<p>Verl&#228;ssliche Niederschlagsvorhersagen innerhalb des K&#252;rzestfristbereichs sind unerl&#228;sslich f&#252;r pr&#228;zise Warnungen und k&#246;nnen die Vorlaufzeit f&#252;r Entscheidungstr&#228;ger im Bereich der Gefahrenabwehr und des Rettungswesens erh&#246;hen. In der operationellen Wettervorhersage beruhen Vorhersage und Warnung vor konvektivem Starkniederschlag innerhalb der ersten zwei Stunden auf radarbasierten Nowcastingverfahren, w&#228;hrend f&#252;r sp&#228;tere Zeitpunkte Simulationen konvektionserlaubender Ensemblevorhersagesysteme genutzt werden.</p>
<p>Im Rahmen des Projekts SINFONY (Seamless INtegrated FOrecastiNg sYstem) des Deutschen Wetterdienstes wird ein integriertes Ensemblesystem auf konvektiver Skala im Bereich der K&#252;rzestfristvorhersage entwickelt. Um die optimale Kombination der bisher unabh&#228;ngigen Systeme von Nowcasting und numerischer Wetterverhorsage zu erleichtern, wurde mit STEPS-DWD eine Adaption des weitverbreiteten STEPS (u.a. Seed 2003, Bowler et al., 2006) als Nowcast-Ensemble in den Testbetrieb &#252;berf&#252;hrt. Basis der NWV ist ICON-D2-RUC, welches derzeit st&#252;ndlich initialisiert&#160; Ensemblevorhersagen bis +8h Stunden mit einer horizontalen Aufl&#246;sung von 2,2km liefert. Kernkomponenten dieser Modellversion sind die Nutzung eines Zwei-Momenten-Mikrophysikschemas sowie die zus&#228;tzliche Assimilation von hochaufgel&#246;sten Fernerkundungsdaten wie 3D-Radardaten und Meteosat-SEVIRI-Daten.</p>
<p>Auf Basis der zwei vorangenannten Ensemblesysteme STEPS-DWD und ICON-D2-RUC werden zwei Methoden zur Kombination der Vorhersagen dieser Systeme pr&#228;sentiert. In einem ersten Verfahren wird die Methode nach Nerini et al., 2019 adaptiert. Hierbei werden die Vorhersagen von Reflektivit&#228;ten und Regenraten im physischen Raum auf Basis eines Ensemble-Kalmanfilters kombiniert. Durch eine zeitlich und r&#228;umliche Aufl&#246;sung von f&#252;nf Minuten bzw. 1x1km wird unter Beibehaltung eines realistischen Aussehens der Niederschlagssysteme eine M&#246;glichkeit zur Absch&#228;tzung der weiteren Entwicklung bis +6h geschaffen.<br /><br />Weiterhin wird eine neue statistische Methode vorgestellt, mit der prognostizierte Niederschlagssummen auf Basis Neuronaler Netze (NN) im Wahrscheinlichkeitsraum kombiniert werden (vgl. Schaumann et al., 2021). Ziel ist es, mit einem Training sowohl nahtlose und kalibrierte Vorhersagen zu erhalten, als auch konsistente &#220;berschreitungswahrscheinlichkeiten gegen&#252;ber allen Schwellwerten zu erreichen. F&#252;r die Optimierung wurden drei Datens&#228;tze von jeweils drei Monaten verwendet, wobei die Datens&#228;tze A & B Ensemble-MOS und RadVOR mit einer jeweiligen horizontalen Aufl&#246;sung von 20km beinhalten. In Datensatz C werden Vorhersagen eines dreist&#252;ndig initialisierten ICON-D2-RUC sowie STEPS-DWD mit einer Aufl&#246;sung von 2,2km verwendet. Die Hyperparameter der NN wurden mit Datensatz A optimiert und die daraus resultierenden NN mittels Rolling Origin Validation auf Datensatz B & C validiert. Hieraus werden Vorhersagen mit einer zeitlichen Aufl&#246;sung von 1h bis +6h erzeugt.<br /><br />F&#252;r beide Verfahren wird durch mehrere Verifikationsmetriken (FSS, Bias, Brier Skill Score, Reliability und Reliability-Diagramm) gezeigt, dass die kombinierten Vorhersagen f&#252;r alle Vorhersagezeiten gleich oder besser als die der individuellen Systeme sind.</p>