Von forstmeteorologischen Punktmessungen zu räumlich aggregierten Daten

Zusammenfassung

Im Bundesland Rheinland-Pfalz werden von der Forstlichen Versuchsanstalt Rheinland-Pfalz an 31 forstmeteorologischen Messstationen Daten erhoben. Trotz weitentwickelter Messtechnik treten immer wieder Messausfälle auf, so dass es notwendig ist, mit geeigneten Approximationsverfahren Messlücken zu schließen. Dies bedingt, dass man von Punktmessungen auf das Verhalten der in kurzen Zeitintervallen wechselnden meteorologischen Größen an räumlich variablen Stellen schließen muss unter geeigneter Fehlerabschätzung. Hierzu werden zwei geomathematisch fundierte deterministische Modelle vorgestellt. Eine realistische Approximation an fehlende Messdaten bei gleichzeitiger Glättung fehlerhafter Messdaten ergab sich durch eine multivariate Interpolations- und Smoothing-Methode unter Einbeziehung der sphärischen Krümmung der Erde und der Modellierung der Topographie. Diese Methode ist auch dazu geeignet, Klimakarten, d. h. eine räumliche Verteilung zu erstellen. Mit einem anderen Ansatz werden fehlende Daten bestimmt, indem Neuronale Netze mit Hilfe von Messwerten aus der Vergangenheit trainiert werden bei Vernachlässigung des topographischen Einflusses. Die in diesem Artikel dargestellte Fehleranalyse zum Lückenersatz am Beispiel der Tagesdurchschnittstemperatur mit Hilfe verschiedener Fehlerarten (z. B. mittlere absoluter Fehler) liefert vergleichbare Ergebnisse für beide Ansätze und läßt anhand Vergleichen mit anderen Studien den Schluss zu, dass die Methoden zur Lösung des Problems geeignet sind.

Summary

In the German state Rheinland-Pfalz the Forstliche Versuchsanstalt Rheinland-Pfalz acquires forest relevant data at 31 weather stations. Despite sophisticated measuring techniques data gaps often occur, so that it becomes indispensable to develop new approximation methods to close those gaps. Such methods require a spatial distribution of meteorological data, changing at short temporal intervals, from measurements taken at discrete locations, including a proper error estimation. For this purpose, two geomathematically funded deterministic approaches are presented in this article. Realistic approximations of missing data as well as smoothing of error-affected data can be achieved by a multivariate spline interpolation and smoothing method, taking into account the spherical curvature of the earth as well as the real topography. This multivariate interpolation method also enables us to produce maps of climatological data. Following a different approach, neural networks determine missing data by utilising measurements acquired in the past, thereby neglecting topographical factors. This article presents error analyses for the estimation of missing data of daily mean air temperature by means of various error types (e. g. mean absolute error). These analyses and comparisons with other studies show that both approaches are suitable to solve the problem of closing data gaps.