• El enfoque MultiModel de meteoblue aumenta notablemente la precisión de la previsión.
• meteoblue obtiene los mejores resultados cuando nuestra previsión de la velocidad del viento en 24 horas se compara con modelos crudos.
• Los distintos modelos crudos de velocidad y dirección del viento tienen un comportamiento muy similar.
• De los modelos de predicción comparados, ICON es el que presenta un mayor rendimiento global.
• GFS05 predice la velocidad del viento con una precisión de 1.5 m/s superior a la de otros modelos crudos.
• La previsión de la velocidad del viento es menos precisa en las islas y en las cadenas montañosas.
• La previsión de la velocidad del viento suele ser más precisa en los emplazamientos continentales que en las proximidades de los océanos.
• Existen variaciones regionales dentro de los modelos crudos, y son especialmente destacables en el modelo NEMSGLOBAL.
• El rendimiento de los modelos de predicción de la velocidad del viento se vuelve menos fiable con el aumento de la velocidad del viento.

La variable meteorológica del viento desempeña un papel clave en la investigación meteorológica y energética. El aumento del consumo de energía y el cambio climático provocan un creciente interés por las energías renovables. Los sectores de la energía solar y eólica han experimentado un rápido crecimiento. Los datos sobre la velocidad del viento son esenciales para encontrar emplazamientos adecuados para ubicar aerogeneradores.

Además, se prevé que los fenómenos meteorológicos extremos sean más frecuentes en el futuro. Empresas como las aseguradoras o los productores agrícolas dependen de datos fiables sobre las condiciones del viento. Además, comprender dinámica del viento ayuda a descifrar la influencia del viento en otras variables meteorológicas como la temperatura o las precipitaciones, y a la comprensión general del sistema atmosférico.

Dado que una previsión precisa del viento es clave para muchos de nuestros clientes (desde empresas de energía eólica hasta entusiastas de las actividades al aire libre), es esencial para nosotros que nuestros clientes puedan entender e interpretar nuestra previsión y su rendimiento. Se han realizado varios estudios que se describen en las secciones siguientes. En ellos se compararon varios modelos meteorológicos numéricos.

Análisis de las previsiones eólicas mundiales

Los siguientes resultados se basan en la tesis de máster de Brigitte Häuser en 2021. Varios modelos de simulación meteorológica de la velocidad del viento como ICON, MFGLOBAL, GFS05, modelos de la familia NEMS (NEMS4 y NEMS12), así como un modelo de reanálisis ERA5 fueron a escala mundial. Para la validación, se utilizaron más de 5000 mediciones METAR de lugares de todo el mundo, y durante todo el año 2020.

Se calcularon y utilizaron para la comparación varias métricas de error estadístico y de rendimiento de las previsiones. Otros análisis espaciales indican el rendimiento de los modelos de previsión meteorológica a escala regional. Por último, se probó un enfoque multimodelo frente a otros enfoques para investigar su precisión respectiva.

Raw model comparison

Para comparar los modelos crudos, se calcularon el error medio absoluto (MAE) y el error medio de sesgo (MBE). La siguiente muestra que ICON y ERA5 tienen el MAE más bajo, seguidos de GFS05 y MFGLOBAL. La previsión de la velocidad del viento de NEMSGLOBAL es el peor en comparación con los demás modelos de previsión meteorológica.

La mayoría de los modelos de previsión meteorológica tienden a subestimar las velocidades del viento (véase la figura siguiente).

Para profundizar en el análisis del rendimiento, el POD (Probabilidad de detección), Se calcularon el FAR (False Alarm Ratio) y el HSS (Heidke Skill Score). Se fijaron los umbrales de 5, 15, 20 y 30 m/s para evaluar el rendimiento de las predicciones de velocidades del viento más elevadas. Los principales resultados se resumen en la tabla siguiente.

En cuanto al POD, la velocidad del viento superior a 5 m/s fue predicha con mayor precisión por NEMSGLOBAL, seguido de GFS05, ERA5, ICON y MFGLOBAL. No obstante, teniendo en cuenta su HSS y sus elevados valores de FAR, es probable que los elevados valores de POD de NEMSGLOBAL se deban a una sobrepredicción general de la velocidad del viento, más que a una verdadera habilidad de predicción.

En comparación, ERA5 muestra una buena capacidad de predicción para vientos superiores a 5 m/s, y para vientos superiores, GFS05 obtiene los mejores resultados. Sin embargo, la probabilidad y la capacidad general de detectar vientos de más de 15 m/s disminuye significativamente en todos los modelos, lo que significa que todos tienen dificultades generales para predecir vientos de alta velocidad.

POD, FAR y HSS para todos los modelos crudos calculados para los datos de medición de más de 5000 estaciones mundiales en 2020.

Dominio	POD_5	POD_15	POD_20	FAR_5	FAR_15	FAR_20	HSS_5	HSS_15	HSS_20
ERA5	0.479	0.045	0.021	0.276	0.503	0.503	0.419	0.039	0.019
GFS05	0.551	0.116	0.053	0.368	0.74	0.759	0.412	0.08	0.035
ICON	0.466	0.055	0.026	0.302	0.903	0.906	0.413	0.037	0.017
MFGLOBAL	0.37	0.069	0.04	0.286	0.691	0.674	0.31	0.047	0.028
NEMSGLOBAL	0.636	0.205	0.082	0.456	0.907	0.949	0.381	0.063	0.023

Análisis espacial

La distribución espacial del MAE se muestra a continuación para los modelos ERA5 y NEMSGLOBAL, ya que difieren más significativamente entre sí. Se evitó la superposición de estaciones muy próximas promediando las métricas de error en cuadrículas de 3x3°, lo que dio como resultado una red de cuadrículas coherente superpuesta sobre el mapa mundial.

b) Modelo de predicción NEMSGLOBAL

El MAE de ERA5 se distribuye espacialmente por igual en todo el mundo. Sin embargo, NEMSGLOBAL tiene los valores más altos de MAE en Canadá y el norte de Europa, aunque la distribución del MAE es comparable a la de ERA5, sólo que con mayores contrastes. Ambos mapas muestran un rendimiento inferior en la previsión de la velocidad del viento en las islas, y (sobre todo en el mapa de NEMSGLOBAL) en regiones montañosas como las Montañas Rocosas. En general, algunos modelos muestran patrones espaciales más fuertes, mientras que otros menos. Para obtener información más detallada, consulte las tesis de máster (2,5 MB).

Enfoque multimodelo

En el enfoque multimodelo, se combinan varios modelos crudos y se ponderan de forma diferente, lo que suele dar lugar a mejoras en la precisión de la previsión. Como se ha demostrado en la sección anterior, los modelos crudos suelen arrojar resultados espaciales diferentes. La combinación de las previsiones de varios modelos para un lugar concreto puede dar lugar a la denominada "cancelación de errores". En ejemplo, dos modelos (uno que sobreestima la variable y otro que la subestima) pueden equilibrarse entre sí, lo que da como resultado un error de previsión menor. En este apartado, se combinaron los modelos de previsión meteorológica GFS05, MFGLOBAL, NEMSGLOBAL e ICON para para optimizar el MAE, y también se validaron con estaciones METAR.

El estudio muestra que ICON tiene el mayor impacto en este enfoque a escala mundial, ya que su ponderación fue la más alta en casi todas las ubicaciones, excepto en las de Rusia y el norte de Canadá. Debido a su elevada ponderación, GFS05 también tiene una gran influencia en el enfoque MultiModel. Promediando los MultiModelos de mejor rendimiento de todas las estaciones (es decir, todas las combinaciones MultiModel específicas de estación con el MAE más bajo), obtenemos una combinación MultiModel optimizada , en la que ICON tiene una ponderación del 50-60%, GFS05 del 20-30% y MFGLOBAL y NEMSGLOBAL del 10%. En la fase final, este paso final, se verificó con todas las estaciones METAR.

La tabla siguiente muestra que este enfoque puede mejorar la previsión de la velocidad del viento. Mientras que el MultiModel se optimizó para el MAE, otras métricas de error como el MBE, el RMSE (error cuadrático medio) y MAPE (error porcentual medio absoluto) también fueron inferiores en comparación con los modelos crudos. La correlación (Cor) es una métrica de error que indica hasta qué punto dos conjuntos de datos se correlacionan o concuerdan entre sí. Cuanto mayor sea el número (es decir, cuanto a 1), mejor será la previsión. La tabla muestra que el MultiModel supera a los dos modelos ICON y ERA5.

Métricas de error medio para diferentes modelos crudos y el MultiModel global optimizado. Los cálculos se basan en datos de medición horaria de más de 5.000 estaciones mundiales en 2020.

Dominio	MAE	MBE	RMSE	MAPE	Cor	Cor >3 m/s
NEMSGLOBAL	1.866	0.657	2.421	0.607	0.596	0.501
MFGLOBAL	1.617	-0.490	2.070	0.474	0.612	0.514
GFS05	1.563	0.130	2.002	0.483	0.635	0.537
ERA5	1.460	-0.152	1.860	0.429	0.652	0.577
ICON	1.453	-0.355	1.925	0.422	0.682	0.577
MM GLobal Weight	1.369	-0.122	1.768	0.401	0.703	0.598

Comparación de proveedores

Para clasificar nuestra previsión operativa de la velocidad del viento, la comparamos con el rendimiento de los modelos crudos y con el de otros proveedores de previsiones meteorológicas. La siguiente figura muestra el MBE de diferentes modelos de predicción (NEMSGLOBAL, ICON, GFS05, MFGLOBAL y UMGLOBAL), el modelo de reanálisis ERA5 y el modelo de predicción meteoblue. Los resultados del modelo se compararon con las mediciones de más de 450 estaciones METAR de todo el mundo. El análisis se basa en datos de previsión de 24 horas y datos de velocidad del viento medidos cada hora del año 2021.

previsión meteoblue vs. modelos crudos

La figura anterior muestra que para la mayoría de los modelos la MBE es negativa, por lo que los modelos subestiman la velocidad del viento, mientras que el pico más alto de la previsión de meteoblue es cercano a cero. Este resultado muestra que la previsión de meteoblue supera al modelo de reanálisis ERA5.

previsión de meteoblue vs. otros proveedores de datos meteorológicos

La siguiente tabla ofrece una visión general de las métricas de error MAE y MBE para la previsión de meteoblue y otros 6 proveedores de datos meteorológicos. En el caso del MAE, la previsión de meteoblue tiene los valores más bajos y, por lo tanto, supera a los demás proveedores de datos meteorológicos, aunque subestima la velocidad del viento más que los demás proveedores.

MAE [m/s] y MBE [m/s] de diferentes proveedores meteorológicos y las previsiones y mediciones de meteoblue de más de 450 estaciones mundiales para el año 2021.

Proveedor	MAE [m/s]	MBE [m/s]
meteoblue	1.36	-0.53
Proveedor_D	1.41	-0.42
Proveedor_F	1.38	-0.29
Proveedor_C	1.41	-0.36
Proveedor_G	1.48	-0.09
Proveedor_B	1.40	-0.14
Proveedor_H	1.51	-0.11