100

Langzeitmodellierung  zur  Abschätzung  von  Trends  und  Risiken

bestimmter  Variablen  konditioniert  werden.  Ein  anderes  Beispiel  wäre  die  Auswahl  einer  bestimmten  Saison
im  Diagramm  oben  rechts,  wonach  sich  alle  dargestellten  Wahrscheinlichkeiten  nur  noch  auf  Simulationen
in  dieser  Jahreszeit  beziehen.  Auf  diese  Weise  ließe  sich  auch  unmittelbar  visualisieren,  wie  vorherrschende
Windrichtungen  jahreszeitlich  variieren.
Die  Reaktionen  der  graphischen  Oberfläche  auf  Eingaben  des  Nutzers  ergeben  sich  auf  Basis  von  Wahrscheinlichkeitstabellen, ­
  die  an  Hand  der  Simulationsergebnisse  kalibriert  wurden.  Da  das  System  dabei
nicht  direkt  auf  diese  Simulationsergebnisse  zugreift,  benötigt  es  minimale  Computerressourcen.  Sollen
bestimmte  Einzelereignisse  genauer  untersucht  werden,  so  muss  man  doch  auf  die  originalen  Simulationen
zurückgehen.  Die  Wahrscheinlichkeitsdarstellung  liefert  aber  bereits  genau  diejenigen  zusammengefassten
Informationen,  welche  beispielsweise  für  Risikoanalysen  relevant  sind.

Zusammenfassung
Detaillierte  modellgestützte  Rekonstruktionen  meteorologischer  und  mariner  Verhältnisse  über  mehrere  Dekaden ­
  liefern  ein  flächendeckendes  Bild  über  Trends,  Variabilität  und  Extremereignisse.  Eine  Verknüpfung
von  Beobachtungen  mit  derartigen  Modellergebnissen  bedeutet  einen  erheblichen  Mehrwert  für  die  Datenanalyse, ­
  indem  Informationen  über  variable  Umweltbedingungen  die  Interpretation  von  Veränderungen  in
Langzeitbeobachtungen  stützen.  Darüber  hinaus  können  die  modellgestützten  Langzeitrekonstruktionen  als
„Labor“  für  Risiko-  und  Belastungsanalysen  verwendet  werden,  wofür  die  hiesige  Studie  ein  Beispiel  liefert.
Grundsätzlich  ermöglichen  die  detaillierten  Modellrechnungen  basierend  auf  bestmöglichen  Beschreibungen ­
  der  zeitlichen  Entwicklung  der  Umweltbedingungen  den  Blick  auf  sowohl  konkrete  Einzelereignisse  als
auch  mittlere  Verhältnisse.  Ein  praktisches  Problem  stellt  allerdings  der  sehr  große  Umfang  der  produzierten ­
  Datensätze  dar,  deren  Auswertung  in  der  Regel  speziell  programmierte  Software  auf  großen  Rechnern
erfordert.  Dieses  eher  technische  Problem  erschwert  die  Vermittlung  der  Ergebnisse  für  weiterführende  Studien ­
  oder  die  Bewertung  von  Handlungsoptionen.  Bayessche  Netzwerke  könnten  hier  einen  Weg  eröffnen,
Nutzern  der  Daten  den  Einblick  in  die  wesentlichen  Wirkungszusammenhänge  zu  erleichtern.