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