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

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

  • Upload
    others

  • View
    4

  • Download
    0

Embed Size (px)

Citation preview

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Silk

eTr

ömel

und

Cle

men

sSi

mm

er

Met

eoro

logi

sche

s In

stitu

tR

hein

isch

e Fr

iedr

ich-

Wilh

elm

s-U

nive

rsitä

tBon

n

Obj

ektb

asie

rte

Valid

ieru

ng

atm

osph

äris

cher

Mod

elle

auf

Bas

isIn

tegr

aler

Rad

arvo

lum

ende

skrip

tore

n

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Übe

rsic

ht

1.M

otiv

atio

n2.

Inte

gral

e R

adar

volu

men

desk

ripto

ren

3.D

aten

grun

dlag

e4.

Mod

ellie

rte /

real

e R

egen

erei

gnis

se5.

Zusa

mm

enfa

ssun

g &

Aus

blic

k

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Mot

ivat

ion

Nie

ders

chla

g is

t ein

Pro

zess

und

tritt

in F

orm

von

Ere

igni

ssen

auf

„an/

aus“

-Cha

rakt

er

Ber

ücks

icht

igun

g in

Det

ektio

n, M

onito

ring,

Mod

ellie

rung

und

Mod

ellv

alid

ieru

ng

Obj

ektb

asie

rte M

odel

lval

ider

ung:

Geb

en M

odel

le d

ie p

hysi

kalis

che

Bes

chre

ibun

g vo

n N

iede

rsch

lags

erei

gnis

sen

wie

der?

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Sta

rtpun

kt fü

r IR

VD

s: D

onea

udet

al.,

1981

Atla

s et

al.

(199

0) li

efer

n ei

ne T

heor

ie fü

r die

Sch

ätzu

ng

…de

s to

tale

n N

iede

rsch

lags

ein

es e

inze

lnen

kon

vekt

iven

Reg

enge

biet

s/-s

yste

ms

über

sei

ne L

eben

szei

t

durc

h M

essu

ng d

er F

läch

e m

it R

efle

ktiv

itäte

n od

er ä

quiv

alen

ten

Nie

ders

chla

gsin

tens

itäte

n ob

erha

lb e

iner

bes

timm

ten

Sch

wel

le τ

(≈18

dBZ)

:

ist n

äher

ungs

wei

se k

onst

ant f

ür e

in b

estim

mte

s R

egim

e.

Tröm

elet

al.,

200

9, J

TEC

H→

IRVD

s

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Inte

gral

e R

adar

volu

men

desk

ripto

ren

IRV

Ds

Bod

enge

stüt

zte

Rad

are

sind

das

alle

inig

e M

ediu

m fü

r das

Mon

itorin

g vo

n N

iede

rsch

lags

erei

gnis

sen

Die

4-d

imen

sion

alen

Rad

arvo

lum

enda

ten

wer

den

in e

ine

über

scha

ubar

eA

nzah

l inf

orm

atio

nsträ

chtig

er G

röße

n ko

nden

sier

t, de

n IR

VD

s

IRV

Ds

…w

erde

n vo

m 4

D-R

efle

ktiv

itäts

feld

, die

Nie

ders

chla

gser

eign

isse

wäh

rend

der

Beo

bach

tung

s-/L

eben

szei

t gen

erie

ren,

abg

elei

tet

(Tra

ckin

ger

ford

erlic

h!)

…si

nd P

roxy

sde

s N

iede

rsch

lags

proz

esse

s

…be

schr

eibe

n di

e m

ikro

phys

ikal

isch

en U

nter

schi

ede

zwis

chen

Ere

igni

ssen

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

IRV

D-B

eisp

iele

Sta

tistis

che

Eig

ensc

hafte

n de

r Ref

lekt

ivitä

ten

inne

rhal

b de

r de

tekt

ierte

n Z

elle

der

unt

erst

en E

leva

tion

(0.5

°), z

.B.

Erw

artu

ngsw

ert /

Var

ianz

der

akk

umul

ierte

n R

efle

ktiv

itäte

n

Cha

rakt

eris

tika

des

verti

kale

n P

rofil

s, z

.B.

mitt

lere

ech

o-to

phe

ight

mitt

lere

r Brig

htba

ndan

teil

und

sein

Tre

nd

mitt

lere

effe

ctiv

eef

ficie

ncy

Qb-

Qt

Ee=

---

----

-Q

b

mit

Qb/

t = (S

ättig

ungs

-)m

isch

ungs

verh

ältn

isan

Wol

kenu

nter

-bzw

. Wol

keno

berk

ante

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Brig

htba

ndan

teil

Def

initi

on:

Ant

eil d

er m

axim

alen

Ref

lekt

ivitä

ten

des

Ver

tikal

prof

ils im

Ber

eich

±1k

m

der0

°C-S

chic

ht (a

nhan

dve

rtika

len

Sch

nitts

in 0

.1km

Auf

lösu

ng).

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Tren

d im

Brig

htba

ndan

teil

Abb

: Mod

ellie

rtes

Reg

ener

eign

is v

om 8

. Jul

i 200

5.

Die

ha

upts

ächl

iche

nE

ntw

ickl

ungs

phas

ensi

nddi

e W

achs

tum

spha

se,

die

konv

ektiv

eP

hase

und

die

stra

tifor

me

oder

diss

ipat

ive

Pha

se. D

erTr

end

imB

right

-ba

ndan

teil

kann

som

itei

nen

Hin

wei

sau

f das

Ent

wic

klun

gsst

adiu

mge

ben.

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Tren

d im

Brig

htba

ndan

teil

Brig

htba

ndan

teil:

0.1 B

right

band

ante

il: 0

.7B

right

band

ante

il: 0

.9

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

IRV

D-B

eisp

iele

Sta

tistis

che

Eig

ensc

hafte

n de

r Ref

lekt

ivitä

ten

inne

rhal

b de

r de

tekt

ierte

n Z

elle

der

unt

erst

en E

leva

tion

(0.5

°), z

.B.

Erw

artu

ngsw

ert /

Var

ianz

der

akk

umul

ierte

n R

efle

ktiv

itäte

n

Cha

rakt

eris

tika

des

verti

kale

n P

rofil

s, z

.B.

mitt

lere

ech

o-to

phe

ight

Bis

lang

wur

den

28 IR

VD

s de

finie

rt un

d ge

test

et!

mitt

lere

r Brig

htba

ndan

teil

und

sein

Tre

nd

mitt

lere

effe

ctiv

eef

ficie

ncy

Qb-

Qt

Ee=

---

----

-Q

b

mit

Qb/

t = S

ättig

ungs

mis

chun

gsve

rhäl

tnis

an

Wol

kenu

nter

-bzw

. Wol

keno

berk

ante

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

100

mod

ellie

rte E

reig

niss

e65

beo

bach

tete

Ere

igni

sse

CO

SM

O-D

E:

Mod

ellie

rte R

efle

ktiv

itäte

nun

d R

egen

rate

n vo

m•1

7. J

uli,

2004

•8. J

uli,

2005

•19.

Aug

ust,

2005

Rad

arvo

lum

enda

ten

einz

elne

r Tag

eim

Som

mer

200

4 vo

n•H

ambu

rg•B

erlin

•Fra

nkfu

rt

Nie

ders

chla

gspr

oduk

t (P

aula

tet a

l., 2

008)

basi

eren

d au

f PC

-Pro

dukt

(DW

D) a

nd 3

500

Nie

ders

chla

gsst

atio

nen

mit

tägl

iche

n S

umm

en.

Dat

engr

undl

age

Auf

lösu

ng:

•0.

025°

(≈2.

8km

)•

10 M

inut

en

Auf

lösu

ng:

•2k

m G

itter

•15

Min

uten

12 R

adio

sond

enst

atio

nen

12 R

adio

sond

enst

atio

nen

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

„Gro

und

Trut

h“

Die

ob

jekt

-bas

ierte

M

etho

de

erfo

rder

t rä

umlic

h un

d ze

itlic

h ho

chau

fgel

öste

Nie

ders

chla

gs-

beob

acht

unge

n(g

roun

dtru

th).

Exi

stie

rt bi

slan

g ni

cht!

Not

lösu

ng:

Mer

ging

(Pau

late

t al.

2008

):•T

ages

sum

men

von

350

0

S

tatio

nen

(ger

inge

Auf

lösu

ng)

•Rad

arbe

obac

htun

gen

des

DW

D (P

C-P

rodu

kt)

Berlin

Eisber

g

Feldbe

rgFrankf

urt

Hamb

urg

Fürhol

zen

Neuhe

ilenbac

h

Rosto

ck

Türkhe

im

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

IRV

Ds

mod

ellie

rter E

reig

niss

e

Info

rmat

ions

geha

lt fü

r ges

amte

s N

iede

rsch

lags

volu

men

:

Erk

lärte

Var

ianz

: 98

.9%

Max

imal

er re

lativ

er F

ehle

r: 88

.5%

In 7

4% d

er E

reig

niss

e is

t der

rela

tive

Fehl

er

< 10

%

In 2

2% d

er E

reig

niss

e is

t der

rela

tive

Fehl

er

< 2

%

Führ

ende

IRVD

s m

odel

liert

er E

reig

niss

e

Mitt

lere

Ref

lekt

ivitä

t

Sta

ndar

dabw

eich

ung

der R

efle

ktiv

ität

Geb

iets

ante

il Z>

τam

Ges

amtg

ebie

t, A

(τ)/A

o

Mitt

lere

r Brig

htba

ndan

teil

Tren

d im

Brig

htba

ndan

teil

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Unt

ersc

hied

e im

Info

rmat

ions

geha

lt de

r IR

VD

sFü

hren

de IR

VDs

mod

ellie

rter

Ere

igni

sse

Mitt

lere

Ref

lekt

ivitä

tS

tand

arda

bwei

chun

g de

r Ref

lekt

ivitä

tG

ebie

tsan

teil

Z>τ

am G

esam

tgeb

iet,

A(τ

)/Ao

Mitt

lere

r Brig

htba

ndan

teil

Tren

d im

Brig

htba

ndan

teil

Hor

izon

tal e

xpec

ted

valu

e [m

m6 /m

3 ]

020

0040

0060

0080

0010

000

1200

0

V/ATI [mm/h]

02468101214

Info

rmat

ions

geha

lt de

r mitt

lere

n R

efle

ktiv

ität

sink

t von

95%

auf

35%

!

Erk

lärte

Var

ianz

enM

odel

lierte

Ere

igni

sse:

99%

Rea

le E

reig

niss

e:

48%

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

1-M

omen

ten-

Sch

ema

Das

1-M

omen

ten-

Sch

ema

erze

ugt e

ine

fest

e B

ezie

hung

zw

isch

en

prog

nost

izie

rtem

Reg

enw

asse

r ρq r

, Pse

udo-

Ref

lekt

ivitä

tund

Reg

enra

te:

Die

Une

inde

utig

keit

zwis

chen

Reg

enra

te u

nd R

efle

ktiv

itäti

st n

icht

wie

derg

egeb

en.

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

IRV

Ds

real

er E

reig

niss

e

Info

rmat

ions

geha

lt fü

r ges

amte

s N

iede

rsch

lags

volu

men

:E

rkl.

Var

ianz

mod

ellie

rter E

reig

niss

e du

rch

Pse

udo-

IRV

D-M

odel

le:

99%

Erk

l. V

aria

nz re

aler

Ere

igni

sse

durc

h P

seud

o-IR

VD

-Mod

elle

: 48

%E

rkl.

Var

ianz

real

er E

reig

niss

e du

rch

real

e IR

VD

-Mod

elle

:77

%

Führ

ende

IRVD

s m

odel

liert

er E

reig

niss

eFü

hren

de IR

VDs

real

er E

reig

niss

e

Mitt

lere

Ref

lekt

ivitä

tS

tand

arda

bwei

chun

g de

r Ref

lekt

ivitä

tS

tand

arda

bwei

chun

g de

r Ref

lekt

ivitä

tS

tand

arda

bwei

chun

g de

r Ref

lekt

ivitä

t>τ

Geb

iets

ante

il Z>

τam

Ges

amtg

ebie

t, A

(τ)/A

o

Mitt

lere

r Brig

htba

ndan

teil

Tren

d im

Brig

htba

ndan

teil

Tren

d im

Brig

htba

ndan

teil

Max

imal

e D

ista

nz z

u R

adar

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Die

Grö

ßten

Pse

udo-

Rad

arda

ten

CO

SM

O-D

E,8

. Jul

i, 20

0542

1 x

461

Pix

el, 2

.8km

, 10m

in.

Max

. akk

um. G

ebie

t 174

.3 ·1

04 k

m2

Beo

bach

tete

Ref

lekt

ivitä

ten

Rad

ar B

erlin

, 18.

Jul

i, 20

0445

0 x

450

Pix

el, 2

.0km

, 15m

in.

Max

. akk

um. G

ebie

t 3.7

·104

km

2

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Mod

ellv

alid

ieru

ng

Mod

ellie

rte

Erei

gnis

seR

eale

Ere

igni

sse

Beo

bach

tung

sdau

er1-

10 S

tund

en1-

5 S

tund

en

Akk

umul

iert

es G

ebie

t36

00 –

1 74

2 90

0 km

²10

0 –

3730

0 km

²Vo

lum

enni

eder

schl

ag3⋅

106

–52

80⋅1

06m

³1.

5 ⋅1

05 -3

63 ⋅1

05 m

³M

ittle

re R

egen

rate

0.1

-7.3

mm

/h0-

2.7

mm

/h

Rea

le u

nd m

odel

lierte

Ere

igni

sse

unte

rsch

eide

n si

ch d

urch

die

Bed

eutu

ng/ I

nfor

mat

ions

geha

lt de

r IR

VD

s

Sta

tistik

en ü

ber i

hre

Lebe

nsze

it

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

IRV

Ds

für Q

PE

?

IRVD

-Mod

ell

Rel

. Feh

ler i

n V

< 10

%R

el. F

ehle

r in

V<

20%

Max

imal

er

rel.

Fehl

er in

VM

arsh

all-P

alm

er20

%34

%10

1 %

Pseu

do-IR

VDs

22 %

35 %

116

%

IRVD

s15

%31

%95

%

IRVD

s (K

Q)

22 %

38 %

221

%

IRVD

s+M

-P35

%43

%10

0 %

Jedo

ch: S

chät

zung

des

ges

amte

n N

iede

rsch

lags

ertra

gs V

!

Führ

ende

IRV

Ds

sind

die

Var

ianz

der

Ref

lekt

ivitä

t, m

ittle

re e

cho-

top-

heig

htun

d m

ittle

re e

ffect

ive

effic

ienc

y.

Bes

sere

Sch

ätzu

ng d

es N

iede

rsch

lags

ertra

gs V

mit

IRV

Ds.

IRV

Ds

liefe

rn z

usät

zlic

he In

form

atio

n zu

Sta

ndar

d-Z-

R-B

ezie

hung

en.

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Zusa

mm

enfa

ssun

g

IRV

Ds

erm

öglic

hen

eine

obj

ekt-b

asie

rte A

naly

se /

Bes

chre

ibun

g vo

nN

iede

rsch

lag.

Unt

ersc

hied

e in

den

führ

ende

n IR

VD

s fü

r mod

ellie

rte u

nd b

eoba

chte

teR

egen

erei

gnis

se w

eise

n au

f Mod

elsc

hwäc

hen

hin

(1-M

omen

ten-

Sch

ema

von

CO

SM

O-D

E).

Ein

zeln

e IR

VD

s al

s Zu

satz

zu

Sta

ndar

d-Z-

Bez

iehu

ngen

verb

esse

rn d

ieS

chät

zung

des

Ges

amtn

iede

rsch

lags

.

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Aus

blic

k

Auf

Bas

is v

on 3

D-R

adar

-Kom

posi

ts w

irddi

e G

enau

igke

it, A

ussa

gekr

aft

und

die

Mög

lichk

eite

nde

rIR

VD

sve

rbes

sert.

Anw

endu

ngde

robj

ekt-b

asie

rten

Val

idie

rung

auf d

as n

eue

2-M

omen

ten

Sch

ema

von

CO

SM

O-D

E.

Wei

tere

Anw

endu

ngsm

öglic

hkei

ten

derI

RV

Ds:

−K

limat

olog

ievo

n R

egen

erei

gnis

sen

−V

erbe

sser

ung

von

QP

E

−D

aten

assi

mila

tion

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Dan

kesc

hön!

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Zusa

tzin

fos

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Det

ecte

dIR

VD

s in

obs

erve

dra

inev

ents

with

out

and

with

M-P

-Esi

mat

or

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

IRV

D m

odel

sfo

rpse

udo-

even

ts

1.)

No

info

rmat

ion

abou

tor

ogra

phy

and

win

d sh

ear

2.) O

RO

+, O

RO

±, M

SH

EA

Rar

e ap

plie

d in

add

ition

Exp

. var

ianc

e: 9

8.93

%M

ax. r

el. e

rror

: 88.

5%In

74

(22)

out

of 1

00 ra

inev

ents

the

rel.

erro

ris

smal

lert

han

10%

(2%

).

Exp

. var

ianc

e: 9

9.25

%M

ax. r

el. e

rror:

103.

2%In

79

(31)

out

of 1

00 ra

inev

ents

the

rel.

erro

ris

smal

lert

han

10%

(2%

).

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

App

licat

ion

to re

al d

ata

1.)

No

info

rmat

ion

abou

tor

ogrA

phy

and

win

d sh

ear

2.) O

RO

+, O

RO

±, M

SH

EA

Rw

erde

nau

chan

gebo

ten

Exp

. var

ianc

e: 4

8.18

%E

xp. v

aria

nce:

48.

34%

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

1. M

otiv

atio

n 2

. IR

VD

3. D

aten

4.

Mod

ellie

rte E

reig

niss

e v

sre

ale

Ere

igni

sse

5. Z

usam

men

fass

ung/

Aus

blic

k

Effe

ctiv

e ef

ficie

ncy

Qb=

sat

urat

ion

mix

ing

ratio

fort

hety

pica

lclo

udba

seco

nditi

on (=

800

m)

Qt=

satu

ratio

nm

ixin

gra

tioat

the

top

of th

ecl

oud

(=ec

ho-to

phe

ight

)

Qb-

Qt

Ee=

---

----

-Q

b

Des

crib

es th

e fra

ctio

n of

wat

er v

apou

r car

ried

up th

roug

h th

e cl

oud

base

and

thus

pote

ntia

lly a

vaila

ble

for p

reci

pita

tion.

The

prob

abili

ty d

ensi

ty fu

nctio

n of

rain

inte

nsiti

es is

shi

fted

to h

ighe

r val

ues

with

incr

easi

ng E

e.

Ee

is a

lso

used

as

a cl

assi

ficat

ion

crite

rion

for c

ontin

enta

l and

mar

itim

e ra

in c

loud

syst

ems.

Par

amet

eriz

esen

train

men

t, m

ixin

g, a

nd e

vapo

ratio

n