Ik zeg dat GFS niet modelleert voor een grasveldje waar het KNMI meet, en dat daarom de aanname dat beide aan elkaar gelijk moeten zijn (Zo beredeneerd mag het GFS niet gecontroleerd worden op zijn output. Ieder model moet gecheckt kunnen worden, zelfs het GFS, anders staat het boven iedere kritiek verheven. Noem mij één manier waarop ik de output van de temperatuur van GFS kan controleren op zijn waarde, dan heb je een begin van een discussie.
Op mijn andere argument ga je trouwens überhaupt niet in.
Dit is ontzettend flauw, ik zeg helemaal nergens dat je de uitvoer gevalideerd mag worden. Ik zeg dat je geen appels met peren moet vergelijken, meer niet. Als je voor je referentiewaarden een extreem biased sample van enkel gras-stations gebruikt zou je dat bijvoorbeeld ook aan de model kant moeten doen. Dat zie je meestal ook in de literatuur terug, je vergelijkt binnen gelijkwaardig landgebruik.
Doen alsof GFS voor gras rekent terwijl kan zien dat dit niet het geval is voegt wat mij betreft weinig toe.
Op welk ander punt moet ik ingaan? Onderstaande?
Een ander punt van aandacht is het dat het model voor zijn input wel gebruik maakt van de metingen van de officiële stations, daar signaleer ik een discrepantie. Consequent zou het zijn die waarnemingen, bijvoorbeeld door remote sensing, eerst te middelen voor het grid waar gebruik van gemaakt wordt.
Ik begrijp niet wat je daar mee bedoeld, of hoe dat relateert aan wat ik zeg. Ik vraag me af of er op dit moment remote sensing input voor bijvoorbeeld 0m, 2m 10m temperatuurgerelateerde velden in de assimilatie stap boven land. Dat is ook niet zo eenvoudig, alleen al verschillen in bijvoorbeeld radiometrische en aerodynamische temperatuur etc. Het toepassen van 4D-Var beschouw ik ook eerder als kalibratie dan validatie.
Een regelmatig gebruikte methode om te corrigeren voor een mismatch in eigenschappen is om bijvoorbeeld eerst te transformeren naar een niveau waarop de impact van die verschillen klein/verwaarloosbaar is, en vervolgens weer terug te transformeren naar de andere eigenschappen. Bijvoorbeeld "station 2m -> blending height -> model 2m". Zoiets heeft het KNMI bijvoorbeeld gedaan bij het maken van de potentiële windkaart op 100m. In dat specifieke voorbeeld een "exposure correction", vooral gerelateerd aan het verschil in ruwheidslengte. Voor temperatuur en vocht zou je vergelijkbare transformaties kunnen doen.