Un modèle météorologique constitue une donnée d’entrée essentielle, mais il ne fournit pas automatiquement la prévision finale pour un lieu donné. Le travail qui suit l’exécution du modèle permet de relier sa représentation de l’atmosphère aux conditions qui importent réellement à une personne située dans une vallée, en montagne, dans une exploitation agricole ou au bord de la mer.
Réunir les sorties de différents modèles
Les fournisseurs de prévisions reçoivent des simulations issues de modèles globaux et régionaux, dont la résolution, la représentation du relief, la fréquence de mise à jour et l’échéance de prévision diffèrent. Leurs performances varient également selon le lieu, la variable météorologique et la situation atmosphérique. Plusieurs modèles peuvent donc produire des prévisions différentes pour un même lieu et un même moment. Nos guides consacrés aux modèles météorologiques expliquent ces principes dans la partie 1 et la partie 2.
Avant de pouvoir comparer ou combiner les résultats, il faut s’assurer que leur signification est cohérente. Cela implique de vérifier les coordonnées, les unités, les intervalles de temps, les hauteurs de mesure et les définitions des variables. La vitesse du vent et les rafales, par exemple, décrivent des grandeurs différentes. Une valeur de température se rapporte généralement à un instant précis, tandis que les précipitations correspondent à un cumul sur une période.
Ainsi, un cumul de précipitations sur trois heures se terminant à 12h00 représente l’eau accumulée entre 09h00 et 12h00 – et non la quantité tombant à midi. Pour le comparer à des précipitations horaires, il faut tenir compte des différentes périodes de cumul. La valeur initiale sur trois heures n’indique pas non plus à quel moment exact de cette période la pluie est tombée.
Cette préparation reste invisible pour les utilisateurs, mais elle évite que des différences de format ou de définition des données soient prises pour de véritables écarts entre les prévisions météorologiques.
Pourquoi une maille de grille n’équivaut pas à un lieu
Les modèles numériques représentent l’atmosphère et la surface sur des grilles. Une maille peut couvrir un ensemble de pentes, de bâtiments, de végétation et de surfaces d’eau, tandis que son altitude modélisée diffère de celle du lieu demandé. Les éléments de relief de petite taille peuvent être lissés, en particulier dans les modèles à résolution grossière.
Prenons une commune de vallée et un sommet voisin situés dans la même maille à faible résolution. Leur proximité ne signifie pas qu’ils partagent la même température, la même exposition au vent ou les mêmes conditions de précipitations. La première tâche consiste donc à relier les coordonnées demandées aux informations pertinentes des mailles environnantes, plutôt qu’à considérer une seule valeur de grille comme la réponse.
Par exemple, la meteoblue Forecast API produit des prévisions ponctuelles à partir des données de modèle environnantes, des informations sur le relief et du post-traitement. Les utilisateurs peuvent indiquer l’altitude du lieu au-dessus du niveau de la mer ; sinon, l’API la détermine à partir d’un modèle numérique de terrain d’une résolution de 80 mètres. Les corrections d’altitude influent sur plusieurs variables, dont la température et la pression.
Toutefois, un jeu de données de relief à 80 mètres ne signifie pas que l’atmosphère a été simulée sur une grille de 80 mètres. L’ajustement local améliore la pertinence d’une prévision ponctuelle, mais il ne peut pas restituer tous les phénomènes non résolus, comme l’écoulement de l’air autour d’un bâtiment isolé ou une averse de très petite échelle. La résolution native du modèle et le post-traitement local restent deux choses distinctes.
Choisir les modèles qui doivent contribuer
Disposer de plusieurs prévisions ne permet pas d’identifier automatiquement la plus utile. Une simple moyenne peut conserver les erreurs communes à plusieurs modèles, tandis que retenir toujours le même modèle revient à ignorer les variations de performance selon les lieux et les situations.
Le meteoblue Learning MultiModel (mLM) s’appuie sur les performances passées des prévisions pour déterminer une combinaison de modèles adaptée à un lieu précis, en tenant compte en général des performances des 60 derniers jours.
Ce processus peut faire appel à différentes formes de post-traitement. La sélection identifie une donnée d’entrée de modèle appropriée, la pondération détermine le poids de chaque modèle dans le résultat, la fusion combine les informations de plusieurs prévisions et la correction traite les erreurs systématiques. Choisir un modèle présentant une erreur moyenne plus faible n’est par exemple pas la même chose que corriger un biais récurrent, même si les deux peuvent améliorer la prévision finale. Lorsque des mesures appropriées sont disponibles, elles peuvent également aider à repérer et à corriger les biais locaux de prévision.
Pour le service de meteoblue propre à une station, les mesures des derniers mois peuvent servir à adapter la combinaison de modèles aux conditions locales. Cela permet de tenir compte des écarts de performance spécifiques au site, qui n’apparaissent pas toujours dans des comparaisons de modèles plus générales.
mLM ne remplace pas les modèles météorologiques numériques. Il s’appuie sur eux et utilise leurs prévisions en fonction de leur performance pour un lieu et une variable donnés. À l’heure actuelle, le mLM est mis en œuvre et validé pour la température de l’air, la température du point de rosée et la vitesse du vent. D’autres variables, comme les précipitations, la nébulosité et le rayonnement, reposent sur d’autres sources de données et d’autres méthodes de traitement : il ne faut donc pas supposer que la même méthode s’applique à l’ensemble de la prévision.
Intégrer les observations les plus récentes
Pour les prochaines heures, les observations peuvent révéler des évolutions qu’une exécution antérieure du modèle n’a pas correctement saisies. Le radar peut montrer qu’une bande de précipitations arrive plus tôt que prévu. Les stations permettent de détecter un écart de température local, tandis que l’imagerie satellitaire fournit des informations sur les nuages et leur déplacement. Les observations de foudre apportent des indications sur les orages en cours.
La prévision à très courte échéance fondée sur les observations est appelée prévision immédiate (nowcasting). Chez meteoblue, elle utilise des informations de stations, de radars ou de satellites fréquemment actualisées. Son apport dépend de la variable et de la couverture disponible : une image radar peut aider à préciser le moment des précipitations, mais elle ne mesure pas directement la température de l’air à une station météorologique.
Ces méthodes sont particulièrement utiles pour les échéances immédiates. Leur intérêt diminue à mesure que les phénomènes météorologiques se développent, s’affaiblissent ou changent de direction : les modèles numériques deviennent donc indispensables pour les échéances plus lointaines.
Rendre les données traitées exploitables
La prévision traitée doit ensuite être présentée sous une forme utilisable par les personnes comme par les logiciels. Selon le produit, cela comprend la température, les précipitations, le vent, les rafales, la nébulosité et d’autres variables, fournies sous forme de séries temporelles, de diagrammes ou de données d’API structurées. Les valeurs horaires permettent une planification détaillée, tandis que les résumés quotidiens offrent une vue d’ensemble.
Une valeur de prévision isolée doit également être accompagnée d’éléments de contexte sur l’incertitude. L’indicateur de prévisibilité de meteoblue décrit le degré de certitude estimé de la prévision, tandis que la probabilité de précipitations concerne le risque que des précipitations se produisent. Ces deux notions répondent à des questions différentes : la confiance dans la prévision globale n’est pas la même chose que la probabilité de pluie.
La prévision ponctuelle finale n’est donc pas toujours le résultat direct d’un seul modèle. Elle combine les informations disponibles en une meilleure estimation, tout en rendant compte de l’incertitude qui subsiste.
Pourquoi les prévisions changent d’une mise à jour à l’autre
Une prévision est constamment révisée à mesure que de nouvelles informations arrivent. De nouvelles exécutions de modèles peuvent modifier l’évolution attendue, le mLM peut actualiser la combinaison de modèles retenue et les observations récentes peuvent influencer la prévision à courte échéance.
Pour les utilisateurs, cela peut se traduire par un changement de l’heure à laquelle la pluie est attendue ou par une température actualisée pour demain après-midi. Un changement de prévision ne signifie pas automatiquement que la version précédente était mauvaise. Il traduit l’ajout d’informations plus récentes, et sa valeur ne peut être appréciée qu’en comparant la prévision avec ce qui s’est réellement produit.
Confronter le résultat à la réalité
La chaîne de traitement a besoin d’un moyen d’établir si elle apporte une réelle valeur ajoutée. La vérification des prévisions compare les prévisions à des observations appropriées, sur de nombreux lieux et à de nombreuses échéances. Les meteoblue monthly Forecast Accuracy Reports évaluent le mLM par rapport à des données de stations météorologiques contrôlées et comparent ses performances à celles des modèles globaux pour la température, le point de rosée et la vitesse du vent.
Une comparaison équitable doit tenir compte de la variable météorologique, de l’heure de validité et de l’échéance de prévision. Une prévision émise plusieurs jours avant un événement ne constitue pas le même test qu’une mise à jour publiée peu avant. Une vérification horaire met également en évidence des erreurs de chronologie qui disparaissent lorsque seules les valeurs quotidiennes sont évaluées.
Différents indicateurs révèlent différentes faiblesses. L’erreur absolue moyenne (MAE) décrit l’ampleur moyenne des erreurs, l’erreur moyenne (ME) met en évidence une surestimation ou une sous-estimation systématique, et l’erreur quadratique moyenne (RMSE) accorde plus de poids aux écarts importants. Utilisés conjointement, ces indicateurs montrent si une prévision est régulièrement performante, plutôt que précise seulement de temps à autre.
La vérification alimente aussi les développements futurs. Une méthode de traitement peut bien fonctionner pour une région ou une saison, et moins bien ailleurs. Une évaluation répétée aide à repérer ces différences et à vérifier si les modifications améliorent les performances au fil du temps. Les rapports de précision des prévisions de meteoblue permettent de suivre ces résultats.
La prévision se poursuit après l’exécution du modèle
La qualité d’un service météorologique dépend à la fois des modèles utilisés en entrée et de la manière dont ces données sont traitées. Rendre les ensembles de données comparables, les adapter à un lieu, tirer des leçons des erreurs passées et intégrer les observations pertinentes : autant d’étapes qui transforment une simulation de modèle en une prévision exploitable.
Chez meteoblue, ces différentes fonctions travaillent ensemble pour produire une information pertinente à l’échelle locale. Le résultat est ensuite soumis à une vérification continue. Une prévision peut sembler simple à l'écran, mais de nombreux traitements ont été effectués avant que cette valeur finale ne s'affiche.
Une question ou une idée à partager ? Rejoignez le meteoblue Community Forum et poursuivez la conversation avec d’autres passionnés de météo.
