Signifie le modèle météorologique propriétaire PredictWind qui utilise les conditions initiales globales NCEP , traitées via le modèle CSIRO CCAM pour générer les prévisions PWG.

Modèle météorologique propriétaire de PredictWind qui utilise les conditions initiales mondiales ECMWF , traitées via le modèle CSIRO CCAM pour générer les prévisions PWE.

PredictWind est la seule entreprise privée au monde à disposer de cette technologie propriétaire permettant de générer des prévisions jusqu'à 1 km de résolution pour les zones les plus fréquentées du monde. Ces prévisions à 1 km de résolution sont disponibles sur 36 heures et bénéficient d'un excellent score de précision grâce à l'outil de validation.

Notre modèle propriétaire, basé sur l'IA, représente la plus importante avancée jamais réalisée par PredictWind en matière de prévision. PWAi combine les atouts du ECMWF (haute résolution), de l'AIFS, de Fengwu et de GraphCast pour générer une prévision unique et optimisée couvrant l'ensemble du globe. Il fournit des pas de temps d'une heure pour les trois premiers jours, offrant ainsi une précision temporelle supérieure à celle des autres modèles d'IA. PWAi est très performant dans les études de validation à court et moyen terme sur des zones de grande envergure.

Le CEPMMT (Centre européen pour les prévisions météorologiques à moyen terme) est une référence pour les météorologues et les navigateurs de haut niveau du monde entier. Son modèle ECMWF à haute résolution est régulièrement classé parmi les meilleurs modèles météorologiques mondiaux proposés par les services météorologiques nationaux, obtenant les scores les plus élevés. En mars 2016, ECMWF a porté la résolution de son modèle à un niveau record de 9 km, ce qui en fait actuellement le modèle mondial le plus précis disponible. L'acquisition des données ECMWF est très coûteuse, ce qui explique leur faible utilisation par les sites web météorologiques et leur usage traditionnel réservé aux équipes de course à la voile de haut niveau et aux météorologues.

Développé par ECMWF , AIFS est leur modèle d'IA de nouvelle génération. Ce modèle utilise une IA avancée pour fournir des prévisions mondiales précises et actualisées. Il est particulièrement performant en mer, capturant les conditions météorologiques à grande échelle à moyen et long terme.

Système de prévisions mondiales du NCEP . Ce système est utilisé par la plupart des autres sites web et applications météorologiques. Le modèle GFS-FV3 s'affiche désormais lorsque l'étiquette GFS apparaît dans PredictWind. Il s'agit de la première mise à niveau significative de GFS depuis environ 40 ans. Contrairement au modèle GFS précédent, GFS-FV3 est capable de simuler les mouvements verticaux tels que les courants ascendants, un élément clé des phénomènes météorologiques violents, à très haute résolution. Jusqu'à présent, les tests suggèrent que le modèle FV3 offre des prévisions à cinq jours plus précises, ainsi que de meilleures prévisions de la trajectoire et de l'intensification des ouragans. Bien que le nouveau noyau FV3 ait montré des améliorations par rapport à GFS, il reste classé 3e en termes de précision, derrière ECMWF (1er) et l'UKMO (2e).

Également connu sous le nom de « Modèle unifié » par le Bureau météorologique britannique (Met) et reconnu depuis longtemps comme un leader du marché en matière de modélisation des prévisions, le UKMO offre une précision très similaire à celle du modèle ECMWF offshore, et est légèrement inférieur à celui des modèles ECMWF pour les stations météorologiques terrestres.

Le modèle atmosphérique haute résolution à rafraîchissement rapide est un modèle atmosphérique NOAA en temps réel, à 3 km de résolution, mis à jour toutes les heures, résolvant les nuages ​​et tenant compte de la convection. Il est initialisé par des grilles de 3 km avec une assimilation radar de 3 km. Les données radar sont assimilées dans le HRRR toutes les 15 minutes sur une période d'une heure, ajoutant ainsi des détails supplémentaires à ceux fournis par l'assimilation horaire des données du modèle à rafraîchissement rapide amélioré par radar de 13 km. Pour en savoir plus, visionnez lavidéo .

Le Système nord-américain de prévisions à mésoéchelle (NAM) est l'un des principaux modèles météorologiques de la NOAA, couvrant la majeure partie de l'Amérique du Nord. NAM est un modèle à mésoéchelle, ce qui signifie que l'analyse numérique permet de modéliser le relief et d'autres caractéristiques à une résolution supérieure à celle d'un modèle global, améliorant ainsi la précision des prévisions.

Un modèle de prévision numérique à petite échelle, opérationnel chez Météo-France depuis décembre 2008, a été conçu pour améliorer les prévisions à court terme d'événements violents tels que les fortes précipitations méditerranéennes (événements cévenols), les orages violents, le brouillard et la chaleur urbaine lors des vagues de chaleur. Ce modèle est très apprécié des navigateurs de compétition et surpasse les prévisions ECMWF .

Le modèle allemand de prévision numérique du temps (PNT) global, développé par le Service météorologique allemand (DWD) en collaboration avec l'Institut Max Planck de météorologie (MPI-M), utilise une grille icosaédrique : la surface terrestre est divisée en un système de grille basé sur des icosaèdres subdivisés, assurant une couverture globalement uniforme. Ceci permet d'éviter les distorsions et les pertes de calcul rencontrées près des pôles avec les grilles traditionnelles de type latitude-longitude.

Les prévisions SPIRE seront supprimées de PredictWind à partir d'octobre 2025, car le modèle utilisé, SOF-D, est obsolète par SPIRE.

En fonction de la nature et du volume des données nécessaires pour alimenter une carte ou un tableau donné, cela varie selon le modèle météorologique, le paramètre et l'application/le site Web de prévisions.

Le tableau ci-dessous résume les modèles météorologiques disponibles par paramètre et par application :

Site Web - Site Web de prévisions PredictWind

PWA - Application PredictWind

OA - Application offshore

Veuillez noter que les heures de mise à jour exactes peuvent varier légèrement en raison des variations dans la livraison des données sources et du processus d'ingestion.