Omdat ik via een mailtje een bemoedigende opmerking kreeg over de DMO-lijstjes die ik zo af en toe plaats, leek het me aardig het grotere plaatje weer een keer te laten zien.
Zoals bij de meesten wel bekend, hou ik van elke GFS00z en 12z run bij wat hun verwachting voor Tn en Tx is voor een bepaalde dag.
Daarbij maak ik gebruik van de temperatuurcategorieen zoals deze op de T2m kaarten van GFS te zien zijn.
Dit levert per dag een reeks van 15 categorieen op, waar dan een gemiddelde DMO categorie uit komt en die wordt weer gemiddeld naar een DMO Tx of Tn.
Voor de Tn neem ik zowel de kaarten van tijdstip 00z en 06z als uitgangspunt, om zodoende te bepalen welk tijdstip het beste bruikbaar zou zijn om de Tn uit te halen.
Deze gehele methode heeft een tweetal gebreken.
Allereerst is het werken met catergorieen nogal breed en ten tweede kan een Tn of Tx buiten de kaarten met als tijdstip 00z/06z of 12z vallen, zodat niet de meest acurate modeluitvoer wordt meegenomen.
Hier ben ik me van bewust, maar om het enigszins werkbaar te houden (er gaat dagelijks zo'n halfuur werk in zitten en dat 365 dagen per jaar) heb ik me bij deze beperkende factoren neergelegd.
Sinds de start in juli 2013, heb ik inmiddels van de meeste maanden 3 jaar aan data en van sommige maanden al 4 jaar aan data verzameld.
Per maand wordt de DMO vergeleken met de daadwerkelijk behaalde waarden in die maand en vervolgens ontstaat er een overzicht zoals in de eerste afbeelding, waarin de gemiddelde afwijking is te zien, maar ook de gemiddelde positie en negatieve afwijking en de maximale en minale afwijking van die maand.
Als je die gemiddelde afwijkingen per maand vervolgens in een grafiek plaatst, valt op dat de Tn (nogmaals, met de gemaakte en zojuist uitgelegde keuzes in het achterhoofd) standaard te hoog wordt berekend door GFS, terwijl de Tx standaard te laag wordt berekend.
Momenteel gebruik ik voor de correcties nog de gemiddelden over hele dataset, maar wanneer ik van elke maand 5 jaar aan data heb, is het de bedoeling om te gaan corrigeren met de opgetreden afwijkingen in de zelfde maand in voorgaande jaren.
Dat zou moeten zorgen voor nog betere correcties en dus een meer acurate verwachting van Tn en Tx.
Zoals bij de meesten wel bekend, hou ik van elke GFS00z en 12z run bij wat hun verwachting voor Tn en Tx is voor een bepaalde dag.
Daarbij maak ik gebruik van de temperatuurcategorieen zoals deze op de T2m kaarten van GFS te zien zijn.
Dit levert per dag een reeks van 15 categorieen op, waar dan een gemiddelde DMO categorie uit komt en die wordt weer gemiddeld naar een DMO Tx of Tn.
Voor de Tn neem ik zowel de kaarten van tijdstip 00z en 06z als uitgangspunt, om zodoende te bepalen welk tijdstip het beste bruikbaar zou zijn om de Tn uit te halen.
Deze gehele methode heeft een tweetal gebreken.
Allereerst is het werken met catergorieen nogal breed en ten tweede kan een Tn of Tx buiten de kaarten met als tijdstip 00z/06z of 12z vallen, zodat niet de meest acurate modeluitvoer wordt meegenomen.
Hier ben ik me van bewust, maar om het enigszins werkbaar te houden (er gaat dagelijks zo'n halfuur werk in zitten en dat 365 dagen per jaar) heb ik me bij deze beperkende factoren neergelegd.
Sinds de start in juli 2013, heb ik inmiddels van de meeste maanden 3 jaar aan data en van sommige maanden al 4 jaar aan data verzameld.
Per maand wordt de DMO vergeleken met de daadwerkelijk behaalde waarden in die maand en vervolgens ontstaat er een overzicht zoals in de eerste afbeelding, waarin de gemiddelde afwijking is te zien, maar ook de gemiddelde positie en negatieve afwijking en de maximale en minale afwijking van die maand.
Als je die gemiddelde afwijkingen per maand vervolgens in een grafiek plaatst, valt op dat de Tn (nogmaals, met de gemaakte en zojuist uitgelegde keuzes in het achterhoofd) standaard te hoog wordt berekend door GFS, terwijl de Tx standaard te laag wordt berekend.
Momenteel gebruik ik voor de correcties nog de gemiddelden over hele dataset, maar wanneer ik van elke maand 5 jaar aan data heb, is het de bedoeling om te gaan corrigeren met de opgetreden afwijkingen in de zelfde maand in voorgaande jaren.
Dat zou moeten zorgen voor nog betere correcties en dus een meer acurate verwachting van Tn en Tx.
Weerpoll | Weerwoord voetbalpool | 8 jaar GFS data | Mijn verhaal | ik ben anders, maar ook ik mag er zijn
