Röders prognoser, går de verkligen att lita på?

(1)

Självständigt arbete Nr 14

Röders sommarprognoser, går de verkligen att lita på?

Nitzan Cohen

Uppsala universitet, Institutionen för geovetenskaper Examensarbete C i meteorologi, 15 hp

Examensarbete vid Institutionen för geovetenskaper Tryckt hos Institutionen för geovetenskaper

Geotryckeriet, Uppsala universitet, Uppsala, 2011.

I kvällstidningen Aftonbladet har det under ﬂera år publicerats artiklar med långtidsprognoser för sommaren. För prognoserna står en tysk man vid namn Wolfgang Röder, som tidigare arbetat på meteorologiska institutionen vid Freie Universität i Berlin. Röders metod att ställa långtidsprognoser är hemlig, men han har avslöjat för Aftonbladet att han bl.a. studerar vädret under våren och jämför med statistik från tidigare år. Han gör dessutom en rad påståenden om aprilvädrets påverkan på sommarvädret, framförallt juli månad.

Syftet med undersökningen var att ta reda på hur pass bra Röders lång- tidsprognoser är med det verkliga utfallet och utifall hans påståenden om april- vädrets påverkan på sommarvädret stämmer. I denna undersökning granskades Röders prognoser för Östra Svealand, med Stockholm-Bromma som represente- rande mätstation.

För att bedömma Röders prognoser antogs månadsmedeltemperaturerna föl- ja en normalfördelning under en 30-årsperiod. I och med normalfördelningsan- tagandet kunde en standardavvikelse ifrån temperaturmedelvärdet för en viss månad beräknas. Med hjälp av sannolikhetstabeller för standardiserad normal- fördelning beräknades sedan avvikelseintervall från månadsmedelvärdet, vilka delades in i fem klasser: “Mycket kallt”, “kallt”, “normalt”, “varmt” och “mycket varmt”. Denna indelning skulle göra det enkelt att avgöra om Röder haft rätt eller fel. Vidare undersöktes också korrelation mellan aprils månadsme- deltemperatur och julis månadsmedeltemperatur samt julinederbörd under en 49-årsperiod. Det gjordes även detaljstudier av somrar som följt av varma respektive kalla aprilmånader. Detta för att eventuellt kunna urskilja ett mönster beroende på vädret i april.

Resultatet blev inte särskilt tillfredställande. Med gällande klassindelning ﬁck Röder endast rätt vid 10 tillfällen av 33, vilket ger en tillförlitlighet på cirka 30%. Hans påståenden om aprilvädrets påverkan på sommarvädret kunde inte heller styrkas. Korrelationskoefficienterna mellan aprils månadsmedeltem- peratur och julis månadsmedeltemperatur samt julinederbörd hamnade på 0.11 respektive 0.015, vilket är mycket lågt. Ur detaljstudien av ett antal somrar som följt av kall respektive varm april, kunde heller inga tydliga mönster urskiljas.

Sammansfattningsvis visade undersökningen att det praktiskt taget är omöjligt för Röder att ställa en långtidsprognos för sommaren. Det går lika bra att singla slant!

Nyckelord: Långtidsprognoser, Röder, normalfördelning, korrelationskoefficient

(2)

Självständigt arbete Nr 14

Röders sommarprognoser, går de verkligen att lita på?

Nitzan Cohen

Handledare: Hans Bergström

(3)

Referat

Röders långtidsprognoser - går de verkligen att lita på?

Nitzan Cohen

I kvällstidningen Aftonbladet har det under flera år publicerats artiklar med långtidsprognoser för sommaren. För prognoserna står en tysk man vid namn Wolfgang Röder, som tidigare arbetat på meteorologiska institutionen vid Freie Universität i Berlin. Röders metod att ställa långtidsprognoser är hemlig, men han har avslöjat för Aftonbladet att han bl.a. studerar vädret under våren och jämför med statistik från tidigare år. Han gör dessutom en rad påståenden om aprilvädrets påverkan på sommarvädret, framförallt juli månad.

Syftet med undersökningen var att ta reda på hur pass bra Röders långtidsprognoser är med det verkliga utfallet och utifall hans påståenden om aprilvädrets påverkan på sommarvädret stämmer. I denna undersökning granskades Röders prognoser för Östra Svealand, med Stockholm-Bromma som represen- terande mätstation.

För att bedömma Röders prognoser antogs månadsmedeltemperaturerna följa en normalfördelning under en 30-årsperiod. I och med normalfördelningsantagandet kunde en standardavvikelse ifrån tem- peraturmedelvärdet för en viss månad beräknas. Med hjälp av sannolikhetstabeller för standardiserad normalfördelning beräknades sedan avvikelseintervall från månadsmedelvärdet, vilka delades in i fem klasser: “Mycket kallt”, “kallt”, “normalt”, “varmt” och “mycket varmt”. Denna indelning skulle göra det enkelt att avgöra om Röder haft rätt eller fel. Vidare undersöktes också korrelation mellan aprils må- nadsmedeltemperatur och julis månadsmedeltemperatur samt julinederbörd under en 49-årsperiod. Det gjordes även detaljstudier av somrar som följt av varma respektive kalla aprilmånader. Detta för att eventuellt kunna urskilja ett mönster beroende på vädret i april.

Resultatet blev inte särskilt tillfredställande. Med gällande klassindelning fick Röder endast rätt vid 10 tillfällen av 33, vilket ger en tillförlitlighet på cirka 30%. Hans påståenden om aprilvädrets påverkan på sommarvädret kunde inte heller styrkas. Korrelationskoeﬃcienterna mellan aprils månadsmedeltem- peratur och julis månadsmedeltemperatur samt julinederbörd hamnade på 0.11 respektive 0.015, vilket är mycket lågt. Ur detaljstudien av ett antal somrar som följt av kall respektive varm april, kunde heller inga tydliga mönster urskiljas. Sammansfattningsvis visade undersökningen att det praktiskt taget är omöjligt för Röder att ställa en långtidsprognos för sommaren. Det går lika bra att singla slant!

Nyckelord: Långtidsprognoser, Röder, normalfördelning, korrelationskoeﬃcient Institutionen för geovetenskaper, Uppsala universitet, Villavägen 16, 75236 Uppsala

2

(4)

Innehåll

Inledning s.5 Frågeställningar s.6 Teori s.7 Utförande s.8 Resultat s.10

Slutsatser/Diskussion s.14 Referenser s.15

Appendix s.16 Referat s.24

3

(5)

(6)

Inledning

“ - Hur blir vädret i sommar?” Det är en fråga många svenskar ställer sig redan under våren i erinran om att varmare tider är på väg. Soldyrkare som inte tänkt söka sig söderut vill kunna planera sin semester så att just deras veckor blir soligast och varmast. Bönderna vill i sin tur få en uppfattning om hur vädret blir för att uppskatta förväntad skörd.

Sverige ligger på en knepig plats vädermässigt. Polarfronten med sin lågtryckskedja skiljer den varma tropikluften i söder från den kalla polarluften i norr, vilket innebär att Sverige hamnar i ett ganska nederbördsrikt område. Lufttrycksskillnaderna i atmosfären gör att polarfrontens utseende och läge kan variera mycket, vilket gör att vädersituationen i Sverige kan växla väldigt snabbt. Vilka perioder som blir regniga och vilka som blir torra borde vara omöjligt att veta i förväg.

Efterfrågan hos det svenska folket på långtidsprognoser för sommaren har dock snappats upp av me- dierna. Kvällstidningen Aftonbladet har under åren 1997-2009 anlitat en tysk man vid namn Wolfgang Röder för att ställa långtidsprognoser för den svenska sommaren, med störst fokus på månaderna juni, juli och augusti. I Aftonbladet påstås Röder vara “väderprofessor” vid Freie Universität i Berlin, något som senare visat sig vara helt felaktigt (Dagens Nyheter, 2003-06-14 “Bluﬀprofessorn Röder i blåsväder”, P Snaprud). Prognoserna består av kartor som visar vilka månader som blir varma eller kalla, samt var och när det troligen faller mest nederbörd. På senare år förekommer även temperaturavvikelser från månads- medelvärdet för olika områden (månadsmedelvärden beräknade på perioden 1961-1990). Röders prognoser har varit väckt intresse världen över, men många meteorologer retar sig på att han vägrar att avslöja sin metod helt och hållet (Aftonbladet, 2003-07-10, Per-Ola Ohlsson, DN, 2003-06-14 “Bluﬀprofessorn Röder i blåsväder”, P Snaprud). Röder säger dock till Aftonbladet att han bland annat studerar lågtrycksbanor under vintern och våren och jämför med statistik från tidigare år för att ställa sina långtidsprognoser (Aftonbladet, 2004-06-20, Per-Ola Ohlsson).

Grunden till Röders prognoser är i teorin att “historien upprepar sig” och han är inte den första som gett sig in på den banan för att “förutspå” kommande väderlek. Redan på 1500-talet använde bönderna den så kallade “Bondepraktikan” för att sia om vädret längre fram. Bondepraktikan beskriver månad för månad vilka vädertecken som bådar för bland annat kalla eller varma somrar, bra eller dålig skörd och så vidare. Röder har vid ett fåtal tillfällen, i samband med sina långtidsprognoser, uttalat sig om att just vädret i april månad har en avgörande roll för sommarens utfall. Han påstår att ett “regnigt och kallt april ger en varm sommar” (Aftonbladet, 2005-04-17. Per-Ola Ohlsson) och att “en torr och varm april brukar betyda att juli inte blir så bra” (Aftonbladet, 2007-04-30, Per-Ola Ohlsson). Syftet med denna undersökning är att verifiera Röders prognoser, samt undersöka om det finns ett eventuellt samband mellan april - och sommarvädret.

5

(7)

Frågeställningar

• Hur pass bra stämmer Röders långtidsprognoser med det verkliga utfallet? Vilka avvikelser i må- nadsmedeltemperatur i jämförelse med Röders uppskattningar kan anses tillåtna för att långtids- prognosen ändå kan betraktas som godkänd?

• Finns det något återkommande mönster i relationen mellan varmt väder i april och ovanligt regnigt eller kallt juli? Finns det någon tydlig fördelning eller korrelation som styrker Röders påstående att ett regnigt och kallt April ger en varm sommar?

6

(8)

Teori

För att bedömma riktigheten i Röders prognoser antas fördelningen av julis månadsmedeltemperaturer följa en normalfördelning under en längre period. Denna period väljs enligt konvention fördelaktligen till 30 år, varav den senaste är åren 1961-1990.

För att rent grafiskt visa att normalfördelningsantagandet är rimligt är det fördelaktigt att använda en längre mätperiod än 30 år. Figur 1 visar fördelningen av julis månadsmedeltemperaturer för Stockholm- Bromma under 49-årsperioden 1961-2009.

Figur 1: Histogram över fördelningen av julis månadsmedeltemperaturer för Stockholm - Bromma, 1961- 2009.

Normalfördelningsantagandet används i det här fallet för att beräkna en standardavvikelse, som sedan multipliceras med olika sannolikhetsfaktorer hämtade ur en sannolikhetstabell för standardiserad normal- fördelning. Detta är en nödvändighet vid klassindelningen av avvikelseintervall från månadsmedelvärdet (se “Utförande”, sid. 7).

7

(9)

Utförande

Sveriges meteorologiska och hydrologiska institut, SMHI, har oﬀentliggjort diverse väderdata från olika platser i Sverige på sin hemsida (http://www.smhi.se). Då denna granskning av Röders prognoser begränsats till Östra Svealand, används temperaturserien för Stockholm-Bromma (med data från åren 1961-2009). Detsamma gäller nederbördsserien, men med undantag för data från slutet av 1990-talet och framåt då nederbördsmätningarna på Stockholm-Bromma upphört. Nederbördsdata för denna tidsperiod kommer från väderstationen i Tullinge, som också ligger i Stockholmsområdet. Som “normalvärde” för en viss månads medeltemperatur används ett medelvärde beräknat över en 30-årsperiod. Den senaste 30-årsperioden är mellan åren 1961-1990 och det är denna månadsmedeltemperatur som används som referens i detta projekt.

Detaljerna i Röders prognoser varierar i utseende, men han ger för det mesta avvikelsen i medeltemperatur för respektive månad. För att bedömma hur bra prognoserna stämmer delas avvikelserna från månadsmedelvärdet in i fem klasser: “Mycket kallt”, “Kallt”, “Normalt”, “Varmt” och “Mycket varmt”. För att bestämma vilka avvikelser som tillhör respektive klass antas att medeltemperaturerna för respektive månad under 30-årsperioden 1961-1990 är normalfördelade. Detta ger en standardavvikelse från tempera- turmedelvärdet. Med hjälp av sannolikhetstabeller beräknas temperaturavvikelser vid en viss sannolikhet på fördelningskurvan. På så sett har intervallindelningen för de fem klasserna bestämts enligt följande : 0− 10% för mycket kallt, 10 − 30% för kallt, 30 − 70% för normalt, 70 − 90% för varmt och 90 − 100%

för mycket varmt.

Vid beräkningar med data från Stockholm-Bromma erhölls följande resultat, där variabeln σ står för avvikelsen i medeltemperatur både för Röders uppskattning och det verkliga utfallet (avvikelserna är beräknade utifrån medelvärde och standardavvikelse för juli, men antas också gälla för juni och augusti då skillnaden i medeltemperatur mellan månaderna är knappt en grad).

Tabell 1: Temperaturavvikelseintervall beräknade utifrån data från Stockholm-Bromma indelade i fem klasser från mycket kallt till mycket varmt, där variabeln σ står för temperaturavvikelse.

Mycket kallt σ≤ −1.85^◦C Kallt −1.85 < σ ≤ −0.75^◦C Normalt −0.75 < σ < 0.75^◦C

Varmt 0.75≤ σ < 1.85^◦C Mycket varmt σ≥ 1.85^◦C

8

(10)

Påståendena om aprilvädrets påverkan på sommarvädret (framförallt julivädret) undersöks genom att beräkna korrelationskoefficienten R mellan månadsmedeltemperaturerna i april och månadsmedeltempe- raturerna respektive nederbördsmängden i juli för hela 49-årsperioden 1961-2009. R varierar mellan −1 och 1 och finns det tendenser till en korrelation hamnar R − värdet nära 1 eller −1. R − värden nära 0 betyder dålig korrelation. Undersökningen görs också rent grafisk genom att i punktform presentera en fördelning, eller som kurvor längs en tidslinje. Vidare studeras somrarna 1966, 1968, 1970, 1973, 1974, 1977, 1985, 1986, 1990, 1993, 1994, 1997, 1999, 2000, 2002, 2007 och 2009 (månaderna juni-augusti) då april dessa år varit antingen kallare eller varmare än normalt. Undersökningen syftar till att eventuellt se ett mönster i var de riktigt varma, torra perioderna (ev. värmeböljor) hamnar, hur många och hur långa de är. Ett mönster för var de regnigaste perioderna hamnar undersöks också.

9

(11)

Resultat

Tabell 2 presenterar Röders sommarprognoser 1998-2005, 2007-2009 och samt det verkliga utfallet dessa år .

Tabell 2: Tabellen visar Röders sommarprognos för juni, juli och augusti (t.Vänster) och det verkliga utfallet (t.Höger) samt en bedömning på hur pass bra de överensstämmer.

Röders sommarprognos, Ö. Svealand Verkligt utfall, Stockholm Bedömning

Juni Juli Augusti År Juni Juli Augusti

Normalt Varmt Varmt 1998 M. kallt Kallt Kallt Dålig

Normalt M. varmt Varmt 1999 Varmt M. varmt Varmt Ganska bra

Varmt Varmt Varmt 2000 Kallt Kallt Normalt Dålig

Normalt Varmt Varmt 2001 Normalt M. varmt Varmt Ganska bra

Normalt Kallt Varmt 2002 M. varmt M. varmt M. varmt Dålig

Normalt M .varmt Varmt 2003 Normalt M. varmt Varmt Bra

Normalt M. varmt M. varmt 2004 Kallt Normalt Varmt Dålig

Kallt Kallt M. varmt 2005 Normalt M. varmt Normalt Dålig

Varmt Normalt Varmt 2007 Varmt Normalt Varmt Bra

Normalt M. varmt M.varmt 2008 Varmt Varmt Varmt Mindre bra

Normalt M. varmt M. varmt 2009 Kallt Varmt Varmt Mindre bra

Vid indelning i fem klasser får Röder endast rätt vid 10 tillfällen av 33. Detta ger, vid denna noggrannhet, en tillförlitlighet till hans prognoser på cirka 30%. Resultat är inte det mest tillfredställande då Röder själv påstår att hans prognoser har en tillförlitlighet på cirka 75 − 80% (Aftonbladet, 2002-04-26, Per-Ola Ohlsson). Det är värt att notera att flera av felträﬀarna är mellan klasserna varmt och mycket varmt, vilket kan anses vara av lägre betydelse. Det spelar sällan roll för det svenska folket hur varmt det blir, bara det blir varmt. Bortses dessa felträﬀar får Röders prognoser en tillförlitlighet på cirka 51%.

Majoriteten av prognoserna bedöms som dåliga eller hyfsade (“mindre bra” - “ganska bra”). Endast två prognoser av de undersökta bedömds som “bra”. En prognos bedöms som “bra” om Röder prickat rätt för alla tre månader, “ganska bra” om det endast är ett fel och “mindre bra” om prognosen är felaktig men minst två av felen står mellan klasserna “varmt och “mycket varmt” (då denna skillnad kan anses vara av lägre betydelse). En prognos bedöms som “dålig” om alla tre månader är fel.

10

(12)

Figur 2 visar fördelningen av aprils månadsmedeltemperaturer mot respektive månadsmedeltemperaturer i juli under 49-årsperioden 1961-2009 med data från Stockholm-Bromma.

Figur 2: Fördelning av aprils månadsmedeltemperatur mot julis månadsmedeltemperatur 1961-2009, utifrån data från Stockholm-Bromma. Korrelationskoeﬃcienten R = 0.11

Resultatet visar på att det inte finns något samband mellan en varm april och en kall juli. Korrelations- koeﬃcienten R beräknades till 0.11, vilket innebär att det inte finns någon korrelation mellan aprils och julis månadsmedeltemperaturer.

11

(13)

Figur 3 visar fördelning av aprils månadsmedeltemperaturer mot mängd nederbörd för motsvarande juli månad under 49-årsperioden 1961-2009 med data från Stockholm-Bromma och Tullinge.

Figur 3: Fördelning av aprilmedeltemperaturer mot regnmängder motsvarande julimånad 1961-2009, utifrån data från Stockholm-Bromma och Tullinge. Korrelationkoeﬃcient R = 0.015

Resultatet visar på att det inte heller finns något samband mellan en varm april och ett regnigt juli.

Korrelationskoeﬃcienten R beräknades till 0.015, vilket innebär att det inte finns någon korrelation. Inget av resultaten ovan står till god för Röders påstående om en varm aprils betydelse för sommarvädret.

12

(14)

För att kunna urskilja ett eventuellt mönster i var värmeböljor och regnigare perioder hamnar gjordes en detaljstudie av sommarvädret för ett urval av somrar som följts av en varm respektive kall april (se sid.

8). De varma aprilmånaderna har, med undantag för något enstaka fall, varit torra eller mycket torra.

De kalla aprilmånaderna har mer variation i nederbördsmängd, men är övervägande torra. På grund av detta bortses nederbörden och hänsyn tas endast till temperatur.

Vid kall april, totalt 7 fall, noterades 6 av fallen ha värmeböljor i juni (85%), 3 av fallen i juli (43%) och 2 av fallen i augusti (28%). Gällande regniga perioder noterades 2 fall i juni (28%), 5 fall i juli (71%) och 2 fall i augusti (28%).

Vid varm april, totalt 10 fall, noterades 4 av fallen ha värmeböljor i juni (40%), 4 av fallen i juli (40%) och 6 av fallen i augusti (60%). Gällande regniga perioder noterades 6 fall i juni (60%), 6 fall i juli (60%) och 5 fall i augusti (50%).

Figur 4 statuerar ett exempel på temperatur och nederbördsgrafer för april och månaderna juni-augusti år 2002. (Se appendix 3 och 4 för resterande temperatur och nederbördsgrafer).

Figur 4: Figuren visar temperatur (t.Vänster) och nederbördskurvor (t.Höger) för april och sommaren år 2002, utifrån data för Stockholm-Bromma och Tullinge.

13

(15)

Slutsatser och diskussion

Resultatet för Röders prognoser är allt annat än tillfredställande. Tillförlitligheten till prognoserna på 75− 80% (Aftonbladet, 2002-04-26, Per-Ola Ohlsson) kan så gott som förkastas. Med en indelning i fem temperaturklasser blir tillförlitligheten till prognoserna endast 30%, vilket kan betraktas som mycket dåligt. Även då felträﬀarna mellan klasserna “varmt” och “mycket varmt” bortses blir tillförlitligheten endast 51% (17 rätt av 33), vilket inte heller är fyller kvoten 75 −80%. Resultatet tyder på att det är helt omöjligt för Röder att veta när eller om det blir varmt eller kallt, än mindre hur varmt eller hur kallt det blir. I likhet med denna undersökning har en mer kontinuerlig uppföljning av Röders prognoser gjorts av meteorologen Peo Ganerlöv. (www.svernet.org/polarfront.htm och www.svernet.org/roder2004).

Röders påståenden om att en varm och torr april ger kallare eller regnigare juli än normalt verkar inte heller stämma. R − v¨ardet för aprils månadsmedeltemperatur och julis månadsmedeltemperatur respektive nederbörd ligger i båda fallen nära noll. Det innebär att korrelationen är svag eller näst intill obefintlig. R − v¨ardet för korrelationen mellan månadsmedeltemperaturerna borde blivit negativt för att kunna styrka Röders påstående, dvs. stå i motkorrelation. Tvärtom är det positivt, vilket snarare tyder på en svag tendens till varmare juli än normalt efter en varm april.

Vid detaljstudier av somrar som följts av en kall april dras följande slutsatser: Störst sannolikhet till värmebölja är det i juni, därefter juli och minst sannolikhet i augusti. Störst sannolikhet för en längre regnig period är det i juli medan det i juni och augusti oftare är torrt. Gällande detaljstudier för somrar som följts av en varmt april finns tendenser till större sannolikhet för värmebölja i augusti än i juni och juli.

Sannolikheten för en längre regnig period visar sig vara i stort sett lika stor för alla tre sommarmånader, likaså sannolikheten för att det blir torrt. Sammanfattningsvis är det även svårt att ur detaljstudien avgöra huruvida aprilvädret skulle påverka sommarvädret. En kall april ger nödvändigtvis inte en varm sommar (men stor sannolikhet att juni blir varm och torr). Dock tyder resultatet på en något ökad risk att sommaren som helhet kan bli blötare efter en varm april än efter en kall, men inte tillräckligt för att kunna dra en slutsats. Det är praktiskt taget omöjligt för Röder att ställa en långtidsprognos för sommaren med påstådd tillförlitlighet utifrån statistik. Att långtidsprognoserna överhuvudtaget dyker upp i Aftonbladet är snarare ett utnyttjande av svenskarnas väderfixering för att sälja lösnummer. Det går lika bra att singla slant!

14

(16)

Referenser

Peo Ganerlövs uppföljning av Wolfgang Röders prognoser, www.svernet.org/polarfront.htm och www.svernet.org/roder2004

Aftonbladet 2004-06-20, Per-Ola Ohlsson

http://www.aftonbladet.se/vader/article218164.ab Aftonbladet, 2003-07-10, Per-Ola Ohlsson

http://www.aftonbladet.se/vader/article149641.ab Aftonbladet, 2001-05-25, Per-Ola Ohlsson

Aftonbladet, 2002-04-26, Per-Ola Ohlsson Aftonbladet, 2003-04-29, Per-Ola Ohlsson Aftonbladet, 2004-04-26, Per-Ola Ohlsson Aftonbladet, 2005-04-17, Per-Ola Ohlsson Aftonbladet, 2007-04-30, Per-Ola Ohlsson Aftonbladet, 2008-04-13, Per-Ola Ohlsson Aftonbladet, 2009-04-15, Per-Ola Ohlsson

SMHI:s databas med temperatur och nederbördsobservationer.

http://www.smhi.se/klimatdata/meteorologi/temperatur http://www.smhi.se/klimatdata/meteorologi/nederbord

Dagens Nyheter, 2003-06-14 “Bluﬀprofessorn Röder i blåsväder”, P Snaprud

15

(17)

Appendix 1 - Matlabprogram 1

% Examensarbete C i meteorologi. Exempel på varma april och motsvarande

% sommars utfall. I graferna ingår även när det fallit nederbörd.

% Exempel är framtagna ur data från 1961-2009.

% Väderdata för Stockholm-Bromma/Tullinge April XXXX (varm/kall) i form av

% Nederbörd och Högsta dagstemperatur Y1 = []; % Temperaturer

Y2 = []; % Nederbörd

startDate1 = datenum(’01-Apr-XXXX’); % startdatum endDate1 = datenum(’30-Apr-XXXX’); % slutdatum

Xdata = linspace(startDate1,endDate1,30); % vektor med dagar xdr = linspace(startDate1,endDate1,3);

% Väderdata för sommaren XXXX, månaderna Juni, Juli och Augusti i form av

% nederbörd och högsta dagstemperatur.

startDate2 = datenum(’01-Jun-XXXX’); % startdatum Juni endDate2 = datenum(’31-Aug-XXXX’); % slutdatum Augusti

XsummerXX = linspace(startDate2,endDate2,92); % Vektor med dagar XsumXX = linspace(startDate2,endDate2,4);

tempSumXX = []; % temperaturer för en viss sommar nedbSumXX = []; % nederbörd för en viss sommar

% Ritar ut figurer med högsta dagstemperaturer respektive nederbörd.

figure(X) subplot(2,2,1)

plot(Xdata,Y1,’r-’,’Linewidth’,1.2) xlim([startDate1 endDate1]);

ylim([0 30]); set(gca,’XTick’,xdr);

datetick(’x’,’dd mmm’,’keepticks’) title(’Stockholm-Bromma’)

ylabel(’Högsta dagstemp {\circC} ’) xlabel(’April XXXX’)

subplot(2,2,3)

plot(XsummerXX,tempSumXX,’r-’,’LineWidth’,1.2) xlim([startDate2 endDate2])

ylim([10 40]);

set(gca,’XTick’, XsumXX)

datetick(’x’,’dd mmm’,’keepticks’) ylabel(’Högsta dagstemp {\circC} ’) xlabel(’Sommaren XXXX’)

subplot(2,2,2)

plot(Xdata,Y2,’b-’,’Linewidth’,1.2) xlim([startDate1 endDate1]);

16

(18)

ylim([0 45])

set(gca,’XTick’,xdr);

datetick(’x’,’dd mmm’,’keepticks’) title(’Stockholm-Bromma’)

ylabel(’Nederbörd [mm] ’) xlabel(’April XXXX’) subplot(2,2,4)

plot(XsummerXX,nedbSumXX,’b-’,’LineWidth’,1.2) xlim([startDate2 endDate2])

ylim([0 45]); set(gca,’XTick’, XsumXX)

datetick(’x’,’dd mmm’,’keepticks’) ylabel(’Nederbörd [mm]’) xlabel(’Sommaren XXXX’)

Normalsommar = [20 21 20]; % normala högsta dagstemp juni, juli och aug.

SommarmedelXX = mean(tempSumXX) Normalmedeltemp = mean(Normalsommar)

17

(19)

Appendix 2 - Matlabprogram 2

% Program för att undersöka om det finns någon korrelation

% mellan medeltemperatur i April

% och medeltemperatur i Juli. Är April varm, blir juli sannolikt en

% "sämre sommarmånad" med kallare väder än normalt?

% Motsvarande för kall April, blir juli då en varm månad?

xyear = linspace(1961,2009,49); % tidsintervall XyA = linspace(1961,2009,7);

AprilMedel = [5.4 4.8 3.7 5.7 4.7 1.6 4.7 7.2 4.4 2.6 3.6 3.9 ...

3.7 5.8 4.2 4.3 2.9 3.2 3.8 5.3 4.8 4.7 5.0 6.1 ...

2.2 2.9 4.7 3.7 5.1 6.9 5.2 3.2 5.9 6.7 3.7 5.8 ...

3.8 4.0 7.3 6.7 5.7 6.9 4.4 6.6 6.4 5.2 7.7 7.1 7.9];

JuliMedel = [15.5 14.6 16.8 16.4 14.5 17.8 17.4 16.2 18.4 15.8 17.6 19.9 ...

19.9 15.5 18.8 17.6 14.8 15.8 15.2 17.6 17.2 18.0 18.8 16.2 ...

16.7 17.1 16.2 17.9 17.6 15.8 18.4 17.6 16.5 21.3 17.5 15.7 ...

19.1 16.2 19.6 16.3 19.8 19.1 20.5 16.8 19.0 20.5 16.9 18.3 17.7];

JuliRegn = [120.6 42.1 59.6 43.0 98.5 62.7 16.3 79.0 16.2 55.7 74.7 41.6 77.5 ...

118.9 23.0 20.3 134.3 40.7 121.7 41.0 38.7 50.1 28.9 71.8 102.7 86.9 ...

63.1 94.9 16.2 143.6 31.3 98.4 71.6 17.3 40.7 65.9 15.4 67.4 31.9 143.6 ...

46.5 101.5 82.7 69.1 102.8 26.8 53.0 26.1 78.8];

JuliRegnMedel = mean(JuliRegn)

Juli6190med = [15.5 14.6 16.8 16.4 14.5 17.8 17.4 16.2 18.4 15.8 17.6 19.9 ...

19.9 15.5 18.8 17.6 14.8 15.8 15.2 17.6 17.2 18.0 18.8 16.2 ...

16.7 17.1 16.2 17.9 17.6 15.8]; % juli 1961-1990 figure(1)

plot(xyear,AprilMedel,’-b’,xyear,JuliMedel,’-r’,’linewidth’,1.2) xlim([1961 2009]);

xlabel(’Medeltemperatur April 1961-2009’) ylabel(’Medeltemperatur Juli 1961-2009’) figure(2)

plot(AprilMedel,JuliMedel,’*r’,’linewidth’,1.2) xlabel(’Medeltemperatur April’)

ylabel(’Medeltemperatur Juli’)

figure(3)

plot(AprilMedel,JuliRegn,’*b’,’linewidth’,1.2) xlabel(’Medeltemperatur April’)

ylabel(’Nederbörd i Juli’) figure(4)

hist(JuliMedel)

xlabel(’Medeltemperatur i juli’) ylabel(’Antal månader’)

Avvik = std(Juli6190med);

JuliMed6190 = mean(Juli6190med)

18

(20)

AprMedelvarde = mean(AprilMedel);

Standav70 = 0.52*Avvik % beräknar avvikelser Standav90 = 1.28*Avvik

R = corrcoef(AprilMedel,JuliMedel)

R2 = corrcoef(AprilMedel,JuliRegn) % beräknar diverse korrelationskoeff.

% Slut på programmet.

% Programmet är skrivet av Nitzan Cohen. Institutionen för meteorologi

19

(21)

Appendix 3 - Temperatur och nederbördsgrafer vid kallt april

Figur 5: Figuren visar temperatur och nederbördsgrafer för april och efterföljande sommar år 1966, 1970, 1973 och 1977.

20

(22)

Figur 6: Figuren visar temperatur och nederbördsgrafer för april och efterföljande sommar år 1985, 1986 och 1997.

21

(23)

Appendix 4 - Temperatur och nederbördsgrafer vid varmt april

22

(24)

23

(25)

Figur 9: Figuren visar temperatur och nederbördsgrafer för april och efterföljande sommar år 2007 och 2009.

24

(26)