De weerpluim ontleed: zo wordt hij gemaakt (en dit kun je ermee)

Als je weerberichten leest of zelf weleens wilt weten wat het weer over pakweg een week gaat doen, dan heb je vast al eens een weerpluim voorbij zien komen. De pluim met de temperatuur is daarbij het bekendst. Hierin staat de verwachte temperatuur voor twee weken weergegeven. De temperatuurverwachting voor morgen begint meestal als één lijn, maar hoe verder vooruit je kijkt, hoe groter de onzekerheid wordt en hoe meer de lijntjes uit elkaar gaan lopen. Die onzekerheid is vaak weergegeven in banden die langzaam, net als een rookpluim, uitwaaieren. Vandaar de naam ‘pluim’.

De pluim is daardoor niet alleen handig om iets te zeggen over de verwachte temperatuur, maar ook om te zien hoe (on)zeker die verwachting is. Is de pluim smal, dan is de verwachting vrij zeker. Wordt de pluim breder, dan kan de uiteindelijke temperatuur nog alle kanten op.

Hoe wordt de pluim gemaakt?

Weersverwachtingen worden berekend met complexe natuurkundige modellen. Een pluim ontstaat echter niet uit één berekening, maar wordt stap voor stap opgebouwd. Je kunt de pluim zien als het resultaat van heel veel verschillende modelberekeningen.

De eerste stap is dat het weermodel een zo goed mogelijke verwachting berekent. Dit noemen we de operationele run; het resultaat daarvan zie je terug op de weerkaarten. Om die verwachting zo goed mogelijk te maken, gebruikt het model de best beschikbare instellingen. Als we de perfecte instellingen zouden kennen, zouden we het weer exact kunnen voorspellen. Maar omdat we die niet precies weten, werken we met de best mogelijke benadering. Die instellingen hebben onder andere te maken met resolutie, modelnatuurkunde en de begintoestand. Dat klinkt complex, maar om te begrijpen hoe een pluim is opgebouwd, duiken we hier iets verder in.

Resolutie van een weermodel

We beginnen met de resolutie. De operationele berekening draait met een hoge resolutie en kan daardoor detailverschillen in bijvoorbeeld temperatuur berekenen. Resolutie is goed te vergelijken met die van een fotocamera. Een camera met hoge resolutie heeft veel pixels, waardoor je een scherpe foto krijgt met veel details. Bij een lagere resolutie zie je het grote plaatje nog wel, maar als je inzoomt gaan details verloren. Bij weermodellen werkt dat hetzelfde: met hoge resolutie kan het model bijvoorbeeld berekenen dat de temperatuur in Rotterdam nét anders uitpakt dan in Den Haag. Bij lage resolutie kan het model voor beide plaatsen dezelfde temperatuur uitrekenen. De details gaan dus net verloren. Het liefst werk je dus altijd met de hoogste resolutie, maar het nadeel is dat het veel rekenkracht kost en de berekening lang duurt, afhankelijk van het weermodel wel zo’n zes uur.

Het tweede deel van de pluim speelt met deze resolutie en noemen we de controleberekening. Die gebruikt dezelfde instellingen als de operationele berekening, maar draait met een lagere resolutie. Meestal komen de uitkomsten grotendeels overeen, maar als ze verschillen, zie je meteen dat de resolutie van het model invloed heeft op de verwachting — en dus ook op de zekerheid ervan.

Natuurkundige formules worden soms benaderd

Om de daadwerkelijke onzekerheidsmarges van de pluim te krijgen, moeten we echter naar modelnatuurkunde en begintoestand kijken. Naast de hoge resolutie is een andere ‘beste instelling’ in de operationele berekening de natuurkundige formules die worden gebruikt in het computermodel. Het probleem is dat sommige formules die het weer beschrijven zó ingewikkeld zijn, dat je ze niet altijd exact kunt oplossen. Daarom worden soms benaderingen gebruikt. Benaderingen zijn niet perfect, maar komen wel in de buurt van de werkelijkheid. Alleen, er zijn soms meerdere benaderingen mogelijk die allemaal net tot een andere uitkomst leiden.

Meten is weten, maar dat doen we te weinig

De derde belangrijke factor is de begintoestand: de metingen die je in het model stopt. Om te berekenen wat het weer morgen wordt, moet het model weten hoe de atmosfeer er nu uitziet. Dat gebeurt met allerlei waarnemingen: metingen op de grond, weerballonnen die worden opgelaten en zelfs metingen die vliegtuigen onderweg uitvoeren. Omdat er lang niet overal metingen zijn, zit er ook onzekerheid in hoe de situatie op dit moment precies uitziet. Oftewel, de begintoestand is niet volledig duidelijk, terwijl dat eigenlijk wel nodig is voor de berekening.

Kleine verstoringen geven andere verwachtingen

Door te variëren binnen de onzekerheid van de natuurkundige benaderingen én de begintoestand, kun je het model veel vaker een voorspelling laten maken. Dat gebeurt op lagere resolutie, omdat al die extra berekeningen anders veel te veel rekenkracht zouden kosten. Elke keer dat je een andere natuurkundige benadering kiest en/of de begintoestand een klein beetje verstoort, krijg je een nét andere verwachting.

In het Europese weermodel wordt dit op deze manier 51 keer gedaan, telkens met iets andere instellingen. Die berekeningen worden ook wel leden of verstoorde berekeningen genoemd. Zet je al die leden samen in één grafiek, dan heb je de weerpluim. Deze bestaat uit allemaal losse lijntjes, maar wordt soms versimpeld weergegeven als 1 grafiek met grijze onzekerheidsmarges.

In het begin lijken de berekeningen vaak sterk op elkaar, maar op termijn gaan ze wat uiteenlopen. Liggen alle leden dicht bij elkaar, dan is de onzekerheid laag: zelfs met kleine verstoringen blijft de uitkomst ongeveer hetzelfde. Waaieren de leden juist snel uit, dan weet je dat zelfs een kleine verandering grote gevolgen kan hebben en wordt de verwachting dus onzeker.

Niet alleen temperatuur

Zo laat de pluim niet alleen de verwachting zien, maar ook de onzekerheid daarin. In onze berichten tonen we vaak de temperatuur, maar er bestaan bijvoorbeeld ook pluimen voor neerslag en bewolking. Dat werkt volgens hetzelfde principe.

Naast de temperatuur kun je in een pluim vaak ook het weerbeeld herkennen. Lijken de lijnen op een zaagtand, dan wijst dat meestal op onbewolkt weer: overdag warmt het door de zon snel op, terwijl het ’s nachts bij gebrek aan wolken juist flink afkoelt. Zie je juist weinig verschil tussen dag en nacht, dan duidt dat vaak op veel bewolking, die de temperatuur meer ‘afvlakt’.

De pluim van 27 februari liet een duidelijke zaagtand zien voor begin maart. Dit kwam overeen met het zonnige lenteweer van afgelopen week. Bron: KNMI.

Huidige pluim

Kijken we naar de pluim voor de komende week, dan zien we dat de spreiding tot en met volgende week maandag vrij klein is. We krijgen te maken met wisselvallig weer, waarbij het af en toe droog is maar er ook buien vallen. Vanaf volgende week dinsdag neemt de spreiding in temperatuur toe en wordt de verwachting dus onzekerder. Wel valt op dat het overgrote deel van de berekeningen een zaagtandstructuur laat zien. Hoewel die termijn nog vrij ver weg is, kunnen we daarom wel zeggen dat de kans groot is dat het zonnige lenteweer volgende week terugkeert.

Dit is een mooi voorbeeld van hoe de pluim gebruikt kan worden om te voorspellen welk weer we mee te maken gaan krijgen.

De pluim voor de komende twee weken. Komende week hebben we te maken met een wisselvallig weerbeeld, maar volgende week zien we dat de meeste leden opnieuw een zaagtand vormen, waardoor op de langere termijn de kans op zonnig weer aanwezig is. Bron: KNMI.