A causa della natura caotica dell'atmosfera, previsioni del tempo, anche con modelli numerici di previsione meteorologica in continuo miglioramento, alla fine perdono la loro precisione. I meteorologi hanno un forte desiderio di comprendere meglio questo processo mentre cercano di ricondurre l'errore di previsione alle lacune osservative e di fornire un mezzo per migliorare.

Root errore quadratico medio (rms, o la sua piazza, la distanza di varianza) viene spesso utilizzata per misurare le differenze tra campi simulati e osservati. In questo caso, gli scienziati hanno misurato la distanza tra un campo di previsione del modello all'interno della sua griglia e il campo di analisi di verifica che rappresenta tutte le osservazioni del mondo reale. Però, bisogna considerare che le caratteristiche atmosferiche, come i fronti e i sistemi di pressione sono caratteristiche meteorologiche tridimensionali nello spazio che i modelli informatici spostano e anche strutturalmente distorcono quando la previsione numerica si allontana dall'inizio. Le metriche di varianza o errore efficace non quantificano lo spostamento e la distorsione dei sistemi meteorologici.

In un articolo recentemente pubblicato in Progressi nelle scienze dell'atmosfera , un team di scienziati della National Oceanic and Atmospheric Administration (NOAA), il Massachusetts Institute of Technology (MIT), e l'Università del Connecticut si proponeva di trovare un approccio generale per valutare le componenti posizionali e strutturali della differenza totale tra due campi. Essenzialmente, i meteorologi vogliono valutare l'accuratezza di molte diverse caratteristiche meteorologiche all'interno di un modello di previsione rispetto a un'analisi di verifica basata su osservazioni del mondo reale.

Sai Ravela del MIT, un coautore di questo studio, precedentemente sviluppato un metodo di allineamento del campo. In questo caso, il suo approccio allinea il campo di previsione del modello con l'analisi basata sull'osservazione in modo uniforme in modo che la loro differenza sia ridotta al minimo. Prossimo, gli errori di piccola scala di origine incerta vengono rimossi da tutti e tre i campi (la previsione originale e allineata, nonché l'analisi di verifica, o proxy per le osservazioni) attraverso un processo chiamato filtraggio spaziale o livellamento. La distanza di varianza totale, o differenza, viene quindi suddiviso in tre componenti univoci. errore di posizione, che è la distanza di varianza tra la previsione del modello originale levigata e i campi di previsione allineati levigati, ed errore strutturale che è la distanza di varianza tra la previsione allineata levigata e i campi di analisi verificanti levigati, sono due lati di un triangolo rettangolo, e rumore su piccola scala, quali sono gli errori incerti su piccola scala rimossi dall'analisi di previsione e verifica del modello originale, o campi di osservazione.

Questo metodo restituisce le tre componenti di errore ortogonali come campi scalari, nonché un campo vettoriale che indica lo spostamento su larga scala della previsione rispetto al campo dell'analisi osservativa. interessante, in tutte le regioni e i tempi di consegna che il team ha studiato, più della metà della varianza totale dell'errore è associata alla posizione errata delle caratteristiche meteorologiche. Perciò, lo spostamento è più pronunciato della distorsione nei campi di previsione:solo circa il 25% di varianza dell'errore è associato a imprecisioni strutturali delle caratteristiche parzialmente prevedibili, come frontali e sistemi a bassa pressione. Il resto della varianza dell'errore rimane variabilità inspiegabile o imprevedibile, o rumore.

"Come cresce il rumore nella varianza dell'errore in funzione del lead time previsto, e se una scomposizione posizionale-strutturale-rumore della diffusione tra un insieme di previsioni perturbate cattura componenti di errore di previsione è oggetto di studi in corso, " ha detto il dottor Jankov del NOAA, l'autore principale dello studio.