Das SLF betreibt einen operationellen schneehydrologischen Dienst (OSHD), der laufend die räumliche und zeitliche Verteilung der Schneewasserressourcen in der Schweiz analysiert und damit verbesserte hydrologische Vorhersagen und vorausschauende Gewässerregulierung ermöglicht.
Der Schnee spielt in der Schweiz eine bedeutende Rolle im Wasserkreislauf. Die Schneeschmelze beeinflusst die saisonale Dynamik des Wasserabflusses und kann, insbesondere in Verbindung mit anderen Faktoren, zu Hochwasser oder Trockenheit führen. Um diese Herausforderungen zu bewältigen, haben wir 2009 den operationellen schneehydrologischen Dienst (OSHD) ins Leben gerufen. Dieser Dienst ermöglicht uns, kontinuierlich die räumliche und zeitliche Verteilung des Schnees in der Schweiz abzuschätzen. Die OSHD-Dienste spielen heute eine entscheidende Rolle bei der nationalen und kantonalen hydrologischen Vorhersage. Sie tragen dazu bei, Naturgefahren zu reduzieren und liefern wichtige Daten für Partnerdienste wie die Wettervorhersage von MeteoSwiss sowie die SLF Lawinenwarnung.
Operationelle Analysen
Der OSHD erstellt von November bis Juni täglich schneehydrologische Analysen, die wichtige Informationen über die Schneesituation der Schweiz enthalten. Durch den Einsatz einer physikalisch basierten Modellkette prognostiziert das OSHD die Schneeschmelze und andere entscheidende Variablen im Zusammenhang mit der saisonalen Schneedynamik. Karten in Abbildung 1 zeigen beispielhaft Schneehöhen (A), Schneewasseräquivalente (B), den Schmelzwasserabfluss (C) und den Zustand der Schneedecke (D) als zentrale Ergebnisse des Modells. Derartige Informationen sind äusserst wertvoll für die Vorhersage von Überschwemmungen, insbesondere bei starken Regen-auf-Schnee-Ereignissen.
Die Klimatologie des Schneewasseräquivalents spiegelt die zeitliche Entwicklung des aktuellen Schneewasserreservoirs wider und ermöglicht Vergleiche mit vergangenen Wintern (Abbildung 2). Der Winter 2021/22 zeigte beispielsweise ungewöhnlich geringe Schneemengen, was wichtige Auswirkungen auf die Regulierung der Wasserstände von Seen und Reservoirs während der Schmelzperiode hatte.
Die in Abbildung 1 und 2 dargestellten Produkte sind von grosser Bedeutung für hydrologische Analysen. Der OSHD ist in die Vorhersage- und Warnaktivitäten der verantwortlichen nationalen Behörden integriert. Im Bereich der Schnee-Hydrologie arbeiten das Bundesamt für Umwelt (BAFU), das Bundesamt für Meteorologie und Klimatologie (MeteoSchweiz) sowie das WSL-Institut für Schnee- und Lawinenforschung SLF eng zusammen. Die wöchentlichen Analysen des OSHD werden im hydrologischen Bulletin des BAFU integriert. Darüber hinaus ist die Schneereserve auch für den Schweizer Wasserkraftsektor wichtig, und unsere Daten werden auf dem Energie-Dashboard der Schweiz vom Schweizer Bundesamt für Energie (BFE) veröffentlicht.
Der OSHD erstellt auch Neuschnee Vorhersagen mit unterschiedlichen Vorhersagezeiträume (Abbildung 3). Zusammen mit Karten zur Gesamtschneehöhe (Abbildung 1A) bilden diese Produkte eine wichtige Grundlage für den Lawinenwarndienst, der vom SLF betrieben wird, um die aktuelle Lawinengefahr zu bewerten. Sowohl die Karten zur Gesamtschneehöhe als auch zur Neueschneehöhe werden auf White Risk und MeteoSchweiz veröffentlicht.
Methoden ¶
Die OSHD-Modellergebnisse werden achtmal täglich aktualisiert und basieren auf einem komplexen Modellsystem, das eine Analyse und Vorhersage der Schneedynamik in der gesamten Schweiz ermöglicht. Das OSHD-System besteht aus unterschiedlichen schneehydrologischen Modellen, die die Schneebedingungen sowohl in niedrig gelegenen, bewaldeten als auch hochalpinen Regionen der Schweiz in hoher räumlicher Auflösung abbilden.
Um eine angemessene Genauigkeit zu ermöglichen, integriert das OSHD-Modellsystem Stationsdaten, hochauflösende Daten aus Wettervorhersagemodellen sowie verschiedene Reanalyse-Produkte. Darüber hinaus nutzt das OSHD-Modellsystem moderne Datenassimilations- und meteorologische Downscaling-Methoden. Das OSHD-Modellsystem nutzt verschiedene Modellansätze, die jeweils auf spezifische Anwendungen wie Hochwasservorhersage und klimatologische Analyse zugeschnitten sind.
Für weitere Informationen über unser Modellsystem verweisen wir auf die Veröffentlichung «Operational Snow-Hydrological Modeling for Switzerland». Dieser Artikel bietet umfassende Informationen zu den technischen Aspekten und Methoden unserer Schnee-Modellierung.
Kontakt ¶
Links ¶
Publikationen ¶
Mott, R., Winstral, A., Cluzet, B., Helbig, N., Magnusson, J., Mazzotti, G., Quéno, L., Schirmer, M., Webster, C., & Jonas, T. (2023). Operational snow-hydrological modeling for Switzerland. Frontiers in Earth Science, 11, 1228158. doi.org/10.3389/feart.2023.1228158
Aschauer, J., Michel, A., Jonas, T., & Marty, C. (2023). An empirical model to calculate snow depth from daily snow water equivalent: SWE2HS 1.0. Geoscientific Model Development, 16(14), 4063-4081. https://doi.org/10.5194/gmd-16-4063-2023
Griessinger, N., Seibert, J., Magnusson, J., and Jonas, T. (2016). Assessing the benefit of snow data assimilation for runoff modeling in Alpine catchments. Hydrol. Earth Syst. Sci. 20, 3895–3905. doi:10.5194/hess-20-3895-2016
Griessinger, N., Schirmer, M., Helbig, N., Winstral, A., Michel, A., and Jonas, T. (2019). Implications of observation-enhanced energy-balance snowmelt simulations for runoff modeling of Alpine catchments. Adv. Water Resour. 133, 12, 103410. doi:10. 1016/j.advwatres.2019.103410.
Helbig, N., van Herwijnen, A., Magnusson, J., and Jonas, T. (2015). Fractional snowcovered area parameterization over complex topography. Hydrol. Earth Syst. Sci. 19, 1339–1351. doi:10.5194/hess-19-1339-2015.
Helbig, N., Schirmer, M., Magnusson, J., Mäder, F., van Herwijnen, A., Quéno, L., et al. (2021b). A seasonal algorithm of the snow-covered area fraction for mountainous terrain. Cryosphere 15, 4607–4624. doi:10.5194/tc-15-4607-2021.
Jonas, T., Marty, C., and Magnusson, J. (2009). Estimating the snow water equivalent from snow depth measurements in the Swiss Alps. J. Hydrology 378 (1-2), 161–167. doi:10.1016/j.jhydrol.2009.09.021.
Jonas, T.,Webster, C.,Mazzotti, G., and Malle, J. (2020). HPEval: A canopy shortwave radiation transmission model using high-resolution hemispherical images. Agric. For. Meteorology 284, 107903. doi:10.1016/j.agrformet.2020.107903.
Magnusson, J., Gustafsson, D., Husler, F., and Jonas, T. (2014). Assimilation of point SWE data into a distributed snow cover model comparing two contrasting methods. Water Resour. Res. 50, 7816–7835. doi:10.1002/2014WR015302.
Magnusson, J., Wever, N., Essery, R., Helbig, N., Winstral, A., and Jonas, T. (2015). Evaluating snow models with varying process representations for hydrological applications. Water Resour. Res. 51, 2707–2723. doi:10.1002/2014WR016498.
Mazzotti, G., Essery, R. L. H., Webster, C., Malle, J., and Jonas, T. (2020b). Processlevel evaluation of a hyper-resolution forest snow model using distributed multi-sensor observations. Water Resour. Res. 56 (9), e2020WR027572. doi:10.1029/2020WR027572
Mazzotti, G., Webster, C., Essery, R., and Jonas, T. (2021). Increasing the physical representation of forest-snow processes in coarse-resolution models: Lessons learned from upscaling hyper-resolution simulations. Water Resour. Res. 57 (5), e2020WR029064. doi:10.1029/2020WR029064.
Webster, C., Mazzotti, G., Essery, R. L. H., and Jonas, T. (2020). Enhancing airborne LiDAR data for improved forest structure representation in shortwave transmission models. Remote Sens. Environ. 249, 112017. doi:10.1016/j.rse.2020.112017
Webster, C., Essery, R., Mazzotti, G., and Jonas, T. (2023). Using just a canopy height model to obtain lidar-level accuracy in 3D forest canopy shortwave transmissivity estimates. Agric. For. Meteorology 338, 109429. doi:10.1016/j.agrformet.2023.109429.
Winstral, A., Jonas, T., and Helbig, N. (2017). Statistical downscaling of gridded wind speed data using local topography. J. Hydrometeorol. 18 (2), 335–348. doi:10.1175/jhmd-16-0054.1
Winstral, A., Magnusson, J., Schirmer, M., and Jonas, T. (2019). The bias-detecting ensemble: A new and efficient technique for dynamically incorporating observations into physics-based, multilayer snow models. Water Resour. Res. 55, 613–631. doi:10.1029/2018WR024521