2. Grundlagen der Klimamodellierung und Bewertung 9 4) Ungenauigkeiten in der Modellkaskade: Durch die stufenweise Verfeinerung der räumlichen Auflösung eines (Mehrfach-) Nesting in einer Modellkette, entstehen ebenfalls Unsicherheiten, denn Ungenauigkeiten (z. B. in der Modellphysik) der gröber aufgelösten Modelldaten beeinflussen ebenfalls den genesteten Modelldatensatz. Klimamodellensembles: Aufgrund der geschilderten Unsicherheitsfaktoren ist das Ergebnis eines einzel- nen Modellaufes als nur bedingt belastbar einzuschätzen. Um die Spannbreite der zukünftigen Klimaände- rung abschätzen und möglichst robuste Ergebnisse über eine mögliche Klimazukunft ableiten zu können, hat sich in der Praxis die Auswertung von Klimamodellensembles durchgesetzt. Hierbei sollte für jedes Szenario eine möglichst große Anzahl an Global-Regionalmodell-Kombinationen berücksichtigt werden, welche die aus der Modellwahl resultierenden Unsicherheiten ausgewogen bewertet. Maßnahmen wie z. B. lange Zeitreihen und veränderte Anfangsbedingungen im Modell erhöhen zusätzlich die Belastbarkeit der Ensembleaussagen. Generell ist bei der Bewertung von Klimamodellensembleaussagen zu berücksichtigen, dass die Anzahl der globalen Klimaprojektionen begrenzt ist und darüber hinaus nicht alle möglichen Kom- binationen von Global- und Regionalmodell gerechnet wurden (sehr hoher Rechenaufwand) und somit durch das Ensemble ggf. nicht die gesamte Bandbreite aller möglichen Entwicklungen aufgezeigt wird. Zu- dem weisen einzelne Modelle innerhalb des Ensembles Gemeinsamkeiten auf, die aus der jeweiligen Mo- dellentwicklung und der Übernahme spezifischer Modellkomponenten oder Parametrisierungen von ande- ren Modellierergruppen resultieren. Dadurch kann es selbst in einem großen Modellensemble zu einer ver- zerrten Darstellung der zukünftig für einzelne Klimaparameter oder Regionen zu erwartenden Entwicklung kommen (z. B. bei der Berechnung von Mittelwerten oder der Bildung von Quantilen). Bedeutung hochqualitativer Beobachtungsdatensätze: Klimamodelle können die natürlichen Prozesse im Klimasystem bisher nur eingeschränkt repräsentieren und sind daher mit systematischen Fehlern (bei- spielsweise einem Bias) behaftet. Falls ein geeigneter, hochqualitativer Beobachtungsdatensatz zum Ver- gleich mit Klimamodelldaten existiert, kann eine Minimierung dieser Modellfehler durch entsprechende sta- tistische Korrekturverfahren vorgenommen werden. Dies ist eine wichtige Vorrausetzung für die Interpre- tation der Klimamodelldaten, z. B. in Bezug auf die Analyse von Veränderungen von Klimakennwerten sowie für viele Klimafolgenmodellierungen. Jedoch sind diese hochqualitativen Datensätze nicht für alle relevanten Variablen vorhanden. So existieren bisher nur zeitlich grob aufgelöste Vergleichsdatensätze für Windfelder über Land sowie nur wenige Datensätze für ozeanische und atmosphärische Variablen auf See. Ein Ansatz, diese Lücke zu schließen, stellen sogenannte Reanalysedaten dar, die gegenwärtig bei der Be- stimmung modellinterner Ungenauigkeiten verstärkt zum Einsatz kommen. Allerdings liegen diese Datens- ätze zurzeit noch nicht in klimatologisch relevanten Zeitskalen (mindestens 30 Jahre) vor. Hochqualitative Beobachtungsdatensätze sind nicht nur für die hier geschilderten Ansätze zur Evaluierung von Klimamodellen und der Adjustierung systematischer Klimamodellfehler wichtig, sondern werden auch für die Bewertung rezenter Klimatrends, für Prozessstudien zu den Zusammenhängen von Klimavariablen und Indizes der atmosphärischen bzw. ozeanischen Zirkulation und für die Validierung von Impaktmodel- len herangezogen. Umgang mit systematischen Modellfehlern: Viele Wirkmodelle nutzen als Eingangsdaten absolute me- teorologische Werte (im Normalfall Messwerte). Zudem basieren viele in der Klimafolgenforschung ver- wendete Klimaindizes auf absoluten Schwellenwerten. Neben der Betrachtung relativer Werte (z. B. Ände- rungen bestimmter Perzentile der Häufigkeitsverteilungen) ist die Anwendung von Bias-Adjustierungsver- fahren z. Zt. ein übliches Mittel, um Klimaprojektionen für Anwendungen nutzbar zu machen. Dabei wer- den die modellinternen Fehler basierend auf dem Vergleich zwischen dem historischen Modelllauf (historical) und Beobachtungsdaten in einer mindestens 30-jährigen Referenzperiode abgeschätzt und soweit möglich korrigiert. Die zur Bias-Adjustierung existierenden Verfahren sind unterschiedlich komplex und reichen von einfachen Skalierungsansätzen, über eine Anpassung der Verteilungsfunktion einzelner Variablen bis hin zu multivariaten Ansätzen. Der Vergleich verschiedener Bias-Adjustierungsansätze im Rahmen des Projektes