På grund av atmosfärens kaotiska natur, väderprognoser, även med ständigt förbättrade numeriska väderprognosmodeller, förlorar så småningom sin noggrannhet. Meteorologer har en stark önskan att bättre förstå denna process när de försöker spåra prognosfel tillbaka till observationsgap och att ge ett sätt att förbättra.

Root mean square error (rms, eller dess kvadrat, variansavståndet) används ofta för att mäta skillnader mellan simulerade och observerade fält. I detta fall, forskare mätte avståndet mellan ett modellprognosfält inom dess rutnät och det verifierande analysfältet som representerar alla verkliga observationer. Dock, man måste tänka på att atmosfäriska egenskaper, som fronter och trycksystem är tredimensionella väderfunktioner i rymden som datormodeller förskjuter och även strukturellt snedvrider när den numeriska prognosen går bort från initiering. Varians- eller rms -felstatistik kvantifierar inte förskjutning och distorsion av vädersystem.

I en nyligen publicerad artikel i Framsteg inom atmosfäriska vetenskaper , ett team av forskare med National Oceanic and Atmospheric Administration (NOAA), Massachusetts Institute of Technology (MIT), och University of Connecticut bestämde sig för att hitta en allmän strategi för att bedöma de positionella och strukturella komponenterna i den totala skillnaden mellan två områden. Väsentligen, meteorologer vill bedöma noggrannheten hos många olika väderfunktioner inom en modellprognos jämfört med en verifierande analys baserad på verkliga observationer.

Sai Ravela från MIT, medförfattare till denna studie, tidigare utvecklat en Field Alignment -metod. I detta fall, hans tillvägagångssätt anpassar modellprognosfältet till den observationsbaserade analysen på ett smidigt sätt så att deras skillnad minimeras. Nästa, småskaliga fel från osäkert ursprung tas bort från alla tre fälten (den ursprungliga och justerade prognosen samt verifieringsanalysen, eller proxy för observationer) genom en process som kallas spatial filtrering eller utjämning. Det totala variansavståndet, eller skillnad, delas sedan upp i tre unika komponenter. Lägesfel, vilket är variansavståndet mellan den utjämnade ursprungliga modellprognosen och utjämnade inriktade prognosfält, och strukturfel som är variansavståndet mellan den utjämnade justerade prognosen och de utjämnade verifieringsanalysfälten, är två sidor av en rätvinklig triangel, och finskaligt ljud, som är de osäkra småskaliga fel som tas bort från den ursprungliga modellprognosen och verifieringsanalysen, eller observationsfält.

Denna metod matar ut de tre ortogonala felkomponenterna som skalärfält, samt ett vektorfält som indikerar storskalig förskjutning av prognosen jämfört med observationsanalysfältet. Intressant, i alla regioner och ledtider som teamet studerat, mer än hälften av den totala felvariansen är förknippad med felplacering av väderfunktioner. Därför, förskjutning är mer uttalad än snedvridning i prognosfält:endast cirka 25% felvarians är associerad med strukturella felaktigheter i de delvis förutsägbara funktionerna, som fronter och lågtryckssystem. Resten av felvariansen förblir oförklarlig eller oförutsägbar variation, eller buller.

"Hur brus växer i felvarians som en funktion av prognostiserad ledtid, och huruvida en positionell-strukturell brusnedbrytning av spridningen bland en ensemble av störda prognoser fångar prognosfelkomponenter är föremål för pågående studier, "sa Dr Jankov från NOAA, huvudförfattaren till studien.