Hoi Ben en anderen,
Ben, ik zag dat je een onweersindex hebt ontworpen. Zoals je weet heb ik voor m'n afstudeeronderzoek Biltse rawinsonde data tussen 1993 en 2000 gebruikt om de kans op onweer af te schatten met behulp van indices.
De predictand was hierbij "wél of géén detectie van een ontlading binnen 6 uur na de rawinsondeoplating binnen een straal van 100 km rondom De Bilt", dus een nulletje of een eentje.
Voor de gein heb ik ook geprobeerd een puur statistisch bepaalde onweersindex te maken voor De Bilt.
Na 8 simpele grootheden te hebben geselecteerd die je gemakkelijk uit de beschikbare GFS data kunt halen, kwam ik op de volgende TPI (Thunderstorm probability Index), die dus de beste lineaire fit geeft met al deze 8 grootheden op basis van meer dan 10.000 soundings. Als je hem met 100 vermenigvuldigt, krijg je een soort "onweerskans" in procenten:
X = c1 T850 + c2 Td850 + c3 T700 + c4 Td700 + c5 T500 + c6 [MU LI] + c7 v500 + c8 Z1000 + c9
TPI = 1/(1+EXP(-X))
Met:
c1= 0.1690116763
c2= 0.02042594173
c3= -0.5328392438
c4= 0.00358591765
c5= 0.2144301942
c6= -0.5020507084
c7= 0.02274178628
c8= -0.002331747272
c9= 0.5019305139
Je bent misschien verbaasd over de positieve coëfficiënt vóór T500, maar T500 heeft via [MU LI] natuurlijk netto nog steeds een negatieve coëfficiënt. Temperaturen zijn trouwens in °C, v500 is in m/s en Z1000 in m.
Je mag van mij hiermee doen wat je wilt, misschien kun je het combineren met dynamische velden zoals vochtfluxconvergentie (zie ftp://grads.iges.org/grads/scripts/mconv.gs) en convectieve neerslaghoeveelheden.
Groet,
Alwin
Quote selectie