Vorwarnung vor extremen Niederschlagsereignissen mithilfe von Skalierungsverhalten

Warum plötzliche Wolkenbrüche wichtig sind

Sturzfluten, Erdrutsche und städtische Überflutungen werden oft nicht durch tagelangen Regen ausgelöst, sondern durch wenige Stunden heftiger Schauer. Dennoch gehören diese kurzen, heftigen Regenfälle zu den am schwierigsten vorherzusagenden Wetterereignissen. Diese Studie stellt eine einfache, aber kraftvolle Frage: Lassen sich in der zeitlichen Abfolge extremer stündlicher Niederschläge verborgene Muster finden, die vor dem nächsten Wolkenbruch warnen, ohne auf komplexe Modellrechnungen angewiesen zu sein?

Verborgene Rhythmen im Regen

Die Forschenden analysierten fünf Jahre hochwertiger stündlicher Messdaten von 1.729 Messstationen in Ostchina, einer Region, die regelmäßig von starken Monsunregen, Taifunen und Frontensystemen betroffen ist. Statt nur die Regenmengen zu betrachten, konzentrierten sie sich darauf, wann extreme stündliche Ereignisse auftreten und wie lange sie andauern. Mit Methoden der Zeitreihenanalyse prüften sie, ob die Niederschlagsaufzeichnungen eine langfristige Persistenz zeigen – also ob nasse oder trockene Phasen gewissermaßen „erinnern“, was Stunden oder Tage zuvor geschah, statt sich wie zufällige Münzwürfe zu verhalten. Sie fanden, dass stündlicher Niederschlag zwei deutlich unterscheidbare Zeitskalen aufweist: einen kurzen Bereich (von etwa einem halben Tag bis zu fünf Tagen) mit starker Persistenz und einen längeren Bereich (jenseits von etwa fünf Tagen) mit deutlich schwächerer Erinnerung.

Gewitter, die gehäuft auftreten

Auf dieser Grundlage wandte sich das Team den Extremen zu: den seltenen Stunden mit sehr hohen Regenraten. Sie maßen zwei grundlegende Merkmale – wie lange die Abstände zwischen extremen Ereignissen sind und wie lange jede extreme Phase andauert, sobald sie begonnen hat. Wären Extreme zufällig, würden die Abstände einem einfachen Muster folgen, ähnlich radioaktivem Zerfall oder einem Poisson-Prozess. Stattdessen folgten die beobachteten Abstände einem „gestreckten“ Muster mit mehr sehr kurzen und sehr langen Intervallen als erwartet, was bedeutet, dass heftige Schauer dazu neigen, in Clustern aufzutreten, die von ruhigeren Perioden getrennt sind. Auch die Dauern extremer Episoden zeigten eine höhere Wahrscheinlichkeit für lang anhaltende Ereignisse als bei zufälligen Daten. Wenn die Wissenschaftler die Reihenfolge der Daten durcheinanderbrachten, um die langfristige Erinnerung zu zerstören, während die kurzfristige Struktur erhalten blieb, verschwand die Häufung – ein Beleg dafür, dass diese Erinnerung ein zentraler Treiber der Clusterbildung ist.

Wie der gestrige Sturm das Risiko von morgen prägt

Um diesen Zusammenhang greifbarer zu machen, berechneten die Autor:innen, wie stark jedes extreme Ereignis die Wahrscheinlichkeit beeinflusst, dass kurz danach ein weiteres auftritt. Sie nutzten eine „Hazard-Funktion“, die fragt: Angenommen, eine extreme Stunde ereignete sich vor t Stunden – wie hoch ist dann die Wahrscheinlichkeit, dass in dem nächsten kurzen Intervall ein weiteres Extrem auftritt? Für reale Niederschlagsdaten ist dieses Risiko kurz nach einem Extrem hoch und fällt dann ungefähr als Potenzgesetz bis zu etwa vier Tagen ab, danach haben vergangene Ereignisse kaum noch Einfluss. Künstlich erzeugte Daten mit derselben langfristigen Persistenz zeigten ein nahezu identisches Verhalten, während vollständig zufällig gemischte Daten eine flache Hazard-Kurve ergaben, also keinerlei Erinnerung. Diese Ergebnisse zeigen, dass die mehrskalige Struktur des Niederschlags – mit starker Erinnerung auf kurzen Zeitskalen – direkt die zeitliche Clusterbildung von Extremen prägt.

Aus Mustern Frühwarnungen machen

Aufbauend auf dieser Einsicht schlugen die Forschenden eine einfache statistische Warnmethode vor. Anhand vergangener stündlicher Daten jeder Station schätzten sie die Hazard-Funktion und wandelten dann stundenweise die Zeit seit dem letzten Extrem in ein aktuelles Risikoniveau um. Überschritt das geschätzte Risiko einen gewählten Schwellenwert, gab das System einen Alarm für ein bevorstehendes extremes Ereignis aus. Sie bewerteten die Leistung mit einer gängigen Diagnose aus der Vorhersagepraxis, der Receiver-Operating-Characteristic-Kurve, die abwägt, wie häufig das System Extreme korrekt meldet gegenüber wie häufig es Nicht-Extreme korrekt erkennt. Über die Stationen hinweg lag die gesamte Warnwirkung etwa zwischen 0,69 und 0,93, mit einem Mittelwert von 0,76, und war dort am höchsten, wo die kurzfristige Erinnerung im Niederschlag am stärksten war. Im Vergleich zu einem führenden globalen Wettervorhersagesystem war ihre rein statistische Methode geringfügig weniger genau, aber für Vorwarnungen mit einer Vorlaufzeit von sechs Stunden dennoch konkurrenzfähig.

Was das für künftige Hochwassersicherheit bedeutet

Die Arbeit zeigt, dass extremer stündlicher Regen in Ostchina nicht zufällig auftritt: Er tendiert zur zeitlichen Häufung, und diese Häufung lässt sich auf die Art rückführen, wie Gewitter sich über Stunden und Tage hinweg fortsetzen. Indem die Autor:innen quantifizieren, wie das Risiko eines neuen Wolkenbruchs nach jedem Extrem ansteigt und wieder fällt, demonstrieren sie, dass ein relativ einfacher, datengetriebener Ansatz nützliche Frühwarnungen liefern kann, die numerische Wettermodelle ergänzen. Praktisch könnten Städte, Landwirte und Wasserverwalter solche musterbasierte Werkzeuge eines Tages nutzen, um besser abzuschätzen, wann sie ein „Gefahrenfenster" für Sturzfluten betreten, und so eine zusätzliche Schutzschicht in einer sich erwärmenden Welt hinzufügen, in der heftige Niederschläge voraussichtlich häufiger werden.

Zitation: Yang, L., Yuan, N. & Chen, B. Forewarning extreme precipitation events using scaling behaviors. Sci Rep 16, 10795 (2026). https://doi.org/10.1038/s41598-026-45565-3

Schlüsselwörter: extreme Niederschläge, stündlicher Regen, Gruppierung von Gewittern, Frühwarnung, klimatische Variabilität