dc.contributor.author
Schneider, Frank
dc.date.accessioned
2018-06-07T18:28:27Z
dc.date.available
2003-11-19T00:00:00.649Z
dc.identifier.uri
https://refubium.fu-berlin.de/handle/fub188/5077
dc.identifier.uri
http://dx.doi.org/10.17169/refubium-9276
dc.description
Titel, Danksagung & Inhaltverzeichnis
1 Einführung 1
1.1 Einführung in die Problemstellung 1
1.2 Zusammenarbeit mit dem Umweltbundesamt 2
1.3 Mindestanforderungen an das Prognosesystem 3
1.4 Aufbau der Untersuchung 4
Teil I: Grundlagen 7
2 Faktoren der Ozonbildung 9
2.1 Ozonbildung 9
2.2 Horizontaler Ozontransport 12
2.3 Vertikale Ozondurchmischung 12
2.4 Ozonabbau 13
2.5 Fazit 14
3 Analyse der zeitlichen Entwicklung von Luftverunreinigungen mit den
Schwerpunkt Ozon 15
3.1 Enwicklung der Luftverunreinigungen in den letzten Jahrzehnten 15
3.2 Biogene Quellen von Ozonvorläuferstoffen 17
3.3 Typischer zeitlicher Verlauf von Photosmog-Episoden 18
3.3.1 Typische Tagesgänge während Photsmog-Episoden 18
3.3.2 Vertikale Austauschvorgänge 18
3.3.3 Andauer von Ozonepisoden 20
3.3.4 Änderung der Ozonverhältnissr am Beispiel der Station Wiesloch (Baden-
Württemberg) 20
4 Statistische Routinen 23
4.1 Methodische Grundlagen 23
4.1.1 Auswahl der Prädiktoren 24
4.1.2 Screening-Regressions-Analyse 24
4.1.3 Abbruchkriterien 25
4.1.4 Crossvalidation 25
4.1.5 Eine Selbstlernede Bias-Eliminierung 26
4.2 Screeningmethode in der Arbeit 26
4.2.1 Stufenweise einfache lineare Regression 26
4.2.2 Multiple lineare Regression 27
4.3 Prüfmaße 30
4.3.1 RMSE - Root Mean Squard Error 30
4.3.2 Bias 30
4.3.3 RV - Reduktion der Varianz 30
4.3.4 Prüfmaße für Binärereignisse 32
4.4 Zyklische Schwankungen - Jahres- und Tagesgang 33
5 Ozonprognoseverfahren 35
5.1 Eine kurze Einführung zu numerischen Modellen 35
5.2 Statistische Ozonprognosemodelle im Überblick 37
5.2.1 Regressionsmodelle 38
5.2.2 Neuronale Netze 41
5.2.3 Statistische Trajektorienmodelle 43
5.2.4 Zeitreihenmodelle 43
5.2.5 Einschätzung der Methoden für die weitere Nutzung 44
5.3 Einfluss der Wettervorhersage auf die Ozonprognose 45
6 Datenprüfung 47
6.1 Methodik zur Suche nach unplausiblen Einzelwerten 48
6.1.1 Statistische Parameter 48
6.1.2 Die Prüfschranken 49
6.1.3 Der Ablauf der Prüfung 50
6.2 Methodik zur Suche nach systematischen Fehlern 53
6.3 Auffüllen von Datenlücken 54
6.4 Pro und Contra zur Datenveränderung 54
Teil II: Angewandte Methoden und Ergebnisse 57
7 Eine wetterlagenbasierte Klassifikation mit nachfolgender Regression 59
7.1 Einführung und Zielsetzung 59
7.2 Historische Entwicklung 60
7.2.1 Einteilung der Wetterlagen 60
7.2.2 Beispiele für Wetterlagenklassifikationen 61
7.2.3 Nutzen von Wetterlagen 61
7.2.4 Der Unterschied zwischen Wetterlagen und Ozonwetterlagen 61
7.3 Methode zur Bestimmung von Ozonwetterlagen 62
7.3.1 Die Clusterung der Tage entsprechend der Ozonsituation 62
7.3.2 Die meteorologischen Felder des DWD 63
7.3.3 Die Mittlung der Felder 65
7.3.4 Objektivierungsverfahren 65
7.3.5 Die Fuzzifizierung 67
7.3.6 Unterschiede zu anderen Klassifikationen 68
7.4 Ergebnisse bei der Ableitung von Ozonwetterlagen 69
7.5 Eine stationsbezogene Sceening-Analyse 71
7.6 Ergebnisse der stationsbezogenen Prognose 72
7.7 Zusammenfassung und Diskussion 76
8 Ein isobares Trajektorienmodell mit nachfolgender Regression 79
8.1 Einführung und Zielsetzung 79
8.2 Konstruktion von atmosphärischen Trajektorien 80
8.3 Ozondaten vom europäischen Umland 82
8.3.1 Die Aufbereitung der EU-Daten 83
8.4 Eine Ozonprognose auf der Basis von Trajektorien 84
8.5 Zusammenfassung und Diskussion 86
9 Analoge Fälle mit nachfolgender Regression (AFREG) 89
9.1 Einführung und Zielsetzung 89
9.2 Methode 89
9.2.1 Unterschiede zwischen einer Wetterlagenklasse und analogen Fällen 89
9.2.2 Daten 89
9.2.3 Suche nach den Feld - Prädiktoren 89
9.2.4 Die bedingte Regressionsanalsyse 89
9.2.5 Robuste Regression mit Hilfe von Catline 89
9.3 Zusammenfassung und Diskussion 89
10 Die finalen Ozonprognosen 97
10.1 Einführung und Zielsetzung 97
10.2 Die Prognose des Tagesmaximums 98
10.2.1 Erfahrungen beim operationellen Einsatz im Frühsommer 100
10.3 Die Schwellenwertvorhersage 101
10.3.1 Methode 101
10.3.2 Optimierung 102
10.4 Zusammenfassung und Diskussion 104
11 Diskussion und Ausblick 107
11.1 Was wurde erreicht? 107
11.2 Was ist neu? 111
11.3 Praktische Schlussfolgerungen 112
11.4 Was bleibt zu tun? 113
11.5 Ergebnisse beim ersten operativen Einsatz im Jahr 2003 115
Teil III: Anhänge I
A Abkürzungsverzeichnis III
B Literaturverzeichnis IX
C Abbildungsverzeichnis XIX
D Tabellenverzeichnisverzeichnis XXIII
E Ein Anwendungsbeispiel für die neuentwickelte Methode der
Wetterlagenentwicklung XXVII
E.1 Übersicht über die gewählten Felder XXVIII
E.2 Zeitreihen der Wetterlagenklassifikation XXIX
E.3 Statistische Untersuchungen XXXI
F Tabellen XXXV
Lebenslauf
dc.description.abstract
Auch wenn Ozon in den letzten Jahren nicht mehr so stark im Blickpunkt der
Öffentlichkeit stand wie noch vor 5 bis 10 Jahren, ist die Problematik
erhöhter Ozonwerte noch immer aktuell. Dieser Problematik sollen die aktuellen
Richtlinien der Europäischen Union und die Gesetze und Verordnungen des Bundes
und der Länder Rechnung tragen. In dieser Arbeit wird ein neuentwickeltes
Verfahren zur regionalen Kurzfristozonprognose vorgestellt. Es handelt sich
hierbei um eine Kombinationsvorhersage, deren Grundlagen statistischer Natur
sind. Basierend auf den Ergebnissen der numerischen Wettervorhersage des GME-
Modells des Deutschen Wetterdienstes (DWD) und den in Deutschland gemessenen
Immissionswerten der Jahre 1997-2002 wurden vier Vorhersagemodule entwickelt:
eine wetterlagenbasierte Klassifikation mit nachfolgender Regression, ein
isobares Trajektorienmodell mit nachfolgender Regression, Analoge Fälle mit
nachfolgender Regression und eine Wahrscheinlichkeitsvorhersage für
Schwellenwerte. Diese Module funktionieren alle nach dem Prinzip der Perfekten
Prognose. Als abschließender Schritt werden die einzelnen Ergebnisse mittels
Regression zu einer Vorhersage kombiniert. Nach der vollautomatischen
Ausführung aller Module liegt damit eine stationsbezogene Maximumprognose für
das Gebiet Deutschland, für den Bearbeitungstag und die zwei nachfolgenden
Tage vor. Besonderes Augenmerk wurde darauf gelegt, dass die Methode auch bei
hohen Ozonwerten eine stabile und verlässliche Prognose liefert.
de
dc.description.abstract
Although ozone is not in public focus as 5 to 10 years ago, high ozone
concentrations are still a problem. The EU legacy and the German national
legislation are trying to cope with the problem. This work presents a new
method for ozone forecasting. It is based on statistic procedures. Two
datasets - a numerical weather forecast from the German Weather Service and
concentration data from Germany (covering 1997-2002) - were used to develop
four procedures. These are: a weather pattern based classification with
subsequent regression, an isobaric trajectory model with subsequent
regression, analogs with subsequent regression and a probability forecast for
threshold values. All modules are based on perfect prog mechanisms. The final
step is a combination by regression. In the end of the fully automated
forecast procedure a daily 1-hour maximum forecast for the present day and the
next two days is available.
en
dc.rights.uri
http://www.fu-berlin.de/sites/refubium/rechtliches/Nutzungsbedingungen
dc.subject
statistical ozone forecast
dc.subject
weather pattern
dc.subject.ddc
500 Naturwissenschaften und Mathematik::550 Geowissenschaften, Geologie::550 Geowissenschaften
dc.title
Entwicklung und Anwendung statistischer Methoden zur Kurzfristvorhersage von
Ozonkonzentrationen in der Bundesrepublik Deutschland
dc.contributor.firstReferee
Prof. Dr. Manfred Geb
dc.contributor.furtherReferee
Prof. Dr. Peter Builtjes
dc.date.accepted
2003-11-11
dc.date.embargoEnd
2003-11-24
dc.identifier.urn
urn:nbn:de:kobv:188-2003002911
dc.title.translated
Development and application of statistical methods for short range forecasts
of ozone concentrations in Germany
en
refubium.affiliation
Geowissenschaften
de
refubium.mycore.fudocsId
FUDISS_thesis_000000001115
refubium.mycore.transfer
http://www.diss.fu-berlin.de/2003/291/
refubium.mycore.derivateId
FUDISS_derivate_000000001115
dcterms.accessRights.dnb
free
dcterms.accessRights.openaire
open access
