Во-первых, наукастинг осадков оказался полезным на интервале одного-полутора часов как в точках выделенной сетки, так и по областям сильных осадков. Развивается новое направление в прогнозировании погоды — наукастинг, позволяющий выпускать сверхкраткосрочный прогноз об опасных явлениях погоды на ближайшие несколько часов. Прогноз осадков на 2 часа (наукастинг). Прогноз погоды и погодные новости от ФОБОС. В Москве с 17 октября среднесуточная температура воздуха станет устойчиво отрицательной, что характерно для метеорологической зимы. У динамических факторных моде-лей есть две главные характеристики, позволившие им занять доминантное положение в практике статистического наукастинга [12]: их способность опи-сать эмпирические макроэкономические данные. В отдельных районах менее чем за час выпало свыше 70% месячной нормы осадков.
Наукастинг осадков на 2 часа
Просмотры: 53241 Youtube - InternetUrok. География в действии! Распределение атмосферного давления и осадков на Земле 6 лет назад. Просмотры: 36658 Youtube - Образование. Обучение - Znaika TV. Погоды 6 лет назад.
А ещё вы узнаете, как мы улучшали визуальное восприятие самой карты на границе радарных и спутниковых наблюдений. И снова про наукастинг Когда мы говорим о прогнозе погоды, то чаще всего подразумеваем температуру и осадки, например, на завтра или ближайшие выходные. В этом случае хватает традиционных погодных трендов. Но если вы идёте обедать на улицу или на прогулку с ребёнком и при этом не хотите попасть под дождь, то важно знать точный момент начала дождя в течение ближайшего получаса. В таких ситуациях приходит на помощь наша карта осадков aka nowcasting. Рисунок 1. Карта осадков Яндекс. Погоды Nowcasting — это сверхкраткосрочный прогноз погоды до 2—6 часов с шагом в 5—15 минут, предсказывающий поведение погодных явлений с коротким жизненным циклом. Такой прогноз в той или иной степени сводится к задаче экстраполяции наблюдаемых метеорологических явлений, так как настоящие тяжёлые физические модели для него менее приспособлены и не могут оперативно учитывать быстро меняющие условия. Раз мы говорим о карте осадков, нам интересен источник данных об областях скопления влаги в воздухе, обладающий относительно высокой частотой обновления. Лучше всего для этого подходят метеорологические радары, предоставляющие такую информацию напрямую в виде изображений, и геостационарные спутники, снимки с которых надо предварительно обработать. Как решать Если исходить из того, что наукастинг сводится к задаче экстраполяции рисунок 2 , то формальное определение будет выглядеть так: где — количество кадров, на основе которых делается предсказание, — количество предсказываемых кадров. При этом можно интерпретировать кадр как обычную картинку и свести задачу к работе с видеоизображением. Рисунок 2. Пример изображений с метеорологического радара. Вверху: пример входных кадров для модели.
Да-да, именно такую! Здесь сейчас полетят яйца и помидоры в сторону гидрометеорологической службы. Начнутся возгласы: всё враньё, постоянно беру зонт, когда по прогнозу дождь, а его нет, а когда не беру, на улице град по макушке бьёт. И где вообще нынче снег уже, синоптики-недоучки? Чем вы там занимаетесь вообще тут автора статьи конкретно понесло, видимо сам натерпелся от «повелителей погоды» … Точную официальную статистику по России сложно привести, однозначно можно сказать следующее: Российские модели прогноза погоды ПЛ-АВ, COSMO отстают от зарубежных ну естественно, другого и не ожидал услышать… , но за последние 5—7 лет значительно догнали их. Всё, что было сказано выше, кратко отражено в таблице.
Примерно тогда же, когда мы обучили 12 нейросетей, у нас появилась возможность визуализировать данные на карте. Посмотрев на скачущие облака, менеджеры сказали: это мы выпускать точно не будем. Один из них сказал: конечно, я понимаю, что это максимизирует вероятность чего-то там, но пользователю такое не объяснить — в жизни облака так не скачут. Во время следующей итерации мы решили считать только векторное поле и умножать опорные вектора на 2 и 3, чтобы получить перенос не на 10, а на 20 минут и 30 минут соответственно. На ближних горизонтах результаты выглядели довольно прилично, но чем дальше, тем чаще с краю появлялись артефакты. Оказалось, что в векторном поле слишком большие вектора разрывают thin plate spline, и у нас появляется второе зеркальное отражение нашей картинки. Потом отражения сливаются. На ближних горизонтах артефакт не был заметен, но на дальних проявлялся очень сильно. Из ниоткуда возникало облако. Третьим решением стало последовательное применение одного и того же преобразования thin plate spline к одной картинке. С одной стороны, оно способствовало накоплению ошибок. Это было первое реально работающее решение, которое мы показывали при внутреннем бета-тесте. Нейросеть получала на вход шесть радарных снимков за последний час, несколькими свертками приводила их к тензору из 16 векторов 4 x 4. Cплайновое преобразование восстанавливалось по векторам и последовательно применялось к картинке для получения каждого следующего горизонта прогноза. Решение довольно хорошо себя показало, но оставался единственный вопрос: зачем нужна нейросеть? Если красные свертки — единственная часть, которую мы обучаем, почему бы нам не вычислить векторное поле самостоятельно, алгоритмически? Так что четвертое решение, которое заметно улучшило результат, использовало явную минимизацию loss-функции. Мы искали векторное поле, которое бы одинаково хорошо приближало переход на 10 минут в последний час. От —60 минут до —50, потом до —40 и т. Мы применяли это векторное поле к t0, чтобы получить прогноз на 10 минут дальше. Алгоритмически гораздо лучше находить векторное поле с помощью минимизации. Оно быстрее работает, не требует обучения. Самое интересное — оно не требует всех данных. Можно пропустить какие-то данные — а радары довольно часто запаздывают. Мы долго думали, что же оставить — нейронные сети или алгоритмические вычисления векторного поля. Но всё победил тот самый лазерный меч в Иваново. Когда он висит над вами как дамоклов меч и зануляет вокруг себя все вектора, то облака не могут ни пересечь его, ни двигаться в одном районе с ним. Даже какого-то физического движения на картинке не происходит. Поэтому в конечном итоге мы пришли к нейронной сети. Сейчас нейронная сеть работает и выдает предсказания, схематически ее архитектура изображена здесь. Она составлена из 12 примерно одинаковых блоков. Каждый блок последовательно строит прогноз по своему горизонту, получая на вход некоторый тензор состояния и последний радарный снимок, последнее предсказание с предыдущего горизонта. Тензор состояния имеет довольно маленькую размерность, всего 32 x 32 на 30 каналов, но сверткой к инволюции мы получаем из него векторное поле, опорные вектора для преобразования thin plate spline. И, наоборот, сверткой к деконволюции мы получаем места, где выпадают осадки.
Нет комментариев
- Другие материалы рубрики
- Краткосрочный и среднесрочный прогнозы погоды и их особенности
- Telegram: Contact @yandex
- ☔Обзор самых точных сайтов прогноза погоды на 2024 год
- Навигация по записям
Предоставляем метео данные
Затем на МКАДе. Примерно четыре десятка станций будут расположены в тех местах, где наблюдений мало. Сейчас наблюдательная сеть небольшая совсем, есть пробелы. Они будут заполнены. Таким образом, предполагается, что количество станций увеличится примерно на полторы сотни. Это очень много. А это очень важно.
Когда на удалении сначала прогнозируешь, а затем при перемещении видишь, совпадают или не совпадают расчеты с фактом, можно изменить модель, увидеть, в чем ее несоответствие. Кроме того, эту систему будут разрабатывать не "вообще", а конкретно для Москвы. Получив хороший результат мы очень надеемся на это , можно будет транслировать этот опыт на другие города-миллионники. Конфигурация зданий, улиц, отражение солнечных лучей от крыш домов — все это влияет на атмосферные процессы в городе. В той или иной ситуации, скажем, когда воздушные массы перемещаются с севера или с юга, совершенно по-разному могут развиваться события: либо будет интенсификация опасных явлений, либо, наоборот, структура города будет препятствовать воздушному потоку, энергия будет рассеиваться. Есть кустарники, деревья, в которых происходят свои процессы.
Все эти многочисленные факторы нужно описать в модели. Я встречался много раз с тем, что люди считают, что воздух нагревается от солнца. Это глубокое заблуждение. Солнечные лучи падают на подстилающую поверхность, нагревают землю, почву, и за счет турбулентности, за счет конвекции это тепло передается в атмосферу. В городе, где много зданий, не только подстилающая поверхность нагревается, но и стены домов. В том числе и изнутри.
Создается дополнительная тепловая энергия, которая трансформируется в кинетическую энергию. Поэтому если наблюдаются условия для быстрого перемещения воздушных масс вверх, то в городе, как правило, этот процесс усугубляется. Нормальные процессы становятся опасными. Мы предполагаем, что будет функционировать прогностическая модель с шагом менее 1 км. В результате интегрирования уравнения мы будем выпускать прогнозы с шагом в 1 км, но процессы, которые мы будем описывать, будут характерны для описания с масштабом 6—8 км. Это тоже очень здорово: в районе действия такой-то управы ожидается дождь, а где-нибудь в 10 км другая управа, там дождя не ожидается.
Именно это и происходит в крупном городе. Нужно проводить вычислительные эксперименты, установить эти приборы — очень многое нужно сделать. С момента подписания договора два года должно пройти минимум. За 10—12 часов, если возникают условия для процессов, которые создают сложности для жизни жителей, для функционирования транспорта, строительства, высотных работ. Иногда за час-два прогнозы будут выпускаться. Тут ничего удивительного нет и не должно быть, потому что в условиях города создаются сложные условия, которые невозможно заранее просчитать.
И только вот за час-два модель может показать, а синоптик проанализировать и понять, что возникает очень сложная ситуация. Нужно понимать, что каждая минута — это спасенные жизни. Невозможно спасти имущество, но сохранить человеческую жизнь — да, возможно Средняя заблаговременность прогнозов торнадо в США составляет 19 минут. Это большой успех, потому что в начале 2000-х годов она составляла шесть минут. Невозможно спасти имущество, но сохранить человеческую жизнь — да, возможно.
Лучше всего для этого подходят метеорологические радары, предоставляющие такую информацию напрямую в виде изображений, и геостационарные спутники, снимки с которых надо предварительно обработать. При этом можно интерпретировать кадр как обычную картинку и свести задачу к работе с видеоизображением. Рисунок 2. Пример изображений с метеорологического радара. Вверху: пример входных кадров для модели.
Внизу: ожидаемые кадры во время предсказания. Здесь , а Мы предсказываем на два часа вперёд с шагом 10 минут. Это 12 кадров плюс ещё несколько про запас на случай перебоя в поставке данных с радара. Чаще всего решение такой задачи сводится либо к применению алгоритмов optical flow 1 , 2 , 3 , либо к нейросетевым методам 1 , 2 , 3 , 4 , 5 , 6.
Кстати, обычно смотрят на ласточек... На сим пока всё, на этом откланиваюсь...
Кстати, не забудьте взять зонтик!..
Каждое утро в день события Сикстиниан предсказывает, будет ли дождь на закате или нет. В этот раз успех предсказания под угрозой. Новенький iCeasar, на котором установлена модель, прогнозирующая осадки, завис. На внешнем SSD остался только датасет одного метеорологического радиолокатора, который регистрирует наличие влаги в атмосфере на большой площади. Задача - подготовить модель, которая сможет прогнозировать объём осадков в конкретное время и в конкретном месте. Сохраните веру в Сикстиниана Апреля, помогите избежать заката Римской империи. В файлах для каждого момента времени шаг 10 минут хранятся данные про интенсивность осадков, отражаемость облаков и их радиальную скорость, погодные явления.
осадки в Европе
Для того чтобы московский ураган и ураганы в других городах центра страны, которые привели к человеческим жертвам, стали предсказуемым явлением, этот показатель должен быть существенно улучшен. В ближайший год Росгидромет собирается улучшить качество таких прогнозов на 4 процента в основном за счет повышения качества получаемых данных и совершенствования моделей их обработки. На высоком уровне сохраняется качество краткосрочных прогнозов службы - 96,6 процента. Именно эти прогнозы являются наиболее востребованы населением.
Они позволяют решить, нужно ли одеваться теплее и брать ли с собой зонт. В то же время сильно упала оправдываемость долгосрочного прогноза на зиму, до 57 процентов, годом ранее его достоверность составляла 71 процент. То есть прогнозировать аномальные морозы на срок до полугода синоптикам по-прежнему сложно.
А вот качество прогнозов весеннего половодья на крупных реках выросло почти на 10 процентов, до 79. Следите за самым важным и интересным в Telegram-канале Татмедиа.
Здесь у нас будет не менее сильная, просто одна из пионерских, работ Кстати говоря, для нашей службы очень важны всевозможные схемы интерпретации спутниковой информации. Можно получить максимально полное представление о том, что происходит на полях: засушлива почва или нет, условия вегетации соответствую норме или не совсем, находится ли растение в подавленном состоянии, ну и т.
Эти аспекты очень важны методически и в последующем для оценки урожая. Не везде ведь сейчас хватает метеостанций. Решить эту задачу, например, в рамках Российского метеорологического общества, которое планируется создать? Для того чтобы вести наблюдения, человеку нужно получить лицензию.
И все. На самом деле, я-то позитивно отношусь к людям, волонтерам, которые готовы вести наблюдения и передавать эту информацию. Но объективно для достоверного описания состояния атмосферы есть ряд сложностей. Есть "большие данные", big data.
Это очень актуальная проблема: у миллионов людей в гаджетах, есть устройства, где можно измерить температуру, давление. С какой степенью доверия относиться к этим данным? Наши-то данные постоянно проверяются. Это большой методический вопрос, который обсуждается во всем метеорологическом мире.
Для того чтобы использовать наблюдения, нужно, чтобы они велись методически правильно. Ошибка большая в наблюдениях влечет за собой большую ошибку в прогнозе. Можно сфотографировать зарождение смерча в отдаленном районе, который не фиксировали. Если для смерча созданы условия, значит, в атмосфере существует сильная неустойчивость.
Мгновенно все метеорологи должны насторожиться. Но вдруг снимки — фейк? У нас страна огромная. Есть регионы, где в принципе нет наблюдений — нет людей.
Есть труднодоступные станции: забрасывается группа на полгода, живет там, передает информацию. Это очень значимо. Но если наблюдения приходят от оленеводов или волонтера, работающего в золотодобывающей партии, как относиться к таким данным? С одной стороны, с благодарностью, с другой — с осторожностью.
Сейчас разрабатываются методы, как с помощью двойного, тройного контроля все-таки использовать эти данные. Да, в рамках метеорологического общества, когда оно будет создано, я думаю, это будет один из действительно очень значимых вопросов, на который сейчас нет ответа. Но общество будет, конечно, решать гораздо больше проблем. Программа по защите от селевых потоков создаст эффективную систему мониторинга в КБР — В принципе, идея такого общества витала в воздухе уже достаточно давно.
С моей точки зрения, это очень хорошая, продуктивная идея. У нас сейчас метеорологи, синоптики — специальность редкая, даже "редкостная". Она разбросана по разным ведомствам, регионам. В общем-то, все они мало связаны.
Общество позволит объединить всех людей, которые заинтересованы в развитии метеорологии. На самом деле, все люди в душе немножко метеорологи.
Таким образом, эти метрики позволяют нам оценить пользовательский опыт использования наукастинга.
Также посмотрим на зависимость метрик от дальности прогноза: Рисунок 4. График среднего IoU от дальности предсказанного кадра по времени Для расчёта optical flow мы использовали Dense Inverse Search с константным вектором переноса на графике показан лучший из полученных вариантов , который лучше всего себя показал среди других optical flow алгоритмов для задачи наукастинга и в наших экспериментах, и в экспериментах коллег. Из графика видно, что optical flow лучше нейросеток только на первой десятиминутке.
Потом его предсказания начинают сильно деградировать, и на втором часе он проигрывает всем вариантам. Помимо этого, возвращение нейросетевой архитектуры даёт возможность и дальше улучшать качество прогноза осадков, так как позволяет дополнительно учитывать фичи, которые потенциально помогают прогнозировать внезапное возникновение или исчезновение зон с осадками, тогда как подход, основанный на optical flow, позволяет только передвигать их по вектору переноса. Склейка радарных и спутниковых снимков В прошлый раз мы рассказали, как расширили зону наукастинга за пределы мест установки метеорологических радаров за счёт использования спутниковых снимков.
Напомним, что мы использовали нейронные сети для восстановления радарных полей по спутниковым снимкам. В этом случае наша модель по качеству была близка к самим радарам, но так как спутники и радары по факту различаются по способу измерения осадков, то возможно неполное совпадение областей дождя между ними. Поэтому нередко нам справедливо указывали на резкие границы между зоной радарного и спутникового наукаста.
Мы использовали нейросети для решения и этой задачи — аккуратного перехода из одной зоны в другую, чтобы карта осадков выглядела более реалистично, а границы были менее заметны для пользователей. Перед тем как показывать прогнозы на единой карте, необходимо согласовать изображения с метеорологических радаров и геостационарных спутников. Это необходимо, чтобы избежать границ вокруг зоны действия радаров и резких изменений областей осадков на стыках радаров и спутника.
Наша идея заключается в том, что мы делаем хитрую нейросетевую склейку на стыках изображений. Рисунок 5. Пример работы алгоритма из оригинальной статьи «Image Inpainting for Irregular Holes Using Partial Convolutions» Наглядный пример работы алгоритма, который дорисовывает недостающие части, можно посмотреть на рисунке выше, а также на этом видео.
Распределение атмосферного давления и осадков на Земле 6 лет назад. Просмотры: 36658 Youtube - Образование. Обучение - Znaika TV.
Погоды 6 лет назад. Прогноз осадков на два часа — Алексей Преображенский 5 декабря 2016 года команда Яндекс. Погоды запустила алгоритм, предсказывающий осадки на ближайшие два часа....
Предоставляем метео данные
наукастинг – сроком до двух часов. Ключевые слова: наукастинг, поля осадков, нейронные сети, прогнозирование ошибок, многослойный персептрон. Новости от 08.04.2024 10:31. В итоге получается своеобразный ультракраткосрочный прогноз или наукастинг — на ближайшие два часа с шагом в десять минут. Продукция региональных краткосрочных прогнозов. Прогноз осадков на 2 часа (наукастинг).
Росгидромет: в Москве за полтора часа выпала треть месячной нормы осадков
Доля точно предсказанных случаев начала дождя — это отношение количества правильно предсказанных случаев начала первого дождя на рассматриваемом окне в два часа ко всем случаям начала первого дождя на двухчасовых окнах. А доля идеальных прогнозов показывает, какая часть двухчасовых последовательностей предсказана без ошибки на каком-либо шаге. Таким образом, эти метрики позволяют нам оценить пользовательский опыт использования наукастинга. Также посмотрим на зависимость метрик от дальности прогноза: Рисунок 4.
График среднего IoU от дальности предсказанного кадра по времени Для расчёта optical flow мы использовали Dense Inverse Search с константным вектором переноса на графике показан лучший из полученных вариантов , который лучше всего себя показал среди других optical flow алгоритмов для задачи наукастинга и в наших экспериментах, и в экспериментах коллег. Из графика видно, что optical flow лучше нейросеток только на первой десятиминутке. Потом его предсказания начинают сильно деградировать, и на втором часе он проигрывает всем вариантам.
Помимо этого, возвращение нейросетевой архитектуры даёт возможность и дальше улучшать качество прогноза осадков, так как позволяет дополнительно учитывать фичи, которые потенциально помогают прогнозировать внезапное возникновение или исчезновение зон с осадками, тогда как подход, основанный на optical flow, позволяет только передвигать их по вектору переноса. Склейка радарных и спутниковых снимков В прошлый раз мы рассказали, как расширили зону наукастинга за пределы мест установки метеорологических радаров за счёт использования спутниковых снимков. Напомним, что мы использовали нейронные сети для восстановления радарных полей по спутниковым снимкам.
В этом случае наша модель по качеству была близка к самим радарам, но так как спутники и радары по факту различаются по способу измерения осадков, то возможно неполное совпадение областей дождя между ними. Поэтому нередко нам справедливо указывали на резкие границы между зоной радарного и спутникового наукаста. Мы использовали нейросети для решения и этой задачи — аккуратного перехода из одной зоны в другую, чтобы карта осадков выглядела более реалистично, а границы были менее заметны для пользователей.
Перед тем как показывать прогнозы на единой карте, необходимо согласовать изображения с метеорологических радаров и геостационарных спутников. Это необходимо, чтобы избежать границ вокруг зоны действия радаров и резких изменений областей осадков на стыках радаров и спутника. Наша идея заключается в том, что мы делаем хитрую нейросетевую склейку на стыках изображений.
Представлены карты: прогноз осадков и облачности, анимация ветра, карта температуры воздуха, карта атмосферного давления и карта качества воздуха. На карте осадков и облачности вы найдете движение областей с различной интенсивностью осадков, а также распределение количества облаков, которое визуально имитирует спутниковые снимки. На карте анимации ветра вы наглядно увидите движение атмосферного воздуха, на ней также хорошо видны атмосферные вихри, такие как циклоны, тайфуны и ураганы. На карте температуры вы увидите прогнозируемое распределение тепла и холода в приземном слое атмосферы.
Также они приводят интересный график Согласно которому точность прогноза уменьшается тем больше, чем больше время самого прогноза. Там тема одного из докладов - Разработка нейросетевого метода прогнозирования эволюции облачных образований и осадков по данным геостационарных спутников Как я понял, там делают упор как раз только на использование спутников, потому что на Дальнем востоке радаров почти нет. Но к чему это привело и где это используется - непонятно. Таким образом, со спутников делают прогноз - но на небольшой период времени.
До 2 часов максимум. И чем больше время прогноза - тем меньше точность. Если есть вопросы по этой теме или есть вопросы из других направлений - спрашивайте.
Как мы отказались от нейросетей, а затем вернули их в прогноз осадков Яндекс. Погоды Опубликовано автором admin Мы уже рассказывали, как Яндекс.
Погода делает сверхкраткосрочный прогноз осадков по метеорологическим радарам и спутниковым наблюдениям. Сегодня расскажем, как нам удалось поднять качество такого прогноза за счет внедрения нейросетевых подходов и почему мы уже отказывались от них в прошлом. А ещё вы узнаете, как мы улучшали визуальное восприятие самой карты на границе радарных и спутниковых наблюдений. И снова про наукастинг Когда мы говорим о прогнозе погоды, то чаще всего подразумеваем температуру и осадки, например, на завтра или ближайшие выходные. В этом случае хватает традиционных погодных трендов. Но если вы идёте обедать на улицу или на прогулку с ребёнком и при этом не хотите попасть под дождь, то важно знать точный момент начала дождя в течение ближайшего получаса.
В таких ситуациях приходит на помощь наша карта осадков aka nowcasting.
Новая карта осадков в «Яндекс погоде» — с прогнозом на сутки вперед
Наукастинг осадков на 2 часа. Радар осадков и гроз. Опасные явления BUFR Отражаемость 1км BUFR Прогноз ICON-EU 1ч сумма осадков Высота ВГО BUFR Дифференциальная отражаемость 1км BUFR Дифференциальная отражаемость 2км BUFR Доплер скорость 1км BUFR Доплер скорость 2км BUFR Доплер скорость 3км BUFR. Чаще всего говорят о наукастинге развития конвективных (кучево-дождевых) облаков и связанных с ними опасных метеорологических явлений (ОЯ) — ливневых осадков, гроз, града, шквалов, смерчей. Прогноз осадков на 2 часа (наукастинг). Прогноз осадков на 2 часа (наукастинг). Согласно прогнозу, который озвучил ведущий специалист центра погоды «Фобос» Евгений Тишковец, первый весенний месяц будет холодным – усилятся морозы, будет идти снег.
Как узнать, будет ли дождь, гроза? Смотрим карту осадков!
Мы предсказываем на два часа вперёд с шагом 10 минут. По прогнозу ведущего научного сотрудника центра погоды «Фобос» Михаила Леуса, в российской столице в четверг, 17 августа, ожидается переменная облачность, без осадков, воздух прогреется до + 29 °C, передаёт РИА Новости. За сегодняшний день в Москве выпадет около 30% месячной нормы осадков. Наукастинг осадков по данным ДМРЛ на 2 часа.
GISMETEO: Радар Гисметео — реальный инструмент наукастинга града и фотоизображения
- рПЗПДБ Ч НЙТЕ
- Подписка на дайджест
- Анализ группы
- Какая погода россиян ждет на этой неделе
рПЗПДБ Ч НЙТЕ
Прогноз осадков на 2 часа (наукастинг). последние новости сегодня в Москве. Во-первых, наукастинг осадков оказался полезным на интервале одного-полутора часов как в точках выделенной сетки, так и по областям сильных осадков. В итоге получается своеобразный ультракраткосрочный прогноз или наукастинг — на ближайшие два часа с шагом в десять минут. Прогноз осадков на 2 часа (наукастинг). На портале "Метеовести" центра погоды "Фобос" сообщается, что на Москву надвигается новая холодная и дождливая волна.