idealisiert bedeutet: Gaussberg, künstl. Radiosondenprofil mit höhenkonstantem U, N_D und R_f.Leider war die Modelliererei nicht so unproblematisch wie man vielleicht denkt. Ich habe mit dem LM 3.12 angefangen, und hatte jede Menge Probleme in Form von Wellen, die sich mit Vertikalgeschwindigkeiten von > 40 m/s übers ganze Modellgebiet ausbreiteten. Einen Teil der Probleme bin ich inzwischen los, aber leider nicht alle. Der DWD war dabei sehr hilfreich. Unter anderem verwende ich jetzt das LMK3.19 mit verbessertem Runge-Kutta Schema. Für die Insider: DAs hat eine T'p' statt Tp' dynamik und rechnet den Auftriebsterm in den schnellen Prozessen , was mein Wellenproblem positiv beeinflusst hab. Alle folgenden Simulationen haben einen Gitterabstand von 2.8x2.8km auf 40 Rechen und 31 Ausgabelevels.Die 2D-Simulationen hatten 1000x7x 40 GP, die 3D 200x200x40. Zeitschritt hab ich immer 12s, und Wolkenmikrophysik hab ich das itype_gscp=3, das Standardschema im LM mit prognostischem qr, qs und qi (spezifischer Wolkenwasser, -schnee, -eis)
Institut für Meteorologie und Klimaforschung, Karlsruhe Kick-Off Meeting Bonn 23./24.10.2006
Priority Program SPP 1167 of the DFG
Quantitative Precipitation Forecast
Modellvergleich Jiang (2003)
x in km x in km
Nd = 0.011 1/s, U = 10 m/s, RF = 95 %, hm = 1000 m
Jiang (2003) Fig. 1 LMK 3.19 Simulation 3D Berg
Alti
tude
(km
)
5.245.0 1.24
-1.22
Alti
tude
(km
)
5.0 290.0
270.3
0.20
0.00
Alti
tude
(km
)
5.0 0.16
0.00
0.08
0.00
-5.37
u‘ [m/s] w [m/s]
[K] qc [g/kg]
qs [g/kg] qi [g/kg]
LMK_ideal vs. ARPS
wassermann
Nach zahllosen Problem, und komischen Ergebnissen hab ich dann mit dem LMK3.19 den folgenden Fall aus dem Paper von Quingfang Jiang 2003 nachsimuliert, um zu sehen, wie sehr man mit dem LMK 3.19 entfernt ist von dem was andere herausbekommen.Ergebnis: Übereinstimmung gut. Laut DWD hat das LM immer etwas zu wenig aller drei Wolkenbestandteile. Das findet man hier auch wieder (max-Werte vorlesen) ..... von diesem Fall ausgehend hab ich dann N, U und RF variiert in der Hoffnung, dass es in vernünftigen bereichen möglich bleibt, ohne dass sich die drastischen Wellen wieder bilden. Aber auch zu diesem Ergebnis bin ich nicht ohne Schwierigkeiten gekommen:
Institut für Meteorologie und Klimaforschung, Karlsruhe Kick-Off Meeting Bonn 23./24.10.2006
Priority Program SPP 1167 of the DFG
Quantitative Precipitation Forecast
Nd = 0.011 1/s, Rf = 95 %, U = 10 m/s
Vergleich 2D/3D Simulation
Fazit: 1. echte Bergüberströmung erreicht man nur 3D 2. erwartungsgemäss Unterschiede zwischen Berg und Damm
3-D
LMK_ideal
wassermann
Zunächst hab ich nämlich 2D-Läufe gemacht, wobei es nat. keinen Unterschied zwischen Berg und Damm gibt. 2D beim LM bedeutet 7 Gitterpunkte in y, obwohl man nat. nur einen erwartet, man rechnet also eigentlicheinen schmalen Damm.Das hier ist wieder die Jiang-Konfiguration mit Nd = 0.011 1/s usw. (Zurückschalten - glatte w-Welle Zeigen - wieder herschalten - Was wir erwarten - was man bekommt. Diese Wirbelablösung sieht verdächte nach den Diffusionsproblemen aus, die ich durch Vergleich mit dem WRF beim DWD untersucht hatte, so dass ich mit dieser Lösung nicht zufrieden war. Ich hab das ganze dann 3-D-Gerechnet, und siehe da - > ERgebnis schon viel besser. Rechnet man einen 200 GP breiten 3D-Damm (Mitte) erhält man ein ERgebnis das dem 2D-Fall sehr ähnlich ist.Unten sehen sie die stündliche Niederschlagsraten in mm/h (Summe aus Regen und Schnee), darunter den zeitlichen Verlauf des gesamten gefallenen Regens aufsummiert über das komplette Modellgebiet. Man sieht, dass die Verteilung für die beiden Dämme ähnlich ist, bezüglich der Menge, Der Niederschlag auf der Anströmungsseite begint beim Gaussberg etwas weiter oben am Berg. Und erreicht - wenn man den zeitlichen Verlauf anschaut, beim Damm früher ein. Bei der 2D-Konfiguration ist das Maximum der Regensummen über das ganze Gebiet erst nach 6 Stunden erreicht, während es beim 3D-Damm besonders früh erreicht wird?????.Warum das alles so ist, weiss ich nicht, ihc hab jedenfalls daraufhin beschlossen lieber nur 3D zu rechnen. Fazit: LM 2D-Konfiguration eignet sich nicht besonders um STrömungsphänomene an einem Gaussberg zu untersuchen. Eigentlich Logisch. Es gibt Unterschiede zwischen Damm und Berg.Eine Handtelstruktur hat mir bisher immer schnell die unerwünschten Wellen mit Starken Vertikalgeschwindigkeiten eingebracht. Ob ein Damm wirklich mehr Probleme macht, hab ich noch nicht ausprobiert. Evtl. mal mit Damm der nicht bis zum Rand geht probieren. Vorsicht mit 2D-Simulationen in diesem Kontext!
Institut für Meteorologie und Klimaforschung, Karlsruhe Kick-Off Meeting Bonn 23./24.10.2006
Priority Program SPP 1167 of the DFG
Quantitative Precipitation Forecast
Jiang-Fall
Regenrate Gesamtniederschlag Schneerate
Sensitivitätsuntersuchungen
VarN
Var
U
Varqv
LMK_ideal
Strömungscharakteristik und damit Zustand der Atmosphäre wesentlich für orografisch bedingte Niederschlagszunahme und räumliche Niederschlagsverteilung Beschreibung durch Strömungsparameter (Fr, Scorer..)? Realität?
wassermann
Überschrift varqv ändern, Linien dicker machen, evtl Achsenbeschriftung grösserVariation von allen zusammen fehlt noch.Dazu zu sagen: Schneeanteil bei Variation von N und U stark dominant (RR_s ~ 1.4/1,8 mm/h gegen < 0.1 mm/h RR_r, also > 10fach) während der Unterschied bei der Feuchtevariation nur etwa ein Faktor 2 ist. Schnee variiert überhaupt sehr viel stärker.Mikrophysikalische Ursache für N-Variation, Abnahme der REgenrate bei Schnee? Gesamtsumme zeigt nur Schneeverhalten, was komplizierter ist als RegenAlso etwas ungünstigen, komplizierten fall erwischt mit dem Jiangfall. Legende für die Farbe der kurven noch reinmalenHöhe für Punkt vor und hinter dem Berg rausfinden! Evtl. Bildchen dazu
wassermann
Nachdem der Jiang-Fall (hier mit Pfeil jeweils markiert) also ganz gut aussah, hab ich dessen Initialisierung variert. Die Modelllösungen bleiben tatsächlich einigermassen stabil und vernünftig. Durch meinen Ausgangsfall hatte ich eine Bodentemperatur T0 = -3 K, so dass ich wenig Regen und hauptsächlich Schnee bekomme. Ich habe Simulationen mit Nd zwischen 0.001 und 0.019 1/s durchgeführt. Die stündliche Regenrate in kg/(hm**2) ist auf der y-Achse aufgetragen. Schwarz: Berggipfel h = 1000m, rot 10 km vorm Berg, blau 10 km dahinter ( h ist da jeweils 353,55). Am meisten Regen fällt Luv (blaue Kurven), am wenigsten im Lee (rot). Schwarz ist auf dem Gipfel. Für die meisten Fälle ist in etwa ein linearer Anstieg des Niederschlags mit zunehmender Stabilität zu beobachten. Einzige ausnahme: Schneerate bei N-Variation, und dadurch auch Gesamtnieerschlag.Von der Anströmgeschwindigkeit hängt die RR nicht besonders offensichtlich ab, einigermassen Linear wieder von der Luftfeuchtigkeit (Regenraten für verschiedene spezifische Feuchten zur Initialisierung). Die Regenmenge ist wegen der niedrigen Temperatur mit weniger als 0.1 mm/h sehr gering. Der meiste Niederschlag fällt als Schnee - Raten bis 1.8 mm/h, also Faktor 10 mehr. Schnee hat nat. ein ganz anderes Driftverhalten und Bildungsmechanismus als Regen, deshalb sieht man einen wesentlich deutlicheren Anstieg der Niederschlagsrate, wenn man U erhöht, Wahrscheinlich Wolkenphysikalisch bedingt eine stärkere Abhängigkeit von der Feuchte, und weniger von der Schichtung. Wenn man die Summe aus beiden Niederschlagsarten anschaut, dominiert dann der Schnee das gesamte Verhalten. Ein Zusammenhang zur Froude-Zahl hab ich da noch nicht gefunden. Sieht aber nicht gut aus, wenn Ich die 3 Grössen multipliziere finde ich das Verhalten von N da natuerlich wieder. Hier sieht man auch: bei N = 0.019 passiert etwas komisches: Bei Fr = 0.55 könnte das Wellenbrechen sein, aber wenn man genau hinkuckt, ist es ein LM-Problem:
Institut für Meteorologie und Klimaforschung, Karlsruhe Kick-Off Meeting Bonn 23./24.10.2006