Laboratório de idade da previsão de temperatura

Este dashboard mostra como uma previsão de temperatura muda conforme envelhece. Você escolhe uma cidade, um modelo de previsão, uma fonte de verificação (URMA ou RTMA) e uma idade exata da previsão em horas. Os gráficos então comparam a previsão mais recente, a previsão daquela idade e a análise de verificação na mesma linha do tempo.

O que os painéis mostram

• Análise, previsão mais recente e previsão antiga: compara a análise de verificação, a previsão mais recente e a previsão antiga. É a forma mais rápida de ver drift. Se a linha antiga diverge cedo, aquela versão da previsão já não representava bem a situação meteorológica.
• Erro da previsão ao longo do tempo: erro assinado, para ver viés quente e frio em vez de apenas tamanho do erro.
• Erro absoluto médio e viés: métricas compactas para a janela visível.
• Faixa combinada de temperatura: visão diagnóstica rápida, linha por linha, da análise, das previsões e dos erros.
• Matriz de evolução por ciclo: matriz construída a partir do endpoint /runs que mostra as próximas 24 horas de previsão emitidas por cada ciclo do modelo, facilitando detectar drift de curto prazo.

Como a lógica de envelhecimento funciona

O dashboard usa as mesmas chamadas da API padrão do GribStream que você usaria diretamente. A linha mais recente é apenas uma requisição normal a /timeseries com uma janela ampla de horizonte de previsão. A linha antiga é a mesma requisição com minLeadTime e maxLeadTime definidos para o mesmo número exato de horas. Isso força a API a retornar apenas valores vindos daquela idade da previsão.

Requisições representativas do GribStream

Exemplo de requisição de análise de verificação 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" }
    ]
  }'

Exemplo de requisição de previsão antiga para uma previsão NBM com 24 horas de idade no mesmo ponto:

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" }
    ]
  }'

Exemplo de requisição de matriz por ciclo mostrando todos os ciclos do modelo que previram a janela visível de horários 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 que isso é útil

• Estabilidade da previsão: se previsões mais antigas concordam de perto com o último ciclo, o modelo está se comportando de forma consistente.
• Mudanças de regime: se a linha antiga e a linha recente divergem fortemente, o modelo está reagindo a uma nova passagem frontal ou a uma configuração que evolui rapidamente.
• Confiança operacional: a matriz por ciclo deixa óbvio se a última previsão é uma continuação da tendência anterior ou uma correção repentina.

Referências relacionadas: início rápido · documentação OpenAPI · precisão dos modelos vs URMA.