Klimaklassifikation des Kontinents Asien

Inhaltsverzeichnis

1. Einführung
1.1 Thematische Einbettung
1.2 methodische Vorgehensweise

2. Die räumliche Verteilung von Temperatur und Niederschlag

3. Korrelations- und Regressionsanalyse
3.1 Korrelationsanalyse
3.2 Regressionsanalyse

4. Faktorenanalyse
4.1 Beschreibung der rotierten Komponentenmatrix
4.2 Interpretation der Faktorenanalyse

5. Clusteranalyse
5.1 Hierarchische Clusteranalyse
5.2 Clusterzentrenanalyse

6. Klimaklassifikation

7. Literaturverzeichnis

8. Anhang

1. Einführung

1.1 Thematische Einbettung

Zum Verständnis einer Erarbeitung einer Klimaklassifikation ist es nötig das Klima zu defi­nieren. Das Klima wird aus der langfristigen Analyse der Wetter und Witterungszustände der Atmosphäre hergeleitet. Somit stellen das Wetter und die Witterung die Grundlage dar, ein Klima zu erstellen. Auf diese Weise können statistische Eigenschaften eines bestimmten Kli­mas ermittelt und in bestimmte Beziehungen zueinander gebracht werden.

Diese statistischen Eigenschaften eines Klimas können verschiedene Klimafaktoren und –Elemente sein. Der Begriff Klimafaktor umfasst gesonderte, indirekte Einflussgrößen auf das Klimageschehen auf der Erde. Also Prozesse und Zustände, die das Klima entstehen lassen, aufrechterhalten und auch verändern. Dies wären z. B. die Sonneneinstrahlung, die Land-Meer Verteilung (maritimes und kontinentales Klima) und die Höhe über NN. Gesondert dazu wird die atmosphärische Zirkulation gesehen, die als sekundärer Klimafaktor bezeichnet wird, da sie aus den oben genannten Klimafaktoren resultiert.

Des weiteren verwendet man den Begriff der Klimaelemente, der die unterschiedlichen me­teorologische Größen wie Niederschlag, Temperatur, Verdunstung, Luftfeuchte, Wind usw. beinhaltet (Hupfer/Kuttler 1998: 226; 227).

Grundsätzlich sind zwei verschiedene Arten einer Klassifikation des Klimas möglich, die ef­fektive und die genetische Klimaklassifikation. Die effektive Klimaklassifikation stützt sich auf die Analyse der Wirkung des Klimas, z. B. in der Vegetation und Landnutzung. Diese Wirkung des Klimas wird in Form von bestimmten Mittel- und Andauerwerte der Klimaele­mente (vor allem von Niederschlag und Temperatur) identifiziert.

Die genetische Klimaklassifikation dagegen versucht auf genetischer Grundlage die Klimazo­nen einzuteilen, also hauptsächlich die Ursachen eines Klimas einzubeziehen. Dies geschieht über die Einbeziehung der Auswirkungen der allgemeinen Zirkulation der Atmosphäre. (Heyer 1993: 162-163)

Die Klimate sind hauptsächlich auf den Sonnenstand in den verschiedenen Großräumen der Erde zurückzuführen. Denn die Sonne führt durch ihre Strahlung der Erde Energie zu. Daraus resultieren die unterschiedlichsten atmosphärischen Vorgänge. Je nachdem mit welchem Winkel die Sonnenstrahlung auf die Erdoberfläche trifft, desto stärker ist die Intensität der Strahlung. Bei senkrechtem Auftreffen der Strahlung, wie es sich in den Tropen verhält, ist die Bestrahlungsfläche gering. Dabei wird eine größere Energiemenge im Verhältnis zur Be­strahlungsfläche frei als zum Beispiel in unseren Breiten, wo die auftreffende Sonnenstrah­lung einen spitzen Winkel aufweist. So verteilt sich die freiwerdende Energiemenge auf eine größere Fläche. Aufgrund dieser unterschiedlichen Strahlungsintensität und die daraus resul­tierende planetarische Zirkulation der Atmosphäre entwickeln sich verschiedene Klimazonen mit bestimmten Eigenschaften.

Die planetarische Zirkulation der Atmosphäre bildet verschiedene Zonen mit unterschiedli­chen Wind- und Lufdrucksystemen. An den Polen der Erde entstehen durch die geringe Son­neneinstrahlung polare Hochdruckgebiete. Zwischen den Wendekreisen bilden sich die sub­tropischen Hochdruckgebiete. Am Äquator entsteht eine sogenannte äquatoriale Tiefdruck­rinne. Das Luftdruckgefälle zwischen den Hoch- und Tiefdruckgebieten wird durch Wind ausgeglichen. Idealerweise würde sich der Wind direkt vom Hochdruckgebiet zum Tiefdruck­gebiet bewegen. Doch durch die Drehung der Erde um ihre eigene Achse entsteht die Kerio­liskraft, die auf der Nordhalbkugel die Luftbewegungen nach rechts und auf der Südhalbkugel nach links ablenkt. Somit entstehen verschiedene Windsysteme, z. B. die bodennahen Winde die Westwinddrift (zwischen den Polarkreisen und 30° Nord oder Süd geographischer Breite) und die Passate (zwischen den Wendekreisen und der äquatorialen Tiefdruckrinne).

1.2 methodische Vorgehensweise

Das Ziel dieser Hausarbeit ist es eine Klimaklassifikation auf der Grundlage des Klimadaten­satzes von Asien (SPSS 10) zu erstellen. Dabei sollen die Klimazonen nivale, gemäßigte, subtropische und tropische Zone bezogen auf Asien eingeteilt werden. Die verschiedenen Klimafaktoren und –elmente bilden dazu die Grundlage. Im Klimadatensatz sind zu diesem Zweck verschiedene Variablen wie Temperatur, Niederschlag, Verdunstung für alle zwölf Monate sowie die Geographische Breite, Geographische Länge und die Höhe über NN für verschiedene Klimastationen angegeben. Das Statistikprogramm SPSS stellt zu diesem Zweck verschiedene Verfahren zur Verfügung, die nachfolgend beschrieben werden.

Im Klimadatensatz von Asien sowie in den angrenzenden Gebieten Europas und Afrikas sind 309 verschiedene Klimastationen mit Werten der Klimafaktoren herangezogen worden. Diese Stationen besitzen die räumliche Verteilung wie in Abbildung 1 ersichtlich.

Abb. 1: Verteilung der Klimastationen auf Asien

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Datensatz Asien (SPSS)

Diese Werte werden im Folgenden durch mehrere statistische Verfahren analysiert. Zunächst wäre dazu die Korrelations- und Regressionsanalyse zu nennen. Mit Hilfe dieser Verfahren ist es möglich Zusammenhänge zwischen den wichtigsten Variablen deutlich zu machen. Die ermöglicht die sinnvollsten Variablen für eine darauf folgende Faktorenanalyse auszuwählen.

Die Anzahl dieser ausgewählten Variablen können danach mittels der Faktorenanalyse weiter reduziert und zu wenigen Faktoren zusammengefasst werden. Diese Faktoren können auf­grund der darin eingehenden Variablen als bestimmte klimatologische Kenngrößen benannt werden, z. B. Kontinentalität, Temperatur oder Niederschlagsverhältnisse in bestimmten Zeit­abschnitten.

Die daraus erhaltenden Faktorenwerte werden mittels der Clusterzentrenanalyse und der hier­archischen Clusteranalyse zu Gruppen ähnlichem Klima klassifiziert. Schließlich ist es mög­lich diese Gruppen als Klimazonen zu benennen.

2. Die räumliche Verteilung von Temperatur und Niederschlag

Abb. 2: Verteilung des Jahresniederschlages in mm auf Asien

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Klimadatensatz Asien (SPSS)

Die höchsten jährlichen Niederschlagsmengen in Asien werden im östlichen Indien, Bangla­desh und Indochina durch die jährlichen Monsunniederschläge mit über 7000 mm (Maximum in Cherrapunji) Niederschlag erreicht. In Südchina beträgt die Niederschlagsmenge zwischen 1500 und 2000 mm aufgrund des Chinamonsuns. Im mittleren- und nordöstlichen China so­wie im mittleren Indien werden jährliche Niederschläge zwischen 500 und 1500 mm erreicht. Dagegen im arabischen Raum und Zentralasien sowie im westlichen China/ Mongolei herrscht im großen und ganzen Trockenheit (jährliche Niederschlagsmenge zwischen 0 und 250 mm). In Nordasien ist eine relativ geringe jährliche Niederschlagsmenge anzutreffen. (vgl. Abb. 2)

Abb. 3: Verteilung der mittleren Jahrestemperatur in °C auf Asien

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Datensatz Asien (SPSS)

Die Temperaturverteilung verhält sich wie folgt: Die 30° C Isoplete der mittleren Jahrestem­peratur verläuft vom östlichen Mittelmeerraum über dem arabischen Raum (Irak, Iran und Pakistan), Hindukusch und Südrand des Himalaya-Gebirges bis zum Südchinesischen Meer. Der Bereich mit einer mittleren Jahrestemperatur von 10-20° C liegt im nördlichen arabi­schen Raum und in Südrussland, Himalaja und Südostchina sowie das südliche Japan. Der Bereich mit einer mittleren Jahrestemperatur von 0-10° C liegt in den Regionen südwestliches Russland, Tibet, Mongolei und nordöstliches China sowie Nordjapan. Der Bereich mit einer mittleren Jahrestemperatur von 0-10° C liegt in den Regionen mittleres Russland. Der Bereich mit einer mittleren Jahrestemperatur von -10- -20° C liegt in Nordsibirien. (vgl. Abb. 3)[Abbildung in dieser Leseprobe nicht enthalten]

3. Korrelations- und Regressionsanalyse

3.1 Korrelationsanalyse

Mit der Korrelationsanalyse wird vor allem die Stärke des linearen Zusammenhangs gemes­sen. Als Maß verwendet man den sogenannten Produkt-Moment-Korrelationskoeffizienten rxy nach Pearson. Dieses Maß kann im Gegensatz zum Bestimmtheitsmaß Werte zwischen –1 und 1 annehmen. Wenn der Korrelationskoeffizient einen negativen Wert annimmt, so be­zeichnet man den ausgedrückten Zusammenhang als gegensätzlich, nimmt er dagegen einen positiven Wert an, so bezeichnet man den Zusammenhang als gleichsinnig. D. h. der Zusam­menhang zwischen zwei untersuchten Variablen kann entweder stehen diese Variablen auf gleiche Weise miteinander oder gegensätzlich zueinander in Beziehung. Die folgende Korre­lationsanalyse wurde mit den Variablen Geographische Breite und mittlere Temperatur in °C im Januar durchgeführt. (Bausinger/Christ 2002: 15)

Tab. 1: Korrelationen

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Datensatz Asien (SPSS)

Der Produkt Korrelationskoeffizient dieser Analyse hat den Wert von –0,919, was einen ne­gativen Zusammenhang ausdrückt. Das Ergebnis der Analyse ist mit 0,01 hochsignifikant, es kann also mit einer hohen Sicherheitswahrscheinlichkeit (>99 %) auf die "Grundgesamtheit“ übertragen werden. Auch flossen mit 309 Fällen alle Fälle des Datensatzes Asien ein. (vgl. Tab. 1)

Tab. 2: Partielle Korrelation

- - - P A R T I A L C O R R E L A T I O N C O E F F I C I E N T S - - -

Controlling for.. LAENGE

MITTEM1 BREITE

MITTEM1 1,0000 -,9334

( 0) ( 306)

P= , P= ,000

BREITE -,9334 1,0000

( 306) ( 0)

P= ,000 P= ,

(Coefficient / (D.F.) / 2-tailed Significance)

" , " is printed if a coefficient cannot be computed

Quelle: Datensatz Asien (SPSS)

Die vorliegende partielle Korrelation zeigt, daß die Untersuchung des Einflusses der geogra­phischen Länge auf das Modell der Variable mittlere Temperatur in °C im Januar in Abhän­gigkeit mit der geographischen Breite gering ist. Der Korrelationskoeffizient ist in der parti­ellen Korrelation auf –0,9334 gestiegen. Mit der partiellen Korrelation konnte der Einfluss der geographischen Länge eliminiert werden. (vgl. Tab. 2)

3.2 Regressionsanalyse

Im Gegensatz zur Korrelationsanalyse untersucht die Regressionsanalyse nicht die Stärke des Zusammenhang zwischen verschiedenen Variablen, sondern die Art des Zusammenhangs zwischen einer abhängigen Variable und einer oder mehreren unabhängigen Variablen.

Die lineare Einfachregression ist die einfachste Art der Regression. Dabei wird die Unter­scheidung zwischen einer abhängigen und einer oder mehreren unabhängigen Variablen auf­grund von inhaltlichen Gesichtspunkten getroffen. Bei der vorliegenden Regressionsanalyse wurde eine Lineare Einfachregression durchgeführt. Dabei wurden wie bei der Korrelations­analyse die Variablen geographische Breite und die mittlere Temperatur in °C im Januar ver­wendet. (Bausinger/Christ 2002: 6)

Tab. 3: „ANOVA“ - Einfaktorielle Varianzanalyse

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Datensatz Asien (SPSS)

Die vorliegende Tabelle „ANOVA“ beinhaltet die Varianz der abhängigen Variable („Ge­samt“) und die Varianz, die durch die Regression erklärt wird („Regression“) sowie die Vari­anz der Residuen. Mit Hilfe der Freiheitsgrade gibt der Koeffizient des F- Tests, abgebildet in Spalte 5, an, inwieweit die abhängige Variable die Varianz der Gesamtheit der unabhängigen Variablen erklärt. (Bausinger/Christ 2002: 10) In der vorliegenden Tabelle beträgt der Koeffizient des F-Testes 1664,436. Dies bedeutet, daß die abhängige Variable 2 % der Varianz der unabhängigen Variable erklärt. (vgl. Tab. 3)

Tab. 4: Die Koeffizienten der Regressionsanalyse

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Datensatz Asien (SPSS)

Der Koeffizient des T-Testes mit dem negativen Vorzeichen zeigt, dass zwischen den Varia­blen Geographische Breite und mittlere Temperatur im Januar ein gegensinniger Zusammen­hang besteht. Dies bedeutet, daß mit zunehmender Breite die Temperatur in Asien sinkt. Au­ßerdem ist der Koeffizient ungleich 0, was einen linearen Zusammenhang darstellt. (vgl. Tab. 4) Zunächst einmal heißt dies, daß die Temperatur im Januar proportional zur sinkenden geo­graphischen Breite ansteigt.

Tab. 5: Modellzusammenfassung (Ergebnis der Option „Anpassungsgüte des Modells“)

Abbildung in dieser Leseprobe nicht enthalten

Quelle: Datensatz Asien (SPSS)

Die Spalte R- Quadrat beinhaltet das Bestimmtheitsmaß der Regression. Das korrigiertes R- Quadrat berücksichtigt die Anzahl der erklärenden Variablen und Fälle. Der Standartfehler des Schätzers ist der nicht standartisierte Schätzwert der Regressionsgleichung (ausgedrückt in der Maßeinheit der abhängigen Variablen). Dies kann ebenfalls zur Güte des Modells her­angezogen werden. Das korrigierte R- Quadrat mit einem Wert von 0,844 bringt zum Aus­druck, dass die Streuung der Y-Werte um die Regressionsgeraden relativ gering ist. (Bausinger/Christ 2002: 8) Somit kann man davon ausgehen, daß dieses Modell zur Darstellung des Zusammenhangs zwischen der abhängigen Variable mittlere Temperatur im Januar und der unabhängigen Variable geographische Breite brauchbar ist. (vgl. Tab. 3 & Abb. 4)

Abb. 4: Streudiagramm der mittleren Temperatur im Januar

Abbildung in dieser Leseprobe nicht enthalten

Das vorliegende Streudiagramm zeigt den Zusammenhang zwischen der mittleren Temperatur im Januar und der Geogra­phischen Breite. Es ist die graphische Dar­stellung der oben beschriebenen Regressi­onsanalyse. Dort spiegeln sich die Ergeb­nisse der erwähnten Regressionsanalyse wi­der. Es handelt sich um eine Punktwolke, die durch eine lineare Regressionsgerade am geeignetsten beschrieben werden kann. Diese Gerade besitzt eine negative Steigung, was ausdrückt, daß mit zunehmender geo­graphische Breite die mittlere Temperatur im Januar sinkt. Die Streuung um die Re­gressionsgeraden ist bis 40° Nord geographischer Breite relativ gering, danach

Quelle: Datensatz Asien (SPSS)

wird sie schrittweise höher. Denn in den Breiten 40- 80° Nord werden die thermischen Ge­gensätze zwischen extrem kontinentalen Gebieten mit relativ maritimen Gebieten stärker wirksam.

4. Faktorenanalyse

Zur Erstellung der Klimaklassifikation der Klimaverhältnisse in Asien ist es nötig aufgrund der Fülle von unterschiedlichen Variablen eine Faktorenanalyse durchzuführen, um die An­zahl der einfließenden Variablen zu reduzieren. Dabei werden Variablen zu wenigen Faktoren zusammengefaßt. Diese Faktoren sollten sinnvolle Gruppen bilden, deren Eigenschaften kon­kret durch die Untersuchung der hochladenden Variablen benannt werden können. Die Fakto­renextraktion ist zu diesem Zweck der Hauptbestandteil der Faktorenanalyse. Dazu sind ver­schiedene Methoden vorhanden, z. B. die Hauptkomponenten-, die Hauptachsen- und die Maximum-Likelihood-Methode im Statistikprogramm SPSS 10 verfügbar. (Bausinger/Christ 2002: 25)

Die gebräuchlichste Methode der Faktorenextraktion ist die Hauptkomponentenanalyse. Die Hauptkomponentenanalyse verwendet die herkömmliche Korrelationsmatrix. D. h. die Hauptkomponentenanalyse geht von der Gesamtvarianz aus, die es zu erklären gilt.

Auf die Faktorenextraktion folgt die Faktorenrotation. Die Faktorenrotation wird als iteratives Verfahren bezeichnet, d. h. die Lösung der Faktorenanalyse wird schrittweise weiter verbes­sert. Dafür sind verschiedene Kriterien Ausschlag gebend. Diese Kriterien sind zum einen „die Güte der Repräsentanz zum anderen die Erzeugung einer „Einfachstruktur“. Die Einfach­struktur zeichnet sich mathematisch dadurch aus, daß eine Gruppe von Variablen möglichst hoch (nahe 1) laden, die Ladungen für die übrigen Variablen dagegen möglichst gering sind (nahe 0). Dieses Kriterium wird so lange verfolgt bis eine hohe Güte der Repräsentanz erreicht wird. (Bausinger/Christ 2002: 35-36)

Bei der Faktorenrotation stehen verschiedene Arten zur Verfügung: die orthogonale Rotation (z.b. Varimax- Verfahren) und die schiefwinklige Rotation. Bei der orthogonalen Rotation bleiben die erhaltenen Faktoren unkorreliert, also die Winkel zwischen den Faktoren werden mit 90° konstant gehalten. Im Gegensatz zur schiefwinkligen Rotation, bei der auch Winkel ungleich 90° möglich sind.

[...]