Většina meteorologických služeb na světě připravuje své předpovědi na základě výstupu jednoho globálního modelu (zpravidla americké GFS nebo evropské ECMWF) a data lokálně zjemňují například pomocí WRF. Nezávisle na přesnosti nastavení lokálního modelu je omezením přesnost použitého globálního modelu. Meteosource využívá jiného přístupu, abychom eliminovali co nejvíce chyb a dosáhli maximální úspěšnosti předpovědí.
ML kombinace globálních modelů
Nejprve využíváme naši obrovskou databázi minulého počasí a archivu minulých běhů numerických modelů pro vytvoření jednotného globálního výstupu, který eliminuje většinu biasů a chyb. Naše algoritmy pomocí strojového učení vyhodnocují minulou chybu jednotlivých modelů při různých meteorologických situacích a v různých lokalitách. Na výstupu dostaneme nejpravděpodobnější scénář možného vývoje počasí založený na kombinaci všech dostupných modelů. Tento výstup je počítán 4 krát denně.
Vlastní lokální meteorologický předpovědní model
Globální multimodel následně vstupuje jako podklad do našich regionálních modelů, které dále zvyšují rozlišení a berou v úvahu lokální specifika a geografii. Meteorolog ve službě v této fázi může rovněž vstup upravit na základě svých zkušeností.
AI model po korekci počasí ve městech
Pro lokality, kde jsou k dispozici měření z meteorologických stanic - obvykle města a více obydlené oblasti - využíváme další modelovou vrstvu, která pomocí umělé inteligence (AI) koriguje výstupy podle specifik dané oblasti a meteorologické situace.
Nowcasting v reálném čase
Vzhledem k velké proměnlivosti počasí je v některých situacích potřeba i nejlepší modely upravovat podle aktuálního skutečného vývoje. S využitím měření (ze stanic, radarů, atd.) dostupných pro danou oblast aktualizujeme naše výstupy podle posledního vývoje počasí. Díky tomu můžeme nabídnout nejaktuálnější dostupnou předpověď počasí - pro každou hodinu i po minutách.
