In manchen Regionen ist die Wettervorhersage einfacher als in anderen. So sind beispielsweise Wettervorhersagen für Gebirgsregionen wie die Alpen oft schwieriger, vor allem aufgrund des Reliefs, das die lokalen atmosphärischen Bedingungen stark beeinflusst. Das Wetter in einem Tal südlich eines Berges kann ganz anders aussehen als in einem Tal nördlich desselben Berges. Dies hängt beispielsweise mit der Strahlung, dem Wind und der Turbulenz zusammen.
Numerische Wettervorhersagemodelle haben aufgrund ihrer geringeren Auflösung oft Probleme, kleinräumige und sich schnell verändernde Wetterphänomene zu erkennen, da die Topografie selbst innerhalb eines kleinen Gitters von nur wenigen Kilometern drastisch variieren kann. Folglich werden die Temperaturen auf einem Berggipfel insbesondere in wärmeren Gebieten überschätzt, da es innerhalb desselben Gitters auch tiefer gelegene Orte gibt. Zur Lösung der beschriebenen Probleme nutzt meteoblue das sogenannte meteoblue Learning MultiModel (mLM). Das mLM verwendet Post-Processing-Methoden, bei denen die Ausgabe der Rohmodelle mit aktuellen lokalen Beobachtungsdaten kombiniert wird. Das mLM wird dabei mit Messungen lokaler Wetterstationen, Satelliten- und Radarbeobachtungsdaten gespeist und sucht auf Basis dieser Daten nach der besten Modellkombination, die dann durch die direkte Anwendung von Nowcasting Daten und einem Topographiemodell weiter verfeinert wird.
Im folgenden Artikel möchten wir konkret ein Beispiel zeigen, wie die Installation einer Wetterstation auf einem Berg die Wettervorhersage verbessert hat:
Einer unserer wetterbegeisterten Nutzer installierte eine Wetterstation auf dem Punta Telegrafo, einem Berg nördlich von Verona an der Ostseite des Gardasees (Italien). Unter der Annahme, dass unsere Temperaturvorhersage für diesen Ort ständig zu hoch war, bestand die Hoffnung, dass lokale Messungen den Vorhersagefehler verringern könnten. Nach Einspeisung der Messdaten in unser mLM benötigt dieses zunächst etwa 2 Wochen, um mit diesen Daten "trainiert" zu werden. Wir haben die Messdaten im ersten Schritt verwendet, um die vorherige Vorhersage zu validieren. Nach der Anpassungsphase erfährt die Vorhersage dann den größten Verbesserungsschritt. Unsere Kurzzeit-Verifikation zeigt genau den Punkt, an dem sich eine große Verbesserung in der Vorhersage bemerkbar macht: Seit dem 7. Juli 2023 ist der Vorhersagefehler für diesen Standort deutlich zurückgegangen, nachdem wir vorher einen Vorhersagefehler von bis zu 6°C hatten.
Nach der ersten großen Verbesserung wird das Modelltraining immer dann fortgesetzt, wenn der mLM neue Messdaten erhält, was zu einer kontinuierlichen Verbesserung führt. Das zweite Diagramm zeigt die Kurzzeit-Verifikation einige Tage später und es ist ein weiterer Rückgang des Fehlers zu erkennen.
Dieses Beispiel zeigt, wie wertvoll Beobachtungsdaten sind und dass unser Vorhersageprozess intelligent genug ist, um aus diesen Messungen zu lernen. Es muss jedoch sichergestellt werden, dass die Messdaten von guter Qualität sind, damit das Modell mit den richtigen Daten lernt, was durch mehrere Qualitätskontrollen garantiert wird, die falsche Messdaten herausfiltern. Dadurch wird gewährleistet, dass die Vorhersage auch dann noch genau ist, wenn eine Wetterstation falsche Daten liefert. Da dies kein Einzelfall ist und die Messungen oft Lücken aufweisen, unvollständig oder falsch sind, ist die Qualitätskontrolle von entscheidender Bedeutung. Darüber hinaus wird durch den Einsatz zusätzlicher Technologien auch dann eine hohe Vorhersagequalität gewährleistet, wenn keine Wetterstationen verfügbar sind.
