Står för PredictWinds egenutvecklade vädermodell som använder NCEP:s globala initialförhållanden, bearbetade genom CSIRO CCAM-modellen för att generera PWG-prognosen.

PredictWinds egenutvecklade vädermodell som använder ECMWF s globala initialförhållanden, bearbetade genom CSIRO CCAM-modellen för att generera PWE-prognosen.

PredictWind är det enda privata företaget i världen med denna egenutvecklade teknik som genererar prognoser ner till 1 km upplösning för populära områden runt om i världen. Prognoserna med 1 km upplösning går ut inom 36 timmar och får höga noggrannhetspoäng med hjälp av valideringsverktyget.

Vår egenutvecklade AI-drivna modell representerar det viktigaste genombrottet inom prognoser någonsin på PredictWind. PWAi kombinerar styrkorna hos ECMWF (högupplöst), AIFS, Fengwu och GraphCast för att generera en enda, optimerad prognos som täcker hela världen. Den tillhandahåller tidssteg på 1 timme för de första 3 dagarna, vilket ger större tidsmässig precision än andra AI-modeller. PWAi presterar mycket bra i valideringsstudier över korta till medellånga perioder i större områden.

Betastatus: PWAi är för närvarande i betatestning, och denna utvärdering representerar den första fasen av dess validering. Även om de första resultaten är mycket uppmuntrande kommer PredictWind att fortsätta förfina modellen genom verkliga tester och användarfeedback.

Står för European Center for Medium-Range Weather Forecasts och är högt ansedd av meteorologer och ledande navigatörer runt om i världen. ECMWF High RES-modellen rankas konsekvent som den bästa globala vädermodellen från en nationell vädertjänst med de högsta betygen. I mars 2016 ökade ECMWF upplösningen på sin modell till en rekordbrytande upplösning på 9 km, vilket för närvarande är den globala modellen med högsta upplösning som finns tillgänglig. ECMWF -data har en mycket hög anskaffningskostnad, och det är därför informationen inte används i stor utsträckning av många väderwebbplatser, och har traditionellt endast använts av toppkappseglingslag och meteorologer.

AIFS, utvecklad av ECMWF , är nästa generations AI-drivna modell. AIFS-modellen använder avancerad AI för att leverera aktuella och noggranna globala prognoser. Den presterar särskilt bra till havs och fångar storskaliga vädermönster på medellång till lång sikt.

Global Forecast System från NCEP . Detta används av de flesta andra väderwebbplatser/appar. Vi visar nu GFS-FV3-modellen när du ser GFS-etiketten i PredictWind. Det är den första betydande uppgraderingen av GFS på cirka 40 år. Till skillnad från den tidigare GFS-modellen kan GFS-FV3 simulera vertikala rörelser som uppåtgående vindar, en viktig komponent i hårt väder, med mycket hög upplösning. Hittills tyder tester på att FV3-modellen har mer exakta femdagarsprognoser, samt bättre förutsägelser av orkanspår och intensifiering. Även om den nya FV3-kärnan har visat förbättringar jämfört med GFS, rankas den fortfarande som nummer 3 i noggrannhet efter ECMWF (1:a) och UKMO (2:a).

Även känd som "Unified Model" av UK Meteorological Office har den ett långt rykte som marknadsledare inom prognosmodellering. UKMO har mycket likartad noggrannhet som ECMWF modellen till havs, och ligger något efter ECMWF modellerna för landbaserade väderstationer.

Högupplöst snabbuppdatering och är en NOAA-modell med realtidsupplösning på 3 km, timvis uppdaterad, molnupplösande, konvektionstillgänglig atmosfärisk modell, initierad av 3 km-rutnät med 3 km radarassimilering. Radardata assimileras i HRRR var 15:e minut under en 1-timmarsperiod, vilket ger ytterligare detaljer utöver den som tillhandahålls av den timvisa dataassimileringen från den 13 km radarförstärkta snabbuppdateringen. För att lära dig mer, sevideon .

North American Mesoscale Forecast System och är en av NOAA:s viktigaste vädermodeller, som i detta fall täcker större delen av Nordamerika. NAM är en mesoskalamodell, vilket innebär att den numeriska analysen kan modellera land och andra egenskaper med högre upplösning än i en global modell, vilket leder till förbättrad prognosnoggrannhet.

En småskalig numerisk prediktionsmodell, i drift hos Meteo-France sedan december 2008. Den utformades för att förbättra kortsiktiga prognoser för allvarliga händelser såsom intensiv Medelhavsnederbörd (Cévenole-händelser), kraftiga stormar, dimma och stadsvärme under värmeböljor. Denna modell är högt ansedd av toppnavigatörer och överträffar ECMWF s prognos.

Tysklands globala numeriska väderprognosmodell (NWP), utvecklad av den tyska vädertjänsten (DWD) i samarbete med Max Planck-institutet för meteorologi (MPI-M). Den använder ett ikosaedriskt rutnät: jordens yta är uppdelad i ett rutnätssystem baserat på underindelade ikosaedrar, vilket ger en ungefär jämn täckning globalt. Detta undviker den distorsion och beräkningsineffektivitet som uppstår nära polerna i traditionella latitud-longitud-rutnät.

SPIRE-prognosen har tagits bort från PredictWind från och med oktober 2025, eftersom modellen som används, SOF-D, håller på att föråldras av SPIRE.

Beroende på typen och volymen av data som krävs för att fylla i en given karta eller tabell varierar detta beroende på vädermodell, parameter och app/prognoswebbplats.

Tabellen nedan sammanfattar de tillgängliga vädermodellerna per parameter och app:

Webbplats - PredictWind Prognoswebbplats

PWA - PredictWind-appen

OA - Offshore-app

Observera att de exakta uppdateringstiderna kan variera något på grund av variationer i leveransen av källdata och inmatningsprocessen.