JOJO_KERMIT

En plaine de Saône et dijonnaise cela alterne toujours entre brouillard et stratus au gré du vent qui passe du nord au sud-est. Mais le gris domine c'est sûr. Les -2°C de Tmini ont été atteint, MF n'avait mis que 0°C comme Arome. Icon-D2 était plus froid.

A Lagnieu le Rhône n'en fait qu'à sa tête !

Au soleil dans le village de Bèze en Côte-d'Or cet après-midi j'ai filmé la résurgence de la rivière bien alimentée.

Finalement Arome avait raison les nuages bas se sont dissipés vers 15h en est Côte d'Or Ce sera pour mieux rayonner et retomber en brouillard! Givrant ?

Brouillard en plaine de Saône et c'est parti pour plusieurs jours contrairement au soleil prévu par MF !

1041 hpa à Dijon !

On dirait bien que ça monte plus que prévu et la Saône en apporte de plus en plus en amont! Aurait-on un peu perdu le contrôle ?

Vive les bugs ! En tous cas je vois que les radome sont bien présentes dorénavant sur les cartes temps réel. ça avance. Après ce sera le tour des réseaux secondaires, salamandre, rce, feux de forêts, spc

les voilà https://www.infoclimat.fr/base-climatologique-2023-p-4273-saint-lupicin.html Et depuis 1973, waouh sacré historique ! Avec quels moyens avant la station auto ? Mais en effet elles n'apparaissent pas sur les cartes de climato/pluvio. C'est comme pour Villers-les-Pots en Côte d'Or. Dommage de saisir tout ça si ça n'apparait pas . Encore faudrait-il une explication. Mesure jugée non fiable ? Emplacement jugé mauvais ? Et pourtant il y bien d'autres données affichées qui elles sont complètement farfelues !

Tes données sont-elles rentrées en climatologie ? base climato/pluvio ?

Pas d'impact sur les cartes foudre, ça peut arriver.

on parle de 3m20 Bulletin vigicrue 22h20

Orage à l'instant. Tonnerre en décembre....

Enfin de l'eau sur l'arc méditerranéen ! https://www.infoclimat.fr/fr/cartes/observations-meteo/archives/pluie_24h/8/decembre/2023/6h/carte-interactive.html#8/43.232/3.8197

Arome était mauvais pour la pluie sur Paris ce jour.

Et bien je ne sais pas c'est si c'est un effet placebo ou une réalité mais je trouve que le site infoclimat est plus rapide depuis cette maintenance. Merci

Comme prévu épais brouillard en plaine de Saône et dijonnais qui est tombé très vite dès 19h à Dijon-Longvic, guère après chez moi. Températures négatives qui plongent là où le ciel s'est dégagé déjà du -2°C par endroit https://www.meteociel.fr/temps-reel/obs_villes.php?affint=1&code2=21154001&jour2=6&mois2=11&annee2=2023 ça va glisser sur les routes ! On aurait pu mettre du jaune en vigilance

Infoclimat ne répond plus !

trouvé sur le site du CEP et traduit en français par.....l'IA 😄 texte ci-dessous mais article complet avec images dans pdf joint. La montée en puissance de l’apprentissage automatique dans les prévisions météorologiques 20 juin 2023 Matthew Chantry, Zied Ben Bouallegue, Linus Magnusson, Michael Maier-Gerber et Jesper Dramsch L'apprentissage automatique (ML Machine learning) a été l'un des sujets de discussion mondiaux cette année. Tout le monde semble apprécier l’ exploration de l’intelligence artificielle générative (IA), sous forme de langages et de modèles d’images , pour rédiger ses emails ennuyeux, faire ses devoirs ou même réparer ses photos. Au CEPMMT, les techniques d'apprentissage automatique pour la modélisation du système terrestre ont été explorées ces dernières années, par exemple en utilisant des réseaux de neurones pour mieux intégrer les observations satellitaires. En 2021, nous avons publié une feuille de route, essayant de faire l'impossible : prédire où irait ce domaine au cours de la prochaine décennie. Cette année, nous avons marqué une étape clé de cette feuille de route : la première utilisation opérationnelle du ML moderne au CEPMMT, en utilisant des réseaux de neurones pour surveiller les observations . Alors que les grands modèles linguistiques tels que ChatGPT font la Une des journaux, une révolution plus discrète se produit en arrière-plan. Les modèles ML deviennent compétitifs avec les modèles numériques de prévision météorologique. Première exploration des prévisions de ML au CEPMMT Notre exploration du sujet de l' élaboration de prévisions météorologiques basées sur le ML a commencé en 2018, avec Peter Dueben et Peter Bauer du CEPMMT publiant un article sur l'utilisation de la dernière réanalyse du CEPMMT ( ERA5 ) à une résolution d'environ 500 km pour prédire la hauteur géopotentielle future de 500 hPa. Dans la foulée est venu WeatherBench , créant un test de référence pour les prévisions météorologiques à moyen terme basées sur le ML. Les problèmes de référence ont été au cœur des développements du ML dans de nombreux domaines de recherche, fournissant un ensemble de données et un ensemble de scores. Cela a rendu le test très accessible aux chercheurs issus d’horizons très divers. Au cours des années suivantes, le sujet a été exploré par de nombreux auteurs, mais avec des modèles basés sur le ML ayant la compétence équivalente à une simulation à très grossière résolution du système de prévision intégré (IFS) du CEPMMT (par exemple avec une grille d'environ 200 km ). La conclusion préliminaire était qu'il s'agissait d'un problème de recherche intéressant à explorer, mais que la probabilité qu'il devienne opérationnel était faible, ce n'était donc pas un investissement judicieux des ressources du CEPMMT. Une révolution dans les modèles ML pour les prévisions météorologiques La situation a évolué rapidement, entre février 2022 et avril 2023. Dans une série d'articles, émanant principalement de grandes entreprises technologiques telles que NVIDIA, Huawei et Google DeepMind , des progrès rapides ont été réalisés dans la qualité des prévisions météorologiques basées sur le ML. Actuellement, de nouvelles contributions sont apportées dans ce domaine tous les quelques mois. Ces prévisions météorologiques basées sur le ML se sont d'abord approchées des compétences de l' IFS ( utilisées comme référence pour les prévisions de haute qualité), puis ont correspondu aux compétences de l'IFS, puis ont prétendu dépasser nos scores. De plus, réaliser une prévision avec ces modèles ne nécessite qu'un seul GPU, prend moins d'une minute et consomme une infime fraction de l'énergie requise pour une prévision IFS. Mais est-ce là toute l’histoire ? Ces approches entièrement basées sur le ML s'appuient toujours fortement sur l'IFS . L'IFS est utilisé pour créer à la fois les données de formation et de validation (ERA5 ) , ce qui est essentiel pour tout modèle ML . De plus, après entraînement, ces modèles s'appuient sur les conditions initiales de l'IFS. De plus, la qualité des prévisions météorologiques ne se résume pas à des scores, la question se pose donc : ces modèles basés sur le ML produisent-ils des prévisions physiquement cohérentes et météorologiquement significatives ? Plusieurs de ces modèles ont été rendus publics, notamment le Pangu-Weather de Huawei et le FourCastNet de NVIDIA . Au cours des derniers mois, le personnel du CEPMMT a construit une infrastructure pour exécuter ces modèles dans un pipeline facile à utiliser . Les modèles peuvent désormais être exécutés à partir de nos données archivées, les résultats enregistrés dans des formats standardisés, et ils peuvent se connecter à nos outils de vérification. Un outil issu de ce travail a été publié sur https://github.com/ecmwf-lab/ai-models pour que tout utilisateur puisse explorer les compétences de ces prévisions. Dans quelle mesure les dernières prévisions météorologiques basées sur le ML sont-elles pertinentes ? Premièrement, les principaux scores publiés des modèles basés sur le ML résistent à une évaluation indépendante. Lorsqu'il est évalué avec des scores déterministes, tels que l'erreur quadratique moyenne ( RMSE ) ou le coefficient de corrélation des anomalies ( ACC ) , Pangu-Weather est un rival légitime pour l'IFS (voir la figure 1 par exemple) . Cela est vrai non seulement lorsqu'on l'évalue par rapport à des analyses , mais aussi par rapport à des observations, et lorsqu'on utilise la même condition initiale que l'IFS (par opposition à l'initialisation à partir d'ERA5, qui est effectuée dans les documents publics) . Figure 1 : Erreur quadratique moyenne ( RMSE) de la hauteur géopotentielle de 500 hPa pour les prévisions à haute résolution IFS ( HRES ) et Pangu-Weather au-dessus de l'Europe pour l' hiver 2022/23 au jour 6 , mesurée par rapport à l'analyse opérationnelle . Pangu-Weather et l'IFS produisent des prévisions d'une précision comparable et partagent une « crise » de prévision vers la fin janvier . Cependant, les scores peuvent être optimisés et les modèles ML sont formés pour faire exactement cela. Pangu-Weather et FourCastNet ont été formés pour minimiser le RMSE. L'entraînement vers ce type d' objectif peut lisser les prévisions et pénaliser les prévisions d' extrêmes. Mais bien sûr, les prévisions météorologiques sont particulièrement utiles pour les événements extrêmes où des vies sont en jeu. Figure 2 : Erreurs moyennes de trajectoire des cyclones tropicaux en 2018 pour les prévisions à haute résolution IFS (HRES) et Pangu-Weather, mesurées par rapport à IBTrACS. La statistique est basée sur des événements ayant une force de tempête tropicale d'au moins 17 m/s, et les barres mettent en évidence l'intervalle de confiance de 95 %. En examinant la précision de la trajectoire des cyclones tropicaux de Pangu-Weather, nous constatons que ce modèle ML fonctionne aussi bien que le modèle IFS dans son ensemble au cours des cinq premiers jours de prévision (Figure 2). Le léger avantage de Pangu-Weather après deux jours est principalement dû à la réduction des erreurs de suivi. En regardant l'étude de cas du cyclone tropical Freddy en 2023 (Figure 3), nous constatons également que même si l'emplacement est bien capturé par Pangu-Weather (et légèrement moins précisément par FourCastNet), les vents liés au cyclone sont considérablement moins extrêmes et symétriques. par rapport à l’analyse et à l’IFS. Il s'agit d'un autre effet qui peut être attribué à la méthodologie de formation utilisée dans la génération actuelle de modèles ML, par la formation à l'optimisation du RMSE. Figure 3 : Prévisions du cyclone tropical Freddy en 2023 à partir de l'IFS HRES, Pangu-Weather et FourCastNet par rapport à l'analyse et à l'ERA5 au jour 2. L'échelle de couleurs indique la vitesse du vent (m/s) et les contours noirs montrent la pression moyenne au niveau de la mer. . Pangu-Weather et l'IFS HRES ont des centres d'une précision très similaire, mais Pangu-Weather sous-estime la vitesse du vent. En outre, l’évaluation d’une série d’études de cas produit une image assez cohérente. Les modèles ML basés sur les données font preuve de compétence dans la prévision des événements extrêmes (par exemple, la récente vague de chaleur printanière dans la péninsule ibérique), mais peuvent ne pas avoir l'intensité prédite par l'IFS. Ce n'est pas un problème fondamental avec les modèles ML, mais découle de la méthodologie de formation. Ce problème peut être résolu par diverses approches. Par exemple, l’adoption d’une approche de modélisation générative encouragerait des prédictions plus extrêmes, même si cela fait souvent de la formation de ces modèles un art plus subtil. Quelle est la prochaine étape pour les prévisions météorologiques basées sur le ML ? À notre avis, nous nous trouvons actuellement à un moment passionnant de l’histoire des prévisions météorologiques. Le coût infime de production de prévisions avec ces modèles basés sur le ML signifie que l'on peut envisager de construire des ensembles haute résolution de 500 membres au lieu de 50. La diffusion pourrait éventuellement être assurée en passant une condition initiale et un modèle, permettant aux utilisateurs d'exécuter rapidement le modèle et extraire uniquement les données qui les intéressent. Ce n’est en aucun cas la mort de la modélisation conventionnelle. Les modèles physiques, tels que l'IFS, ont été l'ingrédient clé pour générer l'ensemble de données ERA5 et les conditions initiales requises pour exécuter ces modèles ML. Si le ML peut apprendre à prédire la météo, il pourrait alors être déployé de manière hybride avec des modèles physiques pour vérifier, augmenter et améliorer le système. Ces récents développements du ML nous motivent davantage à poursuivre nos projets hybrides dans le cadre de la feuille de route. Le CEPMMT et les centres météorologiques disposent d'un accès inégalé aux données du système terrestre et à l'expertise du domaine, deux ingrédients cruciaux pour améliorer encore les modèles ML. Il est maintenant temps d’adopter la technologie et d’établir quel est l’équilibre optimal entre la modélisation physique et le ML pour continuer à améliorer les prévisions. Nous avons des itinéraires supplémentaires à ajouter à notre feuille de route ! Lectures complémentaires Vous pouvez en savoir plus sur les travaux du CEPMMT sur l’apprentissage automatique dans les prévisions météorologiques dans notre rapport annuel 2022. Image de bannière : LV4260 / iStock / Getty Images Plus apprentissage_automatique_Cep.pdf

Voilà l'indice SWI mis à jour Toujours en déficit sur le MC et le pire en Méditerranée comparaison avec 2022

En Côte d'Or -6 à -7°C de mini ce matin et quelques pointes relevées dans divers Réseaux: -8.8°C à Commarin -9°C à Ste-Foy(Val Suzon, station ONF) -9,6°C à Vernot (Netatmo) -8°C Til-Chatel, Pouilly en Auxois, Ancey autres Netatmo -8.2 Etaules, Darois -7.6 Auxonne -8.3 Frénois -7.9 Salives

Dorénavant cela s'appelle la base Alpha. Et c'est bien la prévision puisque c'est celle que tu peux retrouver sur le site MF

A force de tout vouloir fermer et automatiser voilà à quel genre de résultat il faut s'attendre Depuis ce matin voilà la prévision et la réalité Comment aller expliquer cela au client ? Lui dire que c'est la faute des modèles ?

Et le Rhône qui monte https://www.rdbrmc.com/hydroreel2/station.php?codestation=690 https://www.rdbrmc.com/hydroreel2/station.php?codestation=658