GribStream MCP interroge maintenant des données météorologiques réelles pour l'analyse par IA

L'analyse météorologique avec IA devient beaucoup plus utile lorsque l'agent travaille sur de vraies données de prévision, au lieu de seulement expliquer à quoi devrait ressembler un appel API.

GribStream MCP prend désormais en charge les requêtes de données authentifiées. Un agent d'IA dans Codex, Claude Code, Claude ou un autre client compatible MCP peut inspecter le catalogue GribStream, choisir les variables exactes d'un modèle météorologique, récupérer des lignes de prévision en CSV, JSON ou NDJSON, puis analyser ou visualiser ces données dans la même session.

Cela transforme GribStream MCP en flux de travail interactif pour les données météorologiques :

1. découvrir les datasets et les métadonnées de sélecteurs depuis le catalogue en direct
2. interroger des résultats limités de /timeseries ou /runs avec un token GribStream authentifié
3. trier et valider les lignes météorologiques retournées
4. utiliser des outils locaux courants comme pandas et matplotlib pour l'analyse
5. affiner la requête, le graphique ou la question météorologique sans quitter le chat

Pour les utilisateurs d'une API météorologique, c'est un chemin plus rapide de l'idée à la preuve. Les équipes produit peuvent prototyper une visualisation. Les équipes de prévision peuvent contrôler rapidement un champ. Les équipes énergie, logistique, agriculture, aviation et risque météorologique peuvent demander une vue rapide d'un événement avant de lancer une exportation plus vaste ou une chaîne de production.

Une animation HRRR d'orage en un seul prompt

Pour tester ce nouveau flux, nous avons demandé à un client d'IA compatible MCP une carte météorologique animée et soignée d'un événement convectif dans les Northern Plains, près de Bismarck, North Dakota. Le prompt ne supposait aucune connaissance du référentiel GribStream et ne fixait pas à l'avance les sélecteurs exacts. Il demandait à l'agent de découvrir les champs depuis le catalogue MCP, d'interroger les données, d'assembler des réponses CSV découpées en tuiles si nécessaire, puis de générer le GIF final.

Voici le prompt :

Utilise GribStream MCP pour créer un GIF météorologique animé et soigné de l'orage des Northern Plains près de Bismarck, North Dakota, de 02:00 UTC à 03:45 UTC le 8 juin 2026.

Découvre les bonnes variables HRRR depuis le catalogue MCP au lieu de supposer les noms. Je veux le CAPE de surface en fond ombré, la réflectivité composite superposée sous forme de zones d'orage remplies et contournées, et les vecteurs de vent à 10 mètres à partir des composantes u/v du vent.

Utilise une résolution d'environ 5 km, soit environ 0.05 degré, sur une zone assez large pour montrer l'environnement et le déplacement de l'orage autour de l'ouest et du centre du North Dakota. Ajoute Bismarck, Minot, Williston, Dickinson, Jamestown, Fargo, Grand Forks, Aberdeen, Pierre, Rapid City et Miles City comme libellés de villes si l'espace le permet. Ajoute des frontières d'États lisibles, un fond sombre, une échelle de couleur CAPE du violet au jaune, une légende de réflectivité et marque le point de réflectivité maximale sur chaque image.

Génère une animation propre et prête à être présentée : limites de carte constantes, échelles de couleur constantes, libellés lisibles, pas trop de flèches de vent et une boucle modérément rapide. Privilégie les réponses CSV du MCP. Si la grille est trop grande pour une seule réponse, découpe la requête en tuiles, assemble les CSV, trie les lignes par heure valide et emplacement, puis génère le GIF.

Enregistre le GIF animé final, ainsi qu'une image fixe de prévisualisation et une planche-contact, et indique-moi où ils se trouvent.

Pour l'animation en haut de cet article, l'agent a utilisé le catalogue MCP pour trouver les champs HRRR nécessaires, puis a interrogé :

Téléchargez les sorties CSV utilisées pour la visualisation :

• CSV HRRR sub-hourly de réflectivité et vent à 10 m
• CSV HRRR de CAPE de surface

Une planche-contact est également utile pour vérifier les images de l'animation :

Ce qui a changé dans le MCP

GribStream MCP aidait déjà les outils d'IA à construire des requêtes API correctes à partir des métadonnées du catalogue en direct. La nouveauté est que les outils de requête authentifiée peuvent désormais renvoyer de vraies valeurs de prévision, et pas seulement des modèles de requêtes.

C'est important car les données météorologiques dépendent fortement des sélecteurs. Un champ de modèle n'est pas seulement un nom court. Il a aussi un niveau, des métadonnées, une sémantique temporelle, des unités, une couverture du dataset et parfois des particularités propres au modèle. Le MCP donne à l'agent un moyen de découvrir ces détails avant d'interroger les données.

Pour l'animation de Bismarck, l'agent a découvert et utilisé :

Ensuite, la partie graphique relève de l'analyse de données classique : lire le CSV avec pandas, trier par heure valide et emplacement de grille, transformer chaque image en matrice, calculer les vecteurs de vent depuis les composantes U/V et générer une carte avec une échelle constante.

Pourquoi c'est utile

Cela ne remplace pas l'API GribStream. L'API reste la bonne interface pour les grandes exportations, les tâches planifiées, les services backend et les applications météorologiques de production.

Le MCP est la couche interactive. Il est utile lorsqu'un utilisateur veut poser des questions comme :

• "Trouve un événement HRRR visuellement intéressant et fais une carte."
• "Récupère le CSV exact derrière cette caractéristique de prévision."
• "Compare CAPE, réflectivité et vent de surface autour de cet orage."
• "Montre-moi si cette grille contient le champ dont j'ai besoin avant de l'intégrer en production."
• "Construis un premier graphique que je pourrai transformer en vrai tableau de bord."

C'est précieux pour les équipes qui construisent des tableaux de bord météorologiques, des prévisions d'énergie renouvelable, des outils de risque logistique, de l'aide à la décision agricole, des produits aviation et de l'analytique assurance. L'agent peut passer du langage naturel à des données météorologiques fondées sur le catalogue, puis à un graphique inspectable, sans qu'un humain écrive à la main le premier curl ou script de visualisation.

Essayez-le

Installez ou connectez GribStream MCP dans votre client d'IA, authentifiez-vous avec un token API GribStream et commencez par une requête de données limitée. Par exemple :

Utilise GribStream MCP pour trouver un exemple HRRR visuellement intéressant.
Utilise les outils de catalogue pour choisir les variables, interroge un résultat CSV limité,
trie les lignes retournées et génère un graphique à partir des données.
Garde la première requête assez petite pour itérer rapidement.

Puis demandez une version prête pour la production :

Rends la carte prête à être présentée.
Utilise un fond sombre, des libellés lisibles, une échelle de couleur fixe,
une légende claire et des vecteurs de vent assez grands pour être inspectés.
Si la grille est trop grande pour une seule réponse, découpe la requête en tuiles et assemble les CSV.

Le changement important est simple : GribStream MCP peut maintenant participer à la boucle d'analyse de données météorologiques en direct. Il peut découvrir, interroger, retourner et aider à visualiser de vraies données de prévision.

Notes

Les graphiques ci-dessus utilisent la sortie du modèle HRRR, pas un radar observé. La réflectivité composite est le champ de modèle REFC. Les flèches de vent sont dérivées de UGRD et VGRD à 10 m au-dessus du sol. Le champ CAPE vient de HRRR horaire et est interpolé pour les images sub-hourly de 15 minutes.