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):

ƒ Die erhöhte Fläche und die Mehrfachreflexion durch hohe Gebäude führen zu einer erhöhten Absorption kurzwelliger Strahlung. ƒ Erhöhte Luftverschmutzung erhöht die langwellige Gegenstrahlung. ƒ Durch hohe Gebäude reduziert sich der so genannte “Sky-View“ Faktor, aufgrund dessen der Verlust von langwelliger Strahlung verringert wird. ƒ Verkehr und Gebäude stellen eine anthropogene Wärmequelle dar. ƒ Die im Städtebau benutzten Materialien besitzen eine hohe Wärmespeicher- kapazität und erhöhen damit die Speicherung von fühlbarer Wärme. ƒ Durch die Versieglung der Oberflächen wird die Verdunstung verringert. ƒ 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):

ƒ Durch das Einmischen von Luft aus der urbanen Hindernisschicht wird der Zufluss von fühlbarer Wärme erhöht. ƒ Durch die erhöhte Rauhigkeit und damit erhöhte Turbulenz wird auch vermehrt fühlbare Wärme von oben eingemischt.

8 Kapitel 2: Stand des Wissens

ƒ Die erhöhte Aerosolkonzentration führt zu erhöhter Absorption kurzwelliger Strahlung. ƒ 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

x ⋅ y , welches größer als die betrachteten mesoskaligen Phänomene ist. In den meisten Fällen ist die Fläche x ⋅ y gleich der Fläche des Modellgebiets.

xx+ yy+ ψ =⋅ψ dx dy/( x y ) (4.9) 0 ∫∫ xy

Die aufgespalteten meteorologischen Variablen sehen dann folgendermaßen aus:

uuu=+´ (a) vvv=+´ (b) www= + ´ (c)

ρ = ρρ0 + % (d)

p = ppp012++ (e)

χ = χχχ0 ++% ´ (f) (4.10)

4.2 Approximationen

Basierend auf Skalenanalysen können die in Abschnitt 4.1 vorgestellten Grund- gleichungen approximiert werden. Dies ermöglicht eine Vereinfachung des mathematischen Aufbaus der Gleichungen und erleichtert somit auch die numerische Lösbarkeit. Welche Approximationen angewendet werden können, wird mit Hilfe einer Skalenanalyse für die meso-γ und meso-β Skala bestimmt. In METRAS werden folgende Approximationen benutzt:

ƒ Anelastische Approximation Bei der anelastischen Approximation wird angenommen, dass die Dichte sich nicht partiell ändert (Pielke, 2002). Somit vereinfacht sich die Gleichung (4.2) zu Gleichung (4.11). Diese Approximation ist besonders hilfreich, um bei der numerischen Lösung Schallwellen zu eliminieren. Der Integrationszeitschritt müsste sonst sehr klein gewählt werden, damit die Lösungen nicht numerisch instabil werden.

r ∇⋅()0ρ0v = (4.11)

50 Kapitel 4: Beschreibung von METRAS

ƒ Boussinesq Approximation In der Atmosphäre sind die horizontalen Schwankungen der Dichte in den meisten Fällen klein im Vergleich zum großskaligen Anteil der Dichte. Dadurch kann der Dichte der

Luft ein konstanter Wert ρ0 zugewiesen werden (Gleichung 4.12). Nur im Auftriebsterm der vertikalen Bewegungsgleichung werden die Abweichungen der Dichte noch benutzt (Holton, 2004).

⎛⎞ρ% ρ = ρρ00⎜⎟1+≅ (4.12) ⎝⎠ρ0

Für die Berechnung der mesoskaligen Dichteabweichung ρ% in der vertikalen Bewegungsgleichung wird die Zustandsgleichung linearisiert:

1 ρθ% % cv pp12+ ⎛⎞ R 1 123 =− + −⎜⎟ −1 ⋅qqq%%%11 + + 1 (4.13) ρθ00cppo⎝⎠ R 0

ƒ Geostrophie Als geostrophisches Gleichgewicht wird das Gleichgewicht zwischen der horizontalen Druckgradientkraft und der Corioliskraft bezeichnet. Dies kann nur bei reibungsfreier nichtgekrümmter Strömung in einem rotierenden Fluid angenommen werden. In der Atmosphäre ist das ab einer Größenskala von ca. 2500 km gerechtfertigt. In METRAS wird in den horizontalen Bewegungsgleichungen der großskalige Druckgradient durch die Geschwindigkeitskomponenten des geostrophischen Windes ersetzt:

1²⎧⎫∂∂xx&&∂∂p00 ³p U g =−⎨⎬ + (4.14) ρ0 f ⎩⎭∂∂yx&&²³ ∂∂ yx

1 1³⎧⎫∂∂xx&&∂∂p00p Vg =+⎨⎬1 + (4.15) ρ0 f ⎩⎭∂∂xx&& ∂∂ xx³

ƒ Hydrostasie Als hydrostatisches Gleichgewicht wird das Gleichgewicht zwischen der nach oben gerichteten Druckgradientkraft und der nach unten gerichteten Schwerkraft bezeichnet. Das bedeutet, dass die vertikale Beschleunigung in der vertikalen Bewegungsgleichung vernachlässigbar klein gegenüber der Schwerebeschleunigung g ist. Für Phänomene mit einer horizontalen Skala größer als 10 km ist diese Bedingung erfüllt. In METRAS stehen

51 Kapitel 4: Beschreibung von METRAS

sowohl der großskalige Druck p0 als auch der Partialdruck p1 im hydrostatischen Gleich- gewicht:

∂p0 ∂z =−gρ0 (4.16) ∂∂x&&³³x

∂pz1 ρ% ∂ =−gρ0 (4.17) ∂∂x&&³³ρ0 x

Der dynamische Anteil des Drucks p2 wird über eine elliptische Differentialgleichung bestimmt (Schlünzen et al.,1996).

1 ∇=pˆ ∇()ρ vrˆ (4.18) 20Δt

ƒ Konstanter Coriolisparameter Die Corioliskraft und damit der Coriolisparamter f ändern sich mit der geographischen Breite. Bei Strömungen bis zu einer Größenskala von ca. 1500 km kann f aber als konstant angenommen werden. In METRAS bleibt der Coriolisparameter deswegen im gesamten Gebiet konstant.

4.3 Parametrisierungen

Parametrisierungen dienen vor allem dazu, Prozesse zu beschreiben, welche durch die zu großen Gitterabstände nicht mehr aufgelöst werden können. Mit Hilfe von Parametern und Konstanten werden die Auswirkungen der Prozesse auf die Variablen des betrachteten Systems beschrieben. In METRAS werden unter anderem die Wolken- und Niederschlagsbildung (Abschnitt 4.3.1), die subskalige Turbulenz (Abschnitt 4.3.2) und die Strahlung parametrisiert (Abschnitt 4.3.3). In diesem Abschnitt soll vor allem die Wolken- und Niederschlagsparametrisierung betrachtet werden.

4.3.1 Wolken- und Niederschlagsparametrisierung

Für die Parametrisierung mikrophysikalischer Prozesse wird in METRAS das so genannte Kessler-Schema (Kessler, 1969) benutzt. Dieses Schema parametrisiert die mikrophysikalischen Prozesse bei der Entstehung von warmem Regen. Die Verteilung

52 Kapitel 4: Beschreibung von METRAS der Tröpfchen wird als bimodal angenommen. Das bedeutet, Wolkentröpfchen werden als Tropfen mit einem mittleren Radius von ca. 10 μm und Regentropfen als Tropfen mit einem mittleren Radius von 100 μm betrachtet. Die Trennung der beiden Klassen geschieht bei r = 40 μm. Als Regentropfenspektrum wird eine Verteilung nach Marshall und Palmer (1949) angenommen. Wie in Abbildung 4.1 ersichtlich, werden beim Kessler-Schema die folgenden Umwandlungen berücksichtigt:

ƒ Kondensation von Wasserdampf zu Wolkenwasser ƒ Evaporation von Wolkenwasser zu Wasserdampf ƒ Umwandlung von Wolkenwasser zu Regenwasser durch Koagulation von Wolkentröpfchen (Autokonversion) ƒ Umwandlung von Wolkenwasser zu Regenwasser durch Koaleszens von Wolken- tröpfchen (Akkreszenz) ƒ Sedimentation von Regenwasser ƒ Evaporation von fallenden Regentropfen zu Wasserdampf in Gebieten mit Unter- sättigung

Abbildung 4.1: Kessler-Schema (nach Köhler, 1990).

Die Sedimentation von Wolkentröpfchen und das Kondensationswachstum der Regen- tropfen werden im Kessler-Schema vernachlässigt.

53 Kapitel 4: Beschreibung von METRAS

Für die Berechnungen der Phasenumwandlung von Wasserdampf zu Wolkentropfen (Kondensation) und wieder zurück von Wolken- und Regentropfen in Wasserdampf (Evaporation) wird die Methode der Sättigungsadjustierung (Asai, 1965) verwendet. Hierfür werden die Werte der Variablen χ für den nächsten Zeitschritt n+1 nach

χ nn++11=+Δχχˆ (4.19) berechnet. χˆ n+1 sind temporäre Werte zwischen Zeitschritt n und n+1, welche sich nur

1 durch Advektion und Diffusion ändern. Die Änderungen der spezifischen Feuchte Δq1 , 2R des Wolkenwassergehaltes Δq1 und der potentiellen Temperatur Δθ aufgrund der Phasenumwandlung werden dann folgendermaßen berechnet:

⎧ 0,()0wenn qˆˆ11< qsatθˆ und q ˆ 2 C = ⎪ 11 1 Δ=q1 (4.20) 1 ⎨ ⎧⎫1 11satˆ 2 C ⎪min⎨⎬−− (qˆˆ11 q (θ )), q ˆ 1 , sonst ⎩ ⎩⎭β

lq⋅Δ 1 Δ=−θ 21 1 (4.21) cp ⋅Π0

21C Δ=−Δqq11 (4.22)

Π0 bezeichnet die sogenannte Exnerfunktion, welche nach

R cp ⎛⎞p0 Π=0 ⎜⎟ (4.23) ⎝⎠1000 hPa berechnet wird. Die Gleichung der Funktion β lautet:

lq⋅⋅1sat (θˆ ) 4028 β =+1 21 1 (4.24) ˆ cp ⋅Π−(θ 0 38.33)²

Wie aus Gleichung (4.20) ersichtlich ist, setzt, sofort nachdem die Sättigung erreicht ist, die Umwandlung von Wasserdampf zu Wolkentropfen ein. Zusätzlich wird angenommen, dass in einer Wolke immer Übersättigung herrscht.

54 Kapitel 4: Beschreibung von METRAS

2C -3 Wird ein kritischer Wert des Wolkenwassergehalts ( Δq1 = 10 kg/kg) überschritten setzt die Autokonversion ein. Durch Diffusionswachstum bilden sich Regentropfen. Unter der Verwendung einer Zeitkonstante k = 10-3s-1 wird die Autokonversionsrate wie folgt berechnet:

∂q2R ⎧ kq⋅−(),ˆ 22CC q wennq 2 C > q 2 C 1 = ⎨ 11cri 1 1 cri (4.25) ∂t Au ⎩ 0,sonst

22CR Δ=−Δqq11 (4.26)

Für die Akkreszens, das heißt das Einsammeln von Wolkentröpfchen durch fallende

Regentröpfchen (Koaleszens), wird eine konstante Koaleszenseffizienz EK = 1 angenommen. Bei warmen Regen, der beim Kesslerschema betrachtet wird, ist diese Annahme gerechtfertig. Die Akkreszenzrate berechnet sich dann nach:

2R ∂q1 ρs 2320.875CR− =⋅934.63 ⋅⋅⋅⋅qq101 (10ρ ˆ ) (4.27) ∂t Ak ρ0

22CR Δ=−Δqq11 (4.28)

Auf Grundlage der Marshall-Palmer Verteilung für die Regentropfen wird die Sedi- mentation des Regenwassers nach

Δ∂t 2R Δ=qvq ⋅()TR ⋅ρ01 ⋅ˆ (4.29) ρ0 ∂z

berechnet. Bei vTR handelt es sich um die Fallgeschwindigkeit der Regentropfen, welche folgendermaßen berechnet wird:

ρs −3 2R 0.125 vqTR =⋅29.13 ⋅⋅⋅ (10ρ01 ) (4.30) ρ0

Fallen Regentropfen in ein Gebiet außerhalb der Wolke, in dem Untersättigung herrscht, können diese auch wieder evaporieren. Dies wird in Abhängigkeit von der Untersättigung

S, der Fallgeschwindigkeit der Regentropfen ausgedrückt durch den Ventilationsfaktor Fv und der Regentropfenverteilung ausgedrückt durch At berechnet:

55 Kapitel 4: Beschreibung von METRAS

3 22RR⎧⎫10 ⋅Δt − 32 R Δ=−qqAqFS11max⎨⎬ˆˆ ⋅⋅tv 10 ⋅⋅⋅⋅ρ 01 (4.31) ⎩⎭ρ0

12R Δ=−Δqq11 (4.32)

l21 2R Δ=−θ ⋅qˆ1 (4.33) cp ⋅Π0

Bei der Berechnung der Akkreszenzrate (Gleichung 4.27) sowie der Fallgeschwindigkeit 0.5 der Regentropfen (Gleichung 4.30) wurde der höhenabhängige Korrekturfaktor (ρs/ρ0) genutzt, damit die Gleichungen auch bei hochreichender Bewölkung gelten.

Das Kessler-Schema ist eine recht einfache Niederschlagsparametrisierung und enthält, wie schon erwähnt, nur die wichtigsten Prozesse bei der Entstehung von warmen Regen. Prozesse, welche über die Eisphase laufen, werden zwar in den Parametern indirekt berücksichtigt (Schlünzen, 2009), sollten aber bei der Modellierung von stark konvektiven Situationen explizit parametrisiert werden. Aufgrund der Annahme einer Marshall-Palmer-Verteilung liefert das Schema bei einsetzendem Regen zu schnell Regen und überhöhte Regenraten, da die Autokonversation und Akkreszens im frühen Stadium der Wolkenbildung überschätzt werden. Im weiteren Simulationsverlauf liefert das Schema jedoch realistische Werte (Lüpkes, 1991). Zusätzlich zeichnet sich das Schema durch einen geringen Rechenaufwand und einen geringen Speicherbedarf aus. Dies ist besonders bei räumlich hochaufgelösten Simulationen in der Mesoskala wichtig.

4.3.2 Turbulenzparametrisierung

Durch die Mittelung der Grundgleichungen entstehen neue Terme, welche die subskalige Turbulenz beschreiben. Durch das Auftreten dieser Terme und der darin enthaltenen Flüsse ist das Gleichungssystem nicht mehr geschlossen. Um dies zu ändern, besteht in METRAS die Möglichkeit, Schließungsansätze 1. und 1 ½ Ordnung zu verwenden. Unterhalb von 10 m (bodennahe Prandtlschicht) wird allerdings nur die Monin-Obukhov Ähnlichkeitstheorie verwendet, um den Diffusionskoeffizienten und damit die turbu- lenten Flüsse über der jeweiligen Landnutzungsklasse zu berechnen. Die Flüsse in einer Gitterzelle mit unterschiedlichen Landnutzungsklassen können dann mit zwei ver- schiedenen Methoden bestimmt werden. Die erste ist die sogenannte Parametermittelung, bei der z.B. eine über die Landnutzungsklassen gemittelte Rauhigkeitslänge z0 benutzt

56 Kapitel 4: Beschreibung von METRAS wird. Als zweite Methode kann das sogenannte Blendhöhenverfahren benutzt werden. Bei diesem werden zuerst die Flüsse für die jeweilige Landnutzungsklasse berechnet und anschließend unter der Annahme einer Blendhöhe z.B. eine effektive Rauhigkeitslänge z0e bestimmt. Die Blendhöhe ist die Höhe, bei der die turbulenten Flüsse nicht mehr von der Bodenbeschaffenheit abhängig sind.

Für die Bestimmung der turbulenten Flüsse oberhalb einer Höhe von 10 m sind in METRAS folgende Turbulenzmodelle implementiert (Uphoff, 2008):

ƒ Profilansatz (Dunst, 1982) ƒ Mischungswegansatz (Dyer, 1974; Blackadar, 1962) ƒ nicht-lokaler Countergradientansatz (Troen und Mahrt, 1986) ƒ nicht-lokaler Countergradientansatz (Lüpkes und Schlünzen, 1996) ƒ Prognostische Gleichung für die turbulente kinetische Energie (TKE) (Lopéz, 2002) ƒ Prognostische Gleichungen für die TKE und die Dissipation (Lopéz et al., 2005)

Für die Sensitivitätsstudien in Kapitel 5 wird bei stabiler Schichtung der Mischungs- wegansatz und bei labiler Schichtung der nicht-lokale Countergradientansatz von Lüpkes und Schlünzen (1996) verwendet. Beide Parmametrisierungen sind Schließungsansätze 1. Ordnung. Im Mischungswegansatz werden die turbulenten Flüsse proportional zum Hauptströmungsgradienten gesetzt. Bei dem Countergradientansatz handelt es sich um einen nicht-lokalen Ansatz, welcher auch Flüsse entgegen dem Gradienten der Strömung zulässt.

4.3.3 Strahlungsparametrisierung

In METRAS sind zwei verschiedene Strahlungsparametrisierungen implementiert. Sie beschreiben die Erwärmung und Abkühlung aufgrund von Strahlungsprozessen. Bei ausgeschalteter Wolkenmikrophysik wird nur die Strahlungsbilanz am Boden berechnet. Dies geschieht unter Einbeziehung der geographischen Breite, des Datums und der Ortszeit, der Bodenneigung sowie der Abschattung durch angrenzende Berge. In der Atmosphäre wird eine empirisch festgelegte Abkühlung angenommen (Schlünzen, 1990):

Qθ = −Δθ loss exp(−z / 600) (4.34)

Wobei Δθloss am Tag 2 K/Tag und in der Nacht 3 K/Tag beträgt. Wird mit Wolken gerechnet, wird die Strahlung mit Hilfe der Zweistromapproximation berechnet (Bakan,

57 Kapitel 4: Beschreibung von METRAS

1994). Bei dieser werden zusätzlich Absorption und Reflektion von kurz- und lang- welliger Strahlung an Wasserdampf und flüssigem Wasser an allen Punkten des Modellgebiets berücksichtigt. Somit kann es an jedem beliebigen Punkt zu strahlungs- bedingter Abkühlung oder Erwärmung kommen.

4.4 Numerische Verfahren

Die numerische Lösung der Modellgleichungen geschieht in METRAS auf einem ARAKAWA-C Gitter. Bei diesem ist das Gitter der vektoriellen Größen zum Gitter der skalaren Größen um einen halben Gitterabstand verschoben. Diese Anordnung verbessert die numerische Genauigkeit bei der Berechnung von Divergenzen. Außerdem ist sie sehr gut geeignet, um Schwerewellen zu berechnen.

Zur Vermeidung von 2Δx-Wellen, welche die Lösung instabil machen könnten, sind in METRAS drei verschiedene Filter implementiert. In den Sensitivitätsstudien (Kapitel 5) wird der 7-Punktfilter (Gleichung 4.35) für die Geschwindigkeitskomponenten verwendet.

1 ψ&&iiiiiiii=−+++−+(ψψ++32 6 15 ψ + 1 44 ψψψψ 15 −−− 123 6 ) (4.35) 64

Da die Gleichungen auf einem Gitter gelöst werden, müssen sie in eine diskrete Form überführt werden. Für die Advektionsterme in der Bewegungsgleichung geschieht dies zeitlich mit Hilfe des Adam-Bashforth Verfahrens und räumlich mit dem zentrierte Differenzen Verfahren. Um die Stabilität der Lösung zu gewährleisten, wird auch die Diffusion mit dem gleichen Verfahren gelöst. In Abhängigkeit von dem verwendeten Zeitschritt wird die vertikale Diffusion mit dem impliziten Crank-Nicholson-Verfahren berechnet. Die Diskretisierung des Coriolis- und des Auftriebsterms verläuft vorwärts in der Zeit und räumlich zentriert. Der Gradient des mesoskaligen Druckes p2 wird hingegen rückwärts diskretisiert, womit auch bei jedem Zeitschritt die anelastische Nährung erfüllt ist. Die räumliche Diskretisierung des Druckgradienten verläuft, wie auch bei den anderen Gradienten, mit zentrierten Differenzen. Um den Druck p2 zu berechnen, muss, wie schon in Abschnitt 4.1 erwähnt, eine elliptische Differentialgleichung gelöst werden (Gleichung 4.17). Dies geschieht mit Hilfe eines iterativen Verfahrens. Die Advektionsterme der Bilanzgleichungen für skalare Größen werden mit Hilfe von Gegenstromdifferenzen diskretisiert. Die Austauschprozesse werden vorwärts in der Zeit und zentriert im Raum gelöst. Alternativ können diese Prozesse auch mit dem Crank- Nicholson-Verfahren gelöst werden.

58 Kapitel 4: Beschreibung von METRAS

4.5 Initialisierung

Die Initialisierung des dreidimensionalen Modells geschieht in drei Schritten. Im ersten Schritt wird das Modellgebiet festgelegt und das Modellgitter berechnet. Dafür werden die Lage aller Gitterpunkte sowie die Geländehöhen und die Landnutzungsklassen bestimmt. Mit Hilfe des Programms GRIGAU kann ein idealisiertes Modellgebiet erstellt werden, in dem auch gaußförmige und glockenförmige Berge berücksichtigt werden können.

Im zweiten Schritt wird mit Hilfe eines eindimensionalen Modells ein eindimensionales balanciertes Anfangsprofil bestimmt. Um dieses zu initialisieren, müssen die groß- skaligen Profile der Temperatur, des geostrophischen Winds und der relativen Feuchte vorgegeben werden. Ausgehend vom hydrostatischen Gleichgewicht und der Gas- gleichung für ideale Gase werden die Profile des Drucks und der potentiellen Temperatur bestimmt. Danach werden die mesoskaligen Abweichungen der Größen berechnet. Das eindimensionale Modell startet dann mit diesen Profilen. Zu Beginn ist das dynamische Feld noch nicht an das thermodynamische Feld angepasst. Um dies zu ändern, werden die dynamischen Gleichungen solange berechnet, bis das Windprofil stationär ist.

Im dritten Schritt werden die stationären Initialisierungsprofile aus dem eindimensionalen Modell horizontal homogen auf das dreidimensionale Modellgebiet ausgedehnt. Zu Beginn des Laufs ist noch keine Orographie vorhanden. Sie wächst erst im Laufe der ersten fünf Integrationsminuten in das Modellgebiet hinein (Diastrophie). Die groß- skaligen Variablen werden für jeden Zeitschritt unter Berücksichtigung horizontaler Homogenität auf die aktuellen bodenfolgenden Gitterhöhen interpoliert. Die Anpassung der mesoskaligen Variablen auf das geänderte Koordinatensystem geschieht durch das Lösen der prognostischen Gleichungen während der Diastrophie (dynamische Initia- lisierung). Nach etwa 3 Stunden Simulationszeit kann davon ausgegangen werden, dass die Lösung von der Initialisierungsmethode unabhängig ist.

59 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten 5 Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

In Kapitel 3 wurde ermittelt, dass sich der Niederschlag in Lee der Stadt Hamburg verstärkt. Jedoch konnte keine Aussage über das Verhalten von Starkniederschlag getroffen werden. Gründe hierfür sind die Seltenheit von Starkniederschlagsereignissen und die dafür unzureichende Datenverfügbarkeit. Auch weisen einige Stationen eine Abnahme des Niederschlags auf, wenn sie sich in Lee befinden. Eine mögliche Ursache könnte ein orographischer Effekt, ausgelöst durch die Harburger Berge, sein.

Mit Hilfe von 2D Sensitivitätsstudien, durchgeführt mit dem mesoskaligen Modell METRAS in einer horizontalen Auflösung von 1 km, ist es möglich, Effekte der Orographie und andere niederschlagsbeeinflussende Effekte genauer zu untersuchen. Ähnliche Untersuchungen haben auch Thielen et al. (2000) und Baik et al. (2001) durch- geführt. Bei Baik et al. (2001) wurden allerdings die Rauhigkeit des Untergrunds und die Strahlung vernachlässigt und die Stadt nur als idealisierte Wärmequelle dargestellt. Thielen et al. (2000) haben wiederum eine reale Situation simuliert und dabei die Land- nutzungseigenschaften der Stadt Paris verwendet. Der Realitätsgrad für die in der hier vorliegenden Arbeit durchgeführten Sensitivitätsstudien liegt zwischen den beiden genannten Studien.

Als Referenzlauf dient die Simulation einer konvektiven Situation, in der mit Hamburg als einer idealisierten Stadt Starkniederschlag entsteht (Abschnitt 5.1). Idealisiert bedeutet, dass die Stadt mit der homogenen Landnutzungsklasse “Stadt“ und die Umgebung mit der Landnutzungsklasse “Wiese“ parametrisiert wird. Die meteoro- logische Situation entspricht einer sommerlichen Hochdruckwetterlage, in der Luft- massengewitter entstehen. Da in einer solchen Situation die Windgeschwindigkeiten niedrig sind, kann sich auch eine UHI ausbilden.

Ausgehend vom Referenzlauf wird die Auflösung des Modells vergrößert, um zu sehen, ob die Lösung hiervon abhängig ist (Abschnitt 5.2). Des Weiteren werden die thermo- dynamischen und strömungsmechanischen Eigenschaften der Stadt verändert (Abschnitt 5.3). Hiermit wird untersucht, welche Eigenschaften der Stadt und welche daraus resultierenden Prozesse zu einer Verstärkung des Niederschlags in Lee der Stadt führen. In Abschnitt 5.4 wird die Stadtgröße variiert, was nach Oke (1973) einer Änderung der UHI entspricht. Um zu sehen, wie stark der Einfluss der Orographie ist, werden Einflüsse von zwei unterschiedlichen Bergen untersucht (Abschnitt 5.5). Der

60 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten Berg befindet sich einmal in Luv und einmal in Lee der Stadt. Somit ist es möglich, Rückschlüsse auf den Effekt der Harburger Berge bei unterschiedlichen Anströmungs- richtungen zu ziehen. In Abschnitt 5.6 wird die Windgeschwindigkeit verändert. Hier- durch wird untersucht, inwiefern die Auswirkungen der Stadt auf den Niederschlag von der Anströmgeschwindigkeit abhängen. Zur Übersicht sind in Tabelle 5.1 alle Läufe mit ihren Konfigurationen aufgetragen.

Tabelle 5.1: Auflistung der Sensitivitätsläufe. Wenn nicht anders angegeben, beträgt die Auflösung 1 km, die Rauhigkeit und die thermischen Eigenschaften von Stadt und Umland unterscheiden sich.

Name Stadt Berg Wind Sonstiges Ref 30 km - 3 m/s RES 30 km - 3 m/s Auflösung von 1.5 km HEAT 30 km - 3 m/s Rauhigkeit Stadt = Rauhigkeit Wiese ROUGH 30 km - 3 m/s Thermische Eigenschaften Stadt = thermische Eigenschaften Wiese C6 6 km - 3 m/s C10 10 km - 3 m/s C14 14 km - 3 m/s C20 20 km - 3 m/s C24 24 km - 3 m/s C28 28 km - 3 m/s C32 32 km - 3 m/s C34 34 km - 3 m/s C40 40 km - 3 m/s H30U 30 km 30 m (Höhe) in 3 m/s Luv der Stadt H30D 30 km 30 m (Höhe) in 3 m/s Lee der Stadt W2 30 km - 2 m/s W4 30 km - 4 m/s

5.1 Referenzlauf

Der Referenzlauf wird im Folgenden genauer betrachtet. In Abschnitt 5.1.1 wird das Modellgebiet beschrieben, die Anfangswerte für den Modelllauf werden in Abschnitt 5.1.2 vorgestellt. Die Beschreibung der Ergebnisse des Modelllaufs erfolgt in Abschnitt 5.1.3.

61 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

5.1.1 Modellgebiet

Als Vorlage für das Modellgebiet des Referenzlaufs dient die Stadt Hamburg. Diese hat eine horizontale Ausdehnung von rund 30 km. Aufgrund dessen wird der Einfluss einer Stadt von 30 km Breite simuliert. Diese befindet sich in der Mitte des sich 200 km in West-Ost-Richtung erstreckenden Modellgebiets. Der Mittelpunkt des Gebiets liegt bei 53°34’45’’ Nord und 10°01’24’’ West, was in etwa der Mitte des Stadtgebietes von Hamburg entspricht. Als Umgebung für die Stadt wird die Landnutzungsklasse “Wiese“ verwendet. Hamburgs Umgebung ist auch durch einige Wälder, Büsche und kleine Ortschaften sowie landwirtschaftlich genutzte Flächen geprägt. Diese sind aber im Vergleich zu Wiesen weniger häufig vertreten. Außerdem kann so der Einfluss der unterschiedlichen Rauhigkeitslängen von Stadt und Wiese und der daraus resultierenden Konvergenzzone einfacher analysiert werden. Die Eigenschaften der beiden benutzten Landnutzungsklassen sind in Tabelle 5.2 aufgelistet. Die horizontale Auflösung des Modellgebiets liegt bei 1 km. Die vertikale Auflösung ist nicht äquidistant. Bis 80 m über Grund beträgt die Gitterweite 20 m. Darüber nimmt sie mit dem Faktor 1.175 bis auf maximal 500 m zu. Der Modelloberrand liegt bei etwa 13 km über Meeresspiegel.

Tabelle 5.2: Bodeneigenschaften der benutzten Landnutzungsklassen in METRAS: Albedo A0, thermische Diffusivität ks, thermische Leitfähigkeit υs, Eindringtiefe der Temperaturwelle hθ, Bodenwasserverfügbarkeit αq, Sättigungswert für den Wassergehalt im Boden Wk, Rauhigkeitslänge z0.

Klasse A0 ks [m²/s] υs [J/(Ksm)] hθ [m] αq Wk [m] z0 [m] Stadt 0.15 1.40 · 10-6 4.60 0.35 0.05 0.968 0.70 Wiese 0.20 0.52 · 10-6 1.33 0.21 0.40 0.015 0.01

Um zu verdeutlichen, was ein zweidimensionaler Lauf bedeutet, sind in Abbildung 5.1 Horizontalschnitte der simulierten Nord-Süd-Komonente des Winds und der Temperatur abgebildet. Daran ist zu sehen, dass das Modellgebiet trotz der zweidimensionalen Orographie dreidimensional ist. Die Modellgleichungen werden dementsprechend dreidimensional gelöst. Allerdings existieren in Nord-Süd-Richtung nur vier Gitterpunkte und alle Größen ergeben sich in diese Richtung aufgrund des in Nord-Süd-Richtung homogenen Untergrunds als homogen.

62 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

a) 2

0.6 1

0.5 0 y [km] 0.4 v [m/s]

-1 0.3

-2 -100 -80 -60 -40 -20 0 20 40 60 80 100 x [km]

b) 2

24.4 1

24.35 0 T [°C] y [km] 24.3 -1 24.25

-2 -100 -80 -60 -40 -20 0 20 40 60 80 100 x [km]

Abbildung 5.1: Horizontalschnitt der a) Süd-Nord-Komponente des Windes und b) Temperatur in 10 m über Grund für 12 Uhr. Die schwarz gestrichelten Linien kennzeichnen die Stadtgrenzen.

5.1.2 Initialisierung

Die Modellrechnung wird so initialisiert, dass im Laufe des Simulationstages möglichst starke Schauer bzw. Luftmassengewitter entstehen. Dafür sollten die bodennahen Luftschichten genügend Feuchtigkeit enthalten, weshalb die relative Feuchte am Boden auf 90 % gesetzt wird. Bis 900 m nimmt sie linear auf 80 % ab und bleibt bis 1300 m konstant. Darüber nimmt sie bis 11000 m auf 5 % ab (Abbildung 5.2c,d).

Damit sich überhaupt Konvektion bilden kann, muss gewährleistet sein, dass die Atmosphäre im Laufe des Simulationstages instabil wird. Als vertikaler Gradient der potentiellen Temperatur bis zu einer Höhe von 1300 m wird ein Wert von 0.35 K/100 m verwendet. Darüber nimmt die potentielle Temperatur nur noch mit 0.3 K/100 m ab (Abbildung 5.2b). Beide Gradienten entsprechen einer stabilen Schichtung. Dies verhindert ein Auslösen von Konvektion, bevor sich die unteren Luftschichten und damit auch die Stadt aufheizen können. Die Lufttemperatur am Boden Ts wird auf einen Wert von 22 °C und die Temperatur im Boden Tb auf einen Wert von 20 °C gesetzt.

63 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

Die West-Ost-Komponente des Windes beträgt 3 m/s. Unterhalb einer Höhe von ca. 200 m wird vom Modell ein Ekmanprofil berechnet (Abschnitt 4.5), sodass in 10 m über Grund nur noch eine Windgeschwindigkeit von 0.7 m/s herrscht (Abbildung 5.2a). Damit liegt die Windgeschwindigkeit in einem Bereich, in dem in Hamburg eine gut ausgeprägte UHI gemessen wurde (Abschnitt 3.3.2). Der Modellauf wird mit diesen Profilen für den 21.6.2006 um 20 Uhr Lokalzeit initialisiert. Simulationsende ist um 24 Uhr des darauffolgenden Tages.

a) 1000 b) 12000

10000 800

8000 600 6000

Höhe [m]Höhe 400 [m]Höhe 4000

200 2000

0 0 0 1 2 3 4 -60 -40 -20 0 20 Windgeschwindigkeit [m/s] Temperatur [°C] c) 12000 d) 12000

10000 10000

8000 8000

6000 6000 Höhe [m]Höhe [m]Höhe 4000 4000

2000 2000

0 0 0 20 40 60 80 100 0 0.005 0.01 0.015 0.02 relative Feuchte [%] spezifische Feuchte [kg/kg] Abbildung 5.2: Initialisierungsprofile der a) Windgeschwindigkeit, b) Temperatur, c) relativen Feuchte und d) spezifischen Feuchte für den Referenzlauf.

5.1.3 Ergebnisse

Nach Simulationsbeginn sinken die Temperaturen am Boden und es bildet sich eine nächtliche Inversion aus. Gleichzeitig wird aufgrund der gewählten Initialisierung

(Ts > Tb) Wärme in den Boden transportiert. Die minimal größere Wärmeleitfähigkeit der Landnutzungsklasse Wiese gegenüber der Stadt führt dazu, dass die Temperaturen in der Stadt um rund 0.6 K gegenüber dem Umland erhöht sind.

64 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten An den Stadtgrenzen bilden sich aufgrund der stabilen Schichtung vertikale Schwerewellen (Abbildung 5.4a). Diese sind durch abwechselnde Aufwind- und Abwindbereiche gekennzeichnet, welche sich in Strömungsrichtung leicht neigen. Beide Wellen sind gegeneinander um eine halbe Wellenlänge phasenverschoben. Bei Baik et al. (2001) entstand eine ähnliche Welle. Allerdings trat diese nur einzeln auf. Im vorliegenden Fall gibt es durch die zwei Landnutzungsklassenübergänge auch zwei Rauhigkeitssprünge, an denen sich Schwerewellen bilden können (Schlünzen, 1988). Die Reihenfolge des Rauhigkeitssprungs unterscheidet sich bei beiden Wellen, was zu der beobachteten Phasenverschiebung von einer halben Wellenlänge führt.

Nach Sonnenaufgang um ca. 4:45 Uhr heizen sich der Boden und die bodennahen Luft- schichten langsam auf und lösen die Inversion auf. Dies geschieht über der Wiese schneller als über der Stadt und führt zur Ausbildung einer UCI (Abbildung 5.3). Am Boden ist diese nur sehr schwach, in 10 m beträgt die Temperaturdifferenz schon -0.7 K. Gegen 8 Uhr entsteht am Boden wieder eine UHI, welche bis 15 Uhr schon eine Intensität von 8 K besitzt. In 10 m bildet sich die UHI erst kurz nach 12 Uhr und ist deutlich schwächer ausgeprägt. Ursache für den Aufbau der UHI ist wahrscheinlich die hohe Albedo der Stadt. Um genauere Aussagen zu den Ursachen zu treffen, müssen die Terme der Bodenenergiebilanzgleichung betrachtet werden. Die dafür benötigen Größen wurden allerdings nicht alle vom Modell ausgegeben.

9 Boden 8 10 m 7

6

5

4 T [K] Δ 3

2

1

0

-1 2 4 6 8 10 12 14 Lokalzeit

Abbildung 5.3: Differenzen zwischen der Temperatur in der Stadtmitte und der Temperatur 40 km in Luv von der Stadtmitte am Boden (braun) und in 10 m Höhe (blau).

65 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

Während sich die Grenzschicht aufbaut, löst sich langsam eine einzelne Auftriebszelle von der leeseitigen Schwerewelle ab (Abbildung 5.4b,c,d) und propagiert in Strömungs- richtung als einzelne Auftriebszelle weiter (Abbildung 5.4e). Diese Zelle entspricht der nichtlinearen Auftriebszelle, welche Baik et al. (2001) in ihrer Studie feststellten. Die Ursache für die Ablösung könnte, wie auch bei Baik et al. (2001), die Labilisierung der unteren Luftschichten sein. Dadurch fehlt die rücktreibende Kraft zur Aufrechterhaltung der Schwerewelle. Der Aufwindbereich ist somit nicht mehr an die Welle gebunden und kann sich durch die horizontale Windgeschwindigkeit horizontal verlagern. Dies geschieht auch mit den anderen Aufwind- und Abwindbereichen. Allerdings wandern diese langsamer, da sie sich auch gegenseitig beeinflussen. Über der Grenzschicht bleiben die Schwerewellen weiter erhalten.

66 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten a) b)

299 299

296 296

293

c) d)

299 299

296 296

e) f)

299 299

296

296

Abbildung 5.4: Vertikalschnitt der Vertikalgeschwindigkeit w [m/s] (farbig) und der potentiellen Temperatur θ [K] (Linien) für den Referenzlauf für a) 6 Uhr, b) 8 Uhr, c) 10 Uhr, d) 11 Uhr, e) 12 Uhr und f) 13 Uhr Lokalzeit. Das Inkrement beträgt für w 0.004 m/s und für θ 1 K. Die senkrechten schwarzen Linien kennzeichnen die Stadtgrenzen.

67 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

Im Einfluss der Auftriebszellen bildet sich dann gegen 10 Uhr das erste Wolkenwasser (nicht dargestellt). Kurz darauf entstehen auch in der Nähe des luvseitigen Aufwind- bereichs bodennahe Wolken. Der Wolkenwassergehalt ist allerdings sehr gering. Ursache für die Nebelbildung ist die hohe bodennahe relative Feuchte. Die Wolke in Lee der Stadt popagiert in Strömungsrichtung weiter und intensiviert sich dabei. Gegen 13:30 Uhr ist sie dann so groß, dass sich in ihr Regenwasser bildet. Wenige Minuten später erreicht der Niederschlag den Boden (Abbildung 5.5b). Dieser summiert sich in kürzester Zeit auf ca. 13 mm (Abbildung 5.7c). In der Zwischenzeit entstehen in Luv der Stadt am Oberrand der Grenzschicht eine Stratuswolkenschicht und über der Stadt drei vereinzelte kleine Wolken (Abbildung 5.5b). Die mittlere Wolke wächst am stärksten und entwickelt sich zu einer hochreichenden Cumuluswolke, aus der es dann regnet (Abbildung 5.5c,d und Abbildung 5.6b). Ausgelöst durch den Kaltluftausfluss dieser Wolke, welcher durch die Verdunstung von Regentropfen entsteht, wird eine neue Cumuluswolke ausgelöst. Diese besitzt eine längere Lebenszeit und führt zu einer höheren Niederschlagsintensität (Abbildung 5.6a-d). Nach 17 Uhr entsteht noch mal eine neue Wolke über der Stadt und regnet sich bis 20 Uhr über ihr aus (Abbildung 5.6e,f).

Auch in Luv der Stadt bilden sich aus der Stratusschicht Cumuluswolken (Abbildung 5.5c). Diese sind allerdings sehr regelmäßig und weisen einen Abstand auf, der etwa dem fünffachen Gitterabstand entspricht (Abbildung 5.5c,d und Abbildung 5.7a). Das bedeutet, dass diese meteorologischen Phänomene dem Aliasing- effekt unterliegen können. Möglicherweise hätten die Wolken in der Realität einen kleineren Abstand (kleinere Wellenlänge des Phänomens), überlagern sich aber durch die grobe Auflösung zu Wolken mit größeren Abständen (größerer Wellenlänge des simulierten Phänomens). Aus diesem Grund kann der aus ihnen fallende Niederschlag nur mit Vorsicht interpretiert werden. Der Auslöser für diese Wolken könnten horizontal an der Inversionsuntergrenze propagierende Schwerewellen sein, welche zu kleinen Inhomogenitäten der Vertikalgeschwindigkeit führen. Im weiteren Verlauf der Simulation wachsen einige dieser Wolken an und produzieren in Luv der Stadt Niederschlag. Die Mengen sind allerdings gering (Abbildung 5.7c).

Abbildung 5.7c verdeutlich, dass im Referenzfall drei verschiedene Niederschlags- maxima entstehen. Das erste geht von der Mitte der Stadt bis zur leeseitigen Stadtgrenze. Zustande gekommen ist es durch zwei verschiedene Niederschlagszellen. Das zweite Maximum befindet sich 13 km bis 27 km in Lee der Stadt. Die Niederschlagsmenge von 17.1 mm überschreitet dabei den Schwellwert für Starkniederschlag in Hamburg von 15.9 mm (Abschnitt 3.3.1). Die Form des Maximums weist zwei relative Maxima auf, welche durch die zwei sich gegenseitig beeinflussenden Cumuluswolken hervorgerufen

68 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten werden. In einem Abstand von 72 km von der Stadt befindet sich das dritte Maximum. Ursache hierfür ist die von der Schwerewelle abgelöste Auftriebszelle.

Der Referenzlauf macht deutlich, dass eine Stadt von der Größe Hamburgs in der Lage ist, konvektiven Niederschlag zu beeinflussen. Die großen Niederschlagsmaxima befinden sich entweder in Lee der Stadt oder in der Stadt und wurden auch durch sie ausgelöst. Das entspricht teilweise den Ergebnissen von Thielen et al. (2000). Der zeitliche Verlauf des Niederschlags ist ähnlich, die Niederschlagsverteilung ist bei ihnen allerdings in Richtung Stadt verschoben und die Niederschlagsmengen sind um mehr als 13 mm höher als in Ref. Dies lässt sich unter anderem mit der größeren Stadt und den unterschiedlichen Modellierungsbedingungen (z.B. Anfangsbedingungen) erklären. a) b)

c) d)

Abbildung 5.5: Vertikalschnitt des Wolkenwassergehalts [g/kg] (farbig) und des Regen- wassergehalts [g/kg] für den Referenzlauf für a) 13:30 Uhr, b) 14:00 Uhr, c) 14:30 Uhr, d) 15:00 Uhr Lokalzeit. Der Abstand der Isolinien für den Wolkenwassergehalt beträgt 0.1 g/kg. Der Abstand der Isolinien für den Regenwassergehalt beträgt 0.3 g/kg. Die schwarzen Linien kennzeichnen die Stadtgrenzen.

69 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten a) b)

c) d)

e) f)

Abbildung 5.6: Wie Abbildung 5.5 nur zu den Zeitpunkten a) 15:30 Uhr, b) 16:00 Uhr, c) 16:30 Uhr, d) 17:00 Uhr, e) 17:30 Uhr und f) 18:00 Lokalzeit.

70 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

a) x 1 20

6 18

16 4 Lokalzeit 14 2

12 0 -100 -50 0 50 100 b) x [km] q2C [g/kg] 1 20 6

18 4

16

Lokalzeit 2 14

12 0 -100 -50 0 50 100 P 10 c) x [km] [mm/10min] 30

20

10

Niederschlagssumme [mm] Niederschlagssumme 0 -100 -50 0 50 100 x [km]

Abbildung 5.7: Hovmöllerdiagramm a) des vertikal gemittelten Wolkenwassergehalts -3 (> 0.2·10 g/kg) und b) der Niederschlagsintensität P10 (> 0.1 mm/10 min) am Boden für den Referenzlauf. c) Niederschlagssumme bis 20 Uhr Lokalzeit. Die schwarzen Linien kennzeichnen die Stadtgrenzen.

71 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten 5.2 Einfluss der Auflösung

Da Konvektion ein sehr kleinräumiges Phänomen ist, lässt sie sich nur schwer auflösen. Die Intensität simulierter Konvektionszellen kann unter anderem von der horizontalen Auflösung des verwendeten Modells abhängen. Um zu untersuchen, ob und wenn ja, wie die Ergebnisse der Modellläufe von der horizontalen Auflösun abhängig sind, wird ein Lauf mit einer Auflösung von 1.5 km gerechnet. Die Landnutzungsklassen und auch die Initialisierungsprofile entsprechen denen des Referenzlaufs.

Das Ergebnis der Sensitivitätsstudie unterscheidet sich sehr stark von dem des Referenzlaufs (Abbildung 5.8c). Das durch die einzelne Auftriebszelle ausgelöste Maximum 72 km in Lee der Stadt ist nicht mehr vorhanden. Die Auftriebszelle entsteht zwar, ist aber schwächer als in Ref und bildet erst viel später Wolkenwasser (Abbildung 5.8a im Vergleich zu Abbildung 5.7a). Des Weiteren bildet sich die über der Stadt ausgelöste Niederschlagszelle weiter von der Stadt entfernt und besitzt eine höhere Intensität (Abbildung 5.8b im Vergleich zu Abbildung 5.7b). Das Niederschlags- maximum ist fast 10 mm höher als das von Ref (Abbildung 5.8c). Ausgelöst durch diese Zelle bildet sich weiter in Lee eine weitere kleinere Cumuluswolke, aus der auch Niederschlag fällt. Die zweite über der Stadt ausgelöste Niederschlagszelle regnet sich erst später aus, was dazu führt, dass sich die Niederschlagsmenge in der Stadt verringert. In Luv der Stadt entstehen, wie auch in Ref, regelmäßig angeordnete Cumuluswolken. Jedoch sind die Abstände zwischen ihnen größer. Dies deutet darauf hin, dass diese Wolken, wie in Abschnitt 5.1.3 vermutet, durch Aliasingeffekte hervorgerufen werden. Die sich am nächsten zur Stadt befindende Wolke intensiviert sich und regnet sich an der Stadtgrenze (Luv) aus (Abbildung 5.8).

Der Lauf mit der um 50 % verminderten Auflösung macht deutlich, dass die Ergebnisse der betrachteten Modellanordnung im hohen Maß von der Auflösung abhängen. Grund- legende Phänomene, wie zum Beispiel das Ablösen einer einzelnen Auftriebszelle oder das Entstehen zweier Niederschlagszellen durch die Stadt, bleiben erhalten. Die Aus- prägung und der zeitliche Verlauf unterscheiden sich jedoch. Die nachfolgenden Sensitivitätsläufe können deswegen nicht als allgemeingültig betrachtet werden.

72 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

a) x 1 20

6 18

16 4 Lokalzeit 14 2

12 0 -100 -50 0 50 100 b) x [km] q2C [g/kg] 1 20 6

18 4

16

Lokalzeit 2 14

12 0 -100 -50 0 50 100 P 10 c) x [km] [mm/10min] 30 Ref RES 20

10

Niederschlagssumme [mm] 0 -100 -50 0 50 100 x [km]

Abbildung 5.8: Hovmöllerdiagramm a) des vertikal gemittelten Wolkenwassergehalts -3 (> 0.2·10 g/kg) und b) der Niederschlagsintensität P10 (> 0.1 mm/10 min) am Boden für den Lauf RES. c) Niederschlagssumme bis 20 Uhr Lokalzeit für die Läufe RES (rot) und Ref (schwarz). Die schwarzen Linien kennzeichnen die Stadtgrenzen.

73 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten 5.3 Einfluss von Oberflächeneigenschaften

Die UHI und die erhöhte Rauhigkeit von Städten werden in der Literatur als Ursachen für die Verstärkung des Niederschlags in Lee der Städte genannt (Abschnitt 2.5). Um zu identifizieren, wie groß der Einfluss der einzelnen Oberflächeneigenschaften der Stadt ist, sind die Parameter der Landnutzungsklasse “Stadt“ verändert worden. Im Lauf HEAT wird die Rauhigkeitshöhe z0 der Stadt mit der der Wiese gleichgesetzt (Tabelle 5.1). Alle anderen Parameter bleiben unverändert. Ein Problem bei der Initialisierung des Laufs führt allerdings dazu, dass das Windprofil nicht dem des Referenzlaufs entspricht. Das

Initialisierungsprofil wird in METRAS für den Punkt mit der größten Rauhigkeitslänge z0 im Modellgebiet berechnet. In HEAT besitzt dieser Punkt die Rauhigkeitslänge der “Wiese“ und nicht wie in den anderen Läufen die der “Stadt“. Aus diesem Grund sind die Windgeschwindigkeiten in der Nähe des Bodens um ca. 0.7 m/s erhöht. Dies führt unter anderem zu einen verstärkten Wärme- und Impulsfluss. Für den Lauf ROUGH werden hingegen alle thermodynamischen Parameter der “Stadt“ durch die der “Wiese“ ersetzt.

Nur die Rauhigkeitshöhe z0 bleibt erhalten.

Die beiden Sensitivitätsstudien unterscheiden sich schon vor Sonnenaufgang. Die Temperaturdifferenz zwischen Stadt und Umland ist in diesem Zeitraum für HEAT und Ref fast identisch (Abbildung 5.9). In ROUGH ist diese um knapp 0.2 K niedriger, aber immer noch positiv. Die Ursache hierfür ist die erhöhte Rauhigkeit der Stadt und die daraus resultierende Abnahme der Windgeschwindigkeit. Dies führt zu einem abge- schwächten sensiblen Wärmefluss über der Stadt und somit zu einem gegenüber dem Umland verringerten Wärmeverlust. In HEAT ist die unterschiedliche Wärmeleit- fähigkeit der Landnutzungsklassen für die positive Temperaturdifferenz verantwortlich.

Nach dem Sonnenaufgang um ca. 4:45 Uhr erwärmt sich die Stadt, wie in Ref, langsamer als das Umland. Dies geschieht in beiden Läufen mit ähnlicher Geschwindigkeit. Die Erwärmung der Stadt verläuft in beiden Läufen langsamer als in Ref, wird aber in ROUGH durch eine gebildete Wolke gebremst. Gegen 14:30 Uhr steigt die Temperatur- differenz in HEAT plötzlich an und erreicht sehr schnell das Niveau von Ref (ca. 0.9 K). Danach können anhand der Temperaturdifferenzen keine Aussagen mehr über die UHI getroffen werden, da die Temperaturfelder zu stark durch Wolken und Niederschlag beeinflusst werden.

74 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

1 HEAT 0.8 ROUGH Ref 0.6

0.4

0.2 T [K]

Δ 0

-0.2

-0.4

-0.6

-0.8 2 4 6 8 10 12 14 Lokalzeit

Abbildung 5.9: Differenzen zwischen der 10 m Temperatur in der Stadtmitte und der 10 m Temperatur 40 km in Luv von der Stadtmitte für die Läufe HEAT, ROUGH und Ref.

In beiden Sensitivitätsstudien werden an den Stadtgrenzen Schwerewellen ausgelöst. Diese unterscheiden sich aber in der Amplitude und Form. Die Amplituden der Wellen sind in ROUGH um eine Größenordung größer und breiten sich weiter in Vertikal- richtung aus als die in HEAT. Ursache für die Schwerewellen in ROUGH sind die Rauhigkeitssprünge an den Stadtgrenzen. In HEAT ist die Ursache die Dichtediskon- tinuitäten zwischen der wärmeren Luft in der Stadt und der kälteren Luft im Umland.

Nachdem sich die Grenzschicht langsam aufgebaut hat, löst sich, wie auch in Ref, in beiden Läufen eine einzelne Auftriebszelle von der leeseitigen Schwerewelle ab. In ROUGH bildet sie Wolkenwasser und Niederschlag früher als in Ref (Abbildung 5.10a,b im Vergleich zu Abbildung 5.7a,b). Die Niederschlagsmenge und die Position des durch diese Zelle ausgelösten Niederschlagsmaximums sind in HEAT nahe an denen in Ref. Die sich über der Stadt bildende Zelle haben alle drei Läufe gemeinsam (Abbildungen 5.7b, 5.10b, 5.11b). Unterschiede ergeben sich in der Form und Intensität. Die Zelle in ROUGH entwickelt sich sehr schnell und bringt über der Stadt in kürzester Zeit viel Niederschlag (Abbildung 5.10b,c). Die maximale Niederschlagsmenge in der Stadt beträgt dadurch 25.8 mm. Die Zelle ist so kräftig, dass ein großer Cirrusschirm entsteht (Abbildung 5.10a). Ausgelöst durch den Kaltluftausfluss bildet sich in ROUGH weiter in Lee eine neue, etwas schwächer ausgeprägte Zelle (Abbildung 5.10a,b). In HEAT ist die erste Zelle etwas schwächer als in ROUGH ausgeprägt. Die zweite Zelle ist hingegen von ähnlicher Intensität und bildet sich etwa gleich weit von der Stadt entfernt. Deswegen

75 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten unterscheidet sich der Ort des zweiten Niederschlagsmaximums nur um 2 km (Abbildungen 5.10c und 5.11c). Während sich in ROUGH weiter in Lee neue starke Zellen bilden, entstehen in HEAT keine weiteren Zellen. Gemeinsam haben beide Läufe, dass sich keine zweite große Niederschlagszelle über der Stadt bildet. Dieses ist ein Unterschied zu Ref, wo sich gegen 17 Uhr eine derartige Zelle bildet (Abbildung 5.7a,b). Wahrscheinlich ist das Zusammenwirken beider Effekte die Entstehungsursache für diese Zelle.

Die Ergebnisse der Läufe ROUGH und HEAT machen deutlich, dass sowohl die erhöhte Rauhigkeit der Stadt, als auch die UHI Starkniederschlag in Lee der Stadt auslösen können. Mit dem Modellsetup dieser Sensitivitätsstudie ist der Rauhigkeitseffekt sogar stärker als der Effekt der UHI, welche allerdings auch nicht sehr stark ausgeprägt ist.

76 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

a) x 1 20

6 18

16 4 Lokalzeit 14 2

12 0 -100 -50 0 50 100 b) x [km] q2C [g/kg] 1 20 6

18 4

16

Lokalzeit 2 14

12 0 -100 -50 0 50 100 P 10 c) x [km] [mm/10min] 30 Ref ROUGH 20

10

Niederschlagssumme [mm] 0 -100 -50 0 50 100 x [km]

Abbildung 5.10: Wie Abbildung 5.8 nur für Lauf ROUGH.

77 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

a) x 1 20

6 18

16 4 Lokalzeit 14 2

12 0 -100 -50 0 50 100 x [km] q2C [g/kg] b) 1 20 6

18 4

16

Lokalzeit 2 14

12 0 -100 -50 0 50 100 P 10 c) x [km] [mm/10min] 30 Ref HEAT 20

10

Niederschlagssumme [mm] 0 -100 -50 0 50 100 x [km]

Abbildung 5.11: Wie Abbildung 5.8 nur für Lauf HEAT.

78 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten 5.4 Einfluss der Stadtgröße

Da die UHI in der Literatur als der Hauptauslöser für die Verstärkung des Niederschlags in Lee einer Stadt erachtet wird, sollte sich bei einer Veränderung der UHI auch eine Veränderung der Niederschlagsverteilung ergeben. Nach Oke (1973) steigt die UHI mit zunehmender Einwohnerzahl und damit auch mit zunehmender Stadtgröße. Aus diesem Grund werden Läufe mit unterschiedlicher Stadtgröße gerechnet (Tabelle 5.1). Die Stadt- größe variiert dabei zwischen 6 km (C6) und 40 km (C40).

Wie in Abbildung 5.12 zu sehen ist, nimmt die Temperaturdifferenz zwischen Wiese und Stadtmitte in der Nacht mit zunehmender Stadtgröße zu. Das Minimum des negativen Temperaturunterschieds nach dem Sonnenaufgang ist bei den kleineren Städten weniger stark ausgeprägt, da sie weniger Wärme aufnehmen können. Dafür erwärmen sie sich nach Sonnenaufgang schneller, so dass die UCI in kleinen Städten (C6, C10, C14, C20) nicht so stark ausgeprägt ist. Ab einer Stadtgröße von 24 km reicht die in der Nacht gespeicherte Wärme aus, um die Intensität der UCI abzuschwächen. Jedoch erreichen die kleineren Städte früher positive Temperaturdifferenzen. Ab ca. 14 Uhr kehren sich die Ausprägungen der Temperaturdifferenzen um, so dass die größeren Städte auch die größeren Temperaturdifferenzen aufweisen. Somit besitzen die größeren Städte, wie erwartet, eine ausgeprägtere UHI.

1 C6 C10 0.8 C14 C20 0.6 C24 C28 0.4 C32 C34 0.2 C40 Ref T [K]

Δ 0

-0.2

-0.4

-0.6

-0.8 2 4 6 8 10 12 14 Lokalzeit

Abbildung 5.12: Differenzen zwischen der 10 m Temperatur in der Stadtmitte und der 10 m Temperatur 40 km in Luv von der Stadtmitte für die Läufe mit unterschiedlichen Stadtgrößen (Tabelle 5.1).

79 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

Nach Einsetzen der intensiven Konvektion sind zwei verschiedene, durchgehende Muster in der Niederschlagsverteilung (Abbildung 5.13) und dem zeitlichen Verlauf des Wolken- und Niederschlagswassers zu erkennen (Abbildung 5.13 und Abbildung 5.14). Das erste Muster wird durch die Stadtgrößen von 6 km bis 14 km ausgelöst. In diesen Läufen bildet über der Stadt nur eine Niederschlagszelle aus. Aufgrund der geringen Stadtgröße fallen Auf- und Abwinde der Schwerewellen zusammen. Das Niederschlagsmaximum liegt in den Läufen C6 und C10 in einer Entfernung von 60 km bis 70 km zur Stadtmitte. Ab der Stadtgröße von 20 km ähnelt die Niederschlagsverteilung der von Ref. Das heißt, dass sich nach 16 Uhr eine Zelle über der Stadt bildet (Abbildung 5.14). In der Intensität der Niederschlagsmaxima unterscheiden sich diese Läufe von Ref (Abbildung 5.13). Anscheinend ist Ref in dieser Hinsicht eine Ausnahme, da schon die Läufe einer um 2 km veränderten Stadt (C28 und C32) große Abweichungen zu der Niederschlagsverteilung von Ref aufweisen. Dennoch ist zu sehen, dass mit zunehmender Stadtgröße der Abstand der ersten zwei Maxima zur Stadt und auch zur Stadtmitte immer weiter abnimmt. Dies geht soweit, dass sich ab einer Stadtgröße von 28 km das erste Maximum in der Stadt befindet. Auffällig ist, dass die Maxima einen nahezu konstanten Abstand zu der luvseitigen Stadtgrenze aufweisen. Wahrscheinlich sind die Wolken, welche zu den Maxima führen, an dieser Stadtgrenze ausgelöst worden. Die Ursache hierfür könnte die luvseitige Konvergenz des Windes aufgrund der höheren Rauhigkeit der Stadt sein.

45 30

40 25 35

30 20

25 15 20

Stadtgröße [km] 15 10

10 5 5

0 0 -100 -50 0 50 100 P [mm] x [km] Abbildung 5.13: Hovmöllerdiagramm der Niederschlagsmengen (> 0.1 mm) in Abhäng- igkeit von der Stadtgröße. Die schwarzen Linien kennzeichnen die jeweiligen Stadtgrenzen.

80 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten Allen Läufen ist die sich von der Schwerewelle abgelöste Auftriebszelle und damit auch das Niederschlagsmaximum in der Nähe des Modellrandes gemeinsam. Auch die in Lee der Stadt regelmäßig auftretenden Wolken werden bei allen Läufen ausgelöst. Der daraus resultierende Niederschlag zeigt keinen systematischen Zusammenhang zur Stadtgröße.

Die zwei unterschiedlichen Muster machen sich auch in den Uhrzeiten bemerkbar, ab denen sich Wolken- und Niederschlagswasser gebildet hat (Abbildung 5.15). Zwischen den Stadtgrößen von 14 km und 20 km ist ein klarer Sprung hin zu früheren Zeiten für die Wolkenbildung zu erkennen. Baik et al. (2001) haben ein ähnliches Ergebnis erhalten, als sie die Intensität der Wärmequelle vergrößert haben.

Die Ergebnisse der Läufe mit unterschiedlicher Stadtgröße zeigen unter anderem, dass schon kleine Städte eine Auswirkung auf konvektiven Niederschlag besitzen. Die Niederschlagsverteilung unterscheidet sich aber im großen Maße von der von großen Städten. Wahrscheinlich ist bei kleinen Städten nur der Rauhigkeitseffekt ausschlag- gebend für die Niederschlagsverstärkung. Bei großen Städten spielt zusätzlich noch die UHI eine große Rolle. Des Weiteren ist zu sehen, dass die Entfernung der Niederschlags- verstärkung von der Stadtgröße abhängig ist.

81 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten 20 a) b) 18

16

Lokalzeit 14

12 20 c) d) 18

16

Lokalzeit 14

12 20 e) f) 18

16

Lokalzeit 14

12 20 g) h) 18

16

Lokalzeit 14

12 20 i) j) 18

16

Lokalzeit 14

12 -100 -50 0 50 100 -100 -50 0 50 100 x [km] x [km] Abbildung 5.14: Hovmöllerdiagramm des vertikal gemittelten Wolkenwassergehalts (> 0.2·10-3 g/kg) für die Läufe a) C6, b) C10, c) C14, d) C20, e) C24, f) C28, g) Ref, h) C32, i) C34 und j) C40. Die schwarzen Linien kennzeichnen die jeweiligen Stadtgrenzen.

82 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

a) b) 10:45 14:00

10:40 13:55 10:35 13:50 10:30 13:45 10:25 13:40 10:20 Lokalzeit Lokalzeit 13:35 10:15

10:10 13:30

10:05 13:25

10:00 13:20 0 5 10 15 20 25 30 35 40 45 0 5 10 15 20 25 30 35 40 45 Stadtgröße [km] Stadtgröße [km] Abbildung 5.15: Zeitpunkt des ersten Auftretens von a) Wolken- und b) Regenwasser im Modellgebiet.

83 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten 20 a) b) 18

16

Lokalzeit 14

12 20 c) d) 18

16

Lokalzeit 14

12 20 e) f) 18

16

Lokalzeit 14

12 20 g) h) 18

16

Lokalzeit 14

12 20 i) j) 18

16

Lokalzeit 14

12 -100 -50 0 50 100 -100 -50 0 50 100 x [km] x [km] Abbildung 5.16: Hovmöllerdiagramm der Niederschlagsintensität P10 (> 0.1 mm/10 min) am Boden für die Läufe a) C6, b) C10, c) C14, d) C20, e) C24, f) C28, g) Ref, h) C32, i) C34 und j) C40. Die schwarzen Linien kennzeichnen die jeweiligen Stadtgrenzen.

84 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten 5.5 Effekt der Orographie

In den Sensitivitätsläufen 5.2 bis 5.4 wurde der Einfluss der Modellauflösung und Charakteristika der Stadt auf den Niederschlag untersucht. Viele Städte befinden sich aber in einem unebenen Terrain und sind auch teilweise von Bergen umgeben. Für Hamburg sind diese Bedingungen im geringen Maße gegeben. Südlich der Stadt liegen die Harburger Berge und die Lüneburger Heide mit einer maximalen Höhe von 155 m. Um den Einfluss einer solchen Orographie zu untersuchen, wird in zwei Simulationen ein gaußförmiger Berg berücksichtigt. Der Berg befindet sich 25 km von der Stadtmitte und dementsprechend 10 km von der Stadtgrenze entfernt. Dies entspricht ungefähr der Entfernung der Harburger Berge zur Stadt Hamburg. Um unterschiedliche Anström- richtungen zu simulieren, befindet sich der Berg in einem Lauf in Luv (H30U) und in dem anderen in Lee (H30D) der Stadt. Die Höhe des Bergs beträgt 30 m und die Halbwertsbreite 5 km. In Sensitivitätsstudien mit einem höheren Berg entsteht, anders als in H30U und H30D, in der Nacht Bodennebel, welcher sich bis ca. 12 Uhr hält. Dadurch wird das Aufheizen des Bodens (durch Sonneneinstrahlung) verhindert. Somit entstehen in diesen Läufen nur schwache Konvektion und sehr wenig Niederschlag.

In H30U und H30D löst der Berg in der Nacht eine zusätzliche vertikale Schwerewelle aus. Da sich der Berg nahe der Stadt befindet, interagiert diese Welle mit den anderen Schwerewellen. In H30U löst sich, wie auch schon in den anderen Läufen, eine einzelne Auftriebszelle ab. Aufgrund der Wechselwirkungen der Wellen untereinander ist die Zelle stärker ausgeprägt (Abbildung 5.17c) und regnet sich schon früher aus (Abbildung 5.17a,b). Wie in den Läufen mit einer Stadtgröße größer als 20 km bildet sich eine Zelle über der Stadt. Allerdings wird sie schon mehr als eine Stunde früher initiiert. Dies deutet auf eine Verstärkung der Wolkenbildung durch den Berg hin. Im weiteren Simulationsverlauf verstärken sich zwei mehrere Kilometer in Luv des Berges gebildete Zellen über dem Berg. Der Niederschlag aus diesen Zellen fällt über dem Berg und 10 km in Lee des Bergs (an der Stadtgrenze). Die integrierte Niederschlagsverteilung von H30U (Abbildung 5.17c) macht deutlich, dass sich das Niederschlagsmaximum zum Luv der Stadt und der Stadtmitte verschiebt. Zusätzlich ist die Niederschlagsmenge des Maximums um 6.5 mm größer als in Ref.

H30D unterscheidet sich ebenfalls von Ref. Die einzelne Auftriebszelle löst sich in diesem Lauf von der vom Berg ausgelösten Schwerewelle ab und nicht von der der Stadt (Abbildung 5.18a). Das Modellgebiet ist allerdings zu klein, um ihre vollständige Entwicklung aufzulösen. Die größte Niederschlagsmenge beträgt ca. 22.5 mm und bildet sich etwa 60 km in Luv der Stadt. Die Intensität der Zelle ist vielleicht durch die

85 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten Superposition von horizontal propagierenden Schwerewellen zu erklären. Da die sich in Luv der Stadt bildenden Wolken, wie in Abschnitt 5.1.3 erwähnt, vermutlich Aliasing- effekten unterliegen, hängen diese auch im hohen Maße von der horizontalen Auflösung des Modells ab. Somit kann die Entstehung dieser Zelle auch eine nicht-physikalische Ursache haben.

Wie in allen Sensitivitätsstudien entsteht über der Stadt eine Niederschlagszelle (Abbildung 5.18b). Diese regnet sich teilweise über der Stadt aus und intensiviert sich schnell wieder in Luv des Bergs. Dies lässt auf eine Verstärkung der Konvektion durch orographisch ausgelöste Hebung schließen. Im weiteren Simulationsverlauf bildet sich noch eine kleine Niederschlagszelle in Luv der Stadt.

Die Niederschlagsverteilungen der beiden Sensitivitätsstudien machen deutlich, dass selbst ein Berg mit nur 30 m Höhe einen Einfluss auf die Entstehung von konvektivem Niederschlag hat. Durch das Zusammenwirken zwischen den Effekten der Stadt und des Bergs verstärkt sich der Niederschlag in der Stadt und in der näheren Umgebung. Liegt der Berg in Luv der Stadt, verlagert sich das Maximum auch zum Luv, während der Berg in Lee der Stadt zu einer Verlagerung des Maximums in Richtung leeseitiger Stadtgrenze führt. Läge eine Niederschlagsstation zwischen Berg und Stadt, würde sie nach diesen Ergebnissen nur eine geringe Änderung in der Niederschlagshöhe erfahren, wenn sie sich einmal in Lee der Stadt befindet und einmal in Luv. Somit könnte die Orographie, wie schon in Abschnitt 3.3.4 vermutet, der Grund sein, wieso einige Stationen keine messbare Niederschlagserhöhung durch die Stadt erfahren haben. Bei einem Berg mit 155 m wäre der orographische Einfluss wahrscheinlich noch größer. Weiterhin ist anzumerken, dass Stationen, welche weiter als 35 km von der Stadt entfernt liegen, in der simulierten Situation keinen Niederschlag erhalten würden.

86 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

a) x 1 20

6 18

16 4 Lokalzeit 14 2

12 0 -100 -50 0 50 100 b) x [km] q2C [g/kg] 1 20 6

18 4

16

Lokalzeit 2 14

12 0 -100 -50 0 50 100 P 10 c) x [km] [mm/10min] 30 Ref H30U 20

10

Niederschlagssumme [mm] 0 -100 -50 0 50 100 x [km]

Abbildung 5.17: Hovmöllerdiagramm a) des vertikal gemittelten Wolkenwassergehalts -3 (> 0.2·10 g/kg) und b) der Niederschlagsintensität P10 (> 0.1 mm/10 min) am Boden für den Lauf H30U. c) Niederschlagssumme von bis 20 Uhr Lokalzeit für die Läufe H30U (rot) und Ref (schwarz). Die schwarzen Linien kennzeichnen die Stadtgrenzen und die Halbwertsbreite des Bergs.

87 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

a) x 1 20

6 18

16 4 Lokalzeit 14 2

12 0 -100 -50 0 50 100 b) x [km] q2C [g/kg] 1 20 6

18 4

16

Lokalzeit 2 14

12 0 -100 -50 0 50 100 P 10 c) x [km] [mm/10min] 30 Ref H30D 20

10

Niederschlagssumme [mm] 0 -100 -50 0 50 100 x [km]

Abbildung 5.18: Wie Abbildung 5.17 nur für Lauf H30D.

88 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten 5.6 Einfluss der Windgeschwindigkeit

Die Windgeschwindigkeit hat, wie auch die Stadtgröße, einen Einfluss auf die Intensität der UHI (Abschnitt 3.3.2). Somit sollte sie sich auch auf die Niederschlagsverteilung auswirken. Eine Veränderung der Windgeschwindigkeit kann zusätzlich zu einer Veränderung des Rauhigkeitseffekts führen. Um dies zu untersuchen werden zwei Läufe mit unterschiedlicher Anströmgeschwindigkeit gerechnet. Im Lauf W2 wird diese auf 2 m/s und im Lauf W4 auf 4 m/s gesetzt.

Durch die Reduktion der Windgeschwindigkeit in Lauf W2 wird die Amplitude der Schwerewellen vermindert, da weniger Energie zur Verfügung steht. Zusätzlich verringert sich die Wellenlänge, da die Wellenlänge einer Schwerewelle proportional zur Windgeschwindigkeit ist (Schlünzen, 1988). In Lauf W4 ist dies genau umgekehrt. Dort besitzt die Schwerewelle eine größere Amplitude und Wellenlänge. Dies hat bei beiden Läufen eine Auswirkung auf das Ablösen der Auftriebszelle. Durch die kürzere Wellen- länge der Welle in Lauf W2 verringert sich die vertikale Ausdehnung der Auf- und Abwindbereiche. Der Aufwindbereich kann sich schon bei einer niedrigeren Grenz- schichthöhe von der Welle ablösen. Somit löst sich die Zelle in W2 schneller ab als in Ref und die Zelle in Ref schneller als in W4. Die Zuggeschwindigkeit ist in W2 allerdings kleiner. Im weiteren Simulationsverlauf bildet sich durch die Auftriebszelle wieder eine Wolke, welche sich schnell intensiviert und zu einer Niederschlagsmenge von ca. 15 mm führt (Abbildung 5.19). Ausgelöst durch den Kaltluftausfluss entsteht eine noch stärkere Niederschlagszelle. Diese produziert mit 32.7 mm die höchste Nieder- schlagsmenge aller Sensitivitätsläufe. Danach bilden sich weiter in Lee noch drei weitere Zellen, welche jedoch wesentlich geringe Niederschlagsmengen erzeugen. Erst gegen 16 Uhr entstehen kleinere Wolken über der Stadt, aus denen vergleichsweise wenig Nieder- schlag fällt.

Im Lauf W4 bildet sich erst sehr spät aus der einzelnen Auftriebszelle Wolkenwasser, so dass im Modellgebiet kein Niederschlag aus dieser Wolke entsteht (Abbildung 5.20a,b). Die weitere Entwicklung von Wolken und Niederschlag ähnelt sehr der des Referenzlaufs. Die Höhe des ersten Niederschlagsmaximums (in der Stadt) ist allerdings um ca. 5.4 mm größer, die des zweiten um ca. 4.7 mm und die des drittens um ca. 2.2 mm als im Referenzlauf (Abbildung 5.20c). Auch sind die Maxima um wenige Kilometer breiter. Die Verstärkung der Konvektion und damit auch des Niederschlags ist wahr- scheinlich auf die verstärkte Konvergenz an der luvseitigen Stadtgrenze, ausgelöst durch den Rauhigkeitssprung, zurückzuführen.

89 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

a) x 1 20 8 18 6

16 4 Lokalzeit

14 2

12 0 -100 -50 0 50 100 b) x [km] q2C [kg/kg 1 20 6

18 4

16

Lokalzeit 2 14

12 0 -100 -50 0 50 100 P 10 c) x [km] [mm/10min] 30 Ref W2 20

10

Niederschlagssumme [mm] 0 -100 -50 0 50 100 x [km]

Abbildung 5.19: Wie Abbildung 5.8 nur für Lauf W2.

90 Kapitel 5: Modellergebnisse zur Entstehung von Starkniederschlag in Lee von Städten

a) x 1 20

6 18

16 4 Lokalzeit 14 2

12 0 -100 -50 0 50 100 b) x [km] q2C [g/kg] 1 20 6

18 4

16

Lokalzeit 2 14

12 0 -100 -50 0 50 100 P 10 c) x [km] [mm/10min] 30 Ref W4 20

10

Niederschlagssumme [mm] 0 -100 -50 0 50 100 x [km]

Abbildung 5.20: Wie Abbildung 5.8 nur für Lauf W4.

91 Kapitel 6: Fazit und Ausblick

6 Fazit und Ausblick

Im ersten Teil dieser Arbeit wurden die Einflüsse der Stadt Hamburg auf die Temperatur und auf den Niederschlag anhand von Messdaten des Deutschen Wetterdienstes (DWD) analysiert. Dabei stellte sich heraus, dass Hamburg eine städtische Wärmeinsel (UHI) von im Mittel bis zu 1.2 K aufweist. Die Minimumstemperaturen in der Stadt zeigen sogar eine Differenz zum Umland (ländliche Station Grambek) von ca. 3 K im Sommer. Allerdings standen für diese Untersuchungen nur wenige Stationen mit ausreichend langer Messdauer zur Verfügung. Vor allem im innerstädtischen Bereich Hamburgs, in dem die Intensität der UHI ihr Maximum hat, fehlen Stationen. Das Maximum der UHI ist sehr wahrscheinlich höher, als die an der Station Hamburg-St. Pauli gemessene mittlere Temperaturerhöhung (1.2 K). Diese Station ist zwar umgeben von dichter Bebauung, liegt jedoch in der Nähe der Elbe und könnte somit auch durch diese beeinflusst sein.

Die Abhängigkeit der Temperaturdifferenzen von der Umgebung ist vor allem im Jahresgang der Differenzen zu erkennen. Beim Jahresgang muss zwischen Tagesmittel, Tagesmaximums- und Tagesminimumstemperaturen unterschieden werden. Bei den Minimumstemperaturen weisen die meisten Stationen einen schon in anderen Städten (Arnfield, 2003) beobachteten Jahresgang auf, mit großen Differenzen in den warmen Monaten und geringen in den kalten. Bei den Tagesmittel- und Tagesmaximums- temperaturen weichen die Jahresgänge der Stationen von den typischen Jahresgängen ab. Dies sind vor allem Hamburg-Wandsbek und Hamburg-Kirchwerder. Erstere ist eine Station in einem bevölkerungsstarken Stadtteil, weist aber anders als die anderen urbanen Stationen nur einen sehr schwachen Jahresgang der Tagesmaximums- und Tages- minimumstemperatur auf. Dies könnte an einem kühlenden Einfluss von der umgebenden Parkanlage (mit kleinem Fluss) im Sommer und wärmenden Einfluss im Winter liegen. Ähnlich ist dies an der Station Hamburg-Kirchwerder, wo neben dem Einfluss der Elbe vielleicht auch der sehr hohe Grundwasserspiegel den Jahresgang der Temperatur beein- flussen könnte.

Um den Einfluss der Umgebung und damit auch die Repräsentativität der Stationen zu untersuchen, könnten zum Beispiel um eine Station mehrere (mobile) Stationen installiert werden. Zusätzlich sollten weitere feste Stationen installiert werden. In Hamburg gibt es zurzeit keine reine urbane Messstation mehr, da Station Hamburg-St. Pauli nur bis zum Jahr 2000 gemessen hat. Somit kann die aktuelle UHI für Hamburg gar nicht bestimmt werden. Dies macht es unmöglich, Änderungen des Klimas zu bestimmen, da nicht einmal das aktuelle Stadtklima oder der Einfluss von Anpassungsmaßnahmen an Klima-

92 Kapitel 6: Fazit und Ausblick

änderungen genau gemessen werden kann. Zusätzlich fehlt eine zweite ländliche Referenzstation, mit der die Ergebnisse überprüft werden können. Am besten wäre hierfür eine Station geeignet, die näher an Hamburg liegt als Grambek. Damit könnte sichergestellt werden, dass die Station dem selben lokalen Klima ausgesetzt ist. Grambek könnte zum Beispiel noch teilweise von der Ostsee beeinflusst sein. Da Ahrensburg aber eine ähnliche Temperaturdifferenz zu den urbanen Stationen aufweist wie Grambek, ist dieser Einfluss wahrscheinlich gering. Eine zusätzliche Station würde dennoch die Aussagekraft der Ergebnisse stärken.

Die Winddaten von der Station Hamburg-Fuhlsbüttel ermöglichten, den Zusammenhang zwischen Windgeschwindigkeit und UHI zu untersuchen. Alle drei dafür durchgeführten Regressionen zeigen, dass mit abnehmender Windgeschwindigkeit die UHI Intensität steigt. Allerdings können die Funktionen nur einen kleinen Teil der Variabilität der UHI beschreiben. Auf Jahressicht sind für den theoretischen Zusammenhang die von Morris et al. (2001) und Oke (1973) vorgeschlagenen Funktionen am besten geeignet. Für Winter und Herbst ist eine lineare Funktion besser geeignet.

Mit Hilfe der Niederschlagsdaten des DWD konnten Niederschlagstrends sowie die Veränderung des Starkniederschlags bestimmt werden. Von 1891 bis 2007 hat der Jahresniederschlag an der Station Hamburg-Fuhlsbüttel um 8 mm pro Dekade zuge- nommen, was einer Zunahme von 14 % entspricht. Die Niederschlagszunahme verteilt sich unterschiedlich auf die Jahreszeiten. Die Winterniederschläge haben signifikant um 3.5 mm pro Dekade zugenommen. Die Zunahme im Frühling sowie im Herbst sowie die Abnahme der im Sommer sind nicht signifikant. Die große interannuale Variabilität von Niederschlag verhindert dies. Daher sind gleitende 30 Jahre Mittel für die Niederschlags- summen berechnet worden. Für diese sind die Trends der Jahreszeiten Niederschläge signifikant. Das bedeutet, dass sich auch das klimatologische Mittel signifikant geändert hat. Die Auswertung von acht weiteren Niederschlagsstationen für den Zeitraum von 1947-2007 zeigt, dass die Niederschlagszunahme in der Metropolregion unterschiedlich stark ausfällt. Die stärkste Zunahme ist an den südwestlichen Stationen zu verzeichnen.

Alle Trends wurden mit Hilfe der Methode der kleinsten Quadrate bestimmt. Trömel und Schönwiese (2008) haben gezeigt, dass diese Methode bei einigen Niederschlagszeit- reihen in Deutschland vor allem saisonale Trends überschätzen kann, da die Residuen nicht normalverteilt sind. Deswegen sollten die Trends zusätzlich mit der von Trömel und Schönwiese (2008) vorgeschlagenen Methode berechnet werden. Bei dieser werden für jedes Jahr bzw. jeden Monat die Parameter einer statistischen Wahrscheinlichkeitsdichte- funktion (z.B. Gumbel-Verteilung) bestimmt. Danach wird der Trend des Lageparameters bestimmt. Vorteilhaft bei dieser Methode ist, dass sie Ausreißer nicht so stark wichtet.

93 Kapitel 6: Fazit und Ausblick

Jedoch kann sie nur auf die Zeitreihe der Tagesniederschläge und nicht auf die homogenisierte Zeitreihe der Monatsniederschläge angewandt werden.

Die Niederschlagszunahme verteilt sich unterschiedlich auf Niederschlagsereignisse. Tage mit schwächeren Niederschlägen sind im Mittel in der Metropolregion etwas seltener geworden (Abnahme um ca. 6 %), wohingegen Niederschlagstage mit mehr als 10 mm um ca. 24 % zugenommen haben. Da sich die Anzahl der Niederschlagstage kaum verändert hat, kann davon ausgegangen werden, dass die Niederschlagszunahme vor allem auf die Zunahme von Tagen mit stärkeren Niederschlagen zurückzuführen ist. Die Trends für die Starkniederschlagindizes sind nicht signifikant, weisen aber eine Zunahme auf. Der Schwellwert für Starkniederschlag und damit für die Berechnungen der Indizes liegt in Hamburg bei 15.9 mm Niederschlag pro Tag (95 Perzentil).

Für weitere Untersuchungen könnte ein Schwellwert von 10 mm benutzt werden. Damit könnte überprüft werden, ob Niederschläge über 10 mm signifikant zugenommen haben. Weiterhin könnten die Starkniederschläge mit Hilfe der Extremwertstatistik (z.B. Katz, 1999) ausgewertet werden. Hierfür könnten, wie in Maraun et al. (2009), die Nieder- schlagsmaxima für den jeweiligen Monat an eine generalisierte Extremwertverteilung angepasst werden und die jeweiligen Lageparameter auf einen möglichen Trend getestet werden. Des Weiteren könnte wie in Trömel und Schönwiese (2007) die Wahrscheinlich- keitsdichtefunktion bestimmt werden und die oberen 5 % der Verteilung untersucht werden.

Durch die Auswertung von 46 Niederschlagsstationen in der Metropolregion und der Windrichtungsdaten der Station Hamburg-Fuhlsbüttel konnte bestimmt werden, dass an knapp 46 % der Stationen der Niederschlag erhöht ist, wenn sie sich in Lee der Stadt Hamburg befinden. Dies sind vor allem Stationen nordwestlich und südöstlich von Hamburg. Die Erhöhung liegt in einem Bereich von 6 % bis 20 % und ist somit nicht vernachlässigbar. Dass an den anderen Stationen keine Erhöhung ermittelt werden konnte, könnte am Einfluss der Harburger Berge liegen. Die in dieser Arbeit verwendete Methode hat allerdings einige Schwachpunkte. Als Zugrichtung der Niederschlagsgebiete wurde die täglich gemittelte Windrichtung in 10 m Höhe an der Station Hamburg- Fuhlsbüttel benutzt, was eine starke Vereinfachung darstellt. Zukünftig könnten Winddaten aus ERA40 oder NCEP Reanalysedaten verwendet werden. Diese sollten nicht wie in Shepherd et al. (2002) über mehrere Monate, sondern täglich gemittelt werden. Eine weiter Quelle für Winddaten könnten Radiosondenaufstiege von den umgebenden Stationen Schleswig und Bergen sein.

94 Kapitel 6: Fazit und Ausblick

Mit der in dieser Arbeit verwendeten Methode konnte der Einfluss von Hamburg auf Starkniederschlag nicht bestimmt werden, da aufgrund der Seltenheit von Starknieder- schlag zu wenige Daten vorlagen. In zukünftigen Studien könnten die Daten des Hamburger Regenradars benutzt werden. Mit diesen könnten einzelne Niederschlags- zellen untersucht werden.

Im zweiten Teil der Diplomarbeit wurden mit Hilfe des mesoskaligen Modells METRAS zweidimensionalen Sensitivitätsstudien zum Einfluss von Städten auf Starkniederschlag durchgeführt. Ausgehend von einem Modellgebiet (horizontale Auflösung 1 km) mit einer idealisierten Stadt wurde eine sommerliche Hochdruckwetterlage mit Luftmassen- gewittern simuliert. Die Lösung ist für die gewählte Situation in hohem Maße von der Auflösung des Modells abhängig, was an den Ergebnissen des Sensitivitätslaufs mit einer um 50 % verminderten Auflösung zu sehen ist. Ein Grund hierfür ist die geringe horizontale Ausdehnung der Konvektionszellen. Mit einem numerischen Modell können - je nach gewählter Methode - nur Phänomene mit einer Größe von wenigstens 8 Gitter- punkten aufgelöst werden (Schröder, 2007). Sind die Phänomene kleiner, unterliegen sie dem Aliasingeffekt und können verfälscht sein. Weiterhin kann die Auslösung von Konvektion nicht deterministisch vorhergesagt werden.

Trotz der genannten Probleme bleiben einige Phänomene erhalten. So bildet sich nachts eine UHI aus, welche wesentlich durch die gewählte Initialisierung verursacht wird. Nach Sonnenaufgang bildet sich eine städtische Kälteinsel, was auch schon für einige Städte gemessen wurde. Die sich gegen Mittag erneut ausbildende UHI ist eine der Ursachen, weshalb sich im Laufe des Tages vor allem in Lee der Stadt Starkniederschlag (>15.9 mm) bildet. Ausgelöst wurden die Niederschlagszellen teilweise von dem Rauhigkeitssprung von Wiese zu Stadt. Dass sowohl die UHI, als auch die erhöhte Rauhigkeit von Städten zur Initialisierung von Starkniederschlag beitragen verdeutlichen die Sensitivitätsläufe mit unterschiedlichen Oberflächen- und Bodeneigenschaften der Stadt.

Die Lage und die Intensität der Niederschlagsmaxima sind von der Stadtgröße abhängig. Je größer die Stadt ist, umso geringer ist die Entfernung der Niederschlagsmaxima zur leeseitigen Stadtgrenze. Auffällig ist, dass die Maxima einen nahezu konstanten Abstand zu luvseitigen Stadtgrenze besitzen. Vermutlich ist also die Konvergenz in Luv der Stadt, welche durch den Rauhigkeitssprung entsteht, die Ursache für die Niederschlagsmaxima in Lee der Stadt. Bei Städten kleiner als 20 km stellt sich ein anderes Niederschlags- muster ein, was wahrscheinlich auf die zu schwache UHI zurückzuführen ist. Die Sensitivitätsstudien mit einem 30 m hohen Berg im Modellgebiet verdeutlichen, dass

95 Kapitel 6: Fazit und Ausblick schon sehr kleine Erhebungen einen großen Einfluss auf die Auslösung von Konvektion und damit auch auf die Niederschlagsverteilung haben.

In zukünftigen Untersuchungen sollte mit einer geringeren bodennahen relativen Feuchte initialisiert werden, damit in der Simulation kein Bodennebel entstehen kann. Dies lässt Läufe mit einem größeren Berg zu. Des Weiteren sollte die Simulation über zwei Tage laufen. So kann sich am ersten Tag eine UHI aufbauen, welche kein Artefakt der Initialisierung ist. Um eine realistischere UHI zu erhalten, sollte zusätzlich die anthropogene Wärme parametrisiert werden. Die in METRAS implementierte Para- metrisierung der Wolkenmikrophysik sollte um die Eisphase erweitert werden. Gerade bei konvektivem Starkniederschlag in den mittleren Breiten verläuft die Niederschlags- bildung über die Bildung von Eis in der Wolke. Um der Dreidimensionalität von Schauer und Gewitterzellen Rechnung zu tragen, sollten in einem weiteren Schritt Studien mit einem dreidimensionalen Modellgebiet durchgeführt werden.

96 Danksagungen

Danksagungen

Mein besonderer Dank gilt an dieser Stelle Frau Prof. Dr. K. Heinke Schlünzen für sehr gute Betreuung und uneingeschränkte Unterstützung meiner Diplomarbeit. Durch ihre Anmerkungen und Fragen habe ich ein Verständnis für das wissenschaftliche Arbeiten erlangt.

Weiterhin möchte ich mich bei Herrn Prof. Dr. Felix Ament für die Begutachtung meiner Diplomarbeit und für hilfreiche Anmerkungen zu fachlichen Themen bedanken.

Bei Frau Gudrun Rosenhagen und Herrn Wolfgang Riecke bedanke ich mich für die freundliche Bereitstellung der Temperatur und Niederschlagsdaten des Deutschen Wetterdienstes und für die hilfreichen Informationen zu den Daten.

Ein großer Dank geht auch an die Mitarbeiter der MeMi-Gruppe. Vor allem aber möchte ich mich bei Björn Fock, Malte Uphoff und Marta Zygmuntowska bedanken.

Für die hilfreichen Anmerkungen zu meiner Diplomarbeit möchte ich mich bei Katrin Trunzer, Anja Ludwig, Karsten Peters, Oliver Krüger und bei meiner Mutter Sylvia bedanken.

Des Weiteren möchte ich mich für die Unterstützung bei der Präsentation meiner Ergebnisse bei dem Exzellenzcluster "Integrated Climate System Analysis and Prediction (CliSAP)" bedanken.

97 Symbolverzeichnis

Symbolverzeichnis

A - Anzahl von Niederschlagsereignissen

A0 - Albedo cp - spezifische Wärmekapazität bei konstantem Druck Cov - Kovarianz dd - Windrichtung e - Zufallszahl E - Mittelwert

EK - Koaleszenseffizienz f - Coriolisparameter ff - Windgeschwindigkeit r F - Dissipationsvektor

Fθ - Dissipationsterm der potentiellen Temperatur hθ - Eindringtiefe der Temperaturwelle

H0 - Nullhypothese

H1 - Alternativhypothese k - Zeitkonstante ks - thermische Diffusivität r k - Einheitsvektor in z-Richtung l21 - spezifische Verdampfungswärme P - Niederschlag

P10 - Niederschlagintensität in mm/10 min p - Druck p0 großskaliger Druckanteil p1 - hydrostatischer, mesoskaliger Druckanteil p2 - dynamischer, mesoskaliger Druckanteil

QA - anthropogener Wärmestrom

QG - Bodenwärmestrom

QLE - latenter Wärmefluss

QLW - langwellige Einstrahlung

QSH - fühlbarer Wärmefluss

QSW - kurzwellige Einstrahlung

Qθ - Quellterm der potentiellen Temperatur 1 q1 - spezifische Feuchte 1sat q1 - Sättigungsfeuchte 2 q1 - Wassergehalt pro kg feuchter Luft

98 Symbolverzeichnis

2C q1 - Wolkenwassergehalt pro kg feuchter Luft 2C q1cri - kritischer Wolkenwassergehalt 2R q1 - Regenwassergehalt pro kg feuchter Luft 3 q1 - spezifischer Eisgehalt r - Korrelationskoeffizient/ Radius r² - erklärte Varianz R - Gaskonstante für trockene Luft k Ri - Gaskonstante des k-ten Stoffes und der i-ten Phase S - Teststatistik des Mann-Kendall-Tests/ Übersättigung t - Zeit/ Teststatistik des t-Tests T - Temperatur

T1 - Temperatur um 7:30 MEZ

T2 - Temperatur um 14:30 MEZ

T3 - Temperatur um 21:30 MEZ

Tb - Temperatur im Boden

Tm - Tagesmitteltemperatur in 2 m Höhe

Ts - Temperatur am Boden u - Windgeschwindigkeit in West-Ost-Richtung u - mittleres u u′ - Fluktuationen von u U - Mann-Whitney-U-Statistik

Ug - geostrophischer Wind in West-Ost-Richtung v - Windgeschwindigkeit in Süd-Nord-Richtung v - mittleres v v′ - Fluktuationen von v vr - Windvektor k vi - spezifisches Volumen des k-ten Stoffes und der i-ten Phase

Vg - geostrophischer Wind in Süd-Nord-Richtung Var - Varianz w - Vertikalgeschwindigkeit w - mittleres w w′ - Fluktuationen von w

Wk - Sättigungswert für den Wassergehalt im Boden x - Horizontalkoordinate in Ost-West-Richtung 1 x& - transformierte Koordinate (entspricht x) 2 x& - transformierte Koordinate (entspricht y)

99 Symbolverzeichnis

2 x& - transformierte Koordinate (entspricht z) y - Horizontalkoordinate in Süd-Nord-Richtung z - Vertikal Koordinate (Höhe) zs - Geländehöhe zt - Oberrand des Modellgebiets z0 - Rauhigkeitslänge z0e - effektive Rauhigkeitslänge Z - Maß der Entfernung eines Wertes vom Mittelwert in Standardabweichungen α - Signifikanzniveau

αq - Bodenwasserverfügbarkeit β - Funktion zur Berechnung der Änderungen der spezifischen Feuchte ΔP - Niederschlagsdifferenz Δt - Zeitschritt ΔT - Temperaturdifferenz

ΔTMes - gemessene Temperaturdifferenz in Abhängigkeit von ff

ΔTUHI - theoretisch bestimmte Temperaturdifferenz in Abhängigkeit von ff Δx - Gitterabstand in West-Ost-Richtung Δy - Gitterabstand in Süd-Nord-Richtung Δz - vertikaler Gitterabstand

Δθloss - charakteristische Abkühlungsrate η - bodenfolgende Höhenkoordinate θ - potentielle Temperatur

θ0 - großskaliger Anteil der potentiellen Temperatur θ% - mesoskaliger Anteil der potentiellen Temperatur

υs - thermische Leitfähigkeit

Π0 - Exnerfunktion ρ - Dichte der Luft

ρ0 - mittlere Dichte der Luft

ρs - Dichte der Luft am Boden ρ% - mesoskaliger Anteil der Dichte χ - skalare Größe

χ0 - großskaliger Anteil einer skalaren Größe χ χ% - mesoskaliger Anteil einer skalaren Größe χ χ - Mittel einer skalaren Größe χ χ′ - Fluktuationen einer skalaren Größe χ χˆ - temporärer Wert einer skalaren Größe χ ψ - beliebige Größe in METRAS

100 Symbolverzeichnis

ψ - mittleres ψ ψ ′ - Fluktuationen der Größe ψ

ψ 0 - großskaliger Anteil der Größe ψ ψ% - mesoskaliger Anteil der Größe ψ Ω - Winkelgeschwindigkeitsvektor der Erdration x - Gebietsgröße in Ost-West-Richtung y - Gebietsgröße in Süd-Nord-Richtung ∇ - Nabla-Operator

101 Abkürzungsverzeichnis

Abkürzungsverzeichnis

2D - zweidimensional 3D - dreidimensional AR(1) - autoregressiver Prozess 1. Ordnung A1B - Szenario des IPCC CCN - Wolkenkondensationskeime DJF - Dezember, Januar, Februar (Winter) DWD - Deutscher Wetterdienst ECMWF - Europäisches Zentrum für mittelfristige Wettervorhersage EF - Extreme Frequenz (Tabelle 2.1) EI - Extreme Intensität (Tabelle 2.1) Entf - Entfernung ERA40 - ECMWF 45-year reanalysis EP - Extremes Prozent (Tabelle 2.1) HH - Hansestadt Hamburg IPCC - Intergovernmental Panel on Climate Change JJA - Juni, Juli, August (Sommer) MAM - März, April, Mai (Frühling) METRAS - Mesoskaliges Transport- und Strömungsmodell METROMEX - Meteorological Metropoliten Experiment MEZ - Mitteleuropäische Zeit NaN - not a number (Fehlwert) NaCl - Natriumchlorid (Kochsalz) NCEP - National Centers for Environmental Prediction NWS - National Weather Service PA - Prozentuale Änderungen RS - repräsentative Stationen SON - September, Oktober, November (Herbst) TKE - turbulente kinetische Energie TRMM - Tropical Rainfall Measuring Mission UCI - “Urban Cool Island“ (städtischen Kälteinsel) UHI - “Urban Heat Island“ (städtische Wärmeinsel) URR - Urban Rainfall Ratio UTC - Universal Time Coordinated

102 Literaturverzeichnis

Literaturverzeichnis

Arnfield AJ. 2003. Two decades of urban climate research: A review of turbulence, exchange of energy and water, and the urban heat island. Int. J. Climatol. 23: 1-26.

Asai T. 1965. A numerical study of the air-mass transformation over the Japan Sea in winter. J. Meteor. Soc. Japan 43: 1-15.

Atkinson BW. 1971. The effects of an urban area on the precipitation from a moving thunderstorm. J. Appl. Met. 10: 47-55.

Baik J-J, Kim Y-H, Chun H-Y. 2001. Dry and moist convection forced by an urban heat island. J. Appl. Met. 40: 1462-1475.

Bakan S. 1994. Eine einfache Strahlungsparametrisierung für ein mesoskaliges Modell. Max-Planck-Institut für Meteorologie, Hamburg: 21 pp.

Balling R, Brazel S. 1987. Recent changes in Phoenix summertime diurnal precipitation patterns. Theor. Appl. Climatol. 38: 50-54.

Blackadar AK. 1962. The vertical distribution of wind and turbulent exchange in a neutral atmosphere. J. Geophys. Res. 67: 3095–3102.

Bornstein R, LeRoy GM. 1990. Urban barrier effects on convective precipitation and frontal thunderstorms. Extended Abstracts, Fourth Conf. on Mesoscale Processes, Boulder, CO, American Meteor. Soc.: 120-121.

Bornstein R, Lin Q. 2000. Urban heat island and summertime convective thunderstorms in Atlanta: three case studies. Atm. Environ. 34: 507-516.

Brunetti M, Maugeri M, Nanni T. 2001. Changes in total precipitation, rainy days and extreme events in northeastern Italy. Int. J. Climatol. 21: 861-871.

103 Literaturverzeichnis

Burian SJ, Shepherd JM. 2005. Effects of urbanization on the diurnal rainfall pattern in Houston. Hydrol. Process. 19: 1089-1103.

Changnon SA. 1968. The LaPorte weather anomaly-Fact or fiction? Bull. Am. Meteorol. Soc. 49: 4-11.

Changnon SA. 1979. Rainfall changes in summer caused by St. Louis. Science 205: 402- 404.

Changnon SA, Semonin RG, Auer AH, Braham RR, Hales J. 1981. METROMEX: A Review and Summary. Meteor. Monogr. No. 40 Amer. Meteor. Soc, Boston: 81 pp.

Changnon SA, Shealy RT, Scott RW. 1991. Precipitation changes in fall, winter, and spring caused by St. Louis. J. Appl. Meteor. 30: 126-134.

Chivati A, Rosenfeld D. 2004. Quantifying precipitation suppression due to air pollution. J. Appl. Meteor. 43: 1038-1056.

Christensen JH, Hewitson B, Busuioc A, Chen A, Gao X, Held I, Jones R, Kolli RK, Kwon W-T, Laprise R, Magaña Rueda V, Mearns L, Menéndez CG, Räisänen J, Rinke A, Sarr A, Whetton P. 2007. Regional Climate Projections. In: Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change [Solomon S, Qin D, Manning M, Chen Z, Marquis M, Averyt KB, Tignor M, Miller HL(eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA: 94 pp.

Diem JE, Mote TL. 2005. Interepochal changes in summer precipitation in the Southeastern United States: Evidence of possible urban effects near Atlanta, Georgia. J. Appl. Meteor. 44: 717-730.

Dunst M. 1982. On the vertical structure of the eddy diffusion coefficient in the PBL. Atm. Environ. 16: 2071-2074.

Dutton JA. 1995. Dynamics of atmospheric motion. Dover Publications, Inc., New York: 617 pp.

104 Literaturverzeichnis

DWD. 26.02.2009. Kriterien für Wetterwarnungen des DWD. http://www.dwd.de/bvbw/generator/lang_de/Sites/DWDWWW/Content/Oeffentlichk eit/WV/WV11/Warnungen/Warnseiten/Erlaeuterungen__und__Kriterien/Wetterwarn kriterien,templateId=renderPrint.html

Dyer AJ. 1974. A review of flux-profile relationships. Boundary-Layer Meteorology 7: 363-372.

Franke J, Goldberg V, Eichelmann U, Freydank E, Bernhofer C. 2004. Statistical analysis of regional climate trends in Saxony, Germany. Atmos. Res. 27: 145-150.

Givati A, Rosenfeld D. 2004. Quantifying precipitation suppression due to air pollution. J. Appl. Meteor. 43: 1038-1056.

Groisman PY, Karl TR, Easterling DR, Knight RW, Jamason PF, Hennessy KJ, Suppiah R, Page CM, Wibig J, Fortuniak K, Razuvaev VN, Douglas A, Føtland E, Zhai P-M. 1999. Changes in the probability of heavy precipitation: Important indicators of climate change. Climate Change 42: 243-283.

Groisman PY, Knight RW, Karl TR. 2001. Heavy precipitation and high streamflow in the contiguous United States: Trend in the 20th century. Bull. Amer. Meteorol. Soc. 82: 219-246.

Günner C. 2009. persönliche Mitteilung. Hamburg Wasser

Han J-Y, Baik J-J. 2008. A theoretical and numerical study of urban heat island-induced circulation and convection. J. Atmos. Sci. 65: 1859-1877.

Haylock M, Nicholles N. 2000. Trends in extreme rainfall indices for an updated high quality data set for Australia, 1910-1998. Int. J. Climatol. 20: 1533-1541.

Hennessy KJ, Suppiah R, Page CM. 1999. Australian rainfall changes, 1910-1995. Aust. Meteorol. Mag. 48: 1-13.

Hipel KW, McLeod AI. 2005. Time Series Modelling of Water Resources and Environmental Systems. Electronic reprint of the book originally published in 1994. http://www. stats.uwo.ca/faculty/aim/1994Book/.

105 Literaturverzeichnis

Hjelmfelt MR. 1982. Numerical simulations of the effects of St. Louis on mesoscale boundary-layer airflow and vertical motion: Simulations of urban vs non-urban effects. J. Appl. Meteor. 21: 1239-1257.

Holton JR. 2004. An introduction to dynamic meteorology. 4th Edition, Academic Press. Burlington, MA: 535 pp.

Howard L. 1833. Climate in London Deduced from Meteorological Observations. 3d Edition, Vol. 1, Harvey and Darton, London: 348 pp.

Hung T, Uchihama D, Ochi S, Yasuoka Y. 2006. Assessment with satellite data of the urban heat island effects in Asian mega cities. International Journal of Applied Earth Observation and Geoinformation 8: 34-48.

Jin M, Shepherd JM, King MD. 2005. Urban aerosols and their variations with clouds and rainfall: A case study for New York and Houston. J. Geophys. Res. 110: S10S20, doi:10.1029/2004JD005081.

Karl TR, Knight RW, Plummer N. 1995. Trends in high-frequency climate variability in the twentieth century. Nature 377: 217-220.

Karl TR, Knight RW, Easterling DR, Quayle RG. 1996. Indices of climatic change for the United States. Bull. Amer. Meteorol. Soc. 77: 279-292.

Katz RW. 1999. Extreme value theory for precipitation: sensitivity analysis for climate change. Advances in Water Resources 23: 133-139.

Kendall MG. 1938. A new measure of rank correlation. Biometrika 30: 81-93.

Kessler E. 1969. On the distribution and continuity of water substance in atmospheric circulation. Meteor. Monogr. No. 32 Amer. Meteor. Soc., Boston: 81 pp.

Klein Tank AMG, Können GP. 2003. Trends in indices of daily temperature and precipitation extremes in Europe, 1946-99. J. Climate 16: 3665-3680.

Köhler A. 1990. Parametrisierung der Wolkenmikrophysik und der Strahlung in einem mesoskaligen Transport- und Strömungsmodell. Diplomarbeit, Universität Hamburg, Hamburg: 96 pp.

106 Literaturverzeichnis

Kratzer PA. 1937. Das Stadtklima 1. Edition. Friedrich Vieweg, Wiesbaden: 221 pp.

Kreyszig E. 1975. Statistische Methoden und ihre Anwendungen. Vandenhoeck & Ruprecht, Göttingen, Germany: 451 pp.

Kulkarni A, von Storch H. 1995. Monte Carlo experiments on the effect of serial correlation on the Mann-Kendall-test of trends. Met. Zeitschrift 4: 82-85.

Kunkel KE, Easterling DR, Redmond K, Hubbard K. 2003. Temporal variations of extreme precipitation events in the United States: 1895-2000. Geophys. Res. Lett. 17: 1900-1903.

Lo JCF, Lau AKH, Chen F, Fung JCH, Leung KKM. 2007. Urban modification in a mesoscale model and the effects on the local circulation in the Pearl Delta region. J. Appl. Meteor. 46: 457-476.

Lopéz SD. 2002. Numerische Modellierung turbulenter Umströmungen von Gebäuden. Alfred-Wegener-Institut für Polar- und Meeresforschung, Bremerhaven, Berichte zur Polar- und Meeresforschung Heft-Nr. 418/2002: 93 pp.

Lopéz SD, Lüpkes C, Schlünzen KH. 2005. The effect of different k-ε closures on the results of a micro-scale for the flow in obstacle layer. Meteorologische Zeitschrift 14: 839-848.

Lowry WP. 1998. Urban effects on precipitation amount. Progress in Physical Geography 22: 477-520.

Lüpkes C. 1991. Untersuchungen zur Parametrisierung von Koagulationsprozessen niederschlagsbildender Tropfen. Verlag Dr. Kovac, 156, Universitaet Frankfurt, Frankfurt: 156 pp.

Lüpkes C, Schlünzen KH. 1996. Modelling the arctic convective boundary layer with different turbulence parameterizations. Boundary-Layer Meteorology 79: 107-130.

Manley G. 1958. On the frequency of snowfall in metropolitan England. Q. J. R. Meteorol. Soc. 84: 70-72.

Mann HB. 1945. Nonparametric tests against trend. Econometrica 13: 245-259.

107 Literaturverzeichnis

Maraun D, Rust HW, Osborn TJ. 2009. The annual cycle of heavy precipitation across the UK: a model based extreme value statistic. Int. J. Climatol. in press.

Marshall JS, Palmer WM. 1948. The distribution of raindrops with size. J. Metor. 5: 165- 166.

MathWorks™. 2007. MATLAB® 7 Data Analysis. Natick: 200 pp.

Mölders N. 1998. Landscape changes over a region in East Germany and their impact upon the processes of its atmospheric water-cycle. Meteorol. Atmos. Phys. 68: 79-98.

Mölders N, Olson MA. 2004. Impacts of urban effects on precipitation in high latitudes. J. Hydrometeor. 5: 409-429.

Mote TL, Lacke MC, Shepherd JM. 2007. Radar signatures of the urban effect on precipitation distribution: A case study for Atlanta, Georgia. Geophys. Res. Lett. 34: L20710, doi:10.1029/2007GL031903.

Morris CJG, Simmonds I, Plummer N. 2001. Quantification of the influences of wind and cloud on the nocturnal urban heat island of a large city. J. Appl. Met. 40: 169-182.

NWS. 2008. Record of river and climatological observations, Houston Heights, Texas, September 2008.

Oke TR. 1973. City size and the urban heat island. Atm. Environ. 7: 769-779.

Oke TR. 1982. The energetic basis of the urban heat island. Q. J. R. Meteorol. Soc. 108: 1-24.

Oke TR. 1987. Boundary layer climates. 2nd Edition. Routledge, Taylor and Francis Group, Cambridge: 435 pp.

Orville RE, Huffines G, Gammon JN, Zhang R, Ely B, Steiger S, Phillips S, Allen S, Read W. 2001. Enhancement of ground-to-ground-lightning over Houston Texas. Geophys. Res. Lett. 28: 2597-2600.

Pielke RA. 2002. Mesoscale meteorological modelling. 2nd Edition. Academic Press. San Diego: 676 pp.

108 Literaturverzeichnis

Quaas J. 2007. Folien zur Vorlesung “Wolkenphysik“ Sommersemester 2007. Universität Hamburg, Department-Geowisschenschaften

Riemann-Campe K, Fraedrich K, Lunkeit F. 2008. Global climatology of Convective Available Potential Energy (CAPE) and Convective Inhibition (CIN) in ERA-40 reanalysis. Atmos. Res. in press. [Online verfügbar unter http://dx.doi.org/10.1016/j.atmosres.2008.09.037]

Rosenfeld D. 2000. Suppression of rain and snow by urban and industrial air pollution. Science 287: 1793-1796.

Rosenfeld D, Woodley WL. 2003. Closing the 50-year cycle: From cloud seeding to space and back to climate change through precipitation physics. Cloud System, Hurricanes, and Tropical Rainfall Measuring Mission. Meteor. Monogr. No. 51 Amer. Meteor. Soc.: 59-80.

Rozoff C, Cotton WR, Adegoke JO. 2003. Simulation of St. Louis, Missouri, land use impacts on thunderstorms. J. Appl. Meteor. 42: 716-738.

Rudolf B, Malitz G. 2008. Metorologischer Hintergrund I: Extreme Niederschläge als Schadensursache. Promet Jahrg. 34, Nr.1/2: 53-57.

Sass R. 16.02.2009. It’s not cool to be hot in Houston. http://www.ruf.rice.edu/~sass/UHI.html

Schlünzen KH.1988. Das mesoskalige Transport- und Ströumungsmodell ‘METRAS’- Grundlagen, Validierung, Anwendung. Hamb. Geophys. Einzelschr., A 88: 139 pp.

Schlünzen KH. 1990. On the inland penetration of sea breeze fronts. Beitr. Phys. Atmosph. 63: 243-256.

Schlünzen KH. 2009. persönliche Mitteilung

Schlünzen KH, Bigalke K, Lenz C-J, Lüpkes C, Niemeier U, von Salzen K. 1996. Concept and realization of the Mesoscale Transport and Fluid Model ‘METRAS’. Meteorologisches Institut der Universität Hamburg, Hamburg: 129 pp.

109 Literaturverzeichnis

Schlünzen KH, Hoffmann P, Rosenhagen G, Riecke W. 2008. Long-term changes and regional differences in temperature and precipitation in the area of Hamburg. Int. J. Climatol. submitted.

Schröder G. 2007. Gitterverfeinerung zur verbesserten Simulation kleinräumiger Phänomene. Dissertation, Dept. Geowissenschaften, Universität Hamburg: 166 pp.

Schultz P. 1995. An explicit cloud physics parameterization for operational numerical weather prediction. Mon. Wea. Rev. 123: 3321-3343.

Shepherd JM, Pierce H, Nergi AJ. 2002. Rainfall modification by major urban areas: Observations from spaceborne rain radar on the TRMM satellite. J. Appl. Meteor. 41: 689-701.

Shepherd JM, Burian SJ. 2003. Detection of urban-induced rainfall anomalies in a major coastal city. Earth Interactions 7. [Online verfügbar unter http://EarthInteractions.org]

Shepherd JM. 2005. A review of current investigations of urban-induced rainfall and recommendations for the future. Earth Interactions 9. [Online verfügbar unter http://EarthInteractions.org]

Sneyers R. 1990. On the statistical analysis of series of observations. WMO Technical Note No. 143, Geneva: 192 pp.

Statistisches Amt für Hamburg und Schleswig-Holstein. 2006. Bodenflächen in Schleswig-Holstein und Hamburg 2005 nach Art der tatsächlichen Nutzung. Statistischer Bericht. Anstalt für öffentliches Recht, Hamburg: 81 pp.

Statistisches Amt für Hamburg und Schleswig-Holstein. 2008. Bevölkerungsstand und – entwicklung in den Hamburger Stadtteilen 2007. Statistische Berichte. Anstalt für öffentliches Recht, Hamburg: 24 pp.

Stout GE. 1962: Some observations of cloud initiation in industrial areas. In Air over cities. Technical Report A62-5, US Public Health Service, Washington, DC: 147-153.

Stulov EA. 1993. Urban effects on summer precipitation in Moscow. Russian Meteorology and Hydrology 11: 34-41.

110 Literaturverzeichnis

Suppiah R, Hennessy KJ. 1996.Trends in the intensity and frequency of heavy rainfall in tropical Australia and links with the Southern Oscillation. Australian Meteorology Magazine 45: 1-17.

Suppiah R, Hennessy KJ. 1998. Trends in total rainfall, heavy rain events and number of dry days in Australia. Int. J. Climatol. 10: 1141-1164.

Thielen J, Wobrock W, Gadian A, Mestayer PG, Creutin J-D. 2000. The possible influence of urban surfaces on rainfall development: A sensitivity study in 2D in the meso-gamma scale. Atmos. Res. 54: 15-39.

Troen IB, Mahrt L. 1986. A simple model of the atmospheric boundary layer; sensitivity to surface evaporation. Boundary-Layer Meteorology 37: 129-148.

Trömel S, Schönwiese C-D. 2007. Probabilty change of extreme precipitation observed from 1901 to 2000 in Germany. Theor. Appl. Climatol. 87: 29-39.

Trömel S, Schönwiese C-D. 2008. Robust trend estimation of observed German precipitation. Theor. Appl. Climatol. 93: 107-115.

Uphoff M. 2008. Parametrisierung flugzeuginduzierter Vermischung in einem mesoskaligen Modell. Diplomarbeit, Universität Hamburg, Hamburg: 144 pp.

Van den Heever SC, Cotton WR. 2007. Urban aerosol impacts on downwind convective storms. J. Appl. Meteor. 46: 828-850.

Van Ulden AP, van Oldenborgh GJ. 2006. Large-scale atmospheric circulation biases and changes in global model simulations and their importance for climate change in Central Europe. Atmos. Chem. Phys. 6: 863-881.

Vogel JL, Huff FA, 1978. Relationship between the St. Louis urban precipitation anomaly and synoptic weather factors. J. Appl. Meteor. 17: 1141-1152.

Wilks DS. 2006. Statistical methods in the atmospheric sciences. 2nd Edition. Academic Press. Burlington, MA: 627 pp.

Yow DM. 2007. Urban heat islands: Observations, impacts, and adaptation. Geography Compass 1/6: 1227-1251.

111