Aanloop winter: hoe maak je de verwachting?

Iedereen die onze verwachtingen voor de ultralange termijn met enige regelmaat volgt, weet dat er allerlei factoren zijn die we in de gaten moeten houden om tot een seizoensverwachting te kunnen komen. Ze hebben elk op hun eigen manier invloed op het weer bij ons en hun onderlinge samenhang bepaalt, waar het met het weer uiteindelijk naartoe zou kunnen gaan, in het seizoen dat in de verwachting centraal staat.

Van de vier seizoenen, is de winter qua drukverdeling en de factoren die daarop van invloed (kunnen) zijn het meest overzichtelijk. Dit heeft onder meer met de laagstaande zon te maken, die minder lokale effecten veroorzaakt dan bij voorbeeld in de zomer het geval is. Het gevoel onder meteorologen is dan ook dat we, als we er al eens in zouden slagen om betrouwbare seizoensverwachtingen te gaan maken, er voor de winter het dichtste bij zijn. En ook bij die verwachting gaat het gewoon nog heel vaak niet (helemaal) goed.

Hoe maak je de verwachting?

In aanloop naar de eerste versie van onze winterverwachting zullen we een aantal van de factoren, waarvan we nu eigenlijk al weten dat ze in de wintermaanden een rol gaan spelen, alvast tegen het licht houden. We keken al naar de invloed van de zon, de start van de nieuwe zonnevlekkencyclus, de zeeën, de rol van ijs en sneeuw en naar wat zich in de atmosfeer afspeelt. Vandaag besluiten we de serie door te kijken naar hoe je van dit alles een zinvolle seizoensverwachting kunt maken.

Bij het maken van weersverwachtingen voor de korte termijn leunt de meteoroloog vooral op de berekeningen van computermodellen. Je stopt computers vol met data die vertellen hoe het weer nu is, hoe de lucht op aarde beweegt en allerlei andere parameters die daarbij een rol spelen, zoals temperaturen, luchtvochtigheid en andere zaken. Een computermodel, waarin de werking van de atmosfeer wordt nagebootst, pakt die gegevens vervolgens op en rekent ze, alsof het hier het weer zelf betreft, in de toekomst door. Met de uitkomsten kan de meteoroloog, geholpen door zijn ervaring, in de toekomst kijken. Bij het maken van een verwachting vaar je bijna nooit op één model. Meestal vergelijk je meerdere modellen met elkaar. Omdat je van ieder model de sterke en de minder sterke punten kent, kun je op deze manier een behoorlijk betrouwbare verwachting maken.

Overigens is dit al lang niet meer alleen mensenwerk. Een groot deel van dit proces speelt zich tegenwoordig automatisch af, aan de hand van allerlei algoritmen en statistische modellen. Het weerbureau dat dit trucje het beste doet, komt uiteindelijk ook met de beste verwachtingen naar buiten. Zo zie je dat dezelfde data als basis bij de diverse weerbedrijven toch tot verschillende verwachtingen kan leiden. En dan hoop je natuurlijk dat de aanpak die jij bij het maken van je verwachtingen hebt gekozen tot de beste resultaten leidt.

Op het moment dat je verder dan een paar dagen vooruit gaat kijken (eigenlijk wordt nog altijd een grens van 5 dagen gehanteerd) moet je concessies doen aan de details in je verwachting. Het wordt lastiger om nog van dag tot dag te kijken, je moet steeds langere perioden samenpakken en je gaat in plaats van details meer en meer in trends spreken. De reden hiervoor is dat computerberekeningen verderop in de tijd steeds meer uit elkaar gaan lopen. Dat komt doordat de beginsituatie, waarmee de berekening start, nooit helemaal compleet is. Er missen altijd data die voor het einderesultaat van de berekeningen wel van belang zijn.

De pluim

Om te zien hoe gevoelig het resultaat van je berekeningen is voor fouten in de beginsituatie, is de pluim gecreëerd, die veel mensen tegenwoordig zelf bekijken. De pluim wordt gemaakt door het model keer op keer zijn berekeningen te laten herhalen, met dien verstande dat bij de beginsituatie opzettelijk fouten worden meegestuurd. De computer zoekt daarbij naar de 50 berekeningen die het meest veranderen door die fouten. Die resultaten worden voor een aantal parameters over elkaar heen gelegd en zo ontstaat de pluim.

Vaak zie je in de pluim dat de lijntjes de eerste dagen redelijk op elkaar liggen, om later in de periode steeds meer spreiding (uitwaaiering) te laten zien. Dan weet je dat de verwachting op dat moment onzekerder wordt. Soms ontstaat die onzekerheid al snel, soms bijna niet en af en toe ook alleen gedurende een deel van de periode. Op basis van deze berekeningen kan een meteoroloog verschillende scenario’s onderscheiden en die helpen bij het geven van duiding bij een toenemende onzekerheid in de lange termijn verwachting.

Kijk je nog verder vooruit, en dan kom je op het terrein van de 30-daagse verwachtingen en de verwachtingen voor hele seizoenen (zoals de winterverwachting), dan heb je naast de computerberekeningen (die ook voor deze termijnen nog steeds beschikbaar zijn) ook andere technieken nodig. Over details kun je het in verwachtingen op deze termijn natuurlijk niet meer hebben, hier gaat het echt alleen over trends. Maar ook het begrijpen van het weer aan de hand van trends kan zinvol zijn als je naar de verre toekomst kijkt.

We weten steeds meer

Zoals in deze serie wel is gebleken, kennen we steeds meer factoren die op wat voor manier dan ook van invloed zijn op het weer op aarde. Doordat we het weer uit het verleden ook in steeds meer detail in allerlei databases hebben zitten, kun je ook makkelijker verbanden opsporen. Hoe gedroeg het weer zich in de winter bij voorbeeld toen we in het verleden in de aanloop zo’n warme noordelijke helft van de Atlantische Oceaan hadden als dit jaar? Dat kunnen we nu uitzoeken. Hoe meer we van dit soort verbanden te weten komen, des te beter kunnen we voorzien hoe het weersverloop op bepaalde invloeden zal reageren.

Bij het maken van een seizoensverwachting worden tegenwoordig drie benaderingen gecombineerd: de digitale weg, de analoge weg en de statistische weg. Op basis van het combineren van deze drie benaderingswijzen kom je vervolgens tot je verwachting, waarin scenario’s en kansen uiteindelijk centraal staan.

De digitale weg is de weg van de rekenmodellen. Alle grote computercentra hebben rekenmodellen die ver in de tijd vooruitkijken. Wij gebruiken die van de Amerikaanse weerdienst, het Europese centrum voor middellange termijnverwachtingen (in het Engelse Reading) en de MetOffice, de weerdienst van het Verenigd Koninkrijk. Ze rekenen alle drie 3 tot 6 maanden vooruit (de Amerikanen nog verder) en komen dan met verwachtingen voor een vast setje aan parameters (bijvoorbeeld temperatuur, neerslag en drukverdeling). Die aanwijzingen kun je per maand of in setjes van drie maanden bekijken en proberen te interpreteren.

De analoge weg is die waarbij je in het verleden zoekt naar jaren waarin de aanloop naar bijvoorbeeld de winter het meeste leek op die van dit jaar. Vervolgens kijk je heel simpel naar hoe het toen is afgelopen en ga je er voor het gemak vanuit dat het dit jaar ook weleens zo zou kunnen gaan. Ook op manier vind je aanwijzingen over hoe het weer zich op de ultralange termijn zou kunnen gaan ontwikkelen.

De statistische benadering doet hetzelfde, maar dan op een statistische manier. Met behulp van je database, waarin het verleden weer zit opgeslagen, kun je bijvoorbeeld op basis van het weer dat we dit jaar in de aanloop naar de winter hebben gezien, en vergelijkbare perioden in het verleden, berekenen hoe groot de kans is dat de NAO-index gedurende de komende wintermaanden een negatieve waarde zal aannemen. Ook uit dit soort berekeningen komt informatie naar voren die je bij het maken van een verwachting kunt gebruiken.

Het maken van de eindverwachting

Bij het opzetten van de eindverwachting komt de informatie uit de drie hiervoor beschreven sporen samen. De uitdaging zit hem uiteindelijk in de mix aan factoren die je voor het maken ervan inzet. Van welke factoren verwacht je een grote invloed op het weersverloop en van welke factoren weet je dat de invloed juist klein of verwaarloosbaar klein zal zijn? We weten dat van tevoren nooit helemaal precies en worden elke keer weer verrast. Dit is een proces waarvoor je alleen gevoel krijgt als je het domweg steeds weer probeert en dat gedurende een lange tijd. Je moet je daarbij niet door foute verwachtingen van de wijs laten brengen. Steeds weer roepen dat zoiets nooit zal lukken, helpt niet. Gelukkig begrijpt een steeds groter aantal mensen binnen de meteorologie dat. Er wordt volop geëxperimenteerd en langzaam boeken we vooruitgang.

Lang geleden waren er hele generaties mensen die niet konden geloven dat we ooit een betrouwbare weersverwachting voor de komende dg zouden kunnen maken. Toen die horde was genomen, nam het ongeloof bezit van de verwachting voor de komende dagen. Ook die horde lijkt inmiddels geslecht. Nu speelt de strijd zich af bij de verwachtingen voor de lange termijn. Het hoort bij een wetenschap die volop in ontwikkeling is, want dat kun je van de meteorologie nog altijd zeggen. Het gaat met vallen en opstaan. Maar ieder stapje voorwaarts geeft een goed gevoel en nodigt uit om het de volgende keer nog beter te proberen.

De eerste versie van onze winterverwachting kunnen we waarschijnlijk ergens in de tweede helft van september presenteren. En laten we hopen dat die winter ook wat interessanter wordt dan de voorgaande winters.

Door: Reinout van den Born / Weer.nl