wetter-daten.at
MOS-Prognose lädt …

Korrigierte Prognose für jede TAWES-Station

Vier Modelle, aus den Messungen der letzten Wochen gelernt korrigiert, zur aktuellen Messung hin angepasst und gewichtet kombiniert.

Karte

Wie gut ist die MOS?

Jede Prognose wird später gegen die Messung gehalten – neben dem rohen ICON-D2 und dem rohen Mittel aller Modelle.

Mittlerer Fehler nach Vorlauf

So entsteht die MOS-Prognose

Stündlich neu, für alle TAWES-Stationen, nur aus Daten, die hier ohnehin anfallen. Läuft seit 17.11.2026.

1Fehler lernenJe Station, Modell (ICON-D2, ICON-D2-RUC, C-LAEF, ICON-EU), Vorlauf und Tageszeit mit drei Gedächtnissen: schnell (≈ 1–2 Tage, aktuelle Lage), langsam (≈ 4–6 Wochen, typisch für die Station) und je Wetterlage – „ruhig und klar" (Kaltluftsee, Strahlungsnacht) getrennt von „bewölkt oder windig", erkannt aus Wind und Bewölkung des Modells selbst. Wenig Daten → Wert aller Stationen.
2GewichtenJedes korrigierte Modell zählt umso mehr, je kleiner seine Fehlerstreuung an dieser Station zuletzt war. Ab +48 h nur noch ICON-EU und C-LAEF (3-stündlich, bis +102 h).
3An die Messung anpassenDie Abweichung zur jüngsten Messung wird in die ersten Stunden übernommen und klingt ab (Temperatur ≈ 5 h, Wind ≈ 3 h, Böen ≈ 2 h).
4Unsicherheit und SelbstprüfungBand 10–90 % aus Fehlerstreuung und Modellspreizung, laufend gegen die echten Fehler nachkalibriert. Regen-Wahrscheinlichkeit aus allen Läufen der letzten 13 h. Jede Prognose wird später gegen die Messung geprüft – je Modell roh und einzeln korrigiert.

Was schon läuft und was noch kommt

läuftAdaptive MOS (oben) · Messarchiv und Modellarchiv mit 27 Feldern je Lauf für die KI-Verfahren · Selbstprüfung bis +96 h
ab ≈ 6.12.Erstes Training dreier weiterer Verfahren im Hintergrund: klassische Regressions-MOS, Gradient Boosting und ein neuronales Netz (KI). Sie nutzen zusätzlich Höhenwind, T 850, Bewölkung, Luftdruck sowie die aktuellen Messfehler – auch stromaufwärts, z. B. vor einer Front.
ab ≈ Mitte/Ende Dez.Umschalter auf dieser Seite zwischen allen Verfahren und eine Rangliste, welches wo und bei welchem Vorlauf am besten trifft.
Februar/FrühjahrGraphen-Netz über alle Stationen (lernt, wie Fehler zwischen Nachbarstationen wandern); Bewertung mit 4–5 Monaten Daten.
ab ≈ MärzTraining mit allen Daten, aktuelle Wochen und dieselbe Jahreszeit stärker gewichtet.
späterSonnenscheindauer und Niederschlag in den KI-Verfahren, Windrichtung, Vergleich mit KI-Globalmodellen. Messungen dafür werden bereits gesammelt.