Als je een dergelijke afwijkingen ook gebruikt bij een verwachting op basis van klimatologische waarden, hoe scoort het model dan?
Het wordt een technisch verhaal, maar zo werken die verificatiescores nu al: voor elk roosterpunt is een klimatologie bekend (gemiddelde + variatie). De verwachting wordt doorgaans vergeleken met wat je kan halen uit de klimatologie.
Dat werkt min of meer zo: stel dat we kijken naar verwachtingen van de vraag of de temperatuur significant boven normaal uitkomt (dus 'zacht' in de winter). Dat is een binaire verwachting: ja of nee. Wat de grens van zacht is, doet er niet toe. Als je uit de klimatologie een willekeurige waarde haalt (we weten immers de normale waarde en de normale variatie eromheen), kom je altijd wel een paar keer tot een 'ja'. Voor het model is het de kunst om veel vaker de ja én nee goed te hebben, dan simpelweg een ja of nee te gokken met behulp van de klimatologie.
Voor de verificatie gebruiken de MetOffice en ECMWF de 'Brier Skill Score' (BSS) die precies dit meet: hoe goed scoort je model ten opzichte van simpelweg gokken? Ik heb de studie nog niet volledig kunnen lezen, maar ik denk dat de verbetering ten aanzien van klimatologie tussen de 10 en 20% zal liggen. Een score van 100% betekent uiteraard een perfecte verwachting. Ter vergelijking: voor de normale weersverwachting worden BSS-waarden gehaald van 60% op dag vijf en 40% op dag zeven. Dat zijn echter BSS-waarden voor verwachtingen die veel specifieker zijn dan 'zacht' of 'koud', zoals bijvoorbeeld 'Tmax > 20°C'.
Gr. Ben
Quote selectie