Dimana Temp (next) adalah nilai temperatur yang diketahui pada baris selanjutnya, berlaku untuk Tmax atau Tmin. Temp (prev) adalah nilai temperatur yang diketahui pada baris sebelumnya, berlaku pula untuk Tmax dan Tmin. Sedangkan t (next) merupakan waktu pada temperatur yang diketahui oleh baris selanjutnya, t (prev) waktu pada temperature yang diketahui pada baris sebelumnya, dan t merupakan waktu yang temperaturnya tidak tersedia.
2.2 Method Soygro of “Accuracy of hourly air temperatures calculated from daily minima and maxima” oleh D.C. Reicosky, L.J. Winkelman, J.M. Baker, and D.G. Baker.
    Metode ini dijelaskan oleh \cite{Reicosky_1989} pada tahun 1983 dari subrutin WCALC. Perhitungan data per hari dibagi menjadi 3 bagian, yaitu (a) waktu tengah malam ke waktu matahari terbit + 2jam; (b) waktu siang hari; (c) waktu matahari terbenam ke waktu tengah malam. Metode ini diasumsikan pada waktu malam hari temperatur linier dengan waktu, dan jam matahari terbenam serta jam matahari terbit sama setiap harinya. Dalam perhitungannya  membutuhkan temperatur maksimum dan temperatur minimum dari hari sebelumnya, dan temperatur minimum pada hari yang akan dilakukan perhitungan.[3]
(a) Waktu tengah malam ke waktu matahari terbit +2jam (00.00 – 08.00)
T (H) = TLIN – SLOPE (H + 24 - set n-1 )
TAU = π (set n-1 – rise n-1 - 2) / (set n-1 – rise n-1)
TLIN = TMIN n-1 + (TMAX n-1 – TMIN n-1) sin (TAU)
SLOPE = (TLIN-TMINn) / (24 - set n-1 + rise n + 2)
(b) Waktu siang hari (09.00 – 17.00)
T (H) = TMIN n + (TMAX n – TMIN n) sin (TAU)
TAU = π (H – rise n - 2) / (set n – rise n)
(c) Waktu matahari terbenam sampai waktu tengah malam
T (H) = TLIN – SLOPE (H - set n)
TAU = π (set n – rise n - 2) / (set n – rise n)
TLIN = TMIN n + (TMAX n – TMIN n) sin (TAU)
SLOPE = (TLIN-TMIN n+1) / (24 - set n + rise n+1 + 2)
Dengan,
T (H) = Temperature pada pukul
n = hari ke- dalam setahun (1-365)
Rise = waktu sunrise (waktu sunrise Indonesia pukul 06.00 WIB)
SET = waktu sunset (waktu sunset Indonesia pukul 18.00)
2.3 Root Mean Square Error (RMSE)
    RMSE adalah metode alternatif untuk mengevaluasi teknik prediksi yang digunakan untuk mengukur tingkat akurasi hasil prakiraan suatu model. RMSE merupakan nilai rata-rata dari jumlah kuadrat kesalahan, juga dapat menyatakan ukuran besarnya kesalahan yang dihasilkan oleh suatu model perkiraan. Nilai RMSE rendah menunjukkan bahwa variasi nilai yang dihasilkan oleh suatu model perkiraan mendekati variasi nilai obeservasinya. Berikut persamaan dari RMSE tersebut.