Historische Wetterdaten

Wenn es um historische Wetterdaten geht, gibt es verschiedene Quellen, die Ihnen bei der Lösung Ihrer spezifischen Probleme helfen können. Meteomatics bietet Zugang zu einer Reihe von Stationsdaten, Radar- und Satellitenbildern, historischen Vorhersagen und Reanalysen. Was für Quellen sind das? Und welche Abonnements bieten wir an damit Sie die Daten beziehen können? Die Antworten darauf finden Sie in diesem Artikel.

Typen historischer Wetterdaten, die Sie über unsere API erhalten können

Grundsätzlich lassen sich historische Wetterdaten in zwei Kategorien einteilen: Beobachtungsdaten und modellierte Daten.

Beobachtungsdaten

Beobachtungsdaten gelten im Allgemeinen als die vertrauenswürdigsten Daten, da sie Aufzeichnungen darüber enthalten, was in der Vergangenheit tatsächlich geschehen ist. Es gibt jedoch zwei Arten von Beobachtungsdaten:

• in-situ Daten, die am Ort des Geschehens gemessen werden, z.B. von einer Bodenstation, einer Radiosonde oder einer Wetterdrohne; und
• fernerkundete Daten, z.B. solche, die von Satelliten oder Radar abgeleitet sind.

Obwohl es sich bei fernerkundeten Daten um die direkte Messung eines physikalischen Ereignisses handelt, handelt es sich bei diesem Ereignis nicht um das meteorologische Phänomen selbst, sondern um eine Folge davon (in der Regel Energie in Form von elektromagnetischer Strahlung, die mit dem Phänomen in Wechselwirkung getreten ist und daher in irgendeiner Weise beeinflusst wurde)

Um auf den Zustand der interessierenden Grösse zu schliessen - z.B. die Menge an flüssigem Wasser in einer Wolke (im Fall von Radar) - muss eine mathematische Modellierung angewendet werden, um das Ergebnis zu berechnen. Daher können uns Fernerkundungsdaten Quasi-Beobachtungen liefern, die zwar einen grösseren räumlichen Bereich abdecken und potenziell viel mehr Informationen liefern, aber nicht so genau sind wie direkte Beobachtungen.

Es sollte auch beachtet werden, dass In-situ-Messungen wie die von Thermometern und Anemometern zwar der Goldstandard für die Genauigkeit in der Meteorologie sind, aber dennoch mit einer gewissen Unsicherheit verbunden sind. Um eine Analogie zu bemühen: Wenn Sie die Länge eines Tisches messen, können Sie nur so genau sein wie das Lineal, das Sie zum Messen verwenden - die meisten Lineale geben Ihnen nicht die Möglichkeit, auf den nächsten Mikrometer genau zu messen.

Modelldaten

Obwohl bei der Gewinnung von Fernerkundungsvariablen ein kleiner Teil der Daten modelliert wird, behalten wir uns im Allgemeinen den Begriff "Modell" vor, um zu bezeichnen, dass die Daten entweder in einer Vorhersage oder einer Reanalyse erzeugt wurden.

Vorhersage

Eine Vorhersage ist eine von einem Wettermodell erstellte Vorhersage künftiger Wetterbedingungen mit dem Ziel, nützliche Informationen für die Entscheidungsfindung zu liefern. Sie muss schnell und mit einer begrenzten Menge an Daten erstellt werden, da sie das Wetter vorhersagen soll, das noch nicht eingetreten ist.

Eine Wettervorhersage funktioniert im Wesentlichen so, dass man ein grosses Netz von Beobachtungen aus der Vergangenheit heranzieht und dann physikalische Gesetze und mathematische Gleichungen verwendet, um die Lücken in Raum und Zeit zu füllen. Wenn die Temperatur dort, wo Sie sitzen, 21,1 ºC beträgt und die Temperatur in 10 m Entfernung 21,3 ºC, dann kann man davon ausgehen, dass die Temperatur auf halbem Weg 21,2 ºC beträgt. Wenn es dort, wo Sie vor 10 Minuten sassen, 20,7 ºC war, könnten Sie auch vermuten, dass die Temperatur vor 5 Minuten 20,9 ºC war, und Sie könnten auch vermuten, dass die Temperatur in 5 Minuten 21,3 ºC sein wird.

Dies ist ein sehr einfaches Beispiel dafür, wie ein Modell funktioniert - es verwendet eine mathematische Regel, um Vorhersagen über Dinge zu machen, die man nicht weiss, basierend auf den Dingen, die man weiss. Das Modell, das wir gerade beschrieben haben, ist ein schlechtes Modell - es geht von einer linearen Beziehung zwischen Temperatur und Zeit aus, die, wenn man sie zu ihrer logischen Schlussfolgerung extrapoliert, bedeuten würde, dass die Luft um Sie herum in 33 Stunden kochen würde, und dass jetzt gerade ein Punkt, der etwa einen halben Kilometer von Ihnen entfernt ist, gefriert.

Natürlich müssen wir unser Modell etwas komplexer gestalten. Wenn wir einen weiteren Datenpunkt hinzufügen, können wir anstelle einer geraden Linie eine gekrümmte Linie in das Modell einfügen - dies ist jedoch immer noch nicht realistisch.

Glücklicherweise haben Generationen von Wissenschaftlern und Mathematikern in mühevoller Kleinarbeit beschrieben, wie sich die Welt um uns herum mit mathematischen Formeln verhält, und dank der Leistungsfähigkeit moderner Supercomputer können wir eine grosse Anzahl dieser Gleichungen im Handumdrehen lösen.

Doch wie Sie zweifellos schon einmal erlebt haben, ist eine Wettervorhersage keine perfekte Vorhersage dessen, was passieren wird. Warum ist das so? Nun, dafür gibt es zwei Hauptgründe: die Unzulänglichkeit der Modellgleichungen und die Ausbreitung von Fehlern.

Die Gleichungen, mit denen wir beschreiben, wie sich atmosphärische Variablen entwickeln, werden ständig überarbeitet, da wir das Universum immer besser verstehen. Ausserdem müssen wir wegen der grossen Anzahl von Berechnungen, die eine Wettervorhersage pro Sekunde durchführen muss, einige Gleichungen absichtlich vereinfachen.

Aber das grössere Problem ist vielleicht das Chaos. Die Beobachtungen, die wir verwenden, um das Modell einzuschränken, bevor wir es ausführen, können praktisch nur mit einer endlichen Genauigkeit bekannt sein - so wie es zusätzlichen Aufwand erfordert, die Länge unseres Tisches auf Mikrometer genau zu messen. Wenn wir diese Zahlen in Raum und Zeit extrapolieren, nimmt die Unsicherheit schnell zu, denn die Atmosphäre ist ein "chaotisches System", in dem die Unsicherheit exponentiell wächst.

Wettervorhersagen werden natürlich in erster Linie erstellt, damit wir Vorhersagen für die Zukunft machen können. Sie als historische Daten zu verwenden, mag unsinnig erscheinen, aber es ist wichtig, sich daran zu erinnern, dass sie eine viel einheitlichere räumliche Abdeckung bieten als die verstreuten bodengestützten Observatorien, und dass dies eine wünschenswerte Eigenschaft ist. Da sie ohnehin produziert werden, können wir die Daten auch speichern und sie verwenden, um die Lücken zu füllen, wenn wir Fragen zum Wetter an einem bestimmten Datum haben.

Meteomatics kauft und speichert historische Wettervorhersagen auf unseren Servern, wo sie Ihnen stressfrei in unserer patentierten 90m Auflösung zur Verfügung gestellt werden können. Mit der Meteomatics API stehen Ihnen TerraBytes an Daten zur Verfügung.

Reanalyse

Eine Reanalyse ist ein Wettermodell, das die gleichen Prinzipien wie eine Vorhersage verwendet, aber nicht durch die Notwendigkeit eingeschränkt ist, Vorhersagen zu erstellen, bevor das Wetter eintritt. Dadurch können mehr Berechnungen und Daten einbezogen werden, was zu einer umfassenderen und aktuelleren Darstellung der historischen Wetterbedingungen führt. Reanalysen werden nicht für die Vorhersage künftigen Wetters verwendet, sondern bieten eine rückblickende Sicht auf historische Wettermuster, was sie für die Klimaforschung, das Verständnis extremer Wetterereignisse und andere Anwendungen nützlich macht.

Eine Reanalyse ist zwar immer noch ein Modell und keine direkte Beobachtung, aber sie enthält in den meisten Fällen eine viel grössere Anzahl von Beobachtungen und eine aktuelle Modellphysik (d.h. wir können die Gleichungen, die wir in den 2010er Jahren entwickelt haben, zur Modellierung des Wetters in den 1990er Jahren verwenden). Ein feiner Punkt ist, dass wir, da wir nun einen längeren Zeitraum modellieren, Beobachtungen aus mehreren verschiedenen Zeitschritten bereitstellen können. Das bedeutet, dass wir eine Reanalyse der letzten Woche, die falsche Vorhersagen für den dritten Tag macht, in die richtige Richtung lenken können, indem wir die richtige Antwort liefern. Dieser Prozess, der als "Datenassimilation" bezeichnet wird, wird auch bei modernen Vorhersagen verwendet, hat aber aufgrund der Anzahl der historischen Beobachtungen, die assimiliert werden können, enorme Vorteile für die Zuverlässigkeit von Reanalysen.

Historische Wetterdaten von Meteomatics

Die obige Tabelle fasst die wichtigsten Punkte des vorherigen Abschnitts zusammen. Aber was können Sie von Meteomatics erwarten?

Die genaue Antwort auf diese Frage hängt von der Konfiguration Ihres Pakets ab. Aber Meteomatics verfügt über Daten von einem globalen Netzwerk bodengestützter Stationen - je nach Station ab 1980 - sowie, für ausgewählte Regionen, Radarbeobachtungen ab 2004.

Ausserdem bieten wir historische Vorhersagen ab 2017 sowie die weithin gelobte ERA5-Reanalyse - das zuverlässigste Einzelmodell für den gesamten Globus - ab 1940, natürlich alles in der für uns typischen 90m-Auflösung.

Zusammenfassend bietet Meteomatics alle Arten von historischen Wetterdaten, die in diesem Artikel beschrieben werden. Lesen Sie unten, wie Sie Zugang zu den von Ihnen benötigten Daten erhalten.

Sie können alle diese Daten über unsere API abrufen. Unsere Dokumentation beschreibt, wie Sie eine Abfrage in Ihrem Webbrowser erstellen können, indem Sie eine spezielle URL schreiben. Im Allgemeinen ist die Abfrage historischer Daten so einfach wie das Ändern des Datums in Ihrer URL auf eine Zeit in der Vergangenheit.

Sind Sie unsicher, was Sie abfragen sollen? Unser Schrittweiser URL-Ersteller bietet eine grafische Oberfläche, die Ihnen bei der Erstellung Ihrer ersten Abfragen hilft, wie diese einfache Abfrage für die Lufttemperatur in London im Februar 2023:

Natürlich kennen wir die Bedürfnisse unserer Kunden, von denen viele Wetterdaten in ihre Softwareanwendungen integrieren werden. Deshalb bieten wir über unsere API-Konnektoren auch Unterstützung für eine Vielzahl von Programmen und Programmiersprachen, so dass Sie keinen HTML-Parser von Grund auf neu programmieren müssen - Sie brauchen nur den Konnektor für die von Ihnen gewählte Software herunterzuladen, und wir haben das Backend-Geschäft bereits erledigt und liefern Ihnen die Daten in dem von Ihnen benötigten Format!

Historische Wetterdaten: Einige Anwendungsfälle

Während der Begriff "Wetterdaten" sofort an Prognosen denken lässt, gibt es für historische Wetterdaten zahlreiche praktische Anwendungen. In der Tat gibt es viele zwingende Gründe, diese Art von Daten zu nutzen. Um Ihnen eine Vorstellung davon zu geben, wie wirkungsvoll diese Informationen sein können, finden Sie hier einige Beispiele für die verschiedenen Anwendungsfälle historischer Wetterdaten, die Meteomatics bereitstellt:

Maschinelles Lernen

Maschinelles Lernen und künstliche Intelligenz werden heute in allen Geschäftsbereichen immer beliebter. Durch die Allgegenwart von Data-Science-Kenntnissen und einfach zu verwendenden Paketen wie SciKit Learn von Python kann heute fast jeder einfache Anwendungsfälle für maschinelles Lernen implementieren.

Stellen Sie sich zum Beispiel vor, Sie besitzen ein Verbrauchergeschäft wie eine Eisdiele. Es ist ziemlich klar, dass Ihr Geschäft in heissen Zeiten mehr Geld einbringt. Dies ist ein einfaches Beispiel für Korrelation. Sie können eine Technik namens "Regression" verwenden, um eine Gleichung für den Eisverkauf abzuleiten, die von der Temperatur abhängt, und sie zur Vorhersage Ihrer zukünftigen Verkäufe verwenden.

Die Regression ist eine Art statistischer Lernalgorithmus. Er lernt, weil sich das Ergebnis des Algorithmus (die Gleichung zur Vorhersage künftiger Verkäufe) ändert, wenn man mehr Informationen hinzufügt. Ein nur geringfügig komplizierteres Problem kann durch einen "multivariaten Regressor" gelöst werden.

Sagen wir einmal, die Beziehung zwischen Ihrem Unternehmen und dem Wetter ist komplizierter. Vielleicht besitzen Sie ein Restaurant mit einem Aussenbereich und möchten wissen, ob Sie es an einem bestimmten Tag öffnen sollten. In diesem Fall lassen kalte Temperaturen Ihre Kunden wahrscheinlich zweimal überlegen, aber Regen könnte noch katastrophaler sein. Starker Wind wird wahrscheinlich auch eine Rolle spielen.

Die obige einfache lineare Regression lässt sich zwar mit Stift und Papier leicht durchführen, eine multivariate Regression ist es jedoch nicht. Wenn man sich jedoch die Fähigkeiten eines Computers zunutze macht, ist es ein Leichtes, die Lösung für ein solches Problem zu finden!

Es gibt eine grosse Anzahl verschiedener Algorithmen für maschinelles Lernen, die jeweils für eine bestimmte Art von Problemen entwickelt wurden, aber mit Meteomatics können unsere historischen API-Daten leicht in Ihre Lösung integriert werden.

Das Bild zeigt die Differenz zwischen der Niederschlagssumme, die 32 Wochen lang an einem Observatorium in Konstanz, Deutschland, pro Woche aufgetreten ist, und der von einem Wettermodell (ERA5) vorhergesagten Menge. Unterschiede wie diese bieten die Möglichkeit, Regressionsmodelle einzusetzen, um die Übereinstimmung von Modelldaten und Realität in hyperlokalen Situationen zu verbessern.

Standortbeurteilungen

Ein weiterer Anwendungsfall, in dem die historischen Wetter-API-Daten von Meteomatics häufig zum Einsatz kommen, ist die Auswahl von Standorten für Anlagen zur Nutzung erneuerbarer Energien. Wind-, Solar-, Wasser- und Gezeitenkraftwerke benötigen alle eine zuverlässige Energiequelle. Mit Hilfe der historischen Wetterdaten von Meteomatics können unsere Kunden ihren Hardware-Aufwand planen.

Für Wind- und Solarkraftwerke ist die Technik relativ einfach: Schauen Sie sich einfach eine lange Zeitreihe historischer Daten an und wenden Sie Leistungskurven an, die auf Ihrer Hardware basieren, um den Stromertrag an verschiedenen Standorten zu schätzen. Stellen Sie sicher, dass Sie in unterjährigen Zeiträumen prüfen, ob die Netze in besonders dunklen oder windstillen Monaten die richtige Strommenge liefern können!

Die folgenden Abbildungen veranschaulichen den Prozess der datengestützten Standortbewertung von Windparks. Wir wählen den Standort, an dem wir die Bedingungen untersuchen wollen. In diesem Fall habe ich Koordinaten in der Nähe der Isle of Colonsay (Schottland) gewählt - ein bestehender Windpark. Zunächst verwende ich historische Daten aus ERA5, um eine 40-jährige Klimatologie der Windgeschwindigkeit in 100 m Höhe über dem Meeresspiegel abzuleiten, dann verwende ich eine "Leistungskurve" für eine hypothetische Turbine, um diese in eine relative Leistungsabgabe umzuwandeln.

Meine Leistungskurve weist die typischen Eigenschaften einer Leistungskurve auf: eine Einschaltgeschwindigkeit von etwa 5 m/s, unterhalb derer sich die Turbine nicht effizient dreht; ein Anstieg bis zu einem maximalen Wirkungsgrad bei etwa 11 m/s; und eine Abschaltwindgeschwindigkeit von etwa 25 m/s, oberhalb derer die Turbinen in der Regel blockiert werden, um Schäden zu vermeiden. Die Skala der Leistung liegt zwischen 0 und 1, d.h. sie kann mit der installierten Kapazität multipliziert werden, um die tatsächliche Produktion zu schätzen. Die Wahl einer Nabenhöhe von 100 m ist willkürlich, da Meteomatics die Windgeschwindigkeit in jeder gewählten Höhe liefert. Onshore-Turbinen sind in der Regel etwas kleiner als dieser Wert, und es sollten zusätzliche Modellierungen vorgenommen werden, um die Rauheit der Umgebung zu erfassen.

Der Zugang zu historischen Daten über unsere API kann auch viel kompliziertere Modellierungen erleichtern! Im Falle eines Staudamms für Wasserkraftwerke müssen Sie beispielsweise erfassen, wie der Regen, der in einem grossen Gebiet fällt, durch die Wasserscheide zum Einspeisepunkt Ihrer Anlage fliesst. Mit Meteomatics Flächenanfragen und Geländemodellen ist dies ebenfalls möglich.

Weitere Beispiele für Wie wir Kunden in der Energiewirtschaft unterstützen finden Sie auf unseren Webseiten, und nehmen Sie Kontakt mit uns auf, um mehr darüber zu erfahren, wie wir Ihnen helfen können, eine Lösung für Sie zu entwickeln!

Klimastudien

Klima ist einfach der langfristige Durchschnitt des Wetters, so dass historische Wetterdaten verwendet werden können, um das Klima für jede Region der Welt zu berechnen.

Dies ist heutzutage unglaublich wichtig, da der Klimawandel in vielen Industriezweigen Risiken und Chancen mit sich bringt. Die Fähigkeit, diese Informationen abzubilden und auf sie zu reagieren, ist eine grosse Herausforderung für Unternehmen, die ihre Widerstandsfähigkeit erhöhen wollen.

Zum Beispiel zeigen neue Daten über die Hitzewelle im Sommer 2022 im Vereinigten Königreich, dass ein Fünftel der Krankenhäuser gezwungen war, elektive Operationen abzusagen, und ein weiteres Drittel hatte dies geplant, sollte die Hitzewelle anhalten. Dieses Beispiel zeigt, dass die Planer bei der Planung künftiger Krankenhäuser die Auswirkungen des Klimas berücksichtigen sollten. Wenn wir verstehen, wie sich diese in der Vergangenheit verändert haben und wie damit umgegangen wurde, können wir die Infrastruktur von morgen besser planen.

Die obige Grafik zeigt für fünf Hauptstädte in Westeuropa den Temperaturtrend als gleitenden Durchschnitt der letzten 40 Jahre. Trotz lokaler und zwischenjährlicher Schwankungen ist der Erwärmungstrend eindeutig und für alle Orte gleich. Diese Art der Klimatologie lässt sich leicht aus den Daten von Meteomatics ableiten.

Bei Hitzewellen müssen mehr Menschen versorgt werden, und auch Gebäude werden durch die Belastung beschädigt. Hinzu kommen die Folgen von vermehrten Schneefällen, Überschwemmungen und Stürmen, die je nach Region ebenfalls Probleme darstellen können, die sich mit den richtigen historischen Daten abzeichnen.

Zusätzlich zu den oben genannten Anwendungsfällen könnten Sie historische Daten verwenden, um...

• Änderungen der Flugzeiten aufgrund der Lage des Jetstreams berechnen;

• Optimale Standorte für landwirtschaftliche Anlagen finden;

• Versicherungsprämien bestimmen

...und vieles, vieles mehr. Alles ist möglich mit historischen Daten aus unserer API.

Meteomatics bietet eine begrenzte Menge an historischen Daten kostenlos an. Es gibt zwei Möglichkeiten, kostenlose Daten von Meteomatics zu erhalten:

• Registrieren Sie sich für einen kostenlosen Basis-Account, mit dem Sie Zugang zu den historischen Wetterdaten der letzten 24 Stunden für 15 unserer beliebtesten Parameter erhalten. Dieses Konto ist für Hobbyisten geeignet, die weniger als 500 Abfragen pro Tag durchführen.

• Wenn Sie einen Vorgeschmack auf die Möglichkeiten unserer Wetter-API erhalten möchten, melden Sie sich für ein 14-tägiges kostenloses Probeabonnement an! Hier haben Sie Zugriff auf sechs Monate historischer Daten und unsere komplette Palette an Parametern, die Sie auf Anfrage von unserer Vertriebsabteilung für die Dauer des Testzeitraums erhalten können.

Testen Sie es jetzt und sehen Sie, was Sie mit historischen Wetterdaten erreichen können! Wenden Sie sich an unsere Support-Mitarbeiter, wenn Sie Hilfe bei der Einrichtung Ihrer Lösung benötigen, und lassen Sie sich von der erstaunlichen Bandbreite an Problemen überzeugen, die Sie mit historischen Wetterdaten aus unserer historischen Wetterdaten-API lösen können.

Mit Ihren Meteomatics Weather API-Zugangsdaten ist es ganz einfach, historische Wetterdaten abzurufen.

Wie man historische Wetterdaten abruft

1. Gehen Sie zu unserem URL Creator
2. Wählen Sie die Art der Ausgabe, die Sie von der API wünschen (HTML, PNG, JSON, XML, CVS, NetCDF oder GeoTIFF)
3. Wählen Sie den Ort Ihrer Abfrage
4. Wählen Sie die Wetterparameter, an denen Sie interessiert sind
5. Wählen Sie den Datumsbereich Ihrer Abfrage
6. Wählen Sie das Wettermodell
7. Kopieren Sie die endgültige URL und fügen Sie sie in eine beliebige Anwendung ein oder klicken Sie einfach auf "Im Browser öffnen", um die Abfrage in einem neuen Tab zu starten
8. Geben Sie Ihren Meteomatics-Benutzernamen und Ihr Passwort ein, um auf die Ergebnisse zuzugreifen