dc.contributor.author
Blume, Christian
dc.date.accessioned
2018-06-08T01:48:20Z
dc.date.available
2012-07-17T07:58:54.248Z
dc.identifier.uri
https://refubium.fu-berlin.de/handle/fub188/13901
dc.identifier.uri
http://dx.doi.org/10.17169/refubium-18099
dc.description.abstract
The Variability of the stratosphere is crucial for the evolution of the Earth-
climate system as a whole. Stratospheric variability on various time scales is
influenced by a number of forcings, such as the Quasi-Biennial Oscillation,
the El Nino- Southern Oscillation, the 11-yr solar cycle, or volcanic
eruptions, that interact to create a complex system. This link is particularly
nonlinear during winter when planetary waves can propagate upward to interact
with the stratospheric mean flow. Most commonly, sophisticated chemistry-
climate models simulate stratospheric variability, driven by the interactions
between dynamics, radiation, and chemistry. However, climate models are
computationally expensive and quantifying the importance of forcing factors is
difficult. In contrast, statistical methods are mathematically simpler,
computationally less expensive, and weight forcing factors according to their
importance. Statistical methods learn variability patterns from historical
data and can potentially forecast these patterns into the future. For the
first time, a wide class of statistical methods is used in this work to model
stratospheric variability in data from observations, reanalyses, and model
simulations. The statistical methods are partly nonlinear and nonstationary
making them appropriate to cope with the complex feedbacks that govern the
stratosphere. These advanced methods, along with a standard linear method, are
compared with respect to their ability to model stratospheric variables on
different temporal and spatial domains. The considered methods are linear
discriminant analysis (LDA), a cluster method based on finite elements (FEM-
VARX), a neural network, namely the multi-layer perceptron (MLP), and the
support vector machine (SVM). It is shown how an optimal, method-specific set
of tuning parameters is estimated using information criteria along with cross-
validation. A prominent example of dynamical wave-mean flow interactions
during winter are sudden strato- spheric warmings (SSWs). SSWs are dramatic
extreme events characterized by a great temperature increase on daily time
scales and a breakdown of the polar vortex. While the resulting anomalies can
descend downward and provide predictive skill for tropospheric weather
conditions, forecasting SSWs themselves remains a difficult task. It is shown
in this work that polar stratospheric variability can be modeled and
forecasted using nonlinear and nonstationary statistical methods while
incorporating all significant forcing factors. Moreover, an approach based on
a nonlinear neural network is presented that can classify SSWs in major,
minor, and final warmings for the recent climate. The statistical importance
of the forcing factors and their nonlinear interrelationships are estimated.
In addition, global stratospheric temperature and ozone are statistically
modeled due to their specific importance for indicating changes in dynamics
and composition. The four statistical methods are used to quantify the natural
variability inherent in the stratosphere so that the impact of anthropogenic
forcings can be attributed appropriately. Considering various data sets along
with the different independent statistical methods makes it feasible to
estimate robust uncertainties. Using the statistical methods, variability in
temperature and ozone is successfully forecasted up to the year 2100. It is
shown in this work that the standard linear method leads to robust results on
the monthly scale but is clearly outperformed by the advanced methods on the
daily scale.
de
dc.description.abstract
Die Variabilität der Stratosphäre ist entscheidend für die Entwicklung des
gesamten Klimasystems. Stratosphärische Variabilität auf verschiedenen
Zeitskalen wird beeinflusst durch eine Anzahl von Antrieben wie der Quasi-
zweijährigen Oszillation, der El Nino- Southern Oscillation, dem 11- jährigen
solaren Zyklus oder Vulkanausbrüchen welche interagieren und ein komplexes
System erzeugen. Diese Verknüpfung ist besonders nicht-linear im Winter, wenn
sich planetare Wellen vertikal ausbreiten und mit dem stratosphärischen
Grundstrom interagieren. Normalerweise simulieren fortschrittliche Klima-
Chemie- Modelle stratosphärische Variabilität, die von den Wechselwirkungen
zwischen Dynamik, Strahlung und Chemie bestimmt wird. Klimamodelle sind jedoch
rechenintensiv und machen es schwierig die Bedeutung von Antriebsfaktoren zu
quantifizieren. Im Gegensatz dazu sind statistische Methoden mathematisch
einfacher, rechnerisch weniger anspruchsvoll, und gewichten Faktoren nach
ihrer Bedeutung. Statistische Methoden lernen Variabilitätsmuster aus
historischen Daten und können diese Muster potentiell vorhersagen. Zum ersten
Mal wird in dieser Arbeit eine breite Klasse von statistischen Methoden
verwendet, um stratosphärische Variabilität in Daten aus Beobachtungen,
Reanalysen und Modellsimulationen zu modellieren. Die statistischen Methoden
sind teilweise nicht-linear und nicht-stationär, so dass sie mit den komplexen
stratosphärischen Feedbacks angemessen umgehen. Diese fortschrittlichen
Methoden, zusammen mit einem standard linearem Verfahren, werden verglichen
mit Bezug zur Fähigkeit der Modellierung von stratosphärischen Variablen auf
verschiedenen zeitlichen und räumlichen Domänen. Die verwendeten Verfahren
sind die lineare Diskriminantenanalyse (LDA), ein Cluster-Verfahren basierend
auf finiten Elementen (FEM-VARX), ein neuronales Netz, nämlich das Multilayer
Perceptron (MLP) und die Support Vector Machine (SVM). Es wird gezeigt, wie
ein optimaler, methoden-spezifischer Satz von Tuning-Parametern mit Hilfe von
Informationskriterien und Kreuzvalidierung bestimmt werden kann. Ein
prominentes Beispiel für dynamische Interaktionen von Wellen mit dem
Grundstrom während des Winters sind plötzliche Stratosphärenerwärmungen
(SSWs). SSWs sind dramatische Extremereignisse, gekennzeichnet durch einen
starken Temperaturanstieg auf täglichen Zeitskalen und einem Zusammenbruch des
Polarwirbels. Die daraus resultierenden Anomalien können sich nach unten
fortsetzen und bieten Potential für die Vorhersage von troposphärischen
Wetterlagen. Prognosen für SSWs selbst sind jedoch besonders schwierig. Es
wird in dieser Arbeit gezeigt, dass polare stratosphärische Variabilität mit
nicht-linearen und nicht-stationären statistischen Methoden modelliert und
prognostiziert werden kann, so lange alle signifikanten Faktoren miteinbezogen
werden. Darüber hinaus wird ein Ansatz auf Basis eines neuronalen Netzes
vorgestellt, das SSWs in Major-, Minor- und Final- Warmings klassifizieren
kann. Dabei wird die statistische Bedeutung der Faktoren und deren nicht-
lineare Zusammenhänge abgeschätzt. Stratosphärische Temperatur und Ozon werden
aufgrund ihrer spezifischen Bedeutung für Veränderungen in Dynamik und
Zusammensetzung statistisch modelliert. Die vier statistischen Methoden werden
verwendet, um die inhärente natürliche Variabilität in der Stratosphäre zu
quantifizieren. Dadurch kann der Einfluss der anthropogenen Antriebe bestimmt
werden. Die Berücksichtigung verschiedener Datensätze zusammen mit den
unabhängigen statistischen Verfahren macht es möglich robuste Unsicherheiten
abzuschätzen. Schliesslich wird mit Hilfe der statistischen Methoden
Variabilität in Temperatur und Ozon erfolgreich bis zum Jahr 2100
vorhergesagt. Es wird in dieser Arbeit gezeigt, dass die standard lineare
Methode zu robusten Ergebnissen auf der monatlichen Skala führt. Die
fortschrittlichen Methoden sind jedoch deutlich besser für die Modellierung
und Vorhersage auf der täglichen Skala geeignet.
de
dc.format.extent
III, 145, 2 S.
dc.rights.uri
http://www.fu-berlin.de/sites/refubium/rechtliches/Nutzungsbedingungen
dc.subject
Pattern recognition
dc.subject
Statistical techniques
dc.subject.ddc
500 Naturwissenschaften und Mathematik::550 Geowissenschaften, Geologie
dc.title
Statistical learning to model stratospheric variability
dc.contributor.contact
chr.blume@gmail.com
dc.contributor.firstReferee
Prof. Dr. Katja Matthes
dc.contributor.furtherReferee
Prof. Dr. Ulrike Langematz
dc.date.accepted
2012-06-29
dc.identifier.urn
urn:nbn:de:kobv:188-fudissthesis000000038159-4
dc.title.translated
Statistisches Lernen zur Modellierung von stratosphärischer Variabilität
de
refubium.affiliation
Geowissenschaften
de
refubium.mycore.fudocsId
FUDISS_thesis_000000038159
refubium.mycore.derivateId
FUDISS_derivate_000000011544
dcterms.accessRights.dnb
free
dcterms.accessRights.openaire
open access