Zou ik nooit doen. In mijn optiek is dat niet objectief. Gewoon de cijfers pakken zoals ze zijn en daarop je conclusies baseren.
Stel dat je het corrigeren met alle modellen zou doen en uiteindelijk vind je een perfect model, inclusief correctie. Dan komt er een berekening die helemaal scheef ligt ten opzichte van andere modellen en jij stelt: "nee hoor, met correctie is het helemaal goed". Terwijl de andere modellen eigenlijk beter presteren omdat ze zonder correctie er beter opzitten.
Weggooien van 9 jaar aan data is natuurlijk flauwekul. Je kunt toch gewoon doorgaan met waar je mee bezig bent? Doe ik toch ook met AIFS, zonder dat ik steeds iedere run ga bespreken?
Of wel correctie toepassen, maar dan niet stellen dat de gezamenlijke opers er 0,2 °C naast zaten, maar dan stellen; "de gezamenlijke opers zaten er, inclusief correctie, 0,2 °C naast"
De vergelijking van de gezamenlijke Opers en de realiteit gebeurd ongecorrigeerd.
Gemiddelde DMO -vs- daadwerkelijke Tx en dat levert een resultaat op.
De afwijkingen gebruik ik om tot een meest waarschijnlijke Tx te komen (gele lijn in de grafiek) en vaak levert dat heel goede resultaten op.
Zelfs al zou ik dit nog 10 of 20 jaar doen, dan nog valt of staat alles met de input en als die er (flink) naast zit, kan je dat met ervaringen uit het verleden misschien bijsturen, maar dat maakt de input niet minder fout.
Overigens gebruik je zelf een zeer discutabele correctie door de waarden van 1400 te pakken en daar dan naar eigen voorkeur 1,3 of 1,7°C bij op te tellen om tot een Tx te komen.
Quote selectie