Alexander Stauch, Meteomatics: «Nous avons créé nos propres modèles météorologiques à haute résolution»

A quels défis les entreprises sont-elles aujourd’hui confrontées en matière de données et de prévisions météorologiques?

Le volume de données météorologiques disponibles est l'un des principaux défis rencontrés. Ces données proviennent de diverses sources telles que les stations météorologiques, les satellites, les radars, les avions et les véhicules. En outre, il existe plus de 100 modèles météorologiques différents qui produisent des prévisions quotidiennes, rendant difficile l'organisation et le stockage de toutes ces informations. La gestion et l'utilisation de ces vastes ensembles de données nécessitent d'importantes ressources informatiques. Un autre défi consiste à fournir ces données aux utilisateurs finaux. Une tâche complexe concernant les grandes entreprises, telles que les sociétés énergétiques mondiales, qui ont besoin de mises à jour fréquentes d'énormes ensembles de données pour leurs opérations. 

Comment Meteomatics est passé de la mise à disposition de drones météo, les Meteodrones, à la fourniture de prévisions météorologiques?

Meteomatics s'est d'abord concentré sur l'utilisation de drones pour collecter des données météorologiques, en particulier dans la moyenne et la basse atmosphère, là où les stations météorologiques traditionnelles au sol ne peuvent pas aller. Au fur et à mesure que nous développions notre technologie des Meteodrones, nous nous sommes rendu compte que pour exploiter pleinement les données recueillies, nous avions besoin de meilleurs modèles météorologiques. C'est ainsi que nous avons créé nos propres modèles météorologiques à haute résolution. Aujourd'hui, nos clients veulent avant tout des prévisions précises. Que nous utilisions des drones ou des modèles avancés, notre objectif est de fournir des données fiables. 

Avez-vous recours à la fois à vos propres données et à celles de tiers pour élaborer vos modèles météorologiques?

Oui, nous utilisons une combinaison des deux. Nous collectons beaucoup de données ouvertes, qui sont disponibles gratuitement, ainsi que des données achetées, comme des informations satellitaires et radar provenant d'institutions météorologiques nationales. Nous combinons ensuite ces données tierces avec nos propres mesures.

Pour traiter toutes ces données, vous avez construit votre propre centre de données doté de supercalculateurs. Pourquoi avoir choisi cette solution plutôt qu'une infrastructure dans le cloud?

Nous avons décidé de construire notre propre datacenter afin d'avoir un contrôle total sur le processus. C’est devenu un atout stratégique important pour nous, car il nous permet d'opérer de manière indépendante. L'un de nos principaux atouts est la modélisation météorologique à haute résolution que nous réalisons à l'aide de nos superordinateurs. Nous sommes actuellement les seuls au monde à utiliser un modèle météorologique à haute résolution pour l'ensemble de l'Europe, avec une résolution d'un kilomètre. C'est particulièrement important pour de nombreux cas d'usage. Par exemple, les compagnies aériennes s'appuient souvent sur plusieurs modèles météorologiques qui peuvent fournir des prévisions contradictoires, créant ainsi de la confusion et de l'inefficacité. Notre modèle global pour toute l'Europe résout ce souci. 

Pourriez-vous nous en dire plus sur les techniques utilisées pour développer votre modèle météorologique? Est-ce que l'intelligence artificielle est impliquée?

Nous avons mis au point notre propre algorithme. Notre modèle fonctionne sur un million de lignes de code, résolvant des équations physiques et mathématiques complexes pour obtenir des prévisions à haute résolution. Les détails les plus fins sont pris en compte, comme les flux de vent influencés par les températures de surface et d'autres facteurs atmosphériques. L'IA joue un rôle principalement dans l'assimilation des données. Bien que nous proposions des modèles météorologiques basés sur l'IA, nous pensons que pour les prévisions à court terme, en particulier pour les 24 à 48 heures à venir, les modèles numériques traditionnels présentent des avantages significatifs. Les modèles d'IA, comme Graphcast, le logiciel libre de Google, n'ont pas la sophistication nécessaire pour le type de prévisions précises à court terme qui sont cruciales pour des secteurs comme la logistique et le commerce des énergies renouvelables. 

Comment distribuez-vous les données à vos clients? 

Avec une seule API, nous offrons un accès complet à tous les types de données - climatiques, prévisionnelles et historiques. Cette configuration permet d'automatiser la récupération des données, en tirant continuellement de larges blocs d'informations mises à jour sans intervention manuelle. Cet aspect est crucial pour les entreprises, qui préfèrent un système qui s'intègre directement dans leurs opérations sans qu'il soit nécessaire de manipuler manuellement les données.