Compact Description for High Resolution Spatial Weather Extremes

Abstract

Detecting local climate change signals, particularly within the context of extreme weather events, is challenging due to the significant internal variability of the climate system. This thesis, part of the BMBF-funded ClimXtreme Phase I project, aims to improve the signal-to-noise ratio of climate change signals during extreme weather events through advanced data compression methods. Our approach is twofold, emphasizing data-adaptive techniques and spectral decomposition. These methods are evaluated for their effectiveness in describing heat waves, droughts, and precipitation extremes. <br /> We first analyze Principal Component Analysis (PCA). The focus on extremes is achieved using the tail pairwise dependence matrix (TPDM) proposed by Cooley and Thibaud (2019). Applying this method to daily temperature maxima and meteorological droughts of varying durations, we identify an effective technique for analyzing and compactly describing large-scale multivariate weather extremes. Additionally, we introduce the cross-TPDM to identify patterns of concurrent extremes across two variables. We propose an extreme pattern index (EPI) that provides a pattern-based spatial aggregation of extremes and demonstrate that a heat wave definition based on EPI effectively detects major heat waves across Europe. For addressing simultaneous extremes in two variables, we extend this approach by introducing the threshold-based EPI (TEPI). Using the European heat waves of 2003 and 2010 as examples, we show that TEPI describes the large-scale compound character of heat waves and droughts. <br /> Next, we examine wavelet transformation, specifically utilizing the complex dual-tree wavelet, which has proven efficient for precipitation fields (see Brune et al., 2021). Focusing on extreme precipitation, we find that the wavelet transform accurately represents these extremes without requiring specific adaptations to method or data. Comparing two European reanalyses (COSMO-REA6, CERRA) for their representation of hourly precipitation, we discover that CERRA cannot accurately resolve small-scale convective events. A scale-aware detection study for three regions in northern, southern and western Germany reveals consistent trends of increasing intensity in small-scale events during summer and in large-scale events during winter.

Die Identifizierung lokaler Signale des Klimawandels, insbesondere im Zusammenhang mit extremen Wetterereignissen, ist aufgrund der hohen internen Variabilität des Klimasystems eine Herausforderung. Diese Dissertation ist Teil des vom BMBF geförderten Projektes ClimXtreme Phase I, mit dem Ziel das Signal-Rausch-Verhältnis von Klimasignalen bei Extremwetterereignissen durch den Einsatz fortgeschrittener Datenkompressionsverfahren zu verbessern. Unser Ansatz ist zweigeteilt und konzentriert sich auf datenadaptive Techniken und spektrale Zerlegung. Diese Methoden werden auf ihre Wirksamkeit bei der Beschreibung von Hitzewellen, Dürren und Niederschlagsextremen untersucht. <br /> Zunächst analysieren wir die Hauptkomponentenanalyse (PCA). Der Fokus auf Extreme wird durch die von Cooley und Thibaud (2019) vorgeschlagene Tail Pairwise Dependence Matrix (TPDM) erreicht. Durch die Anwendung dieser Methode auf tägliche Temperaturmaxima und meteorologische Dürren unterschiedlicher Dauer identifizieren wir eine effektive Technik zur Analyse und kompakten Beschreibung großräumiger multivariater Wetterextreme. Zusätzlich führen wir die Cross-TPDM ein, um Muster von gleichzeitigen Extremen in zwei Variablen zu identifizieren. Wir schlagen einen Extreme Pattern Index (EPI) vor, eine musterbasierte räumliche Aggregation von Extremen. Um gemeinsame Extreme in zwei Variablen zu erfassen, erweitern wir diesen Ansatz durch die Einführung eines Schwellwert-basierten EPI (TEPI). Am Beispiel der europäischen Hitzewellen von 2003 und 2010 zeigen wir, dass EPI und TEPI eine geeignete Beschreibung des großräumig vernetzten Charakters von Hitzewellen und Dürren geben. <br /> Als nächstes untersuchen wir die Wavelet-Transformation, insbesondere das komplexe Dual-Tree-Wavelet, das sich bereits als effizient für Niederschlagsfelder erwiesen hat (siehe Brune et al., 2021). Bei der Untersuchung extremer Niederschläge stellen wir fest, dass die Wavelet-Transformation diese Extreme gut abbildet, ohne dass spezifische Anpassungen der Methode oder der Daten erforderlich sind. Wir vergleichen zwei europäische Reanalysen (COSMO-REA6, CERRA) hinsichtlich ihrer Darstellung von stündlichem Niederschlag und zeigen, dass die Darstellung von kleinskaligen konvektiven Ereignisse in CERRA unszureichend ist. Eine skalen basierte Detektionsstudie für drei Regionen in Nord-, Süd- und Westdeutschland zeigt konsistente Trends zunehmender Intensität für kleinskalige Ereignisse im Sommer und für großskalige Ereignisse im Winter.