18 Auswerterahmen des Themenfeldes 1; BMVI Expertennetzwerk (201632019) 3.3.2 Vorgehen bei der Bias-Adjustierung Für viele Parameter, die bei Untersuchungen im Binnenland verwendet werden, stehen Beobachtungsdaten in ausreichender Dichte und Qualität zur Verfügung, sodass gegitterte Referenzdatenfelder erstellt werden konnten (siehe Abschnitt 3.2). Für diese Größen können daher auch Bias-Adjustierungen der Ergebnisse der atmosphärischen RCMs durchgeführt werden. In Tabelle 3-3 ist zusammengestellt, welcher Referenz- datensatz und welche Adjustierungsmethode für den jeweiligen Klimaparameter angewendet wurde. Zur Durchführung der Bias-Adjustierung existieren unterschiedliche Methoden, die je nach betrachtetem Parameter, Region, Klimamodell und verfügbarem Referenzdatensatz unterschiedlich gute 3 im Sinne von geringer Abweichung von verschiedenen betrachteten Charakteristika zwischen Modell und Referenzdaten- satz 3 Ergebnisse liefern: ? Schwellenwert-Anpassung: Kenntage wie beispielsweise Sommertage basieren auf festen Schwel- lenwerten. Weisen die Klimaprojektionen einen Bias auf, führt dies zu einer systematischen Über- oder Unterschätzung der Kenntage. Ein einfacher Korrekturansatz besteht darin, jenen Schwellen- wert einer Klimasimulation zu identifizieren, der dieselbe Anzahl von Über- oder Unterschreitun- gen aufweist wie jener in den Referenzdaten. Für den Projektionszeitraum wird dann dieser ange- passte Schwellenwert verwendet. Dieses Verfahren setzt voraus, dass sich das Klima sowie abgelei- tete Kennwerte zukünftig linear ändern, eine Voraussetzung die oft nicht erfüllt ist. Zudem liefert dieser Korrekturansatz keine für Impaktmodellierungen geeigneten Datensätze. ? Linear Scaling: Ein ebenfalls simples Verfahren ist die Anpassung des Modellwerts durch einen konstanten Versatz oder eine konstante prozentuale Modifikation. Voraussetzung ist eine annä- hernd lineare Beziehung zwischen Modell- und Beobachtungsdaten. Ziel der linearen Skalierung ist eine möglichst perfekte Übereinstimmung monatlicher Mittelwerte der korrigierten Modelldaten mit beobachteten Werten. Die Adjustierung basiert dabei auf monatlichen Korrekturwerten, die aus den Differenzen zwischen beobachteten und modellierten Werten abgeleitet werden. ? Quantil-Mapping-Verfahren passen die fehlerbehafteten Häufigkeitsverteilungen der Projekti- onsdaten über eine mittlere Abbildungsvorschrift an jene von realen Beobachtungen an. Dabei werden der Mittelwert, die Standardabweichung sowie einzelne Quantile angepasst. Zudem werden auch die Extrema korrigiert. Dabei wird die Annahme getroffen, dass die Häufigkeitsverteilungen stationär sind, was in einem sich ändernden Klima allerdings nicht für alle Klimaparameter zutref- fend sein muss. ? Wie bei einer linearen Skalierung, werden beim Quantil-Mapping sämtliche Klimavariablen vonei- nander unabhängig korrigiert. Diese individuelle Bearbeitung der verschiedenen Parameter geht häufig mit dem Verlust der meteorologischen (physikalischen) Konsistenz einher. Beim Einsatz komplexer Multiparameter-Wirkmodelle, wie beispielsweise einem Wasserhaushaltsmodell, kann dies zu ungenauen oder gar falschen Ergebnissen führen. ? Die multivariate Bias-Adjustierung stellt eine Erweiterung des Quantil-Mapping Verfahrens dar. Neben der Korrektur der statistischen Momente wird auch sichergestellt, dass die Konsistenz der einzelnen Klimavariablen zueinander erhalten bleibt. Zur Korrektur der im Rahmen des BMVI-Expertennetzwerks verwendeten atmosphärischen Klimaprojek- tionen im Binnenland wurde ein neues, multivariates Bias-Adjustierungsverfahren (Cannon 2018) getestet und final auf die temperaturgebundenen Parameter (Mittel-, Minimum- und Maximumtemperatur sowie Luftfeuchte) angewandt. Dieses Verfahren kombiniert die Anpassung marginaler Verteilungen via univari- atem Quantil-Delta-Change-Mapping (QDCM), unter Beibehaltung der projizierten Änderungen in den si- mulierten Quantilen, mit einer Anpassung der Abhängigkeitsstruktur zwischen den Variablen durch mul- tivariate Skalierung.