Skill Evaluation of Extended Range Forecasts for Northeast Monsoon Rainfall across Smaller Spatial Domains of South Peninsular India

Technische Samenvatting: Evaluatie van de Vaardigheid van Extended Range Forecasts voor de Noordoostelijke Moessonregenval over Kleinere Ruimtelijke Domeinen van Zuidelijk Peninsulair India

Probleemstelling
Betrouwbare voorspelling van de regenval tijdens de Noordoostelijke Moesson (NEM) bij extended range lead times is cruciaal voor de agrarische planning, het waterbeheer en de vermindering van rampenrisico's in Zuidelijk Peninsulair India. In tegenstelling tot de Zuidwestelijke Moesson is de NEM-regenval ruimtelijk heterogeen en sterk geconcentreerd in specifieke sub-divisies zoals Tamil Nadu, Kerala en de kust van Andhra Pradesh. Hoewel eerder onderzoek de kennis over de NEM-klimatologie en seizoensgebonden voorspellingen heeft uitgebreid, blijft een systematische diagnostische evaluatie van Extended Range Forecasts (ERF) op fijnere ruimtelijke schalen beperkt. Bestaande operationele voorspellingen vertrouwen vaak op bredere meteorologische sub-divisies, wat de lokale variabiliteit kan maskeren die essentieel is voor regio-specifieke besluitvorming. Deze studie adresseert dit gat door de prestaties van operationele ERFs over 11 kleinere, meer granulaire ruimtelijke domeinen binnen Zuidelijk Peninsulair India te evalueren over contrasterende moessonseizoenen.

Methodologie
De studie evalueert het operationele Extended Range Forecast (ERF) systeem van de India Meteorological Department (IMD), dat gebruikmaakt van het gekoppelde CFSv2-model (gebaseerd op NCEP's CFSv2, met MOM4 oceaan en GFS atmosferische componenten). Het systeem genereert wekelijkse voorspellingen tot vier weken vooruit, geïnitialiseerd elke woensdag.

• Studiegebied en Periode: De analyse beslaat 11 specifieke regio's in Zuidelijk Peninsulair India (bijv. Noord/Zuid Kerala, diverse Tamil Nadu sub-divisies, Kust/Rayalaseema Andhra Pradesh, en het binnenland van Karnataka) tijdens de NEM-seizoenen van 2015 (substantieel boven normaal regenval), 2016 (ernstig tekortschietend regenval) en 2017 (onder normaal regenval).
• Databronnen: Voorspellingen worden geverifieerd tegen IMD-GPM samengevoegde regenvaldata op 1° resolutie, die regenmeters en satellietgegevens combineert.
• Categorisering: Om rekening te houden met de hoge variabiliteit op fijnere schalen, wordt regenval gecategoriseerd in drie groepen op basis van wekelijkse afwijkingen van het Langt-Termijn Gemiddelde (LPA): Boven Normaal (AN, >20%), Normaal (NN, -19% tot +19%) en Onder Normaal (BN, <-20%).
• Verificatiemetrieken: Prestaties worden beoordeeld met behulp van categorische verificatiescores afgeleid van 2x2 contingentietabellen. De metrieken omvatten Forecast Accuracy, Bias Score (BS), Probability of Detection (POD), False Alarm Ratio (FAR), Critical Success Index (CSI) en Equitable Threat Score (ETS).

Belangrijkste Resultaten
De evaluatie onthult een duidelijke afhankelijkheid van de voorspellingsvaardigheid van de lead time, de ruimtelijke locatie en de interjaarlijkse kenmerken van de moesson:

• Lead Time Afhankelijkheid: De voorspellingsvaardigheid is het hoogst bij Week-1 en degradeert systematisch door Week-4. Week-1 voorspellingen vertonen een nauwkeurigheid die de 65–75% overstijgt, waarbij de Normale (NN) categorie het best presteert (70–80% nauwkeurigheid). Bij Week-4 daalt de vaardigheid naar ongeveer 40–50%.
• Prestaties per Categorie:
  • Normaal (NN): Vertoont consequent de hoogste nauwkeurigheid en POD over alle lead times en jaren, met Bias Scores dicht bij eenheid (minimale systematische fout).
  • Boven Normaal (AN): Vertoont matige nauwkeurigheid maar heeft een neiging tot lichte overschatting (Bias > 1), met name bij langere leads.
  • Onder Normaal (BN): Vertoont de laagste vaardigheid, vooral bij langere leads, met een neiging tot onderschatting (Bias < 1) en hogere False Alarm Ratios.
• Interjaarlijkse Variabiliteit:
  • 2016 (Ernstig Tekortschietend): Demonstreerde de hoogste voorspelbaarheid en ruimtelijke consistentie tussen de drie jaren, met een bruikbare vaardigheid die zich uitstrekt tot Week-3.
  • 2017 (Onder Normaal): Toonde een intermediaire prestatie, beter dan 2015 maar met meer variabiliteit dan 2016.
  • 2015 (Substantieel Boven Normaal): Vertoonde de laagste vaardigheid en hoogste onzekerheid. Deze verminderde voorspelbaarheid wordt toegeschreven aan dominante synoptische-schaal variabiliteit en sterke interacties tussen synoptische verstoringen en laagfrequente modi, die moeilijk door modellen te vangen zijn bij extended leads.
• Ruimtelijke Variabiliteit: Kustregio's vertoonden over het algemeen een betere voorspelbaarheid vergeleken met binnenlandse regio's, met name bij langere lead times.

Betekenis en Claims
Het artikel concludeert dat het operationele ERF-systeem over betekenisvolle voorspellingsvaardigheid beschikt voor NEM-regenval over kleinere ruimtelijke domeinen in Zuidelijk Peninsulair India, met name tot een lead time van 2–3 weken. De studie benadrukt dat hoewel de voorspellingsonzekerheid toeneemt met de lead time, het systeem in staat blijft om tussen regenvalregimes (AN, NN, BN) te onderscheiden met redelijke betrouwbaarheid, vooral voor normale condities.

De auteurs stellen dat deze bevindingen de potentiële toepassing van ERFs in operationele agro-adviserende diensten en impact-gebaseerde voorspellingen ondersteunen. Door het bieden van betrouwbare wekelijkse outlooks voor specifieke sub-divisies, kan het systeem belanghebbenden helpen bij het optimaliseren van agrarische activiteiten, zoals irrigatieschema's en zaaibeslissingen, en bij het voorbereiden op overstromings- of droogterisico's. De studie benadrukt dat hoewel het systeem niet perfect is, het huidige vaardigheidsniveau een waardevol instrument biedt voor besluitvorming in de regio, mits gebruikers rekening houden met de degradatie van de vaardigheid voorbij de tweede week en de specifieke uitdagingen van zeer actieve synoptische seizoenen zoals 2015.