Dans certaines régions, les prévisions météorologiques sont plus faciles que dans d'autres. Par exemple, les prévisions météorologiques pour les régions montagneuses, telles que les Alpes, sont souvent plus difficiles, principalement en raison du relief, qui influence fortement les conditions atmosphériques locales. Le temps qu'il fait dans une vallée au sud d'une montagne peut être très différent de celui qu'il fait au nord de la même montagne. Cela est lié, par exemple, au rayonnement, au vent et à la turbulence.
Les modèles numériques de prévision météorologique ont souvent des difficultés à reconnaître les phénomènes météorologiques à petite échelle et à évolution rapide en raison de leur faible résolution. En effet, la topographie peut varier considérablement, même à l'intérieur d'une petite grille de quelques kilomètres. Par conséquent, les températures au sommet d'une montagne sont surestimées, en particulier dans les régions chaudes, parce qu'il y a aussi des endroits à plus basse altitude dans la même grille. Pour surmonter les problèmes décrits, meteoblue utilise ce que l'on appelle le meteoblue Learning MultiModel (mLM). Le mLM utilise des méthodes de post-traitement dans lesquelles la sortie des modèles bruts est combinée avec les données d'observation locales actuelles. Le mLM est donc alimenté par des mesures provenant de stations météorologiques locales, des données d'observation par satellite et par radar et recherche la meilleure combinaison de modèles sur la base de ces données, qui est ensuite affinée en appliquant directement des données de prévision immédiate et un modèle de topographie.
Dans l'article suivant, nous souhaitons présenter un exemple concret qui montre comment l'installation d'une station météorologique sur une montagne a permis d'améliorer les prévisions météorologiques :
L'un de nos utilisateurs passionnés de météo a installé une station météorologique sur la Punta Telegrafo, une montagne située juste au nord de Vérone, sur la rive est du lac de Garde (Italie). Partant de l'hypothèse que nos prévisions de température pour cet endroit étaient constamment trop élevées, nous espérions que les mesures locales pourraient réduire l'erreur de prévision. Après avoir introduit les données de mesure dans notre MLM, celui-ci a d'abord besoin d'environ deux semaines pour être "entraîné" avec ces données. Nous avons utilisé les données de mesure lors de la première étape pour valider la prédiction précédente. La prévision subit ensuite la plus grande étape d'amélioration après la période d'ajustement. Notre vérification à court terme (troisième image) montre exactement le moment où un effet majeur dans la prévision devient apparent : depuis le 7 juillet 2023, l'erreur de prévision pour ce lieu a diminué de manière significative, alors qu'auparavant nous avions une erreur de prévision allant jusqu'à 6°C.
Après la première amélioration importante, l'entraînement du modèle se poursuit chaque fois que le mLM reçoit de nouvelles données de mesure, ce qui conduit à des améliorations continues. Le deuxième graphique montre la vérification à court terme, quelques jours plus tard, et il est visible que l'erreur a continué à diminuer.
Cet exemple montre à quel point les données d'observation sont précieuses et que notre processus de prédiction est suffisamment intelligent pour apprendre à partir de ces mesures. Cependant, il faut s'assurer que les données de mesure sont de bonne qualité, afin que le modèle apprenne avec les bonnes données, ce qui est garanti par de multiples barrières de contrôle de la qualité qui filtrent les données de mesure erronées. Cela garantit que les prévisions restent exactes même si une station météorologique fournit des données erronées. Comme il ne s'agit pas d'un cas isolé et que les mesures sont souvent lacunaires, incomplètes ou erronées, le contrôle de la qualité est essentiel. En outre, nous garantissons également la qualité des prévisions lorsqu'aucune station météorologique n'est disponible en appliquant d'autres technologies.
