실측 정확도로 가중한
다중모델 앙상블 예보 API A multi-model ensemble forecast API,
weighted by measured skill

위·경도 한 지점의 결합 예보를 리드타임 순서로 돌려줍니다. 격자값을 이중선형 보간합니다. Blended forecast for one location, ordered by lead time. Grid values are bilinearly interpolated.

{
  "lat": 37.5, "lon": 127.0,
  "init": "2026-08-21 00:00:00",
  "method": "nnls",
  "models": "gfs,gefs,ecmwf",
  "grid_deg": 1.5,
  "lead_h": [0, 12, 24, 36, 48, 60, 72, 84, 96, 108, 120, 132, 144, 156, 168],
  "series": { "t2m": [296.974, 296.265, 297.043, ...] }
}

현재 서비스 중인 예보의 초기시각 · 사용 모델 · 격자 · 변수 목록. 파라미터 없음. 폴링 주기를 정할 때 attrs.init 을 기준으로 삼으세요. Init time, models used, grid and variable list for the run currently being served. No parameters. Poll against attrs.init to detect a new run.

각 모델이 실제로 얼마나 틀렸는지 (RMSE · MAE · 편차). 이 값이 가중치의 근거입니다. How wrong each model actually was (RMSE, MAE, bias). These numbers drive the weights.

{"n": 1, "rows": [
  {"model":"ecmwf","var":"t2m","lead_h":24,"region":"korea","season":"ALL",
   "rmse":1.4812,"mae":1.1233,"bias":-0.0871,"n_init":835}
]}

다섯 가지 결합 방식의 가중치와 모델별 편차 보정값. 실제 예보에는 w_nnls_* 가 쓰입니다. Weights for five blending schemes plus per-model bias corrections. Production uses w_nnls_*.

var · region · season · lead_h 로 필터링합니다.filter the result.

{"n": 1, "rows": [
  {"var":"t2m","lead_h":0,"region":"korea","season":"JJA","n_train":184,
   "w_eq_gfs":0.33333, "w_inv_gfs":0.31837,
   "w_nnls_gfs":0.0, "w_nnls_gefs":0.49878, "w_nnls_ecmwf":0.50122,
   "bias_gfs":-0.36311, "bias_gefs":-0.37438, "bias_ecmwf":-0.13166}
]}

학습에 쓰지 않은 기간에서 다섯 방식의 RMSE 를 비교합니다. rmse_eq(단순평균) 대비 rmse_nnls 가 이 서비스의 실효 개선폭입니다. rmse_best(그 조합의 최고 단일모델)가 종종 단순평균보다 나쁘다는 점이 결합의 근거입니다. RMSE of the five schemes on data never used for fitting. rmse_nnls versus rmse_eq is the real gain. That rmse_best — the single best model for that cell — is often worse than a plain average is precisely why blending pays.

{"n": 1, "rows": [
  {"var":"t2m","lead_h":0,"region":"korea","season":"DJF","n_eval":59,
   "rmse_eq":0.86329,"rmse_inv":0.86183,"rmse_nnls":0.85630,
   "rmse_shrink":0.85477,"rmse_best":0.99328}
]}

"예보 없이 평년값만 쓰면 얼마나 틀리는가". 예보의 가치를 재는 기준선입니다. var · region 으로 필터링합니다. How wrong you would be using the seasonal normal alone — the baseline against which forecast value is measured. Filter by var and region.

모델 · 연도별로 실제 확보된 초기시각 비율. 정확도 수치를 인용할 때 표본 충실도를 함께 확인하세요. Share of init cycles actually retrieved, per model and year. Check this alongside any skill figure you cite.

모델 · 변수 · 단위 · 한글 라벨 · 지역 · 리드타임 · 계절 · 기간. 키 불필요. 클라이언트의 드롭다운은 하드코딩하지 말고 여기서 받아 채우세요. Models, variables, units, labels, regions, leads, seasons, period. No key required. Populate client dropdowns from here rather than hard-coding them.

{"tier":"free","per_min":30,"per_day":1000,
 "used_today":142,"remaining_today":858,"date_utc":"2026-08-22",
 "key_id":"k_3f9c1a20","org":"Example Corp"}

키 불필요. 모니터링에 사용하세요.No key required. Use for monitoring.

{"ok":true,"catalogue":true,"weights":true,"forecasts":1,"served":"..."}