Inhaltsbereich

PostprocVeri
Projekt

Das Projekt PostprocVeri entwickelt Verfahren zur Verbesserung und Validierung von Wettervorhersagen an jedem beliebigen Punkt in der Schweiz. Aus umfangreichen Datensätzen von vergangenen Vorhersagen und Beobachtungen werden statistische Korrekturfunktionen abgeleitet, welche dann auf die aktuellen Wettermodellvorhersagen angewendet werden. Die im Projekt entwickelten Verfahren werden künftig für die lokalen Prognosen in der App und Webseite von MeteoSchweiz verwendet.

Projektanfang01.01.2018
Projektende30.06.2023
RegionInternational
StatusAbgeschlossene Projekte
  • Mess- & Prognosesysteme
  • Forschung & Zusammenarbeit

Fussbereich

Top Bar Navigation

Alle Schweizer Bundesbehörden

Servicenavigation

Die numerischen Wettervorhersagemodelle von MeteoSchweiz (COSMO) simulieren das Wetter in der Schweiz auf einem Gitter mit einer minimalen Maschenweite von 1 km. Damit gehören die COSMO-Modelle weltweit zu den am höchsten aufgelösten im operationellen Betrieb stehenden Wettermodellen. Dennoch ist diese Maschenweite vor allem im Berggebiet immer noch zu grob, um die Wirklichkeit genau abzubilden. Deshalb, und weil Wettermodelle verschiedene Prozesse nur vereinfacht simulieren können, können Modellprognosen mit statistischen Verfahren weiter verbessert werden.

Das Ziel des Projekts PostprocVeri ist die Einführung solcher Postprocessing-Verfahren und deren Validierung (‘Verifikation’) für die wichtigsten Grössen der allgemeinen Wettervorhersage (Temperatur, Niederschlag, Bewölkung und Wind). Diese Vorhersagen werden künftig für die Lokalprognosen in der App und auf der Webseite von MeteoSchweiz verwendet.

Postprocessing

Aus dem Vergleich von Modellvorhersagen und Beobachtungen in der Vergangenheit und unter Nutzung weiterer Information (z.B. lokale Geländegegebenheiten) wird mit statistischen Verfahren angestrebt, die aktuellen Vorhersagen zu verbessern. Ziel dieses Postprocessings ist ausserdem, die zusätzliche Information zu Unsicherheiten aus Ensemblevorhersagen zu veredeln und Wettermodelle mit verschiedenen Zeithorizonten (COSMO-Modelle für die ersten Tage, danach ECMWF-IFS) zu einer nahtlosen Prognose zu verbinden. Schlussendlich sollen die Verfahren auch Vorhersagen für Standorte ohne Messungen liefern können, denn der Bedarf nach punktgenauer Vorhersageinformation nimmt eindeutig zu.

Datenfluss-Schema des PostprocVeri-Projekts.
Schema des Projekts PostprocVeri: Vorhersagen mehrerer Wettermodelle (NWP) mit verschiedenen Vorhersagezeiträumen und räumlicher Auflösung werden unter Nutzung von Beobachtungsdaten statistisch verbessert und zu einer nahtlosen (‘seamless’) Vorhersage für jeden beliebigen Ort der Schweiz kombiniert. Diese Vorhersagen werden künftig in die Lokalprognosen der App und Webseite von MeteoSchweiz einfliessen.

Verifikation

Die Qualität der Vorhersagen wird aus dem Vergleich vergangener Vorhersagen und Beobachtungen bestimmt, wobei verschiedene Gütemasse eingesetzt werden, welche verschiedene Facetten der Vorhersagegüte messen. PostprocVeri entwickelt und analysiert ausschliesslich probabilistische Vorhersagen, also Vorhersagen die nicht nur das wahrscheinlichste Szenario, sondern auch Angaben zur Vorhersageunsicherheit beinhalten. Als zentrale Messgrösse wird oft der Continuous Ranked Probability Score (CRPS) verwendet, gewissermassen ein Mass für den absoluten Fehler einer probabilistischen Vorhersage. Dieser Fehler beinhaltet neben der Abweichung der Vorhersage von der Beobachtung auch die Unsicherheit (Streuung) der Vorhersage. Eine objektive Analyse der Vorhersagequalität (Verifikation) erfolgt über eine grosse Menge von Vergleichen und umfasst eine Vielzahl von Orten und Zeiten.

Beispiele von Resultaten

PostprocVeri evaluiert verschiedene Methoden für Ensemble-Postprocessing und setzt dabei Verfahren der klassischen Statistik und Machine Learning Ansätze ein. Die folgenden Beispiele illustrieren, wie die Vorhersagen der Wettermodelle mit Postprocessing verbessert werden können.

Verbesserung (grüne Farbtöne) oder Verschlechterung (rot) der Wettermodellvorhersagen durch Postprocessing an den Niederschlagsmessstationen von MeteoSchweiz durch Ensemble Model Output Statistics (EMOS). Die Skala bezieht sich auf Verbesserungen im CRPS, z.B. 0.05 bedeutet eine 5%-ige Verbesserung durch Postprocessing gegenüber dem Wettermodell.
Vorhersage von maximalen Windgeschwindigkeiten vom Wettermodell (links) und mit Machine Learning postprozessierte Vorhersage (rechts). Das Machine Learning nutzt räumlich hoch aufgelöste Geländeinformation und ermöglicht Vorhersagen auf einem höher aufgelösten Gitter als die rohe Modellvorhersage.