Universität Leipzig
Institut für Meteorologie
Studiengang Meteorologie
Bachelorarbeit
Im Zeitraum vom 11.02.2015 bis 21.07.2015
Betreut durch
Prof. Dr. Johannes Quaas
1. Gutachter: Prof. Dr. Johannes Quaas
2. Gutachter: Dr. Marc Salzmann
Einflüsse multidekadischer Variabilität
auf den asiatischen Sommermonsun
Vorgelegt von
Hanmi Cheng
Matrikelnummer 2912710
Leipzig, den 17. Juni 2015
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
2
Abtract
Auswirkungen des Klimawandels auf „Indian Summer Monsoon Rainfall
(ISMR)“ und die wachsende Bevölkerung stellen eine große Bedrohung für die
Wasser- und Lebensmittelsicherheit in Indien, daher ist zuverlässige Modelle
nötig sind, um die Änderung zu untersuchen. Hier wird gefunden, dass die
meisten Modelle im Ensemble von CMIP5 (Siehe Tabelle 1) die gesamte
Niederschlag- smenge von Juni bis September von 1950 bis 2000 in zentralem
Nordindien (NCI) unterschätzt, nämlich zählen sie die NCI-Region zur
trockenen Zone im West. Gleichzeitig zeigt der gesamte Niederschlag eine
positive Korrelation mit der Variabilität des Niederschlagstrends. D.h., die
meisten Ensemblemodelle unterschätzen die Niederschlagsvariabilität in NCI,
sodass die interne Variabilität vielleicht eine größere Rolle im
Niederschlagstrend spielt, als die Modelle es zeigen. Des Weitere zeigen 14
von 15 Modellen eine Verspätung der Meeresoberflächentemperaturabnahme
im äquatorialen östlichen indischen Ozean um ungefähr 10 bis 15 Jahre im
Vergleichen zur Beobachtungen, gleichzeitig ist die Phänomen in östlichen
indischen Ozean nicht zu sehen, die zu einer Unterschätzung des indischen
Ozean Dipol Indexes führt, damit es auch möglicherweise zur einer
Unterschätzung des ISMRs sorgen kann. Die Unterschiede zwischen den
Niederschlagstrend von individueller Realisation sind sehr groß. In dieser
Arbeit werden sie auch ausführlich analysiert.
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
3
Inhaltsverzeichnis
1. Einleitung---------------------------------------------------------------------------------4
2. Grundlage---------------------------------------------------------------------------------5
2.1 Der asiatische Sommermonsun-------------------------------------------------5
2.2 Interne Variabilität-------------------------------------------------------------------6
2.3 IOD und El- Niño/ /Southem Oscillation---------------------------------------7
3. Methoden---------------------------------------------------------------------------------8
4. Ergebnisse
4.1 Niederschläge------------------------------------------------------------------------9
4.1.1 Niederschlagsanalyse---------------------------------------------------------9
4.1.2 Zusammenhang zwischen gesamten Niederschlagsmenge und
Variabilität des Niederschlagstrends--------------------------------------15
4.2 Temperatur und horizontale Wind-----------------------------------------------18
4.3 SST auf IOD und IOD-Index------------------------------------------------------21
4.4 Verlagerungen der ITCZ-----------------------------------------------------------26
5. Zusammenfassung und Diskussion---------------------------------------------28
Literatur, Abbildungsverzeichnis und Abkürzungen-----------------------------30
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
4
1. Einleitung
Der indische Subkontinent liegt an der Westseite des südostasiatischen
Sommermonsun-Systems und der südasiatische Summermonsun bietet bis zu
80 % des jährlichen durchschnittlichen Niederschlags für die meisten
Regionen von Indien und hat enorme Auswirkungen auf die Landwirtschaft,
Gesundheit, Wasser Ressourcen, Wirtschaft und Ökosysteme in ganzen
Südasien (Webster et al.,1998). Eine mögliche langfristige (dekadische bis
hundertjährige) Verschiebung der Monsunregenfälle mit Klima verbunden
Änderungen könnten sehr weitreichende Konsequenzen haben. Viele
Beobachtungsstudien untersuchten den multidekadischen Niederschlagstrend
und fanden einen anhaltenden Trockentrend in Indien, Südindien und
Westpazifik in der zweiten Hälfte des 20. Jahrhunderts (Chung et al., 2006 und
Lau et al.,2010). Durchschnittlich reduzierte die Nie- derschlagsmenge über
ganzes Indien um 4 % bis 5 % in diesen 50 Jahre (Ramanathan et al. 2005).
Obwohl zeigt Salzmann et al., 2014 und Bollasina et al. (2011) eine starke
Einflüsse der anthropogenen Aerosole auf dem südasiatischen Sommer-
monsun, wird der Trockentrend über zentralen Nordindien (NCI) nicht durch
das Coupled Model Intercomparison Project Phase 5 (CMIP5) Modell
Ensemble Mittel wiedergegeben (Salzmann et al., 2014). Gleichzeitig sind die
Unterschiede zwischen den Niederschlagstrend von individueller Realisation
sehr groß. Insbesondere stimmen einige Läufe recht gut mit der Beobachtung
überein, während andere Läufe eine große Abweichung zeigen. Dies weist
darauf hin, dass die interne Variabilität potential eine wichtige Rolle bei der
Erklärung des beobachteten Trends spielt (Salzmann und Cherian, 2015).
Deshalb ist das erst Ziel dieser Arbeit die Detaillierung der Läufe. Auf der
anderen Seite zeigt der simulierte mittlere gesamte Niederschlag von Juni bis
September (JJAS) 1950-1999 durch 15 CMIP5 Modelle bei Salzmann et al.,
2014 ganz anderes als die Beobachtung in dem NCI-Region. Das trockene
Gebiet bei der Simulation erstreckt sich nach Osten bis zum NCI, damit der
mittlere simulierte JJAS-Niederschlag im NCI viel niedriger als die
Beobachtung ist. Die weist darauf hin, dass der simulierte niedrige/starke
gesamte Niederschlag vielleicht die Variabilität der Niederschlagstrends
beeinflusst, daher wird den Zusammenhang zwischen den gesamten JJAS
Niederschlag und Variabilität der Läufe in Abschnitt 4.1.2 diskutiert. Ashok et
al., (2001) haben gezeigt, dass das IOD spielt eine wichtige Rolle in dem
südostasiatischen Sommermonsun, damit im Absatz 4.3 wird die SST von IOD
analysiert, um die Leistung der Modell zu einschätzen. Am Ende wird auch die
ostwärts Verlagerung der ITCZ (Salzmann et al., 2015) untersucht, um den
Beweis von vertikalen Bewegung zu finden.
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
5
2.Grundlage
2.1 Der asiatische Sommermonsun
Monsune sind großräumige, mit beständigen Winden einher gehende
Luftströmungen in den Tropen mit halbjährlichem Richtungswechsel. Der
asiatische Sommermonsun setzt im Juni/Juli (JJAS) ein und hält bis
September/Oktober an. Da die senkrechte Sonnenstrahlung im Nord-
hemisphärischen Sommer sich nicht auf dem Äquator sondern ein bisschen
nördlich liegt, erwärmt sich das Festland Süd- und Südostasiens stark und die
innertropische Konvergenzzone (ITCZ) wandert nach Norden (Ruppert, 2012).
Wegen der großen kontinentalen Oberfläche, besonders der tibetischen
Hochebene, erscheint das Monsunphänomen in Indien mit einer
ITCZ-Verlagerung bis 30° nördlicher Breite sehr deutlich. Auch ist der indische
Monsun der einzige Monsun, welcher eine Wirkung bis in die oberen
Schichten der Troposphäre aufweist (Wikipedia: Indischer Monsun). Infolge
der Corioliskraft besitzen großräumige Horizontal bewegungen auf der
Nordhalbkugel eine Ablenkung nach rechts, deshalb weht der Monsunwind
vom indischen Ozean aus südwestlichen Richtungen auf den indischen
Subkontinent (Siehe die Abbildung 1). Klimatologisch werden Summen des
Niederschlags von mehr als 1200 mm über Indien und den umliegenden
Indischen Ozean während der Monsunzeit beobachtet
Abbildung 1: Das asiatische Sommermonsun mit der Verschiebung der
ITCZ im Sommer (Hunter College of the city University of New York).
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
6
Abbildung 2: Schematische Darstellung der internen Variabilität.
(http://judithcurry.com/)
2.2 Interne Variabilität
"Klimawandel" bezieht sich auf eine Änderung in dem Zustand des Klimas, die
durch die Änderungen in dem Durchschnitt und/oder die Variabilität der
Eigenschaften, und das bleibt für einen längeren Zeitraum, typischerweise
Jahrzehnte oder mehr. Der Klimawandel kann durch interne Prozesse
und/oder externe Antreibe verursacht werden. Z.B das Auftreten von
Extremereignissen können durch Strahlungsantrieb, sondern auch durch
interne Interaktionen zwischen den Komponenten des Klimasystems
verursacht werden. Aber auch ohne die Änderung der externen Antrieb kann
das Klima natürlich variieren, da es in einem System die Komponenten mit
sehr unterschiedlichen Reaktionszeiten und nichtlinearen Wechselwirkungen
gibt, sind die Komponenten fast niemals im Gleichgewicht und variiere sie
ständig. Die Reaktion des Klimas zur internen Variabilität des Klimasystems
und externe Antrieb wird durch Rückkoppelung und nichtlinearen
Wechselwirkungen der Komponenten kompliziert. Nennt man ein Prozess
Rückkoppelung, wenn die Auswirkungen des Prozesses seinen Ursprung
betreffen, somit der Original-Effekt verstärkt (positive Rückkopplung) oder
Verringerung (negative Rückkopplung). Ein Beispiel einer solchen internen
Klimaschwankung ist das El-Nino-Southern Oszillation (ENSO), das aus der
Wechselwirkung zwischen Atmosphäre und Ozean im tropischen Pazifik
entstehen (IPCC Fourth Assessment Report: Climate Change 2007).
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
7
Identifizieren und Trennen der internen und externen Komponenten von
Klimaschwankungen sind abhängig von dem Kontext der Studie (Hoerling et
al., 2007). Z.B berücksichtigt man die Ozean Variationen im Rahmen der
jahreszeitliche atmosphärische Variabilität als externer Antrieb. Die Abbildung
2 zeigt shematisch, dass die Komponenten im System durch die interne
Variabilität um die externen Antriebe variieren. Nach IPCC ist die Summe der
internen Variabilität über einen ausreichenden langen Zeitraum null. Aber man
muss immer merken, dass die anthropogenen Antriebe sich nicht immer linear
wie die Abb.2 zeigen. Z. B, mit einem zeitlich zunehmenden anthropogenen
Antrieb kann ein linearer Detrend die interne Variabilität nicht richtig
beschreiben.
2.3 IOD und El- Niño/ /Southem Oscillation
El Niño und die Southern Oscillation (ENSO) beschreiben ein komplex
gekoppeltes Zirkulationssystem von Erdatmosphäre und Meeresströmung im
Pazifik. El Niño steht dabei eher für die ozeanischen Zusammenhänge,
während die Südliche Oszillation bzw. Southern Oscillation für die
atmosphärischen Zusammenhänge steht. Die ENSO ist negativ mit dem
Niederschlag des indischen Sommermonsuns (auf Englisch Indian summer
monsoon rainfall, ISMR) korreliert (Ashok, 2001). Eine El- Niño kann zu
Trockenheit in indischen Subkontinent führen, umgekehrt ist eine La-Niña zu
intensiven Niederschlag führen.
Der Indische Ozean Dipol (IOD) bezeichnet eine natürlich vorkommende
Anomalie der Meeresoberflächentemperatur (engl. sea-surface-temperature
daher auch kurz SST-Anomalie) am äquatorialen Ost- und Westende des
Indischen Ozeans. Ein Index zur Quantifizierung der IOD wird als SST
Differenz zwischen den tropischen westlichen Indischen Ozean (50°-70°E,
10°S-10°N) und tropischen südöstlichen indischen Ozean (90°-110°E, 10°S-0°)
definiert (Saji et al., 1999). Ein positives IOD Ereignis fällt auf dem indischen
Subkontinents mehrere Niederschlag aufgrund des starken ausgeprägten
Meer-Land Temperatur- und damit auch Druckunterschieds. Ein positives IOD
Ereignis kann von einem positiven ENSO Ereignis ausgelöst werden, aber
auch ein IOD Ereignis kann ein positives ENSO Ereignis auslösen, die interne
Variabilität dieses Systems erlaubt aber auch ein Vorkommen
unterschiedlicher Phasen ohne äußere Einflüsse (Ashok et al., 2004). Und
damit wird ISMR durch die Zusammenarbeit von ENSO und IOD beeinflusst
(Gadgil et al., 2003).
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
8
3.Methoden
Das Coupled Model Intercomparison Project Phase 5 (CMIP5) bietet
typischerweise mehrere Realisationen pro Klimamodell aus einer Reihe von
Modellexperimenten. Die historical Experiment wird durch die beobachtete
Änderungen der atmosphärischen Komponenten (Enthalte anthropogenen
und auch die natürlichen Quellen) und noch die Landbenutzung angetrieben
(Taylor et al., 2012). Da ideal jede Realisation einen möglichen Zustand des
Klimas repräsentiert, kann man durch die Differenz der Realisationen die
interne Variabilität untersuchen. Ich analysiere in dieser Arbeit insgesamt 68
historical Läufe aus 15 CMIP5 Modellen (Siehe Tabelle 1). Für die Analyse in
Absatz 4.1.2 verwende ich zusätzlich 4 Modelle, um das Ergebnis zu
verbessern. Die Analyse fokussiert auf die süd- und südöstliche Asian-Region
(SSEA, 75° bis 120 ° E und 5° bis 30° N), die durch den Sommermonsun
starke Niederschläge besitzt, und auf die zentrale Nordindien-Region (NCI, 76°
bis 87°E und 20° bis 28° E). Die NCI-Region ist gleich wie Bollasina et al.
(2011). Eine andere Region Nordwestindochina (NWIC,90°-100°W,15°-28°)
wird auch zur Niederschlag- analyse verwendet, um zu vergleichen.
Um die Verlagerung der ITCZ zu untersuchen wird die Differenz der vertikalen
Windgeschwindigkeit auf 500hPa zwischen Nord- und Nordostindien
analysiert. Und die genauen Regionen werden im Absatz 4.4 definiert.
Im Vergleichen zu den Simulationen werden in dieser Arbeit die Beobachtung-
sdaten für 2m-Temperatur und Niederschlag von Climate Research Unit (CRU)
TS 3.10.01 und the University of Delaware (UDel) verwendet. Die
beobachteten Niederschläge werden nur im Land gezeichnet. Für die Sea
Surface Temperture (SST) wird die HadiSST v1.1 als Beobachtungs-
datensätze verwendet.
Das statistische Signifikanzniveau eines kleinsten-Quadrate Trends wird durch
den zweiseitigen Student-t-Test ausgeführt.
Die fehlenden Werte im Landkarteplot werden durch Poission-Gleichung
interpoliert (z.B. Wind auf 850hPa Niveau).
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
9
2 Ergebnisse
4.1 Niederschläge
4.1.1 Niederschlagsanalyse
Der mittlere lineare Niederschlagstrend nach der Methode der kleinsten
Quadrate aller 68 Läufe von 15 Modelle von Juni bis September 1950-2000 ist
für NCI -0.13±0.47 mm/Tag, NWIC -0.09±0.51 mm und für SSEA -0.12±0.22
mm/Tag. Die simulierten mittleren Niederschlagstrends aller 3 Regionen sind
auf der gleiche Größenordnung. Aber die Niederschlagstrends in NCI und
NWIC zeigen eine zweifach stärkere Variabilität als in SSEA. Da die NCI und
NWIC Regionen sind viel kleiner als SSEA, weisen sie vielleicht die Wichtigkeit
der kleinskaligen Variabilität in dem Monsunniederschlagstrend, als Salzmann
et al., (2014) vorbringt, auf.
Die genaue Verteilung des Niederschlagstrends wird in der Abb. 4 dargestellt.
Die Niederschlagstrends von 68 Modellläufen in NCI sind sehr weit verbreitet,
sogar auch in demselben Modell (Siehe Beispiel Abb.5). Obwohl der mittlere
Wert weist nur leicht trockene Trend auf, zeigen 3 Modellläufe einen ziemlich
starke trockene Trend mit größer als -1.2 mm/Tag (50 Jahre-1), während 17
Modelle davon zeigen eine leichte Niederschlags- zunahme zwischen 0-0.2
mm/Tag (50 Jahre-1). Die 5.Realisation von CanESM simuliert einen stärksten
Trockentrend mit -1.46 mm/Tag, während die 3.Realisation von CSIRO-MK3-
6-0 simuliert eine stärkste Niederschlagszunahme mit 0.86 mm/Tag. Die
beobachteten Niederschlagstrends in NCI von CRU mit 1.08 mm/Tag (p=0.02)
und UDel -0.90 mm/Tag (p=0.06) (50 Jahre-1) liegen außer dem Intervall
zwischen den mittleren Wert plus/minus eine Standard- abweichung aber
innerhalb plus/minus zwei Standardabweichungen. Das heißt, dass der Trock-
entrend in NCI teilweise durch die Variabilität erklärt werden kann, aber
insgesamt ist es sehr wahrscheinlich, dass die Simulation des Trockentrends
in NCI bei diesem Modellensemble scheitert.
Der beobachtete Niederschlagstrend in NWIC von CRU beträgt -0.49 mm/Tag
(p=0.24) und UDel -1.28 mm/Tag (p=0.01) (50 Jahre-1). Obwohl der
beobachtete Trockentrend von CRU ist viele kleiner als UDel und liegt sie
zwischen den mittleren Wert plus/minus eine Standardabweichung aller 68
Läufe, ist sie leider nicht statistisch signifikant (p=0.24). Die Verteilung der
Niederschlagstrend ist auch wie NCI sehr weit breit. Also die Beobachtung
wird nochmal nicht durch die meisten Simulationen wieder- gegeben.
Für die SSEA-Region fallen die Niederschlagstrends aller Läufe in einem
relativ kleineren Intervall als die oben zwei kleinere Regionen zwischen -0.6
bis 0.4 mm/Tag (50 Jahre-1) ein. Der Trend von CRU mit -0.30 mm/Tag (p=0.07)
liegt in dem Intervall zwischen den mittleren Wert plus/minus eine Standard-
abweichung, aber der Trend von UDel mit -0.59 mm/Tag (p=0.003) liegt
nochmal weiter trockener als minus zwei Standardabweichungen.
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
10
Tabelle 1a 19 CMIP5 Modelle
Modell Anzahl der Läufeb Referenz
bcc-csm1-1 3 Wu et al. [2010]
CanESM2 5 Arora et al. [2011]
CCSM4 6 Gent et al. [2011
GFDL-CM3 5 Donner et al. [2011]
GFDL-ESM2 1 Dunne et al. [2012]
CNRM-CM5d 10 Voldoire et al. [2012]
CSIRO-Mk3-6-0 10 Rotstayn et al. [2012]
GISS-E2-H 5 Schmidt et al. [2014]
GISS-E2-R 5 Schmidt et al. [2014]
HadGEMe 4 Chalmers et al. [2013]
IPSL-CM5A-MRc 3 Dufresne et al. [2013]
IPSL-CM5 6 Dufresne et al. [2013]
MIROC-ESM 3 Watanabe et al. [2011]
MIROC-ESM-C 1 Watanabe et al. [2011]
MRI-CGCM3 1 Yukimoto et al. [2012]
NorESM 3 Kirkevag et al. [2013]
MPI-ESM-LRc 3 Giorgetta et al. [2013]
MPI-ESM-MRc 3 Giorgetta et al. [2013]
MIROC5c 5 Watanabe et al. [2010] a Die Tabelle basiert auf Jiang et al. (2012) und Salzmann et al. (2014). b Anzahl der Läufe im historical Experiment. c Sie werden zusätzlich in der Analyse in Absatz 4.1.2 verwendet. d Die SST-Daten von 1. Realisation sind verloren. e Omega-Daten auf 500 hPa sind nicht verwendbar.
Abbildung 3:Räumliche Verteilung des JJAS Niederschlagstrends von
1950 bis 2000 in mm/Tag (50 Jahre-1) für UDel (rechts) und CRU (links).
Die größere Box entspricht SSEA und die kleineren Boxen entsprechen
NCI und NWIC. Die kleine schwatze Punkt bedeutet ein Signifikantsniveau
größer als 95%.
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
11
Abbildung 4 : Die Verteilung der JJAS Niederschlagstrends 1950-2000 von
68 Modellläufen für NCI (oben) und SSEA (unten). Die orangen und blauen
Sterne entsprechen die Beobachtungen von UDel und CRU. Die roten
Linien repräsentiert der mittlere Wert von 68 Modellläufen und die grauen
Linien entsprechen dem mittleren Wert plus/minus eine/zwei Standard-
abweichungen.
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
12
Für die räumliche Verteilung des Niederschlagstrends stimmen einige Läufe
relativ gut mit den Beobachtungen überein (Siehe Abb. 1 und Beispiel 6).
Diese Läufe zeigen einen akzeptierbaren Trockentrend in Indischem
Subkontinent, Südostasien und Indochina, und gleichzeitig weisen sie in
gewissem Maße die Niederschlagszunahme in Südchina. Aber die andere
Läufe zeigen ganz unterschiedlich mit einander. Die simulierten Unterschiede
zwischen diesen individuellen Läufen in demselben Modell sind nicht nur
großskalig, sondern auch sehr kleinräumig, damit man sehr schwierig ein
analoges Schema zu finden.
Zeitlich zeigen die Beobachtungen und die Modellsimulationen auch eine sehr
intensive Variabilität des gesamten Niederschlags (Siehe Abb. 5). Z.B ist der
gesamte JJAS Niederschlag von 1952 dreifach größer als von 1955 bei der
zweiten Realisation. Wenn man sogar 1 Jahre weniger für den
Niederschlagstrend mitrechnet, z.B von1950 bis 1999, trägt die Abweichung
des Niederschlagstrends bei einiger Realisationen und auch die Beobachtung
manchmal von 10%.
Abbildung 5:Ein Beispiel der zeitlichen Variabilität des Niederschlags in
mm/Tag von HadGEM2-ES. Zeitliche Entwicklung des gesamten
Niederschlags in NCI von 1950 bis 2000l. Auf der rechten Seite werden die
Niederschlagstrends von 1.Realisation bis 4.Realisation dargestellt. Die
Standardabweichung zwischen 4 Läufen trägt 0.66 mm/Tag.
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
13
Abbildung 6 : Verschiedene Läufe, die gut mit den Beobachtungen
übereinstimmt. Sonst wie Abb.3.
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
14
Abbildung 7: Die Standardabweichung der Niederschlagstrends zwischen
den Läufe von jedem Modell, die mehr als 1 Realisation besitzen, als
Landkarte in mm/Tag (50 Jahre-1) gezeichnet.
Wenn man die Standardabweichung des Niederschlagstrends innerhalb eines
Modells, nämlich die simulierte interne Variabilität, betrachtet (Siehe Abb. 7),
zeigen die Modelle CSIRO-Mk3-6-0 und CNRM-CM5 (die erst zwei Plots) eine
starke Variation auf Westpazifik und auch Südostasien. 8 Modelle davon
simulieren eine ausgeprägte Variation auf dem Indischen Ozean entlang des
Äquators, während im Vergleichen zu den anderen 4 Modellen (GISS-E2-E,
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
15
GISS-E2-R, HadGEM2-ES, NorESM1-M), die eine schwache oder kaum
Variabilität auf den indischer Ozean simulieren, auch eine relativ stärkere
Variabilität in NCI und SSEA-Region zeigen. Das weist man hin, dass die
mutidekadische Variabilität der „Indian Ocean Dipol“ vielleicht auch eine
wichtige Rolle in der JJAS-Monsunniederschlag spielt, obwohl als
Ummenhofer et al, (2011) und Ashok et al, (2001) vorgebracht haben, dass der
ganze Zusammenhang zwischen den südostasiatischen Monsunnieder-
schläge und El-Niño und auch IOD sind noch nicht ganz klar. Insbesondere hat
man die Interaktionen zwischen El-Niño und positive/negative IOD noch nicht
vollständig verstanden. El-Niño ist negativ mit JJAS-Niederschlag auf dem
Indischen Subkontinent korreliert, während ein positives IOD eine
zunehmende Niederschlagsmenge mitbringt (Ashok, 2001). Also die
Niederschlagsmenge wird durch die Zusammenarbeit der El-Niño und IOD
entscheidet. Und über das IOD werde ich weiter in dieser Arbeit diskutieren.
Weiter zeigen beide GISS-Modelle (erst zwei Modelle der 3.Reihe) eine
besondere starke Variabilität entlang der Westküste von Myanmar und
Bengalen im Vergleichen zu den anderen Teilen der Simulation, weil 70% der
Läufe davon eine sehr starke anomale kleinräumige Niederschlagszunahme
simuliert, während die Reste leicht Abnahme zeigen.
4.1.2 Zusammenhang zwischen gesamten Niederschlagsmenge und
Variabilität des Niederschlagstrends
Abbildung 8: Mittlere gesamte JJAS Niederschlagsmenge von 1950 bis
2000 in mm/Tag für CRU (links) und UDel (rechts). Die schwarzen Punkte
entsprechen einem Signifikantsniveau größer als 95%.
Als Abb.8 gezeigt ist der gesamte JJAS Niederschlagsmenge in NCI ungefähr
zwischen 8 bis 10 mm/Tag. Westlich davon ist die gesamte Niederschlags-
menge für Westasien ziemlich klein zwischen 0 bis 2 mm/Tag. Das heißt, dass
nach den Beobachtungen die NCI-Region sich noch in der feuchten Zone
befindet, während die Simulationen dieses Modelle-Ensemble sehr
unterschiedlich sind. Für die gesamte Niederschlagsmenge zeigen die meisten
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
16
Modelle eine ost- oder südostwärts Erweiterung der trockenen Zone ins NCI.
Nur GFDL-CM3 und GFDL-ESM2M simulieren eine akzeptierbare gesamte
Niederschlagsmenge in der NCI-Region. Die anderen Modelle zählen NCI
ganz falsch zu dem trockenen Gebiet im West (Siehe Abb.9). Darauf weist
man hin, dass der gesamte Niederschlag die Stärke der Variabilität
beeinflussen kann. Um diesen Zusammenhang zu untersuchen, stellt man die
Gesamte JJAS Niederschlagsmenge und die Standardabweichung der
Niederschlagstrends zwischen den Realisationen jedes Modells (kann man
sich als interne Variabilität vorstellen) als XY-Punktdiagramm dar (Siehe
Abb.10). Nur die Modelle, die mehr als 3 Realisationen besitzt, werden
mitgerechnet.
Abbildung 9: Mittlerer gesamter JJAS Niederschlag von 1950 bis 2000
jedes Modells in mm/Tag (Jahr-1).
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
17
Abbildung10: Standardabweichung vs. Gesamter JJAS Niederschlag von
originalen Modellläufen (oben) und mit zusätzlich 4 Modellen (unten) für
NCI (links) und SSEA (rechts). Die schwarzen Linien entsprechen der
linearen Regression. Die orangen Sterne in der X-Achse repräsentieren
die Beobachtung von UDel und die blauen Sterne für CRU. 4 Modelle
werden zusätzlich verwendet um die Stichprobe zu vergrößern (Siehe
auch Tabelle 1).
Die Verteilung des gesamten Niederschlags in NCI ist sehr breit und auch der
Standardabweichung zwischen den Läufen ist sehr groß (Siehe Abb.10),
nämlich für gesamten Niederschlag von ungefähr 0.5 mm/Tag bis fast 12
mm/Tag und Variabilität von 0.2 bis 0.95 mm/Tag (50 Jahre-1). Auf der anderen
Seite liegen der gesamte Niederschlag von SSEA in einem engeren Intervall
von 6 bis 9.5 mm/Tag liegen. Also für die große SSEA-Region ist die
Simulation des gesamten Niederschlags relativ gut mit der Beobachtung
übereinstimmt.
Für das Ensemble ohne zusätzlich Modell zeigt der gesamte Niederschlag
eine klare lineare Korrelation mit der Standardabweichung in SSEA mit einem
Signifikantsniveau p=0.06 und in NCI nicht so gut mit p=0.23 (Abb.10 oben).
Da die Stichprobe relativ klein ist (12 Modelle), setze ich zusätzlich 4 Modelle
P=0.06 P=0.28
p=0.03
r=0.54 p=0.03
r=0.55
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
18
(Siehe Tabelle 1), um das Ergebnis überzeugender zu machen. Nach der
Einsetzung dieser 4 Modelle erhöht das Signifikantsniveau der lineare
Regression in SSEA sich von p=0.06 auf p=0.03 und in NCI von p=0.23 auf
p=0.03. Also Es ist damit deutlich, dass die Standardabweichung des
Niederschlagstrends der Läufe (Variabilität) mit der gesamten
Niederschlagsmenge zunehmen. Für NCI ist die lineare Regression
y=0.046x+0.183 und für SSEA y=0.055x-0.247, mit y die Variabilität und x die
gesamte Niederschlag in mm/Tag. Das Korrelations- koeffizient ist jeweilig für
NCI r=0.54 und für SSEA r=0.55. Statistisch kann man auch einfach verstehen,
dass die Abweichung natürlich durch die originalen Werte beschränkt ist.
Auffällig variiert der gesamte Niederschlag in SSEA um ca. 30% aber die
Standardabweichung von ungefähr 100%. D.h, dass die Variation des
gesamten Niederschlags nicht immer prozentual mit der Variation des
Niederschlagstrends übereinstimmt. Es hängt von dem Intervall des gesamten
Niederschlags ab. Zusammen mit der Beobachtung des gesamten
Niederschlags ist die Variabilität des Niederschlagstrends nach der
Regression ungefähr 0.5-0.6 mm/Tag für NCI und 0.15-0.2 mm/Tag für SSEA,
die fast halb Grüße als der Beobachtete Trend sind.
Da die meisten Modelle die gesamte Niederschlagsmenge in NCI nicht gut
reproduzieren können, nämlich zu wenig gesamter Niederschlag, wird die
Intensität der Niederschlagsvariabilität auch stark untergeschätzt. Zusammen-
gefasst kann man mindestens sagen, dass die Niederschlagssimulation in NCI
scheitert ist. Das Scheitern der Simulation vom JJAS Niederschlagstrend in
Indian von CMIP5 Modelle nach Anamitra Saha, 2014 kann auch teilweise
durch den falsch simulierten gesamten Niederschlag erklärt werden,
mindestens in der NCI-Region.
4.2 Temperatur und horizontale Wind
Für die Temperaturanalyse wird in den Karten die Bodennähe Temperatur von
2m für Landmasse und die Temperatur auf dem Meerspiegel für den Ozean
verwendet.
6 Modelle davon, nämlich bcc-csm1-1, CCSM4, CanESM2, CNRM-CM5,
NorESM1-M und IPSL-CM5A-LR zeigen fast über die ganzen ausgeschnitten
Region eine Temperaturzunahme (Siehe Abb.11 und 12), gleichzeitig weisen
die Beobachtungen die Temperaturabnahme auf Südchina, Tibet und Region
Nordpakistan. Auf der anderen Seite sind die Trends des divergierenden
Winds auf 850hPa von diesen 6 Modellen nicht gut mit der Temperatur
zusammenpassen. Die Verteilungen der Windtrends sind meistens sehr
kleinräumig, deshalb ist es sehr schwierig für man, um ein analoges Muster
zwischen dieser kleinräumigen Variabilität zu finden (Siehe Beispiel Abb.13).
Für die anderen individuellen Modellläufe, die eine relativ gute Temperatur-
abnahme in oben genannten Region und auch die starke Temperaturzunahme
in Westasien richtig simuliert haben, (außer MIROC-ESM-CHEM und GFDL-
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
19
ESM-2M und einige Läufe) zeigen ein klares Muster der Windtrends wie das
gezeigte Ensemblemittel von Salzmann et al., 2014. Durch den starken
Thermokontrast zwischen Ost/Südostasien und Westasien, nämlich
Temperaturabnahme in Ostasien und Temperaturzunahme in Westasien,
entstehende anomale Zirkulation (Luftaufstieg in Westasien und Absinken in
Osten) wird die originale Monsunzirkulation verhindert, damit die Kondensation
des Wasserdampfs langsamer wird und ein großräumig Trocken in Osten
verursacht.
Abbildung 11 : Mittlere bodennahe JJAS Temperaturtrend von 1950 bis 1999
jedes Modells in K (50 Jahre-1).
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
20
Abbildung 12:Der Trend von 2 m Temperatur von CRU (links) und UDel
(rechts). Die roten Schatten entsprechen Temperaturzunahme. Die kleine
schwatze Punkt bedeutet ein Signifikantsniveau größer als 95%.
Abbildung 13: Divergenzen in s-1 und divergierende Wind in m s-1 auf
850hPa von 15 Modellen. Rot bedeckt Divergenz und blau Konvergenz.
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
21
Wie Abb.14 dargestellt, zeigen CSIRO-MK3-6-0 und MIROC-ESM Modelle
insbesondere eine starke Temperaturvariabilität in NCI über 1K. Weiterhin
weisen 3 Modelle (IPSL-CM5A-LR, CCSM4, CanESM2), die fast die
Temperatur- abnahme nicht simuliert haben, aber sehr intensive Variation über
Westasien und teilweise auch Nordafrika auf. Und es ist wie erwartet zeigt,
dass das Land eine stäkere Temperaturvariabilität als das Meer besitzt.
Abbildung 14: Die Standardabweichung der Temperaurtrends zwischen
den Läufe von jedem Modell, die mehr als 1 Realisation besitzen, als
Landkarte in K (50 Jahre-1) gezeichnet.
4.3 SST auf IOD und IOD-Index
Wie in der Einleitung beschrieben, die Meeroberflächentemperatur von dem
indischen Ozean und Pazifik spielen eine wichtige Rolle in der JJAS
Niederschläge auf dem indischen Subkontinent. Nächst werde ich die
Beobachtete SST vom westlichen indischen Ozean (WIO, 50°-70°E,
10°S-10°N), östlichen indischen Ozean (EIO, 90°-110°E, 10°S-0°) mit jeder
Modellsimulation vergleichen, um möglichweise einen Zusammenhang zu
finden. Man kann auch gleichzeitig die Fähigkeit von Variabilität jedes Modells
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
22
in der SST-Simulation einschätzen. Man macht zunächst eine lineare
Regression für die SST-Daten. Die interne Variabilität der SST wird durch Torig
– Tre (Torig entsprechen die originalen SST-Daten und Tre entspricht die lineare
Regression) ausgerechnet, also De-trend. Schließlich wird die SST-Variation in
10 Jährigen Mittel dargestellt. Aber man muss hier bemerken, dass der
Detrend-SST hier in WIO nicht die interne Variabilität vorständig richtig
darstellt, da hier der Anthropogene Antrieb vielleicht nicht linear ist.
Die SST steigt wegen der globalen Erwärmung von 1900 bis 2000 fast stetig
auf. Nach der Beobachtung fällt die SST von ungefähr 1940 bis 1950 plötzlich
ab, und danach steigt die SST von 1950 bis 2000 schnell auf (Siehe Abb.15).
Auffällig zeigen die Modelle außer GFDL-ESM2M und MRI-CGCM3 eine
Verzögerung der Temperaturabnahme von 10 bis 15 Jahre. damit die meisten
Modelle die SST-Zunahme von 1950 bis 200 (nach Beobachtung) auch leicht
unterschätzt (Siehe Abb.15). Die Temperaturabnahme kann aus fast jedem
Modell und auch aus Beobachtung finden, deshalb muss sie anthropogen sein,
da für den Fall der internen Variabilität die Beobachtung und auch so viele
Modell sehr unwahrscheinlich eine solche identische Temperaturabnahme
aufweisen können. D. h, dass insgesamt durch die verspätende Einse- tzung
hat fast jedes Modell die Temperaturzunahme von 1950 bis 2000 für den WIO
untergeschätzt.
Gleichzeitig ist die simulierte Variation auf dem EIO relativ gut (Siehe Abb.16).
Aber NorESM1-M simuliert eine schwächere Intensität als die Beobachtung
und die Simulation von GFDL-ESM2M ist zu intensiv (Siehe Anhang A1).
Abb.17 zeigt den linearen Trend des IOD-Index. Der mittlere SST-Trend
beträgt 0.04±0.21 K, während die Beobachtung einen positiven SST-Trend mit
0.4 K besitzt, damit er größer als der mittlere Wert plus eine Standard-
abweichung aller Läufe ist. Weiter zeigen nur 3 Läufe von 68 Modellen einen
stärkeren Trend als die Beobachtung. Zusammengefasst sind für die meisten
Modelle den IOD-Index untergeschätzt, die zur einen Unterschätzung der
Nieder- schlagsmenge von 1950 bis 2000 auf dem indischer Subkontinent
führen kann. Obwohl ein positives IOD-Index zu einem starken ausgeprägten
Niederschlag in Indien führen kann, kann man nicht so einfach feststellen, ob
die Modelle die JJAS Niederschläge des indischen Subkontinents unter-
geschätzt oder nicht, da leider in dieser Arbeit die SST-Daten vom Pazifik nicht
analysiert werde. Und das ENSO zeigen in der meisten Zeit von 1958 bis 1997
eine stärkere Korrelation mit dem ISMR als IOD (Ashok et al, 2001), bedeutet,
dass der Pazifik einen stärkeren Einfluss auf dem ISMR als IOD hat. Eigentlich
wird ISMR durch die Zusammenarbeit von IOD und ENSO beeinflusst, weil ein
positive IOD Ereignis und ein El- Niño miteinander auslösen kann, deswegen
kann man nicht rein durch den IOD-Index eine Schlussfolgerung über ISMR
zusammenfassen. Aber mindestens kann man sagen, wenn ESON und IOD
nicht voneinander abhängig ist, ist die ISMR bezüglich der IOD bei diesem
Ensemble untergeschätzt, obwohl im Mittel ist der Trockentrend bei die
Modelle von CMIP5 schon untergeschätzt.
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
23
Abbildung 15: Der 10 jährig gemittelt SST-Verlauf minus den mittleren Wert
(T-Tavg) auf dem WIO von 1900 bis 2000 in K. Die roten Linien entsprechen die
mittle Variation der SST der Modelle und die grünen Linien entsprechen die
Beobachtung von HadiSST v1.1. Die grauen Linien zeigen das Anfang der
Temperaturabnahme.
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
24
Abbildung 16: Der 10 jährig gemittelt SST-Verlauf minus den mittleren Wert
(T-Tavg) auf dem EIO von 1900 bis 2000 in K. Die roten Linien entsprechen die
mittle Variation der SST der Modelle und die grünen Linien entsprechen die
Beobachtung von HadiSST v1.1..
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
25
Abbildung 17: Der lineare Trend des IOD-index JJAS von 1950 bis2000. Die
blauen Punkte entsprechen dem Trend des IOD-Index. Der grüne Stern zeigt
den mittleren Wert jedes Modells. Der orange Stern repräsentiert die
Beobachtungen mit 0.4 K (50 Jahre-1). Schwarzen Linien entsprechen die
mittleren Werte plus/minus eine Standardabweichung. Die Linie in leichtem
Blau repräsentiert den mittleren Wert aller Läufe
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
26
4.4 Verlagerungen der ITCZ
Vertikal gesehen sind die Trends der vertikalen Geschwindigkeit auf 500 hPa
(500 hPa Omega) von jedem Modell sehr gut mit der Niederschlagstrends
übereinstimmen. Wegen der Erwärmung durch die Treibhausgase verlagert
sich ITCZ ostwärts über Pazifik und auch von Indien bis zum Pazifik
(Salzmann et al., 2014). Da Indian gerade an der Westgrenze der ITCZ, kann
der Trockentrend in NCI vielleicht teilweise durch die Verlagerung der ITCZ
erklärt werden. Salzmann et al., (2015) zeigte in einigen Region einen
ausgeprägten Omega-Gradient auf 500hPa zwischen den aufsteigenden und
absinkenden Zone im Modellmittel, gleichzeitig zeigt auf der Westseite dieser
Region ein starkes Absteigen, das könnte als einen Beweis der Verlagerung
der ITCZ betrachten. Um die Verlagerung der ITCZ zu untersuchen definiere
ich hier zwei Regionen: Region A (20°-28°N, 53°-67°W) und Region B
(17°-25°N, 69°-81°W). Man rechnet die Differenz des vertikalen
Geschwindigkeitstrends der beiden Regionen auf 500hPa von 1950 bis 2000
(Siehe Abb.18), die durch die folgende Form ausgerechnet werden können:
ωdiff=ωA-ωB.
ωA,ωB die jeweilige vertikale Geschwindigkeit auf 500 hPa. Positive Werte
entsprechen dem Absinken der Luft.
Abbildung 18: Region A und Region B.
Theoretisch durch eine ostwärts Verlagerung der ITCZ soll ein negativer
Differenz der vertikalen Geschwindigkeit zwischen den nicht bewirkende Zone
A und Übergangszone, nämlich die Region B, gezeigt werden. Aber der
mittlere Wert ωdiff aller Läufe beträgt -0.00124±0,0042 Pa/s (Siehe Abb.19). 8
von 13 Modellen, die mehr als 1 Realisation besitzt, zeigen eine negative
mittlere Differenz zwischen -0.002 bis -0.003 Pa s-1. Da aber die mittlere
Differenz aller Läufe relativ klein und die Variabilität ziemlich groß ist, also das
Ergebnis kann nicht signifikant von 0 unterscheiden, damit man nicht zur einen
Schlussfolgerung kommen kann, ob es wirklich ein stärkerer Trend des
Absinkens (schwächerer Aufstieg) in Region B als in Region A gibt. Insgesamt
kann man statistisch nicht durch die Differenz der vertikalen Geschwindigkeit
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
27
auf 500hPa ein Ergebnis schließen, ob die Verlagerung der ITCZ wirklich die
Region A beeinflusst.
Ein möglicher Grund für das Scheitern dieser Untersuche liegt vielleicht daran,
dass die räumliche Verteilung und auch die Lage der ITCZ verschiedener
Modelle sich miteinander unterschieden (Siehe Beispiel Abb.20). Das heißt,
dass die gewählten Regionen sich nicht exakt auf dem Rand der ITCZ jedes
Modells befinden können, sodass für manche Modelle diese Omega-Differenz
die Verlagerung der ITCZ nicht beschreiben kann. Weitere könnte die
Monsunzirkulation durch viele verschiedene Antriebe, wie anthropogene
Aerosole, beeinflussen, sodass diese durch Verlagerung der ITCZ sorgte
Vertikale Änderung verbogen werden könnte.
Abbildung 19: Differenz des vertikalen Geschwindigkeitstrends zwischen
Region A (15°-28°N, 75°-90°W) und Region B (15°-28°N, 90°-105°W) auf
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
28
500hPa von 1950 bis 2000 in Pa/s (50 Jahre-1). Die roten Punkte
entsprechen den Omega-Differenzen. Der grüne Stern zeigt den mittleren
Wert jedes Modells. Schwarzen Linien entsprechen die mittleren Werte
plus/minus eine Standardabweichung. Die Linie in leichtem Blau
repräsentiert den mittleren Wert aller Läufe mit 0,00124 Pa/s.
Abbildung 20: Gefüllte Kontur: Die lineare Trends der JJAS vertikalen
Geschwindigkeit von 1950 bis 2000 auf 500hPa in Pa/s. Konturlinien: 50
jährige mittlere vertikale Geschwindigkeit auf 500hPa von -0.1 bis -0.02 (blau)
und von 0.02 bis 0.1 (orange) in Stufe von 0.02 Pas-1 und 0 (weiß). Ein
negative Wert entspricht ein Aufstieg.
3 Zusammenfassung und Diskussion
Die Ergebnisse von diesen CMIP5 Modelle zeigen einen viel leichteren
Trockentrend als die Beobachtungen in der Monsunregion, aber die Variation
der Niederschlagstrends sind sehr stark nicht nur zwischen den Modelle,
sondern auch die individuelle Läufe in demselben Modell. Für die kleinere
Regionen NCI und NWIC ist die Verbreitung der Niederschlagstrends aller
Läufe ziemlich weit mit einer Standardabweichung zwei- bis dreifach größer
als der mittlere Trend. Obwohl Saha, (2014) die Modelle in der Simulation von
ISMR von 1950 bis 2000 scheitert findet, denke ich hier, dass der beobachtete
Trend wie Salzmann et al., (2014) noch teilweise durch die interne Variabilität
erklärt werden kann, da einige Läufe noch intensiven Trockentrend zeigen.
Aber gleichzeitig finde ich eine positive lineare Korrelation zwischen den
gesamten Niederschlag und die Variabilität. Weil die meisten Modelle eine
Erstreckung der trockenen Zone ins NCI simuliert haben, sind für meisten
Modelle die simulierte gesamte Niederschlagsmenge ganz falsch, damit die
interne Variabilität des Niederschlagstrends auch stark untergeschätzt. Also
man soll merken, dass die Voraussetzung der Diskussion von
Niederschlagsvariabilität ist die richtige Simulation bei dem
Gesamtniederschlag. Für die Modelle, die zu wenig Niederschlag aufweisen,
können deren Variabilität nicht mehr die Realität repräsentieren.
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
29
Die anomale Zirkulation zwischen West- und Südostasien (Salzmann et al.,
2014) wird hier durch viele individuelle Läufe wiedergegeben. Die Modelle, die
keinen Temperaturgradient zwischen West- und Südostasien zeigen, nämlich
1/3 aller Modelle, weisen auch keine solche Zirkulation auf. Weitere zeigen
einige Modelle gar keine Temperaturabnahme wie die Beobachtung in
Südchina, Tibet und Region Nordpakistan, obwohl deren Gradienten richtig
dargestellt sind. Es weist man hin, dass diese identische Temperaturzunahme
durch die globale Erwärmung vielleicht die durch anthropogene Aerosole
verursachte Niederschlagsabnahme in Südchina verborgen. Die weitere
Variation von bodennaher Temperatur und horizontale Wind auf 850 und 300
hPa sind ziemlich kleinräumig, darauf kann man kaum analoges Schema
finden.
Im dieser Arbeit wird auch die SST von IOD analysiert. Daraus findet man,
dass durch die verspätende Einsetzung eines anthropogenen Antriebs die
SST-Abnahme in WIO von meisten Modelle um ungefähr 10 bis 15 Jahre im
Vergleichen zur Beobachtung verschiebt, damit der SST-Trend in WIO von
1950 bis 2000 stark untergeschätzt ist. Gleiches Spiel tritt nicht mehr in EIO
vor. Insgesamt ist der Trend des IOD Indexes auch untergeschätzt. Dann im
Bezug auf IOD-Index kann es zur Unterschätzung des ISMR-Trends führen,
Obwohl diese multidekadische Variabilität vielleicht nicht so stark mit ISMR
von 1950 bis 2000 korreliert (r=0.32) (Saji et al., 1999).
Die Verlagerung der ITCZ wird leider in dieser Arbeit nicht statistisch erfolglich
durch Omega auf 500 hPa Niveau beweist. Aber es bedeutet nicht, dass die
Verlagerung der ITCZ nicht existiert. Auf der anderen Seite könnte die oben
genannte Erstreckung der trockenen Zone als eine mögliche Unterstützung
sein. Die Verlagerung der ITCZ ist noch eine sehr wahrscheinlich Faktor im
Trockentrend in NCI.
Zusammengefasst zeigen diese CMIP5 Modelle noch einige Ungewissheit
über einige wichtige Elemente des Südostasiatischen Sommermonsuns.
Korrekte Darstellung der Elemente in Modellen der nächsten Generation kann
die Zuverlässigkeit der ISMR Projektionen zu verbessern. Man soll auch
bemerken, dass der Summermonsun immer durch viele Elemente gleichzeitig
beeinflusst wird, deswegen ist es immer schwierig durch einziges Element
einer Aussage über die gesamte Situation zu befassen
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
30
Literaturen
Arora, V. K., J. F. Scinocca, G. J. Boer, J. R. Christian, K. L. Denman, G. M.
Flato, V. V. Kharin, W. G. Lee, and W. J. Merryfield, Carboni emission limits
required to satisfy future representative concentration pathways of
greenhouse gases, Geophys. Res. Lett., 38, doi: 10.1029/2010GL046270.
2011
Ashok Karumuri, Zhaoyong Guan and Toshio Yamagata, Impact of
the Indian Ocean Dipole on the Relationship between the Indian Monsoon
Rainfall and ENSO, GEOPHYSICAL RESEARCH LETTERS, VOL.
28, NO. 23, PAGES 4499-4502, DECEMBER 1, 2001
Ashok K, Guan Z, Saji NH, Yamagata T. On the individual and combined
influences of the ENSO and the Indian Ocean dipole on the Indian summer
monsoon. Journal of Climate 17: 3141–3154. 2004.
Bollasina, M. A., Y. Ming, and V. Ramaswamy , Anthropogenic aerosols
and the weakening of the South Asian summer monsoon, Science, 334,
502–505,doi:472 10.1126/science.1204994, 2011.
Caroline C Ummenhofer, Alexander Sen Gupta, Yue Li, Andrea S
Taschetto and Matthew H England, Environ. Res. Lett. 6, 034006 (8pp),
doi:10.1088/1748-9326/6/3/034006, 2011
Chalmers, N., E. J. Highwood, E. Hawkins, R. Sutton, and L. J. Wilcox
(2013), Aerosol contribution to the rapid warming of near-term climate
under RCP 2.6, Geophys. Res. Lett., 39, doi:10.1029/2012GL052848.
Chung C. E., V. Ramanathan, J. Clim. 19, 2036, 2006.
Donner, L. J., B. L. Wyman, R. S. Hemler, L. W. Horowitz, Y. Ming, M. Zhao,
J.-C. Golaz, P. Ginoux, S.-J. Lin, D. M. Schwarzkopf, J. Austin, G. Alaka, W.
F. Cooke, T. L. Delworth, S. M. Freidenreich, C. T. Gordon, S. M. Griffies, I.
M. Held, W. J. Hurlin, S. A. Klein, T. R. Knutson, A. R. Langenhorst, H.-C.
Lee, Y. Lin, B. I. Magi, S. L. Malyshev, P. C. D. Milly, V. Naik, M. J. Nath, R.
Pincus, J. J. Ploshay, V. Ramaswamy, C. J. Seman, E. Shevliakova, J. J.
Sirutis, W. F. Stern, R. J. Stouffer, R. J. Wilson, M. Winton, A. T. Wittenberg,
and F. Zeng (2011), The Dynamical Core, Physical Parameterizations, and
Basic Simulation Characteristics of the Atmospheric Component AM3 of
the GFDL Global Coupled Model CM3, J. Climate, 24(13), 3484–3519, doi:
10.1175/2011JCLI3955.1.
Dufresne, J.-L., M.-A. Foujols, S. Denvil, A. Caubel, O. Marti, O. Aumont, Y.
Balkanski, S. Bekki, H. Bellenger, R. Benshila, S. Bony, L. Bopp, P.
Braconnot, P. Brockmann, P. Cadule, F. Cheruy, F. Codron, A. Cozic, D.
Cugnet, N. de Noblet, J. Duvel, C. Eth e, L. Fairhead, T. Fichefet, S.
Flavoni, P. Friedlingstein, J.-Y. Grandpeix, L. Guezi, E. Guilyardi, D.
Hauglustaine, F. Hourdin, A. Idelkadi, J. Ghattas, S. Joussaume, M.
Kageyama, G. Krinner, S. Labetoulle, A. Lahellec, M. Lefebvre, F. Lefevre,
C. Levy, Z. Li, J. Lloyd, F. Lott, G. Madec, M. Mancip, M. Marchand, S.
Masson, Y. Meurdesoif, J. Mignot, I. Musat, S. Parouty, J. Polcher, C. Rio,
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
31
M. Schulz, D. Swingedouw, S. Szopa, C. Talandier, P. Terray, and N. Viovy
(2013), Climate change projections using the IPSL-CM5 Earth System
Model: from CMIP3 to CMIP5, submitted to Clim. Dyn.
Dunne, J. P., J. G. John, A. J. Adcroft, S. M. Griffies, R. W. Hallberg, E.
Shevliakova, R. J. Stouffer, W. Cooke, K. A. Dunne, M. J. Harrison, J. P.
Krasting, S. L. Malyshev,. P. C. D. Milly, P. J. Phillipps, L. T. Sentman, B. L.
Samuels, M. J. Spelman, M. Winton, A. T. Wittenberg, and N. Zadeh
(2012), GFDL’si ESM2 global coupled climate-carbon Earth System
Models. Part I: Physical formulation and baseline simulation character-
istics, J. Climate, 25(19), 6646–6665, doi:10.1175/JCLI-D-11-00560.1.
Gadgil S, Vinayachandran PN, Francis PA. 2003. Droughts of the Indian
summer monsoon: role of clouds over the Indian Ocean. Current Science
85(12): 1713–1719.
Gent, P. R., G. Danabasoglu, L. J. Donner, M. M. Holland, E. C. Hunke, S.
R. Jayne, D. M. Lawrence, R. R. Neale, P. J. Rasch, M. Vertenstein, P. H.
Worley, Z.-L. Yang, and M. Zhang, The Community Climate System Model
Version 4, J. Climate, 24(19), 4973–4991, doi:10.1175/2011JCLI4083.1.
2011.
Giorgetta, M. A., J. Jungclaus, C. H. Reick, S. Legutke, J. Bader, M.
B ottinger, 444 V. Brovkin, T. Crueger, M. Esch, K. Fieg, K. Glushak, V.
Gayler, H. Haak, H.-D. 445 Hollweg, T. Ilyina, S. Kinne, L. Kornblueh, D.
Matei, T. Mauritsen, U. Mikolajew- 446 icz, W. Mueller, D. Notz, F. Pithan, T.
Raddatz, S. Rast, R. Redler, E. Roeckner, 447 H. Schmidt, R. Schnur, J.
Segschneider, K. D. Six, Stockhause, C. Timmreck, J. Weg- 448 ner, H.
Widmann, K.-H. Wieners, M. Claussen, J. Marotzke, and B. Stevens
(2013), 449 Climate and carbon cycle changes from 1850 to 2100 in
MPI-ESM simulations for the 450 Coupled Model Intercomparison Project
phase 5, J. Adv. Model. Earth Syst., 5 (3), 451, 572–597, doi:
10.1002/jame.20038.
Hoerlingi, G. Hegerl, D. Karoly, A. Kumar, and D. Rind, At tribution of the
causes of climate variations and trends over North America during the
modern reanalysis period. Re-analysis of Historical Climate Data for Key
Atmospheric Features: Implications for Attribution of Causes of Observed
Change, R. Dole, M. Hoerling, and S. Schubert, Eds, NOAA 47–92., 2007
IPCC, Fourth Assessment Report: Climate Change 2007: Working Group I:
The Physical Science Basis (Stand 22,02,2012) :
http://www.ipcc.ch/publications_and_data/ar4/wg1/en/ch9s9-1.html
Jiang, J. H., H. Su, C. Zhai, V. S. Perun, A. D. Genio, L. S. Nazarenko, L. J.
Donner, L. Horowitz, C. Seman, J. Cole, A. Gettelmani, M. A. Ringer, L.
Rotstayn, S. i, T. Wu, F. Brient, J. L. Dufresne, H. Kawai, T. Koshiro, M.
Watanabe, T. S. L` Ecuyer, E. M. Volodin, T. Iversen, H. Drange, M. D. S.
Mesquita, W. G. Read, J. W. Waters, B. Tian, J. Teixeira, and G. L.
Stephens, Evaluation of cloud and water vapor simulations in CMIP5
climate models using NASA “A-Train” satellite observations, J. Geophys.
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
32
Res., 117, doi:10.1029/2011JD017237.2012.
Kirkevag, A., T. Iversen, Ø. Seland, C. Hoosei, J. E. i, H. Struthersi, A. M. L.
Ekman, S. Ghan, J. Griesfeller, E. D. Nilsson, and M. Schulz,
Aerosol-climate interactions in the Norwegian Earth System Model -
NORESM1-m, Geosci. Model Dev., 6(1), 207–244, doi:-
10.5194/gmd-6-207-2013. 2013
Lau William k. M., Kyu-Myong Kim, Fingerprinting the impacts of aerosols
on long-term trends of the Indian summer monsoon regional rainfall,
Geophysical Research Letters, 2010, DOI: 10.1029/2010GL043255.
Ramanathan V. et al., Proc. Natl. Acad. Sci. U.S.A. 102,5326 , 2005.
Rotstayn, L. D., S. J. Jeffrey, M. A. Collier, S. M. Dravitzki, A. C. Hirst, J. I.
Syktus, and K. K. Wong (2012), Aerosol- and greenhouse gas-induced
changes in summer rainfall and circulation in the Australasian region: a
study using single-forcing climate simulations, Atmos. Chem. Phys., 12(14),
6377–6404, doi:10.5194/acp-12-6377-2012.
Ruppert Thomas, Sommermonsun auf dem Rückzug, Deutscher
Wetterdienst, 2012
Saji, N.H., B. N. Goswami, P. N. Vinayachandran, and T. Yamagata:,1999:
A dipole mode in the tropical Indian Ocean, Nature, 401, 360-363.
Salzmann, M., H. Weser, and R. Cherian, Robust response of Asian
summer monsoon to anthropogenic aerosols in CMIP5 models, J.
Geophys. Res. Atmos., 119, doi: 10.1002/2014JD021783. 2014
Salzmann M., R. Cherian, On the enhancement of the Indian summer
monsoon drying by Pacific multidecadal variability during the latter half of
the 20th century, eingereicht, 2015
Saha Anamitra, Subimal Ghosh, A. S. Sahana and E. P. Rao, Failure of
CMIP5 climate models in simulating post-1950 decreasing trend of Indian
monsoon, Geophysical Research Letters, Volume 41, Issue 20, pages
7323–7330, 28 October 2014, doi: 10.1002/2014GL061573.
Schmidt, G. A., M. Kelley, L. Nazarenko, R. Ruedy, G. L. Russell, I. Aleinov,
M. Bauer, S. E. Bauer, M. K. Bhat, R. Bleck, V. Canuto, Y.-H. Chen, Y.
Cheng, T. L. Clune, A. D. Genio, R. de Fainchtein, G. Faluvegi, J. E.
Hansen, R. J. Healy, N. Y. Kiang, D. Koch, A. A. Lacis, A. N. LeGrande, J.
Lerner, K. K. Lo, E. E. Matthews, S. Menon, R. L. Miller, V. Oinas, A. O.
Oloso, J. P. Perlwitz, M. J. Puma, W. M. Putman, D. Rind, A. Romanou, M.
Sato, D. T. Shindell, S. Sun, R. A. Syed, N. Tausnev, K. Tsigaridis, N.
Unger, A. Voulgarakis, M.-S. Yao, , and J. Zhang (2014), Configuration and
assessment of the GISS ModelE2 contributions to the CMIP5 archive, J.
Adv. Model. Earth Syst., 6, 141–184, doi:10.1002/2013MS000265.
Taylor, K. E., R. J. Stouffer, and G. A. Meehl, An overview of CMIP5 and
theexperiment design, Bull. Amer. Meteorol. Soc., 93(4), 485–498,
doi:10.1175/BAMS-D-11-00094.1. 2012.
Voldoire, A., E. Sanchez-Gomez, D. Salas y M elia, B. Decharme, C.
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
33
Cassou, S. S en esi, S. Valcke, I. Beau, A. Alias, M. Chevallier, M. D equ e,
J. Deshayes, H. Douville, E. Fernandez, G. Madec, E. Maisonnave, M.-P.
Moine, S. Planton, D. Saint-Martin, S. Szopa, S. Tyteca, R. Alkama, S.
Belamari, A. Braun, L. Coquart, and F. Chauvin (2012), The CNRM-CM5.1
global climate model: description and basic evaluation, Clim. Dynam.,
doi:10.1007/s00382-011-1259-y.
Watanabe, S., T. Hajima, K. Sudo, T. Nagashima, T. Takemura, H. Okajima,
T. Nozawa, H. Kawase, M. Abe, T. Yokohata, T. Ise, H. Sato, E. Kato, K.
Takata, S. Emori, and M. Kawamiya (2011), MIROC-ESM 2010: model
description and basic results of CMIP5-20c3m experiments, Geosci. Model
Dev., 4(4), 845–872, doi:10.5194/gmd-4-845-2011.
Webster P. J., J. Geophys. Res. 103, 14451 , 1998.
Wikipedia: Indischer Monsun,
http://de.wikipedia.org/wiki/Indischer_Monsun (Stand: 08.04.2015)
Wu, T., R. Yu, F. Zhang, Z. Wang, M. Dong, L. Wang, X. Jin, D. Chen, and
L. Li, The Beijing Climate Center atmospheric general circulation model:
description and its performance for the present-day climate, Clim. Dynam.,
34(1), 123–147, doi: 10.1007/s00382-008-0487-2. 2010
Yukimoto, S., Y. Adachi, M. Hosaka, T. Sakami, H. Yoshimura, M. Hirabara,
T. Y. Tanaka, E. Shindo, H. Tsujino, M. Deushi, R. Mizuta, S. Yabu, A.
Obata, H. Nakano T. Koshiro, T. Ose, and A. Kitoh (2012), A new global
climate model of the Meteorological Research Institute: MRI-CGCM3 –
Model description and basic performance, J. Meteor. Soc. Japan, 90A, 23–
64, doi:10.2151/jmsj.2012-A02.
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
34
Abbildungsverzeichnis
Department of Geography, Hunter College of the city University of New
York, Asian Summer Monsoon:
http://www.geography.hunter.cuny.edu/tbw/wc.notes/7.circ.atm/monsoons
/asian_summer_monsoon.htm (Stand: 10.12.2004)
What is internal variability? (stand:11.03.2015) :
http://judithcurry.com/2013/08/29/what-is-internal-variability/
Abkürzungsverzeichnis
ITCZ: die innertropische Konvergenzzone
ISMR: Indian summer monsoon rainfall
ENSO: El-Nino-Southern Oszillation
IOD: Indische Ozean Dipol
SST: Meeresoberflächentemperatur
SSEA: südöstliche Asian-Region
NCI: zentrales Nordindien
NWIC: Nordwestindochina
EIO: Östlicher indischer Ozean
WIO: Westlicher indischer Ozean
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
35
Anhang
A1: 10 jährig gemittelte interne Variabilität (detrended) der SST auf dem
EIO von 1900 bis 2000 in K. Die roten Linien entsprechen die mittle
Variation der SST der Modelle und die grünen Linien entsprechen die
Beobachtung von HadiSST v1.1.
Hanmi Cheng Einflüsse multidekadischer Variabilität auf den südostasiatischen Sommermonsun
36
A2:10 jährig gemittelte interne Variabilität (detrended, aber mit
anthropogenem Einfluss) der SST auf WIO von 1900 bis 2000 in K. Die
roten Linien entsprechen die mittle Variation der SST der Modelle und die
grünen Linien entsprechen die Beobachtung von HadiSST v1.1.