Het is vandaag 1 maart, wat betekent dat de langste winter in vier jaar voorbij is. Een winter die gekenmerkt werd door de vele stormen en de boterzachte temperaturen. Kortom: het weerbeeld deed nog het meest aan de herfst denken. Was het weer echt zo bar en boos, of viel dat nog wel mee?
Afgelopen week volgde ik een driedaagse stoomcursus R in Utrecht. De bedoeling is namelijk dat ik in de toekomst op mijn werk met R ga werken, waardoor het handig is om in ieder geval wat basale vaardigheden te hebben. Mijn oude hersentjes zijn niet zo snel meer als vroeger, waardoor ik van de steile leercurve viel en op m’n hoofdje terechtkwam. Om toch wat vaardigheden op te bouwen, besloot ik thuis met R aan de slag te gaan. Het leek me daarbij een goed idee om mijn basale vaardigheden aan te wenden om het weer van de afgelopen winter te analyseren.
Als het gaat om weeranalyses ben ik een groot voorstander van het gebruik van indices of indicatoren. Indicatoren vatten onoverzichtelijke data samen tot iets wat veel dichter bij de belevingswereld staat. Gemiddelde temperaturen zeggen bijvoorbeeld maar weinig over de weerbeleving. Een chronisch zwaarbewolkte zomermaand nodigt bijvoorbeeld niet uit om in je zwembroek door de achtertuin te huppelen, hoewel de temperaturen nog volkomen normaal voor de tijd van het jaar kunnen zijn. In dat geval geeft het aantal mooiweerdagen bijvoorbeeld een beter beeld van de weerbeleving.
Voor het winterhalfjaar zou er ook zo’n indicator moeten zijn. Veel wind en regen, en weinig zon wordt doorgaans als onaangenaam ervaren. Daarom besloot ik die drie elementen te bundelen in wat ik de herfstindex noem, wat in feite bijna het weercijfer is, maar dan omgekeerd. Een hogere herfstindex betekent herfstachtiger (en dus onaangenamer) weer.
Het idee was om de verdeling van de windsnelheid, het zonneschijnpercentage (als percentage van de maximale duur) en de neerslaghoeveelheid in het winterhalfjaar (oktober tot en met maart) te gebruiken voor de index. De minimumscore is een 1 en elk element kan maximaal 3 punten bijdragen aan de herfstindex (de slechtste 25% van de verdeling krijgt 3 punten, het volgende kwart 2, het kwart daarna 1 en het beste kwart krijgt niks). Een volkomen verregende, stormachtige dag krijgt dus een herfstindex van 10 (1+3+3+3), terwijl een stralende en nagenoeg windstille zomerdag een herfstindex van 1 krijgt.
Dat was de theorie, nu het programmeren in R. Dat leverde natuurlijk een hoop frustratie op, maar na het uitstoten van een heleboel keelklanken had ik dan toch een werkend scriptje geschreven. De data is afkomstig van het KNMI voor meetstation De Bilt. In het tekstbestand heb ik de bovenste regels met beschrijvingen handmatig weggejorist, omdat me dat met R niet lukte. Daarna kon het bestand worden ingelezen. Dat ziet er ongeveer zo uit:
Klimaat <- read.csv(“[map]/[bestandsnaam]”, colClasses = “numeric”)
Daarna moet de data natuurlijk nog bewerkt worden. R gebruikt <- om nieuwe variabelen aan te maken of om bestaande variabelen over te schrijven. Voor het dollarteken staat de naam van de dataset waar de variabele aan toegevoegd moet worden, anders maakt R een losse kolom met waarden aan. Zelf vind ik het namelijk wel handig om alle variabelen in een dataset te hebben, maar strikt noodzakelijk is het niet. Anyway, dit is de code:
Klimaat$Datum <- ymd(Klimaat$YYYYMMDD)
Klimaat$Windsnelheid <- Klimaat$FG / 10 # Gemiddelde snelheid in m/s
Klimaat$Zonneschijn <-Klimaat$SP / 100 # Zonneschijnpercentage
Klimaat$Regen <- Klimaat$RH / 10 # Neerslag in mm
Klimaat$Regen <- ifelse(Klimaat$Regen < 0, 0, Klimaat$Regen)
Vervolgens kun je er een plaatje van maken. Een dichtheidsgrafiek is daarbij echt een uitkomst. De plustekentjes lijmen de stukken code, die de grafiek er mooier uit laten zien, aan elkaar. Daarnaast kunnen er nog labels (om de een of andere reden labs genaamd in de code) aan worden toegevoegd.
ggplot(data = Klimaat) +
geom_density(aes(x = Klimaat$Windsnelheid), na.rm = TRUE) +
theme_bw(12) +
labs(
title = “Verdeling van windsnelheden”,
subtitle = “Nederland, 1901-2020”,
caption = “KNMI”,
x = “Windsnelheid”,
y = “Dichtheid”)
Dat levert het volgende plaatje op:
Niet slecht toch? De windsnelheid lijkt bij benadering lognormaal verdeeld te zijn, met een lange staart aan de bovenkant van de verdeling. So far so good. Er blijkt helaas wel een probleempje met de data te zijn, waar ik pas achterkwam toen ik de herfstindices voor de hele periode ging berekenen. De windindex laat namelijk een scherpe discontinuïteit zien:
De gemiddelde windsnelheid ligt na 1961 dus systematisch lager dan in de jaren ervoor, wat direct invloed heeft op de weercijfers. 1961 is ook het jaar waarin het KNMI in De Bilt op een andere meethoogte is gaan meten, maar kennelijk zijn de waarnemingen daar niet of onvoldoende voor gecorrigeerd. Slordig!
Het zonneschijnpercentage laat een kleine oplopende trend zien, wat eventueel te maken kan hebben met een andere meettechniek, die in de winter iets meer zonneschijn registreert, maar verder vooral doordat de atmosfeer de afgelopen decennia schoner is geworden (minder aerosolen, dus meer zon). Het neerslagpatroon laat ook geen trendbreuken zien. Kortom: even voor de verschillen in windsnelheid corrigeren en klaar is Kees.
En dan nu de vraag die op ieders lippen brandt: hoe was het nou met het weer van de afgelopen winter gesteld? Was het weer echt zo bar en boos als iedereen dacht?
Afgelopen winter (december t/m februari) komt met een herfstindex van 6,18 binnen op de zestiende plek van herfstachtigste seizoenen. Daarmee deed de afgelopen winter het iets slechter nog dan de recordzachte winter van 2006-2007, met een herfstindex van 6,17. Grappig genoeg bestaat de voltallige top 30 uit winters, daarna komt pas de eerste herfst (die uit 1954, kan iemand zich die nog herinneren?). Topscorer is de winter van 1914-1915 met een herfstindex van 6,68, op de voet gevolgd door de winter van het jaar erna met 6,65. Toen hadden onze voorouders het dus echt zwaar, al was het toen voor onze zuiderburen om andere redenen afzien.
Aan de andere kant van het spectrum is de (beruchte) zomer van 1976 te vinden, met een herfstindex van 2,76, gevolgd door de zomers van 1983, 2003 en (die zullen de meesten zich nog wel kunnen herinneren) de zomer van 2018, met een herfstindex van 2,99. De zomer van afgelopen jaar komt in het rijtje op een twaalfde plaats van de in totaal 457 seizoenen. Daarmee staat afgelopen zomer nog achter de lente van 2011, de minst herfstachtige lente ooit.
Individueel springt alleen februari er van de afgelopen wintermaanden duidelijk negatief uit. December deed het met een herfstindex van 5,39 nog behoorlijk goed (maar 25 decembermaanden hadden een lager getal), terwijl januari vrij slecht scoorde met een index van 6,23 (slechter dan 75 januarimaanden sinds 1906). Februari spande echter de kroon met een herfstindex van 6,97, waarmee de maand de op twee na guurste februari aller tijden was. Sinds 1946 is het in februari niet meer zo herfstachtig geweest.
Dan tot slot de vraag: hoe verhoudt het weer zich van de laatste jaren tot de normaal? De laatste jaren hebben we niet heel veel te klagen gehad, afgaande op de onderstaande grafiek.
De werkelijke herfstindex per maand loopt redelijk in de pas met de maandgemiddelden. De afgelopen jaren hadden we vaak bovengemiddelde zomers (met als uitschieter de extreem droge en warme julimaand van 2018), terwijl de winters niet echt herfstiger waren dan gemiddeld. In dat opzicht was de afgelopen februarimaand een vreemde uitbijter, een plotselinge slechtweermaand na een lange periode van vaak acceptabel weer. Hopelijk tapt maart uit een ander vaatje en gaat de lente binnenkort ook echt beginnen!
