4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs...

27
Silke Trömel und Clemens Simmer Meteorologisches Institut Rheinische Friedrich-Wilhelms-Universität Bonn Objektbasierte Validierung atmosphärischer Modelle auf Basis Integraler Radarvolumendeskriptoren

Transcript of 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs...

Page 1: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Silk

eTr

ömel

und

Cle

men

sSi

mm

er

Met

eoro

logi

sche

s In

stitu

tR

hein

isch

e Fr

iedr

ich-

Wilh

elm

s-U

nive

rsitä

tBon

n

Obj

ektb

asie

rte

Valid

ieru

ng

atm

osph

äris

cher

Mod

elle

auf

Bas

isIn

tegr

aler

Rad

arvo

lum

ende

skrip

tore

n

Page 2: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Übe

rsic

ht

1.M

otiv

atio

n2.

Inte

gral

e R

adar

volu

men

desk

ripto

ren

3.D

aten

grun

dlag

e4.

Mod

ellie

rte /

real

e R

egen

erei

gnis

se5.

Zusa

mm

enfa

ssun

g &

Aus

blic

k

Page 3: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Mot

ivat

ion

Nie

ders

chla

g is

t ein

Pro

zess

und

tritt

in F

orm

von

Ere

igni

ssen

auf

„an/

aus“

-Cha

rakt

er

Ber

ücks

icht

igun

g in

Det

ektio

n, M

onito

ring,

Mod

ellie

rung

und

Mod

ellv

alid

ieru

ng

Obj

ektb

asie

rte M

odel

lval

ider

ung:

Geb

en M

odel

le d

ie p

hysi

kalis

che

Bes

chre

ibun

g vo

n N

iede

rsch

lags

erei

gnis

sen

wie

der?

Page 4: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Sta

rtpun

kt fü

r IR

VD

s: D

onea

udet

al.,

1981

Atla

s et

al.

(199

0) li

efer

n ei

ne T

heor

ie fü

r die

Sch

ätzu

ng

…de

s to

tale

n N

iede

rsch

lags

ein

es e

inze

lnen

kon

vekt

iven

Reg

enge

biet

s/-s

yste

ms

über

sei

ne L

eben

szei

t

durc

h M

essu

ng d

er F

läch

e m

it R

efle

ktiv

itäte

n od

er ä

quiv

alen

ten

Nie

ders

chla

gsin

tens

itäte

n ob

erha

lb e

iner

bes

timm

ten

Sch

wel

le τ

(≈18

dBZ)

:

ist n

äher

ungs

wei

se k

onst

ant f

ür e

in b

estim

mte

s R

egim

e.

Tröm

elet

al.,

200

9, J

TEC

H→

IRVD

s

Page 5: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Inte

gral

e R

adar

volu

men

desk

ripto

ren

IRV

Ds

Bod

enge

stüt

zte

Rad

are

sind

das

alle

inig

e M

ediu

m fü

r das

Mon

itorin

g vo

n N

iede

rsch

lags

erei

gnis

sen

Die

4-d

imen

sion

alen

Rad

arvo

lum

enda

ten

wer

den

in e

ine

über

scha

ubar

eA

nzah

l inf

orm

atio

nsträ

chtig

er G

röße

n ko

nden

sier

t, de

n IR

VD

s

IRV

Ds

…w

erde

n vo

m 4

D-R

efle

ktiv

itäts

feld

, die

Nie

ders

chla

gser

eign

isse

wäh

rend

der

Beo

bach

tung

s-/L

eben

szei

t gen

erie

ren,

abg

elei

tet

(Tra

ckin

ger

ford

erlic

h!)

…si

nd P

roxy

sde

s N

iede

rsch

lags

proz

esse

s

…be

schr

eibe

n di

e m

ikro

phys

ikal

isch

en U

nter

schi

ede

zwis

chen

Ere

igni

ssen

Page 6: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

IRV

D-B

eisp

iele

Sta

tistis

che

Eig

ensc

hafte

n de

r Ref

lekt

ivitä

ten

inne

rhal

b de

r de

tekt

ierte

n Z

elle

der

unt

erst

en E

leva

tion

(0.5

°), z

.B.

Erw

artu

ngsw

ert /

Var

ianz

der

akk

umul

ierte

n R

efle

ktiv

itäte

n

Cha

rakt

eris

tika

des

verti

kale

n P

rofil

s, z

.B.

mitt

lere

ech

o-to

phe

ight

mitt

lere

r Brig

htba

ndan

teil

und

sein

Tre

nd

mitt

lere

effe

ctiv

eef

ficie

ncy

Qb-

Qt

Ee=

---

----

-Q

b

mit

Qb/

t = (S

ättig

ungs

-)m

isch

ungs

verh

ältn

isan

Wol

kenu

nter

-bzw

. Wol

keno

berk

ante

Page 7: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Brig

htba

ndan

teil

Def

initi

on:

Ant

eil d

er m

axim

alen

Ref

lekt

ivitä

ten

des

Ver

tikal

prof

ils im

Ber

eich

±1k

m

der0

°C-S

chic

ht (a

nhan

dve

rtika

len

Sch

nitts

in 0

.1km

Auf

lösu

ng).

Page 8: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Tren

d im

Brig

htba

ndan

teil

Abb

: Mod

ellie

rtes

Reg

ener

eign

is v

om 8

. Jul

i 200

5.

Die

ha

upts

ächl

iche

nE

ntw

ickl

ungs

phas

ensi

nddi

e W

achs

tum

spha

se,

die

konv

ektiv

eP

hase

und

die

stra

tifor

me

oder

diss

ipat

ive

Pha

se. D

erTr

end

imB

right

-ba

ndan

teil

kann

som

itei

nen

Hin

wei

sau

f das

Ent

wic

klun

gsst

adiu

mge

ben.

Page 9: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Tren

d im

Brig

htba

ndan

teil

Brig

htba

ndan

teil:

0.1 B

right

band

ante

il: 0

.7B

right

band

ante

il: 0

.9

Page 10: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

IRV

D-B

eisp

iele

Sta

tistis

che

Eig

ensc

hafte

n de

r Ref

lekt

ivitä

ten

inne

rhal

b de

r de

tekt

ierte

n Z

elle

der

unt

erst

en E

leva

tion

(0.5

°), z

.B.

Erw

artu

ngsw

ert /

Var

ianz

der

akk

umul

ierte

n R

efle

ktiv

itäte

n

Cha

rakt

eris

tika

des

verti

kale

n P

rofil

s, z

.B.

mitt

lere

ech

o-to

phe

ight

Bis

lang

wur

den

28 IR

VD

s de

finie

rt un

d ge

test

et!

mitt

lere

r Brig

htba

ndan

teil

und

sein

Tre

nd

mitt

lere

effe

ctiv

eef

ficie

ncy

Qb-

Qt

Ee=

---

----

-Q

b

mit

Qb/

t = S

ättig

ungs

mis

chun

gsve

rhäl

tnis

an

Wol

kenu

nter

-bzw

. Wol

keno

berk

ante

Page 11: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

100

mod

ellie

rte E

reig

niss

e65

beo

bach

tete

Ere

igni

sse

CO

SM

O-D

E:

Mod

ellie

rte R

efle

ktiv

itäte

nun

d R

egen

rate

n vo

m•1

7. J

uli,

2004

•8. J

uli,

2005

•19.

Aug

ust,

2005

Rad

arvo

lum

enda

ten

einz

elne

r Tag

eim

Som

mer

200

4 vo

n•H

ambu

rg•B

erlin

•Fra

nkfu

rt

Nie

ders

chla

gspr

oduk

t (P

aula

tet a

l., 2

008)

basi

eren

d au

f PC

-Pro

dukt

(DW

D) a

nd 3

500

Nie

ders

chla

gsst

atio

nen

mit

tägl

iche

n S

umm

en.

Dat

engr

undl

age

Auf

lösu

ng:

•0.

025°

(≈2.

8km

)•

10 M

inut

en

Auf

lösu

ng:

•2k

m G

itter

•15

Min

uten

12 R

adio

sond

enst

atio

nen

12 R

adio

sond

enst

atio

nen

Page 12: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

„Gro

und

Trut

h“

Die

ob

jekt

-bas

ierte

M

etho

de

erfo

rder

t rä

umlic

h un

d ze

itlic

h ho

chau

fgel

öste

Nie

ders

chla

gs-

beob

acht

unge

n(g

roun

dtru

th).

Exi

stie

rt bi

slan

g ni

cht!

Not

lösu

ng:

Mer

ging

(Pau

late

t al.

2008

):•T

ages

sum

men

von

350

0

S

tatio

nen

(ger

inge

Auf

lösu

ng)

•Rad

arbe

obac

htun

gen

des

DW

D (P

C-P

rodu

kt)

Berlin

Eisber

g

Feldbe

rgFrankf

urt

Hamb

urg

Fürhol

zen

Neuhe

ilenbac

h

Rosto

ck

Türkhe

im

Page 13: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

IRV

Ds

mod

ellie

rter E

reig

niss

e

Info

rmat

ions

geha

lt fü

r ges

amte

s N

iede

rsch

lags

volu

men

:

Erk

lärte

Var

ianz

: 98

.9%

Max

imal

er re

lativ

er F

ehle

r: 88

.5%

In 7

4% d

er E

reig

niss

e is

t der

rela

tive

Fehl

er

< 10

%

In 2

2% d

er E

reig

niss

e is

t der

rela

tive

Fehl

er

< 2

%

Führ

ende

IRVD

s m

odel

liert

er E

reig

niss

e

Mitt

lere

Ref

lekt

ivitä

t

Sta

ndar

dabw

eich

ung

der R

efle

ktiv

ität

Geb

iets

ante

il Z>

τam

Ges

amtg

ebie

t, A

(τ)/A

o

Mitt

lere

r Brig

htba

ndan

teil

Tren

d im

Brig

htba

ndan

teil

Page 14: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Unt

ersc

hied

e im

Info

rmat

ions

geha

lt de

r IR

VD

sFü

hren

de IR

VDs

mod

ellie

rter

Ere

igni

sse

Mitt

lere

Ref

lekt

ivitä

tS

tand

arda

bwei

chun

g de

r Ref

lekt

ivitä

tG

ebie

tsan

teil

Z>τ

am G

esam

tgeb

iet,

A(τ

)/Ao

Mitt

lere

r Brig

htba

ndan

teil

Tren

d im

Brig

htba

ndan

teil

Hor

izon

tal e

xpec

ted

valu

e [m

m6 /m

3 ]

020

0040

0060

0080

0010

000

1200

0

V/ATI [mm/h]

02468101214

Info

rmat

ions

geha

lt de

r mitt

lere

n R

efle

ktiv

ität

sink

t von

95%

auf

35%

!

Erk

lärte

Var

ianz

enM

odel

lierte

Ere

igni

sse:

99%

Rea

le E

reig

niss

e:

48%

Page 15: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

1-M

omen

ten-

Sch

ema

Das

1-M

omen

ten-

Sch

ema

erze

ugt e

ine

fest

e B

ezie

hung

zw

isch

en

prog

nost

izie

rtem

Reg

enw

asse

r ρq r

, Pse

udo-

Ref

lekt

ivitä

tund

Reg

enra

te:

Die

Une

inde

utig

keit

zwis

chen

Reg

enra

te u

nd R

efle

ktiv

itäti

st n

icht

wie

derg

egeb

en.

Page 16: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

IRV

Ds

real

er E

reig

niss

e

Info

rmat

ions

geha

lt fü

r ges

amte

s N

iede

rsch

lags

volu

men

:E

rkl.

Var

ianz

mod

ellie

rter E

reig

niss

e du

rch

Pse

udo-

IRV

D-M

odel

le:

99%

Erk

l. V

aria

nz re

aler

Ere

igni

sse

durc

h P

seud

o-IR

VD

-Mod

elle

: 48

%E

rkl.

Var

ianz

real

er E

reig

niss

e du

rch

real

e IR

VD

-Mod

elle

:77

%

Führ

ende

IRVD

s m

odel

liert

er E

reig

niss

eFü

hren

de IR

VDs

real

er E

reig

niss

e

Mitt

lere

Ref

lekt

ivitä

tS

tand

arda

bwei

chun

g de

r Ref

lekt

ivitä

tS

tand

arda

bwei

chun

g de

r Ref

lekt

ivitä

tS

tand

arda

bwei

chun

g de

r Ref

lekt

ivitä

t>τ

Geb

iets

ante

il Z>

τam

Ges

amtg

ebie

t, A

(τ)/A

o

Mitt

lere

r Brig

htba

ndan

teil

Tren

d im

Brig

htba

ndan

teil

Tren

d im

Brig

htba

ndan

teil

Max

imal

e D

ista

nz z

u R

adar

Page 17: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Die

Grö

ßten

Pse

udo-

Rad

arda

ten

CO

SM

O-D

E,8

. Jul

i, 20

0542

1 x

461

Pix

el, 2

.8km

, 10m

in.

Max

. akk

um. G

ebie

t 174

.3 ·1

04 k

m2

Beo

bach

tete

Ref

lekt

ivitä

ten

Rad

ar B

erlin

, 18.

Jul

i, 20

0445

0 x

450

Pix

el, 2

.0km

, 15m

in.

Max

. akk

um. G

ebie

t 3.7

·104

km

2

Page 18: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Mod

ellv

alid

ieru

ng

Mod

ellie

rte

Erei

gnis

seR

eale

Ere

igni

sse

Beo

bach

tung

sdau

er1-

10 S

tund

en1-

5 S

tund

en

Akk

umul

iert

es G

ebie

t36

00 –

1 74

2 90

0 km

²10

0 –

3730

0 km

²Vo

lum

enni

eder

schl

ag3⋅

106

–52

80⋅1

06m

³1.

5 ⋅1

05 -3

63 ⋅1

05 m

³M

ittle

re R

egen

rate

0.1

-7.3

mm

/h0-

2.7

mm

/h

Rea

le u

nd m

odel

lierte

Ere

igni

sse

unte

rsch

eide

n si

ch d

urch

die

Bed

eutu

ng/ I

nfor

mat

ions

geha

lt de

r IR

VD

s

Sta

tistik

en ü

ber i

hre

Lebe

nsze

it

Page 19: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

IRV

Ds

für Q

PE

?

IRVD

-Mod

ell

Rel

. Feh

ler i

n V

< 10

%R

el. F

ehle

r in

V<

20%

Max

imal

er

rel.

Fehl

er in

VM

arsh

all-P

alm

er20

%34

%10

1 %

Pseu

do-IR

VDs

22 %

35 %

116

%

IRVD

s15

%31

%95

%

IRVD

s (K

Q)

22 %

38 %

221

%

IRVD

s+M

-P35

%43

%10

0 %

Jedo

ch: S

chät

zung

des

ges

amte

n N

iede

rsch

lags

ertra

gs V

!

Führ

ende

IRV

Ds

sind

die

Var

ianz

der

Ref

lekt

ivitä

t, m

ittle

re e

cho-

top-

heig

htun

d m

ittle

re e

ffect

ive

effic

ienc

y.

Bes

sere

Sch

ätzu

ng d

es N

iede

rsch

lags

ertra

gs V

mit

IRV

Ds.

IRV

Ds

liefe

rn z

usät

zlic

he In

form

atio

n zu

Sta

ndar

d-Z-

R-B

ezie

hung

en.

Page 20: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Zusa

mm

enfa

ssun

g

IRV

Ds

erm

öglic

hen

eine

obj

ekt-b

asie

rte A

naly

se /

Bes

chre

ibun

g vo

nN

iede

rsch

lag.

Unt

ersc

hied

e in

den

führ

ende

n IR

VD

s fü

r mod

ellie

rte u

nd b

eoba

chte

teR

egen

erei

gnis

se w

eise

n au

f Mod

elsc

hwäc

hen

hin

(1-M

omen

ten-

Sch

ema

von

CO

SM

O-D

E).

Ein

zeln

e IR

VD

s al

s Zu

satz

zu

Sta

ndar

d-Z-

Bez

iehu

ngen

verb

esse

rn d

ieS

chät

zung

des

Ges

amtn

iede

rsch

lags

.

Page 21: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Aus

blic

k

Auf

Bas

is v

on 3

D-R

adar

-Kom

posi

ts w

irddi

e G

enau

igke

it, A

ussa

gekr

aft

und

die

Mög

lichk

eite

nde

rIR

VD

sve

rbes

sert.

Anw

endu

ngde

robj

ekt-b

asie

rten

Val

idie

rung

auf d

as n

eue

2-M

omen

ten

Sch

ema

von

CO

SM

O-D

E.

Wei

tere

Anw

endu

ngsm

öglic

hkei

ten

derI

RV

Ds:

−K

limat

olog

ievo

n R

egen

erei

gnis

sen

−V

erbe

sser

ung

von

QP

E

−D

aten

assi

mila

tion

Page 22: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Dan

kesc

hön!

Page 23: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Zusa

tzin

fos

Page 24: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Det

ecte

dIR

VD

s in

obs

erve

dra

inev

ents

with

out

and

with

M-P

-Esi

mat

or

Page 25: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

IRV

D m

odel

sfo

rpse

udo-

even

ts

1.)

No

info

rmat

ion

abou

tor

ogra

phy

and

win

d sh

ear

2.) O

RO

+, O

RO

±, M

SH

EA

Rar

e ap

plie

d in

add

ition

Exp

. var

ianc

e: 9

8.93

%M

ax. r

el. e

rror

: 88.

5%In

74

(22)

out

of 1

00 ra

inev

ents

the

rel.

erro

ris

smal

lert

han

10%

(2%

).

Exp

. var

ianc

e: 9

9.25

%M

ax. r

el. e

rror:

103.

2%In

79

(31)

out

of 1

00 ra

inev

ents

the

rel.

erro

ris

smal

lert

han

10%

(2%

).

Page 26: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

App

licat

ion

to re

al d

ata

1.)

No

info

rmat

ion

abou

tor

ogrA

phy

and

win

d sh

ear

2.) O

RO

+, O

RO

±, M

SH

EA

Rw

erde

nau

chan

gebo

ten

Exp

. var

ianc

e: 4

8.18

%E

xp. v

aria

nce:

48.

34%

Page 27: 4. Modellierte Ereignisse vs reale Er...1. Motivation 2. IRVD 3. Daten 4. Modellierte Ereignisse vs reale Er Integrale Radarvolumendeskriptoren eignisse 5. Zusammenfassung/Ausblick

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Effe

ctiv

e ef

ficie

ncy

Qb=

sat

urat

ion

mix

ing

ratio

fort

hety

pica

lclo

udba

seco

nditi

on (=

800

m)

Qt=

satu

ratio

nm

ixin

gra

tioat

the

top

of th

ecl

oud

(=ec

ho-to

phe

ight

)

Qb-

Qt

Ee=

---

----

-Q

b

Des

crib

es th

e fra

ctio

n of

wat

er v

apou

r car

ried

up th

roug

h th

e cl

oud

base

and

thus

pote

ntia

lly a

vaila

ble

for p

reci

pita

tion.

The

prob

abili

ty d

ensi

ty fu

nctio

n of

rain

inte

nsiti

es is

shi

fted

to h

ighe

r val

ues

with

incr

easi

ng E

e.

Ee

is a

lso

used

as

a cl

assi

ficat

ion

crite

rion

for c

ontin

enta

l and

mar

itim

e ra

in c

loud

syst

ems.

Par

amet

eriz

esen

train

men

t, m

ixin

g, a

nd e

vapo

ratio

n