Avec l'introduction des prévisions de précipitations post-traitées, tous les paramètres de nos prévisions locales sont désormais calibrés à l'aide de méthodes statistiques et d’apprentissage automatique. L'objectif est de fournir automatiquement des prévisions de haute qualité aux utilisateurs finaux.
Les modèles météorologiques numériques sont au cœur de nos prévisions, mais plusieurs étapes s'ensuivent pour générer les prévisions dans notre application mobile et sur le web.
L'une de ces étapes consiste à combiner les informations provenant de différents modèles météorologiques et à corriger leurs erreurs systématiques. Pour ce faire, nous comparons les prévisions antérieures et les observations des stations de mesure au sol et des satellites. C'est ce qu'on appelle le post-traitement statistique.
Le post-traitement vise avant tout à réduire les erreurs systématiques qui subsistent dans les prévisions des modèles météorologiques numériques. L'une des sources principales de ces erreurs est liée à la résolution spatiale limitée des modèles météorologiques. Le post-traitement permet de mieux représenter les effets locaux. Un exemple est le post-traitement de la vitesse du vent (figure 2) qui prend en compte les effets de la topographie locale, tels que l'exposition (sur une crête ou un pic) ou l'abri (dans une vallée) d'un lieu.
Pour chaque prévision, nos modèles météorologiques produisent plusieurs réalisations plausibles du temps futur. Si ces réalisations sont proches les unes des autres, nous sommes confiants dans la prévision ; si les réalisations sont très dispersées, la prévision est incertaine. Notre post-traitement corrige à la fois la meilleure estimation et la dispersion des réalisations afin de fournir une prévision probabiliste plus fiable.
En outre, notre post-traitement combine les informations de tous nos modèles météorologiques en une seule prévision consensuelle. Ces modèles météorologiques diffèrent par leur résolution, c'est-à-dire le niveau de détail avec lequel les spécificités locales sont représentées. Les modèles COSMO à haute résolution couvrent les 30 premières heures à une résolution de 1 km et les 5 premiers jours à une résolution de 2 km. Par la suite, les prévisions sont basées sur le modèle IFS du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF), avec une résolution horizontale de 9 km. Les modèles à haute résolution sont mis à jour jusqu'à 8 fois par jour, le modèle IFS est mis à jour deux fois par jour. Pour les prévisions post-traitées, nous utilisons toujours les prévisions les plus récentes de chacun des modèles météorologiques contributeurs et les combinons de manière optimale en une prévision pour l'ensemble de la période de prévision. Grâce au post-traitement, les prévisions à court et à long terme se ressemblent beaucoup plus. C'est ce que nous appelons une prévision “seamless” (sans cassure).
Sur la Figure 3 les prévisions brutes des modèles météorologiques disponibles sont représentées à gauche et les prévisions post-traitées résultantes à droite. La zone ombrée illustre l'intervalle de confiance à 90 % des prévisions respectives. Dans ce cas, les modèles météorologiques numériques ont sous-estimé la vitesse du vent au Chasseral (un site d'observation assez exposé). Les prévisions post-traitées correspondent mieux aux vitesses de vent observées et seules quelques observations se situent en dehors de l'intervalle de confiance à 90 %. Le post-traitement permet donc d'obtenir une prévision plus fiable.
Avez-vous déjà remarqué des changements soudains dans les prévisions météorologiques ? Le post-traitement permet de réduire considérablement ces prévisions qui “sautent du coq à l’âne”. En combinant les prévisions probabilistes de différents modèles météorologiques numériques, nous créons des prévisions plus stables et plus fiables qui minimisent les surprises.
Si le post-traitement apporte de nombreux avantages, il est important de souligner qu'il n'est en aucun cas parfait.
Il ne permet pas de corriger les erreurs de prévision. Les situations qui ne sont pas bien prévues par les modèles météorologiques se traduiront également par une mauvaise prévision post-traitée. Cela est dû au fait que le post-traitement n'adapte que légèrement les prévisions des modèles météorologiques, qui sont généralement déjà très bonnes.
Afin de fournir des prévisions post-traitées de qualité acceptable partout en Suisse, nous avons dû faire des compromis. Les effets locaux qui sont très spécifiques et rares ou qui ne sont pas représentés dans l'ensemble des données d'observation utilisées ne sont pas pris en compte. Dans certains endroits, cela peut même conduire à ce que les prévisions post-traitées soient inférieures à l'ancien produit.
Les routines de post-traitement utilisées dans la production de nos prévisions automatisées sont optimisées pour le temps quotidien. Pour des applications spécifiques, et plus particulièrement pour les alertes et les événements extrêmes, les prévisions post-traitées présentent des lacunes. C'est pourquoi les prévisions post-traitées ne sont pas intégrées dans les alertes officielles. Afin de réduire les éventuelles différences entre les prévisions automatiques et les alertes officielles, nous travaillons à de nouvelles améliorations.
Par rapport aux modèles météorologiques, les méthodes basées sur les données telles que notre post-traitement sont beaucoup moins complexes à développer et relativement peu coûteuses à calculer. Nous pouvons donc mettre à jour fréquemment le post-traitement statistique afin d'améliorer encore les prévisions. Le post-traitement nous permet également de générer des produits sur mesure pour des applications spécifiques. Nous nous attendons donc à ce qu’il soit utilisé plus largement dans nos produits de prévision à l'avenir. Enfin, les méthodes de post-traitement font également l'objet d'un développement continu. Nous utilisons déjà des méthodes d'apprentissage automatique ou d'intelligence artificielle et nous nous attendons à ce que les développements rapides dans ce domaine contribuent à améliorer encore le post-traitement.