Ein Wettermodell ist eine wichtige Grundlage, aber noch nicht automatisch die fertige Vorhersage für einen bestimmten Ort. Die Verarbeitung nach einem Modelllauf hilft dabei, die modellierte Atmosphäre mit den Bedingungen vor Ort zu verbinden – ob in einem Tal, auf einem Berg, auf einem landwirtschaftlichen Betrieb oder an der Küste.
Verschiedene Modellergebnisse zusammenführen
Wetterdienstleister erhalten Simulationen von globalen und regionalen Modellen mit unterschiedlichen Gitterweiten, Geländedarstellungen, Aktualisierungszyklen und Vorhersagezeiträumen. Ihre Leistungsfähigkeit variiert zudem je nach Standort, Wettervariable und atmosphärischer Situation. Daher können mehrere Modelle für denselben Ort und Zeitpunkt unterschiedliche Vorhersagen liefern. Unsere Leitfäden zu Wettermodellen erläutern diese Grundlagen in Teil 1 und Teil 2.
Bevor die Ergebnisse verglichen oder kombiniert werden können, muss sichergestellt werden, dass sie einheitlich interpretiert werden. Dazu werden Koordinaten, Einheiten, Zeitintervalle, Messhöhen und Variablendefinitionen überprüft. Windgeschwindigkeit und Windböen beispielsweise beschreiben unterschiedliche Größen. Ein Temperaturwert gilt in der Regel für einen bestimmten Zeitpunkt, während Niederschlag eine über einen bestimmten Zeitraum akkumulierte Menge beschreibt.
Eine dreistündige Niederschlagssumme, die um 12:00 Uhr endet, beschreibt beispielsweise die Niederschlagsmenge, die zwischen 09:00 und 12:00 Uhr gefallen ist – nicht die Menge, die um 12:00 Uhr fällt. Um diesen Wert mit stündlichen Niederschlagswerten vergleichen zu können, müssen die unterschiedlichen Akkumulationszeiträume berücksichtigt werden. Aus dem ursprünglichen Drei-Stunden-Wert geht außerdem nicht hervor, wann genau innerhalb dieses Zeitraums der Niederschlag gefallen ist.
Diese Aufbereitung bleibt für Nutzer möglicherweise unsichtbar, verhindert jedoch, dass Unterschiede bei Datenformaten oder Definitionen fälschlicherweise als tatsächliche Unterschiede zwischen Wettervorhersagen interpretiert werden.
Warum eine Gitterzelle nicht dasselbe ist wie ein Standort
Numerische Modelle stellen die Atmosphäre und die Erdoberfläche mithilfe von Gittern dar. Eine Gitterzelle kann Hänge, Gebäude, Vegetation und Wasserflächen umfassen, während die im Modell dargestellte Höhe von der tatsächlichen Höhe des gewünschten Standorts abweichen kann. Insbesondere bei gröber aufgelösten Modellen können kleinere Geländeformen geglättet werden.
Betrachten wir beispielsweise einen Ort in einem Tal und einen nahe gelegenen Berggipfel innerhalb derselben groben Gitterzelle. Ihre räumliche Nähe bedeutet nicht, dass dort dieselben Temperaturen, Windverhältnisse oder Niederschlagsbedingungen herrschen. Daher besteht die erste Aufgabe darin, die Koordinaten des gewünschten Standorts mit relevanten Modellinformationen aus der Umgebung zu verknüpfen, anstatt einfach einen einzelnen Gitterwert als Vorhersage zu verwenden.
Die meteoblue Forecast API erstellt beispielsweise Punktvorhersagen auf Grundlage umliegender Modelldaten, Geländeinformationen und Post-Processing. Nutzer können die Höhe des Standorts über dem Meeresspiegel angeben; andernfalls ermittelt die API diese anhand eines digitalen Höhenmodells mit einer Auflösung von 80 Metern. Höhenanpassungen wirken sich auf mehrere Variablen aus, darunter Temperatur und Luftdruck.
Ein digitales Höhenmodell mit einer Auflösung von 80 Metern bedeutet jedoch nicht, dass auch die Atmosphäre auf einem 80-Meter-Gitter simuliert wurde. Lokale Anpassungen erhöhen die Relevanz einer Punktvorhersage, können jedoch nicht alle kleinräumigen Strukturen erfassen, die vom Modell selbst nicht aufgelöst werden – beispielsweise die Luftströmung um ein einzelnes Gebäude oder einen sehr kleinräumigen Regenschauer. Die native Modellauflösung und das lokale Post-Processing sind daher zwei unterschiedliche Dinge.
Entscheiden, welche Modelle einbezogen werden sollen
Mehrere Vorhersagen allein zeigen noch nicht, welche davon am nützlichsten ist. Ein einfacher Mittelwert kann Fehler beibehalten, die mehreren Modellen gemeinsam sind. Umgekehrt berücksichtigt die konsequente Auswahl desselben Modells nicht, dass sich dessen Leistungsfähigkeit je nach Standort und Wetterlage verändern kann.
Das meteoblue Learning MultiModel (mLM) nutzt Informationen über die bisherige Vorhersagegüte, um eine geeignete Modellkombination für einen bestimmten Standort zu bestimmen. Dabei wird üblicherweise die Modellleistung der vergangenen 60 Tage berücksichtigt.
Dieser Prozess kann verschiedene Formen des Post-Processings umfassen. Bei der Auswahl wird ein geeignetes Modell als Eingangsquelle bestimmt, durch Gewichtung wird festgelegt, wie stark verschiedene Modelle zur Vorhersage beitragen, beim Blending werden Informationen aus mehreren Vorhersagen kombiniert und durch Korrekturen werden systematische Fehler ausgeglichen. Die Auswahl eines Modells mit einem geringeren durchschnittlichen Fehler unterscheidet sich beispielsweise von der Korrektur einer wiederkehrenden systematischen Abweichung, auch wenn beide Ansätze die endgültige Vorhersage verbessern können. Wo geeignete Messungen verfügbar sind, können diese ebenfalls dazu beitragen, lokale systematische Vorhersageabweichungen zu erkennen und zu korrigieren.
Beim stationsspezifischen Service von meteoblue können Messungen der vergangenen Monate genutzt werden, um die Modellkombination an die lokalen Bedingungen anzupassen. So lassen sich standortspezifische Unterschiede in der Modellleistung berücksichtigen, die bei umfassenderen Modellvergleichen möglicherweise nicht sichtbar werden.
mLM ersetzt numerische Wettermodelle nicht. Es baut auf ihnen auf und nutzt ihre Vorhersagen unter Berücksichtigung dessen, wie gut die einzelnen Modelle für einen bestimmten Standort und eine bestimmte Variable funktionieren. Derzeit ist mLM für Lufttemperatur, Taupunkttemperatur und Windgeschwindigkeit implementiert und validiert. Andere Variablen, darunter Niederschlag, Bewölkung und Strahlung, basieren auf anderen Datenquellen und Verarbeitungsmethoden. Daher kann nicht davon ausgegangen werden, dass dieselbe Methode für die gesamte Vorhersage verwendet wird.
Die neuesten Beobachtungen einbeziehen
Für die kommenden Stunden können Beobachtungen Entwicklungen aufzeigen, die ein früherer Modelllauf nicht genau erfasst hat. Radardaten können beispielsweise zeigen, dass ein Niederschlagsband früher als erwartet eintrifft. Wetterstationen können lokale Temperaturabweichungen erfassen, während Satellitenbilder Informationen über Wolken und deren Bewegung liefern. Blitzbeobachtungen können zusätzliche Hinweise auf aktive Gewitter geben.
Beobachtungsbasierte Kurzfristvorhersagen werden als Nowcasting bezeichnet. Bei meteoblue werden dafür häufig aktualisierte Stations-, Radar- oder Satellitendaten verwendet. Ihr Beitrag hängt von der jeweiligen Variable und der verfügbaren Abdeckung ab: Ein Radarbild kann beispielsweise helfen, den Zeitpunkt von Niederschlag genauer vorherzusagen, misst jedoch nicht direkt die Lufttemperatur an einer Wetterstation.
Diese Methoden sind besonders für den unmittelbaren Vorhersagezeitraum wertvoll. Ihr Nutzen nimmt ab, wenn sich Wetterphänomene weiterentwickeln, abschwächen oder ihre Zugrichtung ändern. Für weiter in der Zukunft liegende Vorhersagen werden numerische Modelle daher unverzichtbar.
Aufbereitete Daten nutzbar machen
Die aufbereitete Vorhersage muss anschließend in einer Form bereitgestellt werden, die von Menschen und Software genutzt werden kann. Je nach Produkt umfasst dies Temperatur, Niederschlag, Wind, Böen, Bewölkung und weitere Variablen, die als Zeitreihen, Diagramme oder strukturierte API-Daten bereitgestellt werden. Stündliche Werte ermöglichen eine detaillierte Planung, während Tageszusammenfassungen einen umfassenderen Überblick bieten.
Ein einzelner Vorhersagewert sollte außerdem durch Informationen über die bestehende Unsicherheit ergänzt werden. Die meteoblue Treffsicherheit beschreibt die geschätzte Genauigkeit der Vorhersage, während die Niederschlagswahrscheinlichkeit angibt, wie wahrscheinlich Niederschlag ist. Beide beantworten unterschiedliche Fragen: Die Treffsicherheit der Vorhersage ist nicht dasselbe wie die Wahrscheinlichkeit, dass es regnet.
Die endgültige Punktvorhersage ist daher nicht immer das direkte Ergebnis eines einzelnen Modells. Sie führt die verfügbaren Informationen zu einer bestmöglichen Schätzung zusammen und berücksichtigt gleichzeitig die verbleibende Unsicherheit.
Warum sich Vorhersagen zwischen Aktualisierungen ändern
Eine Vorhersage wird kontinuierlich aktualisiert, sobald neue Informationen verfügbar werden. Neue Modellläufe können die erwartete Entwicklung verändern, mLM kann die bevorzugte Modellkombination aktualisieren und aktuelle Beobachtungen können die Kurzfristvorhersage beeinflussen.
Für Nutzer kann dies beispielsweise bedeuten, dass sich der erwartete Beginn des Regens verschiebt oder die Temperaturvorhersage für morgen Nachmittag aktualisiert wird. Eine Änderung der Vorhersage bedeutet nicht automatisch, dass die vorherige Version schlecht war. Sie zeigt vielmehr, dass neuere Informationen hinzugekommen sind. Wie gut eine Vorhersage tatsächlich war, lässt sich erst beurteilen, indem sie mit den tatsächlich eingetretenen Wetterbedingungen verglichen wird.
Das Ergebnis mit der Realität vergleichen
Die Verarbeitungskette benötigt eine Möglichkeit, um festzustellen, ob sie tatsächlich einen Mehrwert bietet. Bei der Vorhersageverifikation werden Vorhersagen für zahlreiche Standorte und Zeitpunkte mit geeigneten Beobachtungen verglichen. Die monatlichen meteoblue Forecast Accuracy Reports bewerten mLM anhand qualitätskontrollierter Wetterstationsdaten und vergleichen seine Leistung bei Temperatur, Taupunkt und Windgeschwindigkeit mit globalen Modellen.
Ein fairer Vergleich muss die Wettervariable, den Gültigkeitszeitpunkt und den Vorhersagehorizont berücksichtigen. Eine Vorhersage, die mehrere Tage vor einem Ereignis erstellt wurde, stellt einen anderen Test dar als eine Aktualisierung kurz vor dem Ereignis. Eine stündliche Verifikation erfasst zudem zeitliche Abweichungen, die bei einer ausschließlichen Auswertung von Tageswerten möglicherweise nicht sichtbar werden.
Unterschiedliche Metriken machen unterschiedliche Schwächen sichtbar. Der Mean Absolute Error (MAE) beschreibt die durchschnittliche Größe der Fehler, der Mean Error (ME) zeigt systematische Über- oder Unterschätzungen und der Root Mean Square Error (RMSE) gewichtet größere Abweichungen stärker. Zusammen zeigen diese Kennzahlen, ob eine Vorhersage konstant gute Ergebnisse liefert, anstatt nur gelegentlich genau zu sein.
Die Verifikation liefert außerdem wichtige Rückmeldungen für die weitere Entwicklung. Eine Verarbeitungsmethode kann in einer bestimmten Region oder Jahreszeit gut funktionieren, an anderer Stelle jedoch weniger gut. Wiederholte Auswertungen helfen dabei, solche Unterschiede zu erkennen und zu überprüfen, ob Änderungen die Vorhersageleistung im Laufe der Zeit verbessern. Die meteoblue Forecast Accuracy Reports bieten eine Möglichkeit, diese Entwicklung nachzuverfolgen.
Die Vorhersage geht nach dem Modelllauf weiter
Die Qualität eines Wetterdienstes hängt sowohl von den verwendeten Modellen als auch davon ab, wie deren Ergebnisse verarbeitet werden. Datensätze vergleichbar zu machen, sie an einen Standort anzupassen, aus früheren Fehlern zu lernen und geeignete Beobachtungen einzubeziehen – all dies trägt dazu bei, aus einer Modellsimulation eine nutzbare Vorhersage zu machen.
Bei meteoblue greifen diese Prozesse ineinander, um lokal relevante Informationen bereitzustellen. Durch kontinuierliche Verifikation wird die Qualität der Ergebnisse anschließend überprüft. Eine Vorhersage mag auf dem Bildschirm einfach aussehen, doch bevor der endgültige Wert angezeigt wird, haben bereits zahlreiche Verarbeitungsschritte stattgefunden.
Haben Sie eine Frage oder eine Idee, die Sie teilen möchten? Besuchen Sie das meteoblue Community Forum und tauschen Sie sich dort mit anderen Wetterbegeisterten aus.
