Modifikation von Starkniederschlägen durch urbane Gebiete
Diplomarbeit im Fach Meteorologie
Peter Hoffmann
März 2009
Meteorologisches Institut Department Geowissenschaften Universität Hamburg
Zusammenfassung
Zusammenfassung
In dieser Arbeit wird der Einfluss von Städten auf Niederschlag und insbesondere auf Starkniederschlag untersucht. Frühere Untersuchungen haben gezeigt, dass der Nieder- schlag in Lee von Städten verstärkt wird. Als Ursachen für die Verstärkung von Niederschlag in Lee der Stadt werden die städtische Wärmeinsel (UHI), die hohe Rauhigkeit von Städten und die anthropogenen Aerosole aufgeführt. Für eine Stadt wie Hamburg, mit ihren 1.8 Mio. Einwohnern und ihrem maritimen Klima wurden weder die UHI noch der städtische Einfluss auf den Niederschlag untersucht. Aus diesem Grund werden Messdaten des Deutschen Wetterdienstes (DWD) von 7 Klimastationen, 46 Niederschlagsstationen sowie eine synoptische Station in der Metropolregion Hamburg mit statistischen Verfahren analysiert. Die Ergebnisse der statistischen Analyse zeigen, dass Hamburg eine UHI von bis zu 3 K im Sommer besitzt und es in Lee der Stadt Hamburg zu einer signifikanten Niederschlagsverstärkung von bis zu 20 % an ca. 46 % der Stationen kommt. Aus der Trendanalyse der langen Niederschlagszeitreihen ergibt sich eine signifikante Zunahme der Jahresniederschlagssummen sowie eine nicht- signifikante Zunahme von Starkniederschlag.
Zur genaueren Untersuchung der möglichen Einflussfaktoren auf die Entstehung von Starkniederschlag in der Umgebung von Städten werden zweidimensionale Sensitivitäts- studien mit dem mesoskaligen Modell METRAS durchgeführt. Ergebnisse verdeutlichen, dass eine Stadt von der Größe Hamburgs Starkniederschlag auslösen kann. Die Nieder- schlagsintensität und die räumliche Niederschlagsverteilung hängen dabei von der Stadtgröße, der Orographie sowie den meteorologischen Randbedingungen ab.
I Zusammenfassung
Abstract
In this thesis the impact of urban areas on precipitation and especially on heavy precipitation is investigated. It is widely accepted that cities can lead to a downwind enhancement of precipitation. The urban heat island (UHI), higher roughness of urban areas and the anthropogenic aerosols released by cities are proposed to be the main causes for this enhancement. However, for a city like Hamburg with its 1.8 million inhabitants and maritime climate, neither the properties of the UHI nor the urban impact on precipitation are known. Therefore, observational data provided by the German Weather Service (DWD) from 7 climate stations, 46 rain gauges and one synoptic station situated in the metropolitan region of Hamburg are analysed with statistical methods. Results show that Hamburg exhibits an UHI of up to 3 K in summer and that 46% of the rain gauges measure increased precipitation of up to 20%. Additionally, trend analyses of long-term precipitation data show significant changes in annual and seasonal precipi- tation since 1891 and a non-significant increase in heavy precipitation.
To identify the processes that influence the development of heavy precipitation in the vicinity of cities, idealized 2D sensitive studies are performed with the mesoscale model METRAS. They indicate that a city as large as Hamburg has an impact on the initiation of heavy precipitation. Intensity and location of precipitation maxima depend on the city size, the surrounding orography and the meteorological boundary conditions.
II Inhaltsverzeichnis
Inhalt
ZUSAMMENFASSUNG ...... I INHALT...... III 1 EINLEITUNG...... 1 2 STAND DES WISSENS ...... 3 2.1 ENTSTEHUNG VON NIEDERSCHLAG...... 3 2.2 DEFINITION STARKNIEDERSCHLAG ...... 4 2.3 ENTSTEHUNG VON STARKNIEDERSCHLAG...... 5 2.4 STÄDTISCHE WÄRMEINSEL ...... 6 2.5 AUSWIRKUNGEN DER STADT AUF DEN NIEDERSCHLAG ...... 10 2.5.1 Ältere Untersuchungen ...... 10 2.5.2 Studien seit 2000...... 11 3 DATENANALYSE ...... 19 3.1 TEMPERATUR- UND NIEDERSCHLAGSDATENSATZ DER METROPOLREGION HAMBURG...... 19 3.2 METHODIK...... 23 3.2.1 Berechnung von Starkniederschlag ...... 23 3.2.2 Trendanalyse...... 24 3.2.3 Berechnung des mittleren Winds ...... 24 3.2.4 Berechnung der Intensität der städtischen Wärmeinsel ...... 25 3.2.5 Berechnung der Niederschlagsdifferenzen ...... 26 3.2.6 Signifikanztests...... 28 3.3 ERGEBNISSE...... 32 3.3.1 Klimatologie von Temperatur, Niederschlag und Wind ...... 32 3.3.2 Städtische Wärmeinsel...... 34 3.3.3 Niederschlagstrends in der Metropolregion...... 40 3.3.4 Niederschlagsdifferenzen in der Metropolregion ...... 43 4 BESCHREIBUNG VON METRAS ...... 48 4.1 GRUNDGLEICHUNGEN ...... 48 4.2 APPROXIMATIONEN ...... 50 4.3 PARAMETRISIERUNGEN...... 52 4.3.1 Wolken- und Niederschlagsparametrisierung ...... 52 4.3.2 Turbulenzparametrisierung ...... 56 4.3.3 Strahlungsparametrisierung ...... 57 4.4 NUMERISCHE VERFAHREN ...... 58 4.5 INITIALISIERUNG...... 59
III Inhaltsverzeichnis
5 MODELLERGEBNISSE ZUR ENTSTEHUNG VON STARKNIEDERSCHLAG IN LEE VON STÄDTEN ...... 60 5.1 REFERENZLAUF...... 61 5.1.1 Modellgebiet ...... 62 5.1.2 Initialisierung...... 63 5.1.3 Ergebnisse...... 64 5.2 EINFLUSS DER AUFLÖSUNG...... 72 5.3 EINFLUSS VON OBERFLÄCHENEIGENSCHAFTEN ...... 74 5.4 EINFLUSS DER STADTGRÖßE ...... 79 5.5 EFFEKT DER OROGRAPHIE ...... 85 5.6 EINFLUSS DER WINDGESCHWINDIGKEIT ...... 89 6 FAZIT UND AUSBLICK...... 92 DANKSAGUNGEN ...... 97 SYMBOLVERZEICHNIS ...... 98 ABKÜRZUNGSVERZEICHNIS ...... 102 LITERATURVERZEICHNIS...... 103
IV Kapitel 1: Einleitung
1 Einleitung
Starkniederschläge können in kürzester Zeit großen Schaden anrichten. Dabei ist nicht nur Eigentum in Gefahr, sondern auch Menschenleben. Es kann zu überfluteten Straßen und Kellern kommen, die zu Todesfallen werden können. Auch in der Landwirtschaft kann Starkniederschlag zu immensen Schäden führen. Eine Vorhersage solcher Ereignisse ist von großer Bedeutung. Zur Vermeidung von Schäden ist es wichtig zu wissen, wo und wann Starkniederschlagsereignisse überhaupt auftreten können. Auch die Kenntnis der Entstehung und Modifikation von Niederschlägen durch unterschiedliche Orographie und Oberflächeneigenschaften (z.B. Städte) ist wichtig.
Eine Frage, die bei der klimatologischen Untersuchung von Starkniederschlag oft auftritt, ist, ob sich die Anzahl solcher Extremereignisse im Zuge der globalen Erderwärmung erhöht oder vermindert. Untersuchungen für Europa von Klein Tank und Können (2003) zeigen, dass sich die Anzahl der Starkniederschlagstage zwischen 1946 und 1999 nur an einigen Stationen in Europa signifikant geändert hat. Die Untersuchungen zeigen auch, dass an Stationen mit einer Erhöhung des Jahresniederschlags der Anteil der Starknieder- schläge am Gesamtniederschlag signifikant zugenommen hat. Das lässt darauf schließen, dass die Intensität von Extremereignissen auch zugenommen haben muss.
Ein Anstieg der Anzahl und der Intensität von Starkniederschlägen kann auch im Zusammenhang mit Landnutzungsänderungen wie z.B. Urbanisierung stehen. Große urbane Gebiete weisen im Allgemeinen eine so genannte städtische Wärmeinsel (UHI) auf. Der Apotheker und Begründer der Wolkenklassifizierung Luke Howard stellte schon vor über einem Jahrhundert fest, dass die Temperaturen in der Stadt höher sind als im Umland. Seitdem wurden schon über 1000 Untersuchungen zum Temperatureffekt von Städten durchgeführt. Da sich bei einer UHI, wie auch bei einer richtigen Insel, eine Zirkulation zwischen kaltem Umland und warmer Stadt ausbildet, kann dies auch zu einer Verstärkung der Konvektion und damit des Niederschlags führen. Nicht nur die UHI, sondern auch die erhöhte Rauhigkeit und die urbanen Aerosole haben einen Einfluss auf den Niederschlag in der Umgebung von Städten. Um diesen zu bestimmen, wurden Anfangs nur Daten von Niederschlagssammlern ausgewertet (z.B. Changnon et al., 1981). Mit dem Aufkommen von hochaufgelösten Computermodellen konnte der Einfluss auch mit diesen untersucht werden (z.B. Thielen et al., 2000; Rozoff et al., 2003 und Lo et al., 2007). Auch die neuen Methoden zur Niederschlagsbestimmung mittels Radar- und Satellitendaten wurden schon benutzt (z.B. Shepherd et al., 2002 und Mote et al., 2007).
1 Kapitel 1: Einleitung
Die Ergebnisse der Studien zum urbanen Einfluss auf Niederschlag zeigen alle, dass der Niederschlag in Lee der Stadt signifikant verstärkt wird. Als Hauptursache hierfür gilt die UHI. Über den Einfluss der erhöhten Rauhigkeit, sowie der urbanen Aerosole gibt es in der Literatur noch keine einheitlichen Aussagen. Einige Studien weisen auf eine Verstärkung und andere wiederum auf eine Verminderung des Niederschlags aufgrund der beiden Einflüsse hin.
Zusätzlich zu den urbanen Einflüssen kommen auch noch orographische Effekte sowie der Einfluss von Gewässern in der Umgebung von Städten. Die letzten zwei Einflüsse werden in den meisten Studien als nicht ausschlaggebend für den Niederschlag erachtet oder gar nicht erst betrachtet. Um eine gesicherte Aussage über den Einfluss einer Stadt auf den Niederschlag zu treffen, ist es deshalb wichtig, die möglichen Einflüsse genauer zu analysieren. Für eine Stadt wie Hamburg, mit ihren vielen Grünanlagen und ihrem maritimen Klima, ist dies bis jetzt noch nicht geschehen. Eine noch unbeantwortete Frage ist, ob sich dort überhaupt eine UHI aufbauen kann und ob diese einen Effekt auf den Niederschlag und insbesondere den Starkniederschlag im Großraum Hamburg hat.
Ziel dieser Diplomarbeit ist es, mit Hilfe von Messdaten und numerischen Simulationen den Einfluss der Stadt Hamburg auf Temperatur, Niederschlag und Starkniederschlag zu untersuchen. In Kapitel 3 werden dafür Temperatur- und Niederschlagsdaten des Deutschen Wetterdienstes (DWD) mit statistischen Verfahren hinsichtlich des Stadt- effektes ausgewertet. Des Weiteren wird untersucht, ob sich in den Daten Trends im Niederschlag und insbesondere im Starkniederschlag zeigen. In Kapitel 2 wird der derzeitige Stand des Wissens über den Einfluss der Stadt auf Temperatur und Niederschlag aufgezeigt. Mit Hilfe des mesoskaligen Transport- und Ströumungsmodell METRAS (Schlünzen, 1988) werden zweidimensionale (2D) Sensitivitätsstudien durchgeführt. Dabei werden unter anderem die Stadtgröße, die Orographie und die meteorologischen Randbedingungen variiert (Kapitel 5). Das verwendete Modell mit den für diese Untersuchungen benötigten Eigenschaften, wie z.B. Niederschlags- parametrisierung, wird im Kapitel 4 genauer beschrieben.
2 Kapitel 2: Stand des Wissens
2 Stand des Wissens
In diesem Kapitel sollen die für diese Arbeit wichtigen Begriffe geklärt werden sowie die aktuellen wissenschaftlichen Erkenntnisse zum urbanen Einfluss auf Temperatur und insbesondere Niederschlag vorgestellt werden. Im Folgenden werden die Entstehung von Niederschlag (Abschnitt 2.1) und Starkniederschlag (Abschnitt 2.3) erläutert sowie die unterschiedlichen Definitionen von Starkniederschlag vorgestellt (Abschnitt 2.2). Da der urbane Einfluss auf Niederschlag größtenteils auf die städtische Wärmeinsel zurückzu- führen ist, werden ihre Ursachen und Eigenschaften genauer beschrieben (Abschnitt 2.4). In Abschnitt 2.5 wird der aktuelle Wissenstand über den urbanen Einfluss auf Nieder- schlag aufgezeigt.
2.1 Entstehung von Niederschlag
Als Niederschlag wird in der Meteorologie fallendes Wasser bezeichnet, das in flüssiger oder fester Form fällt. Damit Niederschlag entstehen kann, müssen sich erst Wolken bilden. Wolken sind eine Anhäufung von Wassertröpfchen (Durchmesser: 2 μm bis 20 μm) und Eisteilchen, welche für das menschliche Auge sichtbar ist (große optische Dicke). Für die Bildung von Wolkentropfen muss die Luft gegenüber Wasser übersättigt sein und es müssen so genannte Wolkenkondensationskeime (CCN) vorhanden sein. Beides ist notwendig, um die Oberflächenspannung zu überwinden, welche der Bildung von Tropfen entgegenwirkt. CCN können normale Salzmoleküle (z.B. NaCl) aber auch komplexere Moleküle und sogar Körperteile von Insekten sein.
Übersättigung von Wasserdampf kann durch Abkühlung und durch Anfeuchtung der Luft erreicht werden. Abkühlung geschieht in den meisten Fällen durch Hebung, welche konvektiv, orographisch oder synoptisch ausgelöst werden kann. Aber auch Strahlungs- emission und Advektion über kalte Oberflächen können zur Abkühlung der Luft führen. Anfeuchtung geschieht meistens durch Advektion über warmen, feuchten Oberflächen, aber auch durch Verdunstung von Niederschlag aus höheren Schichten.
Wenn sich ein Wolkentropfen bildet, kann dieser gleich verdunsten, falls er nicht groß genug ist oder die Übersättigung nicht hoch genug ist. Erst bei einem kritischen Radius wächst er weiter durch so genanntes Diffusionswachstum. Haben sich ausreichend große Wolkentropfen gebildet, kann sich Niederschlag durch zwei unterschiedliche Prozesse bilden. Der erste Prozess wird als Koaleszens bezeichnet. Wolkentropfen stoßen aneinander und vereinigen sich zu größeren Tröpfchen. Erreichen diese Durchmesser von
3 Kapitel 2: Stand des Wissens
ca. 0.1 mm sind sie schwer genug, um eine Fallgeschwindigkeit zu entwickeln. Beim Fallen kollidieren sie mit weiteren Wolken- oder Regentröpfchen und vereinigen sich mit diesen zu noch größeren Regentröpfchen (Koagulation). Dieser Prozess ist für den Niederschlag in den Tropen (warmer Regen) und für Nieselregen aus tief liegenden Stratuswolken in den Mittleren Breiten verantwortlich. Größerer Niederschlag in den Mittleren Breiten entsteht hingegen durch den Bergeron-Findeisen-Prozess. Bei diesem bildet sich Niederschlag über die Eisphase. Über Eis ist der Sättigungsdampfdruck niedriger als über Wasser, dadurch wachsen einmal gebildete Eisteilchen schneller und auf Kosten von Wassertröpfchen. Beim Fallen dieser Eisteilchen werden weitere Wassertröpfchen eingesammelt, bis sie in einen Bereich mit höheren Temperaturen kommen und schmelzen. Sind sie jedoch sehr groß, schmelzen sie nicht und der Niederschlag fällt als Graupel oder Hagel. Bleibt die Temperatur bis zum Boden unter dem Gefrierpunkt oder ist die Schmelzschicht nur sehr flach, fällt der Niederschlag in Form von Schnee (Quaas, 2007).
2.2 Definition Starkniederschlag
In der Literatur gibt es keine einheitliche Definition für Starkniederschlag. Es kann ein vorher definierten Schwellwert für Tagesniederschlagsmenge von z.B. 20 mm (Franke et al., 2004), 50.8 mm oder 101.6 mm (z.B. Karl et al., 1995; 1996; Groisman et al., 1999; 2001) festgelegt werden. Der DWD hat für die Warnkriterien für Unwetterwarnungen die Grenzen von 10 mm in 1 Stunde und 20 mm in 6 Stunden festgelegt (DWD, 2009). Diese Schwellwertmethode hat den Nachteil, dass sie nicht auf die spezifischen Gegebenheiten der zu untersuchenden Region Rücksicht nimmt. Einen Tagesniederschlag von über 101.6 mm gab es im Großraum Hamburg seit Anfang der Wetteraufzeichnung 1891 nie. Trotzdem gibt es jedes Jahr Niederschläge, die durchaus als “stark“ bezeichnet werden können. Um diesen Widerspruch zu beheben, gibt es eine weitere Definition für Starkniederschläge. Bei dieser wird kein fester Schwellwert genommen, sondern das 90, 95 oder 99 Perzentil (z.B. Suppiah und Hennessy, 1996; 1998, Hennessy, 1999; Haylock und Nicholls, 2000) der Tagesniederschläge an einem Ort. Dieser Schwellwert ist dann für diesen Ort spezifisch. Eine ähnliche Methode ist die der Wiederkehrrate. Hierbei richtet sich der Schwellwert nach einer Tagesniederschlagsmenge, welche nur in bestimmten Abständen verzeichnet wird, z.B. einmal in 5 Jahren (Kunkel et al., 2003). Der mit dieser Methode bestimmte Starkniederschlag wird als Grundlage für Bauvorschriften verwendet. Ein 5-Jahresereignis dient zum Beispiel der Dimensionierung der Hamburger Pumpenwerke (Günner, 2009). In dieser Arbeit wird, um auf die Gegebenheiten des Großraums Hamburg besser einzugehen, die Perzentilmethode verwendet.
4 Kapitel 2: Stand des Wissens
Zusätzlich zu den oben genannten Definitionen gibt es Indizes, mit denen eine Aussage über die Änderung der Häufigkeit und der Höhe des Starkniederschlags getroffen werden kann. Haylock und Nicholls (2000) stellten dafür drei “extreme indices“ vor (Tabelle 2.1).
Tabelle 2.1: Extremniederschlagindizes nach Haylock und Nicholls (2000). Das 95 Perzentil bezieht sich immer auf die gesamte Zeitreihe.
Index Definition Aussage Gibt die Änderung der oberen Mittel aller Tagesniederschläge Perzentile an und damit wie Extreme Intensität (EI) (>1mm) größer als das 95 sich die Intensität des Perzentil Starkniederschlags ändert Gibt die Änderung des oberen Anteil der Tagesniederschläge Bereichs der (>1mm) größer als das 95 Tagesniederschlagsverteilung Extremes Prozent (EP) Perzentil des an und ist deswegen ein Jahresniederschlags Indikator für die Änderung der Form der Verteilung Anzahl der Tagesniederschläge (>1mm) größer als das 95 Gibt die Änderung der Extreme Frequenz (EF) Perzentil der Häufigkeit der Tagesniederschläge, bezogen auf Starkniederschlagsereignisse an ein Jahr
2.3 Entstehung von Starkniederschlag
Für Starkniederschläge gibt es vier verschiedene Entstehungssituationen. Dies sind einmal tropische- und extratropische Wirbelstürme, welche große Wassermassen über dem Meer aufnehmen und in kürzester Zeit wieder abgeben können. Der Niederschlag in extratropischen Wirbelstürmen fällt vor allem im Bereich der Fronten (Warm-, Kalt- und Okklusionsfront). Tropische Wirbelstürme besitzen hingegen keine Fronten. Hier fällt der Niederschlag in den spiralförmig angeordneten Regenbändern und bei Hurrikanen zusätzlich in der so genannten “eyewall“. Hurrikan Ike hat zum Beispiel der Stadt Houston (Texas) am 13.09.2008 einen Tagesniederschlag von 196 mm gebracht (NWS, 2008). Die beiden anderen Situationen, in denen Starkniederschlag entstehen kann, sind orographisch ausgelöste Konvektion und starke Gewitter. Orographischer Niederschlag entsteht in Luv von Gebirgen, wenn sehr feuchte Luft zum Aufsteigen gezwungen wird, sich dabei abkühlt und Wolken bildet. Dieser Effekt kann nicht nur zu Niederschlags- bildung führen, sondern auch bestehenden Niederschlag verstärken. So kann der
5 Kapitel 2: Stand des Wissens
Niederschlag eines über ein Gebirge ziehenden Tiefdruckgebietes verstärkt werden. Dies tritt z.B. häufig in Luv der Alpen und Mittelgebirge auf (Rudolf und Malitz, 2008). Gewitter können aber auch separat auftreten und trotzdem für Starkniederschlag sorgen. Dieser Gewittertyp wird als Luftmassengewitter bezeichnet und entsteht meist in sommerlichen Hochdruckwetterlagen. Feuchtwarme Luft wird durch den aufgeheizten Boden zum Aufsteigen gezwungen. Es bilden sich Quellwolken und im Laufe des Tages Gewitter, welche durch starke Aufwinde und Abwinde gekennzeichnet sind. Meist entstehen nur Einzelzellengewitter, welche zwar kurzlebig sind, aber trotzdem viel Niederschlag bringen können. Der stärkste Niederschlag fällt in so genannten Superzellen. Diese sind Gewitter mit horizontal rotierenden Aufwinden. Zur Entstehung einer Superzelle wird zusätzlich zur konvektiven Instabilität noch Windscherung benötigt, welche die Rotation bewirkt. Diese führt dann zu einer ständigen Zufuhr von Feuchtigkeit, was die Lebensdauer der Gewitterzelle verlängert. Niederschlag kann hier auch in Form von Hagel fallen. Tornados sind ein weiteres Phänomen, welches bei Superzellen auftreten kann.
Für die betrachtete Region um Hamburg können tropische Wirbelstürme ausgeschlossen werden. Der orographische Einfluss als alleinige Ursache für Starkniederschlag kann als sehr gering angesehen werden.
2.4 Städtische Wärmeinsel
Die Städtische Wärmeinsel ist wohl eine der eindruckvollsten anthropogenen Klima- veränderungen. Innerhalb von wenigen Kilometern ändert sich die Oberflächen- temperatur um bis zu 13 K (Hung et al., 2006) und die 2 m Temperaturen um bis zu 10 K (Yow, 2007). Schon Howard (1833) beobachtete, dass die Temperaturen in der Stadt höher sind als auf dem Land. Der Begriff “Urban Heat Island (UHI)“ wurde allerdings erst durch Manley (1958) geprägt. Er bezeichnete damit die Temperaturdifferenz zwischen Stadt und Land. Die Intensität der UHI ist im Allgemeinen proportional zum Logarithmus der Einwohnerzahl einer Stadt (Oke, 1973) und nimmt mit zunehmender Windgeschwindigkeit ab (Morris et al., 2001). Am stärksten ausgeprägt ist die UHI 3 bis 5 Stunden nach Sonnenuntergang an einem schwachwindigen, wolkenfreien Tag (Oke, 1987).
Für ein besseres Verständnis der Entstehung der UHI ist es hilfreich, die Energie- bilanzgleichung am Boden zu betrachten (Shepherd, 2005):
6 Kapitel 2: Stand des Wissens
QSW + QLW + QSH + QLH + QG + QA = 0 (2.1)
wobei QSW die kurzwellige Einstrahlung, QLW die langwellige Einstrahlung, QSH der fühlbare Wärmefluss, QLE der latente Wärmefluss, QG der Bodenwärmestrom und QA der anthropogene Wärmefluss ist. Damit Gleichung (2.1) erfüllt ist, muss sich eine Gleich- gewichtstemperatur einstellen. Unterschiedliche Heizung der Fläche kann am Boden zu horizontalen Inhomogenitäten in den Termen von Gleichung (2.1) führen, wodurch horizontale Temperaturgradienten ausgelöst werden. Diese sind in der Lage, eine mesoskalige Zirkulation anzutreiben. Bei der UHI sind es vor allem die Unterschiede in den Oberflächeneigenschaften, die zu Unterschieden in den thermischen Flüssen in Gleichung (2.1) führen (Shepherd, 2005). Abbildung 2.1 verdeutlicht schematisch den Unterschied in der Größenordnung der Energiebilanzterme für ländliche und für urbane Oberflächen, exemplarisch für die Stadt Houston.
b) a)
Abbildung 2.1: Für die Stadt Houston typische a) ländliche Energiebilanz und b) städtische Energiebilanz im Sommer. Die Zahlenwerte entsprechen kW/h (nach R. Sass).
Die durch die UHI ausgelöste Zirkulation ist in den Nachmittagsstunden am stärksten ausgeprägt, obwohl die UHI ihr Maximum erst einige Stunden später erreicht. Am Tag ist jedoch der Druckunterschied zwischen Stadt und Land größer und somit auch der Antrieb für die UHI-Zirkulation. Zusätzlich ist die untere Atmosphäre am Tag eher neutral und in der Nacht eher stabil geschichtet. Somit wird die Zirkulation in der Nacht durch die
7 Kapitel 2: Stand des Wissens
stabile Atmosphäre unterdrückt. Die schon oben genannte Abhängigkeit der UHI von der Windgeschwindigkeit erklärt sich durch den Wärmetransport aus der Stadt heraus. Dieser ist bei größeren Windgeschwindigkeiten ausgeprägter. Ein erhöhter Wärmetransport verhindert dann den Aufbau der UHI und somit ihre Intensität.
Der Aufbau der UHI ist verbunden mit dem Aufbau einer urbanen Grenzschicht und der darunter liegenden urbanen Hindernisschicht (Abbildung 2.2). Diese bis zu ca. 100 m mächtige Schicht ist größtenteils für den Aufbau der UHI verantwortlich, wobei die Ursachen dafür nachfolgend aufgelistet sind (Oke, 1982):
Die erhöhte Fläche und die Mehrfachreflexion durch hohe Gebäude führen zu einer erhöhten Absorption kurzwelliger Strahlung. Erhöhte Luftverschmutzung erhöht die langwellige Gegenstrahlung. Durch hohe Gebäude reduziert sich der so genannte “Sky-View“ Faktor, aufgrund dessen der Verlust von langwelliger Strahlung verringert wird. Verkehr und Gebäude stellen eine anthropogene Wärmequelle dar. Die im Städtebau benutzten Materialien besitzen eine hohe Wärmespeicher- kapazität und erhöhen damit die Speicherung von fühlbarer Wärme. Durch die Versieglung der Oberflächen wird die Verdunstung verringert. Durch die abgeschwächte Windgeschwindigkeit verringert sich auch der turbulente Wärmetransport.
Anzumerken ist, dass in Abbildung 2.1 zwei Eigenschaften der UHI in der Energiebilanz nicht zu sehen sind. Der verminderter “Sky View“ Faktor sollte eigentlich zu einem geringeren Verlust von langwelliger Strahlung in der Stadt führen. In Abbildung 2.1 ist aber eine erhöhte langwellige Ausstrahlung zu sehen. Möglicherweise ist dieser Effekt bei der Stadt Houston klein gegenüber den anderen Faktoren, welche zu erhöhter langwelliger Ausstrahlung führen. Die erhöhte langwellige Gegenstrahlung ist in Abbildung 2.1 ebenfalls nicht zu erkennen.
Die urbane Hindernisschicht trägt auch entscheidend zur Ausbildung der urbanen Grenz- schicht der UHI bei. Die Ursachen und Eigenschaften der urbanen Grenzschicht sind wie folgt (Oke, 1982):
Durch das Einmischen von Luft aus der urbanen Hindernisschicht wird der Zufluss von fühlbarer Wärme erhöht. Durch die erhöhte Rauhigkeit und damit erhöhte Turbulenz wird auch vermehrt fühlbare Wärme von oben eingemischt.
8 Kapitel 2: Stand des Wissens
Die erhöhte Aerosolkonzentration führt zu erhöhter Absorption kurzwelliger Strahlung. Die Abwärme von z.B. Schornsteinen führt zu einer anthropogenen Erwärmung der Grenzschicht.
Abbildung 2.2: Schematische Darstellung der urbanen Atmosphäre.
In Lee der Stadt löst sich die urbane Grenzschicht vom Untergrund ab und eine neue ländliche Grenzschicht baut sich auf. Die in der Stadt gebildeten und emittierten Schadstoffe und Aerosole bilden dann eine Abgasfahne, welche zum Beispiel Einfluss auf die Niederschlagsbildung haben kann (Abschnitt 2.3.2). Zusätzlich zur erhöhten fühlbaren Wärme und erhöhter Rauhigkeit modifizieren urbane Gebiete auch den Wasserhaushalt und damit die latente Wärme.
Die UHI ist, wie schon erwähnt, zeitlich nicht konstant und weist einen ausgeprägten Tagesgang auf. Kurz nach Sonnenaufgang erwärmt sich die ländliche Umgebung schneller als die Stadt und es kann sich sogar eine städtische Kälteinsel (UCI) ausbilden, bei der die Temperaturen in der Stadt kälter als die der Umgebung sind. Im Laufe des Tages gleichen sich die Erwärmungsraten und die Temperaturen an. Somit ist der Temperaturunterschied bei der Maximumstemperatur eher gering. Am Nachmittag kühlt sich dann die ländliche Umgebung rasch ab. Nach Sonnenuntergang beschleunigt sich die Temperaturabnahme sogar noch. Die Temperaturen in der Stadt nehmen hingegen durch die gespeicherte Wärme nur sehr langsam ab. Das Maximum der Temperaturdifferenz wird dann 3 bis 5 Stunden nach Sonnenuntergang erreicht. Danach gleichen sich die Temperaturen langsam wieder an (Oke, 1987). Die Differenz der Minimumstemperaturen ist um einiges größer als die der Maximumstemperaturen.
9 Kapitel 2: Stand des Wissens
Der geschilderte Tagesgang gilt für einen wolkenfreien Tag mit geringer Wind- geschwindigkeit. Wie schon erwähnt, können unterschiedliche Wettersituationen den Verlauf und die Ausprägung der UHI verändern. Zusätzlich zum Tagesgang besitzt die UHI auch einen ausgeprägten Jahresgang. Dieser kann allerdings von Stadt zu Stadt unterschiedlich sein (Arnfield, 2003), wobei in den meisten Städten das Maximum der UHI-Intensität in den warmen Monaten gemessen wurde.
2.5 Auswirkungen der Stadt auf den Niederschlag
Die Auswirkungen urbaner Gebiete auf Niederschlag sind nicht so einfach zu messen wie die Auswirkungen auf die Temperatur, da viel mehr Prozesse an der Niederschlags- entstehung beteiligt sind und sich diese nicht so leicht voneinander trennen lassen. Auch ist der Niederschlag eine schwer zu messende meteorologische Größe. In der Forschung gab und gibt es viele Ansätze, um den Einfluss von Städten auf den Niederschlag zu ermitteln. In Abschnitt 2.5.1 wird deshalb auf die historische Entwicklung der Forschung rund um den Einfluss der Stadt auf den Niederschlag eingegangen. Aktuelle Studien und die in diesen beschriebenen Mechanismen zur Niederschlagsverstärkung werden in Abschnitt 2.5.2 vorgestellt.
2.5.1 Ältere Untersuchungen
Schon Anfang des 20. Jahrhundert gab es Untersuchungen zum Einfluss der Stadt auf das Lokalklima. Zum Beispiel fand schon Kratzer (1937) in seiner Übersicht über das Stadt- klima einige Veröffentlichungen, die sich mit der Veränderung von Niederschlag beschäftigten. Unter anderem zeigten diese, dass es im Osten von München mehr regnet als im Westen und in München mehr als im Umland. Die Forschung war damals trotzdem eher auf den urbanen Einfluss auf Temperatur und Luftqualität beschränkt. Seit der Entdeckung der so genannten “LaPorte Anomalie“ (Stout, 1962; Changnon, 1968), einer Niederschlagserhöhung in der kleinen Stadt LaPorte in Lee von Chicago, wurden vor allem in den Vereinigten Staaten intensiver die urbanen Effekte auf den Niederschlag untersucht. Dies mündete in der groß angelegten Feldmesskampagne “Metropolitan Meteorological Experiment (METROMEX)“ (Changnon et al., 1981). Während dieser mehrjährigen Messkampagne wurde der Einfluss der Stadt St. Louis (Missouri) auf den Niederschlag untersucht. Die Ergebnisse zeigten, dass in 25 km bis 50 km in Lee der Stadt Erhöhungen des Sommerniederschlags um 5 % bis 25 % (Vogel und Huff, 1978; Changnon, 1979; Changnon et al., 1981) auftraten. Nachfolgende Untersuchungen von
10 Kapitel 2: Stand des Wissens
Changnon et al. (1991) fanden auch im Herbst und im Frühling eine Erhöhung der Niederschläge in Lee von St. Louis um 4 % bzw. 17 %. Im Winter hingegen wurde keine signifikante Erhöhung beobachtet.
In den Vereinigten Staaten wurden vor allem klimatologische Studien durchgeführt. Die verwendeten Niederschlagsdatensätze wurden meistens über einen bestimmten Zeitraum aufsummiert und mit Hilfe der Isoplethenanalyse untersucht. Eine weitere Methode, um den Einfluss der Stadt auf den Niederschlag zu untersuchen, sind Fallstudien. Zum Beispiel untersuchte Atkinson (1971) ein über London ziehendes Gewitter mit Hilfe eines Niederschlagsmessnetzes und eines Wetterradars. Durch die hohe zeitliche Auflösung können bei dieser Methode einzelne Effekte besser identifiziert werden. Auch Stulov (1993) benutzte Radar- und Messdaten für den Großraum Moskau, fasste aber mehrere Fälle zu einer Klimatologie zusammen. Wie auch bei den anderen Studien zeigten die Ergebnisse, dass die Stadt eine Verstärkung des Niederschlags bewirkt. Nicht nur mit Niederschlagsdaten wurde gearbeitet, auch die Häufigkeit von Blitzen in der Umgebung von urbanen Gebieten wurde untersucht (Balling und Brazel, 1987; Bornstein und LeRoy, 1990). Dabei wird angenommen, dass eine Verstärkung von Konvektion vor allem Auswirkung auf die Bildung und die Entstehung von Gewittern und damit auch auf die Häufigkeit von Blitzen hat. Ähnlich ist dies mit Hagel (Orville et al., 2001).
Mit dem Aufkommen von numerischen Computermodellen konnten urbane Effekte einzeln untersucht werden. Hjelmfelt (1982) simulierte die UHI über St. Louis und fand eine Region mit Aufwinden in Lee der Stadt, die durch die UHI und die veränderte Bodenrauhigkeit entstehen. In aktuelleren Studien wird vor allem auf Radar- und Satellitendaten sowie auf Modellergebnisse zurückgegriffen (Abschnitt 2.3.2). Zu dem Thema „Niederschlagsänderung durch urbane Gebiete“ gibt es auch einige Übersichts- artikel. Einen guten Überblick und gleichzeitig eine kritische Auseinandersetzung zu Studien, die vor allem auf der Analyse von Messdaten basieren, gibt Lowry (1998) in seinem Artikel. Shepherd (2005) geht hingegen mehr auf neuere Messmethoden mit Satellitendaten und auf Modellstudien ein.
2.5.2 Studien seit 2000
Auf dem Gebiet der experimentellen Untersuchungen zum urbanen Einfluss auf Niederschlag werden meist Daten von Niederschlagssammlern, Radar- oder Sattelitendaten in Verbindung mit Winddaten ausgewertet. Eine Auswertung von Niederschlagssammlern von Diem und Mote (2005) ergab für Stationen in Lee von Atlanta eine mögliche Erhöhung des Niederschlags, sowie des Starkniederschlags durch
11 Kapitel 2: Stand des Wissens urbane Einflüsse. Sie unterteilten dafür die Daten in verschiedene Zeitabschnitte. Danach wurde die Verteilungsfunktion der Niederschlagsmenge des untersuchten Gebiets bestimmt und die Z-Werte der jeweiligen Stationen für jeden Zeitabschnitt berechnet. Zum Schluss wurden die Veränderungen der Z-Werte zwischen den verschiedenen Zeitabschnitten auf ihre Signifikanz hin untersucht. Hilfreich war dabei, dass Atlanta (Georgia) stark über den Zeitraum gewachsen ist und somit ein Vergleich zwischen schwacher und starker Urbanisierung gezogen werden konnte. Da dies auch für Houston (Texas) gilt, konnten Burian und Shepherd (2005) eine ähnliche Studie für diese Stadt durchführen. Sie hatten dafür zeitlich hochaufgelöste Niederschlagsdaten zur Verfügung. Somit konnten sie auch eine Änderung im Tagesgang feststellen. Vor allem zwischen 12 und 20 Uhr kam es durch die Urbanisierung in Lee der Stadt zu einer Verstärkung von bis zu 59 % im Sommerniederschlag. Bei Diem und Mote (2005) zeigte sich, dass es zwar eine signifikante Zunahme von Starkniederschlag an vereinzelten Stationen in Lee von Atlanta gab, jedoch an anderen Stationen in Lee eine signifikante Abnahme. Somit konnte keine verallgemeinerte Aussage über den Einfluss der Stadt getroffen werden.
Da Niederschlagssammler nur an einem Punkt messen können und die Niederschlags- verteilung sehr heterogen ist, können nicht zu vernachlässigende Fehler bei der Auswertung dieser Daten auftreten. Daher werden in einigen Studien auch Radar- und Satellitendaten benutzt. Shepherd et al. (2002) untersuchten mit Hilfe von satelliten- gestützten Radardaten der “Tropical Rainfall Measuring Mission (TRMM)“ die Niederschlagsverteilung um sechs große Städte im Süden der Vereinigten Staaten. Sie bestimmten mit Hilfe der jährlich gemittelten 700 hPa Windrichtung den Einflussbereich der Städte. In diesem Bereich wurde im Abstand von 30 km bis 60 km eine Erhöhung der Regenrate (Mai bis September) um 28 % gegenüber dem Luv der Städte ermittelt. Über den Städten lag die Erhöhung gegenüber dem Luv nur bei 5.6 %. Eine Ausnahme bildet hier die Stadt San Antonio. In ihrem Stadtgebiet kommt es zu einer Abschwächung des Niederschlags von 14 %. Des Weiteren führten Shepherd et al. (2002) die so genannte “urban rainfall ratio (URR)“ ein. Diese berechnet sich aus dem Quotienten des mittleren Niederschlags an einer Gitterzelle und dem mittleren Niederschlag des gesamten Gebiets. Die URR für verschiede Gitterpunkte in Luv und in Lee der Stadt, sowie in der Stadt unterstützen die Ergebnisse der Regenratenuntersuchung.
Dieselbe Methodik wurde auch von Shepherd und Burian (2003) für die Küstenstadt Houston angewendet. Allerdings separierten sie die einzelnen Jahreszeiten. Die Ergebnisse decken sich mit denen der anderen US-Städte und unterstützen die Aussage von METROMEX, dass die Niederschlagserhöhung vor allem in den Sommermonaten (Juni, Juli, August) auftritt. Für diese Studie wurden nur Niederschlagstage untersucht, an denen es unwahrscheinlich war, dass eine Front oder ein Tropischer Sturm durch das
12 Kapitel 2: Stand des Wissens
Gebiet gezogen war. Mote et al. (2007) benutzten hingegen ein normales Regenradar zur Untersuchung des Sommerniederschlags in Atlanta. Die Niederschlagsraten wurden als Level III Produkt aus den Reflektivitäten gewonnen. Damit erreichten sie eine stündliche Auflösung des Niederschlags sowie eine hohe räumliche Auflösung von 4 km x 4 km. Die Ergebnisse zeigten eine Erhöhung des Niederschlags im Osten der Stadt (Lee) von 30 % gegenüber dem Westen (Luv). Die Verstärkung reichte dabei bis in eine Entfernung von 80 km in Lee der Stadt. Durch die hohe zeitliche Auflösung konnte auch ermittelt werden, dass die Verstärkung vor allem zwischen 19 und 0 Uhr Ortszeit stattfand.
Mit Hilfe von Messdaten ist es zwar möglich, Änderungen in der Niederschlagsverteilung zu detektieren, über die Mechanismen können aber nur Vermutungen anstellt werden. Numerische Modelle können dagegen helfen, mögliche Mechanismen zu untersuchen. Für diese Fragestellung eignen sich am besten mesoskalige Modelle. 2D Sensitivitäts- studien für Paris zeigen, dass zwei unterschiedliche Niederschlagsmaxima in Lee der Stadt auftreten (Thielen et al., 2000). Das erste Maximum tritt über der Stadt auf (leeseitig) und wird von den Autoren auf den durch die Stadt verstärkten fühlbaren Wärmefluss zurückgeführt. Das zweite, ca. 50 km bis 70 km entfernte Maximum ist hingegen auf die erhöhte Bodenrauhigkeit zurückgeführt worden. Durch diese verringert sich die Windgeschwindigkeit über der Stadt und es entsteht ein konvergentes Windfeld. Die einfließenden Luftmassen werden dann zum Aufsteigen gezwungen, bis sie nach einer gewissen Zeit das Cumuluskondensationsniveau erreichen und Wolken bilden. Eine Fallstudie mit einem dreidimensionalen (3D) Modell mit einem hoch aufgelösten Land- nutzungsdatensatz und Orographie von Rozoff et al. (2003) zeigt allerdings, dass der Bodenrauhigkeitseffekt nicht die Stärke besitzt, Konvektion auszulösen. Als stärksten Einfluss ermittelten sie eindeutig die durch die Stadt ausgelöste UHI-Zirkulation. Diese führte zu einer Konvergenzzone in Lee der Stadt, wie auch schon im METROMEX vermutet. Diese löst starke Konvektion aus. Die durch die Rauhigkeit entstehende Konvergenzzone tritt hingegen in Luv der Stadt auf und führte zu einer Abschwächung der UHI-Zirkulation und damit auch zur Abschwächung der Konvektion. Dabei ist aber noch nicht klar, ob dies auch für andere Städte mit unterschiedlicher Größe gilt oder nur für St. Louis. Stulov (1993) zeigte, dass nicht nur konvektiver Niederschlag durch die erhöhte Rauhigkeit verändert wird, sondern auch frontaler. Die in der Stadt verminderte Geschwindigkeit bewirkt eine Verlangsamung der Front. Dadurch verweilt sie länger über der Stadt und führt deswegen zu einem Niederschlagsmaximum in der Stadt. Hierzu gibt es noch keine weiteren Untersuchungen.
Baik et al. (2001) untersuchten mit einem 2D Modell und später Han und Baik (2008) mit einem 3D Modell den Einfluss der UHI auf die Konvektion. Dabei verwendeten sie sowohl in der 2D wie auch in der 3D Simulation ein nicht-hydrostatisches mesoskaliges
13 Kapitel 2: Stand des Wissens
numerisches Modell. Bodenrauhigkeitsunterschiede und Topographie wurden vernach- lässigt, um allein den UHI-Effekt zu erhalten. In ihren Simulationen entsteht in Lee der Wärmequelle eine nichtlineare Auftriebszelle. Die Stärke der Zelle war von der großräumigen Windgeschwindigkeit und der Stärke der Wärmequelle abhängig. Je höher die Windgeschwindigkeit und je schwächer die Wärmequelle, umso schwächer sind die Auftriebszelle und der Niederschlag. In der 3D Studie wurde festgestellt, dass auch die Form der Quelle einen signifikanten Einfluss auf die Aufwind- und Niederschlags- verteilung hat. Han und Baik (2008) beschrieben den Effekt der UHI auf die Konvektion zusätzlich auch analytisch. Sie fanden eine Lösung für die Abweichungen des Vertikal- windes in einem dreidimensionalen, zeitabhängigen, nichtrotierenden, nichtviskosen Boussinesq Fluid. Die Lösung hat die Form einer sich über und hinter der Wärmequelle ausbreitenden internen Schwerewelle. In Lee der Quelle entsteht, wie auch bei der numerischen Simulation, eine durch die UHI induzierte Auftriebszelle.
Eine Modellstudie von Mölders und Olson (2004) untersucht neben dem Wärmeeffekt den Einfluss der urbanen Aerosole und der durch urbane Gebiete erhöhten Feuchte auf den Niederschlag. Sie untersuchten den Einfluss von Fairbanks (Alaska) auf den Nieder- schlag und benutzen ein von Schultz (1995) modifiziertes Kesslerschema, welches für urbane Aerosole erweitert wurde, für die Wolkenparametrisierung. Ihre Resultate zeigten, dass sowohl der erhöhte fühlbare Wärmefluss, die erhöhte Feuchte als auch die höhere Aerosolkonzentration zu einer signifikanten Niederschlagserhöhung in Lee der Stadt führen. Mölders und Olson (2004) vermuten, dass die größere Anzahl an Kondensations- keimen die Bildung von kleinen Wassertropfen begünstigt. Somit verschiebt sich das Tropfenspektrum hin zu kleineren Radien. Das hat zur Folge, dass sich über der Stadt weniger Niederschlagstropfen bilden können, da die Koaleszens erschwert wird. Regentropfen bilden sich dann erst in Lee der Stadt. Wie sich in numerischen Simulationen von van den Heever und Cotton (2007) zeigt, ist dieser Prozess sehr kompliziert und muss im Zusammenhang mit dynamischen Effekten betrachtet werden. Er kann sowohl zur Verstärkung als auch zur Abschwächung von Niederschlag führen. Dabei ist zu unterscheiden, welche Aerosole betrachtet werden und wie hoch die Hintergrundkonzentration ist. Je geringer die Hintergrundkonzentration ist, umso größer ist der Einfluss der Aerosole. In Küstenstädten zum Beispiel müssten Aerosole einen sehr großen Einfluss haben. Einige Studien weisen auf eine klare Unterdrückung des Niederschlags durch Aerosole hin (z.B. Rosenfeld, 2000). Vor allem der Niederschlag aus flachen Wolken ist davon betroffen (Rosenfeld und Woodley, 2003). Givati und Rosenfeld (2004) quantifizierten diesen Effekt auf eine Reduktion von 15 % bis 25 % in Lee von Küstenstädten in Kalifornien und Israel.
14 Kapitel 2: Stand des Wissens
Untersuchungen für deutsche Städte sind nicht so zahlreich und die neuste ist von 1998. Mölders (1998) fand mit Hilfe numerischer Simulationen eine Niederschlagsverstärkung in Lee der Städte Leipzig und Dresden. Zusätzlich wurden Niederschlagsdaten von Stationen um und in Leipzig ausgewertet. Der Quotient aus den ländlichen Stationen und zwei Referenzstationen in Leipzig wurde für verschiedene Windrichtungen berechnet. Die Ergebnisse unterstützen die der numerischen Simulationen. Die Niederschlags- erhöhung in Lee der Stadt war vor allem bei hohen Regenraten stark ausgeprägt.
Tabelle 2.2: Studien zum urbanen Effekt auf den Niederschlag seit 2000. Zusätzlich sind noch mal die Ergebnisse von METROMEX, die Studien zu deutschen Städten und zu Moskau aufgeführt.
Entf von Vermutete Stadt Autoren Methode Ergebnisse der Ursachen Stadt Atlanta, GA Bornstein Auswertung Initialisierung 25- UHI und Lin, Niederschlags- von Konvektion 40 km 2000 sammler in Lee der Stadt Shepherd et Auswertung Verstärkung von ca. UHI, al., 2002 satelliten- 20 % (Lee) u. 8 % 60 km Rauhigkeits- gestützter (in der Stadt) u. Aerosol- Radardaten effekt Diem und Auswertung keine eindeutige - - Mote, 2005 Niederschlags- Zunahme in Lee sammler der Stadt (nur eine Station 30 km in Lee) Mote et al., Auswertung Verstärkung von 40- UHI 2007 Radardaten 30 % in Lee der 80 km Stadt Dallas, TX Shepherd et Auswertung Verstärkung von ca. UHI, al., 2002 satellitengestüt 32 % (Lee) u. 20 km Rauhigkeits- zter Radardaten 25 % (in der u. Aerosol- Stadt) effekt Dresden Mölders, Numerische Verstärkung in - UHI 1998 Simulation Lee der Stadt Fairbanks, AK Mölders und Numerische Verstärkung in - UHI, Aerosol- Olson, 2004 Simulation Lee der Stadt u. Feuchteffekt
15 Kapitel 2: Stand des Wissens
Entf von Vermutete Stadt Autoren Methode Ergebnisse der Ursachen Stadt Hongkong Lo et al., Numerische Verstärkung der - Verstärkung 2007 Simulation Land-See Wind der Land-See Zirkulation durch Wind die UHI- Zirkulation Zirkulation durch die UHI- Zirkulation Houston, TX Shepherd und Auswertung Verstärkung - UHI, Burian, 2003 satelliten- 40 % (Lee) und Rauhigkeit- u. gestützter 20 % (in der Aerosoleffekt Radardaten Stadt) (aber auch Land-See- Wind- Zirkulation) Burian und Auswertung Veränderter - UHI Shepherd, Niederschlags- Tagesgang des 2005 sammler Niederschlags in der Stadt u. in Lee davon (Maximum hin zu den Abendstunden) Jin et al., Auswertung Kein klarer - - 2005 Satellitendaten Zusammenhang zwischen Aerosolen und Niederschlags- verstärkung Leipzig Mölders, Numerische Verstärkung in 10- UHI 1998 Simulation u. Lee der Stadt 20 km Auswertung Messdaten Montgomery, Shepherd et Auswertung Verstärkung ca. UHI, AL al., 2002 satelliten- 15 % (Lee) u. 25 km Rauhigkeits- gestützter 10 % (in der u. Aerosol- Radardaten Stadt) effekt
16 Kapitel 2: Stand des Wissens
Entf von Vermutete Stadt Autoren Methode Ergebnisse der Ursachen Stadt Moskau Stulov, 1993 Auswertung Verstärkung - UHI und Radardaten und 11 % (jährlich), Rauhigkeit Niederschlags- bis 21 % (Winter) sammler durch (Fallstudie) Initialisierung, Verstärkung von Konvektion (Lee), Verlangsamung von Fronten (über der Stadt) Paris Thielen et al., Numerische Initialisierung 50- 1. Maximum 2000 Simulation von Konvektion 70 km UHI, 2. in Lee der Stadt, Maximum zwei Maxima Rauhigkeit San Antonio, Shepherd et Auswertung Verstärkung ca. UHI, TX al., 2002 satelliten- 25 % (Lee) u. 40 km Rauhigkeits- gestützter Abschwächung – u. Aerosol- Radardaten 28 % (in der effekt Stadt) St. Louis, MO METROMEX Auswertung Verstärkung 5- 25- UHI, (Changnon et von 25 % (Sommer) 50 km Rauhigkeits- al., 1981) Niederschlags- u. 14 % (Winter) u. Aerosol- sammler effekt Rozoff et al., Numerische Initialisierung - UHI u. 2003 Simulation von Rauhigkeit Gewitterzellen in Lee der Stadt Van den Numerische Verstärkung der - UHI, Heever und Simulation gebildeten Zellen Rauhigkeits- Cotton, 2007 durch urbane u. Aerosol- Aerosole effekt Waco, TX Shepherd et Auswertung Verstärkung ca. UHI, al., 2002 satelliten- 51 % (Lee) und 50 km Rauhigkeits- gestützter 15 % (in der u. Aerosol- Radardaten Stadt) effekt
17 Kapitel 2: Stand des Wissens
Die Ergebnisse der beschriebenen und in Tabelle 2.2 aufgeführten Studien zeigen, dass es in Lee der Stadt zu einer Niederschlagsverstärkung von 5 % bis 51 % kommt. Die Entfernung des Maximums der Verstärkung zur Stadt liegt dabei zwischen 10 km und 80 km. Zu den Entstehungsmechanismen der Niederschlagsverstärkung durch die Stadt existiert allerdings keine einheitliche Theorie. Abbildung 2.3 zeigt schematisch die drei Mechanismen, welche als Ursache der Verstärkung vermutet werden. Sicher sind sich die Autoren der Studien, dass die UHI eine Auftriebszelle in Lee der Stadt auslöst. Diese ist so stark, dass sie Wolken und später auch Niederschlag auslösen kann. Die erhöhte Rauhigkeit urbaner Gebiete vermindert die Geschwindigkeit und kann somit zu einer Konvergenz in Luv der Stadt führen. Ob dieser Mechanismus zu einer Verstärkung oder Abschwächung des Niederschlags in Lee führt ist jedoch noch nicht vollständig geklärt. Ähnlich ist dies bei den urbanen Aerosolen, welche als zusätzliche CCN agieren können.
Abbildung 2.3: Schematische Darstellung der niederschlagsbeeinflussenden Prozesse der Stadt. Konv steht für Konvergenz aufgrund der abgeschwächten Wind- geschwindigkeit durch die erhöhte Rauhigkeit und CCN für die anthropogenen Aerosole/Wolkenkondensationskeime.
Anzumerken ist, dass in der Literatur orographische Effekte entweder vernachlässigt wurden oder als sehr schwach im Vergleich zu den anderen Effekten erachtet werden. Gerade bei der Auslösung von konvektivem Niederschlag kann die Orographie einen entscheidenden Einfluss haben und sollte deswegen auch genauer untersucht werden.
18 Kapitel 3: Datenanalyse
3 Datenanalyse
Die vom DWD bereitgestellten Temperatur- und Niederschlagsdaten werden hinsichtlich des Einflusses der Stadt Hamburg analysiert. In Abschnitt 3.1 wird der Datensatz beschrieben. Die verwendeten statistischen Methoden werden im Abschnitt 3.2 genauer beschrieben. In Abschnitt 3.3 werden die Ergebnisse der Datenanalyse vorgestellt.
3.1 Temperatur- und Niederschlagsdatensatz der Metropolregion Hamburg
Zur Analyse des Stadteffekts stehen vom DWD verschiedene Datensätze zur Verfügung. Die Klimastationen des DWD liefern tägliche Temperatur- und Niederschlagswerte. Diese sind im Großraum Hamburg aber nur in geringer Anzahl verfügbar. Niederschlags- stationen, welche tägliche Niederschlagssummen liefern, sind hingegen in relativ großer Anzahl vorhanden. Für Windgeschwindigkeit und Windrichtung werden stündliche Werte für beide Parameter von der synoptischen Station Hamburg-Fuhlsbüttel (#1_h) in dem Zeitraum zwischen 1981 und 2006 genutzt.
Die Messdauer ist von Station zu Station unterschiedlich. Um die Daten vergleichen zu können werden Dekaden festgelegt, in denen die Stationen gemessen haben (Tabelle 3.1). Sollte eine Station Fehlwerte aufweisen, werden diese mit “not a number“ (NaN) belegt. Für die Berechnungen werden nur Stationen mit maximal 10 % Fehlwerten verwendet. Für die Untersuchung der langjährigen Trends und der Niederschlagsverteilungsänderung werden außerdem noch Klimanormalperioden festgelegt. Stationen, welche den Zeitraum von wenigstens 60 Jahren abdecken, werden für die Berechnung von Niederschlags- differenzen als Referenzstationen (RS) (#1, #12, #19, #22, #29, #31, #38, #40, #42) benutzt, da eine gute Kenntnis über die Verteilungsfunktion des Niederschlags vorliegt. Zusätzlich ist gesichert, dass diese Stationen in allen Dekaden durchgemessen haben und somit als Vergleichstationen dienen können.
In Tabelle 3.1 sind alle in dieser Arbeit verwendeten Stationen mit ihren Messgrößen, den jeweiligen Messperioden und den für diese Arbeit verwendeten Stationsnummern aufgelistet. Für die Auswertungen werden 46 Stationen in Hamburg und in einem Ab- stand zum Zentrum von maximal 47 km ausgewählt. Die Stationen sind in Abbildung 3.1 eingetragen. Mote et al. (2007) haben gezeigt, dass der Einfluss der Stadt auf den Niederschlag bis zu 80 km reicht. Würde man dies auf Hamburg beziehen, würde dieser Bereich bis zu anderen Städten, wie Lübeck, Kiel oder Bremen, gehen. Dies würde es
19 Kapitel 3: Datenanalyse
schwierig machen, zwischen dem Einfluss von Hamburg und den Einflüssen der anderen Städte zu unterscheiden. Auch läge der Außenbereich im Einfluss von Nord- bzw. Ostsee und damit in einem sich stark von Hamburg unterscheidenden Klima.
150 ° 54.0 N 140
130 10 9 120 13 110 46 8 11 100 7 15 12 16 45 14 17 90 44 1 2 18 80 43 5 6 3 23 ° 4 53.5 N 19 70 20 22 42 35 34 24 60 40 36 33 21 41 25 50 32 26 40 39 31 28 27 37 30 0100 20 km 38 29 30 20
10
° 0 53.0 N ° ° 10.0° E 10.5° E 11.0° E 9.0 E 9.5 E -10
Höhe [m]
Abbildung 3.1: Standorte der 46 Messstationen im Großbereich Hamburg. Das innere schwarze Kästchen grenzt die Stationen mit dichter urbaner Bebauung ein.
Von den 46 Stationen messen 7 Stationen zusätzlich die Temperatur. Diese werden hinsichtlich der UHI analysiert. Für die Berechungen wird unter anderem die Tages- mitteltemperatur verwendet, welche sich wie folgt berechnet:
T + T + 2T T = 1 2 3 (3.1) m 4
T1 ist die Temperatur gemessen um 7:30 Mitteleuropäische Zeit (MEZ), T2 die
Temperatur um 14:30 MEZ und T3 die Temperatur um 21:30 MEZ. Die drei Zeiten sind die so genannten Klimatermine. An der Station Hamburg-Fuhlsbüttel (#1) wird die Tagesmitteltemperatur seit dem 1.1.2002 aus den 24 Stundenwerten berechnet. Der Messzeitraum für einen Tag geht von 23:50 UTC des Vortages bis 23:51 UTC. Sollten mehr als drei Stundenwerte fehlen, wird das Mittel aus den vier Hauptterminen (0, 6, 12,
20 Kapitel 3: Datenanalyse
18 UTC) berechnet. Zusätzlich stehen auch die Tagesmaximums- und Tagesminimums- temperatur zur Verfügung. Diese werden mit Hilfe eines speziellen Thermometers über den Zeitraum zwischen T3 und T3 des nächsten Tages bestimmt. Wie auch bei der Tagesmitteltemperatur wurde der Messzeitraum an der Station Hamburg-Fuhlsbüttel (#1) am 1.1.2002 umgestellt. Die Niederschlagssummen werden sowohl an den Klima- stationen als auch an den einfachen Niederschlagsstationen von 6 UTC bis 6 UTC des Folgetags gemessen.
Ein großes Problem bei der Auswertung der Daten besteht darin, dass sich die Stationen nicht über den gesamten Zeitraum, in dem sie gemessen haben, an einem Standort befunden haben. Die Versetzungen bewegen sich meistens im Bereich von einigen hundert Metern, können aber auch, wie z.B. an der Station Hamburg-Kirchwerder (#24), mehr als 1 km betragen. Die in Tabelle 3.1 aufgeführten Dekaden sind allerdings so gewählt, dass innerhalb dieser wichtige Stationen, wie Grambek (#23) nicht verlegt wurden. Die Station Hamburg-Fuhlsbüttel (#1) wurde allerdings während 1995 um einige 100 Meter verlegt, was in die Dekade von 1988 bis 1997 fällt. Während dieser wird der Zusammenhang zwischen Windgeschwindigkeit und UHI-Intensität und der urbane Einfluss auf den Niederschlag untersucht. Jedoch weisen die Winddaten keine großen Unterschiede zwischen den Zeiträumen vor und nach 1995 auf.
Tabelle 3.1: In der Arbeit verwendete Stationen mit Stationsnummer (#), Stationsname, Entfernung zum Zentrum von Hamburg (Entf) und Messperioden für die verschiedenen Parameter. Die fettgedruckten Stationen sind die für die Niederschlag- sanalyse verwendeten Referenzstationen (RS). P steht für Niederschlag, T für die Tagesmittel-, Tagesmaximums- und Tagesminimumstemperatur in 2 m Höhe, dd für die Windrichtung in ° und ff für die Windgeschwindigkeit in m/s. Die Daten sind alle tägliche Werte, bis auf Station #1_h mit stündlichen Werten und #1_m mit homogenisierten monatlichen Werten.
Entf 1948- 1958- 1968- 1978- 1988- # Stationsname 1998-2007 (km) 1957 1967 1977 1987 1997 1 HH-Fuhlsbüttel 6 T, P T, P T, P T, P T, P T, P 1_m HH-Fuhlsbüttel- 6 T,P T,P T,P T,P T,P T,P monthly 1_h HH-Fuhlsbüttel- 6 - - - - T_h, T_h, P_6h, hourly P_6h, dd_h, ff_h dd_h, bis 2006 ff_h 2 HH-Ohlsdorf 6 - P P P P - 3 HH-Wandsbek 6 - T, P T, P T, P T, P T, P, bis 2006
21 Kapitel 3: Datenanalyse
4 HH-St. Pauli 5 - T, P T, P T, P T, P - 5 HH-Altona 8 P P P P P - 6 HH-Stadtpark 1 - P P P P - 7 Quickborn 20 - - - T, P - T, P 8 Bullenkuhlen 29 - - P P P P bis 2006 9 Brande- 37 - - P P P P bis 2006 Hörnerkirchen 10 Hartenholm 36 - P P P P P bis 2006 11 Henstedt- 23 P P P P P P bis 2006 Ulzburg 12 Bargteheide 23 P P P P P P 13 Bad Oldesloe 35 P P P P P P bis 2006 14 HH-Volksdorf 13 - - - - P - 15 Ahrensburg-W 14 - - - T, P T, P - 16 Steinhorst 35 - P P P P P 17 Nusse 38 P P P P P P bis 2006 18 Trittau 26 P P P P P bis 2006 19 Reinbek 15 P P P P P P 20 Geesthacht 26 P P P P P P bis 2006 21 Marschacht 28 P P P P P bis 2006 22 Schwarzenbek 32 P P P P P P 23 Grambek 43 - T, P - - T, P T, P 24 HH-Kirchwerder 20 - T, P - - T, P T, P bis 2006 25 Hoopte 23 - - P P P - 26 Winsen 29 P P P P P 27 Radbruch 35 P P P P P - 28 Wulfsen 32 - P P P P P bis 2006 29 Salzhausen 41 P P P P P P 30 Egestorf- 42 P P P P P - Sahrendorf 31 Jesteburg 32 P P P P P P 32 Buchholz 26 - - - P P - 33 Fleestedt 18 - - P P P P 34 HH- 15 - - T, P T, P T, P T, P Neuwiedenthal 35 Rosengarten 23 - P P P P - 36 Nenndorf 25 P P P P P P bis 2006 37 Handeloh 39 P P P P P -
22 Kapitel 3: Datenanalyse
38 Königsmoor 47 P P P P P P 39 Tostedt 39 P P P P P P bis 2006 40 Moisburg 30 P P P P P P 41 Sauensiek 36 P P P P P P bis 2006 42 Harsefeld 38 P P P P P P 43 Stade 35 - P P P P - 44 Stadersand 33 - P P P P P bis 2006 45 Pinneberg 19 P P P P P - 46 Horst 35 P P P P P -
3.2 Methodik
Dieser Abschnitt beschäftigt sich damit, welche statistischen Mittel zur Auswertung der Messdaten verwendet werden. Die Berechnung des Starkniederschlags wird in Abschnitt 3.2.1 beschrieben. In Abschnitt 3.2.2 wird erläutert, wie die Trendanalyse durchgeführt wird. Abschnitt 3.2.3 beschäftigt sich mit der Mittelung der Winddaten, welche für die Untersuchung von Temperatur- (Abschnitt 3.2.4) und Niederschlagsdifferenzen (Abschnitt 3.2.5) benutzt werden. In Abschnitt 3.2.6 werden die für die Rechnungen verwendeten Signifikanztests aufgezeigt.
3.2.1 Berechnung von Starkniederschlag
Wie schon in Abschnitt 2.1 erwähnt, wird für diese Arbeit Starkniederschlag als das 95 Perzentil der Tagesniederschläge >1 mm definiert. Für die Ermittlung des Grenzwerts werden alle Niederschlagswerte der Station Hamburg-Fuhlsbüttel (#1) von 1891 bis einschließlich 2007 benutzt. Die Starkniederschlagsindizes EI, EP und EF werden, wie in Tabelle 2.1 beschrieben, für jedes Jahr berechnet. Zusätzlich werden die Veränderungen in der Verteilungsfunktion des Niederschlags von den neun RS untersucht. Dafür werden die Niederschlagsereignisse in Klassen mit unterschiedlicher Niederschlagsmenge eingeteilt und darauf basierend ein Histogramm erstellt. Dies wird für die zwei Klimanormalperioden 1948 bis 1977 und 1978 bis 2007 durchgeführt. Die prozentualen Änderungen (PA) in der Verteilungsfunktion werden über Gleichung (3.1) bestimmt:
A(1978 − 2007) − A(1948 −1977) PA = (3.1) A(1948 −1977)
23 Kapitel 3: Datenanalyse
A(1978-2007) und A(1948-1977) sind jeweils die Anzahl der Niederschlagsereignisse in der jeweiligen Klimanormalperiode für die jeweilige Klasse.
3.2.2 Trendanalyse
Die Zeitreihen der in Abschnitt 2.2 beschriebenen Niederschlagsindizes EI, EP und EF der Station Hamburg Fuhlsbüttel (#1), der Jahres- und der Jahreszeitennieder- schlagssummen aller RS werden hinsichtlich möglicher Trends untersucht. Zum Bestimmen der Trends wird die Methode der kleinsten Quadrate verwendet. Damit lassen sich die Parameter der Geradengleichung (Gleichung 3.2) bestimmen.
f (x) = ax + b (3.2)
Für die Trendanalyse ist nur der Parameter a interessant. Er gibt die Steigung des linearen Trends an. Zum Testen der Signifikanz wird der in Abschnitt 3.2.6 beschriebene Mann- Kendall Test benutzt (Kendall, 1938; Mann, 1945). Da die Niederschlagssummen eine große Streuung aufweisen wird für Hamburg-Fuhlsbüttel (#1_m) ein gleitendes 30 Jahre Mittel gebildet, welches die Werte glättet. Diese Zeitreihe wird dann wieder auf einen Trend getestet.
3.2.3 Berechnung des mittleren Winds
Da die Temperatur- und Niederschlagswerte nur täglich vorliegen, werden die stündlichen Winddaten von Hamburg-Fuhlsbüttel (#1_h) aus 10 m Höhe auf Tageswerte gemittelt. Für die Mittlung von Windgeschwindigkeit und Windrichtung werden zwei unterschiedliche Methoden benutzt. Zur Ermittlung der Abhängigkeit der Temperatur- und Niederschlagsdifferenzen von der Windgeschwindigkeit wird nur das arithmetische Tagesmittel benötigt. Für die Bestimmung der mittleren Windrichtung reicht es nicht aus, die Werte für die Windrichtung zu mitteln. Hier würden beim Sprung über Nord (z.B. von 359° auf 1°) falsche Werte auftreten. Aus diesem Grund wird die Windrichtung als Vektormittelung errechnet. Die u- und v-Komponenten werden dazu einzeln gemittelt. Danach wird aus dem Vektor die Windrichtung bestimmt. Da die Temperatur- und Niederschlagswerte jeweils über einen anderen Zeitraum gemittelt bzw. aufsummiert werden, werden die Winddaten entsprechend der Anwendung über den jeweiligen Zeit- raum gemittelt.
24 Kapitel 3: Datenanalyse
Für diese Arbeit wird angenommen, dass die gemittelten Winddaten repräsentativ für die großräumige Strömung im Gebiet in und um Hamburg sind. Zusätzlich wird angenommen, dass sie auch die Zugrichtung von Niederschlagsgebieten angeben. Dies ist eine starke Vereinfachung der Realität. Der Wind dreht meistens mit der Höhe und Gewitterzellen oder auch Fronten ziehen im Allgemeinen nicht mit der Bodenwind- richtung. Auch kann bei einem Frontdurchgang eine starke Winddrehung auftreten. Aufgrund dessen weisen die Bereiche von Luv und Lee in Abschnitt 3.2.5 eine große Spanne auf. Für den Zusammenhang zwischen Windgeschwindigkeit und UHI-Intensität ist es hingegen von Vorteil, dass kurzfristige Windgeschwindigkeitsschwankungen weg- gemittelt werden, da der Aufbau der UHI eher von der mittleren Windgeschwindigkeit abhängig ist.
3.2.4 Berechnung der Intensität der städtischen Wärmeinsel
Zur Bestimmung der Intensität der städtische Wärmeinsel (UHI) wird, wie in der Literatur üblich (z.B. Morris et al., 2001), die Temperaturdifferenz zwischen einer Station in der Stadt und einer Station im ländlichen Umland benutzt. Oft wird auch die maximale Differenz an einem Tag als UHI Intensität definiert. Da die Daten aber nur täglich gemittelt oder wie bei der Minimums- und Maximumstemperatur ohne Angabe der Uhrzeit vorliegen, ist letzteres nicht möglich. Als ländliche Referenzstation wird für die weiteren Berechnungen die Station Grambek (#23) gewählt. Grambek ist ein kleines Dorf mit ca. 400 Einwohnern, knapp 43 km östlich von Hamburg. Grambek liegt weit entfernt von anderen urbanen Gebieten und ist im Osten von Wald und im Westen von Feldern umgeben. Die Tagesmitteltemperatur dieser Station wird von den Tagesmittel- temperaturen der anderen Stationen subtrahiert. Um den Höhenunterschied der Stationen zu berücksichtigen, werden vorher alle Temperaturen mit der US-Standardatmosphäre (Dutton, 1995) höhenkorrigiert. Zuletzt werden dann die Temperaturunterschiede zwischen der betrachteten Station und Grambek über die betrachtete Dekade gemittelt. Für die Korrelationsanalyse zwischen UHI und Windgeschwindigkeit wird die UHI als tägliche Temperaturdifferenz zu Hamburg-Fuhlsbüttel (#1) definiert. Zusammen mit der täglich gemittelten Windgeschwindigkeit (Abschnitt 3.2.3) wird die UHI in einem Streudiagramm aufgetragen. Um zu untersuchen, ob ein funktionaler Zusammenhang zwischen den beiden Größen besteht, werden wie bei Morris et al. (2001) der lineare (Gleichung 3.3) und experimentelle Zusammenhang (Gleichung 3.4) untersucht. Zusätzlich wird der Koeffizient e für den Ansatz von Oke (1973) berechnet (Gleichung 3.5).
25 Kapitel 3: Datenanalyse
Δ=TaffbUHI + (3.3)
d Δ=TcffUHI (3.4)
Δ=TeffUHI / (3.5)
Die Koeffizienten a bis e werden mittels der Methode der kleinsten Quadrate bestimmt. Um zu sehen wie stark der Zusammenhang zwischen den aus Messungen bestimmten
Temperaturdifferenzen ΔTMes(ff) und ΔTUHI(ff) ist, wird der Korrelationskoeffizient r und damit auch r² bestimmt. Die Formel für das r der Regressionen lautet:
Cov((),())Δ TUHI ffΔ T Mes ff rT((),())ΔΔ=UHI ffT Mes ff (3.6) Var(ΔΔ TUHI ( ff )) Var ( T Mes ( ff ))
wobei Var(ΔTUHI(ff)) und Var(ΔTUHI(ff)) für die Varianzen von ΔTMes(ff) und ΔTUHI(ff) und Cov(ΔTUHI(ff),ΔTUHI(ff)) für die Covarianz der beiden stehen.
Das Quadrat des Korrelationskoeffizienten r gibt an, wie viel Varianz durch die Regression erklärt wird. Damit ist r² ein hervorragender Indikator für die Güte der jeweiligen Zusammenhänge. Die Berechnungen der Regressionsanalyse und des Korrelationskoeffizienten werden mit Hilfe von Matlab durchgeführt (MathWorks™, 2007).
Zur weiteren Untersuchung der urbanen Wärmeinsel werden auch die Differenzen zwischen den täglichen Minimumstemperaturen und den täglichen Maximums- temperaturen gebildet. Die Berechnung ist äquivalent zu der der Tagesmitteltemperatur. Als Referenzstation dient wieder Grambek (#23).
3.2.5 Berechnung der Niederschlagsdifferenzen
Die Bestimmung des Einflusses der Stadt auf den Niederschlag durch Auswerten von Beobachtungsdaten wird durch viele Faktoren erschwert. Niederschlag fällt meistens lokal (diskret), was es erschwert, ihn auf täglicher Basis zwischen mehreren Stationen zu vergleichen. Durch das Aufsummieren des Niederschlags über Jahre oder Jahreszeiten können zwar die Klimatologie und auch die Unterschiede zwischen den Stationen bestimmt werden, diese Unterschiede sind aber zusätzlich durch mögliche Stadteffekte
26 Kapitel 3: Datenanalyse sowie durch andere Effekte, wie Orographie und Nähe zu Gewässern, beeinflusst. In den Studien von Städten in den Vereinigten Staaten konnte der urbane Effekt separiert werden, indem Daten aus Zeiträumen mit einer schwachen Urbanisierung mit aktuellen Daten mit hoher Urbanisierung verglichen werden. Dies geht allerdings nur, wenn die Stadt im letzten Jahrhundert eine drastische Entwicklung im Bezug auf Einwohnerzahl und Fläche durchgemacht hat und lange homogene Zeitreihen vorliegen. Für Hamburg ist dies nicht der Fall. Aus diesem Grund wird eine andere Methode angewandt.
Zuerst werden die schon in Abschnitt 3.1 beschriebenen repräsentativen Stationen RS festgelegt. Fällt an mindestens zwei dieser Stationen mehr als 1 mm Niederschlag, wird dieser Tag als ein Niederschlagstag bezeichnet. Mögliche Fehler beim Messen von kleinen Niederschlägen werden durch den Grenzwert von 1 mm vermieden. Das es an mindestens zwei RS mehr als 1 mm geregnet haben muss stellt sicher, dass es sich nicht nur um einen lokalen Schauer handelt. Für jeden Niederschlagstag wird der Niederschlag aller neun RS gemittelt. Dieses Mittel ist eine Art repräsentatives Flächenmittel des Niederschlags. Ist das Mittel gebildet, wird dieses von den Niederschlagswerten jeder einzelnen Station subtrahiert. Die Niederschlagsdifferenzen werden dann folgendermaßen berechnet:
1 9 ΔP = P − P (3.7) ∑ RSi 9 i=1
Die für jede Station gewonnenen ΔP zeigen auf, wie die räumliche Niederschlags- verteilung im Großraum Hamburg an dem jeweiligen Niederschlagstag ist. Das Mittel und der Median über alle Niederschlagstage in den unterschiedlichen Dekaden (Tabelle 3.1) geben dann einen guten Überblick, wie diese Niederschlagsverteilung klimatologisch aussieht. Allerdings kann mit Hilfe des Medians oder des Mittels keine Aussage getroffen werden, ob der urbane Einfluss von Hamburg für die unterschiedlichen ΔP verantwortlich ist. Deswegen werden die Winddaten von Hamburg-Fuhlsbüttel (#1_h) hinzugezogen. Mit der mittleren Windrichtung ist es möglich, Gebiete zu definieren, die in Luv und Lee der Stadt liegen. Dazu wird die Stationslage relativ zum Mittelpunkt Hamburgs (Länge, Breite) bestimmt und der Luv- und Leebereich für jede Station für jeden Niederschlagstag festgelegt. Stationen in ± 30° der Windrichtung werden als Luvstationen definiert und Stationen in ± 30° der Windrichtung +180° dementsprechend als Leestationen. Stationen, die nicht in einen der beiden Bereiche fallen, werden dann als Reststationen definiert (Abbildung 3.2). Für jede Station wird für den jeweiligen Bereich (Luv, Lee, Rest) der Median der Niederschlagsdifferenzen ΔP berechnet. Die Mediane werden dann miteinander verglichen.
27 Kapitel 3: Datenanalyse
Zusätzlich zu den Ungenauigkeiten, welche durch die Mittelung der Windrichtungen und der Annahme entstehen, dass die Windrichtungen gleichzeitig der Zugrichtung der Niederschlagsgebiete entspricht, ist auch die Ausdehnung der Stadt ein Grund, wieso eine Spannbreite von ± 30° benutzt wird.
150 ° 54.0 N 140
130 10 9 Lee 120 11 13 110 Rest 46 8 7 12 100 15 16 45 14 17 90 44 1 2 18 80 43 5 6 3 23 4 53.5° 70 N 19 22 34 20 42 35 24 60 40 36 33 21 41 25 50 Luv 32 26 Rest 40 39 31 28 27 37 30 0100 d 20 km 38 29 in 30 20 W 10
° 0 53.0 N ° ° 10.0° E 10.5° E 11.0° E 9.0 E 9.5 E -10
Höhe [m]
Abbildung 3.2: Schematische Darstellung der Einteilung der Stationen in Luv, Lee und Rest.
3.2.6 Signifikanztests
Zur Bestimmung der Signifikanz der Ergebnisse in Abschnitt 3.3 werden verschiedene Tests angewendet. Da die Verteilungsfunktionen der zu testenden Messreihen nicht genau bekannt sind, werden vor allem nicht-parametrische Tests angewandt. Bei den Trendanalysen wird der Mann-Kendall Test verwendet (Kendall, 1938; Mann, 1945). Dieser wurde von Sneyers (1990) für die Untersuchung meteorologischer Zeitreihen vorgeschlagen und schon in einigen Studien als Trendtest verwendet (z.B. Brunetti et al.,
2001; Riemann-Campe et al., 2008). Für eine Reihe von n Messungen x1, x2,...,xn zu verschiedenen Zeiten, wird als Nullhypothese H0 angenommen, dass sie von einer Grund- gesamtheit stammen, in der die zufälligen Variablen unabhängig und identisch verteilt sind (gleiche Verteilungsfunktion). Die alternative Hypothese H1 ist, dass die Messungen einen monotonen Trend in der Zeit besitzen. Die Teststatistik dafür lautet:
nn−1 Sxx=−sgn( ) (3.8) ∑∑kjk==+11jk
28 Kapitel 3: Datenanalyse
S gibt also an, wie viel mal mehr xj größer xk ist (j > k), als xj kleiner xk. Wie sich zeigen lässt, ist S asymptotisch normalverteilt (Kendall, 1938). Der Mittelwert E(S) und die Varianz Var(S) lauten folgendermaßen:
E(S) = 0 (3.9)
p {n(n −1)(2n + 5) − ∑t j (t j −1)(2t j + 5)} Var(S) = j =1 (3.10) 18
wobei p die Anzahl der Gruppen mit gleichen Werten ist und tj die Anzahl der Werte in der j-ten Gruppe. Bei einem positiven Wert für S liegt ein positiver Trend vor. Ein negativer Wert von S weist dementsprechend auf einen negativen Trend hin. Da S schon bei kleinen n nahezu normalverteilt ist, kann mit einer einfachen Formel der Z-Wert bestimmen werden. Dieser ist durch:
⎧ S −1 , wenn S > 0 ⎪ Var(S) ⎪ Z = ⎨ 0 , wenn S = 0 (3.11) ⎪ S +1 ⎪ , wenn S < 0 ⎩ Var(S) gegeben. Damit lässt sich dann die Signifikanz des Trends anhand einer Normal- verteilung bestimmen (Hipel und McLeod, 2005). Für die Berechnung des Tests wird das R-Paket von McLeod (2005) benutzt.
Der Test kann allerdings nur angewandt werden, wenn die Autokorrelation der Zeitreihe, die einen Zeitversatz von einem Zeitpunkt (“lag-1“) aufweist, kleiner als 0.1 ist (Kulkarni und von Storch, 1995). Deshalb wird jede Zeitreihe die eine Autokorrelation größer als 0.1 aufweist, mit Hilfe eines AR(1)-Prozesses “prewhited“. Für eine solche Zeitreihe wird zuerst ein AR(1)-Prozess angepasst. Dieser hat die Form (Wilks, 2006):
X ()taXt=−+ ( 1) e (3.12)
X(t) ist der Wert der Zeitreihe zum Zeitpunkt t, X(t-1) ist der Wert um Zeitpunkt t-1, a ist der Autokorrelationskoeffizient und e sind Zufallszahlen, welche die Eigenschaften des weißen Rauschens aufweisen. Sie sind normalverteilt um den Mittelwert 0. Für jedes
29 Kapitel 3: Datenanalyse
Element der Originalzeitreihe wird das Element der AR(1) Zeitreihe berechnet, um es danach vom Element der Originalzeitreihe zu subtrahieren. Die dadurch entstandene Zeitreihe ist dann “prewhited“ (vernachlässigbar kleine Autokorrelation) und wird mit Hilfe des Mann-Kendall Tests auf Signifikanz getestet.
Um die Signifikanz der Niederschlagsdifferenzen (ΔP) zwischen Luv und Lee sowie zwischen Rest und Lee zu bestimmen, wird ein anderer nicht-parametrischer Test benutzt, da hierbei auch größere Ausreißer vorhanden sind. Der Wilcoxon-Rang- summentest ist robust gegen solche Ausreißer und setzt keine Normalverteilung voraus (Wilks, 2006). Dieser Test prüft, ob sich die Mediane zweier Messreihen unterscheiden.
Als Nullhypothese H0 wird angenommen, dass beide Messreihen aus ein und derselben
Grundgesamtheit stammen. Die alternative Hypothese H1 ist, dass sie aus zwei verschiedenen Grundgesamtheiten mit unterschiedlichen Medianen stammen. Für die Berechnung der Teststatistik werden nicht die Werte der Messreihen benutzt, sondern ihr Rang. Die Messwerte beider Reihen werden nach ihrer Größe geordnet und einem Rang zugewiesen. Danach werden die Ränge der jeweiligen Messreihe zu R1 und R2 auf- summiert. Würden die beiden Messreihen aus einer Grundgesamtheit stammen, dann wären R1/n1 und R2/n2 von ähnlicher Größe, wobei n1 die Anzahl der Messwerte in der ersten Datenreihe und n2 die Anzahl in der zweiten Datenreihe ist. Es gibt insgesamt n!/[(n1!)(n2!)] verschiedene Möglichkeiten (n = n1 + n2), wie die Werte angeordnet sein könnten. Um nicht für jede dieser Möglichkeiten ein neues R1 und R2 Paar zu berechnen, wird eine neue Teststatistik eingeführt. Die so genannte “Mann-Whitney U-Statistik“ berechnet sich folgendermaßen:
n (n +1) U = R + 1 1 (3.13) 1 1 2
n (n +1) U = R + 2 2 (3.14) 2 2 2
Der Vorteil an dieser Teststatistik ist, wie auch schon bei S, dass sie bei einem genügend großen n normalverteilt ist. Der Mittelwert E(U) und die Varianz Var(U) sind gegeben durch:
n n E(U ) = 1 2 (3.15) 2
n n (n + n +1) Var(U ) = 1 2 1 2 (3.16) 12
30 Kapitel 3: Datenanalyse
Bei diesem Test ist es nicht entscheidend, ob U1 oder U2 für die Berechnung genommen wird, da beide dieselben Informationen tragen. Die Signifikanz kann wieder über die Z- Statistik bestimmt werden:
U − E(U ) Z = (3.17) Var(U )
Der Test wird mit Hilfe von Matlab berechnet (MathWorks™, 2007).
Zum Testen der Signifikanz der Temperaturdifferenzen (ΔT) wird ein einfacher t-Test verwendet, da bei diesen Differenzen keine Ausreißer zu erwarten sind. Als
Nullhypothese H0 wird angenommen, dass der Mittelwert der Datenmenge bei 0 liegt.
Die Alternativhypothese H1 ist dann, dass der Mittelwert ungleich 0 ist. Die t-Statistik berechnet sich aus:
E(ΔT ) t = i (3.18) Var(ΔTi )
E(ΔTi) und Var(ΔTi) sind der Mittelwert und die Varianz der Temperaturdifferenzen ΔT der Station i. Wie auch bei dem Wilcoxon-Rangsummentest wird der t-Test mit Hilfe von Matlab berechnet (MathWorks™, 2007).
Zum Testen der Ergebnisse der in Abschnitt 3.2.4 vorgestellten Regressionsanalyse wird auch ein t-Test verwendet. Allerdings ist die Formel für die t-Statistik eine andere, da nicht mehr der Mittelwert verglichen wird, sondern der Korrelationskoeffizient. Unter der Nullhypothese, dass r gleich 0 ist, lautet die Formel für die t-Statistik (Kreyzig, 1975):
n − 2 t = r (3.19) 1− r 2
Dabei bezeichnet r den Korrelationskoeffizienten, welcher nach Gleichung (3.6) in Abschnitt 3.2.4 berechnet wird.
Für alle Tests wird, falls nicht anders im Text angegeben, ein α von 0.05 verwendet. Somit liegt die Wahrscheinlichkeit, dass die Nullhypothese fälschlicherweise akzeptiert wurde, bei 5 %.
31 Kapitel 3: Datenanalyse
3.3 Ergebnisse
In diesem Abschnitt werden die Ergebnisse der Datenanalyse vorgestellt. In Abschnitt 3.3.1 wird eine Klimatologie anhand der Langzeitdaten von Hamburg- Fuhlsbüttel (#1) erstellt. Im Abschnitt 3.3.2 wird auf die Eigenschaften der Hamburger UHI eingegangen. Abschnitt 3.3.3 zeigt langfristige Niederschlagsänderungen und Abschnitt 3.3.4 die lokalen Unterschiede in den Niederschlägen. Damit wird versucht, den Einfluss der Stadt auf die regionale Niederschlagsverteilung zu bestimmen.
3.3.1 Klimatologie von Temperatur, Niederschlag und Wind
Hamburg ist mit rund 1.8 Millionen Einwohnern und einer Fläche von 755 km² hinter Berlin die zweitgrößte Stadt Deutschlands (Statistisches Amt für Hamburg und Schleswig-Holstein, 2006; 2008). Hamburg liegt im Norden Deutschlands und ist ca. 100 km von der Nordsee und ca. 80 km von der Ostsee entfernt.
Aus den Messdaten von 1891 bis 2007 ergeben sich für Hamburg-Fuhlsbüttel eine Jahresmitteltemperatur 8.8 °C, durchschnittlich 196 Tage an denen Niederschlag fällt und ein durchschnittlicher Jahresniederschlag von 749 mm. Der maritime Einfluss macht sich unter anderem im Jahresgang der Temperatur bemerkbar (Abbildung 3.3a). Die Winter sind mild, mit nur wenigen Tagen an denen Schnee fällt, und die Sommer sind moderat warm. Der kälteste Monat ist der Januar mit 0.6 °C und der wärmste Monat der Juli mit 17.3 °C. Die Temperaturspanne liegt zwischen einer Minimumstemperatur von -29.1 °C, gemessen am 13. Februar 1940, und einer Höchsttemperatur von 37.3 °C, gemessen am 9. August 1992.
50 100 140 a) 45 90 b) 120 40 80
35 70 100
30 60 80 25 50 60 20 40 Häufigkeit
Mitteltemperatur [°C]Mitteltemperatur 15 30 40 Niederschlagssumme [mm] 10 20 20 5 10
0 0 0 Jan Feb Mär Apr Mai Jun Jul Aug Sep Okt Nov Dez Jan Feb Mär Apr Mai Jun Jul Aug Sep Okt Nov Dez Monat Monat Abbildung 3.3: a) Klimadiagramm von Hamburg-Fuhlsbüttel (#1) (1891-2007). b) Häufigkeitsverteilung der Starkniederschläge an der Station Hamburg-Fuhlsbüttel (#1) auf Basis der Messdaten von 1891 bis 2007.
32 Kapitel 3: Datenanalyse
Der meiste Niederschlag fällt in den Sommermonaten Juni, Juli, August und im Januar sowie Dezember (Abbildung 3.3a). Der niederschlagsreichste Monat ist der Juli mit 84 mm. Der Februar ist der niederschlagsärmste Monat mit 47 mm. Weiter ergibt sich aus der täglichen Zeitreihe von 1891 bis 2007 (#1) nach der in Abschnitt 2.2 gegebenen Definition für Starkniederschlag (95 Perzentil der Tagesniederschläge) ein Wert von 15.9 mm. Starkniederschläge fallen, wie in Abbildung 3.3b deutlich wird, vor allem in den Sommermonaten Juni, Juli und August, mit einem Maximum der Häufigkeit im Juli. Da in diesen Monaten auch der meiste Niederschlag fällt, ist davon auszugehen, dass der Starkniederschlag maßgeblich dazu beiträgt. Das Niederschlagsmaximum im Winter kommt nicht durch vermehrte Starkniederschläge zustande, da hier die Häufigkeit von Starkniederschlägen eher gering ist. Über die Art der Starkniederschläge können keine eindeutigen Aussagen getroffen werden, da keine weiteren Informationen z.B. über Wetterlagen vorliegen. Allerdings ist es wahrscheinlich, dass frontale Niederschläge zu den hohen Regenmengen geführt haben, da diese sehr häufig in diesen Monaten auftreten. Im Sommer hingegen sind konvektive Starkniederschläge die wahrschein- lichste Ursache.
Wie die Windrose für Hamburg deutlich macht, ist die häufigste bodennahe Wind- richtung West bis Südwest (Abbildung 3.4). Dies ist bedingt durch die westliche Grund- strömung in den Mittleren Breiten sowie durch häufig etwas nördlich vorbeiziehende Tiefdruckgebiete. Ein zweites deutlich schwächeres Häufigkeitsmaximum ist bei Ost bis Südost zu erkennen, welches durch Hochdruckgebiete über Skandinavien und Russland verursacht wurde. Sehr selten hingegen kommt der Wind aus Nord und Süd. Diese Windverteilung hat zur Folge, dass sich einige Stationen überwiegend in Lee der Stadt befinden und andere überwiegend in Luv.
a) 0 b) 0 330 30 330 30
300 60 300 60
10 % 6 % 8 % 8 % 10 % 2 % 4 % 2 % 4 % 6 % 270 90 270 90
240 120 240 120
210 150 210 150 180 180
Abbildung 3.4: Windrose der täglich gemittelten Windrichtungen von a) 1988 bis 1997 und b) 1981 bis 2006 an der Station Hamburg-Fuhlsbüttel (#1_h).
33 Kapitel 3: Datenanalyse
3.3.2 Städtische Wärmeinsel
In Abbildung 3.5a sind die mittleren Temperaturabweichungen (ΔT) zwischen Grambek und den einzelnen Stationen und damit die mittlere UHI-Intensität für den Zeitraum 1988 bis 1997 eingetragen. Alle ΔT sind, wie in Abschnitt 3.2.4 erwähnt, mit Hilfe der US- Standardatmosphäre höhenkorrigiert. Ersichtlich ist, dass an der Station Hamburg-St. Pauli (#4) die größte mittlere Intensität von knapp 1.2 K gemessen wurde. Diese Intensität ist in etwa so groß wie die auf eine andere Art und Weise bestimmte UHI- Intensität von 1.1 K für Melbourne, einer Küstenstadt im Süden Australiens (Morris et al. 2001). Die Station St. Pauli liegt nahe dem Zentrum der Stadt und ist umgeben von hohen Gebäuden. Damit ist sie auch die urbanste Temperaturstation in dieser Analyse und sollte somit auch die am stärksten ausgeprägte UHI besitzen. An den anderen Stationen liegt die UHI-Intensität zwischen 0.5 K in Hamburg-Fuhlsbüttel (#1) und 0.7 K in Hamburg- Neugraben (#34). Als einzige Station weist Ahrensburg-Wuhlsdorf (#15) quasi keinen Temperaturunterschied auf und liegt somit nicht in der UHI Hamburgs. Zu erklären ist dies mit der suburbanen, fast schon ländlichen Lage der Station, wobei eigentlich zu vermuten wäre, dass diese Station noch in der Abwindfahne der Stadt liegt und deswegen eine, wenn auch geringe, Erwärmung erfahren müsste. Überraschend ist auch, dass Hamburg-Kirchwerder (#24), eine Station in den ländlichen Vier- und Marschlanden, ein so großes ΔT besitzt. Ein Grund dafür könnte die nahe gelegene Elbe sein.
Die Berechnungen für die zwei anderen Zeiträume, eine Dekade (1958-1967) und einen 9-Jahreszeitraum (1998-2006), an denen Werte für Grambek vorliegen, bestätigen teilweise die Ergebnisse aus der ersten Dekade (nicht gezeigt). Die Temperatur- differenzen sind an den Stationen Hamburg-St. Pauli (#4) und Hamburg-Neugraben (#34) von der gleichen Größenordnung. Somit ist davon auszugehen, dass Hamburg eine wohldefinierte UHI besitzt. Zusätzlich konnte für den Zeitraum von 1998 bis 2006 die Station Quickborn (#7) hinzugenommen werden. Allerdings haben nicht alle Stationen über alle drei Zeiträume gemessen, so dass nicht jede Station verglichen werden kann. Die Temperaturdifferenz von Quickborn (#7) liegt nahe null und entspricht damit der von Ahrensburg-Wuhlsdorf (#15), der zweiten ländlichen Station.
Die Werte für die verschiedenen Zeiträume sind zwar von der gleichen Größenordnung, weisen aber durchaus Unterschiede auf. Diese könnten ein Hinweis darauf sein, dass sich der Temperaturanstieg in Hamburg, verursacht durch die globale Erwärmung (Schlünzen et al., 2008), durch die Einflüsse der Stadt zusätzlich verstärkt hat. Allerdings sind die Stationen Grambek (#23) und Hamburg-Kirchwerder (#24) zwischen den Dekaden versetzt worden. Also könnten die kleinen Änderungen der Temperaturdifferenzen,
34 Kapitel 3: Datenanalyse welche zwischen den Dekaden auftreten, auch durch die Standortverlegung entstanden sein. Aus diesem Grund kann anhand der zur Verfügung stehenden Daten keine belastbare Aussage über die möglicherweise unterschiedliche langfristige Erwärmung von Stadt und ländlichen Umland getroffen werden.
Die Intensität der UHI ist nicht nur von Station zu Station unterschiedlich, sondern auch während der verschiedenen Jahreszeiten. In Abbildung 3.5b sind die Temperatur- differenzen für die jeweiligen Jahreszeiten eingetragen. In dieser Abbildung ist deutlich zu sehen, dass es Unterschiede zwischen den Jahreszeiten gib, welche bis zu 0.5 K betragen können. An der Station Ahrensburg-Wuhlsdorf (#15) gibt es sogar negative Werte im Frühling (MAM) und im Sommer (JJA). Auffällig ist auch, dass die Station Hamburg-Kirchwerder (#24) ihr Maximum im Sommer (JJA) besitzt, während die anderen Stationen dort ihr Minimum haben.
2.5 1.5 a) b) MAM JJA 2 SON 1 DJF 1.5
1 0.5 T [K] T [K] Δ Δ 0.5
0 0
-0.5
-1 -0.5 1 3 4 15 24 34 1 3 4 15 24 34 Stationsnummer Stationsnummer Abbildung 3.5: Temperaturdifferenzen zwischen den Stationen #1, #3, #4, #15, #24, #34 und Grambek (#23) a) jährlich gemittelt zusammen mit der Standardabweichung (Balken) und b) über die verschiedenen Jahreszeiten gemittelt. Alle Werte beziehen sich auf den Zeitraum von 1988 bis 1997. Differenzen sind mit der US-Standard- atmosphäre höhenkorrigiert (Abschnitt 3.2.4).
Für ein tieferes Verständnis der UHI ist es wichtig, die Unterschiede zwischen der Tagesmittel-, Tagesminimums- und Tagesmaximumstemperatur zu betrachten. Hilfreich ist es hierfür, den Jahresgang der Differenzen zu bestimmen. In Abbildung 3.6 ist dieser für die jeweiligen Stationen aufgetragen. Zu sehen ist einmal, dass die Differenzen der Tagesminimumstemperatur an fast allen Stationen um mehr als 1 K größer sind als die der Tagesmaximumstemperatur, was charakteristisch für die UHI ist (Abschnitt 2.5). Am stärksten ausgeprägt ist dieser Unterschied an der Station Hamburg-St. Pauli (#4), wo er im August fast 3 K beträgt. Des Weiteren weisen die meisten Stationen, wie auch schon bei den Jahreszeiten zu sehen, einen Jahresgang auf. Bei der Tagesmitteltemperatur ist dieser an den Stationen #1, #3, #4 und #24 recht schwach ausgeprägt (Abbildung 3.6a).
35 Kapitel 3: Datenanalyse
An diesen Stationen gibt es Maxima im Frühling und Herbst. Die Station Hamburg- Kirchwerder (#24) weist ein Maximum in den Monaten April bis August auf. Ahrensburg-Wuhlsdorf (#15) besitzt hingegen ihr Maximum im Winter und ist im Sommer, wie auch schon bei der Jahreszeitenanalyse zu sehen war, kälter als die Station Grambek (#23). Dies zeigt, dass auch ländliche Stationen einen unterschiedlichen Jahresgang in der Temperatur besitzen können.
Bei den Tagesminimumstemperaturen besitzen alle Stationen einen mehr oder weniger stark ausgeprägten Jahresgang (Abbildung 3.6b). Am stärksten ist dieser bei Hamburg-St. Pauli (#4) und Hamburg-Kirchwerder (#24). Bis auf Ahrensburg-Wuhlsdorf (#15) und Hamburg-Wandsbek (#3) liegt das Maximum in den Monaten von April bis Oktober und das Minimum von November bis März. Dies entspricht dem Jahresgang, welchen auch die meisten anderen Städte aufweisen (Abschnitt 2.4). Ahrensburg-Wuhlsdorf (#15) besitzt als einzige Station zwei Minima (Mai bis September und November, Dezember).
Auch bei den Maximumstemperaturen gibt es wieder zwei Stationen mit unter- schiedlichem Verhalten (Abbildung 3.6c). Die Differenzen zu Hamburg-Wandsbek (#3) und Hamburg-Kirchwerder (#23) sind das Jahr über nahezu konstant. Alle anderen Stationen weisen einen dem der Tagesminimumstemperatur entgegengesetzten Jahres- gang auf. Dabei weisen die Stationen Hamburg-Fuhslbüttel (#1), Ahrensburg-Wuhlsdorf (#15) und Hamburg-Neuwiedenthal (#34) einen nahezu identischen Verlauf auf, obwohl diese Stationen von ihrer Umgebung her sehr unterschiedlich sind.
Die Ergebnisse der Analyse der Jahresgänge zeigen, dass Hamburg eine UHI besitzt. Die mittlere Temperaturdifferenz zwischen ländlichen und urbanen Stationen scheint vor allem von der Stadt beeinflusst zu sein. Der Jahresgang wird aber wahrscheinlich teilweise durch die Eigenschaften der direkten Umgebung der Stationen bestimmt. Dies ist vor allem an den Stationen Hamburg-Kirchwerder (#24) und Hamburg-Wandsbek (#3) zu sehen, bei denen sich die Jahresgänge von denen der anderen Stationen unterscheiden. Mögliche Einflussfaktoren könnten zum Beispiel Gewässer sein. Diese sind im Sommer relativ zu anderen Oberflächen kälter und im Winter wärmer. Das kann dazu führen, dass die Tagesmaximumstemperaturen im Sommer abgeschwächt werden und die Tages- minimumstemperaturen im Winter höher ausfallen. Auch der Grundwasserspiegel und die damit veränderten thermodynamischen Eigenschaften der Böden könnten einen Einfluss auf den Jahresgang der Temperaturdifferenzen haben.
36 Kapitel 3: Datenanalyse
a) #1 #3 #4 #15 #24 #34 2.5
2
1.5
1 T [K] Δ
0.5
0
-0.5 Jan Feb Mär Apr Mai Jun Jul Aug Sep Okt Nov Dez Monat
b) #1 #3 #4 #15 #24 #34 3
2.5
2
1.5 T [K] Δ
1
0.5
0 Jan Feb Mär Apr Mai Jun Jul Aug Sep Okt Nov Dez Monat
c) #1 #3 #4 #15 #24 #34 2
1.5
1
0.5 T [K] Δ
0
-0.5
-1 Jan Feb Mär Apr Mai Jun Jul Aug Sep Okt Nov Dez Monat Abbildung 3.6: Jahresgang der Differenzen der a) Tagesmitteltemperatur, b) Tages- minimumstemperatur und c) Tagesmaximumstemperatur zwischen den Stationen #1, #3, #4, #15, #24 und Grambek (#23) 4 im Zeitraum 1988 bis 1997. Alle Differenzen sind mit der US-Standardatmosphäre höhenkorrigiert (Abschnitt 3.2.4).
37 Kapitel 3: Datenanalyse
Zur Analyse des Einflusses der Windgeschwindigkeit auf die UHI ist eine Regressions- analyse durchgeführt worden (Abschnitt 3.2.4). Die Ergebnisse dieser Analyse sind in Tabelle 3.2 aufgelistet. In Abbildung 3.7 ist das Streudiagramm aller Wertepaare der Differenz der Tagesmitteltemperatur ΔT und der Windgeschwindigkeit ff von 1988 bis 1997 an der Station Hamburg-Fuhlsbüttel (#1) aufgetragen. Zusätzlich sind die Kurven verschiedener potentieller Zusammenhänge zu sehen. Gut zu erkennen ist, dass die UHI mit steigender Windgeschwindigkeit abnimmt. Bei niedrigen Windgeschwindigkeiten werden die höchsten Werte von ΔT erreicht und bei sehr großen Windgeschwindigkeiten sind die Werte von ΔT eher klein. Allerdings ist die Variabilität der ΔT Werte bei schwachen Windgeschwindigkeiten am größten. So sind dort auch die niedrigsten Werte zu finden. Dies zeigt, dass die Windgeschwindigkeit nicht die ganze Variabilität der UHI erklären kann, sondern nur einen kleinen Teil davon. Deutlich wird dies auch durch die ermittelten Werte für die erklärte Varianz r². Über den gesamten Zeitraum von 1988 bis 1997 hat die exponentielle Regression ein minimal größeres r² als die lineare. Sie erklärt etwas über 7 % der Varianz der UHI und die Gerade nur etwas über 6 %. Der Ansatz von Oke (1973) (inverse Wurzel-Regression) erklärt ebenfalls mehr als 7 % der Varianz. Bei den Jahreszeiten ist dies jedoch unterschiedlich. Im Winter und im Herbst ist die lineare Regression besser, im Frühling die exponentielle Regression. Die niedrigen r²-Werte der linearen Regression im Sommer und im Frühling fallen mit der schwachen UHI im Frühling und Sommer zusammen.
Die Steigung a bei der linearen Regression schwankt zwischen -0.1 K/(m/s) im Winter und -0.2 K/(m/s) im Frühling. Diese Werte liegen nahe an denen von Morris et al. (2001). Der Parameter b gibt den Schnittpunkt der Geraden mit der y-Achse an und ist damit die Temperaturdifferenz, welche sich bei absoluter Windstille einstellen würde. Die Werte hiefür schwanken zwischen 0.9 K im Sommer und 1.2 K im Herbst, wobei das jährliche Mittel für b bei 1.0 K liegt. Bei den Werten für die exponentielle Regression ergeben sich keine Übereinstimmungen mit Morris et al. (2001). Diese scheinen jedoch bei Morris et al. (2001) auch fehlerhaft zu sein. Nichtsdestotrotz schwanken die für Hamburg ermittelten Werte von c und d von Jahreszeit zu Jahreszeit. Zum Beispiel hat der Frühling (MAM) das höchste c aber auch das niedrigste d. Ursachen für diese Schwankungen könnten die unterschiedliche Verteilungsfunktionen der ΔT Werte, der Wolken- bedeckung, der Windgeschwindigkeit und –richtung in den Jahreszeiten sein. Für die inverse Wurzel-Regression ergeben sich geringfügig höhere Werte für r² als bei der exponentiellen Regression. Die Werte für e schwanken, außer im Sommer (JJA), nur sehr leicht zwischen 1.1 K·(m/s)1/2 und 1.0 K·(m/s)1/2. Bei dieser Regression, bei der auch nur ein Parameter frei wählbar ist, ist die erklärte Varianz immer vergleichsweise hoch.
38 Kapitel 3: Datenanalyse
6 linear 5 exponentiell inverse Wuzel 4
3
2
1 T [K] Δ 0
-1
-2
-3
-4 0 2 4 6 8 10 12 Windgeschwindigkeit [m/s] Abbildung 3.7: Streudiagramm für ΔT und Windgeschwindigkeit für alle Werte zwischen 1988 und 1997 (Hamburg-Fuhlsbüttel (#1)). Die rote Gerade zeigt das Ergebnis der Regression für Gleichung (3.3), die blaue Kurve für Gleichung (3.4) und die schwarze Kurve für Gleichung (3.4).
Tabelle 3.2: Berechnete Koeffizienten und erklärte Varianz r² (in %).
DJF MAM JJA SON Jahr linear Gleichung (3.3) a -0.1 -0.2 -0.2 -0.2 -0.1 b 1.1 1.2 0.9 1.2 1.0 r² 9.7 7.6 4.8 9.9 6.2 exponentiell Gleichung (3.4) c 1.4 2.5 1.4 1.3 1.4 d -0.7 -1.3 -1.4 -0.7 -0.9 r² 8.8 10.0 6.0 8.6 7.1 inverse Wurzel Gleichung (3.5) e 1.1 1.0 0.7 1.1 1.0 r² 9.1 10.0 6.1 9.0 7.3
39 Kapitel 3: Datenanalyse
3.3.3 Niederschlagstrends in der Metropolregion
Für eine langjährige Trendanalyse steht nur die Station Hamburg-Fuhlsbüttel (#1, #1_m) zur Verfügung, welche Niederschlagsdaten von 1891 bis 2007 liefert. Die lineare Trendanalyse der homogenisierten Zeitreihe (#1_m) zeigt, dass es über den gesamten Zeitraum eine signifikante Zunahme der Jahresniederschlagssumme um ca. 8 mm pro Dekade gegeben hat. Dies entspricht einer Zunahme der Jahresniederschlagssumme von rund 14 % seit 1891. In Abbildung 3.8a sind die gesamte Zeitreihe und das Ergebnis der Trendanalyse zu sehen. Die Winterniederschläge (DJF) weisen auch einen signifikanten Trend auf (3.5 mm/Dekade). Für die anderen Jahreszeiten wurde keine signifikante Veränderung der Niederschlagsmenge festgestellt. Dies liegt aber vor allem an der großen Streuung der monatlichen Niederschlagswerte. Aus diesem Grund wird das gleitende Mittel über 30 Jahre berechnet und auch auf einen Trend hin getestet. Für diese Zeitreihe verringert sich der Anstieg der Jahresniederschlagssummen auf 6.2 mm pro Dekade, bleibt aber signifikant. Für die Jahreszeiten ergeben sich durch die Mittelung ebenfalls signifikante Trends. Der stärkste Trend mit 3.5 mm pro Dekade ist in den Herbstmonaten (SON) zu erkennen. Im Frühling wie auch im Winter liegt der Anstieg nur bei knapp 1 mm pro Dekade. Im Sommer nimmt der Niederschlag sogar um 1 mm pro Dekade ab. Das bedeutet, Herbst, Frühling und Winter sind in den letzten 117 Jahren feuchter und der Sommer trockener geworden. Modellergebnisse ausgehend vom A1B Szenario zeigen ähnliche Tendenzen für die Zukunft (z.B. van Ulden und van Oldenborgh, 2006; Christensen et al., 2007).
a) b) 35 1000
[mm] 30
800 25
600 20
15 400 10 200 5 Niederschlagstrend [mm/decade] Jahresniederschlagssumme 0 0 1900 1920 1940 1960 1980 2000 1 12 19 22 29 31 38 40 42 Jahr Stationsnummer Abbildung 3.8: a) Zeitreihe der Jahresniederschlagssummen an der Station Hamburg- Fuhlsbüttel (#1_m) von 1891 bis 2007. Die schwarze Gerade stellt das Ergebnis der linearen Regression dar. b) Niederschlagstrends der RS im Zeitraum zwischen 1948 bis 2007. Die schwarzen Balken stehen für signifikante Trends (α=0.1).
Da die neun RS, zu denen auch Hamburg-Fuhlsbüttel (#1) zählt, über die Zeit von 1948 bis 2007 gemessen haben, kann auch für diese Stationen eine Trendanalyse durchgeführt
40 Kapitel 3: Datenanalyse werden. In Abbildung 3.8b sind die aus den 60 Messjahren errechneten Niederschlags- zunahmen pro Dekade aufgetragen. An allen Stationen kam es zu einer Niederschlags- erhöhung, allerdings ist diese nur an einigen Stationen signifikant (schwarze Balken). Am größten ist die Erhöhung an den Stationen Harsefeld (#42) und Königsmoor (#38) mit 33 mm pro Dekade und 32 mm pro Dekade. Beide Stationen liegen südwestlich von Hamburg, was darauf schließen lässt, dass es Veränderungen der atmosphärischen Strömung in diesen Zeitraum gab und somit auch der räumlichen Niederschlags- verteilung. Um den Anstieg noch einmal auf eine andere Art zu illustrieren und um zu sehen, wie überhaupt die Jahresniederschlagssummen der einzelnen Stationen sind, sind in Abbildung 3.9 die Niederschlagssummen in den zwei 30 Jahres Perioden dargestellt. Zu erkennen ist, dass der Niederschlag sehr heterogen in und um Hamburg verteilt ist. Harsefeld (#42), die westlichste Station, erhielt den meisten Niederschlag und hat wie vorher schon erwähnt den stärksten Anstieg verzeichnet. Die hohe Jahresnieder- schlagssumme ist dort wahrscheinlich auf den größeren Einfluss der Nordsee zurück zu führen. Die Harburger Berge südwestlich von Hamburg könnten ein Grund dafür sein, dass zwischen den Stationen Jesteburg (#40) und Salzhausen (#29) ein großer Unterschied in den Jahresniederschlagsummen besteht. In Luv und vor allem über den Harburger Bergen mit knapp 150 m könnte es zu orographisch verstärkten Nieder- schlägen kommen. In Lee hingegen kann das Absinken zu einer Abschwächung des Niederschlags führen. Da die Hauptwindrichtung, wie in Abbildung 3.4 ersichtlich, Süd- west ist, liegt Salzhausen also hauptsächlich in Lee der Harburger Berge und Jesteburg auf dem “Kamm“.
a) 150 b) 150 ° ° 54.0 N 140 54.0 N 140
130 130
120 120 800 mm 110 800 mm 110 100 100
90 90
80 80
° ° 53.5 N 750 mm 70 53.5 N 750 mm 70 60 60
50 50 700 mm 700 mm 40 40
30 30 650 mm 650 mm 20 20
10 10
0 0 53.0° N 53.0° N ° ° 10.0° E 10.5° E 11.0° E ° ° 10.0° E 10.5° E 11.0° E 9.0 E 9.5 E -10 9.0 E 9.5 E -10
Höhe [m] Höhe [m]
Abbildung 3.9: Niederschlagsverteilung an den RS im Zeitraum zwischen a) 1948 und 1977 und b) 1978 und 2007. Die Größe der schwarzen Kreise gibt die durch- schnittliche Jahresniederschlagsmenge an.
Mit Hilfe der im Abschnitt 3.2.1 definierten PA-Werte können die Niederschlags- intensitätsklassen identifiziert werden, die zu den oben beschriebenen Niederschlags- summenänderungen geführt haben. Außerdem ist es so möglich, die Veränderungen von
41 Kapitel 3: Datenanalyse
Starkniederschlägen genauer zu untersuchen. Positive PA-Werte entsprechen einer Zunahme an Niederschlagsereignissen in einem Niederschlagsbereich, negative PA- Werte einer Abnahme. Wie in Abbildung 3.10a deutlich wird, haben im Mittel über die RS schwache Niederschläge (schwarze Kurve) zwischen 0.1 mm und 3 mm deutlich abgenommen, bei den sehr schwachen (0.1 mm bis 1 mm) beträgt die Abnahme im Mittel 6 %. Allerdings gibt es auch Stationen, welche in diesem Niederschlagsbereich einen starken Anstieg zu verzeichnen hatten. Niederschläge größer als 3 mm haben hingegen an fast allen Stationen zugenommen. Je nach Bereich der Tagesniederschläge liegt die mittlere Zunahme zwischen 4 % und 14 %. Die Anzahl der Niederschlagsereignisse mit mehr als 10 mm hat um knapp 24 % zugenommen. In Abbildung 3.10b ist dieser Bereich noch einmal separat aufgezeigt. Da nur wenige Ereignisse vorliegen, sind die Intervalle diesmal größer gewählt. Ersichtlich ist, dass die Schwankungsbreite der PA-Werte vor allem bei sehr starkem Niederschlag (größer 25 mm) sehr groß ist. Trotz der schon sehr groß gewählten Intervalle sind es zu wenige Ereignisse, um diese Werte interpretieren zu können. Es ist aber ersichtlich, dass vor allem die Niederschläge zwischen 10 mm und 25 mm auch um knapp 20 % zugenommen haben. Die Starkniederschläge (für Hamburg Niederschlagstage mit mehr als 15.9 mm; Abschnitt 3.3.1) haben also überdurch- schnittlich stark zugenommen und sind dementsprechend auch zu einem nicht zu ver- nachlässigenden Teil an der Erhöhung der Jahresniederschlagsmenge beteiligt.
a) 50 b) 200
40 150 30
20 100 10 PA [%] PA [%] 0 50
-10 0 -20
-30 -50 0 0-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 >10 10-15 15-20 20-25 25-30 30-35 >35 Niederschlag [mm] Niederschlag [mm] Abbildung 3.10: Prozentuale Änderungen (PA) der Niederschlagstage an den RS für verschiedene Niederschlagsintervalle a) zwischen 0 mm und 10 mm und b) größer als 10 mm. Die hervorgehobene schwarze Kurve stellt das Mittel aus allen RS dar.
Eine weitere Methode, um Veränderungen im Starkniederschlag zu ermitteln, ist die Trendanalyse der Starkniederschlagsindizes EI, EP und EF. Der Grenzwert für die Berechnung dieser Indizes liegt, wie schon erwähnt, bei 15.9 mm (95 Perzentil). Bei allen drei untersuchten Indizes sind positive Trends über die letzten 117 Jahre und auch über die letzten 60 Jahre zu beobachten (Abbildung 3.11a-c). Allerdings sind diese statistisch
42 Kapitel 3: Datenanalyse nicht signifikant. Dies bestätigt die Ergebnisse von Klein Tank und Können (2003), welche für den Zeitraum zwischen 1946 und 1999 zwar auch positive Trends für Stark- niederschlag und EP für Hamburg ermittelten, diese allerdings auch nicht signifikant waren. Zusätzlich zu den Indizes ist in Abbildung 3.11d auch die Zeitreihe der jährlichen Regentage (> 1 mm) aufgetragen. Zu sehen ist, dass es im Mittel jährlich 125 Regentage in Hamburg gibt. Die Zeitreihe der Regentage weist keinen erkennbaren Trend auf. Die Analysen zu den Niederschlagstrends legen den Schluss nahe, dass der Jahres- niederschlag signifikant gestiegen ist und dies teilweise auf die Zunahme von Häufigkeit und Intensität der Starkniederschläge zurückzuführen ist.
40 40 a) b) 35 35
30 30
25 25
20 20 EP [%] EI [mm] 15 15
10 10
5 5
0 0 c) 1900 1920 1940 1960 1980 2000 d) 1900 1920 1940 1960 1980 2000 Jahr Jahr 14 160
12 150 140 10 130 8 120 6 EF [Tage] Regentage 110 4 100
2 90
0 80 1900 1920 1940 1960 1980 2000 1900 1920 1940 1960 1980 2000 Jahr Jahr
Abbildung 3.11: Zeitreihen und Regressionsgeraden für a) EI, b) EP, c) EF und d) Regentage (>1 mm).
3.3.4 Niederschlagsdifferenzen in der Metropolregion
Absolute Niederschlagsummen geben zwar Aussagen über die räumliche Niederschlags- verteilung, es ist aber schwer, mit ihnen niederschlagsverstärkende oder -abschwächende Effekte zu identifizieren. Mit den in Abschnitt 3.2.5 vorgestellten Niederschlags-
43 Kapitel 3: Datenanalyse differenzen ΔP und dem Vergleich zwischen verschiedenen Anströmungen ist es möglich, Hinweise auf einen Stadteinfluss zu identifizieren. In Abbildung 3.12a sind die Differenzen zwischen den ΔP, wenn die Stationen in Lee Hamburgs liegen, und den ΔP, wenn die Stationen in Luv Hamburgs liegen, aufgetragen. Ein positiver Wert bedeutet, dass die Station, wenn sie sich in Lee der Stadt befindet, pro Tag im Median mehr Niederschlag gegenüber dem Mittel der neun RS erhält, als wenn sie sich in Luv der Stadt befindet. Somit würde die Station eine Niederschlagserhöhung durch die Stadt erfahren haben.
An 21 der 46 Stationen kam es zu einer signifikanten Niederschlagserhöhung zwischen 0.25 mm und 1.09 mm (schwarze Balken in Abbildung 3.12). Dies entspricht 6 % bis 20 % der mittleren Niederschlagsmenge eines Regentags (Abbildung 3.13). Nur an zehn Stationen kam es zu einer Abschwächung, welche aber an keiner der Stationen signifikant war. Der Großteil der Stationen mit einer Niederschlagserhöhung liegt im Norden und Südosten von Hamburg. Aber auch einzelne Stationen im Osten und drei der fünf Stationen in der Stadt zeigen signifikante Niederschlagserhöhungen. Die höchsten Werte sind für die Stationen Brande-Hörnerkirchen (#9), Hamburg-Volksdorf (#14) und Ahrensburg-Wulsdorf (#15) zu verzeichnen. Erstere ist eine Station ca. 37 km nord- westlich von Hamburg entfernt. Die beiden anderen befinden sich am nordöstlichen Rand Hamburgs und liegen nur rund 1 km voneinander entfernt. Auch die restlichen Stationen mit einer signifikanten Verstärkung liegen unterschiedlich weit von Hamburg entfernt. Somit ist keine für die Niederschlagsverstärkung charakteristische Entfernung auszu- machen. Die Stationen ohne signifikante Veränderung liegen vor allem südwestlich von Hamburg. An diesen kommt es sogar zu einer nichtsignifikanten Abschwächung des Niederschlags. Dies könnte auf die Harburger Berge zurück zu führen sein, da diese Stationen vor allem in Lee dieser Erhebungen liegen, wenn sie in Luv der Stadt sind und umgekehrt. Somit ist der orographische Effekt, d.h. Niederschlagserhöhung durch erzwungene Hebung, größer als der städtische und wirkt diesem entgegen.
Der Vergleich zwischen ΔP in Luv und ΔP im Rest sollte ähnliche Ergebnisse hervorbringen, falls ein Stadteffekt existiert, da die Stationen im Rest auch nicht von der Stadt beeinflusst werden. Wie in Abbildung 3.14 zu sehen, ist dies für die südöstlichen Stationen auch der Fall. Jedoch weisen die meisten nördlichen Stationen keine signifikante Verstärkung auf. Hinzugekommen sind dafür Stationen im Osten, sodass die Anzahl von Stationen mit signifikanter Verstärkung nur geringfügig auf 18 Stationen abgenommen hat. Da bei der Betrachtung der Niederschläge, wenn die Station sich weder in Luv noch in Lee der Stadt befindet, keine Informationen über die Zugrichtung vorliegen, können keine Rückschlüsse auf mögliche Ursachen gezogen werden.
44 Kapitel 3: Datenanalyse
Zur Überprüfung der Allgemeingültigkeit der Ergebnisse für die Dekade 1988-1997 werden die Niederschlagsdifferenzen ΔP für die restlichen fünf zur Verfügung stehenden Dekaden berechnet. Für diese liegen allerdings keine Winddaten vor, so dass keine Unterschiede zwischen Luv und Lee berechnet werden können. Trotzdem sollte das Muster der ΔP sich von Dekade zu Dekade nicht groß unterscheiden, sonst wären die Niederschlagsdifferenzen rein von der jeweiligen Dekade abhängig und somit auch die Differenzen zwischen Luv und Lee nicht für andere Zeiträume gültig. Abbildung 3.15 zeigt, dass dies nicht der Fall ist. Hier ist die Streubreite der ΔP dargestellt. Diese ist an einigen Stationen nicht gering, das räumliche Muster der ΔP bleibt aber über die verschiedenen Dekaden erhalten. Somit ist davon auszugehen, dass die Ergebnisse für die Dekade 1988-1997 keinen Einzelfall darstellen und als repräsentativ erachtet werden können.
Mit Hilfe der Niederschlagsdifferenzen ist es zwar möglich, den Einfluss der Stadt auf den Niederschlag im Allgemeinen zu untersuchen. Für die Untersuchung von Einflüssen auf den Starkniederschlag ist diese Methode allerdings unbrauchbar, da Starkniederschlag nur sehr selten auftritt. Die Anzahl der zu untersuchenden Fälle ist zu niedrig, um statistisch signifikante Ergebnisse zu erhalten. Um den Einfluss der Stadt zu bestimmen, bieten sich Modellrechnungen mit einem mesoskaligen Modell an. Aus diesem Grund werden mit dem mesoskaligen Modell METRAS verschiedene Sensitivitätsstudien durch- geführt, deren Ergebnisse in Kapitel 5 vorgestellt werden.
Die Ergebnisse der Niederschlagsdifferenzen zeigen, dass Hamburg sehr wahrscheinlich einen Einfluss auf die Niederschlagsverteilung in der Metropolregion hat. Dieser ist sicht- bar an der signifikanten Niederschlagsverstärkung in Lee der Stadt an 46 % der Stationen, welche sich zwischen 6 km und 41 km von der Stadtmitte Hamburgs entfernt befinden. Die Verstärkung liegt in einer Größenordnung von 6 % bis 20 % der Nieder- schlagsmenge eines mittleren Regentags und ist somit nicht zu vernachlässigen. Dass bei den restlichen Stationen keine signifikante Zunahme und an einigen Stationen sogar eine Abnahme ermittelt wurde, kann, wie schon erwähnt, an der Orographie liegen. Diese könnte dem Stadteinfluss entgegen wirken. Zusätzlich hat die angewendete Methode gewisse Ungenauigkeiten, wie die Windrichtungsmittelung (Abschnitt 3.2.3) und die möglichen Messfehler bei der Niederschlagsmessung.
45 Kapitel 3: Datenanalyse
1.5
HH Nord Ost Süd West 1
0.5 P Luv [mm] P Luv Δ 0 P Lee - P - Lee Δ
-0.5
-1 0 10 20 30 40 Stationsnummer Abbildung 3.12: Differenzen zwischen den Medianen ΔP in Lee und ΔP in Luv an jeder der 46 Niederschlagsstationen. Die schwarzen Balken stehen für signifikante (α = 0.1) Differenzen. Zur besseren Orientierung sind die Stationen in Nord, Ost, Süd, West und HH (Innerstädtische Stationen) eingeteilt. Für die Berechnung von ΔP siehe Abschnitt 3.2.5.
25
20 HH Nord Ost Süd West
15
10 P[%] Luv Δ 5 P Lee - Δ 0
-5
-10 0 10 20 30 40 Stationsnummer Abbildung 3.13: Differenzen zwischen den Medianen ΔP in Lee und ΔP in Luv an jeder der 46 Niederschlagsstationen bezogen auf die mittlere Niederschlagsmenge eines Regentags (an mindestens 2 RS Niederschlag > 1 mm). Die schwarzen Balken stehen für signifikante (α = 0.1) Differenzen.
46 Kapitel 3: Datenanalyse
1.5
HH Nord Ost Süd West 1
0.5 P Rest [mm] P Rest Δ 0 P Lee - P - Lee Δ -0.5
-1 0 10 20 30 40 Stationsnummer Abbildung 3.14: wie Abbildung 3.12 nur für die Differenzen zwischen den Medianen ΔP in Lee und ΔP im Rest.
0.5
HH Nord Ost Süd West
0 P [mm] Δ
-0.5
-1 0 10 20 30 40 Stationsnummer Abbildung 3.15: Mittel der Niederschlagsdifferenzen ΔP über alle Dekaden (durch- gezogene Linie) und über die Dekade von 1988 bis 1997 (gestrichelte Linie), sowie der Spannbreite aller Dekaden (grau schraffiert). Für die Berechnung von ΔP siehe Abschnitt 3.2.5.
47 Kapitel 4: Beschreibung von METRAS
4 Beschreibung von METRAS
Für die Sensitivitätsstudien zum Einfluss von urbanen Gebieten auf Starkniederschlag wird das mesoskalige Transport- und Strömungsmodell METRAS (Schlünzen, 1988) benutzt. Dieses wurde schon für Untersuchungen in der meso-γ und meso-β Skala erfolgreich verwendet. Im Folgenden werden die zugrunde liegenden Modellgleichungen (Abschnitt 4.1), die verwendeten Approximationen (Abschnitt 4.2), Parametrisierungen (Abschnitt 4.3), numerischen Lösungsverfahren (Abschnitt 4.4) und das Initialisierungs- verfahren (Abschnitt 4.5) genauer beschrieben. Der Schwerpunkt der Beschreibung liegt auf den für die Niederschlagsbildung wichtigen Modelleigenschaften. Die folgenden Ausführungen basieren auf Schlünzen et al. (1996) und für die Parametrisierung der mikrophysikalischen Prozesse teilweise auf Köhler (1990).
4.1 Grundgleichungen
Die in METRAS verwendeten Gleichungen basieren auf den Erhaltungssätzen für Impuls, Masse und Energie. Die daraus resultierenden prognostischen Grundgleichungen können für eine rotierende Erde folgendermaßen geschrieben werden:
∂vr 1 r r + (vr ⋅∇)vr = − ∇p − 2[]Ω× vr − gk + F (4.1) ∂t ρ ∂ρ + ∇ ⋅ (ρvr) = 0 (4.2) ∂t ∂θ + vr ⋅∇θ = Q + F (4.3) ∂t θ θ
Dabei stellen Gleichung (4.1) die Bewegungsgleichung, Gleichung (4.2) die Kontinuitäts- gleichung und Gleichung (4.3) die Transportgleichung der potentiellen Temperatur θ dar. θ ist die durch einen adiabatischen Prozess auf 1000 hPa reduzierte Temperatur und wird wie folgt berechnet:
R ⎛1000 hPa ⎞ c p θ = T⎜ ⎟ (4.4) ⎝ p ⎠
Die Luft wird wie üblich als ideales Gas betrachtet. Somit lässt sich die Zustands- gleichung schreiben als:
48 Kapitel 4: Beschreibung von METRAS
RkT vk = i (4.5) i p
Für alle weiteren skalaren Größen χ, wie z.B. Wasserdampf oder Stoffkonzentrationen, wird die folgende Transportgleichung verwendet:
∂χ + vr ⋅∇χ = Q (4.6) ∂t χ
Die Lösung dieses Gleichungssystems erfolgt nicht auf einem kartesischen Gitter, sondern in einem bodenfolgenden. Hierfür wird die Vertikalkoordinate z durch
z − zs (x, y) η = zt (4.7) zt − zs (x, y)
ersetzt. Bei zs handelt es sich um die Höhe des Bodens und zt die Höhe des Oberrands.
Die Koordinate η wird somit am Boden gleich 0 und am Modelloberrand gleich zt. Durch die transformierte Höhenkoordinate ändern sich auch alle drei Geschwindigkeits- komponenten und damit auch die Grundgleichungen (4.1)-(4.6). Die Koordinaten x, y 1 2 3 und z im neuen Gleichungssystem werden im Folgenden mit x& , x& und x& bezeichnet.
Die Grundgleichungen könnten dann gelöst werden. Allerdings dürften dafür die Gitterabstände maximal 1 cm und die Zeitabstände maximal 1 s betragen. Da das für mesoskalige Phänomen eine sehr hohe Gitteranzahl bedeuten würde, müssen die Grundgleichungen zeitlich und räumlich gemittelt werden (Pielke, 2002). Hierfür werden die Variablen ψ in einen gemittelten (integriert über Δt, Δz, Δy und Δz) Anteil ψ und in die Abweichungen von diesem Mittel ψ ´ aufgespalten.
ttxx+Δ +Δyy+Δ zz +Δ ψ = ∫∫∫∫ψ dx dy dz dt/(ΔΔ t x Δ y Δ z ) (4.8) txyz
In den Grundgleichungen werden somit die Variablen ψ durch ψ +ψ´ ersetzt. Dabei werden die mikroskaligen Veränderungen des Drucks und der Dichte vernachlässigt. Zusätzlich werden die gemittelten Größen der Temperatur, Feuchtigkeit, Stoff- konzentration, Druck und Dichte noch in einen mesoskaligen ψ% und großskaligen Anteilt
ψ 0 (Gleichung 4.9) aufgespalten. Der großskalige Anteil bezieht sich auf ein Gebiet
49 Kapitel 4: Beschreibung von METRAS