Précision des modèles de prévision par rapport à URMA

Ce tableau de bord compare les modèles de prévision NOAA à l'analyse URMA pour l'Amérique du Nord. Choisissez une ville pour voir le comportement local. Vous pouvez basculer la variable entre température à 2 m et vitesse du vent à 10 m. Modèles comparés côte à côte : NBM, GFS, HRRR, RRFS 2D fields, NAM CONUS Nest et AIGFS Surface.

Ce que vous voyez

• Séries brutes : les courbes des modèles devraient suivre URMA de près. Un écart persistant signale une précision plus faible.
• Séries d'erreur : prévision moins URMA. Au-dessus de zéro, le modèle surestime la valeur ou est trop chaud ; en dessous de zéro, il sous-estime la valeur ou est trop froid.
• Séries d'erreur absolue : taille de l'erreur sans signe. Plus bas et plus stable est meilleur.
• Bias (biais) : erreur signée moyenne. Des valeurs proches de zéro indiquent une bonne calibration.
• Erreur moyenne et maximale : la moyenne reflète la qualité globale ; les pics signalent des heures difficiles.

Définitions des métriques clés

MAE (Mean Absolute Error) : la moyenne de |forecast − URMA| sur la fenêtre. Plus bas est meilleur.

Bias (biais) : la moyenne de forecast − URMA. Un biais positif signifie que le modèle surestime ; un biais négatif signifie qu'il sous-estime.

Erreur maximale : la plus grande erreur de la fenêtre. Utile pour repérer les valeurs extrêmes et les changements de régime.

Comment lire les panneaux

• Cohérence : un modèle avec MAE bas et biais proche de zéro reste fiable dans différentes conditions.
• Régimes météorologiques : surveillez les pics pendant les fronts, les transitions au lever du soleil, la convection ou les épisodes de rafales. Si tous les modèles décrochent en même temps, la situation était probablement difficile à prévoir.
• Sensibilité selon la variable : la vitesse du vent à 10 m produit souvent des erreurs extrêmes plus marquées que la température à 2 m. Il faut donc s'attendre à quelques grosses erreurs.
• Effets locaux : relief, littoral et chaleur urbaine peuvent créer des biais répétables. Un biais stable peut être corrigé ensuite dans votre application.

Sources de données et documentation : NBM · HRRR · GFS · RRFS 2D fields · NAM CONUS Nest · AIGFS Surface · URMA. Les requêtes utilisent le catalogue de paramètres partagés de GribStream, le shared-parameter catalog, afin que chaque modèle soit interrogé pour le même signal physique avec des unités de sortie cohérentes. Les valeurs de prévision sont sélectionnées telles qu'elles étaient connues au début de la fenêtre de 36 heures, puis comparées à l'analyse URMA publiée ensuite, avec un recul maximal de 24 heures.