4 min de lecturePrévision

Davantage d'observations météo exigent davantage de calcul pour porter leurs fruits

Les données météo arrivent plus vite que la plupart des équipes de prévision opérationnelle ne peuvent les exploiter. Pourquoi davantage d'observations exigent davantage de calcul avant d'améliorer une prévision, et quelle est la place des GPU.

De longues rangées d'armoires noires et bleues du supercalculateur IBM Summit dans une salle machine, surmontées de chemins de câbles jaunes.

Première publication le 1er mars 2022 · Mis à jour le 16 novembre 2026

Les données météo arrivent plus vite que la plupart des équipes de prévision opérationnelle ne peuvent les exploiter. De nouveaux satellites, radars et capteurs au sol transmettent chaque année des données plus fréquentes et plus détaillées. Mais une observation n'améliore une prévision que si un modèle peut l'intégrer et terminer son exécution avant le moment où la prévision est nécessaire. Pour un responsable des opérations, une question scientifique devient ainsi une question de budget : combien de calcul faut-il pour transformer plus de données en meilleures décisions ?

Pourquoi les observations comptent, et où sont les lacunes

Toute prévision numérique part d'une estimation de l'état actuel de l'atmosphère. Les erreurs de cet état initial grandissent à mesure que le modèle avance dans le temps : une prévision ne peut donc pas être meilleure que ne le permettent les observations dont elle part.

La couverture est inégale. Les stations d'observation en altitude mesurent la température, l'humidité et le vent sur toute l'épaisseur de l'atmosphère, et dans une grande partie du monde elles sont très éloignées les unes des autres. La carte de l'Organisation météorologique mondiale ci-dessous montre l'espacement des observations en altitude par pays. Le rouge foncé indique les écarts les plus grands.

Carte du monde de l'espacement horizontal des observations météorologiques en altitude par pays, en kilomètres. L'espacement est le plus grand, en rouge foncé, sur une grande partie de l'Afrique et dans certaines régions d'Amérique du Sud, d'Asie du Sud et du Pacifique.

Combler ces lacunes est rentable. Un rapport de la Banque mondiale sur la valeur des données d'observation météorologique de surface a estimé que chaque dollar investi dans de nouvelles données d'observation pourrait rapporter au moins vingt-six dollars de bénéfices socio-économiques.

Les données croissent plus vite que le calcul

Les satellites ont changé la donne du côté de l'offre. Le graphique ci-dessous, tiré de Christopherson, Chandra et Quanbeck (2019), compte les satellites par année de lancement et par type d'utilisateur. Les lancements commerciaux augmentent fortement à partir de 2014.

Diagramme en barres du nombre de satellites lancés chaque année de 1974 à 2019, répartis entre utilisateurs commerciaux, publics ou privés, et gouvernementaux ou civils. Les lancements commerciaux augmentent fortement à partir de 2014.

Plus de données ne suffit pas en soi. Elles doivent passer par l'assimilation de données, l'étape qui combine les nouvelles observations avec une prévision récente à courte échéance pour produire l'état initial de la simulation suivante. L'assimilation compte parmi les parties les plus coûteuses d'un système de prévision, car les méthodes de pointe exécutent le modèle de nombreuses fois pour déterminer le poids que mérite chaque observation.

Le coût ne s'arrête pas là. Dès que l'état initial contient plus de détail, le modèle de prévision a besoin d'une grille plus fine pour le conserver. Les grilles plus fines demandent beaucoup plus de calcul. Données, assimilation et résolution puisent toutes dans le même budget.

Ce que disaient les conseillers de la NOAA en 2022

L'exposé public le plus clair du problème est venu du Science Advisory Board, le conseil consultatif scientifique de la NOAA. Comme l'a rapporté HPCwire en janvier 2022, le rapport de ce conseil constatait que les progrès des prévisions météo étaient directement limités par le calcul disponible pour développer, tester et exécuter de nouveaux modèles et l'assimilation de données. Il appelait à multiplier par un facteur de l'ordre de 100, au cours de la décennie suivante, la capacité de calcul opérationnelle dont disposait alors la NOAA.

C'était un constat portant sur un service météorologique national en 2022, mais le raisonnement vaut pour toute organisation qui produit ses propres prévisions : acheter plus de données sans plus de calcul laisse ces données inutilisées.

La place des GPU

Il y a deux façons d'obtenir plus de calcul. La première consiste à ajouter des processeurs du même type. La seconde, à utiliser des processeurs qui effectuent chacun davantage de ce type de travail. Exécuter le modèle de prévision sur GPU relève de la seconde voie.

AceCAST exécute WRF, le modèle Weather Research and Forecasting maintenu par le NCAR, sur GPU NVIDIA. Il conserve le flux de travail WRF, avec des entrées, des namelists et des sorties compatibles WRF, sur des systèmes Linux sur site ou dans le cloud. Le rôle d'AceCAST, c'est la simulation de prévision elle-même. Les étapes qui préparent les observations et les conditions initiales restent confiées aux outils que votre équipe utilise déjà, et AceCAST lit les entrées compatibles WRF qu'ils produisent.

Voir le benchmark et l'exemple de coût.

Mesurez si les données supplémentaires sont utiles

Plus d'observations et une grille plus fine sont des investissements, et il faut les contrôler comme tels. La vérification des prévisions évalue chaque 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. Appliquez-la avant et après un changement, sur un nombre de jours suffisant pour être sûr du résultat. Par ailleurs, TempoQuest développe un outil de vérification des prévisions (Forecast Verification Tool), conçu pour améliorer la vérification des prévisions météo.

Si vous ne voulez pas exécuter le modèle

Deux options évitent la question du matériel. Aerava calcule une prévision pour un site que vous épinglez et affiche le prix avant le lancement. L'offre Données météo sur mesure livre des sorties de modèle propres à chaque projet ; les demandes types portent sur une résolution d'environ 1 km ou 3 km et sur une cadence de 15 minutes, de 30 minutes, horaire ou quotidienne.

Découvrez AceCAST 5, disponible dès maintenant, pour connaître sa physique, ses sorties et les conseils de mise à niveau.

Que faire ensuite

Découvrez AceCAST, ou chiffrez une prévision.

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.