Euhm, dit gaat mij eerlijk gezegd veel te ver.
Het is toch juist zo goed als identiek wat jullie doen? Alleen pakt Onno de GFS data van hetzelfde tijdstip als afhankelijk variabele, en jij de gemeten temperatuur van een uur vooruit.
Zoals gezegd, in Python is zoiets vrij makkelijk. Het meest toegankelijk is waarschijnlijk iets als Scikit-Learn, daarmee is het vrij simpel om een gridsearch te doen over tig modellen en parameterisaties, dan zie je vanzelf wat het beste werkt.
Uiteraard zal het beter worden als je ook model data voor het voorspelde tijdstip meeneemt in de regressie, anders zit je altijd vast aan een soort klimatologische persistentie. Zeker zonder invoer over de bovenlucht is het bijvoorbeeld moeilijk om te zeggen hoe snel een onbewolkte ochtend dichtsmeert met bewolking. Hirlam en Harmonie uitvoer zijn wel te vinden op: https://data.knmi.nl
Als je alleen stations wilt gebruiken zou je de maximale luchtdruk gradiënt met omliggende stations kunnen gebruiken als een proxy voor de stroming op hoogte, dat zegt misschien iets over hoe snel de stijging 's ochtends zal gaan na het instabiel worden van de grenslaag.
Quote selectie