4 min de lectureDonnées et IA

Données d'entraînement pour l'IA météo : ce qu'un modèle en attend

Un modèle météo d'IA ne peut apprendre que ce que ses données d'entraînement lui montrent. Six propriétés à spécifier, un exemple public, et la façon dont un jeu de données sur mesure est cadré, livré et tarifé.

Illustration : une grille de modèle translucide en trois dimensions suspendue au-dessus d'un littoral, la nuit, avec une maille éclairée en ambre autour d'un unique nuage d'orage d'où tombe la pluie.

Première publication le 11 novembre 2026 · Mis à jour le 16 novembre 2026

Un modèle météo d'IA apprend l'atmosphère à partir d'exemples. Il ne peut pas apprendre un orage, une brise de mer ou une rampe de vent que ses données d'entraînement ne lui ont jamais montrés. Avant l'architecture, un responsable data science a donc une question plus simple à régler : que doivent contenir les données d'entraînement pour l'IA météo, et d'où viendront-elles ? Cet article présente six propriétés à spécifier, un exemple public de l'échelle qu'un projet peut atteindre, et la façon dont TempoQuest cadre, livre et tarife un jeu de données sur mesure.

Ce qu'un modèle météo d'IA attend de ses données d'entraînement

Résolution

La maille limite le niveau de détail des données d'entraînement. Si les mailles sont trop grossières pour résoudre un orage, le modèle n'en voit que la moyenne sur une maille. Si la cible est le vent sur une crête, les nuages au-dessus d'une centrale solaire ou la pluie sur un bassin versant urbain, les données doivent résoudre le relief, les côtes et les orages à cette échelle.

Variables

Entraînez le modèle sur ce que vous allez prévoir et sur ce qui le détermine. L'éolien a besoin du vent à hauteur d'éolienne, pas seulement à 10 m. Le solaire a besoin des nuages. Les champs tirés d'une même simulation de modèle physique sont en outre cohérents entre eux : le vent, la température et la pression dans une maille obéissent à la même physique au même instant. Des champs assemblés à partir de sources distinctes ne le sont pas forcément.

Historique

L'historique doit couvrir toutes les saisons et suffisamment d'événements rares parmi ceux qui vous importent. Les extrêmes sont rares par définition : c'est donc la première chose qui manque à un historique court. Réservez des périodes entières pour l'évaluation. Un découpage aléatoire laisse fuir de l'information, car des pas de temps consécutifs sont presque identiques.

Cadence

Le pas de temps des données fixe le changement le plus rapide qu'un modèle peut apprendre. Une cellule orageuse isolée peut se développer et se dissiper en une heure environ : des instantanés horaires manquent donc l'essentiel de sa vie. Des données toutes les 10 ou 15 minutes la conservent.

Cohérence

Demandez une seule version du modèle, une seule configuration et une seule grille sur tout l'historique. Une archive de prévisions opérationnelles change à chaque mise à niveau du système de prévision, et un modèle qui apprend peut prendre ces sauts pour de la météo.

Métadonnées

Unités, projection cartographique, niveaux verticaux, conventions temporelles (UTC, heure de validité, période de cumul pour la pluie), configuration du modèle et indicateurs de valeurs manquantes. Sans elles, un pipeline devine, et une mauvaise supposition échoue en silence.

Un exemple public : Weather 1K

Le 23 avril 2026, MITRE et The Weather Company ont annoncé une collaboration autour de Weather 1K, un jeu de données d'entraînement d'IA à haute résolution, pris sous licence par The Weather Company pour la recherche et le développement de GRAF. Selon la description qu'en donne l'annonce, ce jeu de données présente :

  • une résolution spatiale de 1 km sur les États-Unis continentaux ;
  • des pas de 10 minutes ;
  • une couverture verticale du niveau de la mer à 62 000 ft ;
  • une taille d'environ 7 PB.

L'annonce cite AceCAST de TempoQuest parmi les outils de modélisation utilisés pour développer Weather 1K. AceCAST exécute WRF, le modèle Weather Research and Forecasting maintenu par le NCAR, sur GPU NVIDIA.

Weather 1K figure ici comme exemple public de la résolution, de la cadence et du volume qu'un projet a spécifiés. Les données sur mesure de TempoQuest ne sont pas une revente de Weather 1K. Leur périmètre est défini pour chaque client.

Comment un jeu de données sur mesure est cadré et livré

TempoQuest cadre, génère, conditionne et livre des sorties de modèle à haute résolution propres à chaque projet, ainsi que des jeux de données dérivés, pour l'entraînement d'IA, l'analyse des risques, la planification et l'exploitation. C'est dans le périmètre que les six propriétés ci-dessus deviennent une spécification. Il couvre :

  • Région : la zone que les données doivent couvrir.
  • Variables : les champs que votre modèle prévoit et ceux à partir desquels il apprend.
  • Résolution : les demandes types portent sur environ 1 km ou 3 km.
  • Cadence : les demandes types sont à 15 minutes, à 30 minutes, horaires ou quotidiennes.
  • Historique : la période passée à générer, pour un jeu de données historique.
  • Horizon de prévision : jusqu'où porte chaque simulation, lorsque les données sont des prévisions.
  • Format et livraison : NetCDF, GRIB, Zarr, CSV, JSON ou une API.

Une fois le périmètre convenu, TempoQuest génère les sorties du modèle, les conditionne et les livre dans le format que vous avez choisi.

Apportez trois éléments au premier échange : le modèle ou la décision que les données doivent servir, les observations auxquelles vous les confronterez, et le système dans lequel elles doivent être chargées. Inscrivez aussi dans le périmètre les métadonnées dont vous avez besoin. Si les données doivent être évaluées par rapport à des stations, à un lidar ou à un radar, dites-le dès le départ. Notre guide sur la vérification des prévisions explique comment fonctionne cette évaluation.

Ce que cela coûte

L'offre Données météo sur mesure est tarifée par projet, car le prix suit le travail. Six facteurs le déterminent :

  • Taille du domaine. Une zone plus grande signifie davantage de colonnes de grille à calculer et à stocker.
  • Résolution. Les grilles plus fines demandent plus de calcul et de stockage. Voyez comment les coûts de calcul sont comparés.
  • Historique. Dix ans de météo représentent environ dix fois le calcul et le stockage d'une seule année.
  • Cadence. Des sorties toutes les 15 minutes représentent 60 ÷ 15 = 4 fois le volume de sorties horaires.
  • Validation. L'ampleur des contrôles par rapport aux observations que le projet exige.
  • Intégration. L'ampleur de la mise en forme nécessaire pour que la livraison s'adapte aux systèmes que vous utilisez déjà.

Conséquence pratique : résolution, cadence et historique se multiplient entre eux. Déterminez lequel des trois est le plus nécessaire à votre modèle avant de les demander tous au maximum.

Que faire ensuite

Cadrez votre jeu de données, ou apprenez-en davantage sur les données météo sur mesure de TempoQuest.

Votre jeu de données d'entraînement

Apportez vos exigences en matière de données.

Indiquez la région, l'archive, les champs et les droits dont votre modèle a besoin. Nous examinons chaque demande.