Model Output Statistics (MOS)

MOS (Model Output Statistics) ist eine Technik die zur Nachbearbeitung der Ausgabe von numerischen Wettervorhersagemodellen unter Verwendung von Statistiken von lokalen historischen oder aktuellen Wettermessungen dient. MOS-Dienste verbessern die Genauigkeit der historischen Daten für Temperatur, Luftfeuchtigkeit, Windgeschwindigkeit und Einstrahlung wesentlich (andere Variablen können auf Anfrage angegeben werden).

Reine statistische Modelle sind hervorragend für "nowcasting" (Kurzfristige Wettervorhersage), aber in der Regel wertlos über etwa sechs Stunden hinaus, da ihre Genauigkeit dann niedriger ist als die der physikalischen Modelle. Die MOS-Technik kombiniert Modellausgabe und Statistik, indem sie die komplexen numerischen Modelle, welche die Physik der Atmosphäre zur Erstellung der Großwetterlage nutzen, verwendet und dann mit Hilfe von Regressionsgleichungen der Messungen eine statistische Nachbearbeitung vornimmt, um die Wettervorhersage an die lokalen Gegebenheiten anzupassen.

Wir können eine Schätzung der Verbesserung mit MOS liefern, wenn Sie uns Messdaten der betroffenen Station(en) von mindestens 1 Jahr senden, erhalten in oder nach 2004, vorzugsweise ab 2008 im .csv-Format. Messungen können beliebige Zeitauflösungen (10 Minuten, 15 Minuten, 1h, 3h) aufweisen, solange sie größer als 1 Minute und kleiner als 3 Stunden sind. Die gleichen Zeitreihen können auch das Intervall während der Messperiode ändern (z.B. 5 Monate mit 10-Minuten-Daten, 7 Monate mit 1h-Daten ist auch in Ordnung). Darüber hinaus brauchen wir die Namen (ID), die Koordinaten und (wenn möglich), die Höhe der Stationen. Darüber hinaus sollten wir wissen, in welcher Höhe (über dem Boden) die Sensoren der Variablen sich befinden und welche Zeitzone für die Messtabelle (Daten) verwendet wird.

Archiv Beispiel

STATIONID;latitude (decimal degrees);longitude (decimal degrees);altitude (m asl.)
myStation;23.42;-173.23;134.5
TIME (UTC) YYYYMMDD hh:mm; wind speed (m/s)
20150101 00:10;3.46
20150101 00:20;2.45
20150101 00:30;23.45
20150101 00:40;13.44
20150101 00:50;4.43
20150101 01:00;1.44
20150101 01:10;-999
20150101 01:20;-999
20150101 01:30;13.24
20150101 01:40;13.24
20150101 01:50;13.24

Dies ist ein Beispiel für 10 min Daten. Stündliche Daten sind auch in Ordnung. Versuchen Sie nicht, Werte zu interpolieren um Daten Lücken zu schließen, da dies zu einem Qualitätsrückgang der Vorhersage führt. Markieren Sie die fehlenden Werte als -999 oder lassen Sie diese Zeitschritte komplett aus der Datei aus.

Die Genauigkeit ist in der Regel besser als bei einem rein statistischen Modell oder bei Daten aus einem rein numerischen Modell (NWP).