MOS

Model Output Statistics (MOS)

MOS (Model Output Statistics) è una tecnica di post-processing dei risultati dei modelli di previsioni meteo che usa le statistiche delle misure meteo locali storiche o attuali. Il servizio MOS migliora sensibilmente l’accuratezza dei dati storici di temperatura, umidità, velocità del vento e la radiazione (altre variabili possono essere specificate su richiesta).

I modelli puramente statistici sono eccellenti anche per il “nowcasting” (previsioni a breve termine) ma sono abitualmente inutili oltre le 6 ore di previsione, perché la loro precisione diventa più bassa rispetto ai modelli fisici. La tecnica MOS combina i risultati dei modelli di simulazione con la statistica, usando i complessi modelli numerici basati sulla fisica dell’atmosfera al fine di prevedere situazioni meteo ad ampia scala e successivamente usando equazioni di regressione in post-processing statistici per meglio definire i parametri meteo nel dettaglio.

Siamo in grado di fornire una stima del miglioramento con MOS, se ci inviate i dati di misura della stazione(s) in questione da almeno 1 anno, ottenuto nel 2004 o successivamente, di preferenza a partire dal 2008 in formato .csv. Le misure possono avere risoluzione temporale arbitraria (10 minuti, 15 minuti, 1h, 3h) fintanto che sono maggiore di 1 minuto e minore di 3 ore. Le stessi fasi temporali possono anche modificare l’intervallo durante il periodo di misurazione (ad esempio 5 mesi con dati di 10 minuti seguiti da 7 mesi con dati di 1h sono anche buoni). Inoltre, abbiamo bisogno dei nomi (ID), le coordinate e (se possibile) l’altitudine delle stazioni. Dovremmo anche sapere, in cui l’altezza (dal suolo) i sensori delle variabili si trovano e quale fuso orario viene utilizzato per la tabella di misura (dati).

Esempio d’archivio:

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

Questo è un esempio per dati di 10 min. Dati orari sono anche buoni. Non tentare di interpolare i valori per chiudere i dati vuoti, come questo porterà a una diminuzione della qualità della previsione. Si prega di indicare i valori mancanti come -999 oppure non includere questi intervalli di tempo nel archivio.

La precisione è generalmente migliore rispetto a un modello di statistica pura o a un modello numerico (NWP) puro.