Метеорологичният модел е основен източник на информация, но той не представлява автоматично готовата прогноза за дадено място. Работата, която следва след изпълнението на модела, помага да се свърже неговото представяне на атмосферата с условията, които са от значение за някого в долина, на планина, във ферма или край брега.
Обединяване на различни резултати от модели
Доставчиците на прогнози получават симулации от глобални и регионални модели с различно разстояние между мрежовите точки, представяне на терена, графици за актуализация и хоризонти на прогнозите. Тяхната ефективност също варира според местоположението, метеорологичната променлива и атмосферната обстановка. Вследствие на това няколко модела могат да дадат различни прогнози за едно и също място и време. Нашите ръководства за метеорологичните модели обясняват тези основи в Част 1 и Част 2.
Преди резултатите да могат да бъдат сравнени или комбинирани, тяхното значение трябва да е съгласувано. Това включва проверка на координати, единици, времеви интервали, височини на измерване и дефиниции на променливите. Скоростта на вятъра и поривите на вятъра, например, описват различни величини. Стойността на температурата обикновено се отнася за конкретен момент, докато валежите описват натрупването за определен период.
Например, общото количество валежи за три часа, приключващо в 12:00, представлява водата, натрупана между 09:00 и 12:00 – а не количеството, паднало точно в 12:00. За да се сравни с валежите на час, трябва да се вземат предвид различните периоди на натрупване. Първоначалната стойност за три часа също не показва точно кога в рамките на този период е валял дъждът.
Тази подготовка може да е невидима за потребителите, но предотвратява разликите във формата на данните или в дефинициите да бъдат погрешно тълкувани като реални разлики в прогнозата за времето.
Защо клетката от мрежата не е същото като дадено местоположение
Числените модели представят атмосферата и повърхността върху мрежи. Една клетка от мрежата може да обхваща комбинация от склонове, сгради, растителност и вода, докато моделираната ѝ надморска височина се различава от височината на търсеното местоположение. По-малките релефни елементи могат да бъдат изгладени, особено в по-грубите модели.
Представете си град в долина и близък връх, намиращи се в една и съща груба клетка от мрежата. Близостта им не означава, че имат еднакви условия по отношение на температура, изложение на вятъра или валежи. Затова първата задача е да се свържат търсените координати с подходяща информация от околния модел, вместо просто да се третира една стойност от мрежата като отговор.
Например, Forecast API на meteoblue генерира точкови прогнози, като използва данни от околния модел, информация за релефа и последваща обработка. Потребителите могат да посочат надморската височина на местоположението; в противен случай API я определя въз основа на цифров модел на релефа с резолюция 80 метра. Корекциите на надморската височина засягат няколко променливи, включително температурата и налягането.
Въпреки това набор от данни за релефа с резолюция 80 метра не означава, че атмосферата е симулирана на мрежа с размери 80 метра. Местната корекция подобрява релевантността на точковата прогноза, но не може да възстанови всяка нерешена характеристика, като например въздушния поток около отделна сграда или дъждовна буря в много малък мащаб. Родната резолюция на модела и местната последваща обработка остават две различни неща.
Решаване кои модели да се включат
Наличието на няколко прогнози не означава автоматично, че най-полезната е идентифицирана. Простата средна стойност може да запази грешките, общи за няколко модели, докато изборът винаги на един и същ модел пренебрегва промените в представянето в различните места и условия.
Системата meteoblue Learning MultiModel (mLM) използва информация за представянето на предишните прогнози, за да определи подходяща комбинация от модели за конкретно местоположение, като обикновено се взема предвид представянето през последните 60 дни.
Този процес може да включва различни форми на пост-обработка. Изборът определя подходящи входни данни за моделите, претеглянето определя колко силно допринасят различните модели, комбинирането обединява информация от няколко прогнози, а корекцията отстранява систематичните грешки. Например, изборът на модел с по-ниска средна грешка е различен от коригирането на повтарящо се отклонение, въпреки че и двете могат да подобрят крайната прогноза. Когато са налице подходящи измервания, те също могат да помогнат за идентифициране и коригиране на локални отклонения в прогнозите.
За услугата на meteoblue, специфична за дадена станция, измерванията от последните месеци могат да се използват за адаптиране на комбинацията от модели към местните условия. Това помага да се отчетат специфичните за дадено място разлики в ефективността, които може да не са видими при по-широки сравнения на моделите.
mLM не замества числените метеорологични модели. Той се основава на тях, като използва техните прогнози по начин, който отразява колко добре се представят те за дадено местоположение и променлива. Към момента mLM е внедрен и валидиран за температура на въздуха, температура на точката на оросяване и скорост на вятъра. Други променливи, включително валежите, облачността и слънчевата радиация, разчитат на различни източници на данни и подходи за обработка, така че не трябва да се приема, че един и същ метод се прилага за цялата прогноза.
Добавяне на най-новите наблюдения
За следващите няколко часа наблюденията могат да разкрият развития, които по-ранно моделиране не е уловило точно. Радарът може да покаже, че валежна ивица пристига по-рано от очакваното. Метеостанциите могат да идентифицират местна температурна разлика, докато сателитните изображения предоставят информация за облаците и тяхното движение. Наблюденията на мълнии могат да добавят контекст за активните гръмотевични бури.
Краткосрочното прогнозиране, базирано на наблюдения, е известно като nowcasting. В meteoblue то използва често актуализирана информация от метеорологични станции, радари или сателити. Неговият принос зависи от променливата и наличното покритие: радарното изображение може да помогне за уточняване на времето на валежите, но не измерва директно температурата на въздуха в метеорологична станция.
Тези методи са особено ценни в непосредствения обхват на прогнозата. Тяхната полезност намалява, когато метеорологичните явления се развиват, отслабват или променят посоката си, така че по-нататък в бъдещето числовите модели стават незаменими.
Превръщане на обработените данни в използваеми
След това обработената прогноза трябва да бъде представена във форма, която хората и софтуерът могат да използват. В зависимост от продукта това включва температура, валежи, вятър, пориви, облачност и други променливи, предоставяни като времеви редове, диаграми или структурирани API данни. Часовите стойности подпомагат подробното планиране, докато дневните обобщения осигуряват по-широк обзор.
Всяка прогнозна стойност трябва да бъде придружена и от контекст относно несигурността. Индикаторът за предсказуемост на meteoblue описва очакваната сигурност на прогнозата, докато вероятността за валежи се отнася до вероятността от валежи. Те отговарят на различни въпроси: доверието в общата прогноза не е същото като вероятността за дъжд.
Затова крайната точкова прогноза не винаги е пряк резултат от един-единствен модел. Тя комбинира наличната информация в една най-добра оценка, като същевременно отразява оставащата несигурност.
Защо прогнозите се променят между актуализациите
Прогнозата се актуализира непрекъснато, когато се появи нова информация. Нови моделирания могат да променят очакваното развитие, mLM може да актуализира предпочитаната комбинация от модели, а последните наблюдения могат да повлияят на краткосрочната прогноза.
За потребителите това може да означава промяна в очаквания час на началото на дъжда или актуализирана температура за утре следобед. Промяната в прогнозата не означава автоматично, че по-ранната версия е била неточна. Тя отразява факта, че е добавена по-нова информация, а нейната стойност може да бъде преценена само чрез сравняване на прогнозата с това, което действително се е случило.
Сравняване на резултата с реалността
Веригата за обработка се нуждае от начин да установи дали добавя стойност. Проверката на прогнозите сравнява предвижданията с подходящи наблюдения от много места и времена. Месечните доклади за точността на прогнозите на meteoblue оценяват mLM спрямо данни от метеостанции, подложени на контрол за качество, и сравняват неговата ефективност с глобални модели за температура, точка на оросяване и скорост на вятъра.
Едно справедливо сравнение трябва да отчита метеорологичната променлива, валидния период и прогнозния хоризонт. Прогнозата, издадена няколко дни преди дадено събитие, представлява различен тест в сравнение с актуализация, направена малко преди него. Часовата проверка също така улавя грешки във времето, които могат да изчезнат, когато се оценяват само дневните стойности.
Различните показатели разкриват различни слабости. Средната абсолютна грешка (MAE) описва средния размер на грешките, средната грешка (ME) идентифицира систематичното над- или подценяване, а средноквадратичната грешка (RMSE) дава по-голяма тежест на по-големите отклонения. Използвани заедно, те помагат да се покаже дали дадена прогноза се представя стабилно, а не е точна само от време на време.
Проверката също така създава обратна връзка за по-нататъшно развитие. Даден метод на обработка може да работи добре за един регион или сезон, но по-слабо на други места. Повторната оценка помага да се идентифицират тези разлики и да се провери дали промените подобряват ефективността с течение на времето. Докладите за точност на прогнозите на meteoblue предоставят начин да се проследи тази информация.
Прогнозата продължава след изпълнението на модела
Качеството на една метеорологична услуга зависи както от входните данни на модела, така и от начина, по който тези данни се обработват. Осигуряването на съпоставимост на наборите от данни, адаптирането им към дадено местоположение, извличането на поуки от предишни грешки и включването на подходящи наблюдения – всичко това помага да се превърне симулацията на модела в използваема прогноза.
За meteoblue тези функции работят заедно, за да генерират информация, която е релевантна за конкретния район. Непрекъснатата верификация след това тества резултата. Прогнозата може да изглежда проста на екрана, но преди да се покаже крайната стойност, е извършена значителна обработка.
Имате въпрос или идея, която искате да споделите? Присъединете се към общностния форум на meteoblue и продължете разговора с други ентусиасти на времето.
