• A abordagem MultiModel de meteoblue aumenta consideravelmente a precisão da previsão.
• O meteoblue tem melhor desempenho quando nossa previsão de velocidade do vento de 24 horas é comparada com modelos puros.
• Diferentes modelos puros de velocidade e direção do vento têm desempenho muito semelhante.
• Entre os modelos de previsão comparados, o ICON tem o melhor desempenho geral.
• O GFS05 prevê a velocidade do vento com uma precisão 1.5 m/s maior do que outros modelos puros.
• A previsão da velocidade do vento é menos precisa em ilhas e em cadeias de montanhas.
• A previsão da velocidade do vento é geralmente mais precisa em locais continentais do que nas proximidades dos oceanos.
• Existem variações regionais nos modelos puros e são especialmente salientes no modelo NEMSGLOBAL.
• O desempenho dos modelos de previsão de velocidade do vento se torna menos confiável com o aumento da velocidade do vento.

A variável meteorológica do vento desempenha um papel fundamental na pesquisa de clima e energia. O aumento do consumo de energia e as contínuas mudanças climáticas em andamento levam a um interesse crescente em energias renováveis. Os setores de energia solar e eólica têm crescido rapidamente. Os dados de velocidade do vento são essenciais para encontrar locais adequados para a instalação de turbinas eólicas.

Além disso, espera-se que os eventos climáticos extremos se tornem mais frequentes no futuro. Empresas como seguradoras ou produtores agrícolas dependem de dados confiáveis sobre as condições do vento. Além disso, a compreensão da dinâmica do vento ajuda a decifrar a influência do vento em outras variáveis meteorológicas, como temperatura ou precipitação, e a compreensão geral do sistema atmosférico.

Como uma previsão precisa do vento é fundamental para muitos de nossos clientes (de empresas de energia eólica a entusiastas de atividades ao ar livre), é essencial para nós que nossos clientes possam entender e interpretar nossa previsão e seu desempenho. Vários estudos de verificação foram realizados e estão descritos nas seções a seguir. Nesses estudos, vários modelos numéricos de clima foram comparados.

Análise das previsões globais de vento

As descobertas a seguir são baseadas na tese de mestrado de Brigitte Häuser em 2021. Vários modelos de simulação meteorológica da velocidade do vento como ICON, MFGLOBAL, GFS05, modelos da família NEMS (NEMS4 e NEMS12), bem como um modelo de reanálise ERA5 foram comparados em escala global. Para validação, foram usadas mais de 5.000 medições METAR de locais em todo o mundo e durante todo o ano de 2020.

Várias métricas de erro estatístico e métricas de desempenho de previsão foram calculadas e usadas para comparação. Outras análises espaciais indicam o desempenho dos modelos de previsão do tempo em uma base regional. Por fim, uma abordagem MultiModel foi testada em relação a outras abordagens para investigar sua respectiva precisão.

Comparação de modelos puros

Para comparação dos modelos puros, foram calculados o erro absoluto médio (MAE) e o erro de viés médio (MBE). A figura a seguir mostra que o ICON e o ERA5 têm o menor MAE, seguidos pelo GFS05 e pelo MFGLOBAL. O desempenho da previsão da velocidade do vento do NEMSGLOBAL é o pior, em comparação com outros modelos de previsão do tempo.

A maioria dos modelos de previsão do tempo tende a subestimar as velocidades do vento (veja a figura abaixo).

Para uma análise mais aprofundada do desempenho foram calculados o POD (Probabilidade de detecção), o FAR (Índice de Alarmes Falsos) e o HSS (Pontuação de Habilidade de Heidke). Os limites de 5, 15, 20 e 30 m/s foram definidos para avaliar o desempenho das previsões de velocidades de vento mais altas. Os principais resultados estão resumidos na tabela a seguir.

Quanto ao POD, a velocidade do vento acima de 5 m/s foi prevista com mais precisão pelo NEMSGLOBAL, seguido pelo GFS05, ERA5, ICON e MFGLOBAL. No entanto, ao considerar seus valores de HSS e FAR elevados, os altos valores de POD do NEMSGLOBAL provavelmente são causados por uma superprevisão geral da velocidade do vento, em vez de uma habilidade real de previsão.

Em comparação, o ERA5 mostra boas habilidades de previsão na velocidade do vento acima de 5 m/s e, para velocidades de vento mais altas, o GFS05 tem o melhor desempenho. Entretanto, a probabilidade e a habilidade geral de detectar a velocidade do vento acima de 15 m/s caem significativamente em todos os modelos, o que significa que todos eles têm dificuldades gerais para prever eventos de alta velocidade do vento.

POD, FAR e HSS para todos os modelos puros calculados para dados de medição de mais de 5.000 estações globais em 2020.

Domínio	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

Análise espacial

A distribuição espacial do MAE é mostrada abaixo para os modelos ERA5 e NEMSGLOBAL, pois eles diferem de forma mais significativa entre si. A sobreposição de estações muito próximas foi evitada pela média das métricas de erro em células de grade de 3x3°, resultando em uma rede de grade consistente sobreposta ao mapa mundial.

b) Modelo de previsão NEMSGLOBAL

O MAE do ERA5 é distribuído espacialmente de forma igual em todo o mundo. Entretanto, o NEMSGLOBAL tem os valores mais altos de MAE no Canadá e no norte da Europa, embora a distribuição do MAE seja comparável à do ERA5, apenas com contrastes mais altos. Ambos os mapas mostram um desempenho inferior na previsão da velocidade do vento em ilhas e (especialmente no mapa do NEMSGLOBAL) em regiões montanhosas, como as Montanhas Rochosas. Em geral, alguns modelos demonstram padrões espaciais mais fortes, enquanto outros menos. Para obter informações mais detalhadas, consulte a tese de mestrado (2,5 MB).

Abordagem MultiModel

Na abordagem MultiModel, vários modelos puros são combinados e ponderados de forma diferente, o que geralmente leva a melhorias na precisão da previsão. Conforme demonstrado na seção anterior, os modelos puros tendem a apresentar resultados espaciais diferentes. A combinação da previsão de vários modelos para um local específico pode levar ao chamado "cancelamento de erros". Por exemplo, dois modelos (um superestimando a variável e o outro subestimando-a) podem se equilibrar, resultando em um erro de previsão menor. Nesta seção, os modelos de previsão do tempo GFS05, MFGLOBAL, NEMSGLOBAL e ICON foram combinados para para otimizar o MAE e também foram validados em relação às estações METAR.

O estudo mostra que a ICON tem o maior impacto nessa abordagem globalmente, já que teve a maior ponderação em quase todas as localidades, com exceção das localidades na Rússia e no norte do Canadá. Devido à sua alta ponderação, o GFS05 também tem uma grande influência na abordagem multimodelo. A média dos MultiModels com melhor desempenho de todas as estações (ou seja, todas as combinações de modelos múltiplos específicas da estação com o menor MAE), obtemos uma combinação otimizada de modelos múltiplos , na qual o ICON tem peso de 50 a 60%, o GFS05 de 20 a 30% e o MFGLOBAL e o NEMSGLOBAL de 10%. Esse modelo múltiplo foi, na etapa final, verificado em relação a todas as estações METAR.

A tabela a seguir mostra que essa abordagem pode melhorar a previsão da velocidade do vento . Embora o MultiModel tenha sido otimizado para o MAE, outras métricas de erro, como o MBE, o RMSE (erro quadrático médio) e MAPE (erro percentual absoluto médio) também foram menores em comparação com os modelos puros. A correlação (Cor) é uma métrica de erro que indica o grau em que dois conjuntos de dados se correlacionam ou concordam entre si. Quanto maior o número (ou seja, quanto mais próximo de 1), melhor será a previsão. A tabela mostra que o MultiModel supera os dois modelos de melhor desempenho ICON e ERA5.

Métricas de erro médio para diferentes modelos puros e o MultiModel global otimizado. Os cálculos são baseados em dados de medição por hora de mais de 5.000 estações globais em 2020.

Domínio	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 Peso global	1.369	-0.122	1.768	0.401	0.703	0.598

Comparação de provedores

Para classificar nossa previsão operacional da velocidade do vento, nós a comparamos com o desempenho dos modelos puros e com outros fornecedores de previsão meteorológica. A figura a seguir mostra o MBE de diferentes modelos de previsão (NEMSGLOBAL, ICON, GFS05, MFGLOBAL e UMGLOBAL), o modelo de reanálise ERA5 e o modelo de previsão meteoblue. Os resultados do modelo foram comparados com as medições de mais de 450 estações METAR em todo o mundo. A análise baseia-se em previsões de 24 horas e dados de velocidade do vento medidos por hora para o ano de 2021.

previsão meteoblue vs. modelos puros

A figura acima mostra que, para a maioria dos modelos, o MBE é negativo e, portanto, os modelos subestimam a velocidade do vento, enquanto o pico mais alto da previsão do meteoblue é próximo de zero. Essa constatação mostra que a previsão de meteoblue supera o desempenho do modelo de reanálise ERA5.

previsão meteoblue vs. outros fornecedores de dados meteorológicos

A tabela a seguir apresenta uma visão geral das métricas de erro MAE e MBE para a previsão do meteoblue e outros 6 provedores de dados meteorológicos. No caso do MAE, a previsão do meteoblue tem os valores mais baixos e, portanto, supera o desempenho dos outros provedores de dados meteorológicos, embora subestime a velocidade do vento mais do que os outros provedores. Embora subestime a velocidade do vento mais do que os outros fornecedores.

MAE [m/s] e MBE [m/s] de diferentes provedores meteorológicos e as previsões e medições de meteoros de mais de 450 estações globais do ano de 2021.

Fornecedor	MAE [m/s]	MBE [m/s]
meteoblue	1.36	-0.53
Fornecedor_D	1.41	-0.42
Fornecedor_F	1.38	-0.29
Fornecedor_C	1.41	-0.36
Fornecedor_G	1.48	-0.09
Fornecedor_B	1.40	-0.14
Fornecedor_H	1.51	-0.11