Laboratorio sull'età della previsione di temperatura

Questa dashboard mostra come cambia una previsione di temperatura quando invecchia. Scegli una città, un modello di previsione, una fonte di verifica (URMA o RTMA) e un'età esatta della previsione in ore. I grafici confrontano quindi la previsione più recente, la previsione di quell'età e l'analisi di verifica sulla stessa linea temporale.

Cosa mostrano i pannelli

• Analisi, previsione più recente e previsione meno recente (Actual vs freshest vs aged forecast): confronta l'analisi di verifica, la previsione più recente e quella meno recente. È il modo più rapido per vedere la deriva. Se la linea meno recente diverge presto, quella versione della previsione era già fuori regime.
• Errore della previsione nel tempo (Forecast error over time): errore con segno, per vedere bias caldo e freddo invece della sola dimensione dell'errore.
• Errore assoluto medio e bias (Mean absolute error and bias): metriche compatte per la finestra visibile.
• Striscia combinata della temperatura (Joined temperature strip): vista diagnostica rapida, riga per riga, di analisi, previsioni ed errori.
• Matrice di evoluzione dei run (Run evolution lattice): matrice costruita dall'endpoint /runs che mostra le prossime 24 ore di previsione emesse da ogni ciclo del modello, rendendo facile individuare la deriva di breve termine.

Come funziona la logica di invecchiamento

La dashboard usa le stesse chiamate della normale API GribStream che useresti direttamente. La linea più recente è una normale richiesta /timeseries con una finestra ampia di lead time. La linea meno recente è la stessa richiesta con minLeadTime e maxLeadTime impostati allo stesso numero esatto di ore. Questo forza l'API a restituire solo valori provenienti da quell'età della previsione.

Richieste GribStream rappresentative

Esempio di richiesta per l'analisi di verifica di 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" }
    ]
  }'

Esempio di richiesta per una previsione NBM vecchia di 24 ore nello stesso 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" }
    ]
  }'

Esempio di richiesta a matrice che mostra tutti i cicli del modello che hanno previsto la finestra visibile di orari di validità:

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" }
    ]
  }'

Perché è utile

• Stabilità della previsione: se previsioni meno recenti concordano da vicino con l'ultimo ciclo, il modello si sta comportando in modo coerente.
• Cambi di regime: se la linea meno recente e quella più recente divergono nettamente, il modello sta reagendo a un nuovo passaggio frontale o a una configurazione in rapida evoluzione.
• Fiducia operativa: la matrice per ciclo rende evidente se l'ultima previsione continua la tendenza precedente o se è una correzione improvvisa.

Riferimenti correlati: guida rapida · documentazione OpenAPI · accuratezza dei modelli vs URMA.