• meteoblue é um dos melhores provedores de previsão do tempo para a previsão da temperatura do ar em 24 horas.
• meteoblue demonstra a maior precisão de previsão de 12 horas.
• O modelo meteoblue Learning MultiModel (mLM) usado para a previsão de temperatura operacional tem o melhor desempenho, seguido por um MOS padrão e os modelos puros.
• A previsão do mLM supera a previsão do modelo de reanálise ERA5, que é a melhor de todos os outros modelos meteorológicos numéricos brutos selecionados.
• Em escala global, as previsões de temperatura têm a maior previsibilidade em pequenas ilhas oceânicas e ao longo de costas sem gelo.
• A previsibilidade diminui com a topografia cada vez mais complexa e com o aumento da distância do mar.

A temperatura do ar é uma das variáveis essenciais da meteorologia, e ser capaz de prevê-la traz muitos benefícios. Em tempos de mudança climática, as temperaturas globais estão subindo. O número de ondas de calor está aumentando, o que pode ter consequências importantes para a produção agrícola, para a população urbana e muitos outros fenômenos. Para casos como esses, uma previsão precisa dessa variável meteorológica é de fundamental importância.

Nesta seção, é apresentada uma visão geral dos estudos de verificação que examinam a precisão da previsão da temperatura a 2m acima do solo. Foram realizados vários estudos de verificação, nos quais a precisão de diferentes previsões de modelos puros, provedores de serviços meteorológicos, diferentes abordagens de modelos e medições horárias foram comparadas. Além disso, a variabilidade regional dos erros do modelo foi examinada. Ao oferecer um resumo de nossas descobertas, queremos garantir que nossos clientes possam compreender totalmente a previsão de temperatura e seus aspectos de precisão.

Comparação de diferentes abordagens de modelos (2017)

Neste estudo, a precisão de diferentes abordagens de modelo é comparada - dados de previsão de 5 modelos meteorológicos brutos diferentes, dados de previsão calculados pelo meteoblue Learning MultiModel (mLM) e estatísticas de saída do modelo (MOS), e o modelo de reanálise ERA5. A análise foi feita para 2017 e parcialmente para setembro e outubro de 2018.

Diferentes abordagens de modelos e seus MAE calculados com mais de 11.000 medições horárias no ano de 2017.

Abordagem de modelo	MAE [K]
meteoblue Learning MultiModel (mLM)	1.2 K
Estatísticas de saída do modelo (MOS)	1.5 K
Modelo de reanálise ERA5	1.5 K
5 modelos diferentes de previsão do tempo (Brutos)	1.7 - 2.2 K

A distribuição espacial dos erros do modelo (veja os mapas abaixo) destaca o fato de que o mLM supera o o melhor modelo histórico de reanálise ERA5. Em geral, os modelos puros, como o GFS, têm desempenho pior do que as abordagens de modelo baseadas em métodos de pós-processamento nos quais as medições horárias locais são consideradas.

Comparação de diferentes modelos globais (2018)

Um estudo de verificação adicional para avaliar o desempenho de diferentes modelos globais foi realizado em um estudo de bacharelado (Fessler, 2019). A Previsão de temperatura do ar de 2m para 24 horas do ano de 2018 dos modelos de previsão NEMS, GFS05, MFGLOBAL, GEM e ICON foram comparadas às medições horárias de mais de 8.000 estações da OMM (Organização Meteorológica Mundial) e do GDAS (Sistema Global de Assimilação de Dados) da NOAA (National Oceanic and Atmospheric Administration), distribuídos em todo o mundo. Além disso, dados históricos do modelo de reanálise ERA5 foram incluídos, nos quais várias métricas de erro estatístico foram calculadas e comparadas. Além disso, foram examinados os padrões globais de variabilidade da precisão.

Comparação de modelos puros

MAE [K] e MBE [K] de cinco modelos numéricos de previsão do tempo e um modelo de reanálise para todo o ano de 2018 com base em mais de 8.000 estações WMO.

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

A comparação simples de erros permite a avaliação do desempenho entre diferentes modelos. As conclusões a seguir (veja a tabela abaixo) confirmam os resultados do estudo anterior. O modelo de reanálise ERA5, com um MAE de 1,5 K, supera todos os modelos puros examinados neste estudo, seguido pelo ICON e pelo NEMSGLOBAL. O ERA5, o NEMSGLOBAL e o GFS05 tendem a prever a temperatura mais alta do que realmente ocorre, enquanto o MFGLOBAL, o GEM e o ICON preveem a temperatura como mais baixa do que a descrita pelas medições.

Em todas as estações meteorológicas, a ERA5 tem o melhor desempenho e o menor MAE (veja a figura abaixo).

Análise espacial

A distribuição espacial do MAE para o modelo de reanálise ERA5 e NEMS é visualizada nos mapas mundiais a seguir. Para evitar a sobreposição de pontos de plotagem de diferentes estações, o globo foi dividido em células de grade de modelo com uma resolução horizontal de 2°. Em outras palavras, o MAE de todas as estações em uma das células da grade foi primeiro mesclado e depois plotado no centro do campo da grade. A distribuição principal do erro do modelo entre os dois modelos é comparável, no entanto, observe que o NEMS tem uma faixa de erro deslocada. Em geral, podemos identificar erros mais altos nas Montanhas Rochosas, na Índia, na China e no Brasil. Um bom desempenho pode ser observado no norte da Europa, América do Norte, Austrália, Rússia Ocidental e África.

A previsão da temperatura do ar tem a maior precisão em pequenas ilhas oceânicas e ao longo de costas sem gelo. Nessas regiões, a temperatura do ar é fortemente influenciada pela temperatura da superfície do mar. A alta precisão e previsibilidade na Europa e na América do Norte podem ser explicadas pelo fato de que os modelos de previsão do tempo foram desenvolvidos nessas regiões. Outro fato que vale a pena mencionar (e não abordado nos estudos) é que a temperatura do ar é normalmente simulada de forma pior no inverno do hemisfério norte do que no inverno. Além disso, os resultados mostram que a precisão diminui em regiões com topografia complexa, como as Montanhas Rochosas, o Himalaia ou os Andes, e com o aumento da distância do mar. Portanto, as regiões continentais e as regiões com alta elevação são normalmente simuladas de forma pior do que as regiões marítimas e de baixa elevação.

Comparação de provedores (2021)

Neste estudo, os desempenhos das previsões de vários provedores meteorológicos foram comparados com a previsão do meteoblue. Os desempenhos dessas previsões foram verificados com 475 medições METAR em todo o mundo. Para a análise, foi usada a previsão horária de 12 a 35 horas criada às 12:00 UTC. Essa verificação foi realizada para o ano de 2021. A tabela a seguir mostra que a previsão do meteoblue está entre os três melhores desempenhos, subestimando apenas ligeiramente a temperatura do ar.

MAE [K] e MBE [K] para a previsão de meteoblue e várias outras previsões de provedores meteorológicos para mais de 400 estações em todo o mundo.

	Fornecedor	MAE [°C]	MBE [°C]
2	meteoblue	1.29	-0.16
1	Fornecedor_D	1.26	-0.02
3	Fornecedor_F	1.48	-0.21
	Fornecedor_C	1.61	-0.52
	Fornecedor_G	1.73	-0.03
	Fornecedor_B	1.71	-0.38
	Fornecedor_H	2.03	-0.23

A comparação do MAE para diferentes horizontes de tempo de previsão (consulte a tabela abaixo) mostra a típica redução no desempenho da previsão com o aumento das horas de previsão (que já foi mencionada na seção acima). Quando se trata da previsão de 12 horas, meteoblue é o mais preciso. meteoblue é o segundo mais preciso para os dias de previsão de 1 a 3.

MAE [K] de diferentes provedores de previsão para diferentes horizontes de previsão e medições horárias do ano de 2021 de mais de 400 estações em todo o mundo.

Fornecedor	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
Fornecedor_D	1.16	3	1.26	1	1.34	1	1.43	1
Fornecedor_A	1.28	3	1.24		-		-
Fornecedor_F	1.36		1.48		1.56		1.65
Fornecedor_C	1.54		1.61		1.68		1.92
Fornecedor_G	1.56		1.73		1.77		-
Fornecedor_B	1.68		1.71		-		-
Fornecedor_H	1.95		2.03		2.11		2.29