4 min de lecturePrévision

Vérification des prévisions : comment évaluer une prévision météo

Une prévision que vous n'avez pas évaluée, vous ne pouvez ni en fixer le prix, ni l'ajuster, ni vous y fier. Les scores courants en langage clair, les pièges, et un exemple publié de compte rendu honnête.

Carte de prévision de la vitesse du vent à 80 mètres au-dessus du sol sur l'État de Washington et l'Oregon, avec une maille de 1 km et des traînées lumineuses de vent fort dans les trouées des montagnes.

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

La vérification des prévisions consiste à évaluer les prévisions par rapport à ce qui s'est réellement produit. C'est ainsi qu'un responsable d'équipe de prévision sait si une nouvelle configuration du modèle est une amélioration, qu'un acheteur sait ce que vaut la prévision d'un fournisseur, et qu'un responsable d'exploitation décide jusqu'où se fier au chiffre du lendemain. Ce guide présente à quoi comparer une prévision, les scores courants en langage clair, les pièges qui produisent des résultats flatteurs, et un exemple publié de résultat présenté avec ses limites.

À quoi comparer une prévision

Aucune référence n'est la vérité parfaite. Chacune a ses points forts et ses angles morts.

  • Les stations de surface mesurent la température, le vent, la pression et la pluie directement en un point. Elles sont denses près des aéroports et des villes et clairsemées ailleurs, et les mesures de vent standard sont faites à 10 m, bien en dessous du moyeu d'une éolienne.
  • Le lidar mesure le vent à plusieurs hauteurs au-dessus de l'instrument, y compris à hauteur de moyeu. Il convient bien à l'énergie éolienne, mais peu de sites en possèdent un.
  • Le radar voit la pluie, la grêle et la structure des orages sur une vaste zone, toutes les quelques minutes. Il mesure l'énergie réfléchie par les précipitations dans l'air, et non la pluie qui atteint le sol : en tirer un cumul de pluie demande donc des précautions.
  • Les analyses sont les meilleures estimations de l'atmosphère sur une grille, obtenues en combinant des observations et un modèle. Elles couvrent tous les points, ce qui est pratique, mais elles portent les habitudes du modèle qui les a produites. Un modèle évalué par rapport à sa propre analyse est flatté.

Quelle que soit la référence, évaluez aussi une base de comparaison : la persistance (aucun changement par rapport à maintenant), la climatologie, ou une prévision publique telle que HRRR, le modèle de prévision horaire de la NOAA pour les États-Unis. Une prévision ne justifie son coût qu'en faisant mieux que ce que vous auriez pu avoir sans elle.

Les scores courants en langage clair

Prenons cinq prévisions de vent dont l'erreur était de +2, −1, +3, −2 et +3 m/s (prévision moins observation). Ces chiffres sont inventés pour montrer le calcul.

  • Le biais est l'erreur moyenne, signes conservés : (2 − 1 + 3 − 2 + 3) ÷ 5 = +1.0 m/s. La prévision est trop élevée. Le biais est l'erreur la plus facile à corriger, mais un biais nul peut cacher de grandes erreurs qui se compensent.
  • L'erreur absolue moyenne (MAE) est la taille moyenne de l'erreur, signes ignorés : (2 + 1 + 3 + 2 + 3) ÷ 5 = 2.2 m/s. Lisez-la comme l'erreur typique.
  • La racine de l'erreur quadratique moyenne (RMSE) élève chaque erreur au carré, fait la moyenne des carrés et en prend la racine carrée : √((4 + 1 + 9 + 4 + 9) ÷ 5) = √5.4 = 2.32 m/s. L'élévation au carré donne plus de poids aux grandes erreurs, si bien que la RMSE n'est jamais inférieure à la MAE. Utilisez-la lorsqu'une grande erreur coûte plus cher que plusieurs petites.

Pour les événements, comme un orage sur un site ou un vent supérieur à la vitesse de coupure d'une éolienne, comptez les détections, les non-détections et les fausses alarmes. Supposons qu'un orage ait été prévu 20 jours et soit arrivé 12 de ces jours, et que 3 autres orages soient arrivés sans avoir été prévus (chiffres inventés, là encore).

  • Le taux de détection, aussi appelé probabilité de détection : détections ÷ (détections + non-détections) = 12 ÷ (12 + 3) = 0.80. Parmi les orages qui se sont produits, 80 % avaient été prévus.
  • Taux de fausses alarmes : fausses alarmes ÷ (détections + fausses alarmes) = 8 ÷ (12 + 8) = 0.40. Parmi les orages prévus, 40 % ne se sont pas produits.

Présentez les deux ensemble. Une prévision qui annonce un orage tous les jours a un taux de détection parfait et un taux de fausses alarmes inutilisable. Des définitions plus complètes figurent dans le guide des méthodes tenu par le Joint Working Group on Forecast Verification Research, un groupe de travail relevant du Programme mondial de recherche sur la prévision du temps de l'OMM. METplus, du Developmental Testbed Center avec le NCAR et la NOAA, est un cadre de vérification public.

Trois pièges qui induisent en erreur

Représentativité

Une valeur de modèle est une moyenne sur une maille. Un instrument mesure un point. Une seule maille peut contenir à la fois une crête et une vallée. La hauteur compte aussi : un anémomètre à 10 m en dit peu sur le vent à 80 m. Une partie de l'« erreur » tient à ce décalage, pas à la prévision.

Erreurs de chronologie et double peine

Un modèle à haute résolution dessine un orage net. S'il place cet orage à 20 km de là ou avec une heure de retard, un score ponctuel compte une non-détection là où l'orage se trouvait et une fausse alarme là où il était prévu : deux pénalités pour une prévision manquée de peu. Une prévision lisse et grossière, qui ne s'engage jamais, peut obtenir un meilleur score tout en étant moins utile. Les scores qui admettent un voisinage dans l'espace ou une fenêtre dans le temps traitent plus équitablement les prévisions nettes.

Cas choisis à dessein

Un cas spectaculaire ne prouve rien. Fixez la période, les sites et le score avant de regarder les résultats. Présentez ensuite tous les cas, la taille de l'échantillon, la base de comparaison et ce qui n'a pas fonctionné.

Un exemple concret de compte rendu honnête

Aerava, la plateforme d'intelligence météo exploitée par TempoQuest, publie une comparaison sur le vent. Ses éléments correspondent à la liste de contrôle ci-dessus.

  • Échantillon : douze nuits dans un seul parc éolien de l'Oklahoma.
  • Référence : lidar public du DOE à 80 m.
  • Base de comparaison : HRRR seul.
  • Résultat : la prévision à 1 km combinée à HRRR présentait 11 à 13 % d'erreur en moins que HRRR seul, et faisait mieux 11 nuits sur 12.
  • Ce qui n'a pas fonctionné : seule, la simulation à 1 km ne faisait pas mieux que HRRR de façon fiable.
  • Statut : cette combinaison relève de la recherche et n'est pas en vente.

Aerava dit aussi ce qu'il n'a pas évalué : les prévisions d'orage ne sont pas encore évaluées, et la taille de la grêle est une indication expérimentale. Douze nuits sur un seul site constituent un petit échantillon, et la déclaration ne revendique rien de plus que ces douze nuits. C'est ce qu'il faut exiger de tout fournisseur, TempoQuest compris : l'échantillon, la référence, la base de comparaison, ce qui a échoué et ce qui n'est pas encore évalué.

TempoQuest développe l'outil de vérification des prévisions Forecast Verification Tool (FVT), conçu pour améliorer la vérification des prévisions météo. Les scores et les pièges présentés dans ce guide relèvent de la pratique générale ; ils ne décrivent pas FVT.

Que faire ensuite

Lisez ce que sont les prévisions par site à 1 km d'Aerava, ou contactez TempoQuest.

Votre prévision

Vous avez votre propre question de prévision ?

Dites-nous à quelle décision elle doit servir. Un court formulaire suffit pour joindre l'équipe, et nous examinons chaque demande.