From Hours to Daily Extremes: Evaluating ERA5 and ERA5-Land Biases Across Morocco’s Diverse Climates

De weersvoorspelling is een nieuw tijdperk binnengegaan waarin krachtige computerprogramma's, getraind op enorme archieven van historische weergegevens, beginnen te wedijveren met traditionele natuurkundige modellen. Deze kunstmatige intelligentiesystemen simuleren de atmosfeer niet vanuit eerste beginselen; in plaats daarvan leren ze patronen uit historische verslagen om te voorspellen wat er volgt. De meest vertrouwde bron voor deze historische gegevens is een wereldwijde dataset genaamd ERA5, een gedetailleerde reconstructie van de atmosfeer die gaten opvult waar geen weerstations aanwezig zijn. Een nieuwere, hogere resolutie versie genaamd ERA5-Land richt zich specifiek op het aardoppervlak en belooft zelfs een grotere nauwkeurigheid voor de grond waarop we lopen. Omdat deze AI-modellen volledig afhankelijk zijn van deze data om te leren, is de kwaliteit van de reconstructie van cruciaal belang. Als het historische verslag verborgen fouten bevat of lokale extremen gladstrijkt, zal de AI die gebreken erven, wat potentieel kan leiden tot het falen in het voorspellen van de zeer gevaarlijke gebeurtenissen waarvan de samenleving weet te hebben.

In Marokko, een land waar het landschap drastisch verandert van kustvlaktes naar hooggebergte en droge woestijnen, zetten onderzoekers zich in om de betrouwbaarheid van deze twee datasets te testen. Ze wilden weten of de digitale kaarten van het verleden werkelijk overeenkwamen met de realiteit die door weerstations op de grond werd vastgelegd. Het team verzamelde uurlijkse waarnemingen van zesendertig verschillende stations in het hele land, die een breed scala aan klimaten en topografieën beslaan van 2016 tot 2024. Ze vergeleken de temperatuur, luchtvochtigheid, windsnelheid en neerslag die door de stations werden geregistreerd met de waarden die door zowel de standaard ERA5 als de landgerichte ERA5-Land werden verstrekt. Het doel was om te zien of de digitale reconstructies de subtiele, lokale details van het weer konden vangen, vooral tijdens de meest extreme hitte-, koude- en windevents die het regio-klimaat definiëren.

Het onderzoek onthulde dat beide datasets uitstekend zijn voor het begrijpen van algemene klimaatpatronen. Ze reproduceren succesvol het dagelijkse ritme van het weer en leggen vast hoe temperaturen gedurende de dag stijgen en dalen en hoe seizoenen over het jaar veranderen. Voor gemiddelde omstandigheden zijn de twee producten grotendeels uitwisselbaar, hoewel de standaard ERA5 de neiging heeft iets nauwkeuriger te zijn voor temperatuur en luchtvochtigheid, terwijl de landspecifieke ERA5-Land een klein voordeel biedt bij het meten van de windsnelheid over complex, bergachtig terrein. Echter, het verhaal verandert wanneer de onderzoekers naar de extremen keken. Hoewel de modellen gematigd weer goed afhandelen, hangt hun vermogen om de meest hevige gebeurtenissen te voorspellen sterk af van hoe zeldzaam die gebeurtenissen zijn.

Toen de onderzoekers de modellen testten tegen drempelwaarden voor extreme hitte, kou en wind, vonden ze een duidelijk patroon. Beide datasets presteerden goed bij het detecteren van gematigde extremen, zoals een zeer hete dag of een sterke windvlaag. Maar naarmate de gebeurtenissen zeldzamer en intenser werden, nam de vaardigheid van de modellen aanzienlijk af. Voor de heetste dagen of de sterkste winden misten de modellen vaak het doel volledig. De onderzoekers merkten op dat dit falen niet noodzakelijkerwijs een uniek gebrek in de software is, maar een fundamentele beperking van het proberen te matchen van een brede, rastergebaseerde digitale kaart met een enkel, specifiek punt op de grond. Een weerstation bevindt zich in een uniek microklimaat, bijvoorbeeld in een vallei of op een specifieke helling, terwijl het digitale model een groot gebied vertegenwoordigt dat die lokale details middelt. Deze mismatch betekent dat zelfs een perfect model de exacte piekwaarde bij een specifiek station niet kan voorspellen als die piek wordt gedreven door lokale geografie die het model niet kan zien.

De studie bracht ook een specifieke technische hindernis aan het licht voor de landgerichte dataset. Omdat ERA5-Land alleen is ontworpen voor land, laat het de oceaan buiten beschouwing. Dit creëert een probleem voor stations gelegen aan de kust of nabij eilanden, waar het model geen geldig roosterpunt heeft om te matchen met de waarneming. In sommige gevallen bestaat de data voor deze kuststations simpelweg niet in de land-only versie, een gat dat gemakkelijk voor ontbrekende weerrecords aangezien kan worden als het niet zorgvuldig wordt gecontroleerd. Bovendien ontdekten de onderzoekers dat de hogere resolutie van de landdataset niet altijd hielp. In sommige woestijn- en berggebieden introduceerde het fijnere raster feitelijk meer ruis in de temperatuur- en vochtigheidsmetingen, met name tijdens de nacht, zonder de algehele nauwkeurigheid te verbeteren.

Uiteindelijk suggereert het onderzoek dat hoewel deze wereldwijde datasets uitstekende instrumenten zijn voor het bestuderen van algemene klimaattrends en het trainen van AI-modellen, ze met voorzichtigheid gebruikt moeten worden bij het voorspellen van specifieke, levensbedreigende weersomstandigheden op lokaal niveau. De modellen zijn niet kapot, maar ze zijn niet ontworpen om de kleinste details van het landschap te zien. De auteurs adviseren dat iedereen die deze data gebruikt voor impactstudies of AI-verificatie zich moet richten op relatieve extremen — hoe ongewoon een dag is in vergelijking met het lokale gemiddelde — in plaats op absolute drempelwaarden zoals "een dag warmer dan 45 graden." Ze adviseren ook om expliciet te controleren op dekkingsgaten nabij de kust en fouten te rapporteren op een manier die rekening houdt met de natuurlijke variabiliteit van de wind en temperatuur. Door deze beperkingen te begrijpen, kunnen wetenschappers en voorspellers de digitale kaarten van het verleden beter interpreteren, zodat de volgende generatie weersvoorspellingen geworteld blijft in de complexe realiteit van de wereld.