Cet article abordera différents aspects des modèles météorologiques, notamment :

Prenons un exemple : demain à 14 h, le modèle météorologique européen ECMWF prévoit un vent de 15 nœuds d’est sur l’île de Wight. On peut se demander comment une telle prévision de vent est calculée et, plus généralement, comment fonctionne un modèle numérique de prévision météorologique. De plus, un autre modèle, comme le modèle américain GFS, peut prévoir des conditions différentes, ce qui peut prêter à confusion.

Cet article explore la conception et le fonctionnement des modèles météorologiques. La compréhension de ces concepts permettra aux navigateurs de mieux interpréter les prévisions 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 lieu, ce qui peut être source de confusion pour les navigateurs. Par exemple, demain à 14 h, le modèle européen ( ECMWF ) pourrait prévoir un vent de 15 nœuds d'est à l'île de Wight, tandis que le modèle américain (GFS) prévoit une situation différente. Mais comment ces prévisions sont-elles élaborées et pourquoi les modèles divergent-ils parfois ?

Cet article explique comment sont conçus et fonctionnent les modèles numériques météorologiques. La compréhension de ces concepts permet aux navigateurs de mieux interpréter les prévisions, de comparer différents modèles et de prendre des décisions plus sûres et plus éclairées en mer.

Les modèles météorologiques sont un sujet complexe, alors commençons par une comparaison simple. La prévision numérique du temps, c'est comme « faire un gâteau ».

Décomposons maintenant en détail ces quatre étapes :

Pour prévoir le temps à venir, il faut d'abord connaître le temps actuel.
Il s'agit de votre point de départ, et le modèle météorologique calculera l'évolution par rapport à cet état initial. En météorologie, ce point de départ est appelé conditions initiales et peut être résumé comme un instantané de l'atmosphère actuelle .

Pour connaître l'état de l'atmosphère, il est désormais nécessaire de mesurer tous les paramètres météorologiques, tels que la vitesse et la direction du vent, la pression, la température et l'humidité. Ces mesures doivent être effectuées partout dans le monde, non seulement au sol, mais aussi en altitude. De nombreux instruments sont utilisés pour cette tâche complexe, notamment des stations terrestres, des bouées, des navires, des aéronefs, des satellites, et bien d'autres, comme illustré ci-dessous.

L'image ci-dessus est impressionnante, mais en réalité, l'état de l'atmosphère à un instant donné ne peut être parfaitement connu, faute de données ou en raison de l'imprécision des instruments météorologiques. En résumé, l'imprécision des conditions initiales est l'une des raisons pour lesquelles les prévisions météorologiques numériques ne peuvent être parfaitement exactes et que les prévisions ne peuvent être correctes à 100 %.

En résumé, sans conditions initiales parfaites, c'est-à-dire sans ingrédients parfaits, on ne peut pas faire de prévisions parfaites, c'est-à-dire un gâteau parfait.

L’établissement des conditions initiales est également un processus complexe, et différentes agences météorologiques créent des conditions initiales différentes pour représenter la même atmosphère au même moment .
​
Par exemple, les deux modèles météorologiques GFS et ECMWF , bien qu'utilisant de nombreuses données instrumentales communes pour définir les conditions initiales, aboutissent à des conditions initiales différentes. C'est l'une des raisons pour lesquelles GFS et ECMWF peuvent diverger. Par ailleurs, il est à noter que PredictWind utilise ces deux conditions initiales différentes pour générer deux modèles propriétaires distincts.

Enfin, les conditions initiales sont générées quotidiennement à des heures précises en utilisant le temps UTC. Généralement, elles sont désignées par 0 UTC ou 12 UTC .

Les conditions initiales sont ensuite utilisées pour prévoir le temps un peu plus tard, ce que l'on appelle le pas de temps du modèle , et cela peut être résumé dans une seule équation :

Cette équation démarre à l'instant t = 0, soit maintenant (0 UTC). La prévision météorologique, disons une minute plus tard, correspond aux conditions météorologiques initiales auxquelles s'ajoute un terme F(A), qui représente la combinaison de toutes les perturbations possibles, multipliée par le pas de temps (par exemple, une minute), afin de calculer la variation météorologique durant cette minute. On répète ensuite l'opération minute par minute jusqu'à obtenir une prévision à 10 jours.

Le paragraphe suivant abordera la fonction F , qui est l' équation physique constituant le cœur d'un modèle météorologique.

L'atmosphère est trop vaste et complexe pour être simulée d'un seul coup ; les scientifiques la divisent donc en une grille 3D. Imaginez-la découpée en minuscules cubes, comme un Rubik's Cube géant. Chaque cube représente une petite portion de l'atmosphère, et le modèle calcule ce qui se passe à l'intérieur de chacun.

Le cube possède une longueur définie, qui correspond à la résolution du modèle météorologique. Celle-ci peut être exprimée en degrés ou en kilomètres. Par exemple, le modèle ECMWF a une résolution de 0,1°, soit 9 kilomètres.

Le modèle météorologique utilise des équations mathématiques pour prédire l'évolution de chaque cube au fil du temps. Ces équations reposent sur les lois de la physique, telles que les lois du mouvement de Newton et les lois de la thermodynamique. Elles 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 n'est pas nécessaire de les comprendre en détail, mais une connaissance de base de certains termes peut aider le lecteur à ne plus considérer un modèle météorologique comme une boîte noire.

Nous avons placé ci-dessous deux vidéos et un article pour le lecteur intéressé, mais n'hésitez pas à passer directement à la section 1c.

L'ordinateur effectue la simulation pour chaque point de grille et à chaque pas de temps, calculant ainsi l'évolution de l'atmosphère au fil du temps sur l'ensemble du globe. 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 diffusés toutes les heures (même si le pas de temps du modèle est beaucoup plus court, de l'ordre de quelques minutes). Ces modèles nécessitent des supercalculateurs ; voir l'image ci-dessous.

Le calcul d'une prévision météorologique à 10 jours prend quelques heures, ce qui explique pourquoi la prévision utilisant les conditions initiales à 0 h GMT n'est pas disponible à 0 h GMT. En général, quelques heures sont nécessaires ; la prévision GFS à 0 h GMT est disponible à 4 h 40 GMT, et celle d' ECMWF , qui offre une résolution plus élevée, à 7 h GMT. Ce délai est également dû au temps nécessaire à la génération des fichiers de conditions initiales, au traitement des données et à la distribution de la prévision à PredictWind et aux autres fournisseurs de services météorologiques.

PredictWind a développé un outil permettant d'identifier facilement l'heure de mise à jour actuelle et la prochaine mise à jour du modèle, afin que le client sache combien de temps il doit attendre pour obtenir les dernières prévisions.
​

Pour plus d'informations sur les délais de mise à jour des modèles, consultez la section Délais de mise à jour des modèles (GMT).

Les résultats prévisionnels sont distribués dans un format appelé GRIB (Gridded Binary), qui est organisé comme suit :

Vous trouverez ci-dessous un tableau récapitulant ces informations pour certains modèles :

PredictWind télécharge les données météorologiques des modèles GFS et ECMWF deux fois par jour (exécutions à 0 h UTC et à 12 h GMT). Des simulations sont également effectuées à 6 h UTC et à 18 h UTC, mais les conditions initiales utilisées à ces moments-là ont une résolution inférieure et ne sont pas distribuées par PredictWind.

Dans la première partie, nous avons présenté des modèles globaux de prévision météorologique pour le monde entier. Ces modèles sont particulièrement performants pour prévoir les phénomènes météorologiques de grande ampleur, comme le passage d'une vaste dépression traversant l'océan Atlantique et les vents qui y sont associés.

Cependant, du fait de leur grande échelle, ces modèles ne peuvent pas saisir les phénomènes météorologiques localisés, comme une brise marine locale ou l'accélération du vent entre deux collines. Des modèles régionaux ont été développés pour pallier ce problème. Ces modèles régionaux se concentrent sur une zone spécifique, généralement un pays, et effectuent des prévisions pour cette zone plus restreinte avec une résolution plus fine, ce qui leur permet de prendre en compte les effets locaux.

Modèles régionaux/mésoéchelle (prévisions à court terme et à plus haute résolution)

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 en particulier, mais se concentrent sur les côtes prisées pour la voile dans le monde entier. Les zones couvertes incluent les côtes des États-Unis, de l'Europe, de l'Australie, de la Nouvelle-Zélande et bien d'autres.
​
Pour plus de détails, veuillez consulter la carte de couverture mondiale de PredictWind par modèle de prévision .

La carte des vents ci-dessous concerne le lieu : Newport, États-Unis. La carte utilise la fonction d'écran partagé (bouton bascule en rouge) qui vous permet d'afficher un modèle ( GFS 25 km ) à gauche et un autre modèle ( PWG 1 km ) à droite.
​

Le modèle PWG montre clairement comment le vent du nord interagit avec les terres et les cours d'eau, alors que le modèle GFS ne peut pas fournir cette information en raison de sa faible résolution.

Voici une excellente vidéo pour en savoir plus sur la résolution des modèles :

Jusqu'à présent, nous avons abordé les modèles météorologiques déterministes. Ces modèles utilisent un ensemble de conditions initiales et fournissent une seule prévision. 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 ; c'est pourquoi on peut recourir à un autre type de modèle météorologique appelé « modèle d'ensemble ».

Un modèle météorologique d'ensemble adopte une approche différente. Au lieu d'une seule prévision, il exécute de nombreuses simulations légèrement différentes (appelées membres d'ensemble), chacune présentant de petites variations dans les conditions initiales et 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 modèles d'ensemble permettent de 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 graphique est parfois appelé « graphique spaghetti ». Si les trajectoires jaunes sont groupées et resserrées, il y a de fortes chances que l'ouragan suive cette zone. Si les trajectoires jaunes sont dispersées et divergentes, la trajectoire de l'ouragan est très incertaine.
​

PredictWind utilise Ensemble pour la prévision météorologique sur une période supérieure à 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'une prévision d'ensemble. Ceci est utile, par exemple, pour une traversée de l'Atlantique de plus de 10 jours. L'itinéraire vous mènera ainsi jusqu'à votre point d'arrivée dans les Caraïbes au lieu de s'arrêter au milieu de l'océan.

Pour les prévisions à court terme (jusqu'à 36 heures), les modèles à haute résolution comme PWG et PWE 1km de PredictWind, ou les modèles locaux tels qu'AROME, HRRR et NAM, ainsi que les modèles globaux comme ECMWF et GFS, fournissent des informations détaillées sur le vent et les vagues. Pour la planification à plus long terme (jusqu'à 7 à 10 jours), les modèles globaux, notamment ECMWF , UKMO et les modèles propres à PredictWind, permettent d'identifier les tendances émergentes et d'évaluer la fiabilité des prévisions.

Nous proposons plusieurs modèles car aucun n'est systématiquement le plus précis. Leurs performances peuvent varier selon le lieu et les conditions ; il arrive qu'un modèle soit plus performant, puis qu'un autre prenne l'ascendant. Si tous les modèles présentent des tendances similaires, vous pouvez avoir davantage confiance dans les prévisions. En revanche, des divergences importantes indiquent une plus grande incertitude.

Il est toujours préférable de consulter les cartes à la plus haute résolution disponible : une résolution plus élevée signifie généralement des prévisions plus précises. Comparer les prévisions aux données des stations d'observation locales et à vos propres observations visuelles et instrumentales peut également s'avérer utile. Par exemple, si PWG prévoit des vents du sud de 25 nœuds accompagnés de pluie, et que c'est exactement ce que vous observez, alors il est probable que ses prévisions soient fiables et qu'on puisse leur accorder plus de crédit à court terme.

Vous pouvez consulter ici les évaluations de précision du modèle auprès d'un centre météorologique national :
👉 Rapport technique de validation du modèle

Avec seulement 1 ou 2 modèles, il peut être difficile de savoir lequel privilégier, mais avec l'accès à jusqu'à 9 modèles, il est plus facile de repérer un 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 navigation, nous vous recommandons de mettre à jour votre itinéraire météorologique au moins deux fois par jour. Vous pouvez également consulter les observations en direct dans votre région afin de déterminer quel modèle correspond le mieux aux conditions réelles.

Il est conseillé de consulter 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 plus fréquemment. Pour obtenir la liste complète des heures de mise à jour, consultez cet article :
👉 Heures de mise à jour des prévisions (GMT)

Les modèles d'ensemble, tels que ECMWF ENS, Ces modèles permettent d'évaluer l'incertitude et d'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, des 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 la surface de la mer.
​

Plusieurs paramètres météorologiques clés doivent être surveillés lors de la planification d'une traversée maritime. La vitesse et la direction du vent sont cruciales, car elles influent sur l'efficacité de la navigation, la consommation de carburant et la stabilité du navire. La hauteur et la période des vagues déterminent l'état de la mer, tandis que les courants océaniques et les marées influent sur la navigation et la consommation de carburant. Les tempêtes et les intempéries, notamment les cyclones et les grains, peuvent présenter des risques importants ; il est donc essentiel de suivre leur évolution. La visibilité et le brouillard sont également des facteurs importants, en particulier lors de la navigation dans des voies navigables étroites ou encombrées.
​​

Lors de l'utilisation de données prévisionnelles, 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, notamment pour les traversées au long cours. Les conditions maritimes pouvant évoluer rapidement, des mises à jour fréquentes sont nécessaires pour garantir une navigation sûre. Adapter 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 assurer des voyages plus fluides et plus efficaces.

Comme nous l'avons vu depuis le début de cet article, la prévision numérique du temps utilise un ensemble fixe de règles, à savoir les équations physiques de la météorologie, pour calculer comment le temps évolue.
​

L'intelligence artificielle (IA) révolutionne aujourd'hui le monde et influence de nombreux domaines, dont la prévision météorologique. La prévision météorologique par intelligence artificielle repose sur une approche totalement différente de la prévision numérique du temps.
​
Dans un modèle d'IA, il n'y a ni équations physiques ni règles météorologiques. Le modèle est d'abord alimenté par une grande quantité de données météorologiques historiques, ce qui lui permet d' apprendre à prévoir le temps. Cela peut paraître complexe, alors prenons une analogie simple pour comprendre le concept de base d'un 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 quarante années d'expérience en mer, si vous le croisez un matin sur le quai et lui demandez s'il va y avoir du vent, il vous répondra peut-être : « Je parie sur 10 nœuds de nord-est vers 10 heures, quand je serai de retour au port. » Sans recourir à aucun modèle météorologique numérique, il compare intuitivement la météo actuelle à celle de journées similaires qu'il a vécues par le passé. En d'autres termes, son expérience lui permet d'établir une prévision basée uniquement sur son vécu.

La prévision météorologique par IA présente certaines similitudes, mais avec des différences d'échelle notables. Les données météorologiques historiques sont composées de milliards de points de données, tandis que le modèle d'IA repose sur des millions de paramètres. De plus, ce modèle utilise les tendances spatiales des données observées pour projeter les conditions météorologiques futures. Expliquons cela plus en détail.

ERA5 est un jeu de données de réanalyse global 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 des observations satellitaires, de stations météorologiques et de bouées avec des modèles numériques avancés afin de reconstituer avec précision les conditions météorologiques passées. Il inclut des variables clés telles que 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'immensité des données ERA5 : on parle de 20 millions de gigaoctets . Voyons maintenant comment cet ensemble de données massif peut être utilisé pour entraîner le modèle météorologique d'IA afin qu'il puisse prévoir l'avenir.

Les données météorologiques sont généralement représentées sur une carte météorologique, qui est ni plus ni moins qu'une image. De ce fait, le type d'IA utilisé pour les prévisions météorologiques est similaire au traitement d'images.

Un Vision Transformer (ViT) fonctionne en divisant la carte météorologique en petites zones, à la manière d'un puzzle. Chaque zone est convertie en nombres et traitée comme un mot dans une phrase. Un modèle de transformation analyse ensuite toutes les zones simultanément, en utilisant l'auto-attention pour identifier les relations entre des zones éloignées, comme la formation d'une tempête sur plusieurs régions. Cela permet aux modèles d'IA de comprendre plus précisément et plus rapidement les tendances des données météorologiques. Les ViT analysent l'ensemble de la situation simultanément, ce qui les rend particulièrement performants pour la prévision de systèmes météorologiques complexes.

Voici comment un Vision Transformer prend une image, la décompose en 9 éléments et utilise des techniques d'IA appelées « attention » pour y détecter des motifs. De même, une carte météorologique pourrait servir à repérer des phénomènes comme un front froid, une convergence cyclonique pour des systèmes dépressionnaires profonds, etc.

L'idée principale est qu'il faut entraîner le modèle à l'aide de données météorologiques historiques. Ce n'est qu'une fois le modèle entraîné que l'on pourra l'utiliser pour prévoir le temps du lendemain.

Pour expliquer le mécanisme d'entraînement, prenons une seule carte météorologique, celle de la température de l'air le 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 à titre d'aide visuelle.

En utilisant uniquement l'image de 4 h du matin, le modèle d'IA réalisera une bonne prévision s'il parvient à générer la température de l'air six heures plus tard, à 10 h. La base de données ERA5 contenant également la carte de 10 h, le modèle d'IA pourra comparer sa prévision avec l'image de la base de données et potentiellement tirer des leçons de ses erreurs afin de s'améliorer.

Au début de l'entraînement du modèle, celui-ci recevra l'image image4am et créera sa première prévision imageForecast10am. Or, cette prévision sera en réalité très mauvaise . Il peut s'agir d'une carte uniforme affichant 20 °C partout dans le monde, ou d'une carte similaire à celle ci-dessous, légèrement meilleure mais très loin de la réalité (image image10am) stockée dans la base de données ERA5.

Même si la première prévision effectuée par le modèle d'IA entre 4 h et 10 h est erronée, le modèle peut la comparer à l'image de 10 h stockée dans ERA5. Il pourra ainsi identifier les erreurs de prévision et leur ampleur, par exemple une erreur de température de +2 °C à Londres. Connaissant toutes ces erreurs sur la carte, le modèle ajustera ses paramètres afin de minimiser les erreurs de température.
​
L'image Image4am sera ensuite de nouveau soumise au modèle, et la prévision sera légèrement meilleure, mais restera globalement assez mauvaise. De nouvelles erreurs seront recalculées, et les millions de paramètres seront à nouveau légèrement ajustés. En répétant ce processus de nombreuses fois, le modèle affinera ses paramètres et deviendra de plus en plus performant. Nous obtiendrons ainsi un modèle entraîné, prêt à être utilisé pour prévoir la température de l'air à partir de nouvelles données, à savoir une carte des températures actuelles, permettant de générer une prévision précise.

Voici quelques points supplémentaires pertinents concernant les modèles météorologiques basés sur l'IA :

En conclusion, on peut se représenter un modèle météorologique basé sur l'IA comme un tableau de bord comportant des millions de boutons ajustables lors de son apprentissage, afin d'optimiser ses prévisions à partir des données historiques. Ce tableau de bord est illustré ci-dessous.

Maintenant que nous avons présenté les concepts fondamentaux des modèles météorologiques basés sur l'IA, passons en revue les modèles disponibles actuellement, début 2025.

Voici un tableau comparatif des modèles de prévision météorologique basés sur l'IA les plus populaires, notamment Fengwu, GraphCast, FourCastNet et Pangu-Weather.

Vous pourriez vous poser la question suivante : les modèles météorologiques basés sur l’IA sont-ils meilleurs que les modèles météorologiques numériques ?

Il est difficile de répondre à cette question, c'est pourquoi nous reproduisons ci-dessous la réponse fournie par Chat-GPT, qui est probablement orientée vers 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) conservent des avantages clés dans certains domaines :

En conclusion, PredictWind est constamment à la recherche d'innovations et de nouvelles technologies afin d'offrir à ses utilisateurs les meilleures technologies météorologiques au monde.

PW AI : PW AI est notre modèle d'IA PredictWind, entraîné à l'aide de nos propres jeux de données marines. Il combine les atouts d' ECMWF , d'AIFS, de Fengwu et de GraphCast pour générer une prévision unique et optimisée à l'échelle mondiale. Il fournit des prévisions horaires pour les trois premiers jours, offrant ainsi une précision temporelle supérieure à celle des autres modèles d'IA. PW AI a démontré d'excellentes performances lors des études de validation sur des périodes courtes et moyennes et sur de vastes zones géographiques.

Pour en savoir plus, poursuivez votre lecture ! Dans le prochain article, Météorologie marine 2 : Le vent , nous explorerons comment le vent influence chaque décision en mer, apprendrons à maîtriser ses forces, à décrypter les cartes météorologiques et à exploiter sa puissance pour une navigation sûre et sereine.