Ensemble Prediction System (KNMI)

Ensemble Prediction System (EPS)

Hedendaagse weersverwachtingen zijn voor een groot deel gebaseerd op computerberekeningen. Al sinds eind jaren ’60 worden computers ingezet bij het maken van weersverwachtingen. Altijd zijn er wel meteorologen aan het werk met het verfijnen van modellen of het veranderen van de rekenmethoden. Vaak zijn dit kleine aanpassingen die weinig stof doen opwaaien.

Grote ‘aardverschuivingen’ in de meteorologie zijn daarintegen zeldzaam. De ingebruikname van weersatellieten was er een. De meest recente grote verandering heeft in de jaren ’90 plaatsgevonden. Het betrof de ontwikkeling en de invoering van het EPS-systeem. Tot op heden is dit de nieuwste stap in de ontwikkeling van weermodellen.
EPS is een afkorting die staat voor Ensemble Prediction System. De uitvoer van EPS-modellen heten Ensemble-verwachtingen. Het in gebruik nemen van dit type model heeft de modellenwereld ingrijpend veranderd, en hedendaagse weerprognoses zijn steeds vaker gerelateerd aan dit type verwachting. Het EPS is het beste te bergijpen aan de hand van een voorbeeld.

Fouten in de meting
Meteorologische netwerken meten overal ter wereld het weer op en sturen hun data naar de weerdiensten. Niet altijd zijn al die data juist. Zo kan het gebeuren dat op een bepaald station bijvoorbeeld de anemometer te stroef loopt, of dat de luchtvochtigheidsmeter niet goed werkt. Dit kan zorgen voor fouten in de meetwaarden.

Front

Zo kan de kapotte luchtvochtigheidsmeter van hierboven in theorie het verschil maken tussen onweer ja of onweer nee. Stel dat een meetstation in Noord-Frankrijk zich verslikt in de luchtvochtigheid. Die is in werkelijkheid hoger dan de sensor aangeeft. Deze te lage meetwaarde komt bij de weerdienst terecht. De weerdienst weet niet dat het station een foutieve waarde door heeft gegeven, en ze baseren hun analyse en verwachting deels op deze foutieve waarde. Andere weerdiensten krijgen deze data ook. Nog steeds met de onjuiste luchtvochtigheidswaarde erin. Ook hun verwachtingen kunnen daardoor een kleine fout krijgen. Op de dag waarop dit alles gebeurt is het boven Frankrijk erg heet. ‘Door de lage luchtvochtigeid zal het een wolkenloze, zwoele avond worden.’ verwachten de weerdiensten. Maar in werkelijkheid is de luchtvochtigheid boven Frankrijk een stuk hoger. Door dit extra vocht in de atmosfeer ontwikkelen zich zware onweersbuien die richting Nederland trekken. Een uitvergroot voorbeeld, maar wel duidelijk. Kleine oorzaak, grote gevolgen.

Met de onweersbuien is de kous nog niet afgedaan. Het onweergebied heeft invloed op naburige weersystemen, zodat het Europese weer van een dag of drie later op vele plekken enorm kan verschillen van de prognose die destijds werd gemaakt.

Vlinder van Lorentz
Een zeer kleine oorzaak krijgt steeds grotere gevolgen. Op weerkundig gebied is dit fenomeen voor het eerst beschreven door de Amerikaanse meteoroloog Edward A. Lorentz. Lorentz stelde ooit eens dat de wiekslag van een vlinder in het Amazonewoud een week later een storm boven Amerika tot gevolg kan hebben. Het is een overdreven voorbeeld, maar er zit een kern van waarheid in. Lorentz wilde hiermee duidelijk maken dat een relatief kleine oorzaak grote gevolgen kan krijgen, en met name op de langere termijn. Dit werd later de ‘Theorie van Lorentz’ genoemd. Het fenomeen is ook wel bekend als ‘de Vlinder van Lorentz’, en in de natuurkunde als de ‘Chaostheorie’. Het is een van de belangrijkste wetten in de hedendaagse meteorologie.

 

MeetfoutFoutieve meetwaarden zijn nooit helemaal uit te sluiten
Door het steeds gedetailleerder worden van de modellen is er steeds meer input benodigd. Steeds meer meetwaarden waar het model mee aan het rekenen kan. Maar hoe meer input er benodigd is, hoe groter de kans dat er onjuistheden in deze gegevens voorkomen. Hierdoor zou er een onhoudbare situatie ontstaan. Hoe groter het aantal mogelijke fouten, hoe meer foutieve berekeningen… hoe slechter de verwachting wordt!

 

Meetfouten zijn soms snel gemaakt…

 

Goede verwachtingen voor de langere termijn zouden niet ontwikkeld kunnen worden. De kans dat we het met prikwaardes goed hebben wordt door de chaostheorie steeds kleiner. Het zou betekenen dat vijf dagen de grens zou zijn voor het maken van betrouwbare weerprognoses. De ontwikkeling van modellen zou dan stilvallen, wat een grote crisis in de meteorologie zou veroorzaken.

Om dit probleem het hoofd te bieden is in de jaren ’90 het Ensemble prediction system ontwikkeld. Zoals de naam al zegt werkt dit systeem met ensembles, wat ongeveer neerkomt op ‘deelverwachtingen’. Voordat het EPS er was stopte men alle actuele meetgegevens in de computer. Deze computer gaat ermee rekenen. Zo’n rekenronde noemt men een ‘run’. Tussen de meetgegevens die in werden gevoerd zaten altijd wel een of meerdere foute waarden. Na een run kwam er een bepaalde verwachting uitrollen. Dat werd dan de weersverwachting. Op deze enkele uitvoer afgaan was vroeger de regel, maar is tegenwoordig uit den boze. De uitkomst van deze ‘prikwaarde-modellen’ is namelijk niet corrigeerbaar en liet geen ruimte voor fouten toe. Ook is het hier niet mogelijk feedback te hebben. Er is niet meer te zien waar het fout gaat. En dát het bij een prikwaarde fout gaat is meer regel dan uitzondering. We zagen het hierboven al. Vooral op de middellange en lange termijn is de kans erg groot.

Ook EPS is gebaseerd op rekenwerk door computers. Maar hier komt meteen het verschil van EPS ten opzichte van prikwaarde-modellen naar voren. Een prikwaarde-model maakt voor een bepaald gebied over een bepaalde tijd één verwachting. Bij een EPS-model worden (voor hetzelfde gebied over dezelfde tijd) niet één enkele verwachting, maar meerdere weersverwachtingen tegelijk gemaakt.

Het gevolg zijn meerdere weerprognoses in plaats van eentje. Deze prognoses worden vervolgens met elkaar vergeleken. Een EPS-uitvoer biedt, doordat er meerdere verwachtingen worden gemaakt, ruimte voor correcties, feedback en aanpassingen. Dit is mogelijk omdat omdat de uitvoer van een EPS-model geen glashard ja of nee is zoals bij prikwaardes. EPS-modellen geven hun uitvoer weer in kansen. Dat betekent dat er behalve “ja” of “nee” ook dingen als “alleen als”, “pas wanneer” en “tussen die en die tijd” mogelijk zijn. Dit maakt EPS-modellen veelzijdiger en handiger dan modellen die maar één verwachting draaien.

Kleine verstoringen aanbrengen
Zoals gezegd maakt een EPS-model meerdere verwachtingen tegelijkertijd voor hetzelfde gebied. Bijvoorbeeld 10 verwachtingen per keer. Maar als je 10 keer exact dezelfde gegevens invoert, krijg je 10 keer exact dezelfde uitkomst. Zodat eventuele fouten nog steeds invloed zullen hebben. Daarom worden de 10 inputs allemaal een klein beetje verschillend gemaakt.

Licht vertroebeld als het ware. ‘Verstoord’ heet dit. Hierin zit de clou van het hele EPS-systeem. De huidige meetgegevens gaan hier 10 keer het model in, maar 9 keer wordt bewust een bepaalde verstoring aan de data toegevoegd. Het klinkt gek. Een verstoring toevoegen juist om andere verstoringen te reduceren. Maar bij kunstmatig toegevoegde verstoringen weten we waar die zit. Bij de kapotte luchtvochtigheidsmeter weten we dat niet. Men weet immers niet dat die kapot is en een foute waarde doorgeeft. Bij een verstoorde input weten we dat wel. We weten dat we een input verstoord hebben en we weten ook waarmee.

Eén input is bijvoorbeeld verstoord met een fictief sneeuwdekje in zuid-Nederland, een andere met een te hoge luchtvochtigheid boven Frankrijk, enzovoorts. Deze verstoorde invoeren noemen we ‘members’, ofwel leden. Hoe meer leden, hoe beter het EPS-model over het algemeen is. Bij de EPS-pluim van het ECMWF zijn er geen 10 maar wel 50 leden. De echte gegevens, nog een keer de echte gegevens voor controledoeleinden, en 48 verstoorde beginwaarden worden allemaal in de computer ingevoerd voor een run. Het eindresultaat na de 50 runs zijn 50 mogelijke weersverwachtingen.

Nadat de computer klaar is met rekenen moeten de resultaten gepresenteerd worden. Er zijn bij EPS-modellen vele manieren om dit te doen. Een van de bekendste en beste presentatievormen is die van een zogeheten ‘pluim’.

Onderstaand zien we zo’n pluim. EPS 6 maart 2006

 

De pluim van het ECMWF is openbaar. In deze grafiek worden de 50 gedraaide runs over elkaar heen geprojecteerd in één figuur. Het is een hele waaier van mogelijke verwachtingen. (vandaar de benaming ‘pluim’.). Hoe de pluim werkt en wat je ermee kunt, is te vinden bij uitleg EPS-pluim.

Een tweede, veelgebruikte manier van presentatie is die van ‘Clusterplaatjes’. Dit zijn reeksen plaatjes die bepaalde scenario’s in kansen van procenten uitdrukken. Ook hier een speaking name; een bepaalde groep verwachtingen die op elkaar lijken worden een cluster genoemd. Hoe groter de cluster, hoe waarschijnlijker het scenario.

191_eps6.jpg

 

EPS is nog lang niet uitontwikkeld. Tegenwoordig laat men EPS-rekenmodellen al tot 360 uur vooruit rekenen. Tot op heden is het succes over dergelijk lange perioden nog niet hoog. Maar de betrouwbaarheid van de middellange termijn is sinds de invoering van EPS enorm vergroot. In krap tien jaar is EPS voor meteorologen een onmisbaar instrument geworden om hun verwachtingen op te baseren, mee te controleren en achteraf mee te beoordelen.

Zonder EPS zouden de hedendaagse verwachtingen voor de middellange en lange termijn niet mogelijk zijn.