Když otevřete aplikaci s počasím, předpověď vypadá jednoduše: teplota, symbol počasí a třeba pravděpodobnost deště. Snadno tak vznikne dojem, že tyto údaje pocházejí přímo z jednoho meteorologického modelu. Ve skutečnosti se výsledky modelů často nejprve porovnávají, upravují podle místních podmínek, doplňují o aktuální měření a procházejí kontrolou kvality.
Meteorologický model je nezbytným podkladem, sám o sobě však ještě neposkytuje hotovou předpověď pro konkrétní místo. Teprve dalším zpracováním se jeho obraz atmosféry přibližuje podmínkám, které zajímají člověka v údolí, na horách, na farmě nebo u moře.
Jak dát dohromady výsledky různých modelů
Poskytovatelé předpovědí získávají simulace z globálních i regionálních modelů. Ty se liší rozlišením výpočetní sítě, zachycením terénu, četností aktualizací i tím, na jak dlouho dopředu počasí předpovídají. Jejich přesnost navíc závisí na místě, předpovídané veličině a povětrnostní situaci. Pro stejné místo a čas proto mohou různé modely nabídnout odlišnou předpověď. Tyto základy vysvětlujeme v prvním a druhém díle našeho průvodce meteorologickými modely.
Než lze výsledky porovnávat nebo kombinovat, je nutné ověřit, že jednotlivé údaje vyjadřují totéž. Kontrolují se proto souřadnice, jednotky, časové intervaly, výška měření i definice veličin. Rychlost větru a nárazy větru například označují dvě různé veličiny. Teplota se zpravidla vztahuje k určitému okamžiku, zatímco úhrn srážek vyjadřuje množství, které spadne za určité období.
Tříhodinový úhrn srážek uvedený pro 12:00 například znamená množství vody, které spadlo mezi 9:00 a 12:00. Neříká, kolik prší právě v poledne. Při porovnání s hodinovými úhrny je tedy třeba zohlednit rozdílnou délku období. Ze samotného tříhodinového údaje navíc nelze vyčíst, kdy přesně v tomto intervalu pršelo.
Uživatel tuto přípravu dat nevidí. Bez ní by se ale rozdíly ve formátu nebo významu údajů mohly mylně jevit jako skutečné rozdíly v předpovědi počasí.
Proč buňka modelové sítě není totéž co konkrétní místo
Numerické modely zachycují atmosféru a zemský povrch pomocí výpočetních sítí. Jedna buňka může zahrnovat svahy, budovy, vegetaci i vodní plochy. Její nadmořská výška v modelu se přitom může lišit od skutečné výšky místa, pro které předpověď hledáme. Menší terénní útvary se v modelu vyhlazují, zvláště pokud má hrubší rozlišení.
Představme si město v údolí a nedaleký horský vrchol, které spadají do stejné buňky modelové sítě s hrubým rozlišením. Jsou sice blízko sebe, ale to neznamená, že tam bude stejná teplota, stejně silný vítr nebo stejné srážky. Nejprve je tedy třeba propojit souřadnice požadovaného místa s relevantními modelovými údaji z okolí. Pouhé převzetí jedné hodnoty z buňky nestačí.
Například Forecast API od meteoblue vytváří předpovědi pro konkrétní místa z modelových dat pro okolí a z informací o terénu, které dále zpracovává. Uživatel může zadat nadmořskou výšku místa. Pokud ji nezadá, API ji určí z digitálního modelu terénu s rozlišením 80 metrů. Výškové korekce se pak promítají do několika veličin, mimo jiné do teploty a tlaku.
Rozlišení terénních dat 80 metrů ovšem neznamená, že model simuluje atmosféru v síti se stejně jemným rozlišením. Místní úpravy pomáhají předpověď lépe přizpůsobit danému místu, nedokážou však doplnit každý detail, který model nezachytil. Patří sem třeba proudění vzduchu kolem jednotlivé budovy nebo velmi malá lokální přeháňka. Rozlišení samotného modelu a následné místní zpřesnění předpovědi jsou dvě různé věci.
Které modely mají dostat větší váhu
Máme-li k dispozici několik předpovědí, neznamená to, že bychom díky tomu věděli, která bude nejužitečnější. Prostý průměr může zachovat chyby, které jsou společné více modelům. Pokud naopak vždy sáhneme po stejném modelu, přehlížíme, že se jeho přesnost mění podle místa a podmínek.
Systém meteoblue Learning MultiModel (mLM) vychází z dosavadní úspěšnosti předpovědí a podle ní určuje vhodnou kombinaci modelů pro konkrétní místo. Obvykle přitom hodnotí jejich výsledky za předchozích 60 dní.
Tento postup může zahrnovat několik forem následného zpracování dat, označovaného také jako postprocessing. Nejprve lze vybrat vhodný modelový vstup, jednotlivým modelům přidělit váhy podle toho, nakolik mají ovlivnit výsledek, sloučit informace z více předpovědí nebo opravit systematické chyby. Vybrat model s nižší průměrnou chybou například není totéž jako korigovat opakující se odchylku, byť obojí může výslednou předpověď zlepšit. Pokud jsou k dispozici vhodná měření, mohou pomoci odhalit a napravit i systematické chyby předpovědi pro dané místo.
Ve službě meteoblue pro jednotlivé meteorologické stanice lze využít měření z posledních měsíců a přizpůsobit podle nich kombinaci modelů místním podmínkám. Zohlední se tak rozdíly v přesnosti na konkrétním stanovišti, které se při porovnávání modelů na větším území nemusí projevit.
mLM numerické meteorologické modely nenahrazuje. Vychází z nich a využívá jejich předpovědi podle toho, jak dobře si vedou v daném místě a u dané veličiny. V současnosti se mLM používá a jeho přesnost ověřuje pro teplotu vzduchu, teplotu rosného bodu a rychlost větru. Jiné veličiny, včetně srážek, oblačnosti a záření, vycházejí z jiných datových zdrojů a postupů zpracování. Nelze tedy předpokládat, že stejnou metodou vzniká celá předpověď.
Co přinášejí nejnovější pozorování
Pro předpověď na nejbližší hodiny mohou pozorování odhalit vývoj, který dřívější výpočet modelu nezachytil přesně. Radar například ukáže, že pásmo srážek přichází dříve, než se čekalo. Stanice mohou zaznamenat místní odchylku teploty, družicové snímky zase poskytují informace o oblačnosti a jejím pohybu. Detekce blesků doplňuje obraz o právě probíhajících bouřkách.
Předpověď na nejbližší dobu založená na pozorováních se nazývá nowcasting. V meteoblue využívá často aktualizované údaje ze stanic, radarů nebo družic. Její přínos závisí na předpovídané veličině a dostupnosti dat pro dané území. Radarový snímek pomůže upřesnit, kdy dorazí srážky, ale přímo neměří teplotu vzduchu na meteorologické stanici.
Tyto metody jsou zvlášť cenné pro nejbližší hodiny. S postupem času jejich užitečnost klesá: meteorologické jevy se dále vyvíjejí, slábnou nebo mění směr pohybu. Pro vzdálenější budoucnost jsou proto nezbytné numerické modely.
Jak se data dostanou k uživateli
Zpracovanou předpověď je pak třeba převést do podoby, se kterou mohou pracovat lidé i software. Podle konkrétního produktu zahrnuje teplotu, srážky, vítr, nárazy větru, oblačnost a další veličiny. Ty se poskytují jako časové řady, grafy nebo strukturovaná data přes API. Hodinové hodnoty slouží k podrobnému plánování, denní souhrny nabízejí celkový přehled.
Každý jednotlivý údaj z předpovědi by měla doprovázet také informace o jeho nejistotě. Ukazatel předpověditelnosti meteoblue vyjadřuje odhadovanou míru jistoty předpovědi. Pravděpodobnost srážek naproti tomu říká, jaká je šance, že srážky nastanou. Každý z těchto údajů tedy odpovídá na jinou otázku: nakolik lze věřit celkové předpovědi a jak pravděpodobné je, že zaprší.
Výsledná předpověď pro konkrétní místo proto nemusí být přímým výstupem jediného modelu. Spojuje dostupné informace do jednoho nejlepšího odhadu, přičemž zohledňuje i nejistotu, která přetrvává.
Proč se předpověď při aktualizacích mění
Předpověď se průběžně upravuje s tím, jak přicházejí nové informace. Nové výpočty modelů mohou změnit očekávaný vývoj počasí, mLM může zvolit jinou kombinaci modelů a čerstvá pozorování mohou ovlivnit předpověď na nejbližší dobu.
Pro uživatele to může znamenat posun očekávaného začátku deště nebo jinou teplotu na zítřejší odpoledne. Změna předpovědi sama o sobě neznamená, že ta předchozí byla špatná. Znamená, že přibyly nové informace. Zda změna skutečně pomohla, lze posoudit až porovnáním předpovědi se skutečným počasím.
Jak předpověď obstojí ve srovnání se skutečností
U celého postupu je třeba ověřovat, zda předpověď skutečně zlepšuje. K tomu slouží verifikace, tedy porovnávání předpovědí s vhodnými pozorováními na mnoha místech a v mnoha časových okamžicích. Měsíční zprávy meteoblue o přesnosti předpovědí hodnotí mLM podle dat z meteorologických stanic, která prošla kontrolou kvality. Zároveň jeho výsledky porovnávají s globálními modely u teploty, rosného bodu a rychlosti větru.
Férové porovnání musí zohlednit veličinu, čas, pro který předpověď platí, i to, s jakým předstihem byla vydána. Předpověď několik dní předem prochází jinou zkouškou než aktualizace těsně před danou událostí. Hodinové vyhodnocení navíc zachytí chyby v načasování, které se při hodnocení pouze denních hodnot mohou ztratit.
Různé metriky odhalují různé slabiny. Průměrná absolutní chyba (MAE) vyjadřuje, jak velké bývají odchylky od skutečnosti. Průměrná chyba (ME) ukazuje systematické nadhodnocování nebo podhodnocování. Odmocnina střední kvadratické chyby (RMSE) dává větší váhu velkým odchylkám. Společně pomáhají rozlišit předpověď, která je přesná soustavně, od té, která se trefí jen občas.
Verifikace zároveň poskytuje zpětnou vazbu pro další vývoj. Určitá metoda zpracování může dobře fungovat v jednom regionu nebo ročním období, ale jinde už méně. Opakované hodnocení pomáhá tyto rozdíly odhalit a ověřit, zda úpravy předpověď dlouhodobě zlepšují. Právě tento vývoj lze sledovat ve zprávách meteoblue o přesnosti předpovědí.
Výpočtem modelu práce na předpovědi nekončí
Kvalita meteorologické služby závisí jak na vstupních modelech, tak na zpracování jejich výsledků. Aby se simulace proměnila v použitelnou předpověď, je třeba zajistit srovnatelnost dat, přizpůsobit je konkrétnímu místu, poučit se z minulých chyb a zapojit vhodná pozorování.
V meteoblue tyto postupy společně pomáhají vytvářet předpovědi, které odpovídají místním podmínkám. Průběžná verifikace pak ověřuje výsledek. Předpověď na obrazovce může vypadat jednoduše. Než se ale zobrazí jediné číslo, data projdou řadou kroků.
Máte otázku nebo se chcete podělit o vlastní postřeh? Zapojte se do komunitního fóra meteoblue a diskutujte s dalšími nadšenci do počasí.
