O tratamento estatístico dos resultados do modelo (MOS)

MOS (Model Output Statistics) é a técnica de pós-processamento de resultados de modelos de previsão meteorológica numérica usando estatísticas de medições meteorológicas locais históricas ou atuais. O serviço de MOS melhora mais substancialmente a precisão dos dados históricos da temperatura, umidade, velocidade do vento e radiação (outras variáveis podem ser especificados a pedido).

Modelos estatísticos puros são excelentes em "nowcasting" (previsão meteorológica local a curto prazo), mas geralmente são inúteis para mais de cerca de seis horas, porque a sua precisão é inferior à dos modelos físicos. A técnica MOS combina os resultados dos modelos e as estatísticas, utilizando os modelos numéricos complexos baseados na física da atmosfera a fim de prever os padrões climáticos de grande escala e em seguida, aplicando equações de regressão em pós-tratamento com modelos de estatística para esclarecer detalhes de meteorologia na superfície.

Nós podemos fornecer uma estimativa da melhoria com MOS, se você nos enviar dados de medição da(s) estação(s) em causa a partir de pelo menos 1 ano, obtida em 2004 ou depois, de preferência a partir de 2008 no formato .csv. As medições podem ter resolução de tempo arbitrário (10 minutos, 15 minutos, 1h, 3h), desde que seja maior do que 1 minuto e menor do que 3 horas. A mesma série temporal também pode alterar o intervalo durante o período de medição (por exemplo, 5 meses com dados de 10 minutos, seguido de 7 meses com dados de 1h também é bom). Além disso, precisamos dos nomes (ID), das coordenadas e (se possível) a altitude das estações. Devemos também saber, a que altitude (acima do solo) os sensores das variáveis estão localizados e qual a zona horária (fuso horário) usada para a tabela de medição (dados).

Exemplo de arquivo:

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

Este é um exemplo para dados de 10 min. Dados por hora também são bons. Não tente interpolar os valores, a fim de fechar os dados vazios, pois isso irá levar a uma diminuição na qualidade da previsão. Marque os valores que faltam com -999 ou então não ponha estes passos horários no arquivo.

A precisão é geralmente melhor do que para um modelo estatístico puro ou para um resultado do modelo numérico (NWP) puro.