• meteoblue è uno dei migliori fornitori di previsioni meteorologiche per le previsioni della temperatura dell'aria a 24 ore.
• meteoblue presenta la massima accuratezza nelle previsioni a 12 ore.
• Il meteoblue Learning MultiModel (mLM), utilizzato per le previsioni operative della temperatura, offre le migliori prestazioni, seguito da MOS standard e dai modelli grezzi.
• Le previsioni del mLM superano quelle del modello di rianalisi ERA5, che è il migliore di tutti gli altri modelli meteorologici numerici grezzi selezionati.
• Su scala globale, le previsioni di temperatura hanno la massima prevedibilità sulle piccole isole oceaniche e lungo le coste prive di ghiaccio.
• La prevedibilità diminuisce con una topografia più complessa e con l'aumento della distanza dal mare.

La temperatura dell'aria è una delle variabili essenziali della meteorologia ed essere in grado di prevederla comporta molti vantaggi. In tempi di cambiamenti climatici, le temperature globali stanno aumentando. Il numero di ondate di calore è in aumento, con conseguenze importanti per la produzione agricola, per la popolazione urbana e per molti altri fenomeni. Per casi d'uso come questi, una previsione precisa di questa variabile meteorologica è di fondamentale importanza.

In questa sezione, si presenta una panoramica degli studi di verifica che esaminano la precisione della previsione della temperatura a 2 m sopra il suolo. Sono stati condotti diversi studi di verifica, in cui è stata confrontata l'accuratezza di diversi modelli di previsione grezzi, di fornitori di servizi meteorologici, di diversi approcci ai modelli e di misurazioni orarie. Inoltre, è stata esaminata la variabilità regionale degli errori dei modelli. Offrendo un riepilogo dei nostri risultati, vogliamo garantire che i nostri clienti possano comprendere appieno le previsioni di temperatura e i loro aspetti di precisione.

Confronto tra diversi approcci (2017)

In questo studio viene confrontata l'accuratezza di diversi approcci: i dati di previsione di 5 diversi modelli meteorologici grezzi, i dati di previsione calcolati da meteoblue Learning MultiModel (mLM) e model output statistics (MOS), e il modello di rianalisi ERA5. Queste previsioni sono state verificate rispetto alle misurazioni orarie di oltre 11.000 siti di osservazione in tutto il mondo. L'analisi è stata effettuata per il 2017 e parzialmente per settembre-ottobre 2018.

Diversi approcci e i loro MAE calcolati con più di 11.000 misurazioni orarie nell'anno 2017.

Approccio	MAE [K]
meteoblue Learning MultiModel (mLM)	1.2 K
Model Output Statistics (MOS)	1.5 K
Modello di rianalisi ERA5	1.5 K
5 diversi modelli di previsione meteorologica (grezzi)	1.7 - 2.2 K

La distribuzione spaziale degli errori del modello (vedi mappe sottostanti) evidenzia il fatto che il mLM supera il miglior modello di rianalisi di dati storici ERA5. In generale, i modelli grezzi come GFS hanno prestazioni peggiori rispetto agli approcci basati su metodi di post-processamento in cui vengono considerate le misurazioni orarie locali.

Confronto tra diversi modelli globali (2018)

Un ulteriore studio di verifica per valutare le prestazioni di diversi modelli globali è stato condotto in una tesi di laurea magistrale (Fessler, 2019) distinta. Le previsioni della temperatura dell'aria a 2 m su 24 ore dell'anno 2018 dei modelli di previsione NEMS, GFS05, MFGLOBAL, GEM e ICON sono state confrontate con le misurazioni orarie di oltre 8000 stazioni dell'Organizzazione meteorologica mondiale (WMO) e del sistema GDAS (Global Data Assimilation System) della NOAA (National Oceanic and Atmospheric Administration), distribuite in tutto il mondo. Inoltre, sono stati inclusi i dati storici del modello di rianalisi ERA5, in cui sono state calcolate e confrontate diverse metriche di errore statistico. Inoltre, sono stati esaminati i modelli globali di variabilità dell'accuratezza.

Confronto tra modelli grezzi

MAE [K] e MBE [K] di cinque modelli di previsione meteorologica numerica e di un modello di rianalisi per tutto l'anno 2018, basati su oltre 8'000 stazioni WMO.

Modello	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

Il semplice confronto degli errori consente di valutare le prestazioni dei diversi modelli. I seguenti risultati (vedi tabella seguente) confermano quelli dello studio precedente. Il modello di rianalisi ERA5, con un MAE di 1,5 K, supera tutti i modelli grezzi esaminati in questo studio, seguito da ICON e NEMSGLOBAL. ERA5, NEMSGLOBAL e GFS05 tendono a prevedere una temperatura più alta di quella reale, mentre MFGLOBAL, GEM e ICON prevedono una temperatura più bassa di quella misurata.

In tutte le stazioni meteorologiche, ERA5 ha le prestazioni migliori e il MAE più basso (vedi figura sotto).

Analisi spaziale

La distribuzione spaziale del MAE per i modelli di rianalisi ERA5 e NEMS è visualizzata nelle seguenti mappe mondiali. Per evitare la sovrapposizione di punti del grafico da stazioni diverse, il globo è stato suddiviso in celle della griglia del modello con una risoluzione orizzontale di 2°. In altre parole, i MAE di tutte le stazioni all'interno di una delle celle della griglia sono stati prima uniti e poi riportati al centro della cella della griglia. La distribuzione dell'errore del modello tra i due modelli è paragonabile, tuttavia si noti che NEMS ha un range di errore più spostato. In generale, possiamo notare errori più elevati nelle Montagne Rocciose, in India, in Cina e nella Russia orientale. Si osservano buone prestazioni in Europa settentrionale, Nord America, Australia, Russia occidentale e Africa.

Le previsioni della temperatura dell'aria hanno la massima precisione sulle piccole isole oceaniche e lungo le coste prive di ghiacci. In queste regioni, la temperatura dell'aria è fortemente influenzata dalla temperatura della superficie del mare. L'elevata accuratezza e prevedibilità sull'Europa e sul Nord America può essere spiegata dal fatto che i modelli di previsione meteorologica sono stati sviluppati in queste regioni. Un altro fatto degno di nota (e non trattato negli studi) è che la temperatura dell'aria è tipicamente simulata in modo peggiore nell'inverno dell'emisfero settentrionale rispetto all'estate. Inoltre, i risultati mostrano che la precisione diminuisce nelle regioni con topografia complessa, come le Montagne Rocciose, l'Himalaya o le Ande, e con l'aumentare della distanza dal mare. Pertanto, le regioni continentali e quelle ad altitudine elevata sono tipicamente simulate in modo peggiore rispetto alle regioni marittime e a bassa altitudine.

Confronto tra fornitori (2021)

n questo studio, le prestazioni delle previsioni di diversi fornitori di servizi meteorologici sono state confrontate con le previsioni di meteoblue. Le prestazioni di queste previsioni sono state verificate con 475 misurazioni METAR orarie in tutto il mondo. Per l'analisi è stata utilizzata la previsione oraria 12-35h creata alle 12:00 UTC. La verifica è stata condotta per l'anno 2021. La tabella seguente mostra che le previsioni di meteoblue si collocano tra le prime tre performance, sottostimando solo leggermente la temperatura dell'aria.

MAE [K] e MBE [K] per le previsioni di meteoblue e di altri fornitori di servizi meteorologici per oltre 400 stazioni in tutto il mondo.

	Fornitore	MAE [°C]	MBE [°C]
2	meteoblue	1.29	-0.16
1	Fornitore_D	1.26	-0.02
3	Fornitore_F	1.48	-0.21
	Fornitore_C	1.61	-0.52
	Fornitore_G	1.73	-0.03
	Fornitore_B	1.71	-0.38
	Fornitore_H	2.03	-0.23

Il confronto dei MAE per i diversi orizzonti temporali di previsione (vedi tabella seguente) mostra la tipica diminuzione delle prestazioni di previsione con l'aumentare delle ore di previsione (già menzionata nella sezione precedente). Per quanto riguarda le previsioni a 12 ore, meteoblue è il fornitore più preciso, mentre per i giorni di previsione da 1 a 3 meteoblue è il secondo.

MAE [K] di diversi fornitori di previsioni per diversi orizzonti di previsione e misurazioni orarie dell'anno 2021 di oltre 400 stazioni in tutto il mondo.

Fornitore	Giorno 0 (0-11 h)		Giorno 1 (12-35 h)		Giorno 2 (36-47 h)		Giorno 3 (48-71 h)
meteoblue	0.71	1	1.29	2	1.37	2	1.44	2
Fornitore_D	1.16	3	1.26	1	1.34	1	1.43	1
Fornitore_A	1.28	3	1.24		-		-
Fornitore_F	1.36		1.48		1.56		1.65
Fornitore_C	1.54		1.61		1.68		1.92
Fornitore_G	1.56		1.73		1.77		-
Fornitore_B	1.68		1.71		-		-
Fornitore_H	1.95		2.03		2.11		2.29