Serielles Clustering verschiedener Wetterextreme

Untersuchung des zeitlichen Clustering verschiedener Extreme auf der Grundlage von Gebäudeversicherungsdaten und im Hinblick auf potentielle meteorologische Auslöser

Ein einzelnes meteorologisches Extremereignis kann eine Gesellschaft, Wirtschaft und Umwelt sehr hart treffen. Treten aber mehrere Ereignisse in kurzen zeitlichen Abständen auf, kann dies die Schäden der individuellen Ereignisse vergrößern oder sogar zu neuen Problemen führen (z. B. blockierte Verkehrswege oder überlastete Hilfsorganisationen). Diese Ereignisse werden typischerweise als Compound events (Verbundereignisse) oder Multi-Hazard-Events bezeichnet (siehe Zscheischler et al., 2020). Um den Zusammenhang zwischen Compound events besser zu verstehen, wird derzeit in einem Projekt in der Arbeitsgruppe „Atmosphärische Risiken“ am IMK-TRO das serielle Clustering, d.h. das Auftreten in enger zeitlicher Abfolge, verschiedener Typen schadenrelevanter Wetterextreme (Ereignistypen: Überschwemmungen, Hagel sowie Winter-/Sommerstürme), untersucht. Ziel ist, Clusterperioden der verschiedenen Extreme zu identifizieren und Zusammenhänge zu groß-skaligen Prozessen bzw. Mustern zu finden (z.B. Telekonnektionen, Strömungsmuster in der mittleren Troposphäre), die mit diesem gehäuften Auftreten zusammenhängen. Dies soll ermöglichen, sich zukünftig besser auf solche Clusterereignisse vorbereiten zu können.

Abb. 1: (a) Schadensumme versus Anzahl der Schadenmeldungen bei einer Gebäudeversicherung für Überschwemmungs- (blau), Sturm- (grün) und Hagelereignisse (gelb) in Baden-Württemberg von 1986 – 2020. Bezeichnet sind die vier schadenträchtigsten Ereignisse. (b) Wie (a), nur ohne die vier schadenträchtigsten Ereignisse inkl. linearem Fit sowie den Pearson-Korrelationskoeffizienten für den jeweiligen Ereignistyp.

 

 

In dem Projekt werden Extremereignisse auf Grundlage von Schadensummen (inkl. gemeldeter Schäden) einer Gebäudeversicherung identifiziert, die seit 1986 für Baden-Württemberg vorliegen. In Baden-Württemberg ist der versicherte Anteil an Gebäuden im bundesweiten Durchschnitt besonders hoch (94 % vs. 52 %; GDV, 2023). Stellt man die Anzahl der gemeldeten Schäden dem damit verbundenen versicherten Gesamtschaden gegenüber, so stechen zwei Winterstürme (Lothar, Kyrill) sowie zwei Hagelereignisse (Andreas, Queenie) deutlich hervor (Abb. 1a). Diese vier Ereignisse verursachten etwa 30 % des gesamten versicherten Schadens im Zeitraum 1986 bis 2020. Werden diese vier Ereignisse aus dem Datensatz entfernt, zeigt sich für jeden Ereignistyp eine hohe Korrelation zwischen versichertem Schaden und der zugehörigen gemeldeten Anzahl der Schadenfälle, die für Hagel- und Sturmschäden am stärksten ausgeprägt ist (Abb. 1b).

Um in dem Datensatz serielles Clustering der verschiedenen Ereignistypen zu identifizieren, werden verschiedenen Methoden getestet und miteinander verglichen. Neben einem Algorithmus, der Zeiträume mit einer hohen Anzahl an Ereignissen identifiziert (Kopp et al., 2021), wird der Grad des Clustering für jeden Ereignistyp sowie deren Kombination mit Hilfe des Dispersionsindex (Mailier et al., 2006) sowie des Ripley's K (Ripley, 1981; siehe z. B. Tuel et al., 2021) evaluiert. Dabei wird deutlich, dass der Grad der Häufung sowohl von der gewählten Methode als auch von der Ereignisdefinition (Peaks-over-Threshold-Methode vs. Standardmethode mit fester Anzahl von Tagen) abhängt und dies bei weiteren Analysen berücksichtigt werden muss. Abbildung 2 zeigt exemplarisch das Ergebnis für Clustering bei Überschwemmungsereignissen basierend auf Ripley’s K. Zu sehen ist in diesem Fall ein signifikantes Clustering ab 13 Tagen bis hin zur gesamten Saison.

Abb. 2: Visualisierung des Clustering für Schadenereignistage basierend auf der Ripley’s K Methode; Datengrundlage bilden die 10 % der teuersten Überschwemmungsereignisse in Baden-Württemberg zwischen 1986 und 2020 (n = 39, schwarze Linie). Blau repräsentiert die Signifikanz durch Median (Linie) und 95 %-Konfidenzintervall (Schattierung) eines Monte-Carlo-Samples mit 1000 Simulationen.

Derzeit werden die ökonomischen Daten mit verschiedenen meteorologischen Größen basierend auf den Reanalysedaten ERA5 kombiniert, um Zusammenhänge zu groß-skaligen Prozessen als mögliche Ursache für Clustering zu identifizieren. Eine Fragestellung dabei ist, ob bestimmte Strömungsmuster in der mittleren Troposphäre (z.B. atmosphärisches Blocking, Lage des Jetstream) oder bestimmte Wetterregime (vgl. Grams et al., 2017) das serielle Clustering begünstigen, wie Analysen bei seriellem Clustering von Gewitterereignissen gezeigt haben (Augenstein et al., 2023). Auch Telekonnektionen wie die Nordatlantische Oszillation (NAO) können dabei eine Rolle spielen.

Referenzen:

  • Augenstein, M., et al. (2023). Trends of thunderstorm activity and relation to large-scale atmospheric conditions in western and central Europe. 11th European Conference on Severe Storms (ECSS), ECSS2023-98, 8. – 12. May 2023, Bucharest, Romania.
  • Grams, Christian M., et al. (2017). Balancing Europe’s wind-power output through spatial deployment informed by weather regimes. Nature Climate Change, 7(8), 557-562.
  • Gesamtverband der Versicherer (GDV) (2023). Nur die Hälfte der Gebäude in Deutschland ist richtig gegen Naturgefahren versichert. Zuletzt aktualisiert: 17.07.2023. Online verfügbar unter: https://www.gdv.de/gdv/themen/schaden-unfall/nur-die-haelfte-der-gebaeude-in-deutschland-ist-richtig-gegen-naturgefahren-versichert-12176.
  • Kopp, Jérôme, et al. (2021). A novel method to identify sub-seasonal clustering episodes of extreme precipitation events and their contributions to large accumulation periods. Hydrology and Earth System Sciences, 25(9), 5153-5174.
  • Mailier, Pascal J., et al. (2006). Serial clustering of extratropical cyclones. Monthly Weather Review, 134(8), 2224-2240.
  • Ripley, Brian David. (2005). Spatial statistics. Wiley Series in Probability and Statistics, John Wiley & Sons, Inc., Hoboken, NJ, USA.
  • Tuel, Alexandre, and Olivia Martius. (2021). A global perspective on the sub-seasonal clustering of precipitation extremes. Weather and Climate Extremes, 33, 100348.
  • Zscheischler, J., et al. (2020). A typology of compound weather and climate events. Nature Reviews Earth & Environment, 1(7), 333-347.

Arbeitsgruppe: Atmosphärische Risiken, Autor: Katharina Küpfer (Okt. 2023)