Wann und warum kommt es zu einer Häufung verschiedener Wetterextreme?

In diesem Projekt wird das zeitliche Clustering verschiedener Extreme auf der Grundlage von Gebäudeversicherungsdaten und im Hinblick auf meteorologische Auslöser untersucht.

Ein einzelnes meteorologisches Extremereignis kann eine Gesellschaft, Wirtschaft und Umwelt sehr hart treffen. Treten aber mehrere Ereignisse in kurzen zeitlichen Abständen auf, kann dies die Schäden der individuellen Ereignisse weiter verschlimmern, z. B. durch blockierte Verkehrswege oder auch durch überlastete Behörden. Diese Ereignisse werden typischerweise als Verbundereignisse oder Multi-Hazard-Events bezeichnet (z. B. Zscheischler et al. 2020, UNDRR 2016). Das von der Stiftung „Umwelt und Schadenvorsorge“ geförderte CEDIM-Projekt untersucht das serielle Clustering, d.h. das Auftreten in enger Abfolge, verschiedener Typen schadenrelevanter Extremereignisse (Überschwemmungen, Hagel sowie Stürme). Das Ziel der Arbeit ist es, Clusterperioden unterschiedlicher Extreme und großräumige atmosphärische Strömungsmuster, die damit zusammenhängen, zu identifizieren. Anhand von Klimamodelllen kann dann eine Abschätzung der zukünftigen Entwicklung verschiedener Cluster gegeben werden, die z.B. zur Vorbereitung auf solche Clusterereignisse hilfreich sein kann.

Extremereignisse werden hier auf Grundlage der einer Gebäudeversicherung gemeldeten Schäden und der Höhe des versicherten Schadens identifiziert und decken den Zeitraum von 1986 bis heute sowie das Bundesland Baden-Württemberg ab. Hier ist der Anteil an versicherten Gebäuden im bundesweiten Vergleich besonders hoch. Betrachtet man die Anzahl der versicherten Gebäude und den gesamten versicherten Schaden, so stechen zwei Winterstürme (Lothar, Kyrill) und zwei Hagelereignisse (Andreas, Queenie) hervor (vgl. Abb. 1a). Diese vier Ereignisse verursachten etwa 30 % des gesamten versicherten Schadens, der im Zeitraum 1986-2020 angefallen ist. Darüber hinaus wird der versicherte Schaden (pro Ereignistyp) recht gut durch die Anzahl der Schadenfälle approximiert (vgl. Korrelationen in Abb. 1b).

Abb. 1: (a) Schadenhöhe und Anzahl der Schadenmeldungen bei einer Gebäudeversicherung im Vergleich für Überschwemmungs- (blau), Sturm- (grün) und Hagelereignisse (gelb) in Baden-Württemberg von 1986-2020, mit Bezeichnung der vier größten Ereignisse. (b) Wie (a), ohne vier Hauptereignisse und mit linearem Fit sowie den Pearson-Korrelationskoeffizienten für den jeweiligen Ereignistyp.

Ein serielles Clustering der Ereignisse wird mit Hilfe eines Algorithmus untersucht, der Clustering auf Grundlage der Anzahl von Ereignissen und der Höhe des versicherten Schadens definiert (vgl. Kopp et al. 2021). Abbildung 2 zeigt beispielhaft eine Zeitreihe für das 1 % der schlimmsten Schadensereignisse, sowie auch welche (laufenden) 30-Tages-Fenster mehrere Ereignisse des gleichen oder unterschiedlichen Typs aufweisen. Mit den gewählten Schwellenwerten erhält man hier vier Perioden mit allen drei verschiedenen Ereignistypen. Anschließend wird der Grad des Clustering mit Hilfe des Dispersionsindex (Mailier et al. 2006) sowie des Ripley's K (z. B. Tuel et al. 2021) untersucht. Dabei zeigt sich, dass der Grad der Häufung sowohl von der gewählten Methode als auch von der Ereignisdefinition (Peaks-over-Threshold-Methode vs. Standardmethode mit fester Anzahl von Tagen) abhängt.

Abb.2: Anzahl der Überschwemmungs-, Hagel- und Sturmereignisse im Zeitverlauf für laufende 30-Tages-Fenster im 99. Perzentil des versicherten Schadens sowie der Schadenmeldungen für 1986-2020, sowie Visualisierung des „counting“-Algorithmus, basierend auf Kopp et al. 2021.

Um potenzielle Auslöser des zuvor identifizierten Clustering zu analysieren, ist eine meteorologische Verfeinerung der rein ökonomischen Daten notwendig. Dies bezieht sich auf die Trennung zwischen synoptischen und konvektiven Sturm- sowie Niederschlagsereignissen und wird mit Hilfe von Blitzdaten, Filterung mit Druckgradienten und Niederschlagssummen sowie anhand verschiedener Parameter in Reanalysedaten (ERA5) vorgenommen. Ein Clustering kann aus den dominanten großräumigen atmosphärischen Zirkulationsmustern resultieren, beispielsweise durch Anomalien in der Lage des Jetstreams. Dies kann zum Beispiel durch die Nordatlantische Oszillation oder durch charakteristische Wetterregime über Europa (Grams et al. 2017) kategorisiert werden. Untersucht werden soll dann, wie bestimmte Muster das Clustering begünstigen, zunächst mit statistischen und anschließend mit maschinellen Lernmethoden.

Referenzen:

  • De Ruiter, Marleen C., et al. "Why we can no longer ignore consecutive disasters." Earth's future 8.3 (2020): e2019EF001425.
  • Grams, Christian M., et al. "Balancing Europe’s wind-power output through spatial deployment informed by weather regimes." Nature climate change 7.8 (2017): 557-562.
  • Kopp, Jérôme, et al. "A novel method to identify sub-seasonal clustering episodes of extreme precipitation events and their contributions to large accumulation periods." Hydrology and earth system sciences 25.9 (2021): 5153-5174.
  • Mailier, Pascal J., et al. "Serial clustering of extratropical cyclones." Monthly weather review 134.8 (2006): 2224-2240.
  • Tuel, Alexandre, and Olivia Martius. "A global perspective on the sub-seasonal clustering of precipitation extremes." Weather and climate extremes 33 (2021): 100348.
  • UNDRR (2016). Report of the Open-Ended Intergovernmental Expert Working Group on Indicators and Terminology Relating to Disaster Risk Reduction.
  • Zscheischler, Jakob, et al. "A typology of compound weather and climate events." Nature reviews earth & environment 1.7 (2020): 333-347.

Zugehöriges Institut am KIT: Institut für Meteorologie und Klimaforschung (IMK-TRO)
Autorin: Katharina Küpfer (Juli 2023)