Cet article couvrira divers aspects des modèles météorologiques, notamment :

Commençons par un exemple : Demain à 14h, le modèle météo européen ECMWF pourrait prévoir un vent de 15 nœuds d'Est sur l'île de Wight. On peut se demander comment une telle prévision de vent est calculée en premier lieu et plus généralement comment fonctionne un modèle météorologique numérique. De plus, un autre modèle comme le modèle américain GFS peut prévoir quelque chose de différent, ce qui rend cela déroutant pour tout le monde.

Cet article explique comment les modèles météorologiques sont conçus et comment ils fonctionnent. En comprenant ces concepts, le navigateur sera en mesure de mieux interpréter les prévisions météorologiques numériques et de comparer les différents modèles, dans le but de prendre des décisions meilleures et plus sûres en mer.

Les modèles météorologiques produisent souvent des prévisions différentes pour un même endroit, ce qui peut prêter à confusion pour les marins. Par exemple, demain à 14 heures, le modèle météorologique européen ( ECMWF ) pourrait prédire 15 nœuds de vent d'est sur l'île de Wight, tandis que le modèle américain (GFS) prévoit quelque chose de différent. Mais comment ces prévisions sont-elles générées et pourquoi les modèles sont-ils parfois en désaccord ?

Cet article explore la façon dont les modèles météorologiques numériques sont conçus et comment ils fonctionnent. En comprenant ces concepts, les marins peuvent mieux interpréter les prévisions, comparer différents modèles et prendre des décisions en mer plus sûres et plus éclairées.

Les modèles météorologiques sont un sujet complexe, commençons donc par une simple comparaison. La prévision météorologique numérique, c'est comme « préparer un gâteau ».

Décomposons maintenant en détail ces quatre étapes :

Pour prévoir la météo à l’avenir, vous devez d’abord connaître la météo actuelle.
C'est votre point de départ et le modèle météorologique calculera le changement par rapport à cet état initial. En météorologie, ce point de départ est appelé les conditions initiales et peut être résumé comme un instantané de l'atmosphère actuelle .

Connaître l’état de l’atmosphère nécessite désormais de mesurer tous les paramètres météorologiques, tels que la vitesse et la direction du vent, la pression, la température et l’humidité. Cela doit être fait partout, dans le monde entier, non seulement en 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.

L'image ci-dessus est impressionnante, mais la réalité est que l'état de l'atmosphère à un instant donné ne peut être parfaitement connu, soit à cause de données manquantes, soit à cause de l'imprécision des instruments météorologiques. En fin de compte, l’imprécision des conditions initiales est l’une des raisons pour lesquelles les prévisions météorologiques numériques ne peuvent pas être parfaitement précises et les prévisions ne peuvent pas être exactes à 100 % du temps.

Donc, pour résumer, en n'ayant pas des conditions initiales parfaites, c'est à dire des ingrédients parfaits, on ne peut pas faire une prévision parfaite, c'est à dire un gâteau parfait.

La création de 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 bon nombre des mêmes données d'instruments pour établir les conditions initiales, aboutissent à des conditions initiales différentes. C'est l'une des raisons pour lesquelles le GFS et ECMWF peuvent différer. De plus, en remarque, PredictWind utilise ces deux conditions initiales différentes pour générer deux modèles propriétaires différents :

Enfin, les conditions initiales sont générées quotidiennement à des heures spécifiques en utilisant l'heure UTC. Généralement, ils sont appelés 0 UTC ou 12 UTC .

Les conditions initiales sont ensuite utilisées pour prévoir la météo un peu plus tard, appelé pas de temps du modèle , et cela peut être résumé en une seule équation :

Cette équation commence au temps égal à 0, qui est maintenant , c'est-à-dire 0 UTC. La prévision météorologique, disons 1 minute plus tard, est la météo des conditions initiales plus un terme F(A), qui représente la combinaison de tous les types de forçages pouvant survenir multipliée par le pas de temps (par exemple 1 minute) pour égaler le changement météorologique pendant cette minute. Ensuite, nous continuons pendant la minute suivante et la minute suivante jusqu'à ce que nous obtenions une prévision sur 10 jours.

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

L'atmosphère est trop grande et complexe pour être simulée d'un seul coup, c'est pourquoi les scientifiques la divisent en une grille 3D. Imaginez découper l'atmosphère en petits cubes, comme un Rubik's Cube géant. Chaque cube représente une petite partie 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. Il peut être exprimé en degrés ou en kilomètres. Par exemple, le modèle ECMWF a une résolution de 0,1° ou 9 kilomètres.

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 sont intimidantes, mais elles sont essentielles car elles sont utilisées par tous les modèles météorologiques. Il n’est pas nécessaire de comprendre ces équations 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.

L'ordinateur exécute la simulation pour chaque point de la grille et chaque pas de temps, calculant ainsi l'évolution de l'atmosphère au fil du temps partout sur le globe. Ce processus est répété encore et encore, mettant à jour la prévision pour le pas de temps suivant jusqu'à atteindre la durée totale de la prévision (par exemple 10 jours pour ECMWF ). La sortie du modèle est généralement simplifiée et distribuée toutes les heures (même si le pas de temps du modèle est beaucoup plus court, de l'ordre de quelques minutes). De très gros ordinateurs sont nécessaires pour exécuter ces modèles ; voir l'image ci-dessous.

Le calcul d'une prévision météo à 10 jours prend quelques heures, et c'est une des raisons pour lesquelles la prévision utilisant les conditions initiales à 0 GMT n'est pas disponible à 0 GMT. Généralement, quelques heures sont nécessaires, et la prévision GFS 0 GMT est disponible à 4h40 GMT, et pour ECMWF , qui a une résolution plus élevée, elle est plus tardive à 7 GMT. Ce retard est également dû au temps nécessaire pour générer les fichiers de conditions initiales, traiter la sortie et distribuer les prévisions à PredictWind ou à d'autres sociétés météorologiques.

PredictWind a développé un outil pour 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)

Les résultats des prévisions sont distribués dans un format appelé GRIB (Gridded Binary), qui est organisé en termes de :

Voir ci-dessous un tableau résumant cela pour certains modèles :

PredictWind télécharge ces résultats météorologiques depuis 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 distribuées par PredictWind.

Dans la première section, nous avons présenté des modèles globaux qui prévoient la météo pour le monde entier. Ces modèles sont parfaits pour prévoir de grands phénomènes météorologiques, comme une grosse dépression traversant l’océan Atlantique et les vents associés.

Cependant, en raison de leur grande échelle, ces modèles ne peuvent pas capturer des conditions météorologiques localisées comme une brise marine locale ou l'accélération de la vitesse 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 qui leur permet de capturer les effets locaux.

Modèles régionaux/à méso-échelle (plus haute résolution, prévisions à court terme)

PredictWind a développé deux modèles régionaux appelés PWG et PWE 1 km . Cliquez ici pour en savoir plus sur ces modèles.
​
Ces modèles ne sont pas limités à un pays spécifique mais se concentrent sur les côtes prisées pour la voile dans le monde entier. Les zones couvertes comprennent toutes les côtes des États-Unis, de l’Europe, de l’Australie, de la Nouvelle-Zélande et bien plus encore.
​
Pour plus de détails, veuillez consulter la carte de couverture mondiale PredictWind par modèle de prévision .

La carte des vents ci-dessous correspond à l’emplacement : Newport, États-Unis. La carte utilise la fonction d'écran partagé (bouton bascule surligné en rouge) qui vous permet de placer un modèle ( GFS 25 km ) à gauche et un autre modèle ( PWG 1 km ) à droite.
​

PWG montre clairement comment le vent du nord interagit avec les canaux terrestres et aquatiques, alors que GFS ne peut pas fournir cette information en raison de la faible résolution.

Voici une superbe vidéo pour en savoir plus sur la résolution du modèle :

Jusqu’à présent, nous avons discuté de modèles météorologiques déterministes. Ces modèles prennent un ensemble de conditions initiales et donnent une solution de prévision. Cette méthode est la plus précise et fonctionne bien à court et moyen terme, c'est-à-dire quelques jours. Cependant, la précision des prévisions diminue avec le temps, c'est pourquoi un autre type de modèle météorologique appelé « Ensembles » peut être utilisé.

Un modèle météorologique Ensemble adopte une approche différente. Au lieu d'une prévision unique, il exécute de nombreuses simulations légèrement différentes (appelées membres d'ensemble), chacune avec de petits changements dans les conditions initiales et la physique (par exemple, ECMWF ENS). Cela permet de révéler l’éventail des résultats météorologiques possibles, rendant les prévisions plus fiables, en particulier pour les prévisions à long terme et les conditions météorologiques extrêmes.
​

Les ensembles sont utilisés pour suivre les ouragans très difficiles à prévoir. Chaque ligne jaune ci-dessous est une trace du centre de l'ouragan pour un membre de l'ensemble. Une telle intrigue est parfois appelée intrigue « spaghetti ». Si les traces jaunes sont groupées et serrées, il y a de fortes chances que l'ouragan suive cette zone. Si les traces jaunes ne sont pas regroupées et divergentes, il y a beaucoup d'incertitude sur la trajectoire de l'ouragan.
​

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, alors le calcul de l'itinéraire météo après 10 jours sera effectué à l'aide d'un membre de la prévision Ensemble. Ceci est utile, par exemple, pour une traversée de l'Atlantique qui durera plus de 10 jours. L'itinéraire vous mènera à votre waypoint final dans les Caraïbes au lieu de se terminer au milieu de l'océan.

Pour les prévisions à court terme (jusqu'à 36 heures), des modèles haute résolution comme PWG et PWE 1km de PredictWind, ou des modèles locaux tels que 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, notamment ECMWF , SPIRE, UKMO et les propres modèles de PredictWind, aident à identifier les tendances en développement et à évaluer la fiabilité des prévisions.

Nous proposons plusieurs modèles car il n’existe pas de modèle unique qui soit systématiquement le plus précis. Les performances peuvent varier en fonction de l'emplacement et des conditions : parfois, un modèle est plus performant, puis un autre prend les devants. Si tous les modèles présentent des tendances similaires, vous pouvez avoir une plus grande confiance dans les prévisions. S’ils diffèrent considérablement, c’est le signe que la situation est plus incertaine.

Il est toujours préférable d'examiner les cartes disponibles à la plus haute résolution : une résolution plus élevée signifie généralement des prévisions plus précises. Comparer les prévisions aux stations d'observation locales et à vos propres données visuelles/instrumentales peut également être utile. Par exemple, si PWG prévoit 25 nœuds du sud avec de la pluie, et que c'est exactement ce que vous ressentez, alors il fait probablement du bon travail et on devrait lui faire davantage confiance à court terme.

Vous pouvez vérifier les cotes de précision du modèle 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 un accès à 9 modèles maximum, 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 le passage, nous vous recommandons de mettre à jour votre itinéraire météo au moins deux fois par jour. Vous pouvez également surveiller les observations en direct dans votre région pour voir quel modèle suit actuellement le mieux les conditions réelles.

Vous devriez vérifier 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 s'actualisent plus fréquemment. Pour une 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, 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 les conditions de la mer sont 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 les températures de surface de la mer.
​

Plusieurs paramètres météorologiques clés doivent être surveillés lors de la planification d’un voyage maritime. La vitesse et la direction du vent sont cruciales et affectent 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 influencent la navigation et l'efficacité énergétique. Les tempêtes et les intempéries, notamment les cyclones et les rafales, peuvent présenter de graves risques, ce qui rend essentiel le suivi de leur évolution. La visibilité et le brouillard sont également des facteurs importants, notamment lors de la navigation sur des voies navigables encombrées ou étroites.
​​

Lors de l'application de données prévisionnelles, il est préférable de comparer plusieurs modèles pour identifier les tendances et les incohérences. Les prévisions d’ensemble devraient être utilisées pour évaluer l’incertitude, en particulier pour les trajets longue distance. Étant donné que les conditions maritimes peuvent changer rapidement, des mises à jour fréquentes sont nécessaires pour garantir la sécurité de la navigation. L'ajustement des itinéraires et des horaires en fonction des prévisions de vent, de vagues et de tempêtes permet d'optimiser à la fois 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, c'est-à-dire les équations physiques de la météorologie, pour calculer l'évolution du temps.
​

De nos jours, l’intelligence artificielle (IA) prend d’assaut le monde et touche de nombreux domaines, notamment les prévisions météorologiques. La prévision météorologique par intelligence artificielle utilise une approche totalement différente de la prévision météorologique 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 la météo. Cela peut être un peu déroutant, alors prenons une analogie simple pour comprendre le concept de base du modèle météorologique de l'IA.

Prenons l'exemple d'un vieux pêcheur qui quitte le quai tous les jours à 5 heures du matin pour aller pêcher. Avec tout son savoir-faire en mer depuis 40 ans, si vous le rencontrez un matin sur le quai et lui demandez s'il va y avoir du vent aujourd'hui, il vous dira peut-être : "10 nœuds du Nord-Est à 10 heures quand je suis de retour à quai, je pense". Sans utiliser de modèle météorologique numérique dans sa tête, il compare intuitivement la météo actuelle à toutes les journées similaires qu'il a connues dans le passé. En termes simples, son expérience lui permet de faire une prévision basée uniquement sur les données historiques qu'il a vécues.

Les prévisions météorologiques de l’IA sont un peu similaires, mais avec quelques différences d’échelle notables. Les données météorologiques historiques sont constituées de milliards de points de données et le modèle d’IA est constitué de millions de paramètres. De plus, le modèle d’IA utilise des modèles spatiaux dans les données observées pour projeter les conditions météorologiques futures. Expliquons cela plus en détail maintenant.

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 horaires et climatiques de 1950 à nos jours, couvrant la planète entière 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 reconstruire avec précision les conditions météorologiques passées. Il comprend des variables clés telles que la température, la vitesse du vent, la pression atmosphérique, les précipitations et la température de la surface de la mer.

Ce qu’il est important de comprendre, c’est la taille des données ERA5. Nous parlons de 20 millions de gigaoctets . Voyons maintenant comment ce vaste ensemble de données peut être utilisé pour entraîner le modèle météorologique de l'IA afin qu'il puisse prévoir l'avenir.

Les données météorologiques sont généralement représentées sur une carte météorologique, qui n’est rien de moins qu’une image. Pour cette raison, le type d’IA utilisé pour la prévision météorologique est le même que pour le traitement des images.

Un Vision Transformer (ViT) fonctionne en divisant la carte météo en petits morceaux, comme si on découpait une photo en morceaux de puzzle. Chaque patch est converti en nombres et traité comme un mot dans une phrase. Un modèle de transformateur examine ensuite tous les patchs ensemble, en utilisant l'auto-attention pour trouver des relations entre des zones distantes, comme si vous repérez une tempête qui se forme à travers les régions. Cela aide les modèles d’IA à comprendre les tendances des données météorologiques avec plus de précision et de rapidité. Les ViT analysent simultanément l’ensemble de la situation, ce qui les rend parfaits pour prévoir des systèmes météorologiques complexes.

Vous trouverez ci-dessous comment un Vision Transformer prendra une image, la décomposera en 9 jetons et utilisera des méthodes d'IA pour attirer l'attention pour trouver certains modèles dans une image. De même, une carte météo pourrait être utilisée pour trouver des modèles comme un front froid, une convergence cyclonique pour des systèmes dépressionnaires profonds, etc.

Le concept clé est que nous devons entraîner le modèle à l'aide de données météorologiques historiques. Ce n'est que lorsque le modèle est entraîné que nous pouvons l'utiliser pour prévoir de nouvelles données météorologiques afin de prédire la météo de demain.

Pour expliquer le mécanisme de formation, prenons une seule carte météo, qui représente 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 image4am, le modèle d'IA fera une bonne prévision s'il peut générer la température de l'air 6 heures plus tard, à 10 heures du matin. Puisque la base de données ERA5 possède également la carte de 10 heures du matin dans sa base de données, le modèle d'IA pourra comparer ses prévisions avec l'image de la base de données et potentiellement apprendre de ses erreurs pour s'améliorer et apprendre.

Au début de la formation du modèle, le modèle recevra image4am et il créera sa première imageForecast10am, et la prévision sera en fait vraiment mauvaise . L'image de prévision peut être une carte uniforme de 20°C partout dans le monde ou peut-être une carte comme celle ci-dessous, qui est légèrement meilleure mais même pas proche de l'image réelle de la carte à 10 heures du matin stockée dans la base de données ERA5.

Même si la première prévision effectuée pour le modèle IA de 4h à 10h est terrible, le modèle peut comparer ImageForecast10am à l'image10am stockée dans ERA5. Le modèle saura où la prévision était fausse et dans quelle mesure, par exemple. une erreur de température de +2° sur Londres. Connaissant toutes ces erreurs partout sur la carte, le modèle ajustera ses paramètres pour minimiser les erreurs de température.
​
Ensuite, la même image Image4am sera transmise au modèle une autre fois, et les prévisions seront légèrement meilleures mais toujours assez mauvaises dans l'ensemble. De nouvelles erreurs seront à nouveau calculées et les millions de paramètres seront à nouveau légèrement ajustés. En répétant cela plusieurs fois, le modèle affinera ses paramètres et s’améliorera de plus en plus. Nous obtiendrons un modèle entraîné, prêt à être utilisé pour prévoir la température de l’air à l’aide de nouvelles données, qui est aujourd’hui une carte de la température de l’air permettant de générer une prévision précise.

Voici quelques points pertinents supplémentaires concernant les modèles météorologiques IA :

Pour conclure, un modèle météorologique d’IA peut être imaginé comme un panneau de contrôle doté de millions de boutons pouvant être ajustés pendant la formation. Il fait donc un bon travail de prévision des ensembles de données historiques. Un tel panneau peut être visualisé dans l'image ci-dessous.

Maintenant que nous avons présenté les concepts de base du modèle météorologique IA, faisons un tour d'horizon des modèles disponibles actuellement début 2025.

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

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 difficile à répondre, c’est pourquoi nous mettons ci-dessous la réponse fournie par Chat-GPT, qui est probablement orientée vers les modèles météorologiques IA. Alors laissez le lecteur juger !

Les modèles météorologiques IA s’améliorent rapidement, mais les modèles traditionnels de prévision numérique du temps (PNT) présentent encore des avantages clés dans certains domaines :

Pour conclure, PredictWind est toujours à la recherche d'innovations et de nouvelles technologies pour offrir à nos utilisateurs la meilleure technologie météorologique au monde. En 2025, PredictWind ajoutera des modèles météorologiques IA à son offre de modèles météorologiques numériques mondiaux et régionaux existants. Alors restez à l’écoute pour en savoir plus !