Les modèles numériques de prévisions ne sont pas parfaits car:
Il peut y avoir des erreurs dans l'initialisation des données ...
Pour faire ses prévisions le modèle numérique doit savoir dans quelles conditions se trouvent l'atmosphère et la mer à un instant T. Pour cela il va récolter des données météorologiques recueillies par les satellites, les radiosondes, les stations automatique (SYNOP), stations des aéroports (METAR), avions commerciaux, navires... C'est ce qu'on appelle l'initialisation.
L'initialisation des données sert donc de base à l'ensemble de la prévision. Mais cette initialisation n'est pas parfaite. Elle comporte forcément des erreurs. En effet, il est impossible d'avoir des données de qualité partout (problème de calibrage des stations, instruments défectueux, pannes...). De plus le maillage des données recueillies est plus faible à certains endroits. Toutefois, des algorithmes statistiques essaient de pallier ses erreurs.
... et comme tous programmes informatiques, les modèles numériques buggent.
Malgré la puissance de calcul des super-ordinateurs des modèles numériques, leurs algorithmes ne peuvent pas modéliser à la perfection les mouvements de l'air. Pour cause, l'atmosphère est un milieu chaotique! Le nombre d'erreurs de calcul des modèles croit avec le temps. Ce nombre double en moyenne tous les cinq jours.
Les modèles numériques prévoient le temps par pas de 1h, 3h ou 6h. Il y a donc une discontinuité dans le temps qui ne colle pas à la réalité! En plus du séquençage du temps, au delà de 10 jours, la résolution est réduite; passant de 13km à 27km. Cela engendre forcément des approximations qui au final vont plus ou moins fausser la prévision.
Comment obtenir une prévision plus fiable?
Il est sage de comparer plusieurs modèles déterministes entre eux afin d'obtenir des convergences de prévisions. Comparer les deux principaux modèles (ECMWF et GFS) semblent le plus judicieux. Mais vous pouvez aussi les comparer avec d'autres modèles de prévisions tels que UKMO, NAVGEM, CMC, ARPEGE ...
Il faut également comparer les modèles déterministes et les modèles d'ensemble. Pour ces derniers on va volontairement modifier les données de l'initialisation afin de pallier à d'éventuelles erreurs. Si en comparant un modèle déterministe et un modèle d'ensemble un scenario similaire se dégage alors l'éventualité qu'elle se produise est plus forte.
Rappelez-vous que la précision d'un modèle diminue généralement avec le temps. Donc inutile de tenir pour acquis des prévisions à 384h!
www.cima.fcen.uba.ar
en.wikipedia.org/wiki/Numerical_weather_prediction
www.nonlin-processes-geophys.net/8/357/2001/npg-8-357-2001.pdf
IMAGE: ERIC CABANIS/AFP/GETTY IMAGES