Energiemeteorologie
Die zunehmende Bedeutung erneuerbarer Energiequellen in modernen Energiesystemen macht zuverlässige Wettervorhersagen wichtiger denn je. Die Forschungsgruppe Energiemeteorologie an der Universität zu Köln untersucht die Dynamik und Vorhersagbarkeit der Atmosphäre auf der mittelfristigen bis subsaisonalen Zeitskalen (von Tagen bis zu mehreren Wochen). Unsere Forschung verbindet Fortschritte in datengetriebener Wettervorhersage mit dem physikalischen Verständnis atmosphärischer Prozesse, um Prognosen wetterabhängiger Energieressourcen zu verbessern. Durch die Verknüpfung atmosphärischer Vorhersagbarkeit mit Energiesystemmodellen schlagen wir eine Brücke zwischen Meteorologie und Energiewissenschaft, um eine verlässlichere Planung, eine bessere Integration erneuerbarer Energien sowie einen widerstandsfähigeren Betrieb von Energiesystemen unter zunehmender Klimavariabilität zu unterstützen.
Von links nach rechts: Siyu Li (KIT), Julian Quinting, Jan-Philipp Kraayvanger, Simone Horstmann, Julian Haarer (KIT), Julian Stefinovic
Auswahl kürzlich erschienener Publikationen:
Mockert, F., Grams, C.M., Lerch, S. & Quinting, J. (2026) Windows of opportunity in subseasonal weather regime forecasting: A statistical–dynamical approach. Quarterly Journal of the Royal Meteorological Society, e70090. Available from: doi.org/10.1002/qj.70090
Bülte, C., N. Horat, J. Quinting, and S. Lerch, 2026: Uncertainty Quantification for Data-Driven Weather Models. Artif. Intell. Earth Syst., 5, 240049, doi.org/10.1175/AIES-D-24-0049.1.
Oldham-Dorrington J, Quinting J, Sobolowski S (2025) “The work of thought”–The machine learning revolution can be a revolution for our understanding of the Earth System. PLOS Clim 4(9): e0000710. doi.org/10.1371/journal.pclm.0000710
Christ, S., Quinting, J. & Pinto, J.G. (2025) Characteristics of diabatically influenced cyclones with high wind damage potential in Europe. Quarterly Journal of the Royal Meteorological Society, e70083. Available from: doi.org/10.1002/qj.70083
Mockert, F., Grams, C.M., Lerch, S., Osman, M. & Quinting, J. (2024) Multivariate post–processing of probabilistic sub-seasonal weather regime forecasts. Quarterly Journal of the Royal Meteorological Society, 150(765), 4771-4787. Available from: doi.org/10.1002/qj.4840
Quinting, J. F., Grams, C. M., Chang, E. K.-M., Pfahl, S., and Wernli, H.: Warm conveyor belt activity over the Pacific: modulation by the Madden–Julian Oscillation and impact on tropical–extratropical teleconnections, Weather Clim. Dynam., 5, 65–85, doi.org/10.5194/wcd-5-65-2024, 2024.
Gruppenleitung:
Jun.-Prof. Dr. Julian Quinting
Team:
M. Sc. Jan-Philipp Kraayvanger
M. Sc. Simone Horstmann
B. Sc. Luisa Reske
M. Sc. Julian Stefinovic
M. Sc. Viktoria Dürlich (KIT)
B. Sc. Marc Ebert (KIT)
M. Sc. Siyu Li (KIT)
B. Sc. Julian Haarer (KIT)
M. Sc. Jasmin Haupt (KIT)
Dr. Prabhakar Namdev (KIT)
Dr. Sonal Rami (KIT)
Projekte
ASPIRE (ERC)
Die Grenze der Wettervorhersage liegt auf der sogenannten subsaisonalen Zeitskala von zwei Wochen bis zwei Monaten im Voraus. Um frühzeitig präventive Maßnahmen ergreifen zu können, werden zuverlässige Vorhersagen auf dieser Zeitskala für zahlreiche sozioökonomische Sektoren zunehmend wichtiger. Subseasonale Vorhersagbarkeit kann aus wiederkehrenden Mustern im Erdsystem gewonnen werden. Das vom ERC geförderte Projekt „Advancing Subseasonal Predictions at Reduced Computational Effort (ASPIRE)“ konzentriert sich auf eines dieser Muster, nämlich Moden der tropischen konvektiven Variabilität. Langjährige systematische Fehler, die durch die Parametrisierung von Prozessen in numerischen Wettervorhersagemodellen entstehen, verhindern bislang, dass die Vorhersagbarkeit dieser Moden vollständig genutzt werden kann. Modelle einfach mit einer ausreichend hohen Auflösung zu betreiben, um tropische Konvektion explizit aufzulösen, ist aufgrund der hohen Rechenkosten nicht realisierbar. Unter Nutzung jüngster Entwicklungen KI-basierter Modelle wird ASPIRE neue Wege untersuchen, um die inhärente Vorhersagbarkeit tropischer konvektiver Moden besser auszuschöpfen.
Zunächst wird ASPIRE mithilfe subsaisonaler Ensemble-Hindcasts die Ursprungsregionen und Ausbreitungspfade tropischer Vorhersagefehler identifizieren, die derzeit verhindern, dass die intrinsische Vorhersagbarkeit genutzt werden kann. Anschließend wird ASPIRE den Mehrwert lokal begrenzter Auflösungen im Kilometermaßstab in den zuvor identifizierten Ursprungsregionen quantifizieren und probabilistische Vorhersagen aus deterministischen Prognosen durch ML-basiertes Post-Processing erzeugen. Schließlich wird ASPIRE ML-Modelle mit besonderem Fokus auf tropische Konvektion feinjustieren, um Vorhersagen konvektiver Prozesse in den Tropen bei deutlich reduzierten Kosten zu verbessern.
Ziel des ASPIRE-Projekts ist es, potenzielle Quellen der Vorhersagbarkeit in den Tropen besser zu nutzen. (Quelle: Julian Quinting).
NAWDIC (DFG)
Die North Atlantic Waveguide, Dry Intrusion, and Downstream Impact Campaign (NAWDIC) ist eine internationale Messkampagne mit dem Ziel, unser Verständnis der Dynamik von außertropischen Zyklonen in den mittleren Breiten der Nordatlantikregion zu vertiefen. Die Kampagne konzentriert sich auf dynamische und physikalische Prozesse von der synoptischen bis zur Mikroskala, die extreme Wetterereignisse wie schwere Sturm-böen, starke Niederschläge und Kaltluftausbrüche verursachen.
Während der sechswöchigen Hauptbeobachtungsphase von NAWDIC im Januar und Februar 2026 lieferten verschiedene flugzeuggestützte In-situ- und Fernerkundungsmesssysteme sowie dichte bodengebundene Beobachtungsnetze detaillierte Einblicke in die mesoskalige Tropopausenstruktur, Dry-Intrusion-Luftströmungen sowie die Dynamik im Bereich der bodennahen Kaltfront winterlicher Zyklonen. Als zentraler Bestandteil der Feldkampagne war das Forschungsflugzeug HALO des Deutschen Zentrums für Luft- und Raumfahrt (DLR) in Shannon (Irland) stationiert und ermöglichte Messungen in abgelegenen Regionen bis in Höhen der oberen Troposphäre und unteren Stratosphäre.
Darüber hinaus wurde die mobile Messplattform KITcube des Karlsruher Instituts für Technologie an der französischen Atlantikküste aufgebaut, um meteorologische Variablen in der marinen und kontinentalen planetaren Grenzschicht kontinuierlich zu erfassen. Am Projekt sind Partnerinstitutionen aus Deutschland, Frankreich, dem Vereinigten Königreich, Israel, Norwegen, Italien, der Schweiz, den Vereinigten Staaten und Kanada beteiligt, die mit weiteren Messplattformen und Forschungsaktivitäten beitragen. NAWDIC wird offiziell vom World Weather Research Programme (WWRP) der Weltorganisation für Meteorologie (WMO) unterstützt.
Ein Teil des NAWDIC Teams mit den Forschungsflugzeugen HALO, SAFIRE ATR42 and TUBS Cessna F406 am Flughafen Shannon. (Quelle: Andreas Minikin/Bastian Kirsch)
WarmWorld – Modul Smarter (BMBF)
Die fortschreitende Erwärmung des Erdklimas durch vom Menschen emittierte Treibhausgase verändert unser Wetter grundlegend. Um die sozioökonomischen Auswirkungen des Klimawandels sowohl global als auch regional besser bewerten zu können, benötigen wir eine präzise Modellierung des Wetters in einem sich erwärmenden Klima. Dies gilt insbesondere für Extremwetterereignisse, die künftig häufiger und intensiver auftreten werden und deren zuverlässige Vorhersage eine zentrale Rolle beim Schutz von Menschenleben und Sachwerten spielt.
Traditionelle Wettervorhersagen basieren auf physikalischen Modellen, den sogenannten numerischen Wettervorhersagemodellen (Numerical Weather Prediction, NWP). Ausgehend von einem Anfangszustand entwickeln diese Modelle den atmosphärischen Zustand über die Zeit weiter, indem sie ein System partieller Differentialgleichungen numerisch lösen. Allerdings ist der Betrieb solcher Modelle auf globaler Skala mit einer Auflösung im Kilometerbereich mit sehr hohen Rechenkosten verbunden. Dieser Bedarf an Rechenressourcen steigt zusätzlich durch den Einsatz von Ensemblevorhersagen, die den inhärenten Unsicherheiten des Anfangszustands und der Modellformulierung Rechnung tragen.
Datengetriebene Surrogatmodelle und insbesondere neuronale Netze bieten eine vielversprechende Alternative für eine schnelle und (energie-)effiziente Emulation von NWP-Modellen sowie für die Erzeugung entsprechender Multi-Member-Ensembles. Das übergeordnete Ziel des Projekts besteht darin, den Weg für den Einsatz von Deep-Learning-(DL)-Modellen zur Vorhersage von Wetterphänomenen und Extremwetterereignissen zu ebnen und deren Unsicherheiten in einem wärmeren Klima zu quantifizieren.