Ik had eigenlijk nog nooit serieus met de Climate Explorer van het KNMI gewerkt, maar nu zie ik dat je gewoon je eigen tijdserie kan invoeren, en die correleren (onder andere) met bestaande datasets zoals de ERA-interim heranalyse.
Dit is het resultaat met de SAI vanaf 1999-2013. Ik heb als tijdserie de SAI (van oktober) ingevuld als waarde voor december van hetzelfde jaar, en januari en februari het jaar daarop. Je ziet voor West-Europa wel een beetje hetzelfde patroon als met de AO in de zin dat de correlatie met december zwak is, in geval van de SAI zelfs niet significant. Voor de twee andere maanden is de correlatie wat sterker.
Ik heb zoals gezegd weinig ervaring met de Climate Explorer, dus een foutje kan ik niet uitsluiten. Maar wel complimenten voor het KNMI, de interface is wat spartaans, maar de mogelijkheden zijn enorm.
Je ziet overigens dat er ook op allerlei andere locaties, zoals het zuidelijk halfrond, correlatie is. Zo zie je maar dat als je genoeg datapunten hebt er tussen een paar altijd wel een 'toevallige' correlatie te vinden is. Correlatie is een statistische aangelegenheid, en geen causaliteit.
December:
Januari:
Februari:
Dit is de 'eigen' tijdserie die ik in de KNMI Climate Explorer heb gezet:
De kolommen zijn dan jaar, maand, SAI (niet de-trended). De SAI voor Jan en Feb is dus een jaartal opgeschoven omdat je die wilt correleren met de SAI van oktober het jaar daarvoor.
Dit is het resultaat met de SAI vanaf 1999-2013. Ik heb als tijdserie de SAI (van oktober) ingevuld als waarde voor december van hetzelfde jaar, en januari en februari het jaar daarop. Je ziet voor West-Europa wel een beetje hetzelfde patroon als met de AO in de zin dat de correlatie met december zwak is, in geval van de SAI zelfs niet significant. Voor de twee andere maanden is de correlatie wat sterker.
Ik heb zoals gezegd weinig ervaring met de Climate Explorer, dus een foutje kan ik niet uitsluiten. Maar wel complimenten voor het KNMI, de interface is wat spartaans, maar de mogelijkheden zijn enorm.
Je ziet overigens dat er ook op allerlei andere locaties, zoals het zuidelijk halfrond, correlatie is. Zo zie je maar dat als je genoeg datapunten hebt er tussen een paar altijd wel een 'toevallige' correlatie te vinden is. Correlatie is een statistische aangelegenheid, en geen causaliteit.
December:
Januari:
Februari:
Dit is de 'eigen' tijdserie die ik in de KNMI Climate Explorer heb gezet:
1999 12 -0.675212
2000 12 0.660833
2001 12 -0.133401
2002 12 0.556994
2003 12 0.138618
2004 12 -0.524454
2005 12 -0.458810
2006 12 -0.465768
2007 12 -1.379369
2008 12 -0.145859
2009 12 2.101484
2010 12 -0.495981
2011 12 -0.181598
2012 12 2.072243
2013 12 -1.069719
2000 01 -0.675212
2001 01 0.660833
2002 01 -0.133401
2003 01 0.556994
2004 01 0.138618
2005 01 -0.524454
2006 01 -0.458810
2007 01 -0.465768
2008 01 -1.379369
2009 01 -0.145859
2010 01 2.101484
2011 01 -0.495981
2012 01 -0.181598
2013 01 2.072243
2000 02 -0.675212
2001 02 0.660833
2002 02 -0.133401
2003 02 0.556994
2004 02 0.138618
2005 02 -0.524454
2006 02 -0.458810
2007 02 -0.465768
2008 02 -1.379369
2009 02 -0.145859
2010 02 2.101484
2011 02 -0.495981
2012 02 -0.181598
2013 02 2.072243
De kolommen zijn dan jaar, maand, SAI (niet de-trended). De SAI voor Jan en Feb is dus een jaartal opgeschoven omdat je die wilt correleren met de SAI van oktober het jaar daarvoor.
Bericht laatst bijgewerkt: 13-10-2014 16:50