V některých regionech je předpověď počasí jednodušší než v jiných. Například předpovědi počasí pro horské oblasti, jako jsou Alpy, jsou často obtížnější, a to především kvůli reliéfu, který silně ovlivňuje místní atmosférické podmínky. Počasí v údolí jižně od hor může vypadat zcela jinak než v údolí severně od téže hory. Souvisí to například se zářením, větrem a turbulencemi.
Numerické modely předpovědi počasí mají často problémy s rozpoznáním malých a rychle se měnících povětrnostních jevů kvůli jejich nižšímu rozlišení, protože topografie se může drasticky lišit i v rámci malé sítě o rozměrech pouhých několika kilometrů. V důsledku toho jsou teploty na vrcholu hory nadhodnoceny, zejména v teplejších oblastech, protože v rámci stejné mřížky se nacházejí i místa s nižší nadmořskou výškou. K překonání popsaných problémů používá meteoblue takzvaný meteoblue Learning MultiModel (mLM). MLM využívá metody následného zpracování, při kterém se výstupy surových modelů kombinují s aktuálními lokálními pozorovacími daty. Do mLM se tak dostávají měření z místních meteorologických stanic, data z družicových a radarových pozorování a na základě těchto dat se hledá nejlepší kombinace modelů, která se pak dále zpřesňuje přímým použitím dat nowcastingu a topografického modelu.
V následujícím článku bychom chtěli konkrétně uvést příklad, který ukazuje, jak instalace jedné meteorologické stanice na hoře zlepšila předpověď počasí:
Jeden z našich uživatelů, který se zajímá o počasí, nainstaloval meteorologickou stanici na hoře Punta Telegrafo, která se nachází severně od Verony na východní straně jezera Garda (Itálie). S předpokladem, že naše předpověď teploty pro tuto lokalitu je neustále příliš vysoká, doufal, že místní měření by mohla chybu předpovědi snížit. Po vložení dat z měření do našeho mLM je nejprve potřeba jej asi 2 týdny "trénovat" na těchto datech. V prvním kroku jsme data z měření použili k ověření předchozí předpovědi. Největším krokem zlepšování předpovědi je pak období přizpůsobování. Naše krátkodobé ověření (třetí obrázek) ukazuje přesně bod, ve kterém se projeví zásadní vliv na předpověď: od 7. července 2023 se chyba předpovědi pro tuto lokalitu výrazně snížila, protože předtím jsme měli chybu předpovědi až 6 °C.
Po prvním velkém zlepšení pokračuje trénink modelu vždy, když mLM obdrží nová data z měření, což vede k neustálému zlepšování. Druhý graf ukazuje krátkodobé ověření o několik dní později a je vidět, že chyba se dále snížila.
Tento příklad ukazuje, jak cenná jsou data z pozorování a že náš predikční proces je dostatečně inteligentní, aby se z těchto měření učil. Je však třeba zajistit, aby data z měření měla dobrou kvalitu, aby se model učil na správných datech, což je zaručeno pomocí několika bariér kontroly kvality, které filtrují chybná data z měření. To zaručuje, že předpověď bude stále přesná, i když meteorologická stanice dodá špatná data. Protože se nejedná o okrajový případ a měření mají často mezery, jsou neúplná nebo chybná, je kontrola kvality nezbytná. Kromě toho zajišťujeme vysokou kvalitu předpovědi i v případě, že nejsou k dispozici žádné meteorologické stanice, a to použitím dalších technologií.
