MUSEO LARCO HERRERA

„[...] microphysical processes are complex, require approximations for numerous interactions and are founded upon less than perfect observational and theoretical base.“

DavidStensrud (2007) Viele der für die Niederschlagsbildung relevanten Prozesse können nicht vom Modell explizit aufgelöst werden, da diese zum Teil auf der Skala von Hydrometeoren ablaufen. Abb.5.3zeigt am Beispiel des Ansatzes nachLin et al. (1983)die für die Parametrisie- rung der Wolkenmikrophysik notwendigen Prozesse. Die einfachsten Ansätze enthalten Interaktionen für Wasserdampf, Wolkenwasser und Regen. Damit ist eine adäquate Pro- zessbeschreibung in den mittleren Breiten nicht möglich, da die Eisphase bei der Bildung von Niederschlag eine erhebliche Rolle spielt. Da der Sättigungsdampfdruck über Wasser höher ist als über Eis, kann gleichzeitig Übersättigung in Bezug zu Eis und Untersätti- gung in Bezug zu Wasser auftreten. In Folge dessen wachsen Eiskristalle auf Kosten von Wassertröpfchen. Wegen der maximalen Differenz der Dampfdruckkurven von Wasser und Eis bei etwa -12◦C, ist der beschriebene Effekt bei diesen Temperaturen am wirkungs- vollsten. Dieser, nach seinen Entdeckern benannte, Wegener-Bergeron-Findeisen-Prozess wird zum Beispiel in der Parametrisierung nachLin et al. (1983)in einem Bereich von -40◦C bis 0◦C durch eine Koexistenz von Wolkenwasser und Wolkeneis simuliert.

Neben der Wasserdampfdeposition kommt es auch zur Kollision und einem damit verbundenen Anwachsen von unterschiedlichen Hydrometeoren. Bei einem Zusammen- treffen von Wassertropfen spricht man von Koaleszenz, wohingegen Anwachsen von Eispartikeln mit unterkühltem Wasser, welches beim Kontakt gefriert, als Akkretion bezeichnet wird. Einige Interaktionen in der Abbildung 5.3sind als ‚Autoconversion‘ gekennzeichnet. Im Zusammenhang mit Regen wird dieser Begriff verwendet, wenn fallende Regentropfen kleinere Wolkentröpfchen ‚einfangen‘. Bei Lin et al. (1983)wird die Bedeutung aber auch auf ähnliche Interaktionen zwischen festen und flüssigen Hydrometeoren erweitert.

Dass gemäß des obig genannten Zitats vonStensrud (2007)nicht immer genaue Vor- stellung über einzelne Interaktionen herrscht, zeigt das folgende Beispiel. Ein Wachstum von Graupel durch Kollision mit Schnee, wie es in vielen Parametrisierungen enthalten ist, sei lautLiu et al. (2011)unrealistisch, zumal es keine Beobachtungen gebe, die diesen Vorgang belegen könnten.

Eine weitere Herausforderung bei der Beschreibung von Prozessen der Niederschlags- bildung sind Annahmen hinsichtlich der Größenverteilung verschiedener Hydrometeore, da die beschriebenen Interaktionen stark von den Größen der betrachteten Hydrome- teore abhängen. Nun liegen Hydrometeore praktisch nicht monodispers vor, sondern weisen eine stark asymmetrische Verteilung auf. Die im Allgemeinen beobachtete starke

Wege ne r- Be rge ron - Find ei sen -Proze ss Wasser- dampf Schnee Regen Graupel/ Hagel Wolken- wasser Wolken- eis Sublimation / Evaporation

*

*

Abb. 5.3: Skizze der wesentlichen Hydrometeorklassen und hydrometeorologischen Prozesse, welche parametrisiert wer-

den müssen. Verändert nachLin et al. (1983)bzw.Stensrud (2007). Die grau hinterlegten Interaktionen sind Teilprozesse im Wegener-Bergeron-Findeisen-Prozess.

Zunahme der Anzahl von Hydrometeoren mit abnehmendem Durchmesser kann mit analytischen Verteilungsfunktionen beschrieben werden (Marshall und Palmer, 1948). Für jede Hydrometeorklasse wird eine separate Verteilung angenommen (z.B. die Gamma- verteilung), deren Parameter prognostisch oder diagnostisch ermittelt werden können. Üblicherweise wird eine drei-parametrige Gammaverteilung verwendet (Milbrandt und Yau, 2005a). Dieser Typ von Prozessbeschreibung wird als bulk-Modell bezeichnet. Auf der anderen Seite werden Ansätze, welche die Größenverteilung in diskrete Klassen einteilen als bin-Modelle bezeichnet. Die Partikelkonzentration wird dabei für jede Klasse separat berechnet, weshalb diese Ansätze rechentechnisch aufwendig sind. Im Folgenden werden die einfacheren bulk-Methoden beschrieben.

Für die Berechnung des Mischungsverhältnisses36

bzw. der spezifischen Feuchte qn=

qn(x, y, z, t)der betrachteten Hydrometeorklasse n wird eine prognostische Gleichung

vom Typ ∂qn

∂t = ... aufgestellt. Werden die übrigen Zustandsgrößen diagnostisch bestimmt, d.h. mit Hilfe einfacher Beziehungen aus dem Mischungsverhältnis (in g Wasser / kg Luft) und weiteren bekannten Zustandsgleichungen abgeleitet, spricht man von einer Single-Moment-Parametrisierung. Werden neben den prognostischen Gleichungen für das Mischungsverhältnis auch die der Anzahlkonzentration Nn (pro Volumen Luft)

gelöst, wird der Freiheitsgrad bei der Bestimmung der Hydrometeorspektren vergrößert (Morrison et al., 2005a;Morrison et al., 2009; Hong et al., 2010), was eine realistischere Abbildung der Prozesse ermöglicht (Stensrud, 2007). In diesem Fall handelt es sich um eine Double-Moment-Parametrisierung37

. Die hier untersuchten Parametrisierungen sind in Tabelle5.1zusammengestellt. Die meisten dieser Parametrisierungen enthalten je nach Hydrometeorklasse entweder eine oder zwei prognostische Gleichungen zur Bestimmung

36

Verhältnis der Dichte des Wasserdampfes zur Dichte des trockenen Anteils der Luft (Kraus, 2001).

37

Es gibt auch Triple-Moment-Modelle, welche die Radarreflektivität (eines Wetterradars) als dritte Größe pro- gnostisch berechnen und somit alle Parameter der Gammaverteilung prognostisch bestimmen (Milbrandt und Yau, 2005b;Warner, 2011).

Tab. 5.1: Parametrisierungen der Wolkenmikrophysik in ARW und Auflistung der prognostischen Gleichungen (q = Mi-

schungsverhältnis, N = Anzahlkonzentration) für jede Hydrometeorklasse. Das vonThompson et al. (2004)be- schriebene Schema zur Parametrisierung der Wolkenmikrophysik stellt eine Weiterentwicklung des im Vorgän- germodell MM5 vielfach verwendeten und häufig zitierten Verfahrens nachReisner et al. (1998)dar. Die Tabelle orientiert sich an der Übersicht inWang et al. (2012).

Ansatz Wasser Eis Regen Schnee Graupel Hagel

Lin et al. (1983) q q q q q

WSM6 (Hong und Lim, 2006) q q q q q

Thompson et al. (2004) q q, N q, N q q

Milbrandt und Yau (2005a) q, N q, N q, N q, N q, N q, N

Morrison et al. (2005a) q q, N q, N q, N q, N

WDM5 (Lim und Hong, 2010) q, N q q, N q

WDM6 (Lim und Hong, 2010) q, N q q, N q q

der Momente der Verteilung.

Für die Modellierung von Winterniederschlägen hat die Auswahl der Wolkenmikrophy- sikoption den größten Einfluss.Liu et al. (2011)konnten durch systematische Testläufe nachweisen, dass die Auswahl der übrigen Parametrisierungen nur einen geringen Ein- fluss auf die zeitlich-räumliche Verteilung der simulierten Niederschläge hat. Mit den Wolkenmikrophysikparametrisierungen nach Thompson et al. (2004)undMorrison et al. (2005a) bzw. Morrison et al. (2005b) erhielten Liu et al. (2011) die besten Ergebnisse. Die Parametrisierungen WRF Single-Moment 6-class Microphysics (WSM6) bzw. WRF Double-Moment 6-class Microphysics (WDM6) nachHong und Lim (2006)sowieLim und Hong (2010)überschätzten die Niederschläge hingegen deutlich.Hong et al. (2010) konnten, bezogen auf die simulierten Niederschlagsfelder, eine Verbesserung des WDM6- Ansatzes mit der Berücksichtigung von je zwei prognostischen Gleichungen gegenüber WSM6 mit je einer prognostischen Gleichung feststellen.

Rückkopplungen durch das Zusammenwirken mit anderen Parametrisierungen sind jedoch grundsätzlich möglich und sollten stets beachtet werden. Jin und Wen (2012) zeigen, dass durch zu geringe Schneebedeckungen zu hohe Temperaturen im Frühjahr berechnet werden (negativer Bias, durch die Parametrisierung der Landoberflächenpro- zesse verursacht). In Folge dessen werden höhere Verdunstungen simuliert, welche die Niederschlagsbildungsprozesse beeinflussen. Durch die erhöhte Luftfeuchte wurden im skizzierten Fall höhere Niederschläge berechnet (Jin und Wen, 2012). Dies bestätigt die bereits genannten, teilweise zu geringen Schneebedeckungen in atmosphärischen Mo- dellen (Duffy et al., 2006). Diese Beispiele zeigen die komplexen Interaktionen in einem atmosphärischen Modell, die sich insbesondere im Hinblick auf die Niederschlagsbildung auswirken können.