82ba10ab-f2e4-40c0-91b8-f21454618134 Koninklijk Nederlands Meteorologisch Instituut (KNMI) Koninklijk Nederlands Meteorologisch Instituut (KNMI) Koninklijk Nederlands Meteorologisch Instituut (KNMI) opendata@knmi.nl opendata@knmi.nl 2026-04-07T10:53:27.99443Z ISO 19115 ISO 19115:2003 NL Kernset 1.3 KNMI 2.1.0 http://www.opengis.net/def/crs/EPSG/0/4326 http://www.opengis.net/def/crs/EPSG/0/4326 Ensemble precipitation forecasts made with Quantile Regression Forests and deterministic Harmonie-Arome inputs Ensemble precipitation forecasts made with Quantile Regression Forests and deterministic Harmonie-Arome inputs Ensemble neerslagverwachtingen gemaakt met Quantile Regression Forests en deterministische Harmonie-Arome invoer 2025-04-15 1 urn:xkdc:ds:nl.knmi::QRF-RT-SSh/v2025/ **Data Quality Warning:** Data released prior to 2025-07-10 is unreliable due to a configuration error. Please disregard affected data. A gridded 51-member ensemble of precipitation forecasts that are created using a tree-based machine learning method, quantile regression forests (QRF), and inputs from the deterministic Harmonie-Arome (HA) Cy43 forecasts. The target data set is rain-gauge-adjusted radar data that is upscaled by taking 3x3 km means and then a rolling maximum is taken in a 9 x 9 km box. Inputs to the machine learning model include HA precipitation, and indices of atmospheric instability. Spatial and temporal dependencies are restored using the minimum divergence Schaake Shuffle (SSh). Hourly forecasts are issued 8 times per day (00, 03, 06, 09, 12, 15, 18 and 21 UTC) for 60-hours into the future. **Data Quality Warning:** Data released prior to 2025-07-10 is unreliable due to a configuration error. Please disregard affected data. A gridded 51-member ensemble of precipitation forecasts that are created using a tree-based machine learning method, quantile regression forests (QRF), and inputs from the deterministic Harmonie-Arome (HA) Cy43 forecasts. The target data set is rain-gauge-adjusted radar data that is upscaled by taking 3x3 km means and then a rolling maximum is taken in a 9 x 9 km box. Inputs to the machine learning model include HA precipitation, and indices of atmospheric instability. Spatial and temporal dependencies are restored using the minimum divergence Schaake Shuffle (SSh). Hourly forecasts are issued 8 times per day (00, 03, 06, 09, 12, 15, 18 and 21 UTC) for 60-hours into the future. **Datakwaliteit waarschuwing:** Data geproduceerd voor 2025-07-10 is niet betrouwbaar als gevolg van een configuratiefout. Betreffende data niet gebruiken. Een gerasterd ensemble van 51 leden van neerslagverwachtingen die zijn gemaakt met behulp van een op beslisbomen gebaseerde machine learning-methode, quantile regression forests (QRF) en invoer van de deterministische Harmonie-Arome (HA) Cy43-verwachtingen. De doeldataset is voor regenmeter aangepaste radardata die wordt opgeschaald door middel van 3x3 km en vervolgens wordt het rollend maximum bepaald in een box van 9 x 9 km. Inputs voor het machine learning-model omvatten HA-neerslag en indices van atmosferische instabiliteit. Ruimtelijke en temporele afhankelijkheden worden hersteld met behulp van de minimum divergence Schaake Shuffle (SSh). Uurverwachtingen worden 8 keer per dag uitgegeven (00, 03, 06, 09, 12, 15, 18 en 21 UTC) gedurende 60 uur in de toekomst. Calibrated and skilful gridded ensemble forecasts of precipitation in the Netherlands Calibrated and skilful gridded ensemble forecasts of precipitation in the Netherlands Gecalibreerde en kwalitatief goede ensembleverwachtingen van neerslag in Nederland Koninklijk Nederlands Meteorologisch Instituut (KNMI) Koninklijk Nederlands Meteorologisch Instituut (KNMI) Koninklijk Nederlands Meteorologisch Instituut (KNMI) opendata@knmi.nl opendata@knmi.nl Weather forecast Weather forecast Weersverwachting Precipitation Precipitation Neerslag Machine learning Machine learning Machine learning Quantile regression forests Quantile regression forests Quantile regression forests DG Discovery Properties Vocabulary 1.0 DG Discovery Properties Vocabulary 1.0 2013-01-01 pre-operational, so no guaranteed delivery yet pre-operational, so no guaranteed delivery yet pre-operationeel, dus nog geen gegarandeerde levering https://creativecommons.org/licenses/by/4.0/deed.nl https://creativecommons.org/licenses/by/4.0/deed.nl 3000 climatologyMeteorologyAtmosphere 3.3914 7.2634 50.7575 53.5655 2025-04-15 9999-12-31 The Minimum Divergence version of the Schaake Shuffle ([Scheuerer et al., 2017](https://doi.org/10.1002/2016WR020133)) is used for statistical ensemble member generation. The Quantile Regression Forest algorithm as described by [Taillardat et al., 2016](https://doi.org/10.1175/MWR-D-15-0260.1)) is used as post-processing method. The Minimum Divergence version of the Schaake Shuffle ([Scheuerer et al., 2017](https://doi.org/10.1002/2016WR020133)) is used for statistical ensemble member generation. The Quantile Regression Forest algorithm as described by [Taillardat et al., 2016](https://doi.org/10.1175/MWR-D-15-0260.1)) is used as post-processing method. De Minimum Divergence versie van de Schaake Shuffle ([Scheuerer et al., 2017](https://doi.org/10.1002/2016WR020133)) wordt gebruikt voor het genereren statische ensemble members. De Quantile Regression Forest algortim zoals beschreven door [Taillardat et al., 2016](https://doi.org/10.1175/MWR-D-15-0260.1)) wordt gebruikt als post-processing methode NetCDF NetCDF 4 CF Koninklijk Nederlands Meteorologisch Instituut (KNMI) Koninklijk Nederlands Meteorologisch Instituut (KNMI) Koninklijk Nederlands Meteorologisch Instituut (KNMI) opendata@knmi.nl opendata@knmi.nl https://dataplatform.knmi.nl/catalog/datasets/index.html?x-dataset=QRF-RT-SSh&x-dataset-version=v2025 landingpage KNMI Data Platform KNMI Data Platform Bi-linear interpolation from lambert to regular lat-lon Bi-linear interpolation from lambert to regular lat-lon Bi-lineaire interpolatie van lambert velden naar lat-lon