100
Langzeitmodellierung zur Abschätzung von Trends und Risiken
bestimmter Variablen konditioniert werden. Ein anderes Beispiel wäre die Auswahl einer bestimmten Saison
im Diagramm oben rechts, wonach sich alle dargestellten Wahrscheinlichkeiten nur noch auf Simulationen
in dieser Jahreszeit beziehen. Auf diese Weise ließe sich auch unmittelbar visualisieren, wie vorherrschende
Windrichtungen jahreszeitlich variieren.
Die Reaktionen der graphischen Oberfläche auf Eingaben des Nutzers ergeben sich auf Basis von Wahr
scheinlichkeitstabellen, die an Hand der Simulationsergebnisse kalibriert wurden. Da das System dabei
nicht direkt auf diese Simulationsergebnisse zugreift, benötigt es minimale Computerressourcen. Sollen
bestimmte Einzelereignisse genauer untersucht werden, so muss man doch auf die originalen Simulationen
zurückgehen. Die Wahrscheinlichkeitsdarstellung liefert aber bereits genau diejenigen zusammengefassten
Informationen, welche beispielsweise für Risikoanalysen relevant sind.
Zusammenfassung
Detaillierte modellgestützte Rekonstruktionen meteorologischer und mariner Verhältnisse über mehrere De
kaden liefern ein flächendeckendes Bild über Trends, Variabilität und Extremereignisse. Eine Verknüpfung
von Beobachtungen mit derartigen Modellergebnissen bedeutet einen erheblichen Mehrwert für die Daten
analyse, indem Informationen über variable Umweltbedingungen die Interpretation von Veränderungen in
Langzeitbeobachtungen stützen. Darüber hinaus können die modellgestützten Langzeitrekonstruktionen als
„Labor“ für Risiko- und Belastungsanalysen verwendet werden, wofür die hiesige Studie ein Beispiel liefert.
Grundsätzlich ermöglichen die detaillierten Modellrechnungen basierend auf bestmöglichen Beschreibun
gen der zeitlichen Entwicklung der Umweltbedingungen den Blick auf sowohl konkrete Einzelereignisse als
auch mittlere Verhältnisse. Ein praktisches Problem stellt allerdings der sehr große Umfang der produzier
ten Datensätze dar, deren Auswertung in der Regel speziell programmierte Software auf großen Rechnern
erfordert. Dieses eher technische Problem erschwert die Vermittlung der Ergebnisse für weiterführende Stu
dien oder die Bewertung von Handlungsoptionen. Bayessche Netzwerke könnten hier einen Weg eröffnen,
Nutzern der Daten den Einblick in die wesentlichen Wirkungszusammenhänge zu erleichtern.