Données de Radar, de stations et de modèles : Comment Meteomatics Mix fournit les meilleures données à chaque fois - une comparaison de différentes sources de données pour la Scandinavie

Les données météorologiques proviennent d'une grande variété de sources différentes, mais grâce au modèle Mix de Meteomatics, vous obtenez toujours les meilleures données pour votre cas d'utilisation. Dans cet article, Tom discute des différences entre les sources de données météorologiques. Il démontre qu'elles ne sont pas toutes égales en examinant les mesures radar des précipitations en Scandinavie, montrant ainsi que ces mesures sont plus performantes que les données du modèle.

Si vous êtes client de Meteomatics, il y a de fortes chances que vous sachiez déjà que les données météorologiques sont compliquées. Non seulement un grand nombre de variables - certaines plus abstraites que d'autres - sont nécessaires pour comprendre notre atmosphère, mais il existe également de nombreuses sources d'information sur chacune d'entre elles. Même si vous savez quel aspect spécifique du système météorologique et climatique vous intéresse - que ce soit pour des applications commerciales ou pour des intérêts de recherche - l'énorme gamme de données disponibles peut être incroyablement décourageante.

Heureusement pour nos utilisateurs, l'un des principes directeurs de Meteomatics est que notre API doit non seulement fournir toutes les informations dont nos clients peuvent avoir besoin, mais aussi rendre leur utilisation aussi simple que possible. Ainsi, tout en facilitant un choix judicieux parmi nos sources de données, en l'absence de spécifications supplémentaires, notre "Mix" fournit les meilleures données disponibles pour les paramètres et les lieux interrogés grâce à une série de solutions de repli.

Mais quelles sont en premier lieu les différences entre toutes ces sources ? Et quel type d'impact peut avoir la fourniture de la source de données optimale pour votre problème ? Au fil de plusieurs articles de blog, j'explorerai ces deux questions dans le contexte des données de précipitations radar, qui sont disponibles via notre API.

Quels sont les types de données météorologiques disponibles ?

Au niveau le plus élevé, les données météorologiques peuvent être divisées en deux grandes catégories : les observations et les données de modèles. Observer le temps qu'il fait est tout à fait naturel - la plupart d'entre nous le font tous les jours lorsque nous sortons (ou, plus récemment, lorsque nous regardons avec envie par la fenêtre). Toutefois, les données d'observation doivent être obtenues à l'aide d'une technique normalisée. Les instruments permettant d'enregistrer des observations standard ont proliféré depuis le XVIe siècle, et les observatoires terrestres se sont répandus dans le monde entier, enregistrant généralement la température, la pression, l'humidité, le vent et les précipitations.

Aujourd'hui, outre les points fixes répartis à la surface de la Terre, les bouées dérivantes mesurent les paramètres océaniques et les radiosondes sondent les paramètres météorologiques dans l'atmosphère. Les Meteodrones de Meteomatics changent à nouveau la donne dans le domaine des observations atmosphériques, en fournissant un observatoire miniature télécommandé pour obtenir des mesures à des endroits spécifiques dans l'air.

Les observations "in situ" résumées ci-dessus sont généralement considérées comme l'étalon-or de la météorologie. Bien sûr, les instruments doivent être soigneusement calibrés, mais il existe un lien physique direct entre le capteur et le mesurande, ce qui rend généralement les mesures très fiables. Ce lien physique est toutefois une arme à double tranchant. Il n'est pas possible de placer des observatoires météorologiques en tout point de l'atmosphère, pour des raisons à la fois pratiques et économiques.

Heureusement, ce n'est pas parce que nous ne disposons pas d'observations directes pour tous les points du globe que nous ne pouvons pas faire de suppositions éclairées. Notre capacité à mesurer l'atmosphère s'est améliorée, tout comme notre compréhension des processus physiques qui sous-tendent l'évolution du temps. Au fil du temps, notre cadre théorique s'est élargi à tel point que nous sommes désormais en mesure de combler les lacunes entre les observations par des données modélisées, y compris dans les vastes étendues de la haute atmosphère qui sont incroyablement difficiles à mesurer directement.

Le problème des modèles en général est qu'ils reposent sur une compréhension incomplète du comportement de la nature. Souvent, nous ne savons pas exactement comment fonctionne un processus, et même lorsque nous sommes assez sûrs de nous, nous faisons régulièrement des hypothèses simplificatrices pour faciliter les calculs. Le problème des modèles météorologiques en particulier est que l'atmosphère est composée de plusieurs milliards (1) de molécules, dont chacune interagit d'une manière que nous ne pouvons pas calculer de façon déterministe (2). Cependant, les modèles sont non seulement capables de fournir des estimations pour combler les lacunes de notre réseau d'observation dans l'espace, mais ils sont aussi étonnamment capables de le faire dans le temps, ce qui nous permet de reconstruire le passé et de prévoir l'avenir !

Cette catégorisation de toutes les données comme étant soit purement issues de l'observation, soit purement dérivées d'un modèle est intéressante, mais pas entièrement exacte. Au cours des 100 dernières années, une sous-catégorie supplémentaire d'observations a été de plus en plus disponible et pertinente en météorologie : les données de télédétection. Grâce à notre découverte du spectre complet du rayonnement électromagnétique et de sa capacité à transporter des informations sur les objets avec lesquels il interagit, les météorologues ont pu développer de nouvelles techniques. Celles-ci permettent de mesurer des étendues continues de l'atmosphère, plutôt que des endroits discrets avec une station existante, ce qui, depuis l'avènement de l'ère des satellites, signifie que la Terre entière peut être balayée régulièrement et rapidement.

L'inconvénient des données de télédétection est qu'elles dépendent également d'un modèle de comportement du rayonnement, qui n'est pas entièrement compris. Ce qui est mesuré dépend toutefois de l'état actuel de l'atmosphère - il ne s'agit pas simplement d'une estimation. Dans la section suivante, nous examinerons un exemple de données de télédétection et verrons comment elles se comparent à la fois aux données du modèle et aux observations in situ des précipitations sur la Scandinavie.

Radar

Le radar (3) est une technique intéressante à étudier en télédétection en raison de son principe de fonctionnement relativement intuitif. L'idée est similaire à celle du sonar (4) - ou "écholocalisation" - une onde est émise par un instrument, rebondit sur un objet en interagissant avec lui et revient au moins partiellement vers l'instrument, où elle est détectée. Le modèle physique que nous utilisons pour décoder les informations sur la cible est que l'onde se déplace à une vitesse constante (5) et qu'en résolvant certaines équations, nous pouvons déterminer la distance qui nous sépare de la cible.

Le radar utilise des ondes radio car celles-ci traversent l'atmosphère sans trop d'interférences jusqu'à ce qu'elles rencontrent quelque chose de solide. L'un de ces éléments solides est l'eau condensée, à la fois activement précipitée et piégée à l'intérieur des nuages (6). Le fait que le radar puisse effectivement "voir" à l'intérieur des nuages et estimer la masse des gouttelettes de pluie signifie qu'il s'agit en fait d'un outil à la fois d'observation et de prévision : une pluie suffisamment forte qui n'est pas encore tombée d'un nuage ne tardera pas à le faire. En outre, les radars modernes peuvent distinguer les différents types de précipitations, y compris la grêle et la neige, en fonction, entre autres, de l'estimation de la vitesse à laquelle elles tombent (déterminée par l'effet Doppler).

Dans l'animation ci-dessus, je compare les données du système de prévision intégré (IFS) du ECMWF avec les données radar de l'API Meteomatics (7). On voit clairement la différence entre les données de nos radars scandinaves (que nous traitons en interne dans une couche de données provenant de sites uniques) et le modèle. Alors que l'IFS prédit bien la forme des précipitations à venir, la quantité totale de précipitations est généralement beaucoup plus importante que celle déterminée par le radar. Cela ne suffit pas à déterminer laquelle des deux sources de données est la plus précise. Le radar sous-estime-t-il la quantité réelle de précipitations ou l'IFS la surestime-t-il ?

J'ai pu répondre à cette question en comparant ces deux sources de données aux données d'observation des stations terrestres, en utilisant le connecteur Python. Mon code pour ce faire est disponible sur demande pour toute personne intéressée par une comparaison similaire des sources de données météorologiques.

Pour la période du 1er au 24 janvier de cette année, j'ai interrogé les données radar et IFS en spécifiant la source dans l'API. Ces deux produits sont disponibles sur des zones continues à la résolution spatiale spécifiée par l'utilisateur. J'ai également récupéré des séries temporelles pour toutes les stations situées dans le rayon d'action des radars, en éliminant celles pour lesquelles plus de 10 % des données étaient manquantes. Vous pouvez voir ci-dessous une figure (figure 1) illustrant l'emplacement de ces stations, ainsi que la portée de notre réseau de radars en Scandinavie.

En extrayant les données associées aux emplacements précis de ces stations à partir des données du radar et du modèle, j'ai pu produire le graphique suivant.

Dans le panneau supérieur de la figure ci-dessus, je montre la moyenne à chaque station des observations in-situ (ligne bleue), du radar (orange) et du modèle (vert).

La ligne radar se situe généralement à 0,5 mm de l'origine et, bien que la concordance avec les stations ne soit pas parfaite (ce qui serait représenté par une ligne plate à 0), elle ne semble pas souffrir d'un biais systématique. En revanche, nous constatons que le modèle surestime presque toujours les précipitations par rapport au radar (comme nous l'avons vu dans l'animation) et que cela ne correspond pas aux observations réelles des observatoires au sol. Il est intéressant de noter que la période de plus grand désaccord entre le modèle et les stations se produit lorsqu'il n'y a presque pas de précipitations enregistrées par les stations in-situ, et que l'IFS et le radar ont tendance à s'accorder assez bien avec les stations lorsqu'il y a un véritable épisode de fortes précipitations.

Dans les panneaux suivants, je montre séparément la différence entre le radar et les stations (panneau du milieu) et le modèle et les stations (panneau du bas) sans moyenne sur les stations. Je les ai inclus pour donner une idée de l'ampleur de la variation entre les deux sources de données. L'échelle est fixée par le modèle, qui est régulièrement en désaccord avec les stations jusqu'à 10 mm sur trois heures d'accumulation ; le radar, en revanche, dépasse rarement un désaccord de 5 mm sur la même période.

Je voudrais terminer cet article en précisant que l'IFS du ECMWF est une réalisation fantastique. Nous ne l'inclurions pas dans notre API si nous ne pensions pas, à Meteomatics, qu'il s'agit de l'un des meilleurs modèles existants, et c'est d'ailleurs la raison pour laquelle il reste notre premier choix de paramètre pluviométrique dans les régions du globe où les données radar ne sont pas disponibles.

En outre, j'insiste sur le fait que seules les données des modèles peuvent être utilisées pour établir une véritable prévision, et que l'IFS a un délai d'exécution de 10 jours. Le modèle général du temps est très bien rendu par l'IFS, donc si vous avez un voyage prévu le lundi pour le week-end (dans environ 5 jours) qui dépend du beau temps, c'est votre meilleure source d'information. J'espère que cet article vous a expliqué qu'il n'y a rien d'aussi vrai qu'une observation in situ, et que les observations par télédétection nous donnent un nouveau pouvoir incroyable lorsque nous voulons étendre notre réseau dans les nuages.