Les modèles météorologiques numériques constituent la base de toutes nos prévisions. Ces programmes informatiques complexes sont en constante amélioration, et il en va de même pour nos prévisions. Les modèles météorologiques sont extrêmement utiles, mais ils ne sont pas parfaits.

Même nos modèles à haute résolution ne peuvent pas représenter entièrement le terrain complexe des Alpes. Au lieu de cela, une représentation simplifiée de la topographie doit être utilisée. En conséquence, les processus à petite échelle pertinents pour notre météo ne peuvent pas être entièrement résolus par le modèle. Cela conduit à des erreurs systématiques.

En outre, les modèles météorologiques fournissent une multitude d'informations sur le temps futur, y compris de multiples résultats plausibles permettant d'estimer l'incertitude des prévisions. Pour faire face à ce flot d'informations, les prévisions issues de différents modèles météorologiques doivent être combinées et harmonisées.

Nous utilisons des méthodes statistiques et d'apprentissage automatique pour combiner automatiquement différents modèles météorologiques en une prévision consensuelle unique, fiable et de haute qualité. C'est ce que l'on appelle le post-traitement statistique.

Comment post-procédons-nous à nos prévisions ?

Le post-traitement corrige et combine les prévisions des modèles météorologiques en comparant les prévisions passées avec les observations. Pour les différents paramètres météorologiques tels que le vent, la nébulosité et la précipitation, nous utilisons différents modèles statistiques et d'apprentissage automatique. Ceux-ci diffèrent dans la sélection des données provenant des modèles météorologiques et dans les hypothèses de distribution des valeurs prévues. Les modèles varient également en complexité, allant des méthodes linéaires (les méthodes statistiques de sortie de modèle d'ensemble bien établies) aux nouvelles approches d'apprentissage en profondeur utilisant les réseaux neuronaux (actuellement utilisés pour le post-traitement du vent).

Le point commun à tous nos post-traitements est que nous cherchons non seulement à minimiser les erreurs systématiques, mais aussi à ajuster la variabilité des résultats prévisionnels plausibles de manière à ce qu'ils reflètent mieux la véritable incertitude concernant la prévision, comme le montre la figure 2. Il en résulte des prévisions probabilistes qui sont plus fiables et donc plus utiles.

Enfin, le post-traitement est également utilisé pour combiner les informations de différents modèles météorologiques. Ceci est fait de manière automatique et objective, de sorte que la contribution relative de chaque modèle météorologique change en fonction du délai de prévision (jusqu'à quand sommes-nous en train de prévoir), de l'emplacement, de la saison et de nombreux autres aspects. En général, cependant, nos modèles à haute résolution ont plus de poids tôt dans les prévisions, tandis que le modèle global à faible résolution est la seule entrée utilisée pour les prévisions plus de 5 jours avant.

Cette approche multi-modèle permet d'obtenir des prévisions post-processus qui sont moins jumpy. C'est-à-dire que les changements radicaux dans les prévisions d'un seul modèle météorologique d'une initialisation de prévision à la suivante affectent moins les prévisions postprocessus. De même, les erreurs systématiques se produisent plus lentement dans le temps par rapport au système traditionnel, où les erreurs de prévision dépendaient fortement du modèle météorologique utilisé (voir figure 2).

En quoi les prévisions postprocessus sont-elles différentes des modèles météorologiques ?

En premier lieu, le post-traitement utilise des méthodes statistiques pour corriger les prévisions des modèles météorologiques. En conséquence, les prévisions ne sont pas radicalement différentes des prévisions issues des modèles météorologiques utilisés comme données d'entrée pour le post-traitement. En particulier, le post-traitement n'invente pas de nouvelles prévisions et n'empêche pas les prévisions d'être significativement décalées dans certains cas. Ce que le post-traitement fait, en revanche, c'est réduire l'erreur systématique en moyenne.

Une partie de cette réduction de l'erreur de prévision peut être attribuée à la résolution apparente plus élevée des prévisions postprocessus. En utilisant des informations supplémentaires telles que des données d'élévation à haute résolution, les prévisions peuvent être ajustées pour l'altitude, l'exposition et d'autres effets qui affectent les conditions locales. Cela rend les prévisions postprocessus plus locales (figure 3). Il faut veiller à trouver un équilibre entre la production de prévisions spécifiques, optimales en un point mais représentatives de la zone immédiate, et la production de prévisions représentatives de zones plus vastes, moins représentatives des spécificités locales mais plus faciles à interpréter.

Les prévisions postprocessus sont généralement plus incertaines que les prévisions des modèles météorologiques individuels (voir figure 2). Le post-traitement est responsable de plusieurs sources d'incertitude supplémentaires qui ne sont pas reflétées dans les prévisions d'ensemble des modèles météorologiques. Les prévisions issues d'un seul système d'ensemble sont beaucoup plus similaires les unes aux autres qu'à une réalisation issue d'un autre modèle météorologique. En combinant plusieurs modèles en post-traitement, cette source d'incertitude supplémentaire est reflétée dans les prévisions post-traitement. Le post-traitement tient également compte des sources supplémentaires de variabilité présentes dans les observations qui ne sont pas représentées dans les modèles météorologiques. Cette variabilité supplémentaire est souvent due à des effets locaux et peut ajouter de l'incertitude aux prévisions.