Die Vorhersage und Modellierung von konvektiven Zellen und damit verbundener Gefahren stellt numerische Wettervorhersagemodelle (NWP) vor viele Herausforderungen. Die konvektionserlaubende Skala reagiert empfindlich auf kleine Fehler, ist durch die intrinsische Vorhersagbarkeit begrenzt und lässt sich oft nicht durch konventionelle Beobachtungen einschränken, was auch eine Herausforderung für die Datenassimilation (DA) darstellt. Satellitenbeobachtungen im sichtbaren Bereich (VIS) besitzen die notwendige zeitliche und räumliche Auflösung, werden jedoch operationell selten genutzt, da die nicht-lineare Beziehung zwischen dem Modelzustand und der beobachteten Variable grundlegende Annahmen vieler DA-Algorithmen verletzt: die Linearität des Beobachtungsoperators sowie Gaußsche Fehlerverteilungen. Diese Arbeit präsentiert eine neue Form der Assimilation von VIS-Bildern, die sogenannte cloud fraction, welche mit einem Schwellenwert über einem veränderlichen Gebiet berechnet wird. Ähnlich wie mit Superobbing wird eine pixelweise Assimilation vermieden, und das Assimilieren von multiplen Skalen kann potenziell helfen, nicht-lineare Effekte zu vermindern. Die relativen Auswirkungen von cloud fraction Assimilationen von einzelnen oder mehreren Skalen werden mit idealisierten Beobachtungssystemsimulationsexperimenten (OSSEs) evaluiert. Das experimentelle Design besteht aus dem Weather Research and Forecast (WRF)-Modell für Vorhersagen, sowie dem Data Assimilation Research Testbed (DART) mit dem Ensemble Adjustment Kalman Filter (EAKF), um synthetisch erstellte cloud fraction Beobachtungen zu assimilieren. Es wurde ein empirisch erstelltes Beobachtungsfehlermodell angewendet und alle durchgeführten Experimente wurden mit einer probabilistischen Variante des Fraction Skill Score (pFSS) evaluiert. Experimente, die 16x16 km cloud fraction assimilierten, weisen im Vergleich zu dem Benchmark-Experiment mit direkten VIS-Beobachtungen Verbesserungen für cloud fraction, Niederschlag und VIS auf. Die Assimilation aller verfügbaren cloud fraction Skalen, die Beobachtungen von 16x16 km bis 256x256 km umfasst, verbessert zwar die pFSS-Werte, führt jedoch zu unerwünschter, zufällig verteilter Konvektion und einer Verzerrung des Feuchteprofils. Diese Probleme wurden durch die seltenere Assimilierung von großflächigen cloud fraction Beobachtungen und Verbesserungen in der Beobachtungsfehlerschätzung gemildert. Insgesamt konnten mehrskalige cloud fraction Assimilationsexperimente den pFSS für VIS-Vorhersagen bis zu 20 % verbessern im Vergleich zum freien Ensemble und eine positive Auswirkung auf allen Skalen für vorhergesagten Niederschlag konnte ebenfalls festgestellt werden.

Predicting and modelling convective-scale features, such as convective cells and associated hazards, provides many challenges for numerical weather prediction (NWP) models. The convective scale is sensitive to small-scale errors, limited by intrinsic predictability and not easily constrained by conventional observations, which also poses a challenge for data assimilation (DA). Visible reflectance observations offer the necessary temporal and spatial resolution. Still, they are underused in operational centres because the nonlinear relation between the state and the observed variable violates fundamental assumptions of many DA algorithms: the linearity of the observation operator and Gaussian error distributions. This thesis proposes a new form of assimilating visible satellite information by computing a cloud fraction with a threshold over a changeable area. Like superobbing, pixel-by-pixel assimilation is avoided, and, especially when more than one scale of cloud fraction is assimilated, nonlinear effects are possibly mitigated. The relative impact of single and multiscale cloud fraction assimilation is assessed with idealised observing system simulation experiments (OSSEs), where the truth is perfectly known and systematic operator or model deficiencies are neglected. The conducted OSSE comprise the Weather Research and Forecast (WRF) model for forecasting, the Data Assimilation Research Testbed (DART) and its implementation of the Ensemble Adjustment Kalman Filter (EAKF) to assimilate observations and the RTTOV-MFASIS forward operator to simulate those observations. The cloud fractions are precomputed from visible reflectance images and assimilated with an empirically estimated observation error. All conducted experiments have been evaluated with a probabilistic formulation of the fraction skill score: the pFSS. Experiments assimilating a single scale of cloud fraction computed over 16x16 km exhibit improved skill compared to a direct visible reflectance benchmark experiment on the same scale for cloud fraction, precipitation, and visible reflectance. Assimilating all available cloud fraction scales, ranging from 256x256 km to 16x16 km scales, does improve pFSS scores but leads to spurious convection and adds a bias to the humidity profile with each assimilation cycle. These issues have been alleviated by updating coarse scales less frequently and assigning a better-suited observation error estimate, leading to improvements of up to 20 % pFSS compared to the free ensemble for visible reflectance during the free forecast and a consistently positive impact on all scales for predicted precipitation.