Prognosemodellgenauigkeit gegen URMA

Dieses Dashboard vergleicht NOAA-Prognosemodelle mit der URMA-Analyse für Nordamerika. Wählen Sie eine Stadt, um lokales Verhalten zu sehen. Die Variable kann zwischen 2 m Temperatur und 10 m Windgeschwindigkeit umgeschaltet werden. Modelle im direkten Vergleich: NBM, GFS, HRRR, RRFS 2D fields, NAM CONUS Nest und AIGFS Surface.

Was zu sehen ist

• Rohserien: Modelllinien sollten URMA eng folgen. Abstand bedeutet geringere Genauigkeit.
• Fehlerserien: Prognose minus URMA. Über null heißt hoch oder warm, unter null heißt niedrig oder kalt.
• Absolute Fehlerserien: Größe des Fehlers ohne Vorzeichen. Niedriger und stabiler ist besser.
• Bias: mittlerer vorzeichenbehafteter Fehler. Werte nahe null zeigen gute Kalibrierung.
• Mittlerer und maximaler Fehler: Der Mittelwert zeigt Gesamtqualität, Spitzen markieren schwierige Stunden.

Definitionen der wichtigsten Metriken

MAE (Mean Absolute Error): der Durchschnitt von |forecast − URMA| über das Fenster. Niedriger ist besser.

Bias: der Durchschnitt von forecast − URMA. Positiv bedeutet, dass das Modell zu hoch liegt; negativ, zu niedrig.

Max error: der größte Fehler im Fenster. Nützlich, um Ausreißer und Regimewechsel zu erkennen.

So lesen Sie die Panels

• Konsistenz: ein Modell mit niedrigem MAE und Bias nahe null ist über unterschiedliche Bedingungen verlässlich.
• Wetterlagen: achten Sie auf Spitzen während Fronten, Sonnenaufgangsübergängen, Konvektion oder Böenereignissen. Wenn alle Modelle springen, war die Situation schwierig.
• Variablensensitivität: 10 m Windgeschwindigkeit hat meist schwerere Fehlerverteilungen als 2 m Temperatur. Einige große Fehler sind zu erwarten.
• Lokale Effekte: Gelände, Küstenlinie und urbane Wärme können wiederholbare Bias-Werte erzeugen. Stabiler Bias kann anschließend in Ihrer Anwendung korrigiert werden.

Datenquellen und Dokumentation: NBM · HRRR · GFS · RRFS 2D fields · NAM CONUS Nest · AIGFS Surface · URMA. Die Anfragen nutzen den GribStream-Katalog gemeinsamer Parameter, den shared-parameter catalog, damit jedes Modell für dasselbe physische Signal mit konsistenten Ausgabeeinheiten abgefragt wird. Prognosewerte werden so ausgewählt, wie sie zu Beginn des 36-Stunden-Fensters bekannt waren, und mit späterer URMA-Analyse bis vor 24 Stunden verglichen.