Lokales Klimaportal Baden-Württemberg: Datengrundlagen und Methodik

Für das bessere Verständnis und die Nachvollziehbarkeit der Ergebnisse im Klimaportal Baden-Württemberg werden nachfolgend die Datengrundlagen und die Methodik erläutert. Die Rohdaten wurden durch die Landesanstalt für Umwelt Baden-Württemberg (LUBW) zur Verfügung gestellt. Dabei handelt es sich um ein aus zehn Modellen bestehendes Ensemble, welches sich aus einer Kombination von sechs Globalmodellen (GCM) und vier Regionalmodellen (RCM) zusammensetzt (Abb. 1). Die Modellierung erfolgte im Zuge der Projekte EURO-CORDEX (https://euro-cordex.net/) (Jacob et al., 2014) und ReKliEs-De (https://reklies.hlnug.de, Huebner et al., 2017). Die BIAS-Adjustierung und Interpolation auf ein 5×5 km Raster (von ~12,5 km) wurde vom Deutschen Wetterdienst (DWD) (Brienen et al., 2020) durchgeführt. Die Modelle wurden einer Plausibilitätsprüfung nach dem Vorbild des Bayerischen Landesamts für Umwelt (LfU, 2020) unterzogen, und durch die LUBW für Baden-Württemberg ausgewertet. Grundlage der Modelle ist das RCP8.5 Szenario (Moss et al., 2010), welches von einem starken Klimawandel durch das Ausbleiben effektiver Klimaschutzmaßnahmen ausgeht. Weitere Informationen zur Datengrundlage können den Klimaleitplanken 2.0 (LUBW, 2021a) entnommen werden.

Abbildung 1: Verwendete Globalmodell-Regionalmodell-Kombinationen aus dem ReKliEs-De Projekt

Aus den obigen regionalen Klimamodellen wurden insgesamt elf Klimakennwerte abgeleitet (Abb. 2), die für drei unterschiedliche Zeitschnitte als 30-jähriges Mittel errechnet wurden. Dabei handelt es sich um die Klimanormalperioden 1971-2000 (Reanalyse), 2021-2050 (nahe Zukunft) und 2071-2100 (ferne Zukunft). Für diese wurden insbesondere Minimum, Maximum und 50. Perzentil des Modellensembles tiefergehend analysiert.

Abbildung 2: Verwendete Klimakennwerte nach Definition von ReKliEs-De

Die Daten lagen als Tabellen mit regelmäßig angeordneten Koordinaten im Abstand von jeweils 5 km zueinander vor. Mittels eines Punktgitters, dessen Zentroide in ein regelmäßig angeordnetes Gitternetz überführt wurden, konnten die Daten räumlich dargestellt und analysiert werden. Um eine Aussage für die kommunale Ebene treffen zu können, wurden pro Gemeindefläche sämtliche überlagernden Gitterzellen durch Mittelwertbildung aggregiert (Abb.3).  Dabei kann es zu Zonierungseffekten kommen. Aus Sicht der Modellierung bestehen deshalb Grenzen der räumlichen Aggregation (LUBW 2021b).  Dennoch überwiegen im Sinne der Benutzerfreundlichkeit die Vorteile, die durch den Übertrag auf bekannte Bezugsflächen (hier: Gemeindegebiet) entstehen, die Nachteile (hier: geringfügige Abweichungen zum Punktgitter). Den modellbedingten Unsicherheiten wird durch Darstellung des mittleren Wertes des Modellensembles (50. Perzentil) sowie des Schwankungsbereichs (Minimum und Maximum) Rechnung getragen.

Abbildung 3: Methodik zur Berechnung der kommunalen Mittelwerte

Neben dem Schwankungsbereich wird über Pfeile eine Aussage zur Änderung der Werte gegenüber dem Ist-Zustand 1971-2000, sowie zur Einordnung im Landesvergleich getätigt (Abb. 4). Angezeigt wird die Richtungsänderung, wenn mindestens 7 von 10 Modellen des Ensembles übereinstimmen. Dies entspricht dem Bewertungsniveau „wahrscheinlich (likely)“ nach IPCC Standard (Mastrandrea et al., 2011). Weisen weniger als 7 von 10 Modellen die gleiche Richtungsänderung auf, wird dies als „unklar“ angegeben.

Abbildung 4: Piktogramme für die Anzeige der Richtungsänderung und der Einordnung im Landesvergleich

Die Farbstufen der Pfeile zeigen die Änderung der einzelnen Kennzahlen in drei Kategorien an. Dabei zeigt die Farbstufe an, wie sich die jeweilige Kennzahl im Vergleich zu sämtlichen anderen Kommunen in Baden-Württemberg einordnen lässt. Die höchsten absoluten Werte werden dabei dem „oberen Drittel“, die niedrigsten Werte dem „unteren Drittel“ zugeordnet. Die Einteilung der Klassengrenzen erfolgte für jede Kennzahl und jeden Zeitschnitt separat nach dem Algorithmus von Jenks & Caspall (1971).

Für Rückfragen wenden Sie sich bitte an Nils Riach.

Literatur:

Brienen, S.; Walter, A.; Brendel, C.; Fleischer, C.; Ganske, A.; Haller, M. et al. (2020): Klimawandelbedingte Änderungen in Atmosphäre und Hydrosphäre: Schlussbericht des Schwerpunktthemas Szenarienbildung (SP-101) im Themenfeld 1 des BMVI-Expertennetzwerks, zuletzt geprüft am 08.07.2021.

Huebener, Heike; Hoffmann, Peter; Keuler, Klaus; Pfeifer, Susanne; Ramthun, Hans; Spekat, Arne et al. (2017): Deriving user-informed climate information from climate model ensemble results. In: Adv. Sci. Res. 14, S. 261–269. DOI: 10.5194/asr-14-261-2017.

Jacob, Daniela; Petersen, Juliane; Eggert, Bastian; Alias, Antoinette; Christensen, Ole Bøssing; Bouwer, Laurens M. et al. (2014): EURO-CORDEX: new high-resolution climate change projections for European impact research. In: Reg Environ Change 14 (2), S. 563–578. DOI: 10.1007/s10113-013-0499-2.

Jenks, G. F., Caspall, F. C., 1971. „Error on choroplethic maps: definition, measurement, reduction“. Annals, Association of American Geographers, 61 (2), 217–244.

LfU (Hg.) (2020): Das Bayerische Klimaprojektionsensemble – Audit und Ensemblebildung. Bayerisches Landesamt für Umwelt.

LUBW (2021a): Klimazukunft Baden-Württemberg – Was uns ohne effektiven Klimaschutz erwartet! Hg. v. Landesanstalt für Umwelt Baden-Württemberg.

LUBW (2021b): Nutzungshinweise für die Verwendung von Klimamodellauswertungen für Baden-Württemberg. Hg. v. Landesanstalt für Umwelt Baden-Württemberg.

Mastrandrea, Michael D.; Mach, Katharine J.; Plattner, Gian-Kasper; Edenhofer, Ottmar; Stocker, Thomas F.; Field, Christopher B. et al. (2011): The IPCC AR5 guidance note on consistent treatment of uncertainties: a common approach across the working groups. In: Climatic Change 108 (4), S. 675–691. DOI: 10.1007/s10584-011-0178-6.

Moss, Richard H.; Edmonds, Jae A.; Hibbard, Kathy A.; Manning, Martin R.; Rose, Steven K.; van Vuuren, Detlef P. et al. (2010): The next generation of scenarios for climate change research and assessment. In: Nature (463), S. 747–756. DOI: 10.1038/nature08823.