Radar-, Stations- und Modelldaten: Wie Meteomatics Mix immer die besten Daten liefert - ein Vergleich verschiedener Datenquellen für Skandinavien

Wetterdaten stammen aus einer Vielzahl unterschiedlicher Quellen, aber dank des Mix-Modells von Meteomatics erhalten Sie immer die besten Daten für Ihren Anwendungsfall. In diesem Artikel erörtert Tom die Unterschiede zwischen den verschiedenen Wetterdatenquellen und zeigt anhand von Radarmessungen des Niederschlags in Skandinavien, dass diese besser sind als die Modelldaten.

Wenn Sie ein Meteomatics-Kunde sind, wissen Sie wahrscheinlich bereits, dass Wetterdaten kompliziert sind. Nicht nur, dass eine grosse Anzahl von Variablen - einige abstrakter als andere - erforderlich ist, um unsere Atmosphäre zu verstehen, sondern es gibt auch typischerweise viele Informationsquellen zu jeder dieser Variablen. Selbst wenn Sie wissen, welcher spezifische Aspekt des Wetter- und Klimasystems für Sie relevant ist - sei es für geschäftliche Anwendungen oder für Forschungsinteressen - kann die riesige Auswahl an verfügbaren Daten unglaublich entmutigend sein.

Zum Glück für unsere Nutzer ist ein Leitprinzip von Meteomatics, nicht nur durch unsere API alle Informationen bereit zu stellen, die unsere Kunden benötigen, sondern auch die Nutzung so einfach wie möglich zu machen. Während wir also eine sorgfältige Auswahl aus unseren Datenquellen erleichtern, liefert unser "Mix" in Ermangelung einer weiteren Spezifikation die besten verfügbaren Daten für die abgefragten Parameter und Standorte durch eine Reihe von Fallbacks.

Aber was sind überhaupt die Unterschiede zwischen all diesen Quellen? Und welche Auswirkungen kann die Bereitstellung der optimalen Datenquelle für Ihr Problem haben? In mehreren Blogbeiträgen werde ich diese beiden Fragen im Zusammenhang mit Radarniederschlagsdaten untersuchen, die über unsere API verfügbar sind.

Welche Arten von Wetterdaten gibt es?

Auf der obersten Ebene lassen sich Wetterdaten in zwei grosse Kategorien unterteilen: Beobachtungen und Modelldaten. Das Wetter zu beobachten ist ganz natürlich - die meisten von uns tun es jeden Tag, wenn wir nach draussen gehen (oder neuerdings sehnsüchtig aus dem Fenster blicken). Beobachtungsdaten müssen jedoch mit einer standardisierten Technik erhoben werden. Seit dem 16. Jahrhundert gibt es immer mehr Instrumente zur Aufzeichnung von Standardbeobachtungen, und bodengestützte Observierungen, die in der Regel Temperatur, Luftdruck, Luftfeuchtigkeit, Wind und Niederschlag aufzeichnen, haben sich über die ganze Welt verbreitet.

Heutzutage werden nicht nur feste Standorte auf der Erdoberfläche eingerichtet, sondern auch treibende Bojen, die ozeanische Parameter messen, und Radiosonden, die meteorologische Parameter in der Atmosphäre sondieren. Die Meteodrones von Meteomatics verändern das Spiel im Bereich der Atmosphärenbeobachtung erneut, indem sie ein ferngesteuertes Miniaturobservatorium für Messungen an bestimmten Orten in der Luft bereitstellen.

Die oben zusammengefassten "in-situ"-Beobachtungen gelten allgemein als der Goldstandard in der Meteorologie. Natürlich müssen die Instrumente sorgfältig kalibriert werden, aber es besteht eine direkte physikalische Verbindung zwischen dem Sensor und der Messgrösse, was die Messungen im Allgemeinen sehr zuverlässig macht. Diese physische Verbindung ist jedoch ein zweischneidiges Schwert. Aus praktischen und wirtschaftlichen Gründen ist es nicht möglich, meteorologische Observatorien an jedem Punkt der Atmosphäre aufzustellen.

Glücklicherweise gibt es keinen Grund, warum wir nicht eine fundierte Vermutung anstellen können, nur weil wir nicht für alle Punkte auf dem Globus direkte Beobachtungen haben. In dem Masse, wie sich unsere Möglichkeiten zur Messung der Atmosphäre verbessert haben, hat sich auch unser Verständnis der physikalischen Prozesse verbessert, die der Entwicklung des Wetters zugrunde liegen. Im Laufe der Zeit hat sich unser theoretischer Rahmen so weit erweitert, dass wir jetzt in der Lage sind, die Lücken zwischen den Beobachtungen mit Modelldaten zu füllen, auch in den weiten Bereichen der oberen Atmosphäre, die unglaublich schwer direkt zu messen sind.

Das Problem mit Modellen im Allgemeinen ist, dass sie auf einem unvollständigen Verständnis des Verhaltens der Natur beruhen. Oft wissen wir noch nicht genau, wie ein Prozess funktioniert, und selbst wenn wir uns ziemlich sicher sind, treffen wir regelmässig vereinfachende Annahmen, um die Berechnung zu erleichtern. Das Problem bei meteorologischen Modellen besteht darin, dass die Atmosphäre aus vielen Milliarden (1) von Molekülen besteht, von denen jedes auf eine Weise interagiert, die wir nicht deterministisch berechnen können (2). Modelle sind jedoch nicht nur in der Lage, Schätzungen für die Lücken in unserem Beobachtungsnetz im Weltraum zu liefern, sondern sie sind auch erstaunlich gut in der Lage, dies auch in der Zeit zu tun, so dass wir die Vergangenheit rekonstruieren und die Zukunft vorhersagen können!

Diese Einteilung aller Daten in reine Beobachtungsdaten und reine Modelldaten ist zwar schön, aber nicht ganz richtig. In den letzten 100 Jahren ist eine weitere Unterkategorie von Beobachtungen zunehmend verfügbar und für die Meteorologie relevant geworden: die Fernerkundungsdaten. Dank der Entdeckung des gesamten Spektrums der elektromagnetischen Strahlung und ihrer Fähigkeit, Informationen über Objekte zu transportieren, mit denen sie in Wechselwirkung tritt, konnten die Meteorologen neue Techniken entwickeln. Diese ermöglichen es, kontinuierliche Bereiche der Atmosphäre zu messen, anstatt einzelne Orte mit einer bestehenden Station, und seit dem Beginn des Satellitenzeitalters bedeutet dies, dass die gesamte Erde regelmässig und schnell gescannt werden kann.

Der Nachteil der Fernerkundungsdaten besteht darin, dass auch sie von einem Modell für das Verhalten der Strahlung abhängen, das nicht vollständig verstanden ist. Was auch immer gemessen wird, hängt vom aktuellen Zustand der Atmosphäre ab - es handelt sich nicht einfach um eine Schätzung. Im nächsten Abschnitt sehen wir uns ein Beispiel für Fernerkundungsdaten an und vergleichen sie mit Modelldaten und In-situ-Beobachtungen des Niederschlags über Skandinavien.

RADAR

Radar (3) ist aufgrund seines relativ intuitiven Funktionsprinzips eine interessante Technik für die Fernerkundung. Die Idee ähnelt der des Sonars (4) - oder der "Echolokation" - eine Welle wird von einem Instrument ausgesendet, prallt an einem Objekt ab, wenn es mit ihm interagiert, und kehrt zumindest teilweise zum Instrument zurück, wo sie erfasst wird. Das physikalische Modell, das wir zur Entschlüsselung der Informationen über das Ziel verwenden, geht davon aus, dass sich die Welle mit konstanter Geschwindigkeit ausbreitet (5), und durch Lösen einiger Gleichungen können wir die Entfernung zum Ziel bestimmen.

Radar verwendet Radiowellen, weil diese sich ohne grosse Störungen durch die Atmosphäre bewegen, bis sie auf einen festen Gegenstand treffen. Ein solcher fester Gegenstand ist kondensiertes Wasser, das sowohl aktiv ausfällt als auch in Wolken eingeschlossen ist (6). Die Tatsache, dass das Radar in die Wolken hineinsehen und die Masse der Regentropfen abschätzen kann, bedeutet, dass es teils Beobachtung, teils Vorhersage ist: Starker Regen, der noch nicht aus einer Wolke gefallen ist, dies aber bald tun wird. Darüber hinaus können moderne Radargeräte zwischen verschiedenen Arten von Niederschlag, einschliesslich Hagel und Schnee, unterscheiden, u. a. in Abhängigkeit von der geschätzten Fallgeschwindigkeit (bestimmt durch den Dopplereffekt).

In der obigen Animation vergleiche ich Daten aus dem Integrated Forecasting System (IFS) des ECMWF mit Radardaten in der Meteomatics API (7). Wir können deutlich den Unterschied zwischen den Daten unserer skandinavischen Radare (die wir intern zu einer Datenschicht aus einzelnen Standorten verarbeiten) und dem Modell erkennen. Während das IFS die Form der eintreffenden Niederschlagsereignisse gut vorhersagt, ist die Gesamtmenge des Niederschlags im Allgemeinen viel grösser als die vom Radar ermittelte. Das allein sagt aber noch nichts darüber aus, welche der beiden Datenquellen genauer ist. Unterschätzt das Radar die tatsächliche Niederschlagsmenge, oder überschätzt das IFS sie?

Ich konnte diese Frage beantworten, indem ich beide Datenquellen mit Beobachtungsdaten von Bodenstationen verglich, wobei ich den Python-Konnektor verwendete. Mein Code dafür ist auf Anfrage für jeden verfügbar, der an einem ähnlichen Vergleich von Meteomatics-Datenquellen interessiert ist.

Für den Zeitraum vom 1. bis zum 24. Januar dieses Jahres habe ich Radar- und IFS-Daten abgefragt, indem ich die Quelle in der API angegeben habe. Beide Produkte sind über zusammenhängende Gebiete in der vom Benutzer angegebenen räumlichen Auflösung verfügbar. Ausserdem habe ich Zeitreihen für alle Stationen innerhalb der Reichweite der Radargeräte abgerufen, wobei ich diejenigen verworfen habe, bei denen mehr als 10% der Daten fehlten. Nachstehend finden Sie eine Abbildung (Abbildung 1), die die Standorte dieser Stationen sowie die Reichweite unseres skandinavischen Radarnetzes zeigt.

Durch Extrahieren der Daten, die mit den genauen Standorten dieser Stationen verbunden sind, sowohl aus den Radar- als auch aus den Modelldaten, konnte ich die folgende Grafik erstellen.

Im oberen Teil der Abbildung sind für jede Station die Mittelwerte der In-situ-Beobachtungen (blaue Linie), des Radars (orange) und des Modells (grün) dargestellt.

Die Radarlinie liegt in der Regel innerhalb von 0,5mm vom Ursprung entfernt, und obwohl die Übereinstimmung mit den Stationen nicht perfekt ist (was durch eine flache Linie bei 0 dargestellt würde), scheint sie nicht unter einer systematischen Verzerrung zu leiden. Im Gegensatz dazu sehen wir, dass das Modell den Niederschlag im Vergleich zum Radar fast immer überschätzt (wie wir in der Animation gesehen haben) und dass dies nicht mit den tatsächlichen Beobachtungen von bodengestützten Beobachtungsstellen übereinstimmt. Interessant ist, dass die grösste Abweichung zwischen dem Modell und den Stationen auftritt, wenn fast kein Niederschlag von den In-situ-Stationen aufgezeichnet wird, und dass sowohl IFS als auch das Radar die Tendenz haben, ziemlich gut mit den Stationen übereinzustimmen, wenn es ein echtes Starkregenereignis gibt.

In den folgenden Tafeln sind die Unterschiede zwischen dem Radar und den Stationen (mittlere Tafel) und dem Modell und den Stationen (untere Tafel) ohne Mittelwertbildung über die Stationen getrennt dargestellt. Ich habe diese Angaben gemacht, um einen Eindruck von der Grösse der Unterschiede zwischen den beiden Datenquellen zu vermitteln. Die Skala wird durch das Modell festgelegt, das regelmässig um bis zu 10mm über drei Stunden Akkumulation von den Stationen abweicht; das Radar hingegen übersteigt selten eine Abweichung von 5mm über denselben Zeitraum.

Am Ende dieses Artikels möchte ich klarstellen, dass das IFS des ECMWF eine fantastische Leistung ist. Wir würden es nicht in unsere API aufnehmen, wenn wir bei Meteomatics nicht der Meinung wären, dass es zu den besten Modellen gehört, die es gibt, und das ist auch der Grund, warum es in Teilen der Welt, in denen keine Radardaten verfügbar sind, immer noch unsere erste Wahl für Niederschlagsparameter ist.

Ausserdem möchte ich noch einmal betonen, dass man sich für eine echte Vorhersage nur auf Modelldaten verlassen kann, und IFS hat eine Vorlaufzeit von 10 Tagen. Das allgemeine Wettermuster wird vom IFS sehr gut erfasst. Wenn Sie also am Montag eine Reise für das Wochenende (in etwa 5 Tagen) geplant haben, bei der Sie auf gutes Wetter angewiesen sind, ist der IFS Ihre beste Informationsquelle. Ich hoffe, dieser Artikel hat deutlich gemacht, dass nichts so wahr ist wie eine Beobachtung vor Ort und dass die Fernerkundung uns unglaubliche neue Möglichkeiten bietet, wenn wir unser Netz auf die Wolken ausweiten wollen.