Skill Evaluation of Extended Range Forecasts for Northeast Monsoon Rainfall across Smaller Spatial Domains of South Peninsular India

Technische Zusammenfassung: Bewertung der Fertigkeit von Extended Range Forecasts für den Nordost-Monsun-Niederschlag über kleineren räumlichen Domänen in Süd-Peninsular-Indien

Problemstellung
Eine zuverlässige Vorhersage des Niederschlags während des Nordost-Monsuns (NEM) bei erweiterten Vorlaufzeiten (Extended Range) ist entscheidend für die landwirtschaftliche Planung, das Wasserressourcenmanagement und die Reduzierung von Katastrophenrisiken in Süd-Peninsular-Indien. Im Gegensatz zum Südwest-Monsun ist der NEM-Niederschlag räumlich heterogen und stark konzentriert auf spezifische Unterteilungen wie Tamil Nadu, Kerala und die Küstenregionen von Andhra Pradesh. Während die bisherige Forschung das Verständnis der NEM-Klimatologie und der saisonalen Vorhersage vorangebracht hat, bleibt die systematische diagnostische Bewertung von Extended Range Forecasts (ERF) auf feineren räumlichen Skalen begrenzt. Bestehende operative Vorhersagen stützen sich oft auf breitere meteorologische Unterteilungen, was die für regionalspezifische Entscheidungen wesentliche lokale Variabilität verschleiern kann. Diese Studie adressiert diese Lücke durch die Bewertung der Leistungsfähigkeit operativer ERFs über 11 kleinere, granularere räumliche Domänen in Süd-Peninsular-Indien über kontrastierende Monsunperioden hinweg.

Methodik
Die Studie bewertet das operative Extended Range Forecast (ERF)-System des India Meteorological Department (IMD), welches das gekoppelte CFSv2-Modell verwendet (basierend auf NCEP's CFSv2, mit MOM4-Ozean- und GFS-Atmosphärenkomponenten). Das System generiert wöchentliche Vorhersagen bis zu vier Wochen im Voraus, die jeden Mittwoch initialisiert werden.

• Untersuchungsgebiet und Zeitraum: Die Analyse deckt 11 spezifische Regionen in Süd-Peninsular-Indien ab (z. B. Nord/Süd-Kerala, verschiedene Tamil Nadu-Unterteilungen, Küsten-/Rayalaseema-Andhra-Pradesh und das Landesinnere von Karnataka) während der NEM-Saisons 2015 (deutlich überdurchschnittlicher Niederschlag), 2016 (stark defizitärer Niederschlag) und 2017 (unterdurchschnittlicher Niederschlag).
• Datenquellen: Die Vorhersagen werden gegen die IMD-GPM-verschmolzenen Niederschlagsdaten bei einer Auflösung von 1° verifiziert, die Regenmesser- und Satellitenschätzungen kombinieren.
• Kategorisierung: Um der hohen Variabilität auf feineren Skalen Rechnung zu tragen, wird der Niederschlag basierend auf den wöchentlichen Abweichungen vom Langzeitmittel (LPA) in drei Gruppen unterteilt: Überdurchschnittlich (AN, >20 %), Normal (NN, -19 % bis +19 %) und Unterdurchschnittlich (BN, <-20 %).
• Verifikationsmetriken: Die Leistung wird anhand kategorischer Verifikationswerte bewertet, die aus 2x2-Kontingenztabellen abgeleitet werden. Zu den Metriken gehören die Vorhersagegenauigkeit, der Bias-Score (BS), die Entdeckungswahrscheinlichkeit (POD), die Fehlalarmrate (FAR), der kritische Erfolgsindex (CSI) und der äquivalente Trefferscore (ETS).

Wichtigste Ergebnisse
Die Auswertung zeigt eine klare Abhängigkeit der Vorhersagegüte von der Vorlaufzeit, dem geografischen Standort und den interannuellen Monsuncharakteristika:

• Abhängigkeit von der Vorlaufzeit: Die Vorhersagegüte ist in Woche 1 (Week-1) am höchsten und nimmt systematisch bis Woche 4 (Week-4) ab. Vorhersagen für Woche 1 zeigen eine Genauigkeit von über 65–75 %, wobei die Kategorie Normal (NN) mit 70–80 % am besten abschneidet. Bis zur 4. Woche sinkt die Genauigkeit auf etwa 40–50 %.
• Leistung der Kategorien:
  • Normal (NN): Zeigt konsistent die höchste Genauigkeit und POD über alle Vorlaufzeiten und Jahre hinweg, mit Bias-Scores nahe eins (minimaler systematischer Fehler).
  • Überdurchschnittlich (AN): Zeigt eine moderate Genauigkeit, neigt jedoch zu einer leichten Überschätzung (Bias > 1), insbesondere bei längeren Vorlaufzeiten.
  • Unterdurchschnittlich (BN): Weist die geringste Fertigkeit auf, insbesondere bei längeren Vorlaufzeiten, mit einer Tendenz zur Unterschätzung (Bias < 1) und höheren Fehlalarmraten.
• Interannuelle Variabilität:
  • 2016 (Stark defizitär): Demonstrierte die höchste Vorhersagbarkeit und räumliche Konsistenz unter den drei Jahren, wobei die nutzbare Fertigkeit bis zur 3. Woche (Week-3) reichte.
  • 2017 (Unterdurchschnittlich): Zeigte eine intermediäre Leistung, besser als 2015, aber mit mehr Variabilität als 2016.
  • 2015 (Deutlich überdurchschnittlich): Wies die geringste Fertigkeit und die höchste Unsicherheit auf. Diese reduzierte Vorhersagbarkeit wird der dominanten synoptischen Skalenvariabilität und den starken Wechselwirkungen zwischen synoptischen Störungen und niederfrequenten Moden zugeschrieben, die Modelle bei erweiterten Vorlaufzeiten schwer erfassen können.
• Räumliche Variabilität: Küstenregionen zeigten im Allgemeinen eine bessere Vorhersagbarkeit als das Landesinnere, insbesondere bei längeren Vorlaufzeiten.

Bedeutung und Ansprüche
Die Arbeit kommt zu dem Schluss, dass das operative ERF-System über nennenswerte Vorhersageleistung für den NEM-Niederschlag über kleinere räumliche Domänen in Süd-Peninsular-Indien besitzt, insbesondere bei einer Vorlaufzeit von 2–3 Wochen. Die Studie hebt hervor, dass das System zwar mit zunehmender Vorlaufzeit an Unsicherheit gewinnt, aber dennoch in der Lage ist, Niederschlagsregime (AN, NN, BN) mit angemessener Zuverlässigkeit zu unterscheiden, insbesondere unter Normalbedingungen.

Die Autoren behaupten, dass diese Erkenntnisse die potenzielle Anwendung von ERFs in operativen agrarwirtschaftlichen Beratungsdiensten und der impact-basierten Vorhersage unterstützen. Durch die Bereitstellung zuverlässiger wöchentlicher Ausblicke für spezifische Unterteilungen kann das System Stakeholder dabei unterstützen, landwirtschaftliche Aktivitäten wie Bewässerungsplanung und Aussagemanagement zu optimieren sowie sich auf Hochwasser- oder Dürrerisiken vorzubereiten. Die Studie betont, dass das System zwar nicht perfekt ist, sein derzeitiges Leistungsniveau jedoch ein wertvolles Instrument für die Entscheidungsfindung in der Region darstellt, sofern die Nutzer den Rückgang der Vorhersagegüte über die zweite Woche hinaus sowie die spezifischen Herausforderungen durch hochaktive synoptische Saisons wie 2015 berücksichtigen.