V niektorých regiónoch je predpovedanie počasia jednoduchšie ako v iných. Napríklad predpovede počasia pre horské oblasti, ako sú Alpy, sú často ťažšie, najmä kvôli reliéfu, ktorý výrazne ovplyvňuje miestne atmosférické podmienky. Počasie v údolí južne od pohoria môže vyzerať úplne inak ako v údolí severne od toho istého pohoria. Súvisí to napríklad so žiarením, vetrom a turbulenciami.
Numerické modely predpovede počasia majú často problémy s rozpoznávaním javov počasia malého rozsahu a rýchlo sa meniacich javov počasia kvôli ich nižšiemu rozlíšeniu, pretože topografia sa môže drasticky meniť aj v rámci malej mriežky s rozlíšením len niekoľko kilometrov. V dôsledku toho sú teploty na vrchole pohoria nadhodnotené, najmä v teplejších oblastiach, pretože v rámci tej istej mriežky sa nachádzajú aj miesta s nižšou nadmorskou výškou. Na prekonanie opísaných problémov používa meteoblue takzvaný meteoblue Learning MultiModel (mLM). MLM využíva metódy následného spracovania, pri ktorých sa výstupy surových modelov kombinujú s aktuálnymi miestnymi údajmi z pozorovaní. Do mLM sa teda vkladajú merania z miestnych meteorologických staníc, údaje zo satelitných a radarových pozorovaní a na základe týchto údajov sa hľadá najlepšia kombinácia modelov, ktorá sa potom ďalej spresňuje priamym použitím údajov z nowcastingu a topografického modelu.
V nasledujúcom článku by sme chceli konkrétne uviesť príklad, ktorý ukazuje, ako inštalácia jednej meteorologickej stanice na hore zlepšila predpoveď počasia:
Jeden z našich používateľov, ktorý sa venuje počasiu, nainštaloval meteorologickú stanicu na vrchu Punta Telegrafo, ktorý sa nachádza severne od Verony na východnej strane jazera Garda (Taliansko). S predpokladom, že naša predpoveď teploty pre túto lokalitu bola neustále príliš vysoká, dúfal, že miestne merania by mohli znížiť chybu predpovede. Po vložení údajov z meraní do nášho mLM je potrebné ho najprv približne 2 týždne "trénovať" s týmito údajmi. Údaje z meraní sme v prvom kroku použili na overenie predchádzajúcej predpovede. Predpoveď potom prechádza najväčším krokom zlepšenia po období úpravy. Naše krátkodobé overenie (tretí obrázok) presne ukazuje bod, v ktorom sa prejavuje hlavný efekt v predpovedi: od 7. júla 2023 sa chyba predpovede pre toto miesto výrazne znížila, keďže predtým sme mali chybu predpovede až 6 °C.
Po prvom veľkom zlepšení pokračuje tréning modelu vždy, keď mLM dostane nové údaje z meraní, čo vedie k neustálemu zlepšovaniu. Na druhom grafe je znázornené krátkodobé overenie o niekoľko dní neskôr a je vidieť, že chyba sa ďalej znížila.
Tento príklad ukazuje, aké cenné sú údaje z pozorovaní a že náš proces predpovedania je dostatočne inteligentný na to, aby sa z týchto meraní učil. Je však potrebné zabezpečiť, aby údaje z meraní mali dobrú kvalitu, aby sa model učil so správnymi údajmi, čo je zaručené prostredníctvom viacerých bariér kontroly kvality, ktoré filtrujú nesprávne údaje z meraní. To zaručuje, že predpoveď bude stále presná, aj keď meteorologická stanica dodá nesprávne údaje. Keďže nejde o okrajový prípad a merania majú často medzery, sú neúplné alebo nesprávne, kontrola kvality je nevyhnutná. Okrem toho zabezpečujeme vysokú kvalitu predpovede aj vtedy, keď nie sú k dispozícii žiadne meteorologické stanice, a to použitím iných technológií.
