20 Auswerterahmen des Themenfeldes 1; BMVI Expertennetzwerk (201632019) und an der Küste im Referenzdatensatz (COSMO-REA6) einen Bias aufweisen (für hohe Windgeschwin- digkeiten bis zu 10 m/s), der aufgrund mangelnder Stationsdaten nicht genau identifiziert werden kann. Untersuchungen zeigten, dass die Globalstrahlungswerte (RSDS) lediglich für längere Mittelungsperioden vertrauenswürdig sind. Daher wurde entschieden RSDS mittels linearer Skalierung basierend auf Monats- mittelwerten der HYRAS-Daten zu korrigieren. Der Luftdruck in Meereshöhe (PSL) wurde ebenfalls mittels linearer Skalierung bias-adjustiert. Das einfache und schnelle Verfahren ist ausreichend, da PSL einen relativ geringen Wertebereich (Extrema weichen we- niger als 5% vom langjährigen Mittelwert ab) abdeckt sowie relativ einfach zu modellieren ist. Die Güte der Bias-Adjustierung sowie die Stationarität des Modellfehlers wurde 3 für ausgewählte RCMs mit Daten ab 1951 3 bewertet. Dabei wurden die adjustierten Zeitreihen verglichen, die zum einen basierend auf der Zeitscheibe 195131980 und zum anderen basierend auf 197132000 abgeleitet wurden. Im Fall eines stationären Modellfehlers wird der anzubringende Korrekturwert unabhängig vom verwendeten Bezugszeit- raum sein. Eine komplette Unabhängigkeit der beiden Zeiträume ist aufgrund der vorliegenden Daten (Be- ginn der Reihen frühestens 1951 und Ende der historischen Läufe in 2005) leider nicht möglich. 3.3.3 Regionalisierung der Klimaprojektionsdaten Die Regionalisierung der bias-adjustierten Resultate regionaler Klimamodelle erfolgte mittels multipler line- arer Regression (typische Verteilungsmuster der jeweiligen Klimavariablen dienten als Prädiktoren) sowie anschließender Interpolation der Regressionsresiduen. Dabei wurde die Annahme getroffen, dass ein regi- onales Klimamodell grobskalige Muster der zu regionalisierenden Klimavariablen korrekt wiedergibt. Feins- kalige Strukturen der jeweiligen Klimavariablen werden im Regionalisierungsverfahren durch die aus hoch- auflösenden Referenzdaten gewonnenen typischen Muster aufgeprägt. Die typischen Verteilungsmuster wurden durch Anwendung einer Hauptkomponentenanalyse (Principal Component Analysis, kurz PCA) auf Beobachtungsdaten gewonnen. Die PCA wurde für jeden Kalendermonat einer ausreichend langen Zeitreihe (> 10 Jahre) eines hochauflösenden Referenzdatensatzes (Beobachtungs- oder Modelldatensatz in der Zielauflösung) angewendet. Die PCA ist ein multivariates statistisches Verfahren, das häufig im Bereich der Atmosphärenwissenschaften verwendet wird (Wilks 2006). Sie erlaubt es in meteorologischen Raum-Zeit-Feldern einen Satz typischer räumlicher Muster zu finden, die den größten Teil deren Varianz beschreiben. Generell ermöglicht die PCA die große Zahl oft hoch miteinander korrelierter Variablen (redundante Information) auf deutlich weniger Variablen zu reduzieren. Die neuen Variablen stellen Linearkombinationen der originalen Variablen dar und werden derart gewählt, dass ein möglichst großer Teil der Varianz der originalen Variablen erklärt wird. Das Ziel der PCA, die Reduktion der Dimensionalität, wird erreicht, indem nur die ersten „n< Hauptkomponen- ten verwendet werden. 3.3.4 DWD-Kern-Ensemble Ausgehend von den DWD-Referenz-Ensembles v2018 für die Szenarien Klimaschutz, moderat und Weiter-wie- bisher steht für Deutschland zu jedem RCP-Szenario ein DWD-Kern-Ensemble v2018 mit einer geringeren Anzahl von Klimaprojektionen zur Verfügung (Tabelle 3-2). Die DWD-Referenzensembles sind eine Zu- sammenstellung aller zu einem gegebenen RCP verfügbaren regionalen Klimaprojektionen, die technische und wissenschaftliche Mindeststandards erfüllen. Sie stellen aber keine repräsentative Stichprobe möglicher Klimaänderungen dar. Häufungen von ähnlichen Klimasignalen sind auf Ähnlichkeiten (Redundanzen) zwi- schen den verwendeten Klimamodellen zurückzuführen. Die Verteilung innerhalb der Referenzensembles erlaubt deshalb keine Rückschlüsse auf die Wahrscheinlichkeit von Klimaänderungen. Die DWD-Ensemblereduktion vermindert die Redundanz der Referenzensembles, indem sehr ähnliche Projektionen aus den Ensembles entfernt werden (Dalelane et al. 2018). Sie beruht auf der Methode von Sanderson et al. (2015). Die Bandbreite der Ensembles bleibt bei der Reduktion weitestgehend erhalten.