Projektbeschreibung

Dieses Projekt wird in enger Zusammenarbeit mit der Universität Leeds (siehe http://www.see.leeds.ac.uk/research/icas/research-themes/atmosphere/groups/dust-storms/research-projects/desert-storms/) durchgeführt. Es zielt darauf ab, die Behandlung der Emission von Mineralstaub von natürlichen Böden in Erdsystemmodellen zu verbessern. Staub beeinflusst Wetter und Klima auf signifikante Weise durch Auswirkungen auf Strahlung, Wolkenmikrophysik, atmosphärische Chemie und den Kohlenstoffkreislauf durch Düngung von Ökosystemen. Quantitative Abschätzungen von Staubemission und –deposition sind immer noch hochgradig unsicher. Dies ist zu einem erheblichen Teil durch die stark nicht-lineare Abhängigkeit der Emission von Spitzenwinden zu erklären, welche in Modellen und Analysedaten oft unterschätzt werden.

Das Hauptziel dieses Projektes ist es daher, neue Ansätze zu erforschen, wie man wichtige meteorologische Prozesse wie das Heruntermischen von Impuls aus nächtlichen Low-level Jets, konvektive Cold Pools und kleinskalige Staubteufel in Modellen verbessern kann.

Um dies zu erreichen unternehmen wir (A) eine detaillierte Analyse von Beobachtungen wie z.B. Stationsdaten, Messungen von Feldkampagnen, Analysedaten und neuen Satellitenprodukten, (B) einen umfangreichen Vergleich zwischen Simulationsergebnissen von einer ganzen Reihe von globalen und regionalen Staubmodellen und (C) ausgedehnte eigene Studien mit regionalen und Large-Eddy Modellen in realistischen und idealisierten Set-ups, um Effekte von Auflösung und Modellphysik zu erkunden. Im Gegensatz zu vorangegangenen Studien werden alle Evaluierungen auf Prozessniveau durchgeführt, indem spezifische meteorologische Phänomene getrennt betrachtet werden. Daraus entstehen konkrete Leitlinien für optimale Modellkonfigurationen und neue Parameterisierungen, die aus gitterskaligen Größen Wahrscheinlichkeiten der Überschreitung von Windschwellwerten ableiten. Die bisherigen Ergebnisse haben unser quantitatives Verständnis des globalen Staubzykluses  erheblich verbessert und werden somit Unsicherheiten in Vorhersagen von Klima, Wetter und Auswirkungen auf den Mensch reduzieren.