veri kation von trmm-satellitendaten im kullu-distrikt ... · universit at fribourg, schweiz...

62
Universit¨ at Fribourg, Schweiz Departement f¨ ur Geowissenschaften Geographie Pers¨ onliche Forschungsarbeit Verifikation von TRMM-Satellitendaten im Kullu-Distrikt (Himachal Pradesh) des indischen Himalaya Verfasst unter der Aufsicht von Dr. Nadine Salzmann Leonie Bernet Ch. de Bethl´ eem 4 1700 Fribourg Fribourg, 4. Juli 2014

Upload: others

Post on 07-Sep-2019

2 views

Category:

Documents


0 download

TRANSCRIPT

Universitat Fribourg, Schweiz

Departement fur Geowissenschaften

Geographie

Personliche Forschungsarbeit

Verifikation von TRMM-Satellitendaten

im Kullu-Distrikt (Himachal Pradesh)

des indischen Himalaya

Verfasst unter der Aufsicht von Dr. Nadine Salzmann

Leonie Bernet

Ch. de Bethleem 4

1700 Fribourg

Fribourg, 4. Juli 2014

Zusammenfassung

Das Bestimmen von Niederschlag ist bedeutend fur das Verstandnis von hydrologi-

schen und klimatischen Prozessen. Dieses Verstandnis ist im Zuge des Klimawandels

von besonderer Bedeutung, um zukunftige Anderungen zu analysieren und auf die-

se reagieren zu konnen. Da der Himalaya einen wichtigen Indikator bezuglich des

Klimawandels darstellt, widmet sich das Projekt”Indian Himalayas Climate Ad-

aptation Programme“ (IHCAP) der schweizerischen Direktion fur Entwicklung und

Zusammenarbeit (DEZA) der Untersuchung klimatischer Anderungen im indischen

Himalaya, um anschliessend auf Veranderungen durch Anpassungsmassnahmen rea-

gieren zu konnen. In den indischen Bergregionen stehen teilweise nur wenig Stations-

niederschlagsdaten zur Verfugung, weshalb fur die Untersuchung klimatischer Dyna-

miken flachendeckende Satellitendaten benotigt werden. Um hierbei Fehler zu redu-

zieren, mussen diese mit Stationsdaten verglichen werden. In diesem Sinne werden

in der vorliegenden Arbeit 0,5 ◦-Gitternetz-Stationsdaten des IMD (India Meteoro-

logical Department) mit 0,25 ◦-Satellitendaten der TRMM (Tropical Rainfall Mea-

suring Mission) im Kullu-Distrikt des indischen Bundesstaates Himachal Pradesh

fur den Zeitraum 1998–2005 verglichen. Dafur wurden statistische Indikatoren sowie

Prazisions- und Verzerrungsmasse zur Beurteilung der Qualitat von Satellitenbe-

stimmungen verwendet. Dies ergab eine Niederschlagserkennung von rund 75% sowie

relevante Unterschiede im Ausmass der Bestimmung je nach Jahreszeit. Die Winter-

Niederschlage werden im Kullu-Distrikt von den Satelliten meist unterschatzt, die

Monsun-Niederschlage werden vermehrt uberschatzt. Einzelne Starkniederschlage

werden von den Satelliten jedoch meist stark unterschatzt, vor allem in Gebieten mit

starken topographischen Variabilitaten. Bei der Untersuchung von Niederschlagen

in dem Kullu-Distrikt ahnelnden Gebieten kann die vorliegende Arbeit helfen, die

Auswertung von TRMM-Niederschlagsdaten zu erleichtern.

Schlusselworter: Indien; Himalaya; Niederschlagsverifikation von Satellitendaten;

TRMM Niederschlag; IMD Gitternetzdaten.

1

Inhaltsverzeichnis

1 Einleitung 4

2”Indian Himalayas Climate Adaptation Programme“ 6

3 Das Untersuchungsgebiet: Kullu-Distrikt im indischen Himalaya 8

3.1 Klimatische Gegebenheiten . . . . . . . . . . . . . . . . . . . . . . . . 8

3.2 Topographie des Untersuchungsgebietes . . . . . . . . . . . . . . . . . 10

4 Messung von Niederschlagen 12

4.1 Stationsdaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

4.1.1 Fehlerquellen bei Stationsdaten . . . . . . . . . . . . . . . . . 13

4.2 Satellitendaten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

4.2.1 Fehlerquellen bei Satellitendaten . . . . . . . . . . . . . . . . 14

4.3 Abgleich von Satelliten- mit Stationsdaten . . . . . . . . . . . . . . . 14

5 Daten und Methodik 16

5.1 Verwendete Daten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

5.1.1 Gitternetzdaten des IMD . . . . . . . . . . . . . . . . . . . . . 17

5.1.2 Satellitendaten der TRMM . . . . . . . . . . . . . . . . . . . . 18

5.2 Methodisches Vorgehen . . . . . . . . . . . . . . . . . . . . . . . . . . 19

5.2.1 Methoden fur den generellen Vergleich . . . . . . . . . . . . . 19

5.2.2 Vorgehen bei der ordinalen Skalierung . . . . . . . . . . . . . 20

5.2.3 Vorgehen bei der quantitativen Bestimmung der Satelliten-

bestandigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

6 Ergebnisse der Datenverarbeitung 25

6.1 Allgemeiner Vergleich der Daten . . . . . . . . . . . . . . . . . . . . . 25

6.1.1 Statistische Zentral- und Streuungsmasse . . . . . . . . . . . . 26

6.1.2 Graphische Darstellung uber den gesamten Zeitraum . . . . . 27

6.1.3 Darstellung der Differenzen zwischen IMD-

und TRMM-Daten . . . . . . . . . . . . . . . . . . . . . . . . 29

6.2 Ordinale Skalierung der Daten . . . . . . . . . . . . . . . . . . . . . . 29

2

Inhaltsverzeichnis

6.2.1 Klassifizierung monatlicher Niederschlagssummen . . . . . . . 30

6.2.2 Klassifizierung taglicher Niederschlagssummen . . . . . . . . . 31

6.2.3 Jahreszeitliche Klassifizierung taglicher Niederschlagssummen 31

6.3 Quantitative Bestimmung der Bestandigkeit der Satellitendaten . . . 33

6.3.1 Ergebnisse der Kontingenztafeln . . . . . . . . . . . . . . . . . 33

6.3.2 Vergleich der Indizes der beiden Gitternetze . . . . . . . . . . 34

6.3.3 Indizes fur verschiedene Jahreszeiten und Niederschlagsklassen 36

7 Diskussion der Resultate 39

8 Schlussfolgerung 43

Literaturverzeichnis 48

A Anhang 49

A.1 Allgemeiner Vergleich der Daten . . . . . . . . . . . . . . . . . . . . . 49

A.2 Ordinale Skalierung der Daten . . . . . . . . . . . . . . . . . . . . . . 52

A.3 Quantitative Bestimmung der Bestandigkeit der Satellitendaten . . . 58

3

1 — Einleitung

Die Aufzeichnung und die Dokumentation von Niederschlagen sind neben der Mes-

sung von Temperaturen die wichtigsten Prozesse zur Identifikation von Klimazonen

und zur Erkennung von Klimaanderungen. Informationen uber raumliche und zeitli-

che Niederschlagsvariationen sind sehr wichtig, um das hydrologische Gleichgewicht

auf globaler und regionaler Ebene zu verstehen, was nicht nur fur die Bereitstellung

von Trink- und Betriebswasser und die landwirtschaftliche Wasserversorgung, son-

dern auch fur die Energiegewinnung und den Umgang mit Trockenperioden oder

Uberschwemmungen von grosser Bedeutung ist (Rajeevan et al., 2005). In Zeiten

des Klimawandels ist eine Untersuchung der hydrologischen Komponenten beson-

ders wichtig, um die oben genannten Funktionen erhalten und gegebene Herausfor-

derungen bewaltigen zu konnen.

Bergregionen stellen auf Grund der hohen Niederschlage und deren Speicherung

in Gletschern eine der wichtigsten Wasserquellen dar. Besonders in subtropischen

Gebieten, in denen die Niederschlage stark variieren und das Wasser vor allem aus

Schmelzwasser bezogen wird – so auch in Teilen Indiens – sind Bergregionen von

grosser Bedeutung (Kohler und Maselli, 2009). Sie spielen zudem eine wichtige Rolle

fur regionale und globale Klimata und gehoren gleichzeitig zu denjenigen Regionen,

die am sensibelsten auf den Klimawandel reagieren (Kohler und Maselli, 2009).

Der Himalaya nimmt als gewaltigstes Hochgebirgssystem der Erde eine bedeu-

tende Rolle im hydrologischen System ein. Ausserdem kontrolliert er das Klima in

Sudasien, indem er den Monsun zuruckhalt, den indischen Subkontinent mit Wasser

versorgt und ein grosses Reservoir an Biodiversitat darstellt (SDC/IHCAP, 2013).

Eine Untersuchung der aktuellen klimatischen Zustande ist in diesem Gebiet also

besonders wichtig, damit eventuelle Anderungen erkannt werden konnen und recht-

zeitig reagiert werden kann. Eben dieser Thematik widmet sich das Projekt”Indian

Himalayas Climate Adaptation Programme“ (IHCAP) der schweizerischen Direk-

tion fur Entwicklung und Zusammenarbeit (DEZA). In Kooperation mit verschie-

denen Universitaten und Forschungseinrichtungen sollen klimatische Gegebenheiten

und Entwicklungen im indischen Himalaya analysiert werden, um so anschliessend

eventuelle Anpassungsmassnahmen entwickeln zu konnen. Im Zuge dieses Projekts

setzt sich die vorliegende Forschungsarbeit mit Niederschlagsdaten im Pilotgebiet

4

Kapitel 1. Einleitung

”Kullu-Distrikt“ des indischen Himalaya auseinander.

Ein Problem bei der klimatischen Untersuchung in vielen Bergregionen – wie auch

in diesem Untersuchungsgebiet – ist das Fehlen an flachendeckenden Niederschlags-

daten. Neben den Messungen durch Messstationen dienen Satelliten als wichtige

Quelle fur Niederschlagsdaten. Wahrend die Daten von Messstationen meist sehr

zuverlassige Informationsquellen sind, konnen Satellitendaten von verschiedensten

Faktoren beeinflusst und dadurch leicht verfalscht werden (Mitra et al., 2009).

Trotz dieser Unsicherheit sind Satellitendaten von grosser Bedeutung, da sie flachen-

deckend auch fur Regionen ohne Messstationen Daten mit hoher raumlicher und

zeitlicher Auflosung liefern konnen. Vor allem fur schwer zugangliche Bergregionen

reichen Stationsdaten also alleine nicht aus und Satellitendaten bieten eine grosse

Bereicherung (Scheel et al., 2011).

Auch wenn ganz Indien mit zahlreichen Messstationen ausgestattet ist, so gibt es

in den Gebirgsregionen Gebiete mit sehr wenigen bis gar keinen Messstationen. Die

teils unsicheren Satellitendaten werden also fur die Gebirgsregionen flachendeckend

benotigt. Um die Qualitat der verwendeten Satellitendaten zu verbessern, mussen

sie mit Stationsdaten verglichen werden. Daher sollen in dieser Arbeit im Gebiet

des Kullu-Distrikts Satelliten- und Stationsdaten gegenubergestellt werden. So kann

erkannt werden, inwieweit die Satellitendaten mit den Stationsdaten fur die ge-

gebenen Umstande ubereinstimmen, um anschliessend in stationsarmeren Gebie-

ten mit ahnlichen Gegebenheiten die Satellitendaten besser einschatzen zu konnen

und eventuell zu korrigieren. Hierfur sollen die Gitternetz-Stationsdaten des”India

Meteorological Department“ (IMD) sowie die Satellitendaten der”Tropical Rainfall

Measuring Mission“ (TRMM) verwendet werden. Folgende Problematik bildet die

Grundlage der vorliegenden Arbeit:

Inwieweit stimmen die Niederschlags-Satellitendaten der”Tropical Rain-

fall Measuring Mission“ (TRMM) mit den Gitternetz-Stationsdaten des

”India Meteorological Department“ (IMD) im Kullu-Distrikt im indi-

schen Himalaya uberein?

Dabei sollen besonders die Unterschiede fur verschiedene Monate und Niederschlags-

starken sowie topographische Einflusse untersucht werden.

Nach einer kurzen Beschreibung des zuvor genannten IHCAP-Projektes sowie des

zu untersuchenden Kullu-Gebietes soll ein Einblick in die Messung von Niederschla-

gen mittels Stationen und die Niederschlagsbestimmung durch Satelliten gegeben

werden. Im Anschluss werden die verwendeten Daten und Methoden beschrieben

und die Datenverarbeitung der Niederschlage im Kullu-Gebiet prasentiert, indem

Resultate des Vergleichs der IMD- mit den TRMM-Daten vorgelegt werden. In der

darauf folgenden Diskussion sollen die Resultate evaluiert und erortert werden.

5

2 —”Indian Himalayas Climate

Adaptation Programme“

Bergregionen reagieren sehr sensibel auf klimatische Anderungen. Ausserdem neh-

men sie in Politik und Wirtschaft meist nur eine marginale Position ein, sind schlecht

zuganglich und wesentliche gesellschaftliche Entwicklungen erreichen die Bevolkerung

der Bergregionen haufig gar nicht oder stark verzogert. Dies tragt dazu bei, dass Be-

wohner von Bergregionen besonders verwundbar in Bezug auf Klimaanderungen sind

(CEE, 2012). Die indische Himalayaregion ist eine der bezuglich des Klimawandels

vulnerabelsten Regionen der Welt. Gemass dem Centre for Environment Education

(CEE, 2012) werden neben starkem Gletscherruckzug auf Grund des Temperatur-

anstiegs zunehmend auch Anderungen in der Verfugbarkeit naturlicher Ressourcen

wie Wasser, Wald und Agrobiodiversitat festgestellt. So ist demnach im Bundes-

staat Himachal Pradesh etwa ein durchschnittlicher Temperaturanstieg von 1 ◦C

seit 1970 vermerkt worden. Zudem verstarken sich die Monsunniederschlage und die

Winterniederschlage werden schwacher (CEE, 2012). Extremereignisse und Natur-

katastrophen vermehren sich. Die starke Gletscherschmelze zum Beispiel kann nach

Kohler und Maselli (2009) zu Gletscherseeausbruchen fuhren und grosse Schaden

in den Talern anrichten. Nach dem International Centre for Integrated Mountain

Development (ICIMOD) gibt es in der Hindukusch- und Himalayaregion etwa 200

potentiell gefahrdete Seen (Kohler und Maselli, 2009). Hinzu kommt, dass im Hima-

laya noch nicht alle Wechselwirkungen verstanden werden und damit eine Vorhersa-

ge der Klimaanderungen mit grosser Unsicherheit belastet ist (Kohler und Maselli,

2009). Dies alles fuhrt dazu, dass traditionelle Anpassungsmechanismen an Effizienz

verlieren und zusatzliche Anpassungsmassnahmen angewandt und reflektiert werden

mussen.

Die indische Regierung hat eine ganzheitliche Strategie entwickelt, um nachhalti-

ge Entwicklung in Bezug auf Klimawandel im Himalaya zu fordern, die”National

Mission for Sustaining the Himalayan Ecosystem“ (NMSHE). In Zusammenarbeit

mit der schweizerischen Botschaft in Indien sowie der Direktion fur Entwicklung und

Zusammenarbeit DEZA wurde im Jahre 2012 das”Indian Himalayas Climate Adap-

tation Programme“ (IHCAP) ins Leben gerufen (SDC/IHCAP, 2013). IHCAP hat

6

Kapitel 2.”Indian Himalayas Climate Adaptation Programme“

die Absicht, nachhaltige Bergentwicklung zu fordern, indem Wissen und Kapazitaten

bezuglich des Klimawandels in der Region des indischen Himalaya vertieft werden

(CEE, 2012). Das Ausmass der Auswirkungen des Klimawandels und deren Konse-

quenzen fur die vulnerable Bevolkerung soll verstanden werden. Dies soll durch drei

Strategien erreicht werden: auf wissenschaftlicher Ebene, auf Ebene der Bevolkerung

sowie auf politischer Ebene. Die wissenschaftliche und technische Zusammenarbeit

zwischen indischen und schweizerischen Institutionen soll ein besseres Verstandnis

von der Dynamik des Klimawandels, von Klimaszenarien sowie von Schnee, Glet-

schern und dem hydrologischen System ermoglichen (SDC/IHCAP, 2013). Anpas-

sungsmassnahmen fur die vulnerable Bevolkerung sollen entwickelt und durchgefuhrt

werden und eine Anpassungspolitik zur besseren Umsetzung in der Region des Hi-

malaya gefordert werden. Umsetzungsgebiet sind die zwolf Bergstaaten im indischen

Himalaya, ein Fokus wird jedoch auf die Bundesstaaten Himachal Pradesh, Sikkim

und Uttarakhand gelegt (CEE, 2012).

Im Zuge dieses Projektes und im Sinne der wissenschaftlichen Kooperation zwi-

schen indischen und schweizerischen Forschungsinstitutionen beschaftigt sich die vor-

liegende Arbeit mit Niederschlagsdaten im Kullu-Distrikt im Bundesstaat Himachal

Pradesh. Damit soll ein Beitrag zur Erforschung klimatischer Dynamiken, beson-

ders der Auswertung von Niederschlagsaufzeichnungen in der Region des indischen

Himalaya geleistet werden.

7

3 — Das Untersuchungsgebiet:

Kullu-Distrikt im indischen

Himalaya

Das Untersuchungsgebiet”Kullu-Distrikt“ liegt im nordlichsten Gebiet Indiens im

westlichen Himalaya und ist eine der 12 Verwaltungseinheiten (Distrikt) des Bundes-

staats Himachal Pradesh. Der Distrikt ist vor allem fur das durch den Fluss Beas

geformte Kullu-Tal bekannt, welches in Kultur und Natur viele Schonheiten zu bieten

hat und die Distrikthauptstadt Kullu (1216 m) beherbergt (Singh, 1989). Das Gebiet

liegt zwischen 31,2 ◦ bis 32,26 ◦ Nord und 76,59 ◦ bis 77,50 ◦ Ost (Chandel et al.,

2011). Abbildung 3.1 zeigt eine Karte des Bundesstaates Himachal Pradesh mit dem

Kullu-Distrikt. Die in dieser Arbeit verwendeten Niederschlagsdaten entstammen

zweier rechteckiger Gitterfelder (siehe Abschnitt 5.1.1 und Abschnitt 5.1.2), welche

von 31,75 ◦ bis 32,25 ◦ Nord und 76,75 ◦ bis 77,75 ◦ Ost reichen (siehe Abbildung 3.2).

Damit deckt das Untersuchungsgebiet gut die administrativen Grenzen des Kullu-

Distrikts ab.

3.1 Klimatische Gegebenheiten

Das Klima in Indien wird stark vom Himalaya beeinflusst. Dennoch ist Indien ein

Land mit vielen verschiedenen Klimazonen, welche von tropisch im Suden Indiens

uber gemassigt bis zu alpin im Himalaya reichen (Attri und Tyagi, 2010). Im Norden

Indiens herrscht nach Attri und Tyagi (2010) ein kontinentales Klima mit heissem

Sommer und kaltem Winter, die Kustenregionen hingegen sind permanent feucht

und warm. Im Winter zieht kalte trockene Luft aus Nordosten ubers Land, im Som-

mer entsteht durch die starke kontinentale Erwarmung ein Temperaturunterschied

zum indischen Ozean, welcher den Sommermonsun hervorruft (Attri und Tyagi,

2010). Nach Attri und Tyagi (2010) fallt etwa 75% des indischen Niederschlags

wahrend des Sommermonsuns im Juni bis September.

Das Kullu-Gebiet weist auf Grund seines variablen Reliefs (750–6200 m u. M.) un-

terschiedliche Klimata auf (Chandel et al., 2011). Nach der Klimaklassifikation von

Koppen sind die verschiedenen Regionen dem feuchttemperierten Klima mit heis-

8

Kapitel 3. Das Untersuchungsgebiet: Kullu-Distrikt im indischen Himalaya

Abbildung 3.1: Karte des Kullu-Distrikts im Bundesstaat Himachal Pradesh, Indien(von Anke Kirch, University of Winnipeg Gardner (2002))

sem Sommer (Cfa) oder warmem Sommer (Cfb) zuzuordnen (Government of Hima-

chal Pradesh, 2012). Es gibt das ganze Jahr uber Niederschlag, die Sommer sind

regnerisch auf Grund des Sommermonsuns, die Winter sind jedoch eher trocken.

Neben dem Monsuneinfluss unterliegt das Gebiet auch zyklonischen Auslaufern des

Westwinddrifts (Gardner, 2002). Im Kullu-Tal ist die Monsunniederschlagsmenge im

Vergleich zu tiefer gelegenen Beas-Talern geringer, da die Bergkette dem Kullu-Tal

Regenschatten spendet (Singh, 1989).

Neben dem Monsun (Juni, Juli, August und September) gibt es in der Region

den milden Pre-Monsun (Marz, April und Mai) sowie den kalten Winter (Okto-

ber bis Februar). Die Wintermonate Oktober und November werden auf Grund

ihrer massigeren Temperaturen teilweise auch als Post-Monsun bezeichnet (Attri

und Tyagi, 2010; Government of Himachal Pradesh, 2012).

Nach Attri und Tyagi (2010) hat in den letzten Jahrzehnten uber ganz Indien

der Winter- und Pre-Monsun-Niederschlag abgenommen, eine Ausnahme im Winter

bilden jedoch Regionen des Himalayas wie etwa die Region Himachal Pradesh. So

hat nach Singh und Roy (2002) der Niederschlag im Winter an den Wetterstationen

Manali und Bhuntar im Kullu-Tal im Zeitraum 1964 bis 1992 leicht zugenommen,

9

Kapitel 3. Das Untersuchungsgebiet: Kullu-Distrikt im indischen Himalaya

Abbildung 3.2: Google Earth-Karte des Untersuchungsgebiets (Kullu-Distrikt) mit denbeiden Gitterfeldern. Die Gitterfelder sind jeweils 0,5 ◦ x 0,5 ◦ (Breite x Lange) und reichenvon 31,75 ◦ bis 32,25 ◦ Nord und 76,75 ◦ bis 77,75 ◦ Ost.

wahrend des Monsuns jedoch leicht abgenommen. Ausserdem wird eine steigende

Tendenz zu mehr Niederschlag in Form von Regen als von Schnee auf Grund von

steigenden Temperaturen beschrieben (Government of Himachal Pradesh, 2012).

3.2 Topographie des Untersuchungsgebietes

Die Geomorphologie des Kullu-Gebietes ist sowohl durch fluviale als auch durch gla-

ziale Prozesse gepragt. Es gibt zahlreiche durch Regen und Schnee gespeiste Flusse,

dominierender Fluss ist der Beas, der nordlich von Kullu entspringt und in sudliche

Richtung das Kullu-Tal (”Kullu Valley“) formt. Vor allem im ostlichen Teil des Ge-

bietes bei Hohen uber 4500 m liegen permanenter Schnee und Gletscher vor (Chandel

et al., 2011).

Das Untersuchungsgebiet wird durch zwei Gitterfelder der Grosse 0,5 ◦ x 0,5 ◦ geo-

graphische Lange und Breite abgedeckt. Das Gitterfeld Grid 1 wird im ostlichen Teil

von Norden nach Suden durch das Kullu-Tal durchzogen. Das Tal von etwa 90 km

Lange und einer Breite bis zu 3 km beherbergt den Fluss Beas (Gardner, 2002). Es

wird im Norden durch die Pir Panjal-Bergkette begrenzt, welche zugleich die Was-

serscheidelinie zwischen den Flussen Beas und Chandra bildet (Singh, 1989). Von

Nordwesten nach Sudosten wird das Gitternetz von der Dhauladar-Bergkette durch-

zogen, westlich von dieser erstreckt sich mit dem Sub-Himalaya (Shivalik Bergkette)

ein wesentlich flacheres Gebiet (Singh, 1989). Das Gitterfeld Grid 2 ist grosstenteils

uber 2000 m hoch und steigt Richtung Osten bald auf uber 4000 m an. Es wird durch

10

Kapitel 3. Das Untersuchungsgebiet: Kullu-Distrikt im indischen Himalaya

ein etwas kleineres Tal durchzogen, welches von Ost nach West orientiert ist und

durch den Parbati River durchflossen wird. Der Osten des Gitterfeldes wird durch

die Bergkette des Hochhimalaya (”Great Himalaya Range“) begrenzt, in welchem

sich Gletscher und hohe Gipfel befinden wie der Sarkabeh (6200 m), der Indrasan

(6221 m), der Papsura (6451 m) oder der Parvati Pavat (6633 m) (Singh, 1989).

11

4 — Messung von Niederschlagen:

Stations- und Satellitendaten

Niederschlag wird in der Einheit der Niederschlagshohe pro Zeiteinheit gemessen

(Strahler und Strahler, 2006). Am gelaufigsten ist die Angabe in Millimetern pro

Zeiteinheit (zum Beispiel mm pro Tag). Ein Millimeter Niederschlag wurde den Bo-

den ohne Abfluss und Verdunstung einen Millimeter hoch bedecken, fur einen Qua-

dratmeter entsprache dies einem Liter (Strahler und Strahler, 2006). Es gibt verschie-

denste Methoden um Niederschlage zu messen. In Messstationen geschieht dies punk-

tuell durch manuelle, teils auch automatisierte Niederschlagsmessgerate. Ausserdem

konnen Fernerkundungsmessgerate wie Radar und Satelliten der flachendeckenden

Aufzeichnung von Niederschlag dienen.

4.1 Stationsdaten

Messstationen stellen die alteste und uber Land zugleich die zuverlassigste Quelle

fur Niederschlagsdaten dar. Die Messungen reichen meist bis ins 19. Jahrhundert

zuruck und bieten somit die langste Zeitreihe an Niederschlagsdaten.

In Indien gewann die Aufzeichnung von Niederschlagen nach der durch eine Tro-

ckenperiode hervorgerufenen Hungersnot 1877 an Bedeutung (Rajeevan et al., 2005).

Das”India Meteorological Department“ (IMD) liess ein Netzwerk an Stationen er-

richten, um die raumliche und zeitliche Variabilitat des Monsuns zu untersuchen und

somit weiteren Katastrophen vorbeugen zu konnen. Nach Rajeevan et al. (2005) war

der britische Geologe und Grunder des IMD Henry Francis Blanford (1834–1893) der

erste, der sich fur die flachendeckende, tagliche Messung von Niederschlag und ande-

ren meteorologischen Daten einsetzte. In Indien reicht die tagliche Aufzeichnung von

Niederschlagsdaten bis ins Jahr 1847 zuruck. Auf Grund der unregelmassigen Vertei-

lung der Messstationen ist ein regionaler Vergleich jedoch oft schwierig. Vor allem fur

die Kalibrierung von Satellitendaten sind flachendeckende Daten vonnoten. Daher

wurden in Indien wie auch weltweit aus verschiedensten Datenbanken Stationsdaten

verwendet, um interpolierte Gitternetzdaten zu erstellen. Diese vereinen die Daten

der Stationen fur Rechtecke gewisser Grosse (meist in Langen- und Breitengrad an-

12

Kapitel 4. Messung von Niederschlagen

gegeben), um so reprasentative Werte fur eine ganze Flache zu erhalten. In Indien

sind vor allem die Gitternetzdaten vom IMD von Bedeutung (siehe Abschnitt 5.1.1).

4.1.1 Fehlerquellen bei Stationsdaten

Stationsdaten bieten sehr sichere Niederschlagsdaten und unterliegen im Vergleich

zu Satellitendaten weniger Fehlerquellen. Dennoch konnen systematische Messfeh-

ler wie zum Beispiel die Unterschatzung des Niederschlags auf Grund von Verduns-

tung oder Winddrift der Tropfen zu einem verfalschten Ergebnis fuhren (Rudolf und

Schneider, 2006). Ausserdem besteht die Gefahr, dass die Messmethoden nicht stan-

dardisiert angewandt werden und somit ein Vergleich zwischen Stationen erschwert

wird (Brown, 2006).

Bei Gitternetzdaten, welche fur ein Gitterfeld den Durchschnitt der vorliegenden

Stationen angeben, fuhrt die raumlich ungleiche Verteilung von Stationen dazu,

dass die Daten nicht immer reprasentativ sind. Hinzu kommt, dass die Messungen

in Berggebieten haufig in den besiedelten Talern durchgefuhrt werden, was zur Un-

terschatzung der Niederschlage auf Grund der nicht einbezogenen orographischen

Niederschlage, die weiter oben in den Bergen entstehen, fuhrt (Ebert et al., 2007).

4.2 Satellitendaten

Die Entdeckung der Messung von Niederschlagen mit Satelliten war eine grosse

Bereicherung fur die Klimaforschung. Computer, Satelliten und Echtzeitsensoren

haben Niederschlagsmodelle und -beobachtungen revolutioniert (Mitra et al., 2013).

Seit den 1970er Jahren werden Satelliten zur Erkennung und Quantifizierung von

Niederschlagen verwendet.

Durch Infrarot-Temperaturmessungen der Satelliten an der Wolkenoberflache wird

der Niederschlag an der Erdoberflache bestimmt: je weiter die Wolken in die Atmo-

sphare reichen, desto kalter sind sie und desto starker sind meistens die Regenfalle

(Ebert et al., 2007). Es wird jedoch nur die Temperatur an der Oberflache der

Wolken bestimmt, die Temperatur unterhalb wird abgeleitet, indem uber die Wol-

kendicke integriert wird (Mitra et al., 2009). Die Infrarotmessung ist daher nur eine

indirekte Bestimmung des Niederschlags, denn sie bestimmt nur durch statistische

Zusammenhange das Vorkommen von Niederschlag unterhalb der Wolkenoberflache

(Brown, 2006). Genauere Ergebnisse geben auf Mikrowellen basierende Methoden

(Frequenz von 10-200 GHz), welche die Wolken komplett durchdringen. Sie messen

die durch Hydrometeore in den Wolken unterschiedlich stark gestreute langwellige

Strahlung der Erde (Ebert et al., 2007) und bestimmen den Niederschlag daher im

Vergleich zu den Infrarotmessungen physikalisch direkt (Brown, 2006).

13

Kapitel 4. Messung von Niederschlagen

Im Jahre 1993 wurden erstmals die beiden Methoden durch Adler et al. kombi-

niert (Adler et al., 1993; Ebert et al., 2007). Somit wird sowohl von der raumlich

und zeitlich hoheren Auflosung der Infrarotdaten sowie von der physikalisch direk-

ten Bestimmung durch die Mikrowellenmessungen profitiert (Brown, 2006). In den

folgenden Jahren wurden zahlreiche weitere Methoden entwickelt, die auf der Kom-

bination von Infrarot- und Mikrowellen-Messungen basieren, sodass heutzutage sehr

viele hochaufgeloste Niederschlagsdaten von verschiedensten Satellitenkombinatio-

nen erhaltlich sind (Mitra et al., 2013), wie zum Beispiel auch die Messungen der

”Tropical Rainfall Measuring Mission“ (TRMM, siehe Abschnitt 5.1.2).

4.2.1 Fehlerquellen bei Satellitendaten

Die quantitative Abschatzung von Niederschlagen anhand von Raumsonden unter-

liegt Unsicherheiten auf verschiedensten raumlichen und zeitlichen Ebenen. Die Be-

stimmung der Niederschlage hangt vom Breitengrad, von der Jahreszeit, vom Tages-

zeitpunkt sowie von der Wolkenstruktur ab (Furuzawa und Nakamura, 2005; Mitra

et al., 2009). Ausserdem ist die Niederschlagsbestimmung nach Berg et al. (2006)

auch vom Niederschlagsregime abhangig, weshalb teilweise klimaspezifische Algo-

rithmen, wie zum Beispiel die auf tropische und subtropische Regionen konzentrierte

TRMM, verwendet werden (Mitra et al., 2009). Gleichzeitig werden damit jedoch

nach Mitra et al. (2009) auch Unsicherheiten hinzugefugt, da dabei Inhomogenitaten

innerhalb der Klimazone unterschatzt werden konnen.

Die Satellitenmessungen unterliegen verschiedensten Storungen. So hangt die Re-

flexion der Mikrowellen stark von der Topographie ab und kann durch Eisflachen

gestort werden. Die Infrarotmessungen konnen durch kalte Luftmassen verfalscht

werden. Bei den Infrarotmessungen besteht ausserdem das Problem, dass auch re-

genlose Wolken wie zum Beispiel Cirrus-Wolken mit in die Messungen einbezogen

werden. Zudem konnen bei der Integration der Temperatur uber die Wolkendicke

fur die gleichen Daten verschiedene Wolkenprofile entstehen (Brown, 2006), was

ebenfalls eine gewisse Unsicherheit mit sich bringt. Leichter Regen kann unter be-

stimmten Umstanden zu Fehlinterpretationen fuhren, da er die Strahlung ahnlich

streut wie eine Niederschlagswolke (Brown, 2006).

4.3 Abgleich von Satelliten- mit Stationsdaten

Stationsdaten sind auf Grund ihrer meist sehr langen Zeitreihe sowie ihrer geringen

Fehlerquellen von grosser Bedeutung fur die Analyse von Niederschlagen. Aufbau

und Erhalt von Wetterstationen sind jedoch sehr teuer und nicht uberall moglich,

weshalb die globale Verteilung von Messstationen sehr unregelmassig ist. Vor allem

14

Kapitel 4. Messung von Niederschlagen

in schlecht zuganglichen Bergregionen gibt es haufig wenig Wetterstationen, obwohl

hier die Niederschlagsaufzeichnung auf Grund der starken Wettervariabilitat von

besonderer Bedeutung ware (Scheel et al., 2011). Messstationen alleine reichen da-

her meist fur eine Niederschlagsanalyse nicht aus. Satelliten ermoglichen es, Nieder-

schlage in weit abgelegenen und unerreichbaren Gebieten sowie in Regionen, in denen

keine umfassenden Stationsnetze ausgebaut sind, zu erschliessen. Damit bilden sie

eine gute Erganzung zu den Stationsdaten. Eine regionale Kalibrierung durch den

Abgleich mit Bodenstationen ist jedoch auf Grund der in Abschnitt 4.2.1 beschrie-

benen Unsicherheiten trotz der heutzutage prazisen Ergebnisse immer notwendig

(Mitra et al., 2013).

Durch den Vergleich der Satellitendaten mit Stationsdaten kann die Zuverlassigkeit

der durch Satelliten bestimmten Niederschlage uberpruft werden und somit Feh-

ler bei der Niederschlagsanalyse korrigiert und verringert werden. Daher sollen im

Folgenden Methoden des Vergleichs zwischen den TRMM-Satellitendaten und den

IMD-Gitternetz-Stationsdaten und anschliessend Ergebnisse des Vergleichs im Kullu-

Gebiet prasentiert werden.

15

5 — Daten und Methodik

Fur die Untersuchung der Niederschlagsdaten im Kullu-Gebiet werden die Gitternetz-

Stationsdaten des IMD mit den TRMM-Satellitendaten fur den Zeitraum 1998 bis

2005 verglichen. Von beiden Datensatzen werden tagliche Niederschlage (in mm/d)

verarbeitet. Zur besseren Veranschaulichung werden teilweise auch die vorliegenden

monatlichen Niederschlagssummen verwendet, was eine bessere allgemeine Betrach-

tung ermoglicht.

Ziel der folgenden Auseinandersetzung mit den Daten ist es, die Ubereinstimmung

der TRMM-Satellitendaten mit den IMD-Gitternetzdaten zu untersuchen. Hierfur

sollen die Daten anhand visueller Vergleiche und statistischer Analysen gegenuber

gestellt werden. Dabei soll besonders die Qualitat der Satellitenbestimmungen fur

verschiedene Monate und verschiedene Niederschlagsklassen untersucht werden.

Nach einer Beschreibung der verwendeten Daten (Abschnitt 5.1) wird in Ab-

schnitt 5.2 die verwendete Methodik erlautert.

5.1 Verwendete Daten

Im Folgenden werden die Hintergrunde der verwendeten Gitternetzdaten des IMD

sowie der Satellitendaten der TRMM beschrieben. Die IMD-Gitternetzstationsdaten

werden allgemein als tatsachlich beobachtete Niederschlage angesehen, wohingegen

die Satellitendaten als Abschatzung des Niederschlags gelten. Auch wenn, wie in

Abschnitt 4.1.1 beschrieben, Stationsdaten einigen Fehlerquellen unterliegen und

die Interpolation zu Gitternetzen die Daten verfalschen kann, werden die hiesigen

Gitternetz-Stationsdaten als wirkliche Niederschlage betrachtet, um die Abweichun-

gen der Satellitenbestimmungen von diesen”wahren Niederschlagen“ zu diskutieren.

Neben den Daten fur die beiden Gitterfelder des Kullu-Gebietes wurde auch das

arithmetische Mittel dieser Daten genommen, um einen vergleichbaren Wert fur den

gesamten Bereich zu erhalten. Dieser Durchschnitt wird als”IMD gesamt“,

”TRMM

gesamt“ oder”Grid gesamt“ bezeichnet.

16

Kapitel 5. Daten und Methodik

5.1.1 Gitternetzdaten des IMD

Fur die folgende Analyse werden Gitternetzdaten des IMD verwendet. Das IMD

erstellte eine Gitternetz-Datenbank, welche Niederschlagsdaten in ganz Indien fur

die Jahre 1971 bis 2005 bereitstellt. Dafur wurden nach Rajeevan und Bhate (2008)

uber 6000 Stationsdaten zu einem regelmassigen Gitternetz mit Gitterfeldern der

Seitenlange 0,5 ◦ (geographische Breite und Lange) interpoliert. Die 6076 verwen-

deten Stationen weisen Daten fur verschiedenste Zeitraume auf, sodass im Durch-

schnitt etwa 3500 Stationsdaten pro Tag zur Verfugung stehen (Rajeevan und Bhate,

2008). Da sowohl die zeitliche Abdeckung als auch die raumliche Datendichte (An-

zahl Stationen pro Gitternetz) nicht konstant sind, kann dies zu Inhomogenitaten

im Datensatz fuhren, weshalb Rajeevan und Bhate (2008) auch die Verwendung der

Daten fur Trendanalysen nicht empfehlen.

Prozess der Interpolation fur die Erstellung der Gitternetzdaten

Die Niederschlagsdaten der unregelmassig verteilten Wetterstationen wurden zu ei-

nem regelmassigen Gitternetz interpoliert. Hierzu wurde vom IMD der Interpolati-

onsalgorithmus nach Shepard verwendet, welcher Stationen innerhalb eines bestim-

mten Einflussradius mit unterschiedlicher Wichtung einbezieht (Shepard, D. [1968],

”A two-dimensional interpolation function for irregularly spaced data“, zitiert von

Rajeevan und Bhate (2008)). Der Gitterfeldmittelpunkt bildet den jeweiligen Kreis-

mittelpunkt des Einflussbereiches. Die maximale Anzahl an einbezogenen Stationen

fur ein Gitterfeld ist begrenzt, sodass der Einflussbereich in Gebieten mit sehr ho-

her Datendichte reduziert wird. Insgesamt wurden 69 x 65 Gitterfelder interpoliert,

welche im Sudwesten bei 6,5 ◦ nordlicher Breite und 66,5 ◦ ostlicher Lange beginnen

und sich Richtung Norden und Osten fortpflanzen (Rajeevan und Bhate, 2008).

Das IMD-Gitternetz im Kullu-Gebiet

Das Kullu-Gebiet ist durch zwei IMD-Gitterfelder abgedeckt, welche in der IMD-

Datenbank als Gitterfeld 171 und 172 bezeichnet werden, in dieser Arbeit kunftig

IMD 1 und IMD 2 genannt. Die Koordinaten des Gitterfeldmittelpunkts IMD 1 lie-

gen bei 32,0 ◦ Nord und 77,0 ◦ Ost, die Koordinaten des Mittelpunkts von IMD 2

bei 32,0 ◦ Nord und 77,5 ◦ Ost (siehe Abbildung 3.2). Die 0,5 ◦ x 0,5 ◦ Seitenlangen

entsprechen im Kullu-Gebiet etwa 56 km x 48 km. In IMD 1 sind sechs IMD-Wetter-

stationen vorhanden (Bhungar, JOG, JRI, NEI, SRB und TNP), in IMD 2 nur

zwei (MIK und SIJ). Obwohl diese Daten fur den Zeitraum von 1971 bis 2005 zur

Verfugung stehen, werden in vorliegender Arbeit nur die Daten zwischen 1998 und

2005 verwendet, da nur fur diesen Zeitraum zu vergleichende Satellitendaten vor-

handen sind.

17

Kapitel 5. Daten und Methodik

5.1.2 Satellitendaten der TRMM

Die fur diese Arbeit verwendeten Satellitendaten entstammen der”Tropical Rain-

fall Measuring Mission“ (TRMM). Die TRMM ist ein Projekt der NASA (Na-

tional Aeronautics and Space Administration), welches in Zusammenarbeit mit

der japanischen Raumfahrtbehorde NASDA (National Space Development Agen-

cy, seit 2003: JAXA (Japan Aerospace Exploration Agency)) ins Leben gerufen

wurde und 1997 seinen ersten Satelliten entsandte (Smith et al., 2007). Der TRMM-

Satellit misst tropische und subtropische Niederschlage zwischen 40 ◦ nordlicher

und 40 ◦ sudlicher Breite, andere Satelliten erganzen das TRMM-Produkt (Pro-

dukt 3B42) bis zu 50 ◦ nordlicher und sudlicher Breite. Laut Smith et al. (2007)

liegt die Besonderheit des TRMM-Satelliten darin, dass er auf Grund seiner relativ

geringen Hohe (350–400km) sehr gut aufgeloste Bilder liefert. Ausserdem ermoglicht

die Kombination moderner Infrarot- und Mikrowellentechnologien fur das TRMM-

Produkt erstmals das Aufzeichnen der genauen vertikalen Wolkenstruktur uber

den ganzen Globus verteilt (Oki und Furuhama, 2007). Auf dem Satelliten fur die

TRMM-Niederschlagsbestimmungen sind vier verschiedene Instrumente vereint: Das

Infrarotgerat”Visible and Infrared Scanner“ (VIRS), das Mikrowelleninstrument

”TRMM Microwave Imager“ (TMI), das Radargerat

”Precipitation Radar“ (PR)

sowie der”Lighting Imaging Sensor“ (LIS) (Liu et al., 2012). Generell konnten bei

dem TRMM-Produkt nach Oki und Furuhama (2007) die Unsicherheiten im Ver-

gleich zu anderen satellitenbezogenen Niederschlagsdaten stark reduziert werden.

Bei den verwendeten TRMM-Daten handelt es sich um Daten der Version 7 des

TRMM-Produkts 3B42. Bei dem 3B42-Produkt wurden die Mikrowellendaten des

TRMM-Satelliten und anderer Satelliten mit kalibrierten Infrarotdaten geostati-

onarer Satelliten vereint, weshalb auch die Rede von TRMM Multi-satellite Preci-

pitation Analysis (TMPA) ist (Huffman et al., 2007; Liu et al., 2012). Das Produkt

enthalt Niederschlagsdaten fur dreistundige Zeitintervalle fur die Jahre 1998 bis

2005, die Gitterfeldgrosse betragt 0,25 ◦ x 0,25 ◦ (geographische Breite x geographi-

sche Lange) (NASA, GCMD (Global Change Master Directory), 2014).

Das TRMM-Gitternetz im Kullu-Gebiet

Das untersuchte Gebiet des Kullu-Distrikts wird durch acht TRMM-Gitterfelder

abgedeckt. Der Mittelpunkt des sudwestlichsten Gitterfeldes hat die Koordinaten

31,875 ◦ Nord und 76,875 ◦ West, der nordostlichste Gitterfeldmittelpunkt liegt bei

32,125 ◦ Nord und 77,625 ◦ West. Die 0,25 ◦ Auflosung entspricht im Kullu-Gebiet et-

wa 28 km x 24 km. Zum besseren Vergleich mit den IMD-Gitterfeldern werden jeweils

vier TRMM-Gitterfelder zusammengefasst, sodass insgesamt ebenfalls zwei TRMM-

Gitterfelder mit den Seitenlangen 0,5 ◦ entstehen. Dafur wurde aus jeweils vier der

18

Kapitel 5. Daten und Methodik

TRMM-Gitterfelder das arithmetische Mittel errechnet, sodass man einen Nieder-

schlagswert in mm pro m2 fur je ein Gitterfeld der Grosse 0,5 ◦ x 0,5 ◦ erhalt. Die

Daten dieser zwei Gitterfelder sollen TRMM 1 (westliches Gitterfeld) und TRMM 2

(ostliches Gitterfeld) genannt werden. Sie stimmen mit den Gitterfeldern IMD 1 und

IMD 2 uberein, weshalb allgemein aus dem Englischen ubernommen von Grid 1 und

Grid 2 die Rede sein wird.

5.2 Methodisches Vorgehen

Um die Ubereinstimmungen der TRMM-Daten mit den IMD-Daten zu untersuchen,

soll in drei Schritten vorgegangen werden: Zunachst gibt ein allgemeiner statistischer

und visueller Vergleich der Daten einen umfassenden Uberblick. Anschliessend wer-

den Unterschiede der Ubereinstimmung fur verschiedene Datenklassen durch eine

ordinale Skalierung der Daten veranschaulicht. Zuletzt wird die Leistung der Satel-

liten durch quantitative Indizes bestimmt. Das methodologische Vorgehen orientiert

sich dabei an den Arbeiten von Scheel et al. (2011) sowie Ebert et al. (2007).

5.2.1 Methoden fur den generellen Vergleich

Die totalen Niederschlagssummen und die Anzahl der Regentage fur verschiedene

Jahreszeiten wurden bestimmt, um einen Uberblick uber die Daten zu erhalten. All-

gemeine statistische Zentral- und Streuungsmasse der taglichen und der monatlichen

Niederschlagssummen dienen der Erkennung zentraler Tendenzen (Durchschnitt und

Maximum der Daten) und geben Aufschluss uber die Streuung der Daten (Varianz

und Standardabweichung). Zusatzlich gibt die Korrelation Auskunft uber die Starke

des linearen Zusammenhangs, wobei es sich um den Korrelationskoeffizienten von

Pearson handelt. Auf Grund der ausreichenden Aussagekraft der genannten Indi-

katoren fur Werte der Kardinalskala wurde auf weitere statistische Berechnungen

verzichtet.

Graphische Darstellungen der Werte ermoglichen es, sich einen visuellen Ein-

druck der Daten zu verschaffen. Die Darstellung der Differenzen zwischen IMD- und

TRMM-Daten erleichtert die visuelle Einschatzung der Ubereinstimmungen. Dafur

wurde die Differenz fur alle monatlichen Niederschlagssummen wie folgt berechnet:

Differenz = WertTRMM −WertIMD (5.1)

Ist der Wert der Satellitenbestimmung (WertTRMM) grosser als der IMD-Wert

(WertIMD), handelt es sich also um Uberschatzung, so ist die Differenz positiv. Eine

negative Differenz bedeutet demnach eine Unterschatzung der IMD-Werte durch die

19

Kapitel 5. Daten und Methodik

Satelliten.

5.2.2 Vorgehen bei der ordinalen Skalierung

Die Untersuchung der Datenubereinstimmung fur verschiedene Niederschlagsstarken

wird durch die ordinale Skalierung erleichtert. Hierfur wurden die Monatsnieder-

schlage sowie die Tagesniederschlage in verschiedene Klassen eingeteilt, welche in

Funktion zur Niederschlagsmenge definiert wurden. Fur die Festlegung der Klas-

senintervalle galt das k-means-Verfahren als Orientierungshilfe. Dieses Verfahren

liefert nach Wiedenbeck und Zull (2001: 2) eine”Einteilung in Gruppen, die ent-

sprechend einem globalen Mass optimale Homogenitat unter allen Gruppierungen

mit einer vorgegebenen Anzahl von Clustern aufweisen“. Die durch das Verfahren

vorgegebenen Klassen wurden manuell angepasst, sodass sich fur die monatlichen

und taglichen Niederschlage die in Abbildung 6.3 angegebenen Klassen ergaben. Bei

den monatlichen Niederschlagen wurden zehn Klassen festgelegt, bei den taglichen

acht.

Um die unterschiedlichen Ubereinstimmungen im Jahresverlauf besser analysie-

ren zu konnen, wurden die Daten der Monate in die in Kapitel 3.1 beschriebenen

Jahreszeiten gefasst: Pre-Monsun (Marz, April, Mai), Monsun (Juni, Juli, August,

September) und Winter (Oktober, November, Dezember, Januar, Februar).

5.2.3 Vorgehen bei der quantitativen Bestimmung der Sa-

tellitenbestandigkeit

Die Niederschlagsbestimmungen von Satelliten sind wie in Abschnitt 4.2 beschrieben

indirekte Abschatzungen des anzutreffenden Niederschlags und sind daher statistisch

mit Vorhersagen gleichzusetzen. Nach Wilks (1995) kann die Qualitat von Vorher-

sagen und damit auch die Niederschlagsbestimmung durch Satelliten anhand ver-

schiedener skalarer Aspekte uberpruft werden. Demnach sind besonders die Prazision

(engl. accuracy) und die Verzerrung (oder Bias1) von Bedeutung.

Die Prazision von Satellitenbestimmungen gibt deren durchschnittliche Uberein-

stimmung mit tatsachlich beobachteten Werten an. Dabei werden einzelne Vorher-

sage-Beobachtungspaare betrachtet und deren mittlere Ubereinstimmung bestimmt

(Wilks, 1995). Mogliche Rechnungen zur Bestimmung der Prazision sind Indizes wie

die Trefferrate oder die Fehlalarmrate, welche eine Beurteilung der Prazision der

Satellitenbestimmungen ermoglichen.

Der Bias hingegen wird durch die Messung der durchschnittlichen Differenz zwi-

schen Vorhersage und beobachteten Wert bestimmt (Wilks, 1995). Es werden also

1von engl. bias: Abweichung zwischen Modell und Wirklichkeit (Spektrum der Wissenschaft,2014)

20

Kapitel 5. Daten und Methodik

nicht wie bei der Prazision die Vorhersage-Beobachtungspaare einzeln betrachtet,

sondern der Durchschnitt der Differenzen angegeben. Dadurch gibt es keine Infor-

mationen uber das Ausmass der Fehler (Rossa et al., 2008), weshalb der Bias nicht

als Prazisionsmass gilt (Wilks, 1995). Es gibt jedoch Aufschluss uber das Mass der

Verzerrung.

Neben den in dieser Arbeit verwendeten Prazisions- und Verzerrungsmasse gibt

es noch zahlreiche weitere Indizes, die zur Bestimmung von Vorhersagequalitaten

und damit auch zur Bestimmung der Bestandigkeit der Satellitenangaben dienen.

Es wurde jedoch eine bewusste Auswahl getroffen, welche fur die gegebenen Anfor-

derungen, also zur allgemeinen Untersuchung der Datenubereinstimmung, ausreicht.

Kontingenztafel

Um die Bestandigkeit der durch Satelliten bestimmten Werte zu uberprufen, wer-

den die Satellitenbestimmungen und die beobachteten Werte (hier also die Stations-

daten) wie von Wilks (1995) vorgeschlagen als kategorisch betrachtet. Dies bedeutet,

dass jeweils nur ein einziges Ereignis eintreffen kann: entweder es gibt Niederschlag

oder es gibt keinen Niederschlag. Ausserdem gelten die Daten als diskrete Varia-

blen, was bedeutet, dass sie jeweils nur einen bestimmten Wert aus einer gegebenen

Menge annehmen konnen, im hiesigen Fall Niederschlag oder kein Niederschlag, je-

doch nie beides gleichzeitig (Wilks, 1995). Als Grenze zwischen Niederschlag und

kein Niederschlag wurde in dieser Arbeit der Wert von 1 mm Niederschlag pro Tag

festgelegt. Dadurch werden sehr kleine Niederschlagsmengen, die vor allem bei den

Satellitenbestimmungen durch Fehler entstehen konnen, ausgeblendet.

Durch die Bestimmung der verschiedenen Kombinationen der moglichen Ereignisse

zwischen”vorhergesagtem“ Satellitenwert und

”tatsachlich eingetroffenem“ Gitter-

netzdatenwert kann die Prazision der Satellitendaten uberpruft werden. In einer

Kontingenztafel konnen die moglichen Kombinationen des Eintritts von Vorhersa-

gewert und beobachtetem Wert festgehalten werden (siehe Tabelle 5.1).

Indizes zur Prazision und Verzerrung

Bei perfekten Satellitenergebnissen musste fur die Werte b und c der Tabelle 5.1

b = c = 0 gelten, da es bei perfekten Vorhersagen keine Vorhersage-Beobachtungs-

paare gibt, die nicht ubereinstimmen (Wilks, 1995). In der Realitat gibt es jedoch

zahlreiche Datenpaare, bei denen Satelliten- und Stationsdaten voneinander abwei-

chen, womit b und c ungleich Null sind. Verschiedene Berechnungen mit den in der

Kontingenztafel aufgezeigten Werten ermoglichen die Untersuchung der Prazision

der Satellitendaten.

21

Kapitel 5. Daten und Methodik

! ! IMD!! ! Nieder'

schlag!Kein!Nieder'schlag!

TRMM! Nieder'

schlag! a! b!Kein!Nieder'schlag!

c! d!!

a = Treffer: beobachteter Niederschlag korrektvom Satelliten erkannt

b = Fehlalarm: Niederschlag vom Satellitenfestgehalten jedoch nicht beobachtet

c = Verpasst: Beobachteter Niederschlag vomSatelliten nicht erkannt

d = Korrekte Ablehnung: Weder Niederschlagbeobachtet noch erkannt

Tabelle 5.1: Theoretische Kontingenztafel: Mogliche Kombinationen fur die Nieder-schlagsbestimmungen von TRMM-Satelliten und die entsprechenden Niederschlagswertedes IMD-Stationsgitternetzes. Die moglichen Kombinationen der Ereignisse konnen so-wohl in absoluten Zahlen (absolute Haufigkeit) als auch in Prozent (relative Haufigkeit)angegeben werden. Die Summe einer Reihe oder einer Spalte ergibt die totale Anzahl desjeweiligen Ereignisses fur die betreffenden Daten (Ebert et al., 2007; Wilks, 1995).

Die intuitivste Methode zur Untersuchung der Vorhersageprazision ist nach Wilks

(1995) die Trefferrate H (engl. hit rate):

H =a + d

n(5.2)

Die richtig vorhergesagten Falle (a und d) werden hierbei durch die Gesamtanzahl

n geteilt, sodass sich der prozentuale Anteil der richtig vorhergesagten Ereignisse

ergibt. Bei perfekter Vorhersage gilt H = 1, der schlechteste Wert fur H betragt

Null.

Die Eintritts-Trefferrate TS (engl. threat score) ist ahnlich zur Trefferrate, jedoch

werden die korrekten Vorhersagen fur das Ereignis”kein Niederschlag“ (d) aus der

Rechnung ausgeschlossen (siehe Gleichung 5.3) (Wilks, 1995). Vor allem fur Da-

tensatze in denen haufig kein Niederschlag vorkommt ist der TS aussagekraftiger als

die Trefferrate H, da bei grosser Anzahl an d-Ereignissen die anderen Werte in den

Schatten gestellt werden konnen.

TS =a

a + b + c(5.3)

Auch hier ist der beste Wert erreicht wenn TS = 1 gilt, am schlechtesten ist TS = 0.

Der TS reagiert nach der NOAA (National Oceanic and Atmospheric Administra-

tion) (2014) jedoch sensibel auf die Ereignisanzahl. Die ausgeglichene Eintrittstref-

ferrate ETS (engl. equitable threat score, auch Gilbert skill score) vermeidet diese

Sensibilitat, indem die Variable aref mit einbezogen wird, welche die Vorhersagen

reprasentiert, die nur durch Zufall richtig liegen (Ebert et al., 2007; NOAA (National

Oceanic and Atmospheric Administration), 2014).

22

Kapitel 5. Daten und Methodik

Der ETS ist also wie folgt definiert:

ETS =a− aref

a + b + c− arefmit aref =

(a + b)(a + c)

n(5.4)

wobei n die totale Anzahl an Ereignissen darstellt. Der ETS kann Werte zwischen

−13

und 1 aufzeigen (Frei, 2013). Fur perfekte Vorhersagen gilt ETS = 1.

Weitere Indizes zur Uberprufung der Prazision der Satellitendaten sind die Erken-

nungswahrscheinlichkeit POD (engl. probability of detection) sowie die Fehlalarm-

rate FAR (engl. false-alarm ratio). Der POD gibt an, wie viel Prozent der Nieder-

schlagsereignisse richtig vom Satelliten erkannt wurden (siehe Gleichung 5.5) (Scheel

et al., 2011). Er nimmt Werte zwischen 0 und 1 an und bei perfekten Vorhersagen

gilt POD = 1.

POD =a

a + c(5.5)

Der FAR gibt den Anteil an Falschalarmwerten an, also die Daten, bei denen

die Satelliten Niederschlag aufzeichnen, obwohl die Stationen keinen Niederschlag

vermerken:

FAR =b

a + b(5.6)

Auch die Werte des FAR liegen zwischen 0 und 1, bei perfekten Vorhersagen nimmt

der FAR jedoch den Wert 0 an, da in diesem Fall b = 0 galte (Wilks, 1995).

Weitere Masse sind der Haufigkeits-Bias-Index FBI (engl. frequency bias index )

sowie die mittlere Abweichung ME (engl. mean error, nach Rossa et al. (2008) auch

Bias genannt). Beides sind Verzerrungsmasse, welche wie zu Beginn des Abschnitts

6.3 erlautert nicht das Fehlerausmass angeben und damit nicht der direkten Beur-

teilung der Prazision dienen. Der FBI stellt das Verhaltnis zwischen den Werten

positiver Vorhersagen und dem wirklichen Eintreffen dar (Wilks, 1995):

FBI =a + b

a + c(5.7)

Bei einem FBI von 1 ist von perfekten Vorhersagen auszugehen.

Der ME (oder Bias) ist der Durchschnitt der Unterschiede zwischen Vorhersage

und Beobachtung (Rossa et al., 2008). Der Bias berechnet sich also aus der Summe

dieser Differenzen dividiert durch die Anzahl an Ereignissen (Scheel et al., 2011):

Bias (ME) =1

n

n∑i=1

(TRMM(xi) − IMD(xi)) (5.8)

Dabei steht n fur die Gesamtanzahl an Daten. Bei einem Bias von Null handelt es

sich um eine perfekte Vorhersage (Wilks, 1995). Wie erwahnt sagen FBI und Bias

jedoch nichts uber die Prazision der einzelnen Vorhersagen aus. Ein FBI grosser

23

Kapitel 5. Daten und Methodik

als 1 sagt nach Wilks (1995) lediglich aus, dass Niederschlag ofter vorhergesagt

wurde als er tatsachlich eintritt. Bei einem Wert kleiner 1 wurde Niederschlag sel-

tener vorhergesagt als er tatsachlich eintritt. Ein Bias grosser 0 sagt aus, dass die

Vorhersagen im Durchschnitt grosser als die tatsachlich eingetroffenen Werte sind

(Uberschatzung), ein Bias kleiner Null sagt aus, dass sie im Durchschnitt zu klein

sind (Unterschatzung). Der Unterschied zwischen Prazisions- und Verzerrungswerten

zeigt sich zum Beispiel, wenn eine Satellitenbestimmung standig zu viel Niederschlag

angibt. Dies fuhrt zu einem hohen positiven Bias, welches jedoch nichts daruber aus-

sagt wie prazise die einzelnen Satellitenbestimmungen genau waren, wie gross also

der Unterschied zwischen beobachtetem Wert und Satellitenbestimmung ist (Wilks,

1995). Wird der beobachtete Wert von den Satelliten hingegen meist uberschatzt,

doch gelegentlich auch stark unterschatzt, so fuhrt dies zu einer Verringerung des

Bias, unabhangig davon wie gross das Ausmass der Falscheinschatzung ist. Der Bias-

wert kann nun geringer sein, obwohl das Ausmass der einzelnen Fehleinschatzungen

viel grosser war.

Die Wurzel des mittleren quadratischen Fehlers RMSE (engl. root mean square

error) ist der Durchschnitt der quadrierten Differenzen zwischen Vorhersage und

Beobachtung und misst im Gegensatz zu FBI und Bias das durchschnittliche Aus-

mass des Fehlers (Rossa et al., 2008):

RMSE =

√√√√ 1

n

n∑i=1

(TRMM(xi) − IMD(xi))2 (5.9)

Auf Grund der Quadrierung besteht der RMSE nur aus positiven Werten und hebt

gleichzeitig sehr gut grosse Fehler hervor. Ein RMSE von Null stellt eine perfekte

Vorhersage dar, je grosser der Wert ist, desto grosser die Vorhersagefehler. Durch

das Ziehen der Wurzel wird die ursprungliche Einheit erhalten. Nach Eumetcal (The

European Virtual Organisation for Meteorological Training) (2014) ist die Variabi-

litat der einzelnen Fehler umso grosser, je grosser der Unterschied zwischen RMSE

und dem Betrag vom Bias ist.

24

6 — Ergebnisse der Datenverarbeitung

In diesem Kapitel werden die Ergebnisse dargestellt, die aus dem in Kapitel 5 be-

schriebenen Vorgehen bei der Datenverarbeitung resultieren. Nach einem generel-

len Vergleich der Niederschlagsdaten folgt eine Einteilung der Daten in verschiede-

ne Niederschlagsklassen in Abhangigkeit der Niederschlagsstarke. Statistische Be-

rechnungen ermoglichen daraufhin eine quantitative Bestimmung der Leistung der

Satellitenbestimmungen im Vergleich zu den Gitternetzdaten (Scheel et al., 2011).

Durch verschiedene Indizes wird hierbei die Qualitat der Satellitendaten untersucht,

indem die Erkennung und Nicht-Erkennung von Niederschlag betrachtet wird. Alle

Tabellen und Abbildungen dieses Kapitels sowie alle Anhange stammen aus eigener

Anfertigung.

6.1 Allgemeiner Vergleich der Daten

Die Betrachtung einiger wichtiger statistischer Angaben soll es ermoglichen, einen

Uberblick uber die Daten zu bekommen. Neben allgemeinen Werten der taglichen

Niederschlagsdaten, wie der Jahresniederschlag und die Anzahl an Regentagen (Ta-

belle 6.1), geben statistische Masse Auskunft uber generelle Tendenzen der Daten

(Tabelle 6.2). Die graphische Darstellung des Niederschlagsverlaufs zwischen 1998

und 2005 (Abbildung 6.1) sowie die Darstellung der Differenzen zwischen IMD- und

TRMM-Daten (Abbildung 6.2) ermoglichen eine visuelle Auswertung.

In Tabelle 6.1 sind der jahrliche Niederschlag sowie die Anzahl an Regentagen

und regenlosen Tagen pro Jahr fur die beiden Gitterfelder Grid 1 und Grid 2 sowie

fur das gesamte Gebiet (Grid gesamt) jeweils fur die IMD- und TRMM-Daten an-

gegeben. Gleiche Angaben fur die unterschiedlichen Jahreszeiten sind im Anhang

in Tabelle A.1 dargestellt. Die IMD-Werte zeigen, dass im gesamten Jahr in IMD 1

wesentlich mehr Niederschlag fallt, die Anzahl an Regentagen in IMD 1 und IMD 2

jedoch gleich ist. Vergleicht man die verschiedenen Jahreszeiten, fallt im Monsun

in IMD 1 mehr Niederschlag, die Anzahl an Regentagen wahrend des Monsuns ist

dabei in IMD 1 jedoch nur geringfugig hoher als in IMD 2. Dies weist darauf hin,

dass in Grid 1 die Niederschlage wahrend des Monsuns starker sind als in Grid 2.

In den anderen Jahreszeiten liegen die Werte in IMD 1 sowie auch die Anzahl an

25

Kapitel 6. Ergebnisse der Datenverarbeitung

Regentagen minimal niedriger als in IMD 2.

Die TRMM-Daten geben im Vergleich zu den IMD-Daten einen zu geringen Jah-

resniederschlag in Grid 1 an und einen zu hohen Niederschlag in Grid 2. Die gleiche

Tendenz gilt auch fur die Regentage, welche von den Satelliten in Grid 1 seltener und

in Grid 2 etwas haufiger als von den IMD-Daten angegeben werden. Auch wahrend

des Monsuns wird von den Satelliten in Grid 1 ein geringerer totaler Niederschlag

bestimmt als von den IMD-Daten angegeben, in Grid 2 dagegen ist der TRMM-

Niederschlag hoher. Im restlichen Jahr wird der totale Niederschlag in beiden Git-

terfeldern von den Satelliten jedoch leicht unterschatzt.!

! IMD$ $ TRMM$ $ $! IMD!1! IMD!2! IMD!ges.! TRMM!1! TRMM!2! TRMM!ges.!

Jährlicher!Niederschlag!(mm/a)!

1267,98! 963,98! 1115,98! 1206,52! 987,09! 1096,81!

Anzahl!Regentage!!pro!Jahr! 120,67! 120,29! 130,91! 117,54! 130,54! 131,78!

Anzahl!regenlose!Tage!pro!Jahr!

244,33! 244,71! 234,09! 235,34! 222,22! 220,97!

Tabelle 6.1: Jahrlicher Niederschlag, Anzahl an Regentagen pro Jahr sowie Anzahl re-genloser Tage pro Jahr fur die IMD- und TRMM-Gitterfelder 1 und 2 sowie fur derenDurchschnitt (IMD ges. bzw. TRMM ges.). Es wurde jeweils der Mittelwert fur den Zeit-raum 1998 bis 2005 bestimmt.

6.1.1 Statistische Zentral- und Streuungsmasse

Fur einen allgemeinen Vergleich der Daten wurden fur IMD- und TRMM-Daten

der Tagesdurchschnitt uber den gesamten Zeitraum sowie der maximale Tagesnie-

derschlag bestimmt (siehe Tabelle 6.2). Die Daten zeigen, dass der Tagesdurch-

schnitt an Niederschlag in Grid 1 etwas hoher liegt als in Grid 2, der Unterschied

ist bei den IMD-Daten mit 0,83 mm Differenz jedoch ausgepragter als bei den

TRMM-Daten (0,62 mm Differenz). Die TRMM-Gitterfelddaten weisen ein wesent-

lich hoheres Maximum als die IMD-Daten auf: in Grid 1 betragt der hochste auf-

gezeichnete TRMM-Wert 112,84 mmd

, der hochste IMD-Wert nur 93,40 mmd

. Auch in

Grid 2 liegt das TRMM-Maximum mit 96,10 mmd

genau 37 mm hoher als das IMD-

Maximum (96,10 mmd

).

Des Weiteren geben in Tabelle 6.2 Varianz und Standardabweichung Aufschluss

uber die durchschnittliche Abweichung vom Mittel (Streuungsmass). Auffallend ist

die relativ hohe Varianz in Grid 1, welche bei den IMD-Daten 71,26 (mmd

)2, bei den

TRMM-Daten 68,18 (mmd

)2 betragt. Vor allem in Grid 1 weichen also die Werte haufig

stark vom Mittel ab, in Grid 2 ist der Mittelwert mit einer Varianz von 37,55 (mmd

)2

(IMD 2) bzw. 48,52 (mmd

)2 (TRMM 2) reprasentativer. Auch die Standardabweichung

26

Kapitel 6. Ergebnisse der Datenverarbeitung

verdeutlicht dies, ihr Wert ist in Grid 1 hoher als in Grid 2. Zusatzlich ermoglicht

sie ein besseres Verstandnis der Abweichung: da es sich um die Wurzel der Varianz

handelt, bleibt die ursprungliche Einheit erhalten. So zeigt die Standardabweichung

die durchschnittliche Abweichung vom Mittel in mm. In IMD 1 zum Beispiel weichen

die Werte im Mittel um 8,44 mm vom Durchschnitt (3,47 mm) ab.

! IMD$ $ TRMM$ $ $! IMD!1! IMD!2! IMD!ges.! TRMM!1! TRMM!2! TRMM!ges.!

Durchschnitt!(mm/d)! 3,47! 2,64! 3,06! 3,42! 2,80! 3,11!

Maximum!(mm/d)! 93,40! 59,10! 62,65! 112,84! 96,10! 102,52!

Varianz!((mm/d)2)! 71,26! 37,55! 46,07! 68,18! 48,52! 51,91!

Standardabweichung!(mm/d)!

8,44! 6,13! 6,79! 8,26! 6,97! 7,21!

!

Tabelle 6.2: Durchschnitt, Tagesmaximum, Varianz und Standardabweichung fur denTagesniederschlag in den IMD- und TRMM-Gitterfeldern 1 und 2 sowie fur deren Durch-schnitt (IMD ges. bzw. TRMM ges.) fur den Zeitraum 1998 bis 2005. Die Werte sind inMillimeter pro Tag dargestellt (mm

d ), die Varianz in (mmd )2.

Diese Tendenzen der statistischen Werte der Tagesniederschlagssummen sind auch

bei den statistischen Werten fur die monatlichen Niederschlagssummen zu erkennen

(siehe Tabelle A.2 im Anhang).

6.1.2 Graphische Darstellung uber den gesamten Zeitraum

In Abbildung 6.1 sind die gemittelten Werte der monatlichen Niederschlagssummen

fur beide Gitterfelder (IMD gesamt und TRMM gesamt) uber den Zeitraum 1998

bis 2005 dargestellt. Die Graphiken fur die Gitterfelder 1 und 2 sind im Anhang

zu finden (Abbildung A.1 und A.2). Die Abbildungen geben einen guten Uberblick

uber die Daten. So wird zum Beispiel ersichtlich, dass fur die TRMM-Datenreihe

ganze Monate ohne Daten bestehen (vor allem in den Jahren 2004 und 2005), was

durch Lucken in der TRMM-Linie dargestellt ist. Die IMD-Daten hingegen liefern

durchgangig Werte. Generell wird ersichtlich, dass die monatlichen Niederschlags-

summen der IMD- und TRMM-Daten gut ubereinstimmen. Auf taglicher Ebene

ist die Ubereinstimmung der Satellitenabschatzungen mit den IMD-Daten jedoch

geringer (siehe Abbildung A.3 im Anhang).

Des Weiteren kann anhand Abbildung 6.1 eine grobe visuelle Abschatzung der

Unterschiede zwischen IMD- und TRMM-Daten durchgefuhrt werden. Vor allem in

den Jahren 1998 bis 2002 scheinen die Satellitenwerte vermehrt etwas unter den

IMD-Werten zu liegen. In den Jahren 2003 bis 2005 jedoch stehen zwar weniger

27

Kapitel 6. Ergebnisse der Datenverarbeitung

0  

50  

100  

150  

200  

250  

300  

350  

400  

1998-­‐01  

1998-­‐04  

1998-­‐07  

1998-­‐10  

1999-­‐01  

1999-­‐04  

1999-­‐07  

1999-­‐10  

2000-­‐01  

2000-­‐04  

2000-­‐07  

2000-­‐10  

2001-­‐01  

2001-­‐04  

2001-­‐07  

2001-­‐10  

2002-­‐01  

2002-­‐04  

2002-­‐07  

2002-­‐10  

2003-­‐01  

2003-­‐04  

2003-­‐07  

2003-­‐10  

2004-­‐01  

2004-­‐04  

2004-­‐07  

2004-­‐10  

2005-­‐01  

2005-­‐04  

2005-­‐07  

2005-­‐10  

NIede

rschlagssumme  pro  Mon

at  (m

m)  

Datum  

TRMM  gesamt   IMD  gesamt  

Abbildung 6.1: Darstellung der monatlichen Niederschlagssummen uber den Zeitraum1998 bis 2005 fur den Durchschnitt der beiden untersuchten Gitternetzfelder. Dargestelltsind die TRMM-Satellitenwerte sowie die IMD-Gitternetzstationswerte.

TRMM-Daten zur Verfugung, dennoch scheinen diese hier die IMD-Daten eher zu

uberschatzen. Gleichzeitig scheint die Niederschlagsmenge der niederschlagsreichen

Monsunmonate kontinuierlich abzunehmen, der Niederschlag einiger vorher nieder-

schlagsarmer Monate scheint in den Jahren 2002 bis 2005 eher zuzunehmen, was

auch der in Abschnitt 3.1 beschriebenen Tendenz entspricht.

-­‐250  

-­‐200  

-­‐150  

-­‐100  

-­‐50  

0  

50  

100  

150  

200  

1998-­‐01  

1998-­‐04  

1998-­‐07  

1998-­‐10  

1999-­‐01  

1999-­‐04  

1999-­‐07  

1999-­‐10  

2000-­‐01  

2000-­‐04  

2000-­‐07  

2000-­‐10  

2001-­‐01  

2001-­‐04  

2001-­‐07  

2001-­‐10  

2002-­‐01  

2002-­‐04  

2002-­‐07  

2002-­‐10  

2003-­‐01  

2003-­‐04  

2003-­‐07  

2003-­‐10  

2004-­‐01  

2004-­‐04  

2004-­‐07  

2004-­‐10  

2005-­‐01  

2005-­‐04  

2005-­‐07  

2005-­‐10  

Diffe

renz  der  m

onatliche

n  NIede

rschlagssumme  (m

m)  

Datum  

Differenz  1  (TRMM1-­‐IMD1)   Differenz  2  (TRMM2-­‐IMD2)  

Abbildung 6.2: Monatliche Differenz zwischen TRMM- und IMD-Werten fur die Gitter-netze Grid 1 und Grid 2 (1998–2005). Es wurde jeweils der IMD-Wert vom TRMM-Wertsubtrahiert.

28

Kapitel 6. Ergebnisse der Datenverarbeitung

6.1.3 Darstellung der Differenzen zwischen IMD-

und TRMM-Daten

Um den Unterschied zwischen den Daten der Satelliten und der IMD-Gitternetze

zu verdeutlichen, wurden in Abbildung 6.2 deren Differenzen fur Grid 1 und Grid 2

dargestellt. Abbildung 6.2 verdeutlicht damit die zuvor anhand der Abbildung 6.1

beschriebene Tendenz der Unterschatzung in den Jahren 1998 bis 2002 und der

anschliessenden Uberschatzung. Es wird jedoch auch deutlich, dass diese Tendenz

vor allem fur Grid 1 zutrifft und weniger fur Grid 2.

Des Weiteren zeigt die Graphik, dass die Unterschiede bis auf einige Extremwerte

nicht mehr als 100 mm pro Monatssumme betragen und meist sogar unter 50 mm lie-

gen. Es wird auch deutlich, dass die Unterschiede in den Monsun-Monaten besonders

hoch, in den Wintermonaten deutlich geringer und wahrend der Pre-Monsun-Monate

(Marz, April, Mai) kaum vorhanden sind.

6.2 Ordinale Skalierung der Daten

Eine ordinale Skalierung der Daten in Niederschlagsklassen ermoglicht es zu analysie-

ren, bei welchen Niederschlagsmengen die Differenzen zwischen IMD- und TRMM-

Daten besonders ausgepragt sind. In Abbildung 6.3 ist die prozentuale Anzahl an Er-

eignissen der verschiedenen Niederschlagsklassen fur die monatlichen Niederschlags-

summen (Abbildung 6.3a) sowie fur die taglichen Niederschlage (Abbildung 6.3b)

dargestellt. Die schwarzen Verbindungslinien ermoglichen einen Vergleich zwischen

den Satelliten- und den Stationsdaten. Nach Ebert et al. (2007) stimmen die Daten

im Ganzen umso besser uberein, je vertikaler diese Verbindungslinien sind. Einzel-

ne Klassen stimmen gut uberein, wenn die beiden den Klassenbalken begrenzen-

den Linien parallel sind, da so die entsprechenden Klassenbalken gleicher Grosse

sind. Die Balkendiagramme ermoglichen damit einen allgemeinen Uberblick der

Ubereinstimmung fur unterschiedliche Niederschlagsklassen. Eine Aussage daruber,

ob Satellitenbestimmungen die beobachteten Niederschlage uber- oder unterschatzen,

ist jedoch nur fur die Randklassen moglich (keine Niederschlage und extrem hohe

Niederschlage), da bei den mittleren Klassen bei nicht ubereinstimmenden Klassen-

grossen nicht gesagt werden kann, zugunsten welcher anderen Klassen diese Klasse

bei den Satelliten kleiner oder grosser ausfallt.

Im Anhang sind die quantitativen Werte der Niederschlagsereignisse fur die ver-

schiedenen Klassen (Tabelle A.3) sowie die Balkendiagramme der Niederschlags-

klassen fur die taglichen Niederschlage der verschiedenen Monate dargestellt (Ab-

bildung A.4).

29

Kapitel 6. Ergebnisse der Datenverarbeitung

6.2.1 Klassifizierung monatlicher Niederschlagssummen

In der Abbildung zu den monatlichen Niederschlagssummen (Abbildung 6.3a) kann

erkannt werden, dass vor allem Monate mit wenig Niederschlag von den Satelliten

haufig uberschatzt werden: es liegen deutlich mehr IMD-Ereignisse mit einem mo-

natlichen Niederschlag unter 10 mm vor als TRMM-Ereignisse (vor allem in Grid 2),

die kleinen Niederschlagsereignisse werden also von den Satelliten als hoher gewertet.

Gleiches ist in Grid 1 fur die Niederschlagsklasse”10–50 mm“ der Fall, wohingegen

die Anzahl an Ereignissen dieser Klasse in Grid 2 mit den IMD-Daten ubereinstimmt.

Monate mit mittleren Niederschlagen (50–200 mm) stimmen in beiden Gitterfel-

dern etwa gleich gut zwischen IMD und TRMM uberein. Monate mit Niederschlags-

summen zwischen 250 und 350 mm jedoch kommen bei den TRMM-Daten deutlich

haufiger vor. Diese starken Monatsniederschlage scheinen von den Satellitendaten

meist zugunsten der sehr starken Monatsniederschlagssummen (> 350 mm), welche

in den IMD-Daten ofter vorkommen, unterschatzt zu werden.

Bei den monatlichen Niederschlagen werden also geringe Monatsniederschlage von

den Satelliten eher als zu hoch angegeben (vor allem in Grid 2), mittlere Monats-

niederschlage werden von TRMM und IMD etwa gleich angegeben und sehr starke

Monatsniederschlage werden von den Satelliten als zu niedrig angegeben.

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  1  

IMD  1  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  ges.  

IMD  ges.    

<10mm   10-­‐50mm   50-­‐100mm   100-­‐150mm   150-­‐200mm  

200-­‐250mm   250-­‐300mm   300-­‐350mm   350-­‐400mm   >400mm  

(a) Monatliche Niederschlagssummen

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  1  

IMD  1  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  ges.  

IMD  ges.  

<1mm   1-­‐5mm   5-­‐10mm   10-­‐15mm  

15-­‐20mm   20-­‐50mm   50-­‐80mm   >80mm  

(b) Tagliche Niederschlagssummen

Abbildung 6.3: Klassifizierung der monatlichen (a) und der taglichen (b) Niederschlage(1998–2005). Angegeben ist die Haufigkeit der Ereignisse in Prozent fur die GitterfelderGrid 1, Grid 2 und deren Durchschnitt (Grid gesamt), jeweils fur die IMD- und die TRMM-Daten.

30

Kapitel 6. Ergebnisse der Datenverarbeitung

6.2.2 Klassifizierung taglicher Niederschlagssummen

Was die taglichen Niederschlage anbelangt (Abbildung 6.3b), so stufen die Satelliten,

wie auch bei den Monatsniederschlagen in Grid 2, sehr kleine Niederschlagsmengen –

hier die Niederschlagsmengen unter 1 mm pro Tag welche als”kein Niederschlag“ gel-

ten – als zu hoch ein. Von den Satelliten wird also vor allem in Grid 2 haufig ein Ta-

gesniederschlag festgehalten, obwohl die IMD-Daten keinen Niederschlag (bzw. einen

Niederschlag unter 1mm) aufzeichnen (”Uberschatzung“). Daher verzeichnen auch in

beiden Gitterfeldern die TRMM-Daten eine grossere Anzahl Niederschlagsereignisse

kleiner 5 mm, es werden also wohl einige Tagesdaten, die von den IMD-Stationen

als”kein Niederschlag“ aufgezeichnet wurden, durch die Satelliten als Niederschlag

unter 5 mm angegeben. Insgesamt geben die Satelliten mehr Ereignisse unter 5 mm

an als die IMD-Daten. Die hoheren Tagesniederschlage stimmen zwischen IMD und

TRMM gut uberein. Lediglich die sehr hohen Niederschlage (> 50 mm) werden in

Grid 1 von den Satelliten weniger haufig angegeben als von den IMD-Daten. Das

heisst, sie werden von den Satelliten als weniger stark angegeben und damit leicht

unterschatzt, in Grid 2 jedoch von den Satelliten haufiger angegeben als in den IMD-

Werten verzeichnet (siehe auch Tabelle A.3b im Anhang).

6.2.3 Jahreszeitliche Klassifizierung taglicher Niederschlags-

summen

Abbildung 6.4 stellt die Balkendiagramme fur die verschiedenen Jahreszeiten fur

Grid gesamt dar. Die Diagramme fur die Gitterfelder 1 und 2 sind im Anhang (Ab-

bildung A.5) zu finden. Fur die gesamte untersuchte Flache (Grid gesamt) zeigen die

Diagramme (Abbildung 6.4), dass wahrend der Pre-Monsun- und Winter-Monate ei-

nige Niederschlage von den Satelliten unterschatzt werden und so als unter 5 mm

eingestuft werden, obwohl die Messung der Stationen fur sie hohere Werte angeben.

Wahrend des Monsuns werden von den Satelliten zwar weniger niederschlagslose Ta-

ge angegeben als von den IMD-Stationen, die gesamten Niederschlage unter 5 mm

stimmen aber sehr gut mit den IMD-Daten uberein. Auch die mittleren Nieder-

schlage werden im Monsun sehr genau von den Satelliten bestimmt, die sehr hohen

Niederschlage (> 50 mm) werden jedoch unterschatzt.

Betrachtet man die Niederschlagsklassen fur die unterschiedlichen Monate, welche

in den Balkendiagrammen im Anhang (Abbildung A.4) abgebildet sind, so lassen

sich einige der oben beschriebenen Merkmale auf einzelne Monate zuruckfuhren. So

ist zum Beispiel die oben beschriebene Uberschatzung der Satellitenwerte fur sehr

kleine Niederschlage in Grid 2 vor allem auf den Monat Juli, aber auch auf Juni,

August, September und Oktober zuruckzufuhren. Im Juli etwa sind in den IMD-

31

Kapitel 6. Ergebnisse der Datenverarbeitung

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  ges.  

IMD  ges.  

Pre-­‐Monsun  

<1   1-­‐5mm   5-­‐10mm   10-­‐15mm   15-­‐20mm   20-­‐50mm   >50  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  ges.  

IMD  ges.  

Monsun  

<1   1-­‐5mm   5-­‐10mm   10-­‐15mm   15-­‐20mm   20-­‐50mm   >50  

Abbildung 6.4: Klassifizierung dertaglichen Niederschlage (1998–2005)fur die verschiedenen Jahreszeiten Pre-Monsun (MAM), Monsun (JJAS) undWinter (ONDJF). Angegeben ist dieHaufigkeit der Ereignisse in Prozent furden gesamten Bereich der Gitterfelder1 und 2, jeweils fur die IMD- und dieTRMM-Daten.

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  ges.  

IMD  ges.  

Winter  

<1   1-­‐5mm   5-­‐10mm   10-­‐15mm   15-­‐20mm   20-­‐50mm   >50  

Daten 15% mehr Tage mit weniger als 1 mm Niederschlag angegeben als in den

TRMM-Daten (siehe Abbildung 6.5b), die Satelliten geben also an einigen Tagen

einen zu hohen Niederschlag an, womit einige der Ereignisse durch die Satelliten

uberschatzt werden. Diese starke Uberschatzung sehr geringer Niederschlage und

niederschlagsloser Tage in Grid 2 wahrend der Monsunmonate wird durch eine star-

ke Unterschatzung im Februar ausgeglichen, wo von den Satelliten sehr viel mehr

niederschlagslose Tage angegeben werden als in den IMD-Gitternetzdaten verzeich-

net sind (siehe Abbildung 6.5a). Erganzend ist anzumerken, dass die sehr hohen

Niederschlage vor allem in den Monsunmonaten und vermehrt in Grid 1 vorkom-

men. Die meisten Niederschlage uber 50 mm sind im Juli und August in Grid 1

vermerkt (siehe auch Tabelle A.4 im Anhang).

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

Februar  

<1   1-­‐5mm   5-­‐10mm   10-­‐15mm   15-­‐20mm   20-­‐50mm   >50  

(a)

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

Juli  

<1   1-­‐5mm   5-­‐10mm   10-­‐15mm   15-­‐20mm   20-­‐50mm   >50  

(b)

Abbildung 6.5: Klassifizierung der taglichen Niederschlagssummen fur die Monate Fe-bruar (a) und Juli (b) im Gitterfeld Grid 2 (1998–2005).

32

Kapitel 6. Ergebnisse der Datenverarbeitung

6.3 Quantitative Bestimmung der Bestandigkeit

der Satellitendaten

Das in Abschnitt 5.2.3 beschriebene Vorgehen zur Untersuchung der Bestandigkeit

der Satellitenbestimmungen ergibt zahlreiche quantitative Resultate. Die Kontin-

genztafeln fur die IMD- und TRMM-Tagesniederschlagsdaten im untersuchten Kullu-

Distrikt sind in Tabelle 6.3 abgebildet. Die verschiedenen Prazisions- und Verzer-

rungsmasse wurden fur die Gitterfelder im Kullu-Gebiet erstellt und sind in den

Tabellen 6.4 und 6.5 dargestellt. Zusatzlich zu den in Abschnitt 5.2.3 erlauterten

Prazisions- und Verzerrungsindizes ist die Korrelation gegeben, wobei es sich um

den Korrelationskoeffizienten von Pearson handelt. Neben der Untersuchung der

Tagesniederschlage fur die gesamte Zeitspanne (1998–2005) in Tabelle 6.4 wurden

auch Indizes fur die drei verschiedenen Jahreszeiten erstellt (Tabelle 6.5). Die gra-

phische Darstellung des Bias fur die Tagesniederschlage der verschiedenen Monate

ist in Abbildung 6.6 (a-c) prasentiert. Im Anhang sind ausserdem die ausfuhrlichen

Daten fur die Tagesniederschlage der verschiedenen Monate (Tabelle A.5) sowie sta-

tische Werte, Bias und RMSE fur die Monatsniederschlagssummen (Tabelle A.6) zu

finden.

Des Weiteren ermoglicht die Untersuchung der Indizes fur verschiedene Nieder-

schlagsklassen die Uberprufung auf einen Zusammenhang zwischen der Satellite-

nerkennung und der Niederschlagsstarke. In Abbildung 6.6 (d-f) ist der Bias fur

die Tageswerte der verschiedenen Niederschlagsklassen abgebildet. Deren genauen

Indexwerte sowie die Werte der Kontingenztafeln sind im Anhang (Tabelle A.7)

dargestellt.

6.3.1 Ergebnisse der Kontingenztafeln

Die Kontingenztafeln fur die Gitterfelder Grid 1 und Grid 2 sowie fur das gesamte

Gebiet (Tabelle 6.3) zeigen, dass in beiden Gitterfeldern etwa die Halfte der Daten

einen Niederschlag unter 1 mm angeben (was als kein Niederschlag gilt), welcher so-

wohl von IMD- als auch von TRMM-Daten als kein Niederschlag verzeichnet wurde.

Im Gitterfeld Grid 1 ist die Anzahl dieser richtig geschatzten”kein-Niederschlag“-

Ereignisse jedoch hoher als in Grid 2 (54,34% in Grid 1, in Grid 2 nur 50,18%).

Insgesamt werden von den IMD-Stationswerten in beiden Gitterfeldern etwa gleich

viel Ereignisse als”kein Niederschlag“ gewertet (etwa 67%). Es zeigt sich, dass in

Grid 2 mit 16,71% (im Gegensatz zu 12,50% in Grid 1) mehr Ereignisse von den

Satelliten als Niederschlag gewertet werden, obwohl die Stationsgitternetzdaten hier

keinen Niederschlag vermerken (Fehlalarm). Die Anteile an von Satelliten erkanntem

und nicht erkanntem Niederschlag, der von den Stationen als Niederschlag vermerkt

33

Kapitel 6. Ergebnisse der Datenverarbeitung

wurde, liegen bei beiden Gitternetzen etwa gleich: 20,81% bzw. 20,29% fur den er-

kannten Niederschlag und 12,35% bzw. 12,82% fur den nicht erkannten Niederschlag.

Unterschiede zwischen Grid 1 und Grid 2 sind also vor allem in den Fallen, in denen

von den IMD-Daten kein Niederschlag angegeben wird, zu vermerken.

Grid 1

! ! IMD!

! ! Nieder'schlag!

Kein!Nieder'schlag!

TRMM! Nieder'

schlag! 588! 353!Kein!Nieder'schlag!

349! 1535!!

(a) absolute Werte

! ! IMD!

! ! Nieder'schlag!

Kein!Nieder'schlag!

TRMM! Nieder'

schlag! 20,81! 12,50!Kein!Nieder'schlag!

12,35! 54,34!!

(b) relative Werte in %

Grid 2

! ! IMD!

! ! Nieder'schlag!

Kein!Nieder'schlag!

TRMM! Nieder'

schlag! 573! 472!Kein!Nieder'schlag!

362! 1417!!

(c) absolute Werte

! ! IMD!

! ! Nieder'schlag!

Kein!Nieder'schlag!

TRMM! Nieder'

schlag! 20,29! 16,71!Kein!Nieder'schlag!

12,82! 50,18!!

(d) relative Werte in %

Grid gesamt

! ! IMD!

! ! Nieder'schlag!

Kein!Nieder'schlag!

TRMM! Nieder'

schlag! 679! 376!Kein!Nieder'schlag!

338! 1431!!

(e) absolute Werte

! ! IMD!

! ! Nieder'schlag!

Kein!Nieder'schlag!

TRMM! Nieder'

schlag! 24,04! 13,31!Kein!Nieder'schlag!

11,97! 50,67!!

(f) relative Werte in %

Tabelle 6.3: Kontingenztafeln fur die Gitternetze Grid 1 (a, b) und Grid 2 (c, d) sowiefur deren Durchschnitte (e, f) jeweils in absoluten und relativen Werten fur den Zeitraum1998 bis 2005.

6.3.2 Vergleich der Indizes der beiden Gitternetze

Die Indizes fur die beiden Gitternetze im Kullu-Gebiet sowie fur beide Gitterfel-

der zusammen (Tabelle 6.4) zeigen leichte Unterschiede zwischen den Gitterfeldern

Grid 1 und Grid 2 auf, im Grossen und Ganzen sind jedoch ahnliche Werte zu ver-

zeichnen. Die positiven Werte der Korrelation weisen auf einen positiven linearen

Zusammenhang hin. Bei zunehmenden Werten der einen Variablen nehmen also

auch die Werte der anderen Variablen zu (von Storch und Zwiers, 2003). Wahrend

in Grid 1 eine Korrelation von 0,4 herrscht, liegt diese in Grid 2 nur bei 0,3. Die

Werte zeigen einen schwachen bis mittleren linearen Zusammenhang auf.

Die Trefferrate H liegt in beiden Gitterfeldern bei etwa 70–75%, womit etwa 34

der

Satellitenbestimmungen auch von den Stationsdaten aufgezeichnet wurden. In Grid 1

liegt der Wert mit 0,75 jedoch naher an 1 als in Grid 2 (0,7), was auf eine bessere

Satellitenvorhersage in Grid 1 hinweist. Auch die Eintritts-Trefferrate TS liegt in

Grid 1 mit 0,46 um einen Unterschied von 0,05 hoher als in Grid 2 (0,41). Die grosse

34

Kapitel 6. Ergebnisse der Datenverarbeitung

Menge an”kein-Niederschlag“-Ereignissen andert diese Tendenz also nicht, denn

in den TS-Werten werden diese Werte, welche auf Grund ihrer grossen Anzahl die

Bedeutung der anderen Werte verringern konnen, ausgeschlossen. Wird der TS durch

das Einbeziehen der”Zufalls-Vorhersagen“ ausgeglichen (ETS, siehe Gleichung 5.4),

so sind die Werte bei Grid 1 immer noch hoher als bei Grid 2 (0,29 zu 0,22), was

ebenfalls etwas prazisere Satellitenbestimmungen in Grid 1 impliziert.

!

!

Gesamt!(1998,2005)!!! ! Grid!1! Grid!2! Grid!ges.!

Korrelation!! 0,40! 0,30! 0,38!

Hit!rate!H!! 0,75! 0,70! 0,75!

Threat!Score!TS!! 0,46! 0,41! 0,49!

Equitable!threat!score!ETS!

!0,29! 0,22! 0,30!

Probability!of!detection!POD!

!0,63! 0,61! 0,67!

False!alarm!ratio!FAR!

! 0,38! 0,45! 0,36!

Frequency!bias!FBI!

! 1,00! 1,12! 1,04!

Bias!(ME)!!

50,08! 0,14! 0,03!

RMSE!! 9,00! 7,64! 7,64!

!

Tabelle 6.4: Statistische Berechnun-gen uber die Leistung der TRMM-Satellitenbestimmungen der Tagesnieder-schlage fur den Zeitraum 1998 bis 2005.Dargestellt sind die Werte fur die Gitterfel-der Grid 1, Grid 2 sowie beide Gitterfelderzusammen (Grid ges.).

Die Erkennungswahrscheinlichkeit POD

ist mit rund 60% recht niedrig, Grid 1

weist hierbei auch nur einen geringfugig

hoheren Wert als Grid 2 auf (63% in

Grid 1 und 61% in Grid 2). Ein grosserer

Unterschied ist bei den Falschalarmwer-

ten (FAR) zu vermerken: in Grid 2 sind

45% der von Satelliten als Niederschlag

vermerkten Daten Fehlalarm, in Grid 1

nur 38%.

Die Verzerrungsmasse FBI und Bias

(ME) weisen ebenfalls Unterschiede zwi-

schen Grid 1 und Grid 2 auf. Wahrend

in Grid 1 der FBI-Wert von 1,00 auf

perfekte Vorhersagen hinweist, zeigt der

Wert in Grid 2 (1,12), dass mehr Nieder-

schlagsereignisse vorhergesagt wurden als

tatsachlich eintraten. Der Bias von 0,14

in Grid 2 gibt an, dass die Werte gene-

rell eher zu hoch geschatzt wurden, was

auch mit dem FBI ubereinstimmt (die niederschlagslosen Tage wurden zu hoch

eingeschatzt). In Grid 1 weist der Bias hingegen mit -0,08 auf eine Niederschlags-

Unterschatzung hin.

Das durchschnittliche Fehlerausmass RMSE gibt an, dass die Fehler in Grid 1 ge-

nerell grosseren Ausmasses sind als in Grid 2. Der Unterschied zwischen RMSE und

Bias ist in Grid 1 grosser, was auf eine hohere Fehler-Variabilitat hinweist. Zusam-

mengefasst weisen die Berechnungen auf leicht prazisere Satellitenbestimmungen in

Grid 1 hin, die Fehlervariabilitat ist in Grid 1 jedoch grosser als in Grid 2.

35

Kapitel 6. Ergebnisse der Datenverarbeitung

!

!

Pre%Monsun!! !

!

Monsun!

!

Winter!! ! Grid!1! Grid!2! Grid!ges.! ! Grid!1! Grid!2! Grid!ges.! ! Grid!1! Grid!2! Grid!ges.!

Korrelation!! 0,21! 0,14! 0,14! ! 0,38! 0,31! 0,31! ! 0,30! 0,31! 0,31!

Hit!rate!H!! 0,71! 0,63! 0,63! ! 0,65! 0,64! 0,64! ! 0,86! 0,81! 0,81!

Threat!Score!TS!! 0,30! 0,26! 0,26! ! 0,57! 0,54! 0,54! ! 0,28! 0,23! 0,23!

Equitable!threat!score!ETS!

!0,27! 0,22! 0,22!

!0,48! 0,46! 0,46!

!0,25! 0,20! 0,20!

Probability!of!detection!POD!

!0,45! 0,44! 0,44!

!0,74! 0,78! 0,78!

!0,41! 0,34! 0,34!

False!alarm!ratio!FAR!

! 0,52! 0,62! 0,62! ! 0,29! 0,36! 0,36! ! 0,54! 0,59! 0,59!

Frequency!bias!FBI!

! 0,95! 1,17! 1,17! ! 1,05! 1,21! 1,21! ! 0,89! 0,82! 0,82!

Bias!(ME)!!

50,19! 0,11! 0,11! ! 50,17! 0,44! 0,44! ! 0,05! 50,07! 50,07!

RMSE!! 7,17! 7,46! 7,46! ! 14,18! 9,89! 9,89! ! 8,34! 8,87! 8,87!

!Tabelle 6.5: Statistische Berechnungen der Tagesniederschlage fur die Gitterfelder imKullu-Gebiet fur die Jahreszeiten Pre-Monsun (MAM), Monsun (JJAS) und Winter(ONDJF) (1998–2005).

6.3.3 Indizes fur verschiedene Jahreszeiten und

Niederschlagsklassen

Auch fur die verschiedenen Jahreszeiten (Tabelle 6.5) weisen die Unterschiede der

Tagesniederschlage zwischen Grid 1 und Grid 2 einen ahnlichen Trend auf wie die

oben beschriebenen Tendenzen uber den gesamten Zeitraum. Vor allem die Unter-

schiede zwischen den Gitterfeldern bei Bias und RMSE sind je nach Saison jedoch

stark variabel. Auf Grund des generell nahezu gleichbleibenden Verhaltnisses zwi-

schen den beiden Gitterfeldern, welches schon im vorherigen Abschnitt beschrieben

wurde, soll hier nun ein Fokus auf die Unterschiede zwischen den Jahreszeiten ge-

legt werden. Um dies zu vereinfachen werden nicht die beiden Gitterfelder einzeln

betrachtet, sondern die Gesamtwerte fur das Gebiet (Grid gesamt).

Auffallig ist, dass die Korrelation im Pre-Monsun mit 0,14 deutlich schwacher

ist als wahrend des Monsuns und im Winter (jeweils 0,31). Auch die Korrelation

der monatlichen Niederschlagssummen ist im Winter am besten (0,86) und im Pre-

Monsun am schlechtesten (0,73, siehe Tabelle A.6 im Anhang).

Die Trefferrate H ist bei den Tagesniederschlagen im Winter besonders hoch (0,81),

im restlichen Jahr liegt sie bei etwa 65%. Im Winter werden also mehr von den

in den IMD-Daten vermerkten Ereignissen auch von den Satelliten erkannt. Lasst

man jedoch die”kein-Niederschlag“-Ereignisse ausser Acht, indem die Eintritts-

Trefferrate TS betrachtet wird, so ergibt sich ein deutlich hoherer Wert wahrend

des Monsuns (0,54) und etwa gleiche Werte fur Pre-Monsun und Winter (0,26

bzw. 0,23). Die Trefferrate H wird also im Winter stark von den positiven”kein-

36

Kapitel 6. Ergebnisse der Datenverarbeitung

Niederschlag“-Ereignissen beeinflusst, sodass H in diesem Fall weniger aussagekraftig

fur die Prazision der Niederschlagsbestimmungen ist als TS. Beim ETS ist die glei-

che Tendenz wie beim TS zu vermerken: mit 0,46 verzeichnet die Monsun-Jahreszeit

einen deutlich hoheren Wert als die anderen Jahreszeiten (0,22 bzw. 0,20).

Ein sehr starker saisonaler Unterschied ist auch bei der Erkennungswahrschein-

lichkeit POD festzustellen. Wahrend im Pre-Monsun 44% und im Winter nur 34%

der von den Satelliten festgehaltenen Niederschlagsereignisse auch bei den Stati-

onsdaten vermerkt sind, sind es wahrend des Monsuns ganze 78%. Diese guten

Satellitenbestimmungen werden auch durch die niedrigen Falschalarmwerte wahrend

des Monsuns (0,36) bestatigt. Im Pre-Monsun und im Winter hingegen betragen die

Falschalarmwerte 60% (0,62 bzw. 0,59).

Der Bias (ME) weist im Winter Werte auf, die auf eine geringe Niederschlags-

unterschatzung hinweisen, wahrend des Pre-Monsuns und vor allem wahrend des

Monsuns treten leichte Uberschatzungen auf. Abbildung 6.6 (a-c) stellt den Bi-

as der verschiedenen Monate graphisch dar. Es ist zu sehen, dass in beiden Git-

terfeldern die Wintermonate eher unterschatzt werden. Die Monsunmonate sind

sehr variabel: wahrend die Monate Juli und September in beiden Gitternetzen ver-

mehrt uberschatzt werden, werden die taglichen Niederschlagswerte des Monats Au-

gust eher unterschatzt. Auffallend ist der Monat Juni, der in Grid 1 vermehrt un-

terschatzt, in Grid 2 jedoch vermehrt uberschatzt wird. Die Unterschatzung in Grid 1

lasst sich vermutlich auf einige in Grid 1 stark unterschatzte Starkniederschlage im

Juni des Jahres 2000 und 2001 zuruckfuhren.

Das Fehlerausmass (RMSE) ist wahrend des Monsuns am grossten (9,89) und

wahrend des Pre-Monsuns am geringsten (7,46). Im Winter weist der RMSE einen

Wert von 8,87 auf. Was die Unterschiede zwischen den Gitterfeldern angeht, so ist

wahrend des Monsuns der RMSE in Grid 1 deutlich grosser als in Grid 2, wohingegen

dieser Unterschied im restlichen Jahr weniger stark ausgepragt ist. Im Winter kehrt

sich der Bias zwischen den beiden Gitterfeldern um: wird im Jahresdurchschnitt der

Niederschlag in Grid 1 leicht unterschatzt und in Grid 2 leicht uberschatzt, so ist

dies im Winter umgekehrt.

Die Indizes fur verschiedene Niederschlagsklassen sind im Anhang (Tabelle A.7)

reprasentiert. Die Trefferraten (H, TS und ETS) zeigen in allen Klassen einen guten

Wert auf, jedoch besonders fur hohe Niederschlage. Auch die Erkennungswahrschein-

lichkeit POD nimmt mit zunehmendem Niederschlag zu. Der Bias sowie das Fehler-

ausmass RMSE zeigen, dass die starken Niederschlage meist mit grossen Fehlern un-

terschatzt werden. Die graphische Darstellung des Bias (Abbildung 6.6, d-f) verdeut-

licht diese Tendenz: wahrend fur die Niederschlagsklassen”<1 mm“ und

”1–5 mm“

noch leichte Uberschatzungen zu vermerken sind, wird mit zunehmendem Nieder-

schlag der Bias stark negativ, was einer Niederschlagsunterschatzung entspricht.

37

Kapitel 6. Ergebnisse der Datenverarbeitung

Bias fur Monate

0,62  

-­‐0,02  

-­‐0,68  

0,15  -­‐0,03  

-­‐0,89  

0,78  

-­‐1,43  

0,87  

-­‐0,24  -­‐0,09   0,00  

-­‐1,50  

-­‐1,00  

-­‐0,50  

0,00  

0,50  

1,00  

JAN   FEB   MAR   APR   MAY   JUN   JUL   AUG   SEP   OCT   NOV   DEC  

BIAS

 

Monate  

(a) Bias Monate Grid 1

0,02  -­‐0,19  -­‐0,23  

-­‐0,03  

0,59   0,66  

0,95  

-­‐0,12  

0,25  0,00   -­‐0,03  

-­‐0,18  

-­‐1,50  

-­‐1,00  

-­‐0,50  

0,00  

0,50  

1,00  

JAN   FEB   MAR   APR   MAY   JUN   JUL   AUG   SEP   OCT   NOV   DEC  

BIAS

 

Monate  

(b) Bias Monate Grid 2

(c) Bias Monate Grid gesamt

Bias fur Niederschlagsklassen

1,31   2,14   -­‐0,38   -­‐5,17   -­‐5,44  -­‐15,02  

-­‐39,43  

-­‐78,31  

-­‐100,00  

-­‐80,00  

-­‐60,00  

-­‐40,00  

-­‐20,00  

0,00  

20,00  

<1mm

 

1-­‐5mm

 

5-­‐10mm  

10-­‐15mm

 

15-­‐20mm

 

20-­‐50mm

 

50-­‐80mm

 

>80mm  

BIAS

 

Niederschlag  in  mm/d  (IMD-­‐Gi9ernetzdaten)    

(d) Bias Niederschlagsklassen Grid 1

1,44   1,18   -­‐0,77  

-­‐7,26  -­‐11,08  

-­‐16,49  

-­‐30,09  -­‐35,00  -­‐30,00  -­‐25,00  -­‐20,00  -­‐15,00  -­‐10,00  -­‐5,00  0,00  5,00  

<1mm

 

1-­‐5mm

 

5-­‐10mm  

10-­‐15mm

 

15-­‐20mm

 

20-­‐50mm

 

50-­‐80mm

 

BIAS

 

Niederschlag  in  mm/d  (IMD-­‐Gi9ernetzdaten)    

(e) Bias Niederschlagsklassen Grid 2

1,21   1,69  -­‐1,13  

-­‐4,41  -­‐8,58  

-­‐15,57  

-­‐33,24  -­‐35,00  -­‐30,00  -­‐25,00  -­‐20,00  -­‐15,00  -­‐10,00  -­‐5,00  0,00  5,00  

<1mm

 

1-­‐5mm

 

5-­‐10mm  

10-­‐15mm

 

15-­‐20mm

 

20-­‐50mm

 

50-­‐80mm

 

BIAS

 

Niederschlag  in  mm/d  (IMD-­‐Gi9ernetzdaten)    

(f) Bias Niederschlagsklassen Grid gesamt

Abbildung 6.6: Darstellung des Bias fur die Tagesniederschlage der verschiedenen Mo-nate sowie fur verschiedene Niederschlagsklassen im Gitternetz Grid 1 (a, d), Grid 2 (b,e) sowie fur deren Durchschnitt (c, f). Ein Bias uber Null bedeutet, dass das betreffendeEreignis geringer ist als von den Satelliten angegeben (Uberschatzung). Ein Bias unterNull gibt an, dass die IMD-Werte im Durchschnitt grosser als die TRMM-Werte waren(Unterschatzung).

38

7 — Diskussion der Resultate

Bei der Analyse der Ubereinstimmungen zwischen IMD- und TRMM-Daten konnen

im Hinblick auf die zentrale Fragestellung dieser Arbeit die Unterschiede im jah-

reszeitlichen Verlauf sowie fur verschiedene Niederschlagsklassen untersucht werden.

Ausserdem ermoglicht der Vergleich der Ergebnisse zwischen den zwei Gitternetzen,

einen eventuellen Zusammenhang mit topographischen Gegebenheiten zu erkennen.

Die tagliche Ubereinstimmung der IMD- und TRMM-Daten fur das gesamte Ge-

biet ist mit einer Korrelation von 0,38 niedrig (Tabelle 6.4). Auf der monatlichen Ska-

la jedoch zeigt eine Korrelation von 0,90 einen sehr guten linearen Zusammenhang

auf (siehe Anhang Tabelle A.2, Grid gesamt). Diese bessere Leistung der monatlichen

Satellitenbestimmungen wurde auch von Scheel et al. (2011) bei Untersuchungen von

TRMM-Satellitendaten in den peruanischen Anden erkannt. Scheel et al. erklaren

diesen starken Unterschied mit dem verwendeten TRMM-TMPA1-Algorithmus, wel-

cher die Daten nur mit monatlichen Histogrammen kalibriert. Ausserdem wird der li-

neare Zusammenhang auf taglicher Ebene auch durch Tagesextremwerte beeinflusst,

welche hingegen in den monatlichen Niederschlagssummen abgeschwacht werden.

Betrachtet man das Erkennen von taglichen Niederschlagsereignissen durch die

Satelliten, so werden laut der Trefferrate H etwa 75% der Tagesereignisse als rich-

tig gewertet, entweder als Niederschlag oder als kein Niederschlag. Bei 25% wur-

de entweder ein von den Stationen aufgezeichnetes Niederschlagsereignis als kein

Niederschlag eingeschatzt oder an einem niederschlagslosen Tag von den Satelliten

Niederschlag festgehalten. Da die Grenze von 1 mm Niederschlag pro Tag zur De-

finition eines Niederschlagsereignisses willkurlich festgelegt und sehr gering ist, ist

diese Niederschlagserkennungsrate der Satelliten als gut zu beurteilen.

Die Wintermonate verzeichnen sehr wenig Niederschlag, welcher dennoch haufig

unterschatzt wird (negatives Bias in Tabelle 6.5). Die Korrelation der Monatssum-

men im Winter von 0,86 weist auf einen guten linearen Zusammenhang hin (siehe

Tabelle A.6). Auch die hohe Trefferrate H lasst im Winter eine sehr gute Satellitenbe-

stimmung vermuten, die niedrige Eintritts-Trefferrate TS von 23% zeigt jedoch, dass

1TMPA = TRMM Multi-satellite Precipitation Analysis

39

Kapitel 7. Diskussion der Resultate

zwar die zahlreichen niederschlagslosen Tage gut von den Satelliten bestimmt wer-

den, die Niederschlagstage jedoch haufig nicht erkannt werden. Dies beweist auch

der FBI, welcher kleiner als 1 ist und somit zeigt, dass im Winter ofter ein Nie-

derschlagsereignis eintritt als es vorhergesagt wurde. Januar und Februar sind die

niederschlagsreichsten Monate des Winters. Sie weisen wesentlich grossere Varian-

zen und Fehlerausmasse als die anderen Wintermonate auf und beeinflussen somit

das Jahreszeitenmittel. Die Datenauswertung zeigt, dass der Monat Februar hohe

Niederschlagsmengen aufweist, weshalb sich die Frage stellt, ob er besser dem Pre-

Monsun zugeordnet werden sollte.

Im Pre-Monsun (Marz, April, Mai) ist eine Zunahme der Niederschlagsmengen zu

verzeichnen. Die Monate des Pre-Monsuns haben auf Tagesebene eine sehr schlechte

Korrelation (0,21) und auch auf der Ebene der Monatssummen besteht ein geringerer

linearer Zusammenhang als wahrend des Winters. Generell werden hier die Nieder-

schlage von den Satelliten eher zu hoch bestimmt (Uberschatzung), im Marz jedoch

eher unterschatzt. Das Fehlerausmass der Satellitenbestimmungen im Pre-Monsun

ist generell gering.

Wahrend des Monsuns ist der lineare Zusammenhang sowohl bei der taglichen

als auch bei der monatlichen Niederschlagssumme etwa gleich wie wahrend des

Winters. Einzelne Monate wie etwa Juni und September weisen jedoch mit einer

Korrelation der Monatsniederschlage von 0,94 einen sehr starken linearen Zusam-

menhang auf (siehe Tabelle A.6). Die Trefferraten sowie die Erkennungswahrschein-

lichkeit sind wahrend des Monsuns sehr gut, was sich durch die hohe Anzahl an

Niederschlagstagen erklaren lasst. Die Monsunniederschlage werden jedoch meist

von den Satelliten uberschatzt (positives Bias), Extremniederschlage werden jedoch

eher unterschatzt. Das Fehlerausmass (RMSE) ist insgesamt auch hoch. Eine Aus-

nahme bildet der Monat August, dessen Niederschlage in beiden Gitterfeldern, vor

allem jedoch in Grid 1, stark unterschatzt werden. Das Balkendiagramm fur Grid 1

im August (siehe Abbildung A.4) zeigt, dass im August viele Niederschlage die

uber 5 mm liegen als zu niedrig eingestuft werden (zwischen 1 und 5 mm). Eine Er-

klarung hierfur konnte womoglich sein, dass die Infrarotbestimmungen der Satelliten

verfalschend beeinflusst werden, da sich moglicherweise Ende August die Wolken-

formationen durch den Ruckzug des Monsuns aus dem Norden Indiens massgeblich

andern.

Zusammengefasst unterschatzen die Satelliten wahrend des Winters generell die

Niederschlage, wahrend des Pre-Monsuns und Monsuns hingegen werden die Nieder-

schlage tendenziell eher uberschatzt. Vor allem wahrend des Monsuns gibt es jedoch

starke monatliche Variabilitaten.

40

Kapitel 7. Diskussion der Resultate

Schwache Niederschlage werden von den TRMM-Satelliten im untersuchten Gebiet

meist uberschatzt. Je grosser die Niederschlage sind desto ofter werden sie jedoch

mit immer grosserem Fehlerausmass (also mit zunehmendem RMSE) unterschatzt

(siehe Abbildung 6.6 d-f). Vor allem sehr grosse Tagesniederschlage werden stark

unterschatzt. Trefferrate und Erkennungswahrscheinlichkeit zeigen aber auch, dass

starkere Niederschlage generell sehr viel besser erkannt werden. Der lineare Zusam-

menhang ist fur sehr starke Niederschlage gut, fur mittlere Niederschlage jedoch

schlecht. Sehr geringe Niederschlage weisen wieder eine etwas bessere Korrelation

auf (siehe Tabelle A.7). Betrachtet man die Gesamtanzahl an Ereignissen unter-

schiedlicher Niederschlagsklassen in den Balkendiagrammen (Abbildung 6.3), so wird

sichtbar, dass die Anzahl an Ereignissen vor allem bei mittleren Niederschlagen gut

ubereinstimmt. Dies konnte jedoch auch auf einen irrefuhrenden Aspekt der Dar-

stellungsform zuruckzufuhren sein: die Klassen der mittleren Niederschlage konnen

in beide Richtungen Ereignisse verlieren oder aufnehmen, wohingegen bei den Rand-

klassen die Richtung des Verlusts oder der Zunahme eindeutig ist.

Im Gitterfeld Grid 1 fallt im Tagesdurchschnitt etwas mehr Niederschlag als in

Grid 2, auf Grund der grossen Standardabweichung ist der Tagesdurchschnitt in

Grid 1 jedoch nur annahernd reprasentativ. Die Satellitenbestimmungen stimmen in

Grid 1 gut mit den IMD-Bestimmungen uberein, was durch die guten Trefferraten

H, TS und ETS und die geringe Fehlalarmrate FAR (Tabelle 6.4) belegt wird. Die

Varianz und die Standardabweichung zeigen (Tabelle 6.2), dass in Grid 1 die Werte

vermehrt vom Mittel abweichen. Dies ist moglicherweise auch ein Grund fur das

grosse Fehlerausmass RMSE und die hohe Fehlervariabilitat in Grid 1 (Tabelle 6.4).

Trotz des hohen Fehlerausmasses und der grossen Varianz werden die Niederschlage

in Grid 1 besser bestimmt als in Grid 2. Das grosse Fehlerausmass ist wahrschein-

lich auf die Unterschatzung der sehr hohen Niederschlage zuruckzufuhren: in Grid 1

kommen vermehrt sehr hohe Tagesniederschlage vor (>50 mm), welche durch die Sa-

tellitendaten haufig stark unterschatzt werden (siehe Bias der Niederschlagsklassen

in Abbildung 6.6) und so das durchschnittliche Fehlerausmass deutlich beeinflussen.

In Grid 2 ist das Tagesmittel auf Grund der geringen Varianz und Standard-

abweichung reprasentativer als in Grid 1. Dennoch stimmen die Satellitenbestim-

mungen generell weniger gut mit den IMD-Daten uberein als in Grid 1. Es besteht

ein schwacherer linearer Zusammenhang zwischen IMD- und TRMM-Werten, was

durch eine schwachere Korrelation belegt wird (Tabelle 6.4), die Korrelation der Mo-

natssummen ist jedoch in beiden Gitterfeldern annahernd gleich (siehe Tabelle A.2).

Wahrend in Grid 1 die Erkennung von taglichen Niederschlagsereignissen sehr gut

ist, wird in Grid 2 von den Satelliten haufig Niederschlag erkannt obwohl die Statio-

nen einen niederschlagslosen Tag verzeichnen (siehe Abbildung 6.3b sowie den leicht

41

Kapitel 7. Diskussion der Resultate

positiven FBI in Tabelle 6.4), was auch durch die erhohte Fehlalarmrate FAR belegt

wird. In Grid 2 werden sehr starke Niederschlage von den Satelliten oft als zu gross

angegeben, wohingegen in Grid 1 die Starkniederschlagstage haufig unterschatzt wer-

den. Dies belegt auch der RMSE, der in Grid 1 fur hohe Niederschlagswerte grosser

ist als in Grid 2 (siehe Tabelle A.7 im Anhang).

Generell ist die Niederschlagsbestimmung durch die TRMM-Satelliten in Grid 1

von besserer Qualitat als in Grid 2, vor allem da in Grid 2 haufig Niederschlag von Sa-

telliten erkannt wird, obwohl die IMD-Daten einen niederschlagslosen Tag verzeich-

nen. Dennoch weicht die Satellitenbestimmung von Starkniederschlagen in Grid 1

besonders stark von den IMD-Werten ab, was die grosse Variabilitat und das hohe

Fehlerausmass erklart.

Die schlechtere Leistung der Satelliten fur Grid 2 konnte darauf zuruckzufuhren

sein, dass in diesem Gebiet sehr viel mehr Gletscher und permanent mit Schnee

bedeckte Flachen vorhanden sind. Diese konnen die Infrarotmessungen der Satel-

liten storen. Moglicherweise konnten die IMD-Gitterfelddaten in Grid 2 aber auch

vermehrt Fehlern unterliegen, da auf Grund der topographischen Gegebenheiten

weniger Stationsdaten zur Interpolation zur Verfugung stehen. Ein Abgleich mit

direkten Stationsdaten konnte diese Uberlegung untersuchen.

Der grossen Unterschatzung der Starkniederschlage in Grid 1 sollte Beachtung ge-

schenkt werden. Eine Erklarung hierfur konnten die topographischen Gegebenheiten

sein: da in Grid 1 viele Taler vorkommen, die von hohen Bergketten umgeben sind,

kann vermehrt orographischer Niederschlag auftreten, welcher von den Satelliten

nicht ausreichend erkannt wird. Diese Vermutung musste jedoch anhand unterschied-

licher einzelner Stationsdaten untersucht werden.

42

8 — Schlussfolgerung

Die Untersuchung der Daten anhand der beschriebenen Methoden erlaubte eine fun-

dierte Analyse der Ubereinstimmung zwischen den IMD-Gitternetz-Stationsdaten

und den TRMM-Satellitendaten fur den Kullu-Distrikt im indischen Himalaya. Die

verwendeten IMD-Daten wurden in dieser Arbeit als der Wirklichkeit entsprechend

angesehen, was zu Fehlern fuhren kann, die hier jedoch nicht einbezogen wurden. Die

Verwendung von direkten Stationsdaten zusatzlich zu den Gitternetzdaten wurden

diese Fehler reduzieren und somit die Bestimmung der Satellitenqualitat erleichtern.

Fur diese Arbeit konnten aus administrativen Grunden nicht ausreichend Stations-

daten zur Verfugung gestellt werden. Jedoch konnten sich zukunftige Forschungs-

arbeiten mit dieser Problematik auseinandersetzen. Ausserdem konnten auch die

TRMM-Gitterfelder wieder in ihrer hoheren 0,25 ◦-Auflosung verwendet werden,

um somit Zusammenhange zu topographischen Gegebenheiten besser erklaren zu

konnen. Auch der Vergleich mit weiteren Datensatzen, wie zum Beispiel Daten von

Regenradar wurde eine bessere Analyse der Qualitat der Satellitenbestimmungen

ermoglichen. Des Weiteren konnte der Einbezug von Temperaturdatensatzen eine

bessere Auswertung der Ergebnisse ermoglichen, um zum Beispiel bei Niederschlag

zwischen Schnee und Regen unterscheiden zu konnen.

Bei der quantitativen Bestimmung der Satellitenqualitat wurden einige bedeuten-

de Masse ausgewahlt, welche einen guten Uberblick ermoglichten. Die Verwendung

der zusatzlichen Trefferrate ETS hat, anders als vermutet, keine signifikanten Un-

terschiede zur Trefferrate TS aufgewiesen. Neben den verwendeten Methoden gibt

es noch zahlreiche weitere Moglichkeiten zur quantitativen Berechnung von Vorher-

sagequalitaten. Die Verwendung dieser und die Umsetzung der anderen genannten

Punkte wurde jedoch den Rahmen der vorliegenden Forschungsarbeit sprengen und

werden fur weitere Untersuchungen in diesem Forschungsfeld empfohlen.

Der Grundgedanke der Arbeit ist, anhand eines Pilotgebietes im indischen Hima-

laya die Qualitat der Satellitendaten zu untersuchen, um anschliessend in Regionen,

welche ahnliche topographische oder klimatische Umstande wie das Kullu-Gebiet

aufweisen, die Bestandigkeit der Satellitendaten besser einschatzen zu konnen. Aus

den diskutierten Ergebnissen lasst sich diesbezuglich schliessen, dass bei der Ver-

43

Kapitel 8. Schlussfolgerung

wendung von Satellitendaten in Regionen, welche dem Kullu-Distrikt ahneln, zu

beachten ist, dass bei hohen Dauerschnee- und Gletschervorkommen die Satelliten-

daten weniger performant sind. Ausserdem werden die Monsunniederschlage generell

eher zu hoch angegeben, die Winterniederschlage eher zu niedrig. Sehr grosse Tages-

niederschlage werden haufig stark unterschatzt, vor allem in Gitterfeldern, welche

starke topographische Variabilitaten aufweisen.

Unter Beachtung dieser genannten Ergebnisse und der vorliegenden Diskussion der

Resultate konnen weitere Untersuchungen von Niederschlagen anhand von TRMM-

Satellitendaten im indischen Himalaya erleichtert werden. Somit kann mit dieser

Arbeit ein Beitrag zur nachhaltigen Bergentwicklung geleistet werden, da das Wissen

uber klimatische Gegebenheiten im indischen Himalaya vertieft und so besser auf

den Klimawandel reagiert werden kann.

44

Literaturverzeichnis

Adler, R. F., Negri, A. J., Keehn, P. R. und Hakkarinen, I. M. (1993). Estimation

of Monthly Rainfall over Japan and Surrounding Waters from a Combination

of Low-Orbit Microwave and Geosynchronous IR Data, American Meteorological

Society, 32: 335–356.

Attri, S. D. und Tyagi, A. (2010). Climate Profile of India. New Delhi, Indien,

Government of India, Ministry of Earth Sciences und India Meteorological De-

partment.

Berg, W., L’Ecuyer, T. und Kummerow, C. (2006). Rainfall climate regimes: The

Relationship of Regional TRMM Rainfall Biases to the Environment, Journal of

Applied Meteorology and Climatology, 45(3): 434–454.

Brown, J. E. M. (2006). An analysis of the performance of hybrid infrared and mi-

crowave satellite precipitation algorithms over India and adjacent regions, Remote

Sensing of Environment, 101: 63–81.

CEE (2012). Community Voices on Climate Change Impact and Adaptation Needs

in Indian Himalayan Region. Lucknow, Indien, CEE Himalaya (Centre for Envi-

ronment Education), Ambassy of Switzerland in India.

Chandel, V. B. S., Brar, K. K. und Chauhan, Y. (2011). RS and GIS Based Landslide

Hazard Zonation of Mountainous Terrains - A Study from Middle Himalayan

Kullu District, Himachal Pradesh, India, International Journal of Geomatics and

Geosciences, 2(1): 121–132.

Ebert, E. E., Janowiak, J. E. und Kidd, C. (2007). Comparison of Near-Real-

Time Precipitation estimates from satellite observations and numerical models,

American Meteorological Society, 88(1): 47–64.

Eumetcal (The European Virtual Organisation for Meteorological Training) (2014).

Eumetcal Verification (Glossary), http://www.eumetcal.org/resources/

ukmeteocal/verification/www/english/msg/ver_cont_var/uos3/uos3_ko1.

htm [aufgerufen am 29.5.2014].

45

Literaturverzeichnis

Frei, C. (2013). Analysis of Climate and Weather Data - Forecast Eva-

luation and Skill Scores. Zurich, Institute for Atmospheric and Clima-

te Sciences, ETH Zurich: http://www.iac.ethz.ch/edu/courses/master/

electives/acwd/Scores1.pdf [aufgerufen am 13.04.2014].

Furuzawa, F. und Nakamura, K. (2005). Differences of Rainfall Estimates over

Land by Tropical Rainfall Measuring Mission (TRMM) Precipitation Radar (PR)

and TRMM Microwave Imager (TMI)-Dependence on Storm Height, American

Meteorological Society, 44: 367–383.

Gardner, J. S. (2002). Natural Hazards Risk in the Kullu District, Himachal Pradesh,

India, The Geographical Review, 92: 282–306.

Government of Himachal Pradesh (2012). State Strategy and Action Plan on Cli-

mate Change. Shimla, Indien, Department of Environment, Science and Techno-

logy, Himachal Pradesh: http://www.indiaenvironmentportal.org.in/files/

file/HPSCCAP.pdf [aufgerufen am 25.03.2014].

Huffman, G. J., Adler, R. F., Bolvin, D. T., Gu, G., Nelkin, E. J., Bowman, K. P.,

Hong, Y., Stocker, E. F. und Wolff, D. B. (2007). The TRMM Multisatellite

Precipitation Annalysis (TMPA): Quasi-Global, Multiyear Combined-Sensor Pre-

cipitation Estimates at Fine Scales, Journal of Hydrometeorology, 8: 38–55.

Kohler, T. und Maselli, D. (2009). Mountains and Climate Change - From Under-

standing to Action. Bern, Geographica Bernensia with the support of the Swiss

Agency for Development and Cooperation (SDC), and an international team of

contributors.

Liu, Z., Ostrenga, D., Teng, W. und Kempler, S. (2012). Tropical Rainfall Measuring

Mission (TRMM) Precipitation Data and Services for Research and Applications,

American Meteorological Society, 93(9): 1317–1325.

Mitra, A. K., Bohra, A., Rajeevan, M. und Krishnamurti, T. N. (2009). Daily Indian

Precipitation Analysis Formed from a Merge of Rain-Gauge Data with the TRMM

TMPA Satellite-Derived Rainfall Estimates, Journal of the Meteorological Society

of Japan, 87A: 265–279.

Mitra, A. K., Momin, I. M., Rajagopal, E. N., Basu, S., Rajeevan, M. und Krishna-

murti, T. N. (2013). Gridded daily Indian monsoon rainfall for 14 seasons: Merged

TRMM and IMD gauge analyzed values, Journal of Earth System Science, 5(122):

1173–1182.

46

Literaturverzeichnis

NASA, GCMD (Global Change Master Directory) (2014). Daily TRMM and

Others Rainfall Estimate (3B42 V7 derived), http://gcmd.gsfc.nasa.gov/

KeywordSearch/Metadata.do?Portal=GCMD&MetadataType=0&MetadataView=

Full&KeywordPath=&EntryId=GES_DISC_TRMM_3B42_daily_V7 [aufgerufen am

28.04.2014].

NOAA (National Oceanic and Atmospheric Administration) (2014). Forecast

Verification Glossary, http://www.swpc.noaa.gov/forecast_verification/

Glossary.html [aufgerufen am 26.05.2014].

Oki, R. und Furuhama, Y. (2007). Japan’s Role in the Present and Future Satellite

observation for Global Water Cycle Research, in Levizzani, V., Bauer, P. und

Turk, F. J. (Hrsg.) Measuring precipitation from Space - EURAINSAT and the

Future. Genf, Schweiz, Springer: 601–609.

Rajeevan, M. und Bhate, J. (2008). A High Resolution Daily Gridded Rainfall

Data Set (1971-2005) for Mesoscale Meteorological Studies. Pune, Indien, Na-

tional Climate Centre, Office of the Additional Director General of Meteorolo-

gy, India Meteorological Department: http://www.imdpune.gov.in/ncc_rept/

RESEARCH%20REPORT%209.pdf [aufgerufen am 01.03.2014].

Rajeevan, M., Bhate, J., Kale, J. und Lal, B. (2005). Development of a High Reso-

lution Daily Gridded Rainfall Data for the Indian Region. Pune, Indien, Natio-

nal Climate Centre und India Meteorological Department: http://apdrc.soest.

hawaii.edu/doc/india_rain_ref_report.pdf [aufgerufen am 01.03.2014].

Rossa, A., Nurmi, P. und Ebert, E. (2008). Overview of methods for the verification

of quantitative percipitation forecasts, in Michaelides, S. C. (Hrsg.) Precipitation:

Advances in Measurement, Estimation and Prediction. Springer: 417–450.

Rudolf, B. und Schneider, U. (2006). Calculation of gridded precipitation data

for the global land-surface using in-situ gauge observations. 2nd Workshop

of the International Precipitation Working Group, Offenbach, Deutsch-

land, Global Precipitation Climatology Centre, Deutscher Wetterdienst:

http://www.dwd.de/bvbw/generator/DWDWWW/Content/Oeffentlichkeit/

KU/KU4/KU42/Publikationen/Calculation,templateId=raw,property=

publicationFile.pdf/Calculation.pdf [aufgerufen am 12.06.2014].

Scheel, M. L. M., Rohrer, M., Huggel, C., Santos Villar, D., Silvestre, E. und Huff-

man, G. (2011). Evaluation of TRMM Multi-satellite Precipitation Analysis

(TMPA) performance in the Central Andes region and its dependency on spatial

and temporal resolution, Hydrology and Earth System Sciences, 15(8): 2649–2663.

47

Literaturverzeichnis

SDC/IHCAP (2013). Policies to Mainstream Adaptation to Climate Change and for

Sustainable Development in the Himalayas - The Role of the Indian Himalayas

Climate Adaptation Programme. New Delhi, Indien, Swiss Agency for Develop-

ment and Cooperation, Indian Himalayas Climate Adaptation Programme.

Singh, R. B. und Roy, S. S. (2002). Climate variability and hydrological extremes in

a Himalayan catchment. ERB and Northern European FRIEND Project 5 Con-

ference, Demanovska, Slowakei: http://147.213.145.2/svh/ERB-abstracts/

Singh_upraveny.pdf [aufgerufen am 13.06.2014].

Singh, T. V. (1989). The Kulu Valley - Impact of Tourism Development in the

Mountain Areas. New Delhi, Indien, Himalayan Books.

Smith, E. A., Asrar, G., Furuhama, Y., Ginati, A., Mugnai, A., Nakamura, K.,

Adler, R. F., Chou, M.-D., Desbois, M., Durning, J. F., Entin, J. K., Einaudi,

F., Ferraro, R. R., Guzzi, R., Houser, P. R., Hwang, P. H., Iguchi, T., Joe, P.,

Kakar, R., Kaye, J. A., Kojima, M., Kummerow, C., Kuo, K.-S., Lettenmaier,

D. P., Levizzani, V., Lu, N., Mehta, A. V., Morales, C., Morel, P., Nakazawa, T.,

Neeck, S. P., Okamoto, K., Oki, R., Raju, G., Shepherd, J. M., Simpson, J., Sohn,

B.-J., Stocker, E. F., Tao, W.-K., Testud, J., Tripoli, G. J., Wood, E. F., Yang, S.

und Zhang, W. (2007). International Global Precipitation Measurement (GPM)

Program and Mission: An overview, in Levizzani, V., Bauer, P. und Turk, F. J.

(Hrsg.) Measuring precipitation from Space - EURAINSAT and the Future. Genf,

Schweiz, Springer: 611–653.

Spektrum der Wissenschaft (2014). Lexikon der Geowissenschaften, http://www.

spektrum.de/lexikon/geowissenschaften [aufgerufen am 25.05.2014].

Strahler, A. H. und Strahler, A. N. (2006). Physische Geographie. Stuttgart, Verlag

Eugen Ulmer.

von Storch, H. und Zwiers, F. (2003). Statistical Analysis in Climate Research.

Cambridge, UK, Cambridge University Press.

Wiedenbeck, M. und Zull, C. (2001). Klassifikation mit Clusteranalyse: Grundle-

gende Techniken hierarchischer und K-means-Verfahren, ZUMA How-to-Reihe,

10: http://www.gesis.org/fileadmin/upload/forschung/publikationen/

gesis_reihen/howto/how-to10mwcz.pdf [aufgerufen am 13.06.2014].

Wilks, D. S. (1995). Statistical Methods in the Atmospheric Sciences, An Introduc-

tion. San Diego, USA, Academic Press.

48

A — Anhang

A.1 Allgemeiner Vergleich der Daten

Tabelle A.1: Jahrlicher Niederschlag, Anzahl an Regentagen sowie Anzahl regenloserTage fur die verschiedenen Jahreszeiten Pre-Monsun, Monsun und Winter fur die IMD-und TRMM-Gitterfelder 1 und 2 sowie fur deren Durchschnitt (IMD ges bzw. TRMMges). Es wurde jeweils der Mittelwert fur den Zeitraum 1998 bis 2005 bestimmt.

Pre$MonsunIMD 1 IMD 2 IMD ges TRMM 1 TRMM 2 TRMM ges

Niederschlag Total (mm/a) 208,27 211,23 209,75 178,04 207,81 192,92

Anzahl Regentage 25,48 26,98 27,73 22,86 29,85 28,48

Anzahl regenlose Tage 66,45 64,96 64,21 64,83 57,71 59,08

MonsunIMD 1 IMD 2 IMD ges TRMM 1 TRMM 2 TRMM ges

Niederschlag Total (mm/a) 857,13 509,43 683,28 831,47 560,63 696,05

Anzahl Regentage 73,82 66,83 77,57 77,57 80,69 84,82

Anzahl regenlose Tage 48,09 55,09 31,85 43,72 40,60 36,48

WinterIMD 1 IMD 2 IMD ges TRMM 1 TRMM 2 TRMM ges

Niederschlag Total (mm/a) 202,59 243,32 222,95 197,01 218,65 207,83

Anzahl Regentage 21,36 26,48 25,61 17,11 19,99 18,49

Anzahl regenlose Tage 129,79 124,66 125,54 126,79 123,92 125,41

49

Abbildung A.1: Darstellung der monatlichen Niederschlagssummen in Grid 1 uber denZeitraum 1998 bis 2005.

0  

50  

100  

150  

200  

250  

300  

350  

400  

1998-­‐01  

1998-­‐04  

1998-­‐07  

1998-­‐10  

1999-­‐01  

1999-­‐04  

1999-­‐07  

1999-­‐10  

2000-­‐01  

2000-­‐04  

2000-­‐07  

2000-­‐10  

2001-­‐01  

2001-­‐04  

2001-­‐07  

2001-­‐10  

2002-­‐01  

2002-­‐04  

2002-­‐07  

2002-­‐10  

2003-­‐01  

2003-­‐04  

2003-­‐07  

2003-­‐10  

2004-­‐01  

2004-­‐04  

2004-­‐07  

2004-­‐10  

2005-­‐01  

2005-­‐04  

2005-­‐07  

2005-­‐10  

Niede

rschlagssumme  pro  Mon

at  (m

m)  

Datum  

TRMM  2   IMD  2  

Abbildung A.2: Darstellung der monatlichen Niederschlagssummen in Grid 2 uber denZeitraum 1998 bis 2005.

0  

100  

200  

300  

400  

500  

600  

700  

1998-­‐01  

1998-­‐04  

1998-­‐07  

1998-­‐10  

1999-­‐01  

1999-­‐04  

1999-­‐07  

1999-­‐10  

2000-­‐01  

2000-­‐04  

2000-­‐07  

2000-­‐10  

2001-­‐01  

2001-­‐04  

2001-­‐07  

2001-­‐10  

2002-­‐01  

2002-­‐04  

2002-­‐07  

2002-­‐10  

2003-­‐01  

2003-­‐04  

2003-­‐07  

2003-­‐10  

2004-­‐01  

2004-­‐04  

2004-­‐07  

2004-­‐10  

2005-­‐01  

2005-­‐04  

2005-­‐07  

2005-­‐10  

Niede

rschlagssumme  pro  Mon

at  (m

m)  

Datum  

TRMM  1   IMD  1  

Abbildung A.3: Darstellung der taglichen Niederschlagssummen uber den Zeitraum 1998bis 2005 fur den Durchschnitt der beiden untersuchten Gitterfelder.

0  

20  

40  

60  

80  

100  

120  

01.01.98  

01.04.98  

01.07.98  

01.10.98  

01.01.99  

01.04.99  

01.07.99  

01.10.99  

01.01.00  

01.04.00  

01.07.00  

01.10.00  

01.01.01  

01.04.01  

01.07.01  

01.10.01  

01.01.02  

01.04.02  

01.07.02  

01.10.02  

01.01.03  

01.04.03  

01.07.03  

01.10.03  

01.01.04  

01.04.04  

01.07.04  

01.10.04  

01.01.05  

01.04.05  

01.07.05  

01.10.05  

Niede

rschlagssumme  pro  Tag  (m

m)  

Datum  

TRMM  gesamt   IMD  gesamt  

50

Tabelle A.2: Durchschnitt, maximaler Monatswert, Varianz, Standardabweichung, Kor-relation, Bias und RMSE der Monatsniederschlagssummen fur Grid 1, Grid 2 und Gridgesamt, jeweils fur IMD und TRMM (1998–2005).

Grid 1 Grid 2 Grid ges. Durchsch. IMD 105,74 80,39 93,06Durchsch. TRMM 118,18 93,80 105,99Maximum IMD 578,30 355,70 377,45Maximum TRMM 410,59 321,93 348,66Varianz IMD 14817,68 5112,06 8414,04Varianz TRMM 12359,38 5399,99 8226,32Std.abw. IMD 111,17 73,48 90,70Std.abw. TRMM 10,54 8,57 9,52Korrelation 0,87 0,86 0,90BIAS (ME) -1,92 5,83 1,95RMSE 55,27 33,30 37,10

51

A.2 Ordinale Skalierung der Daten

Tabelle A.3: Absolute Anzahl von Ereignissen in den unterschiedlichen Niederschlags-klassen fur monatliche (a) und tagliche (b) Niederschlagssummen (1998–2005).

(a) Monatliche Niederschlagsklassen

Klasse TRMM 1 IMD 1 TRMM 2 IMD 2 TRMM ges. IMD ges. <10mm 11 17 6 15 10 1710-50mm 11 23 17 27 11 2050-100mm 16 21 15 20 17 23100-150mm 12 13 17 17 12 17150-200mm 3 7 7 12 7 9200-250mm 4 4 3 3 5 1250-300mm 3 2 2 1 2 3300-350mm 5 2 1 0 4 3350-400mm 2 4 0 1 0 3>400mm 1 3 0 0 0 0Keine Daten 28 0 28 0 28 0

(b) Tagliche Niederschlagsklassen

Klasse TRMM1 IMD 1 TRMM2 IMD 2 TRMM ges. IMD ges.<1mm 1884 1944 1776 1920 1769 18581-5mm 430 417 618 526 591 5375-10mm 203 233 219 242 205 24510-15mm 107 122 82 95 88 11615-20mm 59 67 52 52 63 6520-50mm 129 121 66 81 99 9350-80mm 11 16 9 6 7 8>80mm 2 2 2 0 2 0Keine Daten 97 0 98 0 98 0

52

Abbildung A.4: Haufigkeit der Ereignisse in verschiedenen Niederschlagsklassen in Pro-zent fur Grid 1 (a), Grid 2 (b) sowie Grid gesamt (c) fur den Zeitraum 1998–2005, jeweilsfur die IMD und die TRMM-Werte. Bei den Monaten Oktober bis Dezember ist die sich aufGrund der grossen Anzahl an Daten unter 1mm Niederschlag andernde Skala der x-Achsezu beachten.

(a) Gitterfeld Grid 1

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  1  

IMD  1  

Januar  

<1mm   1-­‐5mm   5-­‐10mm   10-­‐15mm   15-­‐20mm   20-­‐50mm   >50mm  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  1  

IMD  1  

Februar  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  1  

IMD  1  

März  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  1  

IMD  1  

April  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  1  

IMD  1  

Mai  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  1  

IMD  1  

Juni  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  1  

IMD  1  

Juli  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  1  

IMD  1  

August  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  1  

IMD  1  

September  

86%   88%   90%   92%   94%   96%   98%   100%  

TRMM  1  

IMD  1  

Oktober  

90%   91%   92%   93%   94%   95%   96%   97%   98%   99%   100%  

TRMM  1  

IMD  1  

November  

91%   92%   93%   94%   95%   96%   97%   98%   99%   100%  

TRMM  1  

IMD  1  

Dezember  

53

(b) Gitterfeld Grid 2

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

Januar  <1mm   1-­‐5mm   5-­‐10mm   10-­‐15mm   15-­‐20mm   20-­‐50mm   >50mm  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

Februar  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

März  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

April  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

Mai  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

Juni  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

Juli  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

August  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

September  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

Oktober  

86%   88%   90%   92%   94%   96%   98%   100%  

TRMM  2  

IMD  2  

November  

82%   84%   86%   88%   90%   92%   94%   96%   98%   100%  

TRMM  2  

IMD  2  

Dezember  

54

(c) Durchschnitt der Gitterfelder, Grid gesamt

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  ges.  

IMD_grid_moy  

Januar  <1mm   1-­‐5mm   5-­‐10mm   10-­‐15mm   15-­‐20mm   20-­‐50mm   >50mm  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  ges.  

IMD_grid_moy  

Februar  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  ges.  

IMD_grid_moy  

März  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  ges.  

IMD_grid_moy  

April  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  ges.  

IMD_grid_moy  

Mai  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  ges.  

IMD_grid_moy  

Juni  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  ges.  

IMD_grid_moy  

Juli  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  ges.  

IMD_grid_moy  

August  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  ges.  

IMD_grid_moy  

September  

82%   84%   86%   88%   90%   92%   94%   96%   98%   100%  

TRMM  ges.  

IMD_grid_moy  

Oktober  

86%   88%   90%   92%   94%   96%   98%   100%  

TRMM  ges.  

IMD_grid_moy  

November  

86%   88%   90%   92%   94%   96%   98%   100%  

TRMM  ges.  

IMD_grid_moy  

Dezember  

55

Tabelle A.4: Absolute Anzahl an Ereignissen in den unterschiedlichen Niederschlagsklas-sen (Tagessummen) fur die verschiedenen Monate (1998–2005).

TRMM1

IMD 1

TRMM2

IMD 2

TRMM ges.

IMD ges.

JANUAR<1mm 200 195 199 196 198 1941-5mm 13 26 11 18 14 255-10mm 7 11 13 13 9 1010-15mm 5 9 5 6 4 915-20mm 7 2 5 3 5 220-50mm 8 5 8 12 10 8>50mm 1 0 0 0 1 0keine Daten 7 0 7 0 7 0FEBRUAR<1mm 149 195 160 133 155 1351-5mm 22 26 13 44 13 455-10mm 7 11 4 20 10 2010-15mm 3 9 3 10 4 715-20mm 1 2 4 7 0 820-50mm 13 5 10 12 12 11>50 1 0 2 0 2 0keine Daten 30 0 30 0 30 0MÄRZ<1mm 167 189 144 175 146 1761-5mm 26 20 44 28 44 325-10mm 12 19 13 21 12 1810-15mm 5 4 4 11 4 715-20mm 2 4 6 6 8 620-50mm 7 11 7 7 4 9>50 0 1 0 0 0 0keine Daten 29 0 30 0 30 0APRIL<1mm 178 178 157 162 161 1671-5mm 36 36 58 43 56 405-10mm 12 14 12 17 9 1810-15mm 5 7 2 9 4 915-20mm 4 2 3 4 4 320-50mm 1 3 4 5 2 3>50 1 0 1 0 1 0keine Daten 3 0 3 0 3 0MAI<1mm 174 162 159 170 166 1621-5mm 42 48 58 47 53 525-10mm 11 19 15 17 9 2010-15mm 5 9 3 9 7 615-20mm 8 5 3 4 3 620-50mm 6 5 8 1 8 2>50 0 0 0 0 0 0keine Daten 2 0 2 0 2 0JUNI<1mm 109 110 104 127 99 1071-5mm 59 66 84 75 79 825-10mm 44 26 32 24 42 2210-15mm 12 17 12 6 7 1315-20mm 6 6 4 3 5 620-50mm 10 13 4 5 8 10>50 0 2 0 0 0 0keine Daten 0 0 0 0 0 0

TRMM1

IMD 1

TRMM2

IMD 2

TRMM ges.

IMD ges.

JULI<1mm 54 65 47 88 38 631-5mm 69 57 105 80 100 765-10mm 37 53 44 44 44 5210-15mm 34 27 26 14 20 2315-20mm 14 10 11 5 19 1420-50mm 34 30 13 15 25 17>50 6 6 2 2 2 3keine Daten 0 0 0 0 0 0AUGUST<1mm 75 74 65 78 54 611-5mm 72 53 111 93 110 865-10mm 40 50 46 43 33 4510-15mm 20 17 13 13 23 2115-20mm 9 19 6 8 11 1120-50mm 28 29 4 13 14 22>50 3 6 2 0 2 2keine Daten 1 0 1 0 1 0SEPTEMBER<1mm 112 128 108 129 101 1201-5mm 59 55 73 54 78 625-10mm 27 18 28 27 25 2710-15mm 12 17 9 12 10 1515-20mm 6 10 8 9 7 820-50mm 20 11 8 8 15 7>50 0 1 2 1 0 1keine Daten 4 0 4 0 4 0OKTOBER<1mm 219 229 197 221 212 2251-5mm 12 8 33 16 19 115-10mm 2 3 5 3 5 510-15mm 4 2 2 2 1 215-20mm 1 1 1 1 1 020-50mm 1 3 0 2 1 3>50 1 2 2 3 1 2keine Daten 8 0 8 0 8 0NOVEMBER<1mm 217 226 211 221 213 2211-5mm 11 7 16 13 14 135-10mm 3 5 4 4 4 410-15mm 0 0 1 1 1 115-20mm 0 1 0 0 0 020-50mm 1 1 0 1 0 1>50 0 0 0 0 0 0keine Daten 8 0 8 0 8 0DEZEMBER<1mm 230 237 225 220 226 2271-5mm 9 3 12 15 11 135-10mm 1 4 3 9 3 410-15mm 2 3 2 2 3 315-20mm 1 1 1 2 0 120-50mm 0 0 0 0 0 0>50 0 0 0 0 0 0keine Daten 5 0 5 0 5 0

56

Abbildung A.5: Haufigkeit der Ereignisse fur verschiedene Klassen der taglichen Nieder-schlage (1998–2005) fur die verschiedenen Jahreszeiten. Angegeben ist die Haufigkeit derEreignisse in Prozent fur die Gitterfelder Grid 1 (a) und Grid 2 (b), jeweils fur die IMD-und die TRMM-Daten.

(a) Grid 1

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  1  

IMD  1  

Pre-­‐Monsun  

<1   1-­‐5mm   5-­‐10mm   10-­‐15mm   15-­‐20mm   20-­‐50mm   >50  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  1  

IMD  1  

Monsun  

<1   1-­‐5mm   5-­‐10mm   10-­‐15mm   15-­‐20mm   20-­‐50mm   >50  

80%   82%   84%   86%   88%   90%   92%   94%   96%   98%   100%  

TRMM  1  

IMD  1  

Winter  

<1   1-­‐5mm   5-­‐10mm   10-­‐15mm   15-­‐20mm   20-­‐50mm   >50  

(b) Grid 2

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

Pre-­‐Monsun  

<1   1-­‐5mm   5-­‐10mm   10-­‐15mm   15-­‐20mm   20-­‐50mm   >50  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

Monsun  

<1   1-­‐5mm   5-­‐10mm   10-­‐15mm   15-­‐20mm   20-­‐50mm   >50  

0%   10%   20%   30%   40%   50%   60%   70%   80%   90%   100%  

TRMM  2  

IMD  2  

Winter  

<1   1-­‐5mm   5-­‐10mm   10-­‐15mm   15-­‐20mm   20-­‐50mm   >50  

57

A.3 Quantitative Bestimmung der Bestandigkeit

der Satellitendaten

Tabelle A.5: Kontingenzwerte sowie statistische Berechnungen der Tagesniederschlagefur die Gitterfelder Grid 1 (a) und Grid 2 (b) sowie deren Durchschnitt Grid gesamt (c)fur die verschiedenen Monate (1998–2005). Die Variablen a bis d entsprechen den Wertender Kontingenztafeln (siehe Tabelle 5.1).

(a)Grid 1 JAN FEB MÄRZ APR MAI JUN JUL AUG SEP OKT NOV DEZ

a 21,00 28,00 23,00 30,00 34,00 88,00 147,00 123,00 80,00 8,00 3,00 3,00b 20,00 19,00 29,00 29,00 38,00 43,00 47,00 49,00 44,00 13,00 12,00 10,00c 32,00 32,00 27,00 30,00 49,00 41,00 35,00 47,00 29,00 10,00 11,00 6,00d 168,00 117,00 140,00 148,00 125,00 68,00 19,00 28,00 83,00 209,00 206,00 224,00Durchsch. IMD 1,67 3,08 2,74 1,73 2,30 5,19 9,15 9,38 4,24 1,26 0,41 0,40Durchsch. TRMM 2,36 3,06 2,08 1,75 2,26 4,31 9,94 7,82 5,20 1,05 0,33 0,33Maximum IMD 29,90 41,80 72,60 37,50 29,50 57,40 73,80 93,40 63,90 66,50 23,30 19,70Maximum TRMM 60,61 59,36 47,86 80,29 47,25 47,50 77,51 68,26 44,18 112,84 20,14 15,20Varianz IMD 20,45 47,04 58,08 21,61 23,48 97,70 158,22 200,46 66,06 48,29 4,60 4,39Varianz TRMM 51,11 73,45 32,31 38,21 31,81 49,93 164,16 127,94 80,09 59,48 2,79 2,66Std.abw. IMD 4,52 6,86 7,62 4,65 4,85 9,88 12,58 14,16 8,13 6,95 2,15 2,10Std.abw. TRMM 7,15 8,57 5,68 6,18 5,64 7,07 12,81 11,31 8,95 7,71 1,67 1,63Korrelation 0,32 0,32 0,28 0,19 0,15 0,39 0,42 0,25 0,48 0,23 0,10 0,33H 0,78 0,74 0,74 0,75 0,65 0,65 0,67 0,61 0,69 0,90 0,90 0,93TS 0,29 0,35 0,29 0,34 0,28 0,51 0,64 0,56 0,52 0,26 0,12 0,16ETS 0,28 0,35 0,28 0,33 0,27 0,49 0,62 0,54 0,51 0,25 0,11 0,16POD 0,40 0,47 0,46 0,50 0,41 0,68 0,81 0,72 0,73 0,44 0,21 0,33FAR 0,49 0,40 0,56 0,49 0,53 0,33 0,24 0,28 0,35 0,62 0,80 0,77FBI 0,77 0,78 1,04 0,98 0,87 1,02 1,07 1,01 1,14 1,17 1,07 1,44BIAS (ME) 0,62 -0,02 -0,68 0,15 -0,03 -0,89 0,78 -1,43 0,87 -0,24 -0,09 0,00RMSE 7,06 8,43 7,93 6,66 6,84 9,68 13,63 15,71 8,69 9,00 2,57 2,07

58

(b)Grid 2JAN FEB MÄRZ APR MAI JUN JUL AUG SEP OKT NOV DEZ

a 22,00 26,00 27,00 33,00 31,00 80,00 134,00 126,00 76,00 11,00 5,00 2,00b 20,00 10,00 47,00 46,00 55,00 56,00 66,00 56,00 52,00 32,00 16,00 16,00c 30,00 50,00 33,00 38,00 43,00 28,00 22,00 34,00 34,00 16,00 13,00 21,00d 169,00 110,00 111,00 120,00 117,00 76,00 26,00 31,00 74,00 181,00 198,00 204,00Durchsch. IMD 2,26 3,53 2,68 2,34 1,88 2,67 5,44 4,69 3,85 1,28 0,43 0,68Durchsch. TRMM 2,35 3,42 2,48 2,17 2,47 3,34 6,40 4,52 4,17 1,32 0,41 0,42Maximum IMD 32,20 36,80 43,00 40,30 26,70 45,50 56,30 38,00 53,80 59,10 23,10 18,90Maximum TRMM 44,72 71,45 28,27 96,10 48,77 49,55 50,97 72,08 56,75 92,19 10,92 19,93Varianz IMD 34,08 46,99 38,85 29,25 14,65 32,09 76,73 44,38 51,95 47,70 3,87 5,92Varianz TRMM 50,74 115,69 30,74 53,81 38,79 31,14 70,36 51,09 60,47 52,14 2,04 3,69Std.abw. IMD 5,84 6,85 6,23 5,41 3,83 5,66 8,76 6,66 7,21 6,91 1,97 2,43Std.abw. TRMM 7,12 10,76 5,54 7,34 6,23 5,58 8,39 7,15 7,78 7,22 1,43 1,92Korrelation 0,25 0,32 0,25 0,12 0,04 0,14 0,31 0,17 0,46 0,33 0,04 0,01H 0,79 0,69 0,63 0,65 0,60 0,65 0,65 0,64 0,64 0,80 0,88 0,85TS 0,31 0,30 0,25 0,28 0,24 0,49 0,60 0,58 0,47 0,19 0,15 0,05ETS 0,30 0,29 0,24 0,27 0,23 0,47 0,58 0,56 0,45 0,18 0,14 0,05POD 0,42 0,34 0,45 0,46 0,42 0,74 0,86 0,79 0,69 0,41 0,28 0,09FAR 0,48 0,28 0,64 0,58 0,64 0,41 0,33 0,31 0,41 0,74 0,76 0,89FBI 0,81 0,47 1,23 1,11 1,16 1,26 1,28 1,14 1,16 1,59 1,17 0,78BIAS (ME) 0,02 -0,19 -0,23 -0,03 0,59 0,66 0,95 -0,12 0,25 0,00 -0,03 -0,18RMSE 7,93 9,99 6,91 8,24 7,17 7,37 10,09 8,83 7,73 8,09 2,37 2,96

(c)Grid DurchschnittJAN FEB MÄRZ APR MAI JUN JUL AUG SEP OKT NOV DEZ

a 27,00 30,00 31,00 38,00 34,00 98,00 163,00 154,00 87,00 9,00 4,00 4,00b 16,00 11,00 41,00 38,00 46,00 43,00 47,00 39,00 48,00 19,00 15,00 13,00c 27,00 44,00 28,00 31,00 48,00 35,00 21,00 31,00 31,00 13,00 15,00 14,00d 171,00 111,00 118,00 130,00 118,00 64,00 17,00 23,00 70,00 199,00 198,00 212,00Durchsch. IMD 1,96 3,31 2,71 2,04 2,09 3,93 7,30 7,04 4,04 1,27 0,42 0,54Durchsch. TRMM 2,35 3,24 2,29 1,96 2,36 3,82 8,17 6,17 4,68 1,19 0,37 0,38Maximum IMD 25,30 37,85 48,85 38,90 22,65 46,80 62,65 55,70 58,85 61,95 20,30 19,30Maximum TRMM 52,67 64,92 33,49 88,19 48,01 48,53 55,28 54,94 45,52 102,52 14,90 13,41Varianz IMD 24,40 42,92 44,85 23,21 16,15 50,33 99,69 89,44 51,09 47,11 3,49 4,76Varianz TRMM 47,06 87,18 25,97 43,48 32,77 36,71 100,19 72,39 63,30 52,34 2,05 2,46Std.abw. IMD 4,94 6,55 6,70 4,82 4,02 7,09 9,98 9,46 7,15 6,86 1,87 2,18Std.abw. TRMM 6,86 9,34 5,10 6,59 5,72 6,06 10,01 8,51 7,96 7,23 1,43 1,57Korrelation 0,31 0,32 0,27 0,17 0,12 0,29 0,42 0,25 0,52 0,30 0,09 0,18H 0,82 0,72 0,68 0,71 0,62 0,68 0,73 0,72 0,67 0,87 0,87 0,89TS 0,39 0,35 0,31 0,36 0,27 0,56 0,71 0,69 0,52 0,22 0,12 0,13ETS 0,38 0,34 0,30 0,34 0,25 0,54 0,69 0,67 0,51 0,22 0,11 0,13POD 0,50 0,41 0,53 0,55 0,41 0,74 0,89 0,83 0,74 0,41 0,21 0,22FAR 0,37 0,27 0,57 0,50 0,58 0,30 0,22 0,20 0,36 0,68 0,79 0,76FBI 0,80 0,55 1,22 1,10 0,98 1,06 1,14 1,04 1,14 1,27 1,00 0,94BIAS (ME) 0,32 -0,11 -0,45 0,06 0,28 -0,11 0,87 -0,78 0,56 -0,12 -0,06 -0,09RMSE 7,04 8,80 6,98 7,14 6,57 7,84 10,77 10,95 7,38 8,28 2,23 2,34

59

Tabelle A.6: Durchschnitt (Niederschlagssumme pro Monat), maximaler Monatswert,Varianz, Standardabweichung, Korrelation, Bias und RMSE der Monatsniederschlagssum-men fur alle Monate und die Jahreszeiten, jeweils fur IMD und TRMM (1998–2005) inGrid 1, Grid 2 und Grid gesamt.

Grid 1 JAN FEB MÄRZ APR MAI JUN JUL

Durchsch. IMD 51,90 87,15 85,03 52,00 71,39 155,83 283,76Durchsch. TRMM 63,77 82,19 33,95 43,58 77,68 129,27 308,00Maximum IMD 86,80 170,10 204,60 93,50 111,80 456,10 499,70Maximum TRMM 114,36 124,54 59,41 73,73 107,18 245,63 410,59Varianz IMD 1034,89 3939,99 5399,56 987,09 1273,14 18687,33 16278,37Varianz TRMM 1426,28 1240,11 631,73 1107,21 873,89 3431,54 8354,10Std.abw. IMD 32,17 62,77 73,48 31,42 35,68 136,70 127,59Std.abw. TRMM 37,77 35,22 25,13 33,27 29,56 58,58 91,40Korrelation 0,66 0,88 0,70 0,93 0,58 0,94 0,47BIAS (ME) 11,14 -1,00 -11,16 -0,26 0,26 -26,56 24,23RMSE 24,99 27,89 22,32 9,50 22,03 83,17 112,04

Grid 2JAN FEB MÄRZ APR MAI JUN JUL

Durchsch. IMD 69,93 99,85 82,96 70,25 58,16 80,15 168,79Durchsch. TRMM 71,46 93,84 57,43 51,66 82,34 100,06 198,34Maximum IMD 161,30 194,80 163,70 147,30 109,40 149,90 255,20Maximum TRMM 115,43 119,47 84,85 94,68 105,52 201,16 286,74Varianz IMD 2921,11 5524,89 3820,48 2172,63 1103,58 2105,97 6634,84Varianz TRMM 2469,31 1039,85 1431,80 1527,17 676,79 2986,20 5083,63Std.abw. IMD 54,05 74,33 61,81 46,61 33,22 45,89 81,45Std.abw. TRMM 49,69 32,25 37,84 39,08 26,02 54,65 71,30Korrelation 0,50 0,72 0,78 0,96 0,49 0,91 0,64BIAS (ME) -3,94 -6,31 -7,94 0,15 19,53 19,91 29,55RMSE 41,46 47,87 19,97 8,25 32,13 29,01 67,68

Grid gesamtJAN FEB MÄRZ APR MAI JUN JUL

Durchsch. IMD 60,91 93,50 83,99 61,13 64,78 117,99 226,28Durchsch. TRMM 67,62 88,02 45,69 47,62 80,01 114,67 253,17Maximum IMD 109,00 158,20 170,15 112,90 98,00 303,00 377,45Maximum TRMM 114,61 112,55 72,13 84,20 104,62 223,39 348,66Varianz IMD 1611,39 3978,71 4396,59 1423,19 953,94 7676,70 10211,48Varianz TRMM 1827,12 1019,14 955,33 1301,98 755,41 3122,26 6402,35Std.abw. IMD 40,14 63,08 66,31 37,73 30,89 87,62 101,05Std.abw. TRMM 42,74 31,92 30,91 36,08 27,48 55,88 80,01Korrelation 0,59 0,78 0,76 0,97 0,58 0,94 0,58BIAS (ME) 3,60 -3,66 -9,55 -0,06 9,89 -3,32 26,89RMSE 28,84 34,35 20,80 6,42 22,67 37,83 84,25

AUG SEP OKT NOV DEZPre-

Monsun Monsun Winter290,89 127,24 39,11 12,26 12,30 69,47 214,43 40,55243,67 166,67 36,02 10,13 7,93 56,13 213,92 41,86578,30 381,40 148,80 33,10 44,70 204,60 578,30 170,10331,27 324,64 137,59 21,14 23,26 107,18 410,59 137,59

24483,78 12164,59 3730,08 162,14 279,45 2522,84 21768,29 2441,834212,91 8549,66 4586,67 49,15 99,05 1162,41 10651,60 2056,08156,47 110,29 61,07 12,73 16,72 50,23 147,54 49,4164,91 92,46 67,72 7,01 9,95 34,09 103,21 45,340,85 0,91 1,00 0,47 -0,49 0,74 0,75 0,89

-39,37 16,49 2,47 -3,48 4,22 -3,72 -6,30 2,67111,43 45,61 4,97 10,16 9,52 18,92 106,40 23,24

AUG SEP OKT NOV DEZPre-

Monsun Monsun Winter145,45 115,39 39,81 12,96 20,94 70,46 127,44 48,70143,08 138,57 48,85 12,40 11,16 66,04 145,52 49,34187,70 355,70 140,50 37,50 70,50 163,70 355,70 194,80172,71 321,93 157,87 25,90 28,04 105,52 321,93 157,871965,96 11269,23 3510,83 162,37 653,33 2266,85 6101,83 3357,89478,70 10003,95 5283,74 81,33 139,00 1169,77 5305,78 2510,2844,34 106,16 59,25 12,74 25,56 47,61 78,11 57,9521,88 100,02 72,69 9,02 11,79 34,20 72,84 50,100,60 0,96 0,99 0,83 0,27 0,66 0,84 0,800,02 11,22 6,42 -2,50 3,80 3,91 15,17 -0,5033,21 31,38 12,08 6,96 9,52 22,35 50,03 37,84

AUG SEP OKT NOV DEZPre-

Monsun Monsun Winter218,17 121,31 39,46 12,61 16,62 69,96 170,94 44,62193,37 152,62 42,44 11,27 9,55 61,09 179,72 45,60365,20 368,55 144,65 32,40 57,60 170,15 377,45 158,20251,99 323,28 147,73 23,52 25,65 104,62 348,66 147,737710,30 11562,12 3600,08 125,45 435,99 2166,57 11116,10 2671,281737,82 9211,34 4927,92 63,69 114,83 1127,85 7352,85 2231,3987,81 107,53 60,00 11,20 20,88 46,55 105,43 51,6841,69 95,98 70,20 7,98 10,72 33,58 85,75 47,240,87 0,94 1,00 0,73 0,02 0,73 0,82 0,86

-19,67 13,85 4,45 -2,99 4,01 0,10 4,44 1,0857,66 38,21 8,24 7,10 9,41 18,15 66,62 27,20

60

Tabelle A.7: Statistische Indizes fur verschiedene Niederschlagsklassen taglicher Nieder-schlagssummen fur die Gitterfelder 1 und 2 sowie deren Durchschnitt. Die Variablen a bisd entsprechen den Werten der Kontingenztafeln (siehe Tabelle 5.1).

Grid 1<1mm 1-5mm 5-10mm 10-15mm 15-20mm 20-50mm 50-80mm >80mm

a 0,00 202,00 141,00 86,00 47,00 96,00 14,00 2,00b 346,00 7,00 0,00 0,00 0,00 0,00 0,00 0,00c 0,00 189,00 83,00 34,00 19,00 22,00 2,00 0,00d 1530,00 5,00 0,00 0,00 0,00 0,00 0,00 0,00Korr. 0,14 0,03 0,07 -0,01 -0,04 0,13 0,18 1,00H 0,82 0,51 0,63 0,72 0,71 0,81 0,88 1,00TS 0,00 0,51 0,63 0,72 0,71 0,81 0,88 1,00ETS 0,00 0,47 0,61 0,71 0,71 0,81 0,87 1,00POD - 0,52 0,63 0,72 0,71 0,81 0,88 1,00FAR 1,00 0,03 0,00 0,00 0,00 0,00 0,00 0,00FBI - 0,53 0,63 0,72 0,71 0,81 0,88 1,00BIAS (ME) 1,31 2,14 -0,38 -5,17 -5,44 -15,02 -39,43 -78,31RMSE 4,91 8,40 10,49 10,65 17,99 21,62 43,87 78,34

Grid 2<1mm 1-5mm 5-10mm 10-15mm 15-20mm 20-50mm 50-80mm >80mm

a 0,00 267,00 151,00 59,00 31,00 60,00 5,00 0,00b 453,00 19,00 0,00 0,00 0,00 0,00 0,00 0,00c 0,00 207,00 81,00 34,00 20,00 19,00 1,00 0,00d 1400,00 17,00 0,00 0,00 0,00 0,00 0,00 0,00Korr. 0,05 0,05 0,07 -0,02 -0,06 0,03 -0,18 -H 0,76 0,56 0,65 0,63 0,61 0,76 0,83 -TS 0,00 0,54 0,65 0,63 0,61 0,76 0,83 -ETS 0,00 0,49 0,63 0,63 0,60 0,75 0,83 -POD - 0,56 0,65 0,63 0,61 0,76 0,83 -FAR 1,00 0,07 0,00 0,00 0,00 0,00 0,00 -FBI - 0,60 0,65 0,63 0,61 0,76 0,83 -BIAS (ME) 1,44 1,18 -0,77 -7,26 -11,08 -16,49 -30,09 -RMSE 5,08 6,31 11,58 9,78 14,19 22,16 37,77 -

Grid Durchschnitt<1mm 1-5mm 5-10mm 10-15mm 15-20mm 20-50mm 50-80mm >80mm

a 0,00 298,00 162,00 87,00 52,00 73,00 7,00 0,00b 370,00 6,00 0,00 0,00 0,00 0,00 0,00 0,00c 0,00 208,00 72,00 28,00 12,00 17,00 1,00 0,00d 1421,00 10,00 0,00 0,00 0,00 0,00 0,00 0,00Korr. 0,11 0,12 0,04 0,00 0,01 0,01 0,65 -H 0,79 0,59 0,69 0,76 0,81 0,81 0,88 -TS 0,00 0,58 0,69 0,76 0,81 0,81 0,88 -ETS 0,00 0,53 0,67 0,75 0,81 0,81 0,87 -POD - 0,59 0,69 0,76 0,81 0,81 0,88 -FAR 1,00 0,02 0,00 0,00 0,00 0,00 0,00 -FBI - 0,60 0,69 0,76 0,81 0,81 0,88 -BIAS (ME) 1,21 1,69 -1,13 -4,41 -8,58 -15,57 -33,24 -RMSE 4,50 7,57 8,52 12,87 12,73 21,64 37,33 -

61