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.
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.
