Accuratezza dei modelli di previsione rispetto a URMA
Questa dashboard confronta i modelli di previsione NOAA con l'analisi URMA per il Nord America. Scegli una città per vedere il comportamento locale. Puoi alternare la variabile tra temperatura a 2 m e velocità del vento a 10 m. Modelli confrontati fianco a fianco: NBM, GFS, HRRR, RRFS 2D fields, NAM CONUS Nest e AIGFS Surface.
Cosa stai vedendo
- Serie grezze: le linee dei modelli dovrebbero seguire URMA da vicino. Una separazione persistente indica minore fedeltà.
- Serie di errore: previsione meno URMA. Valori sopra zero indicano sovrastima o previsione troppo calda; valori sotto zero indicano sottostima o previsione troppo fredda.
- Serie di errore assoluto: dimensione dell'errore senza segno. Più bassa e stabile è meglio.
- Bias: errore medio con segno. Valori vicini a zero indicano buona calibrazione.
- Errore medio e massimo: la media riflette la qualità complessiva; i picchi segnalano ore difficili.
Definizioni delle metriche principali
MAE (Mean Absolute Error, errore assoluto medio): la media di |forecast − URMA| nella finestra. Più basso è meglio.
Bias: la media di forecast − URMA. Positivo significa che il modello stima troppo alto; negativo, troppo basso.
Max error (errore massimo): il maggiore errore nella finestra. Utile per individuare outlier e cambi di regime.
Come leggere i pannelli
- Consistenza: un modello con MAE basso e bias vicino a zero è affidabile in condizioni diverse.
- Regimi meteorologici: osserva i picchi durante fronti, transizioni all'alba, convezione o eventi di raffiche. Se tutti i modelli mostrano un picco nello stesso momento, la situazione era difficile.
- Sensibilità per variabile: la velocità del vento a 10 m tende ad avere code di errore più pesanti della temperatura a 2 m. Aspettati qualche errore grande.
- Effetti locali: terreno, costa e calore urbano possono creare bias ripetibili. Un bias stabile può essere corretto a valle nella tua applicazione.
Fonti dati e documentazione: NBM · HRRR · GFS · RRFS 2D fields · NAM CONUS Nest · AIGFS Surface · URMA. Le richieste usano il catalogo dei parametri condivisi di GribStream (shared-parameter catalog), così ogni modello viene interrogato per lo stesso segnale fisico con unità coerenti. I valori di previsione vengono selezionati come erano noti all'inizio della finestra di 36 ore e confrontati con la successiva analisi URMA fino a 24 ore fa.
