Temperatura del aire

  • meteoblue es uno de los mejores proveedores de previsiones meteorológicas para la previsión de la temperatura del aire en 24 horas.
  • meteoblue demuestra la mayor precisión de previsión a 12 horas.
  • El Learning MultiModel (mLM) de meteoblue utilizado para la previsión de la temperatura operativa es el que obtiene mejores resultados, seguido por un MOS estándar, y los modelos crudos.
  • La previsión del mLM supera la previsión del modelo de reanálisis ERA5 que es el mejor de todos los demás modelos meteorológicos numéricos crudos seleccionados.
  • A escala mundial, las previsiones de temperatura tienen la mayor predictibilidad en las pequeñas islas oceánicas y a lo largo de las costas sin hielo.
  • La previsibilidad disminuye a medida que aumenta la complejidad de la topografía y la distancia al mar.

La temperatura del aire es una de las variables por excelencia de la meteorología, y poder predecirla reporta muchos beneficios. En tiempos de cambio climático, las temperaturas globales están aumentando. Aumenta el número de olas de calor, lo que puede tener importantes consecuencias para la producción agrícola, la población urbana y muchos otros fenómenos. Para casos de uso como estos una previsión precisa de esta variable meteorológica es de vital importancia.

En esta sección, se ofrece una visión general de los estudios de verificación que examinan la precisión de las previsiones de la temperatura a 2m por encima del suelo. Se han realizado varios estudios de verificación en los que se ha comparado la precisión de las previsiones de diferentes modelos crudos, proveedores meteorológicos, diferentes enfoques de modelos, y mediciones. Además, se ha examinado la variabilidad regional de los errores de los modelos. Al ofrecer un resumen de nuestros resultados, queremos garantizar que nuestros clientes puedan comprender plenamente la previsión de la temperatura y sus aspectos de precisión.

Comparación de distintos enfoques de modelos (2017)

En este estudio, se compara la precisión de diferentes enfoques de modelos - datos de previsión de 5 modelos meteorológicos diferentes, datos de previsión calculados por el meteoblue Learning MultiModel (mLM) y las estadísticas de salida del modelo (MOS), y el modelo de reanálisis ERA5.Estas previsiones se han verificado contra mediciones horarias de más de 11'000 sitios de observación en todo el mundo. El análisis se realizó para 2017, y parcialmente para septiembre - octubre de 2018.

Diferentes enfoques de modelos y su MAE calculado con más de 11.000 mediciones horarias en el año 2017.
Enfoque de Modelización MAE [K]
meteoblue Learning MultiModel (mLM) 1.2 K
Model output statistics (MOS) 1.5 K
Modelo de reanálisis ERA5 1.5 K
5 modelos diferentes de previsión meteorológica (crudos) 1.7 - 2.2 K

La siguiente tabla muestra el error medio absoluto (MAE) en Kelvin para los diferentes enfoques de modelos. El enfoque mLM demostró el MAE más bajo, seguido por el MOS y el ERA5. Estos enfoques de modelos obtienen mejores resultados que los modelos crudos.

Además, podemos observar que el rendimiento del modelo suele disminuir al aumentar horas de previsión (véase la figura siguiente). La precisión de la temperatura del aire a 2m utilizando el mLM se sitúa en 1,2 K para la previsión de 24 horas y de 2,0 K para la de 6 días. Según la tabla anterior esto implica que la previsión a 24 horas del mLM es tan buena como la previsión a 6 días de las previsiones del modelo crudo.

MAE [K] en función de las horas de previsión para el MLM para días de análisis individuales y la media (negro). 
Se muestra además el error de previsión de 24 horas para el MOS (azul) y los modelos crudos (rojo).

La distribución espacial de los errores del modelo (véanse los mapas a continuación) pone de manifiesto que el mLM supera el mejor modelo de reanálisis histórico ERA5. En general, los modelos crudos, como el GFS, obtienen peores resultados que los enfoques de modelos basados en métodos de postprocesado en los que se tienen en cuenta las mediciones locales.

MAE [K] de la temperatura del aire a 2m del reanálisis ERA5 (no disponible como previsión) utilizado para el análisis histórico a largo plazo. 
La verificación se basa en todos los datos horarios del año 2017. MAE [K] de la temperatura del aire a 2m del meteoblue Learning Multi-Model (MLM) 
utilizado en la predicción meteorológica operativa. La verificación se basa en todos los datos horarios de septiembre y octubre de 2018. MAE [K] de la temperatura del aire a 2 m de la salida del modelo crudo calculada por el GFS. 
La verificación se basa en todos los datos horarios de 2017.

Comparación de distintos modelos globales (2018)

Se realizó un estudio de verificación adicional para evaluar la precisión de los distintos modelos globales en otra tesina de licenciatura (Fessler, 2019). La previsión de la temperatura del aire a 2 m en 24 horas del año 2018 de los modelos de previsión NEMS, GFS05, MFGLOBAL, GEM e ICON se compararon con las mediciones horarias de más de 8000 estaciones de la OMM (Organización Meteorológica Mundial) y el GDAS (Sistema Global de Asimilación de Datos) de la NOAA (National Oceanic and Atmospheric Administration), distribuidas por todo el mundo. Además se incluyeron datos históricos del modelo de reanálisis ERA5, en los que se calcularon y compararon varias métricas estadísticas de error. Además, se examinaron los patrones globales de variabilidad de la precisión.

Comparación de modelos crudos

MAE [K] y MBE [K] de cinco modelos numéricos de previsión meteorológica y un modelo de reanálisis para todo el año 2018 a partir de más de 8.000 estaciones de la OMM.
Modelo MAE [K] MBE [K]
ERA5 1.5 0.2
NEMSGLOBAL 2.2 0.1
GFS05 2.3 0.2
MFGLOBAL 2.3 -0.1
GEM 2.4 -0.7
ICON 2.0 -0.1

La simple comparación de errores permite evaluar la precisión entre distintos modelos. Las siguientes conclusiones (véase la tabla siguiente) confirman los resultados del estudio anterior. El modelo de reanálisis ERA5, con un MAE de 1,5 K, supera a todos los modelos crudos examinados en este estudio, seguido de ICON y NEMSGLOBAL. ERA5, NEMSGLOBAL y GFS05 tienden a predecir la temperatura superior a la real, mientras que MFGLOBAL, GEM e ICON predicen la temperatura inferior a la descrita por las mediciones horarias.

Entre todas las estaciones meteorológicas, la ERA5 es la que obtiene los mejores resultados y el MAE más bajo (véase la figura siguiente).

MAE [K] para cinco modelos numéricos de previsión meteorológica y un modelo de reanálisis para el 
año 2018 basado en más de 8.000 estaciones de la OMM.

Análisis espacial

La distribución espacial del MAE para el modelo de reanálisis ERA5 y NEMS se visualiza en los siguientes mapamundis. Para evitar la superposición de puntos de trazado de diferentes estaciones, el globo se dividió en celdas de cuadrícula del modelo con una resolución horizontal de 2°. En otras palabras los MAE de todas las estaciones dentro de una de las celdas de la cuadrícula se fusionaron primero y luego se trazaron en el centro de la cuadrícula. La distribución principal del error del modelo entre ambos modelos es comparable, sin embargo, hay que señalar que NEMS tiene un rango de error desplazado. En general, se observan errores más elevados en las Montañas Rocosas, India, China y los países de la cuenca mediterránea. Se observa un buen rendimiento en el norte de Europa, Norteamérica, Australia, Rusia occidental y África.

Distribución espacial del MAE [K] para NEMS (arriba) y ERA5 (abajo), 
calculado para mediciones horarias del año 2018 de más de 8000 estaciones meteorológicas de todo el mundo.

La previsión de la temperatura del aire tiene la mayor precisión en las pequeñas islas oceánicas y a lo largo de las costas sin hielo. En estas regiones, la temperatura del aire está muy influida por la temperatura de la superficie del mar. La elevada precisión y previsibilidad en Europa y Norteamérica se explica por el hecho de que los modelos de previsión meteorológica se desarrollaron en estas regiones. Otro hecho digno de mención (y no contemplado en los estudios) es que la temperatura del aire suele simularse peor en invierno del hemisferio norte que en verano. Además, los resultados muestran que la precisión disminuye en las regiones con topografía compleja, como las Montañas Rocosas, el Himalaya o los Andes, y con el aumento de la distancia al mar. Por lo tanto, las regiones continentales y las regiones con gran elevación suelen simularse peor que las regiones marítimas y de baja elevación.

Comparación de proveedores (2021)

En este estudio se han comparado las previsiones de varios proveedores meteorológicos con las de meteoblue. Las prestaciones de estas previsiones se verificaron con 475 mediciones METAR en todo el mundo. Para el análisis, se utilizó la previsión horaria 12 - 35h creada a las 12:00 UTC. Esta verificación se realizó para el año 2021. La siguiente tabla muestra que la previsión de meteoblue se sitúa entre los tres mejores resultados, subestimando sólo ligeramente la temperatura del aire.

MAE [K] y MBE [K] para la previsión meteoblue y varias otras previsiones de proveedores meteorológicos para más de 400 estaciones de todo el mundo.
Proveedor MAE [°C] MBE [°C]
2 meteoblue 1.29 -0.16
1 Proveedor_D 1.26 -0.02
3 Proveedor_F 1.48 -0.21
Proveedor_C 1.61 -0.52
Proveedor_G 1.73 -0.03
Proveedor_B 1.71 -0.38
Proveedor_H 2.03 -0.23

La comparación del MAE para distintos horizontes temporales de previsión (véase el cuadro siguiente) muestra la típica disminución de la precisión de la previsión al aumentar las horas de previsión (que ya se ha mencionado en la sección anterior). Cuando se trata de la previsión de 12 horas meteoblue es el más preciso. meteoblue es el segundo más preciso para los días de previsión 1 a 3.

MAE [K] de distintos proveedores de previsiones para distintos horizontes de previsión y mediciones horarias del año 2021 de más de 400 estaciones de todo el mundo.
Proveedor Dia 0
(0-11 h)
Dia 1
(12-35 h)
Dia 2
(36-47 h)
Dia 3
(48-71 h)
meteoblue 0.71 1 1.29 2 1.37 2 1.44 2
Proveedor 1.16 3 1.26 1 1.34 1 1.43 1
Proveedor_A 1.28 3 1.24 - -
Proveedor_F 1.36 1.48 1.56 1.65
Proveedor_C 1.54 1.61 1.68 1.92
Proveedor_G 1.56 1.73 1.77 -
Proveedor_B 1.68 1.71 - -
Proveedor_H 1.95 2.03 2.11 2.29