I modelli a scala globale, elaborando l'intero pianeta (o uno dei due emisferi) sono costretti a una mole di calcolo impressionante e per questo occorre ridurre nella griglia il numero dei punti, nonostante la potenza dei computer e le tecniche di cluster abbiano fatto passi da gigante. Ad esempio il modello GFS al momento fornisce mappe a circa 25 km di risoluzione orizzontale (risoluzione di ouput, mentre quella di calcolo è intorno ai 13 km) per oltre 7 giorni di previsione. Il tutto 4 volte al giorno (corse su dati iniziali delle 00, 06, 12 e 18 (UTC)).
Per cogliere i fenomeni a mesoscala (individuare ad esempio una cellula temporalesca) e meglio tenere conto dell'orografia, sono necessari però più punti di calcolo (maggiore risoluzione) e schemi fisici particolari da inserire nelle equazioni. Nascono così i Lam, che sfruttando le condizioni iniziali e quelle al contorno forniti dai modelli globali, concentrano poi la loro "azione" sulla zona geografica d'interesse, riducendo drasticamente le risorse necessarie. Tra i Lam esistenti c'è il WRF (Weather Research and Forecasting - Nonhydrostatic Mesoscale Model) messo a punto dal NOAA, che è opensource e liberamente disponibile.
Naturalmente oltre che dalla risoluzione, dalla grandezza dell'area di interesse e da impostazioni varie (come il numero dei livelli verticali) i tempi di calcolo dipendono anche da quante ore di previsione vogliamo ottenere. Da quanto, cioè, ci vogliamo spingere in avanti nel tempo con la previsione. A tale proposito riteniamo che non abbia molto senso realizzare previsioni oltre i 2/3 giorni con i modelli ad alta risoluzione (se non a livello sperimentale o per semplice curiosità). I Lam sono pur sempre "guidati" dai prodotti dei modelli globali i quali, se pur con alterne vicende, accumulano errori che fanno divergere rapidamente i risultati calcolati rispetto a quelli reali. E ciò è tanto più vero quanto più si pretende di entrare nei dettagli.
Non tutte le implementazioni del modello WRF sono uguali, tanto da poter veramente dire: chi più ne ha più ne metta! A parte le "release" del software e del "core" utillizzato (a livello operativo si utilizza di solito la versione NMM piuttosto che l'ARW, più usata per sperimentazioni e simulazioni di casi ideali) come abbiamo già accennato si tratta di un modello altamente configurabile e personalizzabile. Proprio per questo però, in teoria chiunque può metterci le mani, sia a livello di codice sorgente che di configurazione dei parametri. Se si tiene conto anche del fatto che il modello (come tutti i Lam) può essere inizializzato a partire da diversi modelli globali (GFS, ECMWF...) e in modi diversi (a cadenza trioraria, esaoraria...) e che è possibile procedere con il nesting sia a livello integrato che tramite un "re-run" del modello a partire dai suoi stessi output, non ci si deve meravigliare come, a parità di altre condizioni, possano esserci risultati più o meno diversi.
Naturalmente, a parte eventuali errori di implementazione, non c'è in assoluto un modo migliore per impostare il modello. Alcune soluzioni e impostazioni possono funzionare di più in certe situazioni piuttosto che in altre. Senza dubbio però è opportuno seguire alcune linee guida, dettate da conoscenza, esperienza e buon senso.