Lufttemperatur

Sensitivität gegenüber den Vorhersagezeiten

Die Modellleistung nimmt typischerweise mit zunehmender Vorhersagezeit ab. Die Genauigkeit der 2 m Lufttemperatur durch die Wahl des meteoblue Learning Multimodels (mLM) liegt bei 1,2 K für die 24h-Prognose und bei 2,0 K für die 6-Tage-Prognose. Dies bedeutet, dass die 24h-Prognose des mLM genauso gut ist wie die 6-Tage-Prognose der eigenständigen numerischen Wettervorhersagemodellen.

MAE [K] in Abhängigkeit von den Prognosestunden für das mLM für einzelne Analysetage und den Durchschnitt (schwarz). Der 24h Vorhersage Fehler für MOS (blau) und die Rohmodelle (rot) werden zusätzlich angezeigt.

Eine kurze Einführung in das meteoblue Learning Multimodel kann unten heruntergeladen werden:

mlm_leaflet.pdf (6,96 MB)

24h-Prognose von historischen und prognostizierten Daten

Unsere Ergebnisse zeigen, dass das meteoblue Learning Multimodel (mLM), das in der operativen Prognose verwendet wird, deutlich besser abschneidet als MOS-Simulationen und das historische Reanalysemodell ERA5 (MAE = 1,2 K vs. MAE = 1,5 K). Die Genauigkeit von eigenständigen numerischen Wettervorhersagemodellen (z.B. NEMS, GFS) ist deutlich schlechter als insbesondere MOS und mLM.

Über 90 % aller meteorologischen Stationen haben eine Genauigkeit von besser als 2 K durch den Einsatz des meteoblue Learning Multimodel (mLM). Diese Zahl wird durch das Reanalysemodell ERA5 auf 85 % und durch das eigenständige numerische Wettervorhersagemodell NEMS (GFS) auf 50 % (36%) reduziert.

Kontinentale Regionen und Regionen in hoher Höhe werden typischerweise schlechter simuliert als maritime und niedrig gelegene Regionen. Die Fehler in Europa und Nordamerika sind in der Regel geringer als auf der Südhalbkugel. Die Lufttemperaturen werden im Winter der nördlichen Hemisphäre typischerweise schlechter simuliert als im Sommer.

Model performance der 24-Stunden-Prognose des mLM (oben), das Reanalysemodell ERA5 (links unten) und das numerische Wettervorhersagemodell GFS (unten rechts) für September – Oktober 2018.

Temperatur

NEMS Global 25km - Verifikation der Temperatur

Temperatursimulationen mit MOS:

  • korrigiert die meisten Fehler
  • 92% der Stationen mit einem MAE*<2.0°C
  • Verbesserung vs. RAW = 0.8°C
  • 85% aller stündlichen Fehler <2.0°C

Wird in allen meteoblue Vorhersagen verwendet.

meteoblue prognostiziert mehr als 70% aller Temperaturen mit weniger als 2°C Unterschied zur gemessenen Temperatur; 3 Tage (72 Stunden) im Voraus. Für 12 Stunden im Voraus unterscheiden sich 80% der Temperaturvorhersagen um weniger als 2°C von den Messungen - auf Stundenbasis. Der RMSE (root mean square error) der stündlichen Vorhersage beträgt weniger als 2.5°C für bis zu 3-Tages-Vorhersagen und um 2°C für Vorhersagen einen Tag im Voraus (das gilt für Europa und Nordamerika).

Was bedeutet das?

Persönlich: Wenn man davon ausgeht, das Temperaturunterschiede von mehr als 2°C (gefühlt) wahrgenommen werden können, dann sind 2/3 aller stündlichen meteoblue Vorhersagen bereits 3 Tage im Voraus korrekt! Das heisst, wenn man die meteoblue Vorhersage für die nächsten 72 Stunden anschaut, wird man während mindestens 54 Stunden jene Temperatur empfinden, die meteoblue vorhergesagt hat.

Technisch: Wenn die 3-stündlichen Temperaturmessungen einer Wetterstationen in stündliche Daten interpoliert und mit den aktuellen stündlichen Messungen verglichen werden, dann wird der RMSE 1.5-2.0°C betragen. Der Fehler der meteoblue Vorhersagen beträgt im Durchschnitt 2.2°C. Das heisst, die Temperaturvorhersage ist so gut wie eine Messung alle 6 Stunden.

MAE*: mittlerer absoluter Fehler

Anwendungsbeispiel

Im folgenden Beispiel wird die Wahrscheinlichkeit des Eintretens eines Frostereignisses illustriert.

Hypothetisches Beispiel: Sie sind interessiert an Temperaturen unter 0°C, also Frost, da Sie als Farmer um ihre Ernte besorgt sind. Der Fehler des Modells beträgt in 85% aller Fälle +/- 2°C . Das bedeutet, dass die Temperatur mit einem Risiko von 15% um mehr als 2°C variiert. Da Sie aber nur an sinkenden Temperaturen interessiert sind, beträgt das Risiko der Temperaturschwankungen in negativer Richtung nur noch die Hälfte: 7.5%. Genauer gesagt, bei einer aktuellen Temperatur von 2°C beträgt die Wahrscheinlichkeit 7.5%, dass die Temperatur unter 0°C sinkt. Falls die kritische Temperatur ihres Getreides aber -1°C beträgt, reduziert sich das Risiko auf 3.75%; für eine kritische Temperatur von -2°C sogar auf 1.875%.

Das gleiche Gedankenspiel kann mit einem Fehler von 1°C in 85% der Fälle gemacht werden. Die Wahrscheinlichkeit, dass die Temperatur unter 0°C fällt, beträgt dann nur noch 3.75%.

Falls die Vorhersage nur für 60% der Fälle gültig ist, sieht die Risikosituation wie folgt aus: Bei einer Temperatur von 2°C beträgt die Wahrscheinlichkeit 20%, dass die Temperatur unter 0°C sinkt; 10% falls die Temperatur unter -1°C sinkt.

Alle geschilderten Betrachtungen gehen davon aus, dass das Risiko für Temperaturen unter 0°C bei einer aktuellen Temperatur von 2°C geschätzt wird. Falls diese Berechnungen zum Beispiel für eine aktuelle Temperatur von 1°C gemacht werden, verändert sich das Risiko.

In der Figur sind diese Risikoberechnungen visuell dargestellt.

Visualisierung des Risikos, dass die Temperatur unter 0°C fällt.