Laboratorio de edad del pronóstico de temperatura

Este dashboard muestra cómo cambia un pronóstico de temperatura a medida que envejece. Eliges una ciudad, un modelo de pronóstico, una fuente de verificación (URMA o RTMA) y una edad exacta del pronóstico en horas. Los gráficos comparan el pronóstico más reciente, el pronóstico de esa edad y el análisis de verificación en la misma línea de tiempo.

Qué muestran los paneles

• Actual vs freshest vs aged forecast: compara el análisis de verificación, el pronóstico más reciente y el pronóstico antiguo. Es la forma más rápida de ver deriva. Si la línea antigua diverge temprano, esa versión del pronóstico ya estaba fuera de régimen.
• Forecast error over time: error firmado, para ver sesgo cálido y frío en vez de solo tamaño del error.
• Mean absolute error and bias: métricas compactas para la ventana visible.
• Joined temperature strip: vista diagnóstica rápida fila por fila del análisis, los pronósticos y los errores.
• Run evolution lattice: matriz construida desde el endpoint /runs que muestra las próximas 24 horas de pronóstico emitidas por cada ciclo del modelo, haciendo visible la deriva de corto plazo.

Cómo funciona la lógica de envejecimiento

El dashboard usa las mismas llamadas de la API estándar de GribStream que usarías directamente. La línea más reciente es simplemente una solicitud normal a /timeseries con una ventana amplia de horizonte de pronóstico. La línea antigua es la misma solicitud con minLeadTime y maxLeadTime configurados al mismo número exacto de horas. Eso fuerza a la API a devolver solo valores provenientes de esa edad del pronóstico.

Solicitudes representativas de GribStream

Ejemplo de solicitud de análisis de verificación para New York City usando 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" }
    ]
  }'

Ejemplo de solicitud de pronóstico antiguo para un pronóstico NBM de 24 horas de edad en el mismo punto:

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" }
    ]
  }'

Ejemplo de solicitud de matriz por ciclo que muestra todos los ciclos del modelo que pronosticaron la ventana visible de tiempos válidos:

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" }
    ]
  }'

Por qué esto es útil

• Estabilidad del pronóstico: si pronósticos más antiguos coinciden de cerca con el último ciclo, el modelo se está comportando de forma consistente.
• Cambios de régimen: si la línea antigua y la línea reciente divergen con fuerza, el modelo está reaccionando a un nuevo paso frontal o a una configuración que evoluciona rápido.
• Confianza operativa: la matriz por ciclo deja claro si el último pronóstico continúa la tendencia previa o si es una corrección repentina.

Referencias relacionadas: guía rápida · documentación OpenAPI · precisión de modelos vs URMA.