8 jaar aan data van GFS DMO's en hun correcties

Er is weer een extra jaar aan data het rekenmodel in gegaan en daarmee komt het totaal nu op 8 jaar.

Om niet elk jaar het zelfde te hoeven schrijven, verwijs ik naar het overzicht van 3 jaar geleden, waar ik heb uitgelegd hoe de input van het rekenmodel tot stand komt.

Zie: 5 jaar aan data van GFS DMO's en hun correcties

Al die data gaat in een groot totaal overzicht, maar wordt tevens gerangschikt per maand.

In onderstaande overzichten (afbeelding 1 en 2) staan alle afwijkingen van de aflopen 8 jaar.

Afbeelding 1:

Afbeelding 2:

Onderaan bovenstaand overzicht zijn de gemiddelde afwijkingen te zien over de gehele dataset.

Voor de Tn is dat:

- een gemiddelde positieve afwijking van 2,2°C

- een gemiddelde negatieve afwijking van -1,1°C

- een gemiddelde afwijking van 1,0°C

Voor de Tx is dat:

- een gemiddelde positieve afwijking van 1,1°C

- een gemiddelde negatieve afwijking van -1,6°C

- een gemiddelde afwijking van -0,9°C

Samengevat geeft dat aan dat GFS gemiddeld de Tn 1,1°C te hoog inschat en de Tx 0,9°C te laag inschat.

Omdat GFS bij stralingscondities (weinig/geen wind (of wind die weg valt) en geen bewolking of opklaringen die ontstaan) de plank qua Tn behoorlijk mis slaat, heb ik daar een stralingscorrectie voor bedacht.

Alle afwijkingen van de daadwerkelijke Tn ten opzichten van de gemiddelde DMO die meer dan 4°C zijn, tellen mee voor deze stralingscorrectie.

Op een totale dataset van 2922 dagen, is dit 279x gebeurd, wat neerkomt op een percentage van 9,55

De gemiddelde afwijking gedurende die 279x bedraagt 5,0°C zoals in onderstaand overzicht te zien is:

Het percentage is ten opzichten van vorig jaar (7 jaar aan data) iets gestegen.

Toen stond deze namelijk nog op 9,23%

Omdat de ene maand de andere niet is, heb ik voor de stralingscondities een opsplitsing per maand gemaakt.

In dat overzicht is per maand de zien de maximaal opgetreden stralingscorrectie, de gemiddelde stralingscorrectie, aantal keer dat het in een maand is opgetreden en dit vergeleken met het aantal keer dat het had kunnen optreden.

Dat geeft dan een percentage dat de statistische kans uitdrukt dat er in een maand een stralingscorrectie nodig is.

Met 8 jaar aan data is die kans in juni het kleinst (1,25%) en in september het grootst (20,00%).

De gemiddeld grootste correctie is nodig in maart en december (5,2°C) terwijl deze in juni het kleinst is (4,2°C).

In de laatste kolom is zichtbaar wanneer een stralingscorrectie voor het laatst is opgetreden.

Daaruit blijkt dat er in 2025 in de meeste maanden een situatie is geweest, die voldeed om al stralingscorrectie gekwalificeerd te worden.

Uitzonderingen waren juni en juli (laatste keer was in 2023) en december en dat de laatste correctie tot nu toe (data is bijgewerkt tot en met 30-11-2024) was op 17 november van dit jaar.

Naast de correcties op basis van het gehele model, heb ik ook correcties per maand om te zien of dat beter zou presteren.

Om daar inzicht in te krijgen, heb ik de afwijkingen per seizoen én per maand gerangschikt.

Voor de Tn ziet dat er als volgt uit (zie afbeelding 3 en 4):

Afbeelding 3:

Afbeelding 4:

Als we nog even in gedachten nemen dat de gemiddelde afwijking voor de Tn 1,1°C bedraagt en je dit dan vergelijkt met allereerst de seizoenen, dan zie je dat de lente (1,1°C) en zomer (1,0°C) heel dicht op de gemiddelde afwijking zitten.

Voor die seizoenen zou het vooralsnog vrijwel geen toegevoegde waarde hebben om een andere correctie te gaan gebruiken dan de gemiddelde afwijking over de hele dataset.

Kijk je echter naar de winter (0,7°C) en herfst (1,4°C) dan zou dit wel degelijk een toegevoegde waarden hebben.

Bekijk je vervolgens binnen een seizoen naar de afwijkingen per maand dan valt  in de lente op dat april een afwijking heeft van 1,3°C , waardoor voor die maand een maandcorrectie een toegevoegde waarde zou zijn.

Ook voor april is er met een afwijking van 1,2°C en zou een kleine toegevoegde waarde hebben om per maand te corrigeren.

Waar de zomer als geheel niet gecorrigeerd hoeft te worden, zie je bij de individuele maanden wel grote verschillen (jun: 0,5°C , jul: 1,0°C , aug: 1,5°C)

De herfst als seizoen corrigeren zou al een meerwaarde zijn, maar september (1,8°C) en november (1,4°C) per maand corrigeren is ook zeker een meerwaarde.

In de winter zijn de verschillen tussen de verschillende maanden klein.

Ook voor de Tx is een opsplitsing per seizoen en per maand gemaakt, zoals te zien is in afbeelding 5 en 6:

Afbeelding 5:

Afbeelding 6:

Met een gemiddelde afwijking voor de Tx van -0,9°C valt op dat de winter (-0,8°C) hierop vrijwel geen afwijkingen laten zien.

In de lente (-1,5°C ), zomer (-0,7°C) en herfst (-0,8°C ) zou een correctie per seizoen dan weer wel (enige) een meerwaarde kunnen hebben.

Kijk je echter naar de afzonderlijke maanden binnen de seizoenen, dan zijn daar wel maanden te vinden waarbij een maandcorrectie een meerwaarde zou kunnen hebben.

Omdat ik me goed kan voorstellen dat voor sommigen al deze cijfers voor de ogen duizelen, heb ik dit jaar twee grafieken gemaakt, waarin al die cijfers zijn samengevat en worden weergegeven per maand.

Dit is te zien in afbeelding 7 en 8:

Afbeelding 7:

Afbeelding 8:

Al met al ontstaat er ieder jaar een beter beeld van waar en hoeveel GFS-uitvoer gecorrigeerd moet worden om tot een betrouwbare verwachting voor Tn en Tx te komen (op één cijfer achter de komma).

Het behoeft waarschijnlijk geen toelichting dat alles in beginsel valt of staat met wat GFS als uitvoer geeft.

Als de Opers voor een bepaalde dag er run na run helemaal naast zitten dan kan ook een rekenmodel zoals hierboven toegelicht, de meubels niet meer redden.

Volgend jaar december hoop ik een overzicht te kunnen geven van 9 jaar aan data.