• meteoblue est l'un des meilleurs fournisseurs de prévisions météorologiques pour les prévisions de température de l'air sur 24 heures.
• meteoblue démontre la plus grande précision des prévisions sur 12 heures.
• Le meteoblue Learning MultiModel (mLM) utilisé pour la prévision de température opérationnelle donne les meilleurs résultats, suivi d'un MOS standard, et des modèles bruts.
• Le mLM prévision surpasse la prévision du modèle de réanalyse ERA5, qui est le meilleur de tous les autres modèles météorologiques numériques bruts sélectionnés.
• À l'échelle mondiale, les prévisions de température ont la plus grande prévisibilité sur les petites îles océaniques et le long des côtes libres de glace.
• La prévisibilité diminue avec une topographie de plus en plus complexe et une distance croissante de la mer.

La température de l'air est l'une des variables essentielles en météorologie, et être capable de la prédire récolte de nombreux avantages. En période de changement climatique, les températures mondiales augmentent. Le nombre de vagues de chaleur augmente, ce qui peut avoir des conséquences majeures sur la production agricole, pour la population urbaine, et bien d'autres phénomènes. Pour des cas d'utilisation comme ceux-ci, une prévision précise de cette variable météorologique est d'une importance capitale.

Dans cette section, un aperçu des études de vérification examinant l'exactitude des prévisions de la température à 2 m au-dessus du sol est donnée. Plusieurs études de vérification ont été menées, dans lequel la précision des différentes prévisions de modèles bruts, des fournisseurs météorologiques, des différentes approches de modèles, et les mesures horaires ont été comparées. De plus, la variabilité régionale des erreurs du modèle a été examinée. En offrant un résumé de nos conclusions, nous voulons nous assurer que nos clients peuvent pleinement comprendre la prévision de température et ses aspects de précision.

Comparaison de différentes approches de modèles (2017)

In this study, the accuracy of different model approaches are compared - forecast data of 5 different raw weather models, forecast data calculated by the meteoblue Learning MultiModel (mLM) and model output statistics (MOS), and the reanalysis model ERA5.  These forecasts have been verified against hourly measurements of more than 11'000 observation sites worldwide. The analysis was done for 2017, and partially for September - October 2018.

Différentes approches de modèles et leur EAM calculée avec plus de 11.000 mesures horaires en 2017.

Approche modèle	EAM [K]
meteoblue Learning MultiModel (mLM)	1.2 K
Model output statistics (MOS)	1.5 K
Modèle de réanalyse ERA5	1.5 K
5 modèles de prévisions météo différents (RAW)	1.7 - 2.2 K

La distribution spatiale des erreurs du modèle (voir cartes ci-dessous) met en évidence le fait que le mLM surpasse le meilleur modèle de réanalyse historique ERA5. En général, les modèles bruts tels que GFS fonctionnent moins bien que les approches modèles basée sur des méthodes de post-traitement dans lesquelles les mesures horaires locales sont prises en compte.

Comparaison de différents modèles mondiaux (2018)

Une étude de vérification supplémentaire pour évaluer les performances de différents modèles globaux a été menée dans une thèse (Fessler, 2019). La prévision de la température de l'air à 2 m sur 24 heures de l'année 2018 des modèles de prévision NEMS, GFS05, MFGLOBAL, GEM et ICON ont été comparés à des mesures horaires de plus de 8000 stations de l'OMM (Organisation Météorologique Mondiale) et du GDAS (Global Data Assimilation System) de la NOAA (National Oceanic and Atmospheric Administration), distribué dans le monde entier. En plus de ça, les données historiques du modèle de réanalyse ERA5 ont été incluses, dans lesquelles plusieurs métriques d'erreur statistique ont été calculés et comparés. En outre, les schémas globaux de variabilité de la précision ont été examinés.

Comparaison des modèles bruts

EAM [K] et MBE [K] de cinq modèles numériques de prévision météorologique et d'un modèle de réanalyse pour toute l'année 2018 sur la base de plus de 8'000 stations OMM.

Modèle	MAE [K]	MBE [K]
ERA5	1.5	0.2
NEMSGLOBAL	2.2	0.1
GFS05	2.3	0.2
MFGLOBAL	2.3	-0.1
GEM	2.4	-0.7
ICON	2.0	-0.1

Une simple comparaison des erreurs permet d'évaluer les performances entre différents modèles. Les résultats suivants (voir tableau ci-dessous) confirment les résultats de l'étude précédente. Le modèle de réanalyse ERA5, avec une EAM de 1,5 K, surpasse tous les modèles bruts examinés dans cette étude, suivi par ICON et NEMSGLOBAL. ERA5, NEMSGLOBAL et GFS05 ont tendance à prédire la température comme plus élevé qu'il ne se produit réellement, tandis que MFGLOBAL, GEM et ICON prédisent la température aussi bas que décrit par les mesures horaires.

Sur l'ensemble des stations météorologiques, c'est l'ERA5 qui présente les meilleures performances et l'EAM la plus faible (voir figure ci-dessous).

Analyse spatiale

La distribution spatiale de l'EAM pour le modèle de réanalyse ERA5 et NEMS est visualisée dans les cartes du monde suivantes. Pour éviter le chevauchement des points du tracé de différentes stations, le globe a été divisé en cellules de grille de modèle avec une résolution horizontale de 2°. En d'autres termes, les EAM pour toutes les stations dans l'une des cellules de la grille ont d'abord été fusionnées puis tracées au centre du champ de la grille. La distribution principale de l'erreur de modèle entre les deux modèles est comparable, mais notez que NEMS a une plage d'erreur décalée. En général, nous pouvons identifier des erreurs plus élevées dans les montagnes Rocheuses, en Inde, en Chine et dans l'est de la Russie. De bonnes performances peuvent être observées en Europe du Nord, en Amérique du Nord, en Australie, en Russie occidentale et en Afrique.

La prévision de la température de l'air est la plus précise sur les petites îles océaniques et le long des côtes libres de glace. Dans ces régions, la température de l'air est fortement influencée par la température de surface de la mer. Une précision et une prévisibilité élevées sur l'Europe et l'Amérique du Nord peuvent s'expliquer par le fait que des modèles de prévision météorologique ont été développés dans ces régions. Un autre fait mérite d'être mentionné (et non couvert dans les études) est que la température de l'air est généralement simulée moins bien dans l'hiver de l'hémisphère nord qu'en été. De plus, les résultats montrent que la précision diminue dans les régions à topographie complexe comme les Montagnes Rocheuses, l'Himalaya, ou des Andes, et avec l'éloignement croissant de la mer. Ainsi, les régions continentales et les régions à haute altitude sont généralement simulées moins bien que les régions maritimes et à basse altitude.

Comparaison des fournisseurs (2021)

Dans cette étude, les performances des prévisions de plusieurs fournisseurs météo ont été comparées aux prévisions de meteoblue. Les performances de ces prévisions ont été vérifiées avec 475 mesures horaires METAR dans le monde. Pour l'analyse, la prévision horaire 12 - 35h créée à 12h00 UTC a été utilisée. Cette vérification a été effectuée pour l'année 2021. Le tableau suivant montre que les prévisions de meteoblue se situe dans les trois premières performances, ne sous-estimant que légèrement la température de l'air.

EAM [K] et MBE [K] pour les prévisions meteoblue et plusieurs autres fournisseurs de prévisions météo pour plus de 400 stations dans le monde.

	Fournisseurs	EAM [°C]	MBE [°C]
2	meteoblue	1.29	-0.16
1	Fournisseurs_D	1.26	-0.02
3	Fournisseurs_F	1.48	-0.21
	Fournisseurs_C	1.61	-0.52
	Fournisseurs_G	1.73	-0.03
	Fournisseurs_B	1.71	-0.38
	Fournisseurs_H	2.03	-0.23

La comparaison de l'EAM pour différents horizons temporels de prévision (voir tableau ci-dessous) montre la diminution typique des performances de prévision avec l'augmentation des heures de prévision (qui a déjà été mentionné dans la section ci-dessus). En ce qui concerne les prévisions sur 12 heures, meteoblue est le plus précis. meteoblue est le deuxième précis pour les jours de prévision 1 à 3.

EAM [K] de différents fournisseurs de prévisions pour différents horizons de prévision et les mesures horaires de l'année 2021 de plus de 400 stations dans le monde.

Fournisseurs	Jour 0 (0-11 h)		Jour 1 (12-35 h)		Jour 2 (36-47 h)		Jour 3 (48-71 h)
meteoblue	0.71	1	1.29	2	1.37	2	1.44	2
Fournisseurs_D	1.16	3	1.26	1	1.34	1	1.43	1
Fournisseurs_A	1.28	3	1.24		-		-
Fournisseurs_F	1.36		1.48		1.56		1.65
Fournisseurs_C	1.54		1.61		1.68		1.92
Fournisseurs_G	1.56		1.73		1.77		-
Fournisseurs_B	1.68		1.71		-		-
Fournisseurs_H	1.95		2.03		2.11		2.29