Assessing the Evolution of Rainfall Trends in India through Historical Analysis, Forecasting, and Comparison with the CMIP-6 SSP585 Scenario

Technische Zusammenfassung: Bewertung der Entwicklung von Niederschlagstrends in Indien durch historische Analyse, Prognose und Vergleich mit dem CMIP-6 SSP585-Szenario

Problemstellung
Der Klimawandel treibt die weit verbreitete Variabilität extremer Wetterereignisse voran, was erhebliche Herausforderungen für die Wasserressourcen, die Landwirtschaft und die wirtschaftliche Stabilität mit sich bringt, insbesondere in subtropischen Regionen wie Indien. Der Niederschlag, ein grundlegender Treiber des hydrologischen Kreislaufs, weist zunehmende Unregelmäßigkeiten auf, die zu Dürren, Überschwemmungen und Ernteausfällen führen. Während frühere Studien Niederschlagstrends auf globaler oder nationaler Ebene analysiert haben, besteht ein Bedarf an umfassenden, räumlich-zeitlich extensiven Analysen, die die historische Trenderkennung mit fortschrittlicher maschineller Lernensprognose und dem Vergleich mit Hochemissions-Klimaszenarien integrieren. Darüber hinaus haben traditionelle statistische Methoden oft Schwierigkeiten mit nicht normalverteilten Daten, Autokorrelation und der Identifizierung von strukturellen Brüchen (Changepoints) in langfristigen Zeitreihen, was zu irreführenden Schlussfolgerungen führen kann.

Methodik
Die Studie führt eine rigorose Analyse der Niederschlagsdaten über einen Zeitraum von 122 Jahren (1901–2022) in Indien durch, die in sechs homogene Regionen (HR) und vierunddreißig meteorologische Unterteilungen (MSD) unterteilt sind. Die Methodik integriert vier unterschiedliche analytische Komponenten:

1. Trenderkennung: Die Studie verwendet nicht-parametrische statistische Techniken, insbesondere den Mann-Kendall (MK)-Test und den Sen's Slope-Schätzer, um monotone Trends im Jahres-, Saisonal- und Monatsniederschlag zu identifizieren. Um die Einschränkungen hinsichtlich Autokorrelation und Datenhomogenität zu adressieren, integrierten die Autoren Homogenitätstests (Pettitt, Buishand Range und Standard Normal Homogeneity Test), um Changepoints (Bruchjahre) vor der Anwendung der Trendanalyse zu detektieren.
2. Innovative Trendanalyse (ITA): Zur Validierung und Verfeinerung der Ergebnisse nutzt die Studie die ITA-Methode (Şen, 2012). Diese grafische nicht-parametrische Technik verarbeitet autokorrelierte Daten und Ausreißer, ohne dass strikte Annahmen über Stichprobengröße oder Linearität erforderlich sind, was die Erkennung von Sub-Trends und distinkten Trendkombinationen innerhalb von Zeitreihen ermöglicht.
3. Mechanistische Analyse: Um die physikalischen Treiber der beobachteten Variationen zu verstehen, analysiert die Studie ERA5-Reanalyse-Daten (1940–2022). Zu den Schlüsselvariablen gehören konvektiver Niederschlag, niedrige Bewölkung und vertikal integrierte Feuchte Divergenz. Ein Changepoint wurde im Jahr 1956 identifiziert, und die Unterschiede in den Zirkulationsmustern zwischen den Perioden 1940–1956 und 1957–2022 wurden bewertet.
4. Prognose und Szenarienvergleich: Ein künstliches neuronales Netz vom Typ Multilayer-Perceptron (ANN-MLP) wurde mit historischen Daten trainiert, um den Jahresniederschlag bis zum Jahr 2050 zu prognostizieren. Die Modellleistung wurde mittels des quadratischen Mittelwertfehlers (RMSE) und des mittleren absoluten Fehlers (MAE) optimiert. Diese maschinellen Lernprognosen wurden anschließend den Projektionen des Coupled Model Intercomparison Project Phase 6 (CMIP-6) unter dem Shared Socioeconomic Pathway 5-8.5 (SSP585) gegenübergestellt, der ein „Business-as-usual“-Klimaszenario darstellt. Der Vergleich erfolgte unter Verwendung eines Multi-Modell-Ensembles (MME) aus drei CMIP-6-Globalklimamodellen (CanESM5, BCC-CSM2-MR und IITM-ESM).

Wesentliche Ergebnisse

• Historische Trends: Der MK-Test und die ITA zeigten einen signifikanten negativen Trend beim Jahresniederschlag für die Nordost-HR und sieben spezifische MSDs (darunter Arunachal Pradesh, Assam Meghalaya und NMMT). Im Gegensatz dazu wiesen neun MSDs, darunter Küsten-Andhra Pradesh und Punjab, signifikante positive Trends auf. Die saisonale Analyse ergab negative Trends in der Nordost-HR während der Monsunzeit, während Küsten-Andhra Pradesh und Punjab steigende Monsunniederschläge zeigten.
• Changepoints: Homogenitätstests identifizierten, dass die meisten Regionen einen strukturellen Bruch in den Niederschlagsmustern nach den 1950er Jahren erlebten. Die Analyse nach dem Changepoint bestätigte, dass die Nordost-HR und mehrere östliche Unterteilungen in den letzten 70 Jahren signifikante Rückgänge des Monsunniederschlags verzeichnet haben.
• Physikalische Treiber: Die ERA5-Analyse schrieb die Niederschlagsvariationen an Schwankungen des konvektiven Niederschlags, eine erhöhte niedrige Bewölkung und eine unzureichende vertikale Feuchtedivergenz. Insbesondere die intensivierten Nordostwinde reduzierten den Einbruch kühler Luft, was den Winterniederschlag verringerte, während eine erhöhte Feuchtedivergenz in westlichen und zentralen Regionen zu trockeneren Bedingungen beitrug.
• Prognose (2050): Das ANN-MLP-Modell prognostiziert einen allgemeinen Rückgang des Jahresniederschlags in ganz Indien bis 2050. Während die Nordost-HR voraussichtlich den höchsten durchschnittlichen Niederschlag (ca. 1920 mm) behalten wird, wird die Nordwest-HR voraussichtlich die stärksten Reduktionen erfahren.
• Vergleich mit CMIP-6 SSP585: Eine entscheidende Erkenntnis ist, dass die ANN-MLP-Prognosen für alle sechs HRs und 28 der 34 MSDs Niederschlagsmengen vorhersagen, die niedriger liegen als die CMIP-6 MME-Projektionen unter dem SSP585-Szenario. Dies deutet darauf hin, dass der tatsächliche zukünftige Niederschlag sogar unter den pessimistischsten Klimamodellprojektionen liegen könnte, was auf einen schweren Verlauf der Wasserknappheit hindeutet. Nur sieben MSDs, primär Küstenregionen und einige Binnenregionen, werden voraussichtlich die SSP585-Niederschlagswerte überschreiten.

Bedeutung und Ansprüche
Die Autoren behaupten, dass diese Studie eine kritische, multifaszettierte Bewertung der Entwicklung des Niederschlags in Indien liefert, indem sie die historische Trendanalyse mit der Zukunftsprognose und der Validierung von Klimamodellen verbindet. Die Integration der Changepoint-Erkennung mit MK- und ITA-Methoden bietet ein robusteres Verständnis nicht-monotoner Trends als herkömmliche Ansätze allein.

Die Studie stellt fest, dass ihr Vergleich von maschinellen Lernprognosen mit den CMIP-6 SSP585-Projektionen einen einzigartigen Rahmen zur Bewertung regionaler Klimaauswirkungen bietet und aufzeigt, dass Indien Niederschlagsdefizite erleben könnte, die selbst die pessimistischsten Klimamodellszenarien übertreffen. Diese Ergebnisse werden als essenziell für politische Entscheidungsträger, Hydrologen und Agrarplaner präsentiert, um Anpassungsstrategien für Bewässerung, Wasserressourcenmanagement und Klimaresilienz zu formulieren. Die Autoren räumen Einschränkungen ein und merken an, dass die breite räumliche Skala der Studie (40 Regionen) eine Mikroanalyse (Distrikt/Block/Dorf) ausschließt und dass das Fehlen von Tagesdaten die Granularität der aktuellen Trenderkennung einschränkt. Sie schlagen vor, dass zukünftige Arbeiten fortgeschrittenes Deep Learning (z. B. LSTM) und gitterbasierte Fernerkundung einsetzen sollten, um diese Erkenntnisse zu verfeinern.