Die Methode des Long Range Forecast Systems (LRFS)

3. Die vier Schritte des Verfahrens

Schritt I: Korrelationsanalyse
Zunächst wird geprüft, wie stark die monatlichen Werte der meteorologischen Prädiktoren an den einzelnen Gitterpunkten statistisch mit den Zielindizes des jeweils folgenden Monats zusammenhängen. Dafür wird der Korrelationskoeffizient berechnet. Er beschreibt die Stärke und Richtung eines linearen Zusammenhangs: Ein Wert nahe +1 steht für einen starken positiven, ein Wert nahe −1 für einen starken negativen linearen Zusammenhang. Ein Wert nahe 0 weist auf keinen ausgeprägten linearen Zusammenhang hin; nichtlineare Beziehungen können damit allerdings unentdeckt bleiben.

Diese Berechnung wird getrennt für Luftdruck, 200-hPa-Geopotential und Meeresoberflächentemperatur sowie für die betrachteten Vormonate durchgeführt. Da dabei sehr viele Gitterpunkte und Datensätze ausgewertet werden, erfolgt dieser Arbeitsschritt programmgesteuert.

Schritt II: Auswahl der Variablen
Im nächsten Schritt werden diejenigen Variablen ausgewählt, deren absoluter Korrelationskoeffizient mit einem Zielindex mindestens 0,35 beträgt. Dieser Schwellenwert ist ein festgelegtes Auswahlkriterium des Verfahrens. Er dient dazu, die große Zahl möglicher Einflussgrößen auf Variablen mit einem vergleichsweise deutlichen linearen Zusammenhang zu begrenzen. Die Auswahl wird für die drei Prädiktorgruppen vorgenommen; die ausgewählten Variablen werden anschließend für die weiteren Berechnungen gespeichert.

Ein Korrelationswert allein beweist jedoch weder einen ursächlichen Zusammenhang noch eine zuverlässige Vorhersage. Bei sehr vielen gleichzeitig geprüften Variablen müssen außerdem Stichprobenumfang, zeitliche Abhängigkeiten der Daten und die Vielzahl der durchgeführten Tests bei der statistischen Bewertung berücksichtigt werden.

Schritt III: Hauptkomponentenanalyse (PCA)
Die Korrelationsanalyse kann eine große Zahl räumlich zusammenhängender Variablen liefern. Viele davon enthalten ähnliche Informationen, weil benachbarte Gitterpunkte häufig vergleichbare Entwicklungen zeigen. Um diese Informationsfülle übersichtlicher und statistisch handhabbarer zu machen, wird auf die ausgewählten Variablen eine Hauptkomponentenanalyse (Principal Component Analysis, PCA) angewendet.

Die PCA fasst die Informationen mehrerer ursprünglicher Variablen in wenigen neu gebildeten Größen, den Hauptkomponenten, zusammen. Dadurch können Redundanzen verringert und zusammengehörige räumliche Muster kompakter beschrieben werden. Die Analyse erfolgt getrennt nach Prädiktorgruppe und Vormonat. Die so gewonnenen Hauptkomponenten werden anschließend als Eingangsgrößen für das Regressionsmodell verwendet.

Schritt IV: PLS-Regression Berechnung der Prognosefelder
Im letzten statistischen Modellierungsschritt werden die Hauptkomponenten mit einer PLS-Regression (Partial Least Squares) ausgewertet. Dieses Regressionsverfahren bildet Kombinationen der Eingangsgrößen, die für die Erklärung beziehungsweise Schätzung der Zielgrößen besonders relevant sind. Aus dem Modell werden Regressionskoeffizienten abgeleitet, mit denen die Anomalien der Zielindizes für den Prognosemonat geschätzt werden.

Schritt V: Berechnung der Prognosefelder
Die prognostizierten Indexanomalien dienen anschließend als Grundlage, um die erwarteten Luftdruck- und Temperaturverteilungen zu berechnen. Diese Berechnung erfolgt mithilfe einer multivariaten Regression für Gitterpunkte im Abstand von 5° × 5°. Für Deutschland werden die Ergebnisse abschließend in verständliche Witterungskategorien eingeteilt.

4. Wie werden die Prognosen dargestellt?

Die Temperaturprognosen für Deutschland werden in fünf Kategorien zusammengefasst: „sehr kalt“, „kalt“, „normal“, „mild“ und „sehr mild“. Für den Niederschlag werden drei Kategorien verwendet: „trocken“, „normal“ und „nass“. Diese Begriffe beziehen sich auf die erwartete Abweichung vom klimatologischen Vergleichswert für den betrachteten Zeitraum und nicht darauf, dass jeder einzelne Tag entsprechend ausfallen muss.

Die Kategorien beschreiben somit eine großräumige Tendenz für den jeweiligen Prognosezeitraum. Sie sind keine detaillierte Vorhersage des Wetters an einzelnen Tagen oder Orten. Auch innerhalb eines als mild eingestuften Monats können kalte Phasen auftreten; ebenso bedeutet die Kategorie „nass“ nicht, dass es durchgehend regnet.

5. Möglichkeiten und Grenzen

Das LRFS nutzt historische statistische Beziehungen zwischen großräumigen meteorologischen Mustern und späteren Witterungsindizes. Sein Ansatz besteht darin, mögliche Vorhersagesignale aus verschiedenen Regionen und atmosphärischen beziehungsweise maritimen Größen gemeinsam zu untersuchen. Die statistischen Zusammenhänge können sich jedoch im Laufe der Zeit verändern und sind nicht in jeder Jahreszeit oder Region gleich ausgeprägt.

Wie zuverlässig eine Prognose tatsächlich ist, lässt sich deshalb nicht allein aus den gefundenen Korrelationen oder aus dem Aufbau des Modells ableiten. Dafür müssen die Vorhersagen systematisch anhand geeigneter Verifikationsverfahren geprüft und mit einer Referenz, beispielsweise der Klimatologie, verglichen werden. Langfristprognosen geben Wahrscheinlichkeiten und Tendenzen wieder; sie erlauben keine sichere Festlegung des konkreten Wetterablaufs über Wochen oder Monate.