COSMOpilot

Ordinary least squares regression minimiert die (zur Achse der unabhaengigen Variablen) senkrechten (Fehler-)abstaende. Das ist aber in letzter Instanz nur dann korrekt, wenn diese (unabhaengige) Variable keine Streuung beinhaltet (Datum, sicher bekannter Wert). Ansonsten ist es genauer, die Fehler gegenueber einer Achse zu minimieren, die eher dem Varianzenverhaeltnis entspricht. (z. B. deren Steigung dem Verhaeltnis der typischen Varianzen der Variablen entspricht)… Das nennt sich dann “Total least squares regression”.

Der Status der Modellierung sieht folgendermassen aus:

Nachdem also die Antriebsdaten auf 5km noch nicht vollstaendig vorhanden sind werde ich die notwendigen Monate (der Kontrolllaeufe) selbst rechnen. Damit dauert das noch etwas, ich kann mir aber selbst ueberlegen was ich rechnen will. Die Frage ist: Wie kann ich meine Daten validieren. Inwiefern kann ich mehr als eine “das Modell sagt die Windextrema nehmen relativ zum vergangenen Zeitpunkt zu” Aussage treffen? Ich muesste eine dritte Zeitscheibe einfuehren, die ich auch validieren kann. Dann werden die vergangene sowie die aktuelle Zeitscheibe miteinander verglichen. Fuer beide Zeitpunkte habe ich im Idealfall auch noch Messdaten. Dann werden die Trends der zwei Vergangenheitsexperimente mit realen (i. e. gemessenen) Trends verglichen. Daraus werde ich dann die zukuenftigen Trends extrapolieren.

Das ist zwar nicht schoen, aber da es sich um ein zukuenftiges Ereignis handelt nicht anders zu machen. Wichtig ist eben die Frage welche Art von Beziehung zwischen den Modellergebnissen und den realen Gegebenheiten herrscht.

Klartext:

Es ist nicht klar ob die Ergebnisse der Modellierung etwas mit der Realitaet zu tun haben. Es ist auch nicht bewiesen dass die vorhergesagten Trends den Trends (zumindest deren Richtung) der Realitaet entsprechen. Deswegen ist eine Validierung der Ergebnisse notwendig.

Zur Validierung eines Trends stellt sich als erstes die Frage, welche Art von Verbindung denn zwischen Modellrechnungen und der Realitaet herrscht. Trends zweier Groessen zu korrelieren (und dann in die Zukunft zu extrapolieren) bedarf der Anwendung einer Regressionsrechnung.

Notwendige Parameter einer Regressionsrechnung sind zwei Reihen modellierter Groessen. Da die Art des Zusammenhangs unbekannt ist und die Auspraegungen gering (3 Zeitscheiben) wird ein linearer Zusammenhang angenommen. (Nebenbei: Ein Korrelationskoeffizient kann zwar berechnet werden, ist aber zum Beispiel im Falle des Pearsonschen Produktmomentkorrelationskoeffizienten nicht aussagekraeftig, da die Bedingungen (NV, Unabh.) nicht erfuellt sind…)

Die Interpolation wird zwischen den zwei in der Vergangenheit modellierten Zeitscheiben soll die Gerade liefern, die die Modellierung der Zukunft mit der Realitaet verbindet.

http://www.grida.no/climate/ipcc/emission/098.htm

The A1 marker scenario (Jiang et al., 2000) was created with the AIM model, an integrated assessment model developed by NIES, Japan (see Appendix IV). The A1 scenario family is characterized by:

• An affluent world, with a rapid demographic transition (declining mortality and fertility rates) and an increasing degree of international development equity.
• Very high productivity and economic growth in all regions, with a considerable catch-up of developing countries.
• Comparatively high energy and materials demands, moderated however by continuous structural change and the diffusion of more efficient technologies, consistent with the high productivity growth and capital turnover rates of the scenario.

The first group of A1 scenarios, which includes the A1B marker, assumes “balanced”⁶ progress across all resources and technologies from energy supply to end use, as well as “balanced” land-use changes.

The B1 marker scenario (de Vries et al., 2000) was developed using the IMAGE 2.1 model (see Appendix IV). Earlier versions of the model were used in the first IPCC scenario development effort (SA90). B1 illustrates the possible emissions implications of a scenario in which the world chooses consistently and effectively a development path that favors efficiency of resource use and “dematerialization” of economic activities. The scenario entails in particular:

• Rapid demographic transition driven by rapid social development, including education.
• High economic growth in all regions, with significant catch-up in the presently less-developed regions that leads to a substantial reduction in present income disparities.
• Comparatively small increase in energy demand because of dematerialization of economic activities, saturation of material- and energy-intensive activities (e.g., car ownership), and effective innovation and implementation of measures to improve energy efficiency.
• Timely and effective development of non-fossil energy supply options in response to the desire for a clean local and regional environment and to the gradual depletion of conventional oil and gas supplies.

Damit das Ganze auch flott laeuft benutze ich den HPC am Deutschen KlimaRechenZentrum in Hamburg (www.dkrz.de). Da ich dort nicht der Einzige bin braucht es ein Queueing-system.

qsub -> submit jobs

qstat -> status von jobs

qdel -> jobs loeschen

Wichtig: qstat -q pp oder #PBS -q pp, damit die sequentiellen Jobs nicht in der dicken Parallelqueue landen…

Hab mal spasseshalber ein “tar tf” auf ein 20 GB Archiv losgeschickt.

LMGRID sagt:

  startlat_tot=-1.6, startlon_tot=-7.85,
  pollat=39.25, pollon=-162.0,
  dlon=0.012, dlat=0.012,
  ie_tot=200, je_tot=200, ke_tot=40,

Damit modellieren wir mit einer Auflösung von rund 1,3 km. Der verschobene Pol (der nicht in der Mitte des Modellgebiets liegt) wurde gewählt, da er dem Pol der Eingangsdaten (Modellierung mit 5km von Anne Paetzold) entspricht. Da sich das Modellgebiet am Rande des Eingangsmodells befindet konnte ich somit die verlorene Fläche aufgrund nicht paralleler Modellgrenzen minimal halten. Ich habe einen Rand von mindestens 5 (groben) Modellpunkte gelassen, um Randeffekte in den Eingangsdaten zu minimieren.

http://www.spiegel.de/wissenschaft/natur/0,1518,551060,00.html

http://www.zeit.de/online/2008/19/klima-erwaermung-pause

Nachdem die Probleme mit int2lm jetzt behoben sind läuft der lmrun fehlerfrei durch. Das Problem war: Wenn man lfilter_oro nicht .true. setzt verrechnet sich src/src_read_ext.f90 beim Berechnen des aus dem Grib zu lesenden Ausschnitts -> undefined Werte in hsurf etc… Das scheint mir ein Bug zu sein.

Die externen Daten für die Modellierung kommen vom meteorologischen Institut der Uni Bonn. Mit einer nominalen Auflösung von ~1km sind sie nur unwesentlich besser aufgelöst als unser Modell. Deswegen werde ich verschiedene wichtige Variablen durch höher aufgelöste Daten ersetzen (HSURF,  FR_LAND, SOILTYP)…

Die neuen Daten zur Unterscheidung von Land und Meer kommen aus der CORINE Land Cover Classification der europäischen Union (CLC2000). Die Daten lagen als ESRI Shapefiles vor. Ich hab sie in ArcGIS gemerged (da als Tiles) und in WGS84 umprojeziert. Dann eine Rastermaske daraus erstellt und diese als NetCDF exportiert.

Die konnte ich dann mit der neuen CDO Version (mit NetCDF Unterstützung) in GRIB umwandeln. Nachdem die GRIB Größenbeschränkung auch vom Tisch war konnte ich sie mit ext2lm auf mein Modellgitter umwandeln.