Quantitative Niederschlagsbestimmung aus Radardaten

Abstract

Die Niederschlagsmessung mit Radar erlaubt eine flächenmäßige Erfassung von Niederschlagsverteilungen in einer hohen räumlichen Auflösung. Hydrologische Anwendungen, wie zum Beispiel die Hochwasservorhersage, erfordern hierbei eine Genauigkeit der Niederschlagsmessung, die nach wie vor eine Herausforderung darstellt und mit heutigen Wetterradargeräten noch nicht erreicht wird. Ziel der vorliegenden Arbeit ist es, die Qualität der Radar-Niederschlagsmessung durch Hinzuziehung von Bodenmeßdaten mittels eines statistischen objektiven Analyseverfahrens zu verbessern. Unterstützend werden dabei verschiedene Verfahren zur Radardatenaufbereitung eingesetzt, insbesondere eine dynamische Verwendung von Z-R-Beziehungen, eine Biaskorrektur und eine Advektionskorrektur. In einer umfangreichen, acht Monate umfassenden, Auswertung der verschiedenen Verfahren werden der Einfluß sowie die Vor- und Nachteile der einzelnen Verfahrenskomponenten und ihr Zusammenspiel im Rahmen einer RMS-Fehleranalyse mit jeweils unabhängigen Stationsdaten untersucht. Hierbei ergibt sich, daß die optimale Verfahrenskombination zu einer mittleren Fehlerreduktion von 59% führt. Zusätzlich zu diesen Methoden werden zwei Verfahren zur Ableitung von Z-R-Beziehungen, die WPM-Methode sowie ein Wolkenmodell-Algorithmus, betrachtet und ein Algorithmus zur Clutterkorrektur mittels Meteosat-Daten vorgestellt.

Precipitation measurement by radar allows the areal determination of precipitation distributions in a high spatial resolution. Hydrological applications such as flood forecasting hereby require an accuracy of the precipitation measurement which is still a challenge and which cannot be obtained by today's weather radar devices. The objective of this thesis is the improvement of the quality of the radar precipitation with the aid of ground measurements using a statistical objective analysis method. Additionally, various algorithms for radar data preprocessing such as the dynamical use of Z-R relationships, a bias correction and an advection correction scheme are employed. In a detailed evaluation of the various methods, which comprises eight months of data, the influence as well as the advantages and disadvantages of the different algorithm components and their interactions are investigated through an RMS error analysis using independent station data. Thereby, the optimal combination of methods leads to a mean error reduction of 59%. In addition to these methods, two algorithms for the derivation of Z-R-relationships, the WPM method and a cloud model algorithm, are considered and an algorithm for clutter correction by means of Meteosat data is presented.