Nieuwsbrief

Reeds bij de ontwikkeling van de eerste numerieke weermodellen in de jaren ’20 leefde de gedachte dat een weersvoorspelling steeds gepaard moet gaan met een inschatting van diens onzekerheid. Deze gedachte werd versterkt door het werk van Edward Lorenz in de jaren ’60, die aantoonde dat voor chaotische systemen, zoals de weermodellen die de toestand van de atmosfeer beschrijven, de onzekerheid variabel is en afhangt van de toestand van de atmosfeer zelf.

De chaotische aard van de weermodellen zorgt ervoor dat (kleine) fouten in de begintoestand van de voorspelling (o.a. door meetfouten in de observaties) en fouten veroorzaakt door de benaderingen gebruikt in het weermodel snel groter kunnen worden, wat zorgt voor een zekere onzekerheid op de voorspellingen.

Het was pas in de jaren ’90, toen de rekenkracht van computers snel toenam, dat probabilistische technieken, gebruik makend van verschillende voorspellingen vertrekkende van willekeurig uitgekozen begintoestanden konden worden gebruikt. In het domein van de numerieke weersvoorspellingen wordt dan gesproken van ensemble voorspellingen of ensemble voorspellingssystemen.

In deze systemen wordt ook de onzekerheid afkomstig van de modelformulering bemonsterd. Dit wordt typisch gedaan door in de verschillende voorspellingen de onzekere modelparameters te veranderen (perturberen).

Tijdens het doctoraat lag de focus op het bepalen van de onzekerheid die gepaard gaat met de benaderingen in de modelformulering. Bepaalde fysische processen in de atmosfeer zijn te complex of gebeuren op zo’n kleine schaal dat ze in weermodellen niet precies beschreven kunnen worden. Ze worden dan op een vereenvoudigde manier berekend in het model, waardoor er ook verlies in de nauwkeurigheid van de voorspelling optreedt. In tegenstelling tot de meer conventionele ensemble-systemen, werd in dit doctoraat onderzocht in welke mate het verlies in voorspellingsnauwkeurigheid, wanneer de representatie van een fysisch proces vervangen wordt door een inferieure benadering, kan opgevangen worden door een probabilistische benadering van de geïntroduceerde modelfout.

Dit kan relevant zijn voor toekomstige ensemble voorspellingssystemen, waar dikwijls de voorkeur wordt gegeven aan efficiënte computerrekentijd  ten nadele van de voorspellingsnauwkeurigheid.

Tijdens het doctoraat werd specifiek gekeken naar de modelfout die gepaard gaat met de modellering van diepe convectie die aanleiding geeft tot onweer. Een relevante keuze, aangezien momenteel een toenemend aantal ensemble voorspellingssystemen met hoge resoluties (van 7 tot 2 km) werkt waarbij de modellering van onweer verschillende uitdagingen met zich meebrengt.

De modelfout werd bestudeerd aan de hand van het ALARO-model dat mede door het KMI wordt ontwikkeld en operationeel wordt gebruikt door de voorspellers. Door de complementaire en consistente basishypotheses die gebruikt zijn bij de ontwikkeling van het ALARO-model kunnen verschillende configuraties gebruikt worden om onweer te modelleren. Tijdens het doctoraatswerk werden voorspellingen met deze verschillende configuraties met elkaar vergeleken. Aan de hand van deze vergelijking kon dan de modelfout met betrekking tot de diepe convectie in detail bestudeerd en statistisch gekarakteriseerd worden.

Vervolgens werd aan de hand van deze statistische karakterisatie van de modelfout een nieuw experimenteel perturbatieschema ontwikkeld, specifiek gericht op het inschatten van de onzekerheid die gepaard gaat met het voorspellen van onweer.

Eén van de innovatieve aspecten ligt in het feit dat het ALARO-model het mogelijk maakt om de verticale energie- en luchtstromen rechtstreeks te perturberen. Dit heeft tot gevolg dat alle behoudswetten (energie, vochtigheid) gerespecteerd blijven, iets wat in andere perturbatieschema's niet altijd het geval is.

De evaluatie toonde aan dat het perturbatieschema een positief effect heeft op de probabilistische scores van de ensemblevoorspellingen van alle relevante atmosferische variabelen (zie figuur) en dan vooral in de bovenste luchtlagen.