Der szenariofrei, szenarioneutral oder auch Scenario-Free genannte Ansatz stellt gegenüber dem deutlich verbreiteteren szenariogestützten, szenariogeführten oder auch als Scenario-Led bezeichneten Ansatz eine flexiblere Alternative zur Abschätzung von Klimawandelfolgen, wie lokalen Änderungen statistischer Hochwasserkenngrößen dar, indem er projizierte Klimaänderungen und ihre hydrologische Wirkung trennt. Dadurch ist er in der Lage, die Folgen neuer Erkenntnisse der Klimaforschung oder darüberhinausgehende, klimatische Sicherheitszuschläge für ein entsprechendes Untersuchungsgebiet aufzuzeigen, ohne die komplette Wirkstudie arbeits- und zeitaufwändig wiederholen zu müssen. In dieser Arbeit wird ein neues Scenario-Free Verfahren zur Bestimmung von Änderungen in der Hochwasserscheitelstatistik entwickelt, das gegenüber bisherigen Verfahren einen funktionalen Zusammenhang zwischen einer größeren Zahl von Klimaänderungen und der Hochwasserscheiteländerung herstellt und Starkregenänderungen durch einen neu entwickelten Faktor (genannt: Starkregenfaktor) sowie allgemein mehr Einflussgrößen (Prädiktoren) berücksichtigt. Es basiert auf häufig zur Verfügung stehenden, täglichen Messreihen und existiert in einer jährlichen sowie saisonalen Form.
Das Verfahren wird für sechs unterschiedliche Einzugsgebiete im Ostharz angewendet, in denen langjährige Messungen und ein AR5-Klimamodellensemble auf Tagesbasis vorliegen. Zur Anwendbarkeitsprüfung täglicher gegenüber stündlicher Messreihen unter den Bedingungen des Verfahrens, werden für jedes Untersuchungsgebiet Ergebnisvergleiche von auf den täglichen Abflusshydrographen und auf die stundenbasierte Scheitelstatistik kalibrierten Niederschlag-Abfluss-Modellen durchgeführt. Der Ergebnisvergleich aus Tages- und Stundenmodellierung zeigt nicht-signifikante Unterschiede hinsichtlich Änderungen der Scheitelstatistik für Wiederkehrintervalle oberhalb von 10 Jahren. Dies ermöglicht für entsprechende Fragestellungen die weniger rechenintensive Nutzung von Tagesmodellen, für die in der Regel Zeitreihen in größerem Umfang vorliegen.
Die jährliche und saisonale Variante des neu entwickelten Verfahrens basieren auf der Anwendung von 3 und 6 Klima-Prädiktoren. Neben den bekannten und einfach zu bestimmenden Größen der mittleren Temperatur- und Niederschlagsänderung, jeweils für das Sommer- und Winterhalbjahr, hat sich der Starkregenfaktor als saisonaler Faktor zur Adjustierung der täglichen Starkregenverteilung als geeignet herausgestellt. Mit diesem kann eine definierte Anpassung der Exponentialverteilung der Starkregen durchgeführt bzw. der Unterschied zwischen zwei Verteilungen quantifiziert werden. Durch einen in der Arbeit entwickelten Algorithmus wird auf Basis des Starkregenfaktors eine vorliegende, tägliche Niederschlagsreihe so adjustiert, dass sich die Starkregenverteilung entsprechend verändert, jedoch die Massenbilanz des Niederschlags innerhalb der Saison gewahrt bleibt. Die Ergebnisse zeigen, dass bei der Mehrheit der untersuchten Verteilungen des vorliegenden Klimaensembles klimabedingte Änderungen der Starkregenverteilungen gut abgebildet werden können. Die Nutzung des entwickelten Algorithmus ist auch für Fragestellungen außerhalb des Anwendungsgebiets von Scenario-Free Verfahren möglich.
Als rechnerisches Ersatzmodell des neu entwickelten Scenario-Free Verfahrens, hat sich in den untersuchten Einzugsgebieten die Multiple Lineare Regression (MLR) als geeignet erwiesen. Je nach Untersuchungsgebiet sind 4 bis 6 der saisonalen Prädiktoren notwendig um die HQ-Änderungen hinreichend genau zu bestimmen, wobei im untersuchten Verfahrensschema die Temperaturprädiktoren die geringste Bedeutung aufweisen. Im Verfahren werden zunächst mittels MLR Einzelgleichungen für HQ-Änderungen mit jeweils definiertem Wiederkehrintervall aufgestellt. Daraus kann eine Gesamtgleichung abgeleitet werden, in der in Abhängigkeit von den Prädiktoren und dem Wiederkehrintervall eine HQ-Änderung bestimmt wird. Es ist kein signifikanter Unterschied zwischen den Ergebnissen von Einzel- und Gesamtgleichungen festzustellen, sodass sich beide für die Anwendung eignen.
Die Genauigkeit des neu entwickelten Scenario-Free Verfahrens wird unter Nutzung des AR5-Ensembles gegenüber dem Scenario-Led Ansatz bestimmt und mit einem auf die lokalen Verhältnisse adaptierten, bereits etablierten Scenario-Free Verfahren sowie weiteren Verfahrensvarianten verglichen. Die saisonale Variante des neu entwickelten Scenario-Free Verfahrens weist mit einer verbesserten Abbildung von Änderungen des Ensemble-Medians und überwiegend besseren Übereinstimmung der Ensemblemitglieder eine höhere Ver-fahrensgenauigkeit als der Vergleichsansatz auf. Die Ensemble-Varianz des neu entwickelten Verfahrens zeigt in 4 von 6 Einzugsgebieten bessere und in einem Einzugsgebiet ähnliche Übereinstimmungen, wie das Vergleichsverfahren. Weiterhin erhöht sich gegenüber bisherigen Scenario-Free Verfahren mit grafischen Ersatzmodell die Anwendbarkeit durch Nutzung eines rechnerischen Ersatzmodells. Das neu entwickelte Verfahren wird zudem hinsichtlich seiner Ergebnisvariabilität untersucht, die als Folge von Unsicherheiten in der Parametrisierung des N-A-Modells, der HQ-Schätzung, der Aufstellung des MLR-Modells und der Abbildung des Untersuchungsbereichs mittels Latin Hypercube Sampling auftritt. Die Ergebnisse zeigen, dass nur die Modell- und HQ-Variabilität eine signifikante Größenordnung annehmen. Die daraus bestimmte Gesamtvariabilität des Verfahrens ist in allen untersuchten Einzugsgebieten höher als jede Einzelvariabilität und überwiegend auf die HQ-Variabilität zurückzuführen. Ohne Berücksichtigung starker Ausreißer liegt die Verfahrensvariabilität in 5 der 6 Einzugsgebiete unter der Klimavariabilität des untersuchten AR5-Ensembles.
Insgesamt sind zwischen den Ergebnissen von Scenario-Free und Scenario-Led Verfahren teils deutliche Abweichungen festzustellen, was weiteres Potenzial in der Prädiktorenwahl vermuten lässt. Jedoch zeigt die saisonale Variante des neu entwickelten Scenario-Free Verfahrens gegenüber dem Vergleichsverfahren, neben Vorteilen in der Anwendbarkeit und der möglichen Berücksichtigung von sich ändernden Starkregenverteilungen, eine erhöhte Genauigkeit bei einer als akzeptabel ermittelten Ergebnisvariabilität, sodass diese für praktische Anwendungen empfohlen wird.
The Scenario-Neutral or Scenario-Free approach represents a more flexible alternative to the more common Scenario-Based or Scenario-Led approach for estimating climate change impacts, such as local changes in statistical flood characteristics by separating projected climate changes and their hydrological impact. In this way, it is able to show the consequences of new findings in climate research or climatic safety margins for a corresponding study area without having to repeat the complete impact study in a labour-intensive and time-consuming way. In this thesis, a new Scenario-Free procedure for the determination of changes in statistical flood peaks is developed, which, compared to previous procedures, establishes a functional connection between a larger number of climate changes and the flood peak change, considers heavy rainfall changes by a newly developed factor (called: heavy rainfall factor) as well as more influencing variables (predictors). It is based on frequently available daily measurement series, and exists in an annual as well as seasonal version.
The procedure is applied to six different catchments in the eastern Harz region, where long-term measurements and an AR5 climate model ensemble are available on a daily basis. In order to test the applicability of daily versus hourly measurement series under the conditions of the procedure, the results of rainfall-runoff models calibrated to the daily runoff hydrograph and to the hourly peak statistics are compared for each study area. The comparison of results from daily and hourly modeling shows non-significant differences in statistical changes of flood peaks for return periods above 10 years. This allows the less computationally intensive use of daily models, for which time series are usually available on a larger scale.
The annual and seasonal version of the newly developed procedure are based on the application of 3 and 6 climate predictors. In addition to the common and easily determined variables of mean temperature and precipitation change, each for the summer and winter half-year, the heavy rainfall factor has proven to be suitable as a seasonal factor for adjusting the daily heavy rainfall distribution. Using this factor, a defined adjustment of the exponential distribution of heavy rainfall can be carried out or the difference between two distributions can be quantified. Using an algorithm developed in the thesis, an existing daily precipitation time series is adjusted on the basis of the heavy rainfall factor in such a way that the heavy rainfall distribution changes accordingly, but the mass balance of the precipitation within the season is preserved. The results show that climate-induced changes in heavy rainfall distributions can be reproduced well for the majority of the examined distributions of the present climate ensemble. The use of the developed algorithm is also possible for issues outside the field of application of the Scenario-Free approach.
As a computational substitute model for the newly developed Scenario-Free procedure in the investigated catchments the Multiple Linear Regression (MLR) has proved to be suitable. Depending on the study area, 4 to 6 of the seasonal predictors are necessary to determine the HQ changes with sufficient accuracy, whereby the temperature predictors are of least importance in the investigated scheme. In the procedure, individual equations for HQ changes with a defined return period are first set up by using the MLR. Based on this, an overall equation can be derived by determining the HQ change as a function of the predictors and the return period. There is no significant difference between the results of the individual and overall equations, so that both are suitable for application.
Using the AR5 ensemble, the precision of the newly developed Scenario-Free procedure related to the Scenario-Led approach is determined and compared with an already established Scenario-Free procedure adapted to local conditions as well as different versions of it. The seasonal version of the newly developed Scenario-Free procedure shows a higher accuracy than the compared procedure, with overall better matches of changes in the climate ensemble median and better matches between the ensemble members, in the majority of cases. The ensemble variance of the newly developed procedure shows better matches in 4 out of 6 catchments and similar matches in one catchment as the comparison procedure. Furthermore, compared to previous Scenario-Free procedures with graphical substitution models, the applicability is increased by using a computational one. The newly developed procedure is also investigated in terms of its variability in results, which occurs as a result of uncertainties in the parametrization of the N-A model, the HQ estimation, the establishment of the MLR model and the mapping of the study area using Latin Hypercube Sampling. The results show that only the model and HQ variability assume a significant magnitude. The overall variability of the procedure determined from these results is higher than any individual variability in all investigated catchments and is mainly due to the HQ variability. Without considering strong outliers, the procedure variability in 5 of the 6 catchments is below the climate variability of the investigated AR5 ensemble.
Overall, in some cases there are significant deviations between the results of Scenario-Free and Scenario-Led procedures, suggesting further potential in predictor selection. However, the seasonal version of the newly developed Scenario-Free procedure shows, in addition to advantages in applicability and consideration of changing heavy rainfall distributions, an increased accuracy with an acceptable variability of results, so that it is recommended for practical applications.
