CFS (Coupled Forecast System) modellel kapcsolatban néhány hasznos információ.

A modell minden nap lefut egyszer. Minden nap 4 futástag készül el. A kiinduló adatok az egy nappal korábbi légköri (NCEP Reanalysis-2) és óceáni (NCEP Global Ocean Data Assimilation) kezdeti feltételekbõl számolódik ki. A számítás az adott részhónapra és +9 hónapra elõre készül el.

Wang oldalán fent lévõ ensemble csoportok (E1, E2, E3) 10-10 nap 4-4 futásai alapján készülnek - így jön ki, hogy mindegyik E csomag 40 futást tartalmaz. Eall pedig az elmúlt 30 nap futásait összegzi (vagyis 120 futást). A legfrissebb mindig az E3-as, amely a legutóbbi 10 nap futásait foglalja magába. Az E1, E2, Eall pedig lehetõséget ad, hogy az ember a modell konzisztenciát vizsgálja.
Mint általában minden ilyen típusú modellnél (szezonális elõrejelzõ modell, éghajlati modell), ennek is van egy belsõ, saját "klímája". (Ráadásul az ilyen jellegû modelleknek is van egy "spin-up" (felfutási) ideje, amíg a kezdeti feltételeknek megfelelõ belsõ "klímához" eljut.) Az ilyen típusú elõrejelzõ modellek eredményeit nem nyersen szokták megmutatni kifele, hanem kalibrációt alkalmazva. Ezt szokták bias correction-nek hívni. Arról van szó, hogy nem az abszolút adatokat jelenítik meg, hanem a relatív adatokat, azaz az elõrejelzett adatokat a modell saját (elõrejelzési) klíma-átlagához viszonyítva jelenítik meg, anomáliákat mutatva.
Mivel maga a modell belsõ klímája nem egyenlõ a valós klímával (hasonló ahhoz), és maguk az elõrejelzési értékek is eltérõbbek a valós értékektõl, így az anomália pontos értéke sem lesz mindig megegyezõ a valós anomália értékekkel. A hiba-korrekcióhoz szükség van tehát egy "klíma"-csomagra. Ehhez kellenek a retrospektív adatok. Ezt úgy készítik el, hogy xx évvel ezelõttrõl (CFS esetében jelenleg 1981-tõl) készítenek minden napra, hónapra CFS elõrejelzést. Tehát mintha a modell 1981. január 1-je óta operatív lenne (akkori adatokkal futtatva). Ez alapján a 25 év elõrejelzési adatok alapján lehet készíteni "elõrejelzési klimát", pl. hogy január 1-én átlagosan milyen értékeket ad a modell elõre 9 hónap minden napjára (plusz milyen szórás jellemzi). Ezen "klíma" adat és az operatív elõrejelzési adat összevetésével készítik el a publikus anomália elõrejelzést.

Modellel kapcsolatos dokumentációk megtalálhatók itt, az operatív adatok letöltési lehetõségével együtt (maga a modell is letölthetõ és futattható):
Link

Korábban már írtam, hogy van egy valószínûségi elõrejelzés is Wang oldalán az utolsó 10 nap futásait felhasználva. Ha viszonylag magas %-kal adja a negatív, vagy pozitív anomáliát ez a típusú elõrejelzés, akkor azt jelenti, hogy a modell stabilan az elmúlt 10 napban a legtöbb futásban (futások x %-ában) a negatív, vagy pozitív anomáliát jelezte elõre.

Hogyan lehet, hogy pl. x hónap elsõ napjaiban futott elõrejelzés x hónapra még pozitív anomáliát adott, majd az utolsó pl. 10 napban futott már negatívat ad adott x hónapra - amelyben futtatják?
Ez azért van, mert adott x hónapra vonatkozó "havi" anomália elõrejelzés, már csak az utolsó 10 napra vonatkozó értéket mutatja és nincs benne az elsõ 20 nap - így igazából "rész-havi" anomália. Ezért rész-hónapot nem érdemes nézni (ha igen tudni kell ezt és ennek megfelelõen kezelni).

Idõjárás vagy szezonális elõrejelzés? Miért elõrejelzés?

Nem ugyanaz a kettõ. Közös mindkettõben - és ezért elõrejelzés (elsõfajú), hogy kezdeti értékbõl indítják a számításokat (kezdeti érték probléma), de teljesen más szemmel kell nézni a kettõt. Az éghajlati modellek elõrejelzései, amelyek az ÜHG szcennárión alapulnak, igazából nem elõrejelzések, hanem másodfajú prognózisok, projekciók, mert ott a határfeltétel változás jelenti a befolyásoló tényezõt (hogyan változik az ÜHG a feltételezett szimulációban). (Bár itt jön egy probléma, méghozzá az, hogy ha nem tökéletes a modell, akkor bizonyos belsõ kényszer változások hatásai nem érvényesülnek határfeltételként... de ez más témakör.) Mivel a kezdeti érték minden nap változik (fõleg tavasszal és õsszel - gondoljunk csak a tengeri jég kiterjedésének, vagy a hóborítottság gyors változására napról napra, vagy akár a vegetáció megváltozására) ezért az elõrejelzés is változni fog, hiszen a kiindulási adatokra érzékeny a modell.