Numerische Wettervorhersage (NWP)

Numerische Wettervorhersagen (NWP) sind Vorhersagen unter Verwendung von Wettervorhersagemodellen. Diese Modelle beinhalten hochkomplizierte physikalische Gleichungen, die auf leistungsfähigen Großcomputern gerechnet werden. Die Modellergebnisse eines jeden Tages bilden die wesentliche Arbeitsgrundlage der heutigen Wettervorhersage. In den letzten Jahren ist dadurch bei einer Prognosedauer zwischen 3 und 5 Tagen eine wesentliche Qualitätsverbesserung eingetreten.

Die numerische Wettervorhersage erstellt ein digitales Modell der Erdatmosphäre, das in ein dreidimensionales Gitter unterteilt ist. Das Modell wird mit einer Reihe von Bedingungen initialisiert, die den aktuellen Zustand der Atmosphäre beschreiben, wobei Beobachtungen von Satelliten und in situ-Sensoren verwendet werden. Innerhalb jeder Gitterzelle werden die Gesetze der Physik angewendet, um Eigenschaften wie Temperatur, Druck, Windgeschwindigkeit und Luftfeuchtigkeit zu berechnen, die dann zeitlich vorwärts projiziert werden, um zu simulieren, wie sich die Atmosphäre entwickeln wird.

Diese Modelle sind physikalisch basierte Systeme, die die grundlegenden Gleichungen der atmosphärischen Bewegung und Thermodynamik numerisch lösen, im Gegensatz zu neuen datengesteuerten oder maschinellen Lernmodellen. Um kleinräumige Prozesse darzustellen, die nicht direkt aufgelöst werden können, verwenden die Modelle Parametrisierungen – vereinfachte Gleichungen, die ihren Einfluss auf die großräumige Strömung approximieren.

NWP-Modelle haben eine Vielzahl von meteorologischen Anwendungen, darunter regionale und globale Wettervorhersagen, Luftqualitätsanalysen und die Verfolgung von Wirbelstürmen. Die in den Modellen verwendeten Daten stammen von Satelliten, Flugzeugen und Bodensensoren wie Wetterballone, Flugzeugen, Bojen, Schiffen und Bodenstationen.

Satellitendaten für numerische Wettervorhersagen

NWP-Modelle erhalten Eingaben von einer Vielzahl von Satellitensensoren, die jeweils auf die Erfassung von Daten zu unterschiedlichen atmosphärischen Variablen spezialisiert sind. Dazu gehören passive Sensoren wie optische und Infrarot-Bildgeber, Infrarot- und Mikrowellensonden ebenso wie aktive Sensoren wie Radaraltimeter und Scatterometer, LIDAR und GNSS-Radiookkultationsinstrumente. Diese Sensoren liefern NWP-Eingabemessungen wie vertikale Profile der atmosphärischen Temperatur und Feuchtigkeit, Wolkenprofile, Niederschläge, Windfelder und Oberflächenparameter wie Temperatur.

Imager, wie sie beispielsweise an Bord der Satelliten der Serien Himawari und Joint Polar Satellite System (JPSS) zu finden sind, beobachten die Erdoberfläche, Wolken und die Atmosphäre und liefern Daten zur Wolkentemperatur und -höhe, zur Oberflächentemperatur sowie zu den Eigenschaften von Aerosolen und Vulkanasche.

Infrarot-Sounder (IR-Sounder), die am häufigsten an Bord von polarumlaufenden Satelliten zu finden sind, liefern vertikale Profile von Temperatur- und Feuchtigkeitsmessungen, indem sie die von atmosphärischen Gasen abgegebene Infrarotstrahlung erfassen. Der InfraRed Sounder (IRS) an Bord der Satelliten der dritten Generation von Meteosat (MTG-S) ist für NWP-Modelle von großer Bedeutung, da sie die dreidimensionale Struktur des Wasserdampfs und der Temperatur in der Atmosphäre verfolgt und so genauere Kurzfrist-Wettervorhersagen ermöglicht.

Mikrowellensounder, wie beispielsweise der Advanced Technology Microwave Sounder (ATMS) an Bord von JPSS, messen die Mikrowellen-Emissionen der Erdatmosphäre und der Erdoberfläche. Sie liefern Messungen zu Temperatur und Luftfeuchte, Niederschlagsrate, Schnee- und Eiseigenschaften sowie Windgeschwindigkeit.

Daten von geostationären und polarumlaufenden Satelliten

Um genaue Vorhersagen zu erstellen, benötigen NWP-Modelle Daten sowohl von polarumlaufenden als auch von geostationären Satelliten, die zusammen eine umfassende räumliche und zeitliche Abdeckung bieten.

Geostationäre Satelliten wie die Geostationary Operational Environmental Satellite (GOES)-Serie, Himawari und Meteosat Third Generation (MTG) liefern kontinuierlich Daten mit sehr hoher zeitlicher Auflösung über eine gesamte Hemisphäre des Planeten. Dies ist wichtig für die Überwachung schneller Veränderungen, für Nowcasting und für die Verfolgung von Sturmbewegungen. Trotzdem führen ihre große Höhe und ihre typischerweise feste Neigung zu einer gröberen räumlichen Auflösung und einer begrenzten Abdeckung der Polarregionen.

Satelliten auf polarer Umlaufbahn, darunter das Joint Polar Satellite System (JPSS) und die MetOp-Serie, umkreisen die Erde in geringerer Höhe und absolvieren mehrere Umläufe pro Tag. Ihre geringe Höhe ermöglicht eine höhere räumliche Auflösung und den Einsatz von Mikrowellen- und Infrarotsondierer, um genaue vertikale Profile von Temperatur und Feuchtigkeit zu erfassen, die für die Initialisierung globaler Modelle benötigt werden. Polarbahn-Satelliten haben im Vergleich zu geostationären Beobachtungen tendenziell eine geringere zeitliche Auflösung.

Beispielprodukte

Die Art der in NWP-Modellen verwendeten Eingabedaten hat direkten Einfluss auf den Maßstab, die Auflösung und die maximale Vorhersagedauer des NWP-Modells. Verschiedene Modelle sind für die Verwendung unterschiedlicher Datentypen optimiert, um bestimmte Vorhersageziele zu erreichen.

Globale Modelle

Globale Modelle wie das Integrierte Vorhersagesystem (IFS) des Europäischen Zentrums für mittelfristige Wettervorhersagen (ECMWF) und das Globale Vorhersagesystem (GFS) der Nationalen Zentren für Umweltvorhersagen (NCEP) sind NWP-Systeme, die die Atmosphäre über der gesamten Erde simulieren. Sie stützen sich in hohem Maße auf polarumlaufende Satelliten und In-situ-Datenquellen. Mikrowellen- und Infrarot-Sondierungsinstrumente von Satelliten werden in globalen Modellen verwendet, um die vertikale Struktur der atmosphärischen Temperatur und Feuchtigkeit abzuleiten, die für die Modellinitialisierung unerlässlich sind.

Die folgende Karte gibt den Sechs-Stunden-Mittelwert der Meeresspiegeldruck- und Niederschlagsvorhersage für den 23. September 2020 wider.

6-Stunden-Mittel der Vorhersage für den Druck auf Meeresspiegelhöhe und den Niederschlag für den 23. September 2020 Quelle: ECMWF / eoPortal

Regionale Modelle

Regionale Modelle wie das North American Mesoscale (NAM) Forecast System und das Rapid Refresh/Rapid Update Cycle (RAP/RUC) des NCEP nutzen in erster Linie Daten von geostationären Satelliten, um Vorhersagen für einzelne Länder oder Regionen zu erstellen. Diese Satelliten liefern kontinuierlich Daten mit häufigen Aktualisierungen, die für die Überwachung schneller Veränderungen erforderlich sind. Die Satelliten verfolgen die Eigenschaften von Wolken und Wasserdampf, um Windfelder für Nowcasting und sehr kurzfristige Vorhersagen zu simulieren.

Die folgende Animation repräsentiert eine dreistündige Niederschlagsvorhersage für den 10. Juli 2012.

Dreistündige Niederschlagsvorhersage für den 10. Juli 2012 Quelle: NAM / eoPortal

Kurzfristmodelle

Kurzfristprognosen beziehen sich auf die nahe Zukunft, in der Regel auf einen Zeitraum von wenigen Stunden bis zu drei Tagen. Dazu gehört auch das „Nowcasting“, das das aktuelle Wetter beschreibt und Veränderungen auf einer noch kleineren Zeitskala, typischerweise von 0 bis 6 Stunden, vorhersagt. Nowcasting stützt sich auf Echtzeit-Beobachtungsdaten, hauptsächlich von bodengestützten Dopplerradargeräten und geostationären Satelliten, um die aktuelle Bewegung und Entwicklung von Stürmen zu verfolgen.

Mittelfristmodelle

Mittelfristige Vorhersagen decken in der Regel einen Zeitraum von 3 bis 10 oder 15 Tagen ab. Die mittelfristigen Ensemble-Vorhersagen (ENS) des ECMWF sagen beispielsweise das Wetter bis zu 15 Tage im Voraus voraus, während ihre hochauflösenden Einzelvorhersagen (HRES) bis zu 10 Tage im Voraus reichen.

Langfristige Vorhersagemodelle und Reanalyse-Modelle

Erweiterte Vorhersagen liefern Wetterprognosen, die in der Regel bis zu 46 Tage im Voraus reichen. Saisonale Modelle simulieren sogar noch weiter in die Zukunft und prognostizieren die atmosphärischen und ozeanischen Bedingungen über mehrere Monate bis zu einem Jahr. Im Gegensatz zu kurzfristigen Vorhersagen hängen saisonale Prognosen weniger vom genauen Zustand der Atmosphäre zu Beginn ab, sondern vielmehr von sich langsam entwickelnden Faktoren wie Meeresoberflächentemperaturen, Bodenfeuchtigkeit und Schneebedeckung, die großräumige Klimamuster beeinflussen.

Die Klimareanalyse ist ein Prozess, bei dem vergangene Beobachtungen mit Modellen kombiniert werden, um konsistente Zeitreihen mehrerer Klimavariablen zu erstellen. Die Reanalyse erzeugt einen Datensatz des vergangenen Klimas, der es Forschern ermöglicht, langfristige Trends zu verstehen, vergangene Wetterereignisse zu untersuchen und auf dieser Grundlage die Klimaüberwachung zu verbessern. Die ERA5-Reanalyse des ECMWF liefert beispielsweise eine detaillierte Geschichte des globalen Klimas von 1940 bis heute.

Die folgende Abbildung zeigt die Lufttemperatur in zwei Metern Höhe für das Jahr 2017 im Vergleich zum Durchschnitt der Jahre 1981–2010.

Lufttemperatur in zwei Metern Höhe für das Jahr 2017 im Vergleich zum Durchschnitt der Jahre 1981–2010 Quelle: ECMWF / eoPortal

Künstliche Intelligenz und maschinelles Lernen

künstliche Intelligenz (KI) und Maschinelles Lernen (ML) werden neben traditionellen physikalischen Methoden zunehmend für Wettervorhersagen eingesetzt. Während physikalische numerische Modelle die grundlegenden Gleichungen der atmosphärischen Bewegung und Thermodynamik lösen, lernen KI-Modelle direkt aus großen Archiven von Satelliten- und Beobachtungsdaten, um diese Prozesse nachzubilden oder zu beschleunigen. Operative Zentren wie ECMWF und NOAA entwickeln hybride Vorhersagesysteme, die maschinelles Lernen für Aufgaben wie Datenassimilation, Bias-Korrektur und Subgitter-Prozessdarstellung integrieren.

Mehrere Forschungs- und Technologieorganisationen, darunter auch Entwickler aus dem privaten Sektor, haben globale KI-basierte Vorhersagemodelle vorgestellt, die in Sekundenschnelle genaue Vorhersagen erstellen können. Diese Entwicklungen deuten darauf hin, dass die Wettervorhersage der Zukunft die Interpretierbarkeit und physikalische Konsistenz der traditionellen NWP mit der Geschwindigkeit und Anpassungsfähigkeit datengesteuerter Methoden kombinieren wird.

Relevante Satellitenmissionen