Dus onlangs hebben we een aantal situaties gehad waarbij bijvoorbeeld GFS de neerslaghoeveelheden ernstig had overschat. Een zelflerend systeem zou dan moeten kunnen leren van zijn fouten en hiermee bij de volgende run rekening mee kunnen houden.
Dat principe wordt natuurlijk wel toegepast. Modellen worden voortdurend gevalideerd, en als er een bepaalde systematische fout gevonden wordt, dan wordt die gecorrigeerd. Een groot gedeelte van de inhoud van de modellen bestaat ook uit parameterisaties, die sowieso empirisch zijn afgeleid en gecalibreerd. Verder kun je natuurlijk de statistische nabewerking van modeluitvoer, door middel van empirische relaties tussen modeluitvoer en lokale waarnemingen uit het verleden (zgn. MOS, 'Model Output Statistics') ook zien als een 'leren van fouten'.
Het lastige is verder dat je dit alleen kunt doen voor fouten die min of meer systematisch zijn. Zo gauw b.v. een overschatting van neerslag in een aantal situaties wél, en in een ander aantal situaties niet voorkomt, dan kun je een model alleen verbeteren wanneer je die situaties als groepen kunt onderscheiden. Anders weet je niet voor welke situaties je je model verbeteren moet. En dat gaat meestal niet; je blijft altijd zitten met een ruis van fouten die niet te 'stratificeren' zijn waardoor je er niks mee kunt. Dat lijkt me de belangrijkste reden waarom het vergelijken van modeluitvoer met waarnemingen niet altijd tot nuttige informatie hoeft te leiden, en waarom een model heel moeilijk 'zelf' zal kunnen leren.
Quote selectie