Cet article couvrira divers aspects des modèles météorologiques, notamment :
Introduction
Commençons par un exemple : demain à 14 h, le modèle météorologique européen ECMWF prévoit un vent d'est de 15 nœuds sur l'île de Wight. On peut se demander comment une telle prévision de vent est calculée et, plus généralement, comment fonctionne un modèle météorologique numérique. De plus, un autre modèle, comme le modèle américain GFS, pourrait prévoir des prévisions différentes, ce qui rend la situation confuse.
Cet article explore la conception et le fonctionnement des modèles météorologiques. En comprenant ces concepts, le marin sera en mesure de mieux interpréter les prévisions météorologiques numériques et de comparer les différents modèles, afin de prendre des décisions plus éclairées et plus sûres en mer.
Les modèles météorologiques produisent souvent des prévisions différentes pour un même endroit, ce qui peut être source de confusion pour les navigateurs. Par exemple, demain à 14 h, le modèle météorologique européen ( ECMWF ) pourrait prévoir un vent d'est de 15 nœuds sur l'île de Wight, tandis que le modèle américain (GFS) prévoit une prévision différente. Mais comment ces prévisions sont-elles générées et pourquoi les modèles diffèrent-ils parfois ?
Cet article explore la conception et le fonctionnement des modèles météorologiques numériques. La compréhension de ces concepts permet aux marins de mieux interpréter les prévisions, de comparer différents modèles et de prendre des décisions plus sûres et plus éclairées en mer.
1. Concepts fondamentaux des modèles météorologiques numériques
Les modèles météorologiques sont un sujet complexe, commençons donc par une comparaison simple. Prévoir numériquement la météo, c'est comme « faire un gâteau ».
Vous commencez avec les ingrédients, c'est-à-dire l'état actuel de l'atmosphère
Suivre une recette, c'est à dire des équations mathématiques
Ensuite, vous utilisez un four, c'est-à-dire un superordinateur
Pour faire le gâteau, c'est à dire les prévisions météo
Décomposons maintenant en détail ces quatre étapes :
1a) Conditions initiales - les ingrédients du gâteau
Pour prévoir le temps qu’il fera dans le futur, il faut d’abord connaître le temps actuel.
Il s'agit de votre point de départ, et le modèle météorologique calculera l'évolution à partir de cet état initial. En météorologie, ce point de départ est appelé « conditions initiales » et peut être résumé comme un instantané de l'atmosphère actuelle .
Connaître l'état de l'atmosphère implique aujourd'hui de mesurer tous les paramètres météorologiques, tels que la vitesse et la direction du vent, la pression, la température et l'humidité. Cette mesure doit être effectuée partout dans le monde, non seulement à la surface, mais aussi en altitude. De nombreux instruments sont utilisés pour cette tâche complexe, notamment des stations terrestres, des bouées, des navires, des avions, des satellites et bien d'autres, comme le montre l'image ci-dessous.
Source : Frogcast.com/
L'image ci-dessus est impressionnante, mais en réalité, l'état de l'atmosphère à un instant T ne peut être parfaitement connu, soit en raison de données manquantes, soit de l'imprécision des instruments météorologiques. En fin de compte, l'inexactitude des conditions initiales est l'une des raisons pour lesquelles les prévisions météorologiques numériques ne peuvent être parfaitement précises, et les prévisions peuvent ne pas être exactes à 100 %.
Donc, pour résumer, en n'ayant pas des conditions initiales parfaites, c'est-à-dire des ingrédients parfaits, vous ne pouvez pas faire une prévision parfaite, c'est-à-dire un gâteau parfait.
La création des conditions initiales est également un processus complexe, et différentes agences météorologiques créent différentes conditions initiales pour représenter la même atmosphère en même temps .
Par exemple, les deux modèles météorologiques, GFS et ECMWF , même s'ils utilisent de nombreuses données instrumentales identiques pour établir les conditions initiales, produisent des conditions initiales différentes. C'est l'une des raisons pour lesquelles GFS et ECMWF peuvent différer. Par ailleurs, PredictWind utilise ces deux conditions initiales différentes pour générer deux modèles propriétaires distincts :
PWG : le modèle numérique météorologique PredictWind utilise les conditions initiales GFS
PWE : le modèle numérique météorologique PredictWind utilise les conditions initiales ECMWF
Enfin, les conditions initiales sont générées quotidiennement à des heures précises en UTC. Elles sont généralement désignées par 0 UTC ou 12 UTC .
Les conditions initiales sont ensuite utilisées pour prévoir la météo un peu plus tard, appelée pas de temps du modèle , et cela peut être résumé en une seule équation :
Cette équation commence à l'instant 0, soit 0 UTC. La prévision météorologique, disons 1 minute plus tard, correspond à la météo des conditions initiales plus un terme F(A), qui représente la combinaison de tous les forçages possibles, multipliée par le pas de temps (par exemple 1 minute), pour obtenir l'évolution météorologique pendant cette minute. On continue ensuite la minute suivante, puis la minute suivante, jusqu'à obtenir une prévision à 10 jours.
Le paragraphe suivant traitera de la fonction F , qui est l’ équation physique qui constitue le cœur d’un modèle météorologique.
1b) Physique - la recette du gâteau
L'atmosphère est trop vaste et complexe pour être simulée en une seule fois. Les scientifiques la divisent donc en une grille 3D. Imaginez découper l'atmosphère en minuscules cubes, comme un Rubik's Cube géant. Chaque cube représente un petit morceau de l'atmosphère, et le modèle calcule ce qui se passe à l'intérieur de chacun.
Le cube a une longueur définie et correspond à la résolution du modèle météorologique. Elle peut être exprimée en degrés ou en kilomètres. Par exemple, le modèle ECMWF a une résolution de 0,1° ou 9 kilomètres.
Source : Wepowder.com/de
Le modèle météorologique utilise des équations mathématiques pour prédire l'évolution de chaque cube au fil du temps. Ces équations sont basées sur les lois de la physique, telles que les lois du mouvement de Newton et les lois de la thermodynamique. Ces équations sont présentées dans l'image ci-dessous.
Ces équations peuvent paraître intimidantes, mais elles sont essentielles car elles sont utilisées par tous les modèles météorologiques. Il est inutile de les comprendre en détail, mais une compréhension de base de certains termes peut aider le lecteur à ne pas considérer un modèle météorologique comme une boîte noire.
Nous avons mis ci-dessous deux vidéos et un article pour le lecteur intéressé, mais n'hésitez pas à passer à la section 1c.
Enregistrement vidéo de 10 minutes par PredictWind expliquant la première équation, « Équation de prévision du vent » ; qui est la plus pertinente pour la voile : cliquez ici
Pour lire un article scientifique expliquant toutes les équations, voir NWP Equations .
1c) Calcul - le four à gâteau
L'ordinateur exécute la simulation pour chaque point de grille et à chaque pas de temps, calculant ainsi l'évolution de l'atmosphère au fil du temps partout dans le monde. Ce processus est répété indéfiniment, mettant à jour les prévisions pour le pas de temps suivant jusqu'à atteindre la durée totale de la prévision (par exemple, 10 jours pour ECMWF ). Les résultats du modèle sont généralement simplifiés et distribués toutes les heures (même si le pas de temps du modèle est beaucoup plus court, de l'ordre de quelques minutes). De très puissants ordinateurs sont nécessaires pour exécuter ces modèles ; voir l'image ci-dessous.
Source : https://ecmwf.int/
Le calcul d'une prévision météorologique à 10 jours prend quelques heures, ce qui explique en partie pourquoi les prévisions utilisant les conditions initiales à 0 GMT ne sont pas disponibles à 0 GMT. En général, quelques heures sont nécessaires : les prévisions GFS à 0 GMT sont disponibles à 4 h 40 GMT, tandis que celles ECMWF , qui offre une résolution plus élevée, sont disponibles plus tard, à 7 GMT. Ce délai est également dû au temps nécessaire à la génération des fichiers de conditions initiales, au traitement des résultats et à la diffusion des prévisions à PredictWind ou à d'autres agences météorologiques.
PredictWind a développé un outil permettant d'identifier facilement l'heure de mise à jour actuelle et suivante du modèle afin que le client sache combien de temps il doit attendre pour obtenir les dernières prévisions.
Pour plus d'informations sur les heures de mise à jour du modèle, consultez Heures de mise à jour du modèle (GMT)
1d) Prévisions météo - Le gâteau
Les résultats des prévisions sont distribués dans un format appelé GRIB (Gridded Binary), qui est organisé en termes de :
Espace : chaque point de grille (environ 100 milliards de points de grille)
Heure : généralement toutes les heures
Paramètres météorologiques : vitesse du vent, direction, pression, etc.
Voir ci-dessous un tableau récapitulatif pour quelques modèles :
Modèle | Organisation | Résolution | Plage de prévisions | Niveaux verticaux |
GFS | NOAA (États-Unis) | 0,25° (~28 km) | 16 jours | 127 |
ECMWF | ECMWF (Europe) | HRES : 9 km ENS : 18 km | HRES : 10 jours ENS : 15 jours | 137 |
UKMO | Met Office du Royaume-Uni | 10 km | 7 jours | 70 |
PredictWind télécharge les données météorologiques du GFS et ECMWF deux fois par jour (0 UTC et 12 GMT). Les modèles sont également exécutés à 6 UTC et 18 UTC, mais les conditions initiales utilisées à ces heures ont une résolution inférieure et ne sont pas diffusées par PredictWind.
2. Modèles mondiaux et régionaux
Dans la première section, nous avons présenté des modèles globaux qui prévoient la météo pour le monde entier. Ces modèles sont parfaits pour prévoir les phénomènes météorologiques majeurs, comme une forte dépression traversant l'océan Atlantique et les vents qui lui sont associés.
Cependant, en raison de leur grande échelle, ces modèles ne peuvent pas capturer des phénomènes météorologiques localisés, comme une brise marine locale ou l'accélération du vent entre deux collines. Des modèles régionaux ont été développés pour résoudre ce problème. Ces modèles régionaux zooment sur une zone spécifique, généralement un pays, et prévoient cette zone plus petite avec une résolution plus élevée, ce qui leur permet de capturer les effets locaux.
Modèles régionaux/méso-échelles (résolution plus élevée, prévisions à court terme)
Modèle | Zone couverte | Résolution | Plage de prévisions | Niveaux verticaux |
PWG | Dans le monde entier pour les côtes populaires | 1 km | 36 heures | non divulgué |
PWE | même PWG | 1 km | 36 heures | même PWG |
NAM, HRRR | USA | 1,5 km, 3 km | 84 heures | 60 |
HRRR | USA | 3 km | 48 heures | 50 |
ARÔME | France | 1,3 km | 42 heures | 90 |
PredictWind a développé deux modèles régionaux appelés PWG et PWE 1 km . Cliquez ici pour en savoir plus sur ces modèles.
Ces modèles ne se limitent pas à un pays spécifique, mais se concentrent sur les côtes les plus prisées par la voile dans le monde entier. Les zones couvertes incluent les côtes des États-Unis, d'Europe, d'Australie, de Nouvelle-Zélande et bien plus encore.
Pour plus de détails, veuillez consulter la carte de couverture mondiale de PredictWind par modèle de prévision .
La carte des vents ci-dessous concerne la localité de Newport, aux États-Unis. Elle utilise la fonction écran partagé (bouton bascule surligné en rouge) qui permet de placer un modèle ( GFS 25 km ) à gauche et un autre ( PWG 1 km ) à droite.
Le PWG montre clairement comment le vent du nord interagit avec les canaux terrestres et maritimes, alors que le GFS ne peut pas donner cette information en raison de la faible résolution.
Voici une excellente vidéo pour en savoir plus sur la résolution des modèles :
3. Déterministe vs. Ensembles
Jusqu'à présent, nous avons abordé les modèles météorologiques déterministes. Ces modèles prennent en compte un ensemble de conditions initiales et fournissent une solution de prévision unique. Cette méthode est la plus précise et fonctionne bien à court et moyen terme, c'est-à-dire sur quelques jours. Cependant, la précision des prévisions diminue avec le temps ; un autre type de modèle météorologique, appelé « ensembles », peut donc être utilisé.
Un modèle météorologique d'ensemble adopte une approche différente. Au lieu d'une seule prévision, il exécute plusieurs simulations légèrement différentes (appelées membres de l'ensemble), chacune présentant de légères variations des conditions initiales et de la physique (par exemple, ECMWF ENS). Cela permet de révéler l'éventail des scénarios météorologiques possibles, rendant les prévisions plus fiables, notamment pour les prévisions à long terme et les phénomènes météorologiques extrêmes.
Les ensembles sont utilisés pour suivre les ouragans très difficiles à prévoir. Chaque ligne jaune ci-dessous représente la trajectoire du centre de l'ouragan pour un membre de l'ensemble. Ce type de tracé est parfois appelé tracé « spaghetti ». Si les trajectoires jaunes sont groupées et serrées, il y a de fortes chances que l'ouragan suive cette zone. Si les trajectoires jaunes ne sont pas groupées et divergent, l'incertitude sur la trajectoire de l'ouragan est grande.
Source : Fox 10 Phoenix
PredictWind utilise Ensemble pour le routage météorologique de plus de 10 jours, ce qui va au-delà du modèle déterministe ECMWF .
Si votre itinéraire météo s'étend sur plus de 10 jours, le calcul de l'itinéraire après 10 jours sera effectué à partir d'un élément de la prévision d'ensemble. Ceci est utile, par exemple, pour une traversée de l'Atlantique de plus de 10 jours. L'itinéraire vous mènera à votre point d'arrivée dans les Caraïbes au lieu de se terminer au milieu de l'océan.
4. Comment utiliser les modèles météorologiques pour les activités marines
Pour les prévisions à court terme (jusqu'à 36 heures), des modèles haute résolution comme PWG et PWE 1 km de PredictWind, ou des modèles locaux comme AROME, HRRR et NAM, ainsi que des modèles globaux comme ECMWF et GFS, fournissent des informations détaillées sur le vent et les vagues. Pour une planification à plus long terme (jusqu'à 7 à 10 jours), des modèles globaux comme ECMWF , SPIRE, UKMO et les modèles de PredictWind aident à identifier les tendances émergentes et à évaluer la fiabilité des prévisions.
Nous proposons plusieurs modèles, car aucun n'est systématiquement le plus précis. Les performances peuvent varier selon le lieu et les conditions : parfois, un modèle est plus performant, puis un autre prend le dessus. Si tous les modèles présentent des tendances similaires, la confiance dans les prévisions est plus grande. En revanche, si les résultats diffèrent fortement, cela indique une plus grande incertitude.
Il est toujours préférable de consulter les cartes à la plus haute résolution disponibles : une résolution plus élevée signifie généralement des prévisions plus précises. Comparer les prévisions avec celles des stations d'observation locales et avec vos propres données visuelles/instrumentales peut également être utile. Par exemple, si PWG prévoit 25 nœuds de vent du sud avec de la pluie, et que c'est exactement ce que vous constatez, alors il est probablement performant et mérite d'être davantage fiable à court terme.
Vous pouvez vérifier les notes de précision du modèle auprès d'un centre météorologique national ici :
👉 Rapport technique de validation du modèle
Avec seulement 1 à 2 modèles, il peut être difficile de savoir à qui faire confiance, mais avec l'accès à jusqu'à 9 modèles, il est plus facile de repérer le consensus et de prendre des décisions plus éclairées.
Pour mieux comprendre ce que représente chaque modèle, consultez cet article d'aide :
👉 Terminologie du modèle PredictWind
Pendant votre traversée, nous vous recommandons de mettre à jour votre itinéraire météo au moins deux fois par jour. Vous pouvez également consulter les observations en direct dans votre région pour déterminer quel modèle est le plus performant en fonction des conditions réelles.
Consultez les prévisions au moins deux fois par jour. Les modèles globaux de PredictWind sont mis à jour toutes les 12 heures, et certains modèles régionaux sont actualisés plus fréquemment. Pour une liste complète des heures de mise à jour, consultez cet article :
👉 Heures de mise à jour des prévisions (GMT)
Modèles d'ensemble, tels que ECMWF ENS, Aider à évaluer l'incertitude et à identifier les tendances météorologiques possibles pour une planification à plus long terme, au-delà de 7 à 10 jours. Si l'état de la mer est une préoccupation majeure, les modèles de vagues et d'océans comme WW3 (WaveWatch III) ou RTOFS offrent des prévisions détaillées sur la hauteur des vagues, les courants océaniques et la température de surface de la mer.
Plusieurs paramètres météorologiques clés doivent être surveillés lors de la planification d'une croisière. La vitesse et la direction du vent sont cruciales, car elles influencent l'efficacité de la navigation, la consommation de carburant et la stabilité du navire. La hauteur et la période des vagues déterminent la force de la mer, tandis que les courants océaniques et les marées influencent la navigation et la consommation de carburant. Les tempêtes et les phénomènes météorologiques violents, notamment les cyclones et les bourrasques, peuvent présenter de graves risques, d'où l'importance de surveiller leur évolution. La visibilité et le brouillard sont également des facteurs importants, notamment lors de la navigation dans des voies navigables encombrées ou étroites.
Lors de l'application des données de prévision, il est préférable de comparer plusieurs modèles afin d'identifier les tendances et les incohérences. Les prévisions d'ensemble doivent être utilisées pour évaluer l'incertitude, en particulier pour les voyages longue distance. Les conditions maritimes pouvant évoluer rapidement, des mises à jour fréquentes sont nécessaires pour garantir la sécurité de la navigation. Ajuster les itinéraires et les horaires en fonction des prévisions de vent, de vagues et de tempêtes contribue à optimiser la sécurité et l'efficacité.
En utilisant les bons modèles météorologiques et en surveillant les paramètres clés, les marins peuvent prendre des décisions éclairées, minimiser les risques et garantir des voyages plus fluides et plus efficaces.
5. Modèles météorologiques d'intelligence artificielle
Comme nous l'avons vu depuis le début de cet article, la prévision numérique du temps utilise un ensemble fixe de règles, c'est-à-dire les équations physiques de la météorologie, pour calculer comment le temps change.
De nos jours, l'intelligence artificielle (IA) conquiert le monde et touche de nombreux domaines, dont les prévisions météorologiques. La prévision météorologique par intelligence artificielle utilise une approche totalement différente de la prévision numérique.
Dans un modèle d'IA, il n'y a pas d'équations physiques ni de règles météorologiques. Au lieu de cela, le modèle d'IA est d'abord alimenté par de nombreuses données météorologiques historiques, ce qui lui permet d' apprendre à prévoir le temps. Cela peut paraître un peu déroutant, alors prenons une analogie simple pour comprendre le concept de base du modèle météorologique d'IA.
Prenons l'exemple d'un vieux pêcheur qui quitte le quai tous les jours à 5 heures du matin pour aller pêcher. Fort de ses 40 ans d'expérience en mer, si vous le croisez un matin sur le quai et lui demandez s'il y aura du vent aujourd'hui, il vous répondra peut-être : « Je pense qu'il soufflera 10 nœuds de nord-est d'ici 10 h, à mon retour au quai. » Sans utiliser de modèle numérique, il compare intuitivement la météo actuelle à celle de tous les jours similaires qu'il a connus par le passé. En d'autres termes, son expérience lui permet d'établir des prévisions basées uniquement sur des données historiques.
Les prévisions météorologiques par IA sont assez similaires, mais avec quelques différences notables d'échelle. Les données météorologiques historiques sont constituées de milliers de milliards de points de données, tandis que le modèle d'IA est composé de millions de paramètres. De plus, le modèle d'IA utilise les schémas spatiaux des données observées pour projeter les conditions météorologiques futures. Expliquons cela plus en détail.
5a. Ensembles de données météorologiques historiques utilisés pour former des modèles météorologiques d'IA
ERA5 est un ensemble de données de réanalyse mondiale produit par le Centre européen pour les prévisions météorologiques à moyen terme ( ECMWF ). Il fournit des données météorologiques et climatiques horaires de 1950 à nos jours, couvrant l'ensemble de la planète avec une résolution spatiale d'environ 31 km. ERA5 combine les observations des satellites, des stations météorologiques et des bouées avec des modèles numériques avancés pour reconstituer avec précision les conditions météorologiques passées. Il inclut des variables clés comme la température, la vitesse du vent, la pression atmosphérique, les précipitations et la température de surface de la mer.
Il est important de comprendre l'ampleur des données ERA5 : environ 20 millions de gigaoctets . Voyons maintenant comment cet ensemble de données peut être utilisé pour entraîner le modèle météorologique d'IA afin qu'il puisse prévoir l'avenir.
5b. Données et images météorologiques
Les données météorologiques sont généralement représentées sur une carte météorologique, qui n'est rien de moins qu'une image. De ce fait, le type d'IA utilisé pour les prévisions météorologiques est le même que celui utilisé pour le traitement d'images.
Un Transformateur de Vision (ViT) divise la carte météorologique en petites zones, comme on découpe une photo en pièces de puzzle. Chaque zone est convertie en nombres et traitée comme un mot dans une phrase. Un modèle de Transformateur analyse ensuite toutes les zones ensemble, utilisant l'auto-attention pour identifier les relations entre des zones éloignées, comme pour repérer une tempête se formant à travers plusieurs régions. Cela permet aux modèles d'IA de comprendre les tendances des données météorologiques avec plus de précision et de rapidité. Les ViT analysent l'ensemble du tableau simultanément, ce qui les rend parfaits pour la prévision de systèmes météorologiques complexes.
Voici comment un Vision Transformer prend une image, la décompose en 9 jetons et utilise des méthodes d'IA appelées « attention » pour y déceler des schémas. De même, une carte météorologique peut être utilisée pour identifier des schémas tels qu'un front froid, une convergence cyclonique pour des systèmes dépressionnaires profonds, etc.
5c. Comment entraîner le modèle météorologique de l'IA
L'idée clé est d'entraîner le modèle à partir de données météorologiques historiques. Ce n'est qu'une fois le modèle entraîné que nous pourrons l'utiliser pour prévoir de nouvelles données météorologiques afin de prédire le temps de demain.
Pour expliquer le mécanisme de formation, prenons une seule carte météorologique, qui est la température de l'air au 1er janvier 2000, à 4 heures du matin fournie par l'ensemble de données ERA5, voir l'image ci-dessous - elle ne représente pas les données réelles mais est fournie comme une aide visuelle.
image4am : Carte des températures à 4 heures du matin le 1er janvier 2020 fournie par le jeu de données ERA5
En utilisant uniquement l'image 4h/4h, le modèle d'IA fournira une prévision fiable s'il parvient à générer la température de l'air six heures plus tard, à 10h. Comme la base de données ERA5 contient également la carte de 10h, le modèle d'IA pourra comparer ses prévisions avec l'image et potentiellement tirer des leçons de ses erreurs pour s'améliorer et apprendre.
Au début de l'entraînement du modèle, celui-ci recevra une image « image4am » et créera sa première image « Forecast10am ». Les prévisions seront en réalité très mauvaises . L'image de prévision peut être une carte uniforme de 20 °C sur l'ensemble du globe, ou une carte comme celle ci-dessous, légèrement meilleure, mais loin d'être comparable à la carte réelle « image10am » stockée dans la base de données ERA5.
ImageForecast10am : image prévue par le modèle d'IA au début du processus d'apprentissage. Cette carte est lisse et peu détaillée et ne peut pas représenter la température réelle de l'air à 9 h enregistrée dans la base de données ERA5.
Même si la première prévision effectuée par le modèle d'IA entre 4 h et 10 h est mauvaise, le modèle peut comparer ImageForecast10am à l'image10am stockée dans ERA5. Le modèle identifiera les erreurs de prévision et leur ampleur, par exemple une erreur de température de +2 °C sur Londres. Connaissant toutes ces erreurs sur la carte, le modèle ajustera ses paramètres pour minimiser les erreurs de température.
La même image Image4am sera ensuite réinjectée dans le modèle, et les prévisions seront légèrement meilleures, mais globalement toujours assez mauvaises. De nouvelles erreurs seront à nouveau calculées et les millions de paramètres seront légèrement ajustés. En répétant cette opération plusieurs fois, le modèle affinera ses paramètres et s'améliorera sans cesse. Nous obtiendrons ainsi un modèle entraîné, prêt à être utilisé pour prévoir la température de l'air à partir de nouvelles données, soit une carte de température de l'air actuelle, permettant de générer des prévisions précises.
Voici quelques points pertinents supplémentaires concernant les modèles météorologiques IA :
Des millions de paramètres
Ces millions de paramètres sont définis au cours d'une période de formation qui dure quelques semaines ou quelques mois, nécessitant d'énormes ressources informatiques
En conclusion, un modèle météorologique d'IA peut être imaginé comme un tableau de bord doté de millions de boutons réglables pendant l'entraînement, ce qui lui permet de bien prévoir les données historiques. Un tel tableau de bord est illustré dans l'image ci-dessous.
Des millions de boutons (paramètres) sont ajustés pendant la formation pour créer un modèle d'IA.
Remarque : Pour les lecteurs intéressés par ce qui précède, nous recommandons les quatre premières vidéos de la série YouTube sur les réseaux neuronaux . Elles expliquent le réseau neuronal qui reconnaît les nombres manuscrits.
Le concept de reconnaissance d’image pour les nombres manuscrits est similaire à la reconnaissance d’image pour la carte de température de l’air.
5d. Modèles météorologiques IA disponibles
Maintenant que nous avons présenté les concepts de base du modèle météorologique IA, examinons les modèles actuellement disponibles au début de 2025.
Voici un tableau comparatif des modèles de prévision météorologique basés sur l'IA les plus populaires, notamment Fengwu, GraphCast, FourCastNet et Pangu-Weather.
Modèle | Promoteur | Plage de prévisions | Résolution spatiale | Nombre de paramètres |
Fengwu | Laboratoire d'IA de Shanghai | Jusqu'à 11,25 jours | 9 km (Fengwu-GHR) | Non divulgué publiquement |
GraphCast | DeepMind (Google) | Jusqu'à 10 jours | 25 km | ~36,7 millions |
FourCastNet | NVIDIA et Lawrence Berkeley National Lab | Jusqu'à 10 jours | 25 km | Non divulgué publiquement |
Pangu-Météo | Huawei Cloud | Jusqu'à 7 jours | 25 km | ~256 millions |
5e. Prévision météorologique par IA vs. prévision météorologique numérique
Une question que vous vous posez peut-être est la suivante : les modèles météorologiques IA sont-ils meilleurs que les modèles météorologiques numériques ?
Il s'agit d'une question délicate ; nous présentons donc ci-dessous la réponse fournie par Chat-GPT, qui privilégie probablement les modèles météorologiques basés sur l'IA. À vous de juger !
Les modèles météorologiques basés sur l’IA s’améliorent rapidement, mais les modèles traditionnels de prévision numérique du temps (PNT) présentent encore des avantages clés dans certains domaines :
Les modèles d’IA sont plus rapides et plus efficaces car ils génèrent des prévisions en quelques secondes ou minutes, tandis que les modèles NWP prennent des heures à s’exécuter.
Les modèles d’IA nécessitent moins de puissance de calcul, ce qui les rend plus accessibles que les simulations complexes basées sur la physique.
Les modèles d’IA surpassent les modèles NWP pour les prévisions à court et moyen terme (jusqu’à 10 jours), mais ont du mal avec les prévisions à long terme.
Les modèles NWP sont plus efficaces pour prévoir les événements météorologiques extrêmes, tels que les ouragans et les typhons, en raison de leur approche basée sur la physique.
Les modèles NWP fournissent des prévisions à long terme plus cohérentes et plus fiables, tandis que les modèles d'IA produisent parfois des résultats irréalistes.
L'avenir des prévisions météorologiques sera probablement une approche hybride, combinant la vitesse de l'IA avec la précision du NWP pour de meilleures prévisions.
En conclusion, PredictWind est constamment à la recherche d'innovation et de nouvelles technologies pour offrir à ses utilisateurs la meilleure technologie météorologique au monde. En 2025, PredictWind ajoutera des modèles météorologiques basés sur l'IA à son offre de modèles météorologiques numériques mondiaux et régionaux. Restez connectés pour en savoir plus !
Prochaine étape : le vent
Pour en savoir plus, lisez la suite ! Dans le prochain article, Météorologie marine 2 : Le vent , nous explorerons comment le vent influence chaque décision sur l'eau, apprendrons à maîtriser ses forces, à décoder les cartes météorologiques et à exploiter sa puissance pour une navigation sûre et sereine.