Unsere heutigen Wettermodelle sind hochkomplexe Systeme, die auf der Grundlage von riesigen Mengen an aktuellen Messwerten und mithilfe physikalischer Prinzipien, wie beispielsweise der Impuls- oder Masseerhaltung, versuchen möglichst genau zu simulieren, wie sich die Atmosphäre verhält. Doch wie wird eigentlich "gemessen", wie gut ein Modell wirklich ist?
Die Antwort auf diese Frage liefern die Methoden der Verifikation. Diese vergleichen auf objektive Art die Modellvorhersagedaten mit den in der Realität gemessenen Beobachtungsdaten. Dazu werden sogenannte Gütemaße verwendet, wobei hierbei zwischen kontinuierlichen und kategorischen unterschieden wird. Erstere sind auf Zahlenwerte anwendbar, zweitere auf Ereignisse, die entweder eintreffen oder nicht eintreffen.
Beginnen wir heute mit der kontinuierlichen Art: Ein einfaches Beispiel für ein kontinuierliches Gütemaß ist der mittlere absolute Fehler (MAE - Mean Absolute Error). Hier wird zuerst die Abweichung des gemessenen Werts einer meteorologischen Variablen (z.B. Druck, Temperatur, etc.) zu dem vom Modell vorhergesagten Wert berechnet. Dabei wird vernachlässigt, ob das Modell zu hoch oder zu tief liegt. Danach wird das Mittel über all diese Fehler gebildet und am Ende hat man einen Wert, der die "Richtigkeit" der Vorhersage beschreibt. Doch eine gewisse Vorsicht mit dem Ergebnis ist geboten. Nehmen wir einmal an, ein Modell läge bei der Temperaturprognose die Hälfte der Zeit genau 0,5 K zu hoch und die andere Hälfte genau so viel darunter. Berechnet man einfach nur das Mittel, wäre dieses Modell dementsprechend perfekt, obwohl das offensichtlich nicht wirklich der Fall ist. Betrachten wir dagegen den MAE, so gäbe dieser einen Wert von 0,5, da das Vorzeichen des Fehlers ignoriert wird. Doch gleichzeitig gehen hier andere wichtige Informationen verloren: Sollte das Modell zu einem Zeitpunkt völlig danebengelegen haben, wird sich das im MAE durch die Mittelung nicht deutlich zeigen. Deshalb gibt es noch zahlreiche andere solcher Gütemaße, die ihre eigenen Schwerpunkte setzen. Der mittlere quadratische Fehler (MSE - Mean Squared Error) lässt beispielsweise eben diese besonders schlechten Vorhersagen stärker ins Gewicht fallen, ist jedoch nicht so intuitiv verständlich wie der MAE. Andere Maße sind der RMSE (Root Mean Squared Error, die Wurzel des MSE) oder auch die Korrelation. Letztere gibt an, wie sich zwei Variablen zueinander verhalten. Eine Korrelation (oder auch ein Korrelationskoeffizient) von -1 bedeutet, dass sie sich exakt linear entgegengesetzt verhalten, 1 bedeutet, dass sie sich linear positiv zueinander verhalten.
Nun schauen wir uns mithilfe der Grafik an, wie sich die Modelle des Deutschen Wetterdienstes entwickelt haben. Die farbigen Linien zeigen die berechneten Korrelationen für die Vorhersage des Luftdrucks für die nächsten 24 Stunden (dunkelgrün), ansteigend bis hin zur Vorhersage für 168 Stunden (braun). Auf der y-Achse ist dabei die Korrelation aufgetragen und auf der x-Achse die Jahreszahlen.
Was können wir aus dieser Grafik lesen? Einleuchtend ist, dass die Ein-Tages-Vorhersage (dunkelgrün) besser ist, als Vorhersagen für mehrere Tage im Voraus. Auch wenn das Gefühl des ein oder anderen vielleicht etwas Gegenteiliges sagt, wird ersichtlich, dass die Vorhersagequalität insgesamt nach oben geht und somit besser wird. Vergleichen wir die braune (Sieben-Tages-Vorhersage) mit der dunkelgrünen Linie, so können wir festhalten, dass unsere heutige Wochenvorhersage etwa so gut ist, wie eine Ein-Tages-Vorhersage im Jahre 1980. Spannend sind auch die abrupten Sprünge in den Linien. Beispielsweise wurden um 1975 wichtige geostationäre Satelliten in Betrieb genommen. Somit waren kontinuierliche großflächige Daten verfügbar, die in die Modelle einfließen konnten. Die Verbesserungen um 1990 oder auch 2015 hängen mit einem Modellwechsel zusammen. Das Globale Modell (GM) berechnete erstmals die atmosphärische Entwicklung für den gesamten Globus. Somit wurden auch weit entfernte Einflüsse auf Europa und den Nordatlantik berücksichtigt. Der Schritt zum ICON 13 Modell (ICOsahedral Non-hydrostatic model) führte erneut zu einer deutlichen Verbesserung.
Natürlich zeigt diese Grafik lediglich ein Gütemaß für einen einzigen Parameter, trotzdem ist die positive Entwicklung eindeutig. In der Meteorologie gibt es jedoch nicht nur Vorhersagen für Zahlenwerte, sondern auch "Ja-Nein-Vorhersagen". Beispielsweise "regnet es hier heute?" oder "gibt es heute einen Sommertag?". Hierfür werden kategorische Methoden verwendet, doch diese würden den Rahmen dieses Thema des Tages sprengen und werden bei anderer Gelegenheit genauer betrachtet.