15/02/2024
par
Damien Raynaud
10 min
Il est connu que la nature chaotique de l'atmosphère rend la prévision météorologique délicate. La combinaison de plusieurs sources d'informations peut aider à résoudre ce problème en quantifiant et en réduisant l'incertitude. Frogcast utilise cette méthode pour établir ses prévisions. Mais quelles sont ses performances ?
Dans cet article, les prévisions de Frogcast sont comparées à celles de 7 modèles de prévisions météorologiques individuels sur 6 variables atmosphériques pendant une période de 3 mois.
Formule de calcul de la MAE (Mean Absolute Error)
Afin d'obtenir des résultats pertinents et robustes, l'évaluation suivante est réalisée sur une période de 3 mois, du 1er octobre au 31 décembre 2023. Le domaine géographique couvre la majeure partie de l'Europe (à l'exception de la Scandinavie) et une partie du Maghreb. Il s'étend de 30°N à 60°N en latitude et de 15°O à 30°E en longitude.
Nous avons sélectionné 6 variables météorologiques classiques pour obtenir une estimation claire et approfondie des performances de Frogcast : température à 2 m (°C), vitesse du vent à 10 m (m/s), taux de précipitation sur 1 heure (mm/h), humidité relative à 2 m (%), pression au niveau de la mer (hPa) et irradiation horizontale globale (W/m²).
Le critère d'évaluation est une simple erreur moyenne absolue calculée à l'aide des séries temporelles horaires.
null
Les données de réanalyse ERA5 de l'ECMWF ont été utilisées comme pseudo-observations grillées pour évaluer les différentes prévisions. Ce jeu de données fournit des informations au pas de temps horaires sur une grille spatiale de 0,25°. Il combine les données du modèle européen avec des observations afin de générer une estimation spatialisée de l'état de l'atmosphère. Plus d'informations sur les données ERA5 sont disponibles sur le site Web du Copernicus Climate Data Store.
null
Les sorties de Frogcast sont évaluées par rapport à un ensemble de 7 modèles individuels de Prévision Numérique du Temps (PNT) : ARPEGE-EU et AROME (Météo-France), ICON-EU et ICON-D2 (DWD), GFS (NCEP), GDPS (CMC) et IFS-HRES (ECMWF). Pour chacun d'entre eux, les prévisions sont extraites une fois par jour (run de 0 UTC) pour les 24 premières heures de prévision. Afin de réaliser une comparaison équitable, tous les modèles sont reprojetés sur la grille ERA5 de 0,25°.
null
Les performances spatiales pour la température à 2 mètres sont présentées sur la Figure 1, à la fois en valeur absolue (a) et en différence absolue entre les modèles individuels et Frogcast (b). Pour cette variable, les meilleurs scores sont obtenus par les modèles ICON, ICON-D2 et IFS. Cependant, pour chaque point de la grille du domaine, Frogcast surpasse tous les modèles individuels et réduit significativement l'erreur moyenne absolue (MAE), notamment sur les zones continentales.
null
null
Figure 1 : Cartes de l'erreur moyenne absolue (MAE) de la température pour chaque modèle individuel en valeur absolue et par rapport à Frogcast.
Les résultats concernant les 6 variables sont regroupés dans les tableaux 1 à 4. Les scores liés à ARPEGE, ICON, GFS et GDPS sont moyennés sur le même domaine et peuvent être comparés directement (Tableau 1). Pour les trois modèles restants, les scores correspondent à leur domaine régional spécifique et doivent être considérés séparément.
Pour tous les paramètres atmosphériques, Frogcast surpasse toujours chaque modèle de Prévision Numérique du Temps (PNT). Les améliorations sont significatives et varient, par exemple, de 0,2 à 0,5°C (+25 % à +40 %) pour la température à 2 mètres ou de 0,29 à 0,41 m/s (+24 % à +39 %) pour la vitesse du vent à 10 mètres. Ces différences varient spatialement, avec les meilleures performances de Frogcast sur les zones continentales (non montrées).
null
null
Table 1: Score de MAE sur le domaine complet Europe - Afrique du nord
null
Table 2: Score de MAE sur le domaine du modèle AROME
null
Table 3: Score de MAE sur le domaine du modèle ICON-D2
null
Table 4: Score de MAE sur le domaine du modèle IFS-HRES
Frogcast fournit des prévisions météorologiques probabilistes de haute performance pour n'importe quelle localisation dans le monde et une large gamme de paramètres atmosphériques. Cette étude souligne la pertinence de ses résultats et démontre qu'il surpasse chaque modèle individuel de Prévision Numérique du Temps (PNT). Les algorithmes de Frogcast sont optimisés pour chaque emplacement et variable météorologique, garantissant ainsi les meilleures prévisions pour chacun de vos besoins spécifiques.
null
null
null
null
null
null
null
Vous permettre d’intégrer facilement des prévisions météorologiques fiables, à travers une API simple et efficace, c'est la promesse de Frogcast ! Alors rejoignez-nous dès maintenant, en connectant votre application directement à l'API de Frogcast !