Labor zur Alterung von Temperaturprognosen

Dieses Dashboard zeigt, wie sich eine Temperaturprognose mit zunehmendem Alter verändert. Sie wählen eine Stadt, ein Prognosemodell, eine Verifikationsquelle (URMA oder RTMA) und ein exaktes Prognosealter in Stunden. Die Diagramme vergleichen dann die aktuellste Prognose, die Prognose dieses Alters und die verifizierende Analyse auf derselben Zeitachse.

Was die Panels zeigen

• Actual vs freshest vs aged forecast: vergleicht Verifikationsanalyse, aktuellste Prognose und ältere Prognose. Das ist der schnellste Weg, Drift zu sehen. Wenn die ältere Linie früh abweicht, war diese Prognoseversion bereits außerhalb des Regimes.
• Forecast error over time: vorzeichenbehafteter Fehler, sodass Warmbias und Kaltbias sichtbar werden, nicht nur die Fehlergröße.
• Mean absolute error and bias: kompakte Kennzahlen für das sichtbare Fenster.
• Joined temperature strip: eine schnelle zeilenweise Diagnoseansicht von Analyse, Vorhersagen und Fehlern.
• Run evolution lattice: eine Matrix aus dem /runs Endpoint, die die nächsten 24 Vorhersagestunden jedes Modelllaufs zeigt und kurzfristigen Prognosedrift leicht sichtbar macht.

Wie die Alterungslogik funktioniert

Das Dashboard nutzt dieselben Aufrufe der normalen GribStream API, die Sie auch direkt verwenden würden. Die aktuellste Linie ist ein normaler /timeseries Request mit breitem Prognosehorizont. Die ältere Linie ist derselbe Request mit minLeadTime und maxLeadTime auf exakt dieselbe Stundenzahl gesetzt. Dadurch gibt die API nur Prognosewerte aus diesem Prognosealter zurück.

Repräsentative GribStream Requests

Beispiel-Request für eine Verifikationsanalyse in New York City mit URMA:

curl -X POST 'https://gribstream.com/api/v2/urma/timeseries' \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer [API_TOKEN]' \
  -d '{
    "fromTime": "2026-04-07T00:00:00Z",
    "untilTime": "2026-04-11T18:00:00Z",
    "coordinates": [
      { "lat": 40.6943, "lon": -73.9249, "name": "New York - New York" }
    ],
    "variables": [
      { "name": "TMP", "level": "2 m above ground", "alias": "actual" }
    ]
  }'

Beispiel eines Requests für eine 24 Stunden alte NBM-Prognose am selben Punkt:

curl -X POST 'https://gribstream.com/api/v2/nbm/timeseries' \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer [API_TOKEN]' \
  -d '{
    "fromTime": "2026-04-07T00:00:00Z",
    "untilTime": "2026-04-11T18:00:00Z",
    "minLeadTime": "24h",
    "maxLeadTime": "24h",
    "coordinates": [
      { "lat": 40.6943, "lon": -73.9249, "name": "New York - New York" }
    ],
    "variables": [
      { "name": "TMP", "level": "2 m above ground", "alias": "temp" }
    ]
  }'

Beispiel eines Matrix-Requests, der alle Modellläufe zeigt, die das sichtbare Fenster gültiger Zeiten prognostiziert haben:

curl -X POST 'https://gribstream.com/api/v2/nbm/runs' \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer [API_TOKEN]' \
  -d '{
    "forecastedFrom": "2026-04-07T00:00:00Z",
    "forecastedUntil": "2026-04-11T18:00:00Z",
    "minLeadTime": "1h",
    "maxLeadTime": "24h",
    "coordinates": [
      { "lat": 40.6943, "lon": -73.9249, "name": "New York - New York" }
    ],
    "variables": [
      { "name": "TMP", "level": "2 m above ground", "alias": "temp" }
    ]
  }'

Warum das nützlich ist

• Prognosestabilität: wenn ältere Vorhersagen eng mit dem neuesten Lauf übereinstimmen, verhält sich das Modell konsistent.
• Regimewechsel: wenn ältere Linie und aktuelle Linie stark auseinanderlaufen, reagiert das Modell auf eine neue Frontpassage oder eine schnell veränderliche Lage.
• Operatives Vertrauen: die Matrix nach Modelllauf macht offensichtlich, ob die neueste Prognose eine Fortsetzung des vorherigen Trends oder eine plötzliche Korrektur ist.

Verwandte Referenzen: Schnellstart · OpenAPI-Dokumentation · Modellgenauigkeit vs URMA.