Wettervorhersagemodelle schneiden für die ersten Stunden des Vorhersagezeitraums oft nicht besonders gut ab. Deswegen werden simple Nowcasting-Methoden, wie die lineare Extrapolation von aktuellen Radarbildern zur Niederschlagsvorhersage, oft verwendet, um die nächsten Stunden besser vorhersagen zu können. Der Nachteil von solchen Kürzestfristvorhersagen ist wiederum, dass deren Vorhersaqualität innerhalb weniger Stunden drastisch sinkt. Deswegen werden immer wieder Bemühungen unternommen, aktuelle Beobachtungen oder die Extrapolation vom letztbekannten Zustand, mit den Berechnungen von numerischen Wettervorhersagemodellen zu vereinen. Um solch eine Kombination von aktuellen Informationen mit numerischen Vorhersagen zu bewerkstelligen, wird in der zugrundeliegenden Arbeit eine Datenassimiliationsmethode verwendet. Der Local Ensemble Transform Kalman Filter (LETKF) wird benützt, um bereits existierende Ensemble-Vorhersagen anhand aktuellster Beobachtungen neu zu gewichten und dadurch eine adaptierte Vorhersage, oder besser gesagt einen Nowcast, zu berechnen. Die LETKF-basierte Nowcasting-Methode wird auf die Wahrscheinlichkeit für stündliche Niederschlagsraten größer gleich zu wählender Schwellwerte angewandt. Die Benützung von Wahrscheinlichkeiten statt Niederschlagsintensitäten vermeidet unphysikalische Sprünge in den Nowcasts. Die Nowcasting-Methode wird über einen Zeitraum von sechs Tagen im Juli 2020 für das 17 Member umfassende C-LAEF Ensemble von GeoSphere Austria durchgeführt. Als Beobachtungen werden INCA Analysen herangezogen, welche eine Kombination aus Radarbeobachtungen und Niederschlagsmessungen am Boden sind. Je nach Wahl der Parameter kann die Nowcasting-Methode für ein- bis dreistündige Vorhersagen im Durchschnitt besser abschneiden als das zugrundeliegende Ensemble. Für Vorhersagen ab vier Stunden in die Zukunft bietet die Methode jedoch im Durchschnitt keine Verbesserung gegenüber der Referenz mehr, da sich die Niederschlagsfelder in diesem Zeitraum aus dem Lokalisierungsradius herausbewegen. Die Methode wird für drei verschiedene Niederschlagsintensitäten durchgeführt und schneidet bei geringeren Intensitäten besser ab. Sensitivitätsstudien werden durchgeführt um den Einfluss der räumlichen Auflösung der Wahrscheinlichkeiten sowie verschiedener Beobachtungsfehlerkovarianzmatrizen festzustellen. Während die Einstellung der Fehlerkovarianzen keinen signifikanten Einfluss auf die Vorhersagegüte hat, werden mit gröber aufgelösten Wahrscheinlichkeitsfeldern bessere Resultate erzielt.

Numerical weather prediction models have limited skill in the first few forecast hours. Therefore simple nowcasting methods, like the linear extrapolation of current radar information, are often used to predict the very near future more precisely. However, these extrapolation methods tend to rapidly decrease in skill after a few hours. Many efforts have been undertaken to combine recent observations or extrapolations of the latest states with numerical weather prediction (NWP) model computations. In order to achieve such a blending of current information and NWP forecasts, a data assimilation method is used in this thesis. The Local Ensemble Transform Kalman Filter (LETKF) is exploited to re-weight pre-existing ensemble forecasts according to recent observations, thus creating an adapted forecast, or rather, a nowcast. This LETKF-based nowcasting method is performed on the probability of hourly precipitation rates exceeding a threshold. The use of probabilities rather than precipitation intensities avoids unphysical jumps in the nowcasts. For a period of six days in July 2020, this LETKF-based nowcasting is performed on GeoSphere Austria’s 17-member C-LAEF ensemble. INCA analyses, which consist of a combination of recent radar observations and surface precipitation measurements, are used as observations. The nowcasts are, on average, able to outperform the underlying ensemble forecast for lead times of one to three hours, depending on the setting. For lead times of four hours and longer, however, the method in the presented setting can not outperform the ensemble forecast on average. Propagation of precipitation patterns outside of the localisation scale is found to be the main reason for decreasing nowcasting performance with increasing lead time. The method is tested for three different precipitation rates and performs better for lower intensities. Sensitivity studies are carried out to assess the influence of both the spatial resolution of the probability field and observation-error covariances. While the exact setting of observation errors does not affect the outcome significantly, results are better for coarser spatial resolutions.