Products, help and information

Température de l'air

Sensibilité aux heures prévues

Les performances du modèle diminuent généralement avec l'augmentation du nombre d'heures prévues. La précision de la température de l'air de 2 m en choisissant le meteoblue Learning Multimodel (mLM) est dans les 1.2 K pour la prévision de 24h et dans les 2.0 K pour la prévision de 6 jours. Cela signifie que la prévision sur 24 heures du mLM est aussi bonne que la prévision sur 6 jours des modèles de prévisions météorologiques numériques autonomes.

MAE [K] en fonction des heures prévues pour le mLM pour une seule journée d'analyse et de la moyenne (noir). L'erreur de prévision sur 24 heures pour les modèles MOS (bleu) et les modèles bruts (rouge) est également affichée.

Une introduction rapide au meteoblue Learning Multimodel peut être téléchargée ci-dessous :

mlm_leaflet.pdf (6,96 MB)

Prévision sur 24 heures des données historiques et prévisionnelles

Nos résultats montrent que le meteoblue Learning Multimodel (mLM), qui est utilisé dans la prévision opérationnelle, fonctionne significativement mieux que les simulations MOS et le modèle historique de réanalyse ERA5 (MAE = 1,2 K contre MAE = 1,5 K). La précision des modèles de prévisions météorologiques numériques autonomes (p. ex. NEMS, GFS) est nettement inférieure à celle des modèles MOS et mLM en particulier.

Plus de 90 % de toutes les stations météorologiques ont une précision meilleure que 2 K en utilisant le meteoblue Learning Multimodel (mLM). Ce nombre est réduit à 85 % en utilisant le modèle de réanalyse ERA5 et à 50 % (36 %) en utilisant le modèle numérique autonome de prévisions météorologiques NEMS (GFS).

Les régions continentales et les régions de haute altitude sont généralement moins bien simulées que les régions maritimes et les régions de basse altitude. Les erreurs en Europe et en Amérique du Nord sont généralement plus faibles que dans l'hémisphère Sud. Les températures de l'air sont généralement moins bonnes en hiver dans l'hémisphère Nord qu'en été.

Performances du modèle de prévision sur 24 heures du mLM (panneau supérieur), du modèle de réanalyse ERA5 (en bas à gauche) et du modèle numérique de prévision météorologique GFS (en bas à droite) pour septembre - octobre 2018.

Température

NEMS Global 25km - vérification de la température

Simulations de température avec MOS:

  • Corrige la plupart des erreurs
  • 92% des stations avec un MAE* < 2.0°C
  • Amélioration vs. RAW = 0.8°C
  • 85% des erreurs horaires < 2.0°C

Utilisé pour toutes les prévisions meteoblue.

meteoblue prédit plus de 70% de toutes les températures avec moins de 2°C de différence par rapport aux températures mesurées - 3 jours (72 heures) à l'avance. Quant à 12 heures à l'avance, plus de 80% de toutes les prévisions de température ont moins de 2°C de différence par rapport aux mesures - sur une base horaire. La RMSE (l'erreur quadratique moyenne) de la prévision horaire correspond à moins de 2.5°C jusqu'à 3 jours de prévision, et de 2°C pour un jour de prévision (ces données sont valables pour l'Europe et l'Amérique du Nord).

Personnellement: si vous pensez remarquer des différences de températures de plus de 2°C (rien qu'en le sentant), alors 2/3 de toutes nos prévisions horaires de température sont déjà correctes 3 jours à l'avance! Cela signifie que lorsque vous regardez une prévision de meteoblue des 72 heures qui suivent, vous vivrez durant au moins 54 heures les mêmes températures que les prévisions de meteoblue.
Techniquement: si vous interpolez les mesures de températures depuis une station météo faites toutes les 3 heures en données horaires et les comparez aux mesures horaires actuelles, votre RMSE sera de 1.5-2.0°C. L'erreur de prévision de meteoblue est en moyenne de 2.2°C. Cela signifie que la prévision de températures est déjà au moins aussi bonne que les mesures.

MAE* : Mean absolute error (erreur moyenne absolue)

Exemple d'utilisation

Dans l'exemple suivant, la probabilité d'un épisode de gel est montrée.

Exemple hypothétique : Vous vous intéressez aux températures inférieures à 0°C, au gel, parce que vous êtes agriculteur et que vous vous inquiétez pour votre récolte. L'erreur du modèle est de +/- 2°C dans 85% des cas. Cela signifie qu'avec un risque de 15%, la température peut varier de plus de 2°C. Mais vous n'êtes intéressé que par la diminution des températures, de sorte que le risque de variations de température dans le sens négatif n'est que de moitié : 7,5%. Précisément, à une température de 2°C vous avez une probabilité de 7,5% que la température tombe en dessous de 0°C. Si la température critique pour votre culture est de -1°C, le risque est encore plus faible : 3,75% ; ainsi que pour une température critique de -2°C : 1,875%.

La même réflexion peut être faite avec une erreur de 1°C dans 85% des cas. Il y a une diminution de la probabilité que la température tombe en dessous de 0°C ; le risque est de 3,75% à 0°C.

Si la prévision n'est valable que pour 60 % de tous les cas, le risque est le suivant : A une température de 2°C vous avez une probabilité de 20% que la température tombe en dessous de 0°C ; 10% pour une température en dessous de -1°C.

Toutes ces considérations supposent que vous estimez le risque de températures inférieures à 0°C à une température réelle de 2°C. Si ces calculs sont effectués par exemple à 1°C, le risque change.

Dans le graphique ci-dessous, ces faits sont illustrés visuellement.

Visualisation du risque que la température tombe en dessous de 0°C.