Verbetering van seizoensvoorspellingen van de mondiale gemiddelde oppervlaktemperatuur door dynamische ENSO-realistische voorspellingen op te nemen

Waarom betere seizoensvoorspellingen ertoe doen

Boeren, energieplanners en rampenbeheerders hebben steeds vaker behoefte aan informatie over hoe warm de planeet waarschijnlijk zal zijn in de komende seizoenen. Deze studie onderzoekt waarom huidige kortetermijnvoorspellingen van de gemiddelde oppervlaktetemperatuur van de aarde soms hun doel missen en laat zien hoe het volgen van bekende tropische klimaatpatronen die voorspellingen vroeger en betrouwbaarder kan maken.

Een wereldwijde thermometer met reële gevolgen

De mondiale gemiddelde oppervlaktemperatuur, oftewel de gemiddelde warmte nabij het aardoppervlak, is een eenvoudige grootheid die complexe fysica verbergt. Toch heeft zij directe gevolgen voor de timing van de oogst, de brandstofvraag, hittebelasting en weergerelateerde risico’s. Seizoensvoorspellingen van deze mondiale temperatuur kunnen samenlevingen enkele maanden van tevoren helpen voorbereiden. Bestaande klimaatmodellen en zelfs moderne machine learning-systemen hebben echter moeite om de schommelingen van jaar tot jaar te voorspellen, vooral in de cruciale noordelijke herfst- en wintermaanden wanneer veel klimaatextremen optreden.

De puzzel van herfstvoorspellingsfouten

De auteurs onderzochten waarom hun eerdere voorspellingssysteem, ontwikkeld aan het Institute of Atmospheric Physics in Beijing, begon aan nauwkeurigheid te verliezen wanneer voorspellingen in de herfst werden gestart. Door voorspellingen te vergelijken met waarnemingen van 1980 tot 2024, ontdekten ze dat fouten nauw verband hielden met wat er over de tropische oceanen gebeurde. Tijdens El Niño-gebeurtenissen, wanneer de centrale en oostelijke Grote Oceaan opwarmt, had hun model de neiging de mondiale temperatuur te onderschatten. Tijdens La Niña, met koelere Pacifische wateren, overschatte het vaak. Het foutpatroon bleef niet beperkt tot de Stille Oceaan, maar verspreidde zich ook over de Indische Oceaan en de Atlantische Oceaan, wat een pantropische keten van interacties onthult die het oorspronkelijke model niet volledig vastlegde.

Tropische oceanen die samenwerken

Fysisch laat de studie zien hoe een warme El Niño-fase een belangrijke atmosferische circulatie boven de Stille Oceaan verzwakt en verplaatst. Deze verschuiving verandert de winden en stromingen in de Indische Oceaan, wat een warme zone in zijn westelijke en centrale delen bevordert, en verandert ook de winden boven de tropische Noord-Atlantische Oceaan, wat daar tot opwarming leidt. Deze gekoppelde oceaanbekkens werken samen om de totale oppervlaktetemperatuur van de planeet in de daaropvolgende seizoenen te beïnvloeden. Wanneer deze bassinsbrede responsen sterker zijn dan het model verwacht, komt de mondiale temperatuurvoorspelling te koel uit, en wanneer ze zwakker zijn, te warm. Het omgekeerde gebeurt tijdens La Niña, wanneer bassinsbrede afkoeling gebruikelijk is. Het herkennen van deze keten helpt verklaren waarom fouten zich concentreren in jaren met sterke El Niño- of La Niña-condities.

Fysische kennis combineren met statistiek

Om dit inzicht in een praktisch instrument om te zetten, ontwierpen de auteurs een hybride voorspellingskader. Zij behielden hun bestaande statistische systeem, dat al langzame en snelle klimaatschommelingen scheidde, maar voegden informatie toe van een apart model dat de sterkte van El Niño en La Niña maanden van tevoren voorspelt. Met behulp van historische gegevens leerden ze hoe voorspellingsfouten veranderden met het voorspelde Pacifische signaal en gebruikten ze die relatie om nieuwe voorspellingen in real time te corrigeren. Ze testten ook het opnemen van aanvullende indices uit de Indische Oceaan en de Atlantische Oceaan. Hoewel deze hielpen om een deel van de gemiddelde bias weg te nemen, verbeterden ze de jaar-op-jaar vaardigheid niet zoveel als de focus op de Stille Oceaan alleen, waarschijnlijk omdat hun gedrag al sterk verbonden is met El Niño en La Niña.

Wat het nieuwe systeem oplevert

Met deze gecombineerde aanpak verminderden de verbeterde voorspellingen de gemiddelde fouten met ongeveer twee vijfde voor voorspellingen die in september en oktober werden gestart en brachten veel grote El Niño- en La Niña-jaren weer binnen de waarnemingsonzekerheid. In ongeveer twee derde van de bestudeerde jaren waren de gecorrigeerde voorspellingen dichter bij de realiteit, met bijzonder grote winst tijdens El Niño-episodes. Het meest opvallende is dat de tijdshorizon voor betrouwbare voorspelling van de mondiale temperatuur verlengd werd van twee naar vier maanden. Voor gebruikers van klimaatinformatie betekent dit een vroegere waarschuwing voor uitzonderlijk warme of koele seizoenen op planetaire schaal, bereikt met een methode die eenvoudiger en minder rekenkundig belastend is dan veel grootschalige klimaatmodellen.

Bronvermelding: Li, KX., Zheng, F. Improving seasonal prediction of global mean surface temperature by incorporating dynamic ENSO realistic forecasts. npj Clim Atmos Sci 9, 114 (2026). https://doi.org/10.1038/s41612-026-01386-9

Trefwoorden: seizoensgebonden klimaatvoorspelling, mondiale gemiddelde oppervlaktemperatuur, ENSO, El Niño, pantropische oceanen