AceCAST 5 : les nouveautés
AceCAST 5 est disponible dès maintenant. Voici ce qui change : WRF 4.8, quatre mises à jour de la physique et quatre nouvelles sorties du modèle.
En mai 2022, TempoQuest décrivait un Hybrid Weather Twin (« jumeau météo hybride ») : des modèles météorologiques physiques associés à l'apprentissage automatique. Les points forts de chaque type de modèle, et où cette association est utilisée aujourd'hui.

Un responsable data science qui a besoin de prévisions météo a désormais le choix entre deux types de modèle. Les modèles physiques résolvent les équations de l'atmosphère et demandent beaucoup de calcul. Les modèles d'apprentissage automatique produisent une prévision rapidement une fois entraînés, mais ils ne savent que ce que leurs données d'entraînement leur ont appris. La plupart des équipes finissent par avoir besoin des deux. En mai 2022, TempoQuest a décrit un concept qu'elle appelait Hybrid Weather Twin (« jumeau météo hybride »), qui associe modèles physiques et apprentissage automatique. Cet article revient sur cette idée : ce qui était proposé, les points forts de chaque type de modèle, et où cette association est réellement utilisée aujourd'hui.
Un jumeau numérique est une réplique numérique d'un système physique, tenue à jour grâce à des mesures du système réel. L'article de 2022 appliquait ce terme à la météo. Son jumeau hybride associait un modèle de prévision physique à des modèles fondés sur les données, entraînés sur des observations.
Le concept plaçait l'apprentissage automatique à trois endroits de la chaîne de prévision :
Il employait aussi le mot « hybride » pour l'infrastructure : CPU et GPU, cloud et sur site, données publiques et privées. Le schéma ci-dessous est tiré de cet article.

Le Hybrid Weather Twin était un concept, pas un produit.
Les modèles physiques partent des lois du mouvement et de la thermodynamique. Leurs points forts :
Leur coût, c'est le calcul, et les grilles fines en demandent beaucoup.
Les modèles d'apprentissage automatique apprennent des régularités à partir de données historiques. Leurs points forts :
Leur limite, ce sont les données d'entraînement. Un modèle entraîné sur des séries grossières ou courtes ne peut pas produire un détail ou des extrêmes qu'il n'a jamais vus.
C'est pourquoi les deux approches se complètent. Le modèle physique peut produire les données détaillées et cohérentes dont le modèle d'apprentissage a besoin. Le modèle d'apprentissage peut corriger le modèle physique à l'aide des observations.
Voici trois exemples actuels.
Le détail d'une grille fine ne prouve pas la qualité d'une prévision. Voyez comment évaluer une prévision, y compris une comparaison historique limitée avec des observations lidar.
La leçon pour tout système hybride tient dans ces deux constats. La combinaison a battu la référence là où la simulation à maille fine seule n'y parvenait pas, et seule l'évaluation par rapport aux observations l'a montré.
Toute combinaison a besoin d'un arbitre. La vérification classique évalue une prévision par rapport à des stations, des lidars ou des radars, à l'aide de mesures telles que le biais, l'erreur absolue moyenne et la racine de l'erreur quadratique moyenne. Par ailleurs, TempoQuest développe un outil de vérification des prévisions (Forecast Verification Tool), conçu pour améliorer la vérification des prévisions météo.

AceCAST 5 est disponible dès maintenant. Voici ce qui change : WRF 4.8, quatre mises à jour de la physique et quatre nouvelles sorties du modèle.

Aerava exécute un modèle météorologique autour du site que vous épinglez et compare le résultat à vos propres seuils d'orage, de vent et de coupure des éoliennes. Voici ce que vous pouvez lancer aujourd'hui, ce que cela coûte et ce qu'Aerava dit de la précision.

Un benchmark publié en 2023 et deux prix catalogue Azure, détaillés ligne par ligne : ce que coûte une VM GPU face à une VM CPU, puis face à seize, et ce que ces calculs laissent de côté.
Votre prévision
Dites-nous à quelle décision elle doit servir. Un court formulaire suffit pour joindre l'équipe, et nous examinons chaque demande.