Une vision scientifique et technologique pour l'OMM - Faire progresser la météorologie et le climat grâce à la science des données

Mettre en œuvre un modèle de gouvernance axé sur les données pour l'analyse météorologique et climatique dès aujourd'hui. Cette mission est centrée sur des métadonnées standardisées, des contrôles rigoureux de la qualité des données et un partage de données ouvert et sécurisé entre les agences et les frontières. Objectif : ingérer 2 pétaoctets de nouvelles observations chaque jour provenant de satellites, d'aéronefs, de stations au sol, de capteurs océaniques et de réseaux radar, avec une latence de bout en bout inférieure à 5 minutes pour les ensembles de données critiques. Mettre en place un courtier de données centralisé, un catalogue commun et un cadre d'accès transparent au service des chercheurs, des opérateurs et des décideurs.

Créer une pile de fusion de données modulaire qui combine des observations en direct avec des sorties de modèle. Utiliser un modèle de données partagé et des principes FAIR pour garantir que les données soient Faciles à trouver, Accessibles, Interopérables et Réutilisables. Mettre en œuvre un registre de métadonnées avec des descripteurs exploitables par machine et le suivi de la provenance des données. Déployer des microservices évolutifs qui ingèrent, valident et publient les données sur une grille de calcul 24h/24 et 7j/7.

Investir dans le renforcement des capacités et la fidélisation des talents : former 250 data scientists et 180 météorologues par an ; financer 5 projets de science des données conjoints entre les membres de l'OMM chaque année ; assurer une participation d'au moins 30 % des régions en développement aux programmes des partenaires.

Les outils open source et les flux de travail reproductibles deviennent la référence : adopter xarray, Dask, Apache Arrow et des tableaux de bord basés sur Jupyter ; fournir des modèles pour les notebooks reproductibles ; entretenir un référentiel Git partagé avec des pipelines CI. Établir 3 progiciels prioritaires par an pour accélérer la vérification des prévisions, la détection des anomalies et l'analyse des scénarios climatiques.

Les indicateurs opérationnels définissent le succès : latence pour les observations de surface en temps réel inférieure à 3 minutes ; objectifs de qualité des données fixés à 95 % de précision pour les prévisions immédiates essentielles ; 90 % des ensembles de données de base publiés avec des métadonnées lisibles par machine ; et une augmentation annuelle de 20 % de l'utilisation de l'aide à la décision basée sur les données par les pays membres.

Quelles priorités de recherche favorisent l'amélioration des prévisions météorologiques et climatiques ?

Cette mission est axée sur le renforcement de l'intégration des données et des modèles afin d'accroître la précision des prévisions météorologiques et climatiques. En combinant les observations radar, satellite, de surface et in situ avec les modèles couplés, nous pouvons raccourcir les cycles de mise à jour et réduire les biais à toutes les échelles.

Faire progresser les méthodes d'assimilation des données et les flux d'ensembles pour fournir des prévisions probabilistes qui soutiennent les décisions fondées sur les risques. Construire des pipelines rationalisés qui ingèrent les observations en quelques heures et propagent les incertitudes à travers les prévisions pour des jours et des saisons.

Investir dans des réseaux d'observation robustes, une capacité de calcul et des liens interdomaines pour assurer des conditions initiales cohérentes. Tirer parti de l'apprentissage automatique pour le post-traitement, la correction des biais et la détection rapide des anomalies tout en préservant les contraintes physiques.

Cette mission nécessite une forte collaboration entre les agences, les régions et les communautés de recherche pour partager les données, les repères et les logiciels, accélérant ainsi leur adoption dans les centres de prévision.

Principaux domaines de recherche

Priorité	Justification	Actions	ICP
Assimilation intégrée des données à travers l'atmosphère-océan-terre-cryosphère	Alignement des conditions initiales entre les domaines afin de réduire les biais interdomaines.	Mettre en œuvre EnKF/4D-Var couplé, unifier le CQ, partager des ensembles de données pilotes entre les centres.	Réduction de l'erreur quadratique moyenne de 15 à 25 % pour les prévisions à 3 à 7 jours ; latence de mise à jour < 3 heures pour les produits de base.
Optimisation du réseau d'observation et ingestion en temps réel	Maximisation des observations ayant un impact dans les fenêtres d'assimilation.	Prioriser les satellites à fort impact, étendre les réseaux de radiosondes et de surface dans les régions mal desservies, automatiser le CQ.	Amélioration de la couverture de 20 à 40 % dans les régions cibles ; latence d'ingestion inférieure à 1 heure.
Couplage climat-météo pour les prévisions saisonnières	Amélioration de l'initialisation pour les prévisions à l'échelle climatique et les conditions aux limites.	Développer un couplage transparent entre les modèles climatiques saisonniers et les modèles météorologiques à l'échelle quotidienne ; valider croisement les biais.	Gain de compétence dans les prévisions à 2 à 6 mois ; amélioration des mesures d'étalonnage probabiliste de 10 à 20 %.
Quantification de l'incertitude et post-traitement amélioré par l'apprentissage automatique	Fourniture de prévisions de probabilité fiables et des indicateurs de risque exploitables.	Utiliser l'apprentissage automatique pour apprendre les biais résiduels, étalonner les ensembles, quantifier l'incertitude ; assurer les contraintes physiques.	Amélioration des mesures de fiabilité ; réduction de la sous-dispersion ; indicateurs de confiance des utilisateurs.

Voie de mise en œuvre et collaboration

Établir un programme conjoint de R&D avec des étapes claires sur des cycles pluriannuels et une structure de gouvernance pour coordonner le partage des données et la gérance des logiciels. Renforcer les capacités grâce à des programmes de formation, des ensembles de données partagés et des outils open source accessibles aux services météorologiques nationaux.

Comment les réseaux mondiaux d'observation peuvent-ils être mis à niveau pour obtenir des données en temps réel ?

Déployer des réseaux de capteurs modulaires et interopérables avec traitement à la périphérie pour fournir des flux de données en quasi temps réel. Chaque nœud fusionne les mesures localement pour des contrôles de qualité rapides et transmet les données vérifiées aux hubs centraux, réduisant ainsi la charge de raccordement et permettant des alertes plus rapides.

Accroître la couverture avec un mélange de capteurs de surface à faible coût et de stations fixes améliorées afin de combler les lacunes en matière d'observation. Fixer un objectif selon lequel 90 % des observations essentielles parviennent au centre de données dans les cinq minutes suivant la collecte, et planifier l'ajout de 100 nouveaux micro-capteurs par 1000 km² dans les régions hautement prioritaires sur cinq ans. Inclure des profileurs portables pour les campagnes saisonnières rapides.

Établir une liaison descendante multicouche utilisant des stations au sol régionales, des liaisons satellites et des nœuds relais denses pour réduire la latence entre les régions. Prioriser les zones sujettes aux tempêtes et les zones côtières où les mises à jour rapides sauvent des vies et des biens.

Adopter des normes ouvertes et des formats de données partagés tels que NetCDF, les conventions CF, SensorML et le système d'information de l'OMM. Créer une API commune pour l'ingestion des données et pousser les données dans des cubes de données régionaux avec une provenance claire et des horodatages précis pour assurer la traçabilité.

Automatiser le contrôle de la qualité à la périphérie grâce à des contrôles légers et à la détection d'anomalies assistée par l'apprentissage automatique. Utiliser des indicateurs de CQ automatisés, la validation des métadonnées et la vérification croisée avec les capteurs voisins pour réduire les fausses alarmes et améliorer la confiance dans les alertes.

La gouvernance doit être alignée sur la mission : conclure des accords transfrontaliers de partage de données sécurisés, assurer un financement stable pour la maintenance et assurer une cybersécurité robuste avec des contrôles d'accès et des pistes d'audit. Établir un modèle à deux niveaux dans lequel les nœuds régionaux gèrent la fusion locale et un centre mondial coordonne les normes, les repères et les indicateurs de progrès.

Les étapes de mise en œuvre comprennent l'analyse des lacunes, les réseaux pilotes dans divers climats, l'augmentation progressive de l'échelle et la surveillance continue de la latence, du temps de disponibilité et de la qualité des données. Publier des tableaux de bord pour les parties prenantes et renforcer les capacités grâce à des programmes de formation liés au pipeline de données.

Quelles normes de données avec interopérabilité sous-tendent la vision mondiale ?

Adopter une pile de base : NetCDF-4 conforme à CF pour les champs maillés, BUFR et GRIB pour les observations et les prévisions, et les métadonnées exprimées dans les profils ISO 19115/19139. Publier les données avec des identifiants persistants et des licences claires, et exposer l'accès par le biais des normes OGC API pour permettre une utilisation transparente intersystèmes.

Cette mission s'appuie sur des normes ouvertes et bien documentées que les équipes peuvent adopter progressivement. Construire un modèle de métadonnées partagé ancré dans le profil de métadonnées de base de l'OMM et ISO 19115, avec un vocabulaire contrôlé pour les variables, les unités et la provenance. Joindre les indicateurs de qualité des données et les détails de filiation sous une forme lisible par machine afin de soutenir la découverte, la citation et la reproductibilité automatisées.

Les interfaces ouvertes prouvent l'interopérabilité : mettre en œuvre OGC API - Features et OGC API - Coverages, ainsi que WMS/WMTS pour l'accès visuel en cas de besoin. Fournir les données dans plusieurs encodages (NetCDF/CF, JSON-LD pour les métadonnées) et assurer la cohérence des systèmes de référence spatiale et des axes temporels entre les ensembles de données.

La gouvernance et l'intendance favorisent la cohérence : définir les licences, les règles d'accès et le contrôle des versions ; suivre la filiation des données ; exiger l'intégralité des métadonnées lors de la réception ; conserver l'historique et les journaux des modifications. Utiliser les DOI pour la publication des ensembles de données et attribuer des identifiants stables aux produits de prévision et aux flux d'observation.

Le plan de mise en œuvre comprend des projets pilotes multi-institutions, avec des objectifs : 80 % des nouveaux flux de données conformes à CF dans les deux ans ; 90 % des flux de prévisions et d'observations accessibles via l'API dans les 15 minutes suivant la génération ; un objectif de temps de disponibilité de l'API de 99,5 %, et une documentation publiée dans un référentiel central avec des exemples de requêtes.

Comment l'IA, l'assimilation des données et le HPC peuvent-ils transformer la capacité prédictive ?

Adopter dès maintenant une pile à trois couches : des substituts d'IA pour une physique de sous-grille rapide, une assimilation de données informée par l'IA pour renforcer les analyses et des flux de travail compatibles avec HPC pour mettre à l'échelle les ensembles. Cette mission aligne la science sur les opérations et permet d'obtenir un délai d'exécution plus rapide et une plus grande confiance dans les prévisions.

Aperçu de la mise en œuvre

• Substituts d'IA : remplacer les composants coûteux de sous-grille tels que le transfert radiatif et la microphysique des nuages par des réseaux informés par la physique qui produisent des sorties à 1/2 à 1/5 du coût de calcul. Valider par rapport aux exécutions de la physique complète à travers 5 cas représentatifs et maintenir les marges d'erreur à moins de 0,5 à 1,0 K pour la température près de la surface et à moins de 0,5 à 1,0 m/s pour les principales bandes de vent.
• Améliorations de l'assimilation des données : fusionner les covariances prédites par l'IA avec un cadre ensemble-variationnel et permettre un gonflement adaptatif ajusté par la performance en ligne ; maintenir l'impact de l'observation élevé tout en contrôlant les signaux parasites. Viser une réduction de l'erreur quadratique moyenne de 10 à 15 % pour les prévisions de 24 à 72 h dans les régions pilotes.
• Flux de travail HPC : conteneuriser les composants, paralléliser les boucles d'assimilation avec MPI et le multifilaire, et minimiser les blocages d'E/S grâce au déplacement des données par étapes. Exécuter des ensembles de 32 à 64 membres sur des clusters avec des dizaines de milliers de cœurs ; viser des temps de génération de prévisions de bout en bout de 48 h inférieurs à 2 à 3 heures pour les exécutions de pointe

Résultats concrets attendus

• Environnement de production : les substituts d'IA réduisent le temps par noyau de 40 à 60 % ; le temps de boucle global de l'ensemble chute de 20 à 35 % ; les cycles d'assimilation de données se terminent dans la fenêtre de prévision.
• Fiabilité : les covariances guidées par l'IA réduisent le désalignement de la dispersion de l'ensemble de 15 à 25 %, ce qui améliore les mesures d'étalonnage pour les champs clés.
• Préparation à la mise en œuvre : déployer l'intégration continue pour le code du modèle, assurer des expériences reproductibles via des ensembles de données versionnés et maintenir une piste vérifiable pour les prévisions et le post-traitement.

Les prochaines étapes comprennent un projet pilote de 6 mois dans une région, l'expansion aux zones adjacentes au fur et à mesure que les résultats s'avèrent robustes et l'établissement d'une gouvernance avec un accès aux données clair, la reproductibilité et des pistes d'audit pour les prévisions et le post-traitement.

Quels modèles de gouvernance, d'accès et de collaboration guident les données ouvertes ?

Adopter un modèle de gouvernance à trois couches aligné sur la mission : un conseil d'orientation, un réseau d'intendance des données et un bureau d'accès et de conformité. Le conseil d'orientation définit les politiques, hiérarchise les ensembles de données et approuve les licences. Le réseau d'intendance des données gère les métadonnées, les contrôles de qualité et le cycle de vie des ensembles de données pour chaque élément. Le bureau d'accès et de conformité gère les licences, l'authentification des utilisateurs et les pistes d'audit.

Les licences devraient être par défaut CC0 pour les données publiques et CC BY 4.0 pour les données nécessitant une attribution, avec des conditions explicites pour les œuvres dérivées. Chaque ensemble de données comporte une licence lisible par machine dans les métadonnées. Mettre en œuvre un catalogue de données avec des DOI DCAT-AP ou DataCite. Maintenir une passerelle API centrale pour servir les données via des points d'extrémité REST avec des limites de débit et des journaux d'utilisation. Inclure des contraintes de confidentialité et de sécurité, en veillant à ce que les informations sensibles soient protégées.

Niveaux d'accès : public pour les produits de prévision et les données historiques ; recherche pour les chercheurs vérifiés via une authentification à deux facteurs ; restreint pour les ensembles de données sensibles en vertu d'accords de partage de données. Tous les événements d'accès sont enregistrés pour la responsabilisation. Frais : exonération pour la recherche et l'enseignement à but non lucratif ; facturation de frais modestes pour les demandes commerciales importantes avec des plafonds annuels.

Modèles de collaboration : créer une charte commune de gouvernance des données, des métadonnées standard et des spécifications d'API ; adopter des normes d'échange de données telles que DCAT-AP, OpenAPI et SensorThings API pour les données des capteurs ; utiliser les DOI DataCite. Utiliser des groupes de travail interorganisations avec des sprints trimestriels ; publier des rapports de transparence trimestriels sur le nombre d'ensembles de données, les licences, les nombres d'accès et les journaux d'incidents.

Plan de mise en œuvre

Lancer un déploiement en 90 jours : publier la charte de gouvernance, nommer des intendants des données, déployer des modèles de licences et connecter le catalogue à la passerelle API. Fixer des objectifs mesurables : décisions d'accès dans les 2 jours ouvrables, un score de qualité des données d'au moins 92 % à partir de contrôles automatisés et un achèvement du catalogue d'au moins 85 % sur les 200 principaux ensembles de données.

Recueillir les commentaires par le biais de sprints réguliers : recueillir les cas d'utilisation des prévisionnistes et des chercheurs, ajuster les niveaux et les licences et affiner le catalogue. Publier un rapport de transparence trimestriel détaillant le nombre d'ensembles de données, les licences, les nombres d'accès et les journaux d'incidents afin de maintenir la confiance.

Comment le renforcement des capacités et le transfert des connaissances peuvent-ils fonctionner pour les nations membres ?

Lancer trois hubs CBKT régionaux ancrés dans une mission partagée, fournissant trois flux : une formation structurée en science des données, un travail appliqué de prévision et de projet climatique, et un encadrement basé sur le mentorat. Viser 150 praticiens formés par hub chaque année, plus 25 mentors régionaux qui soutiennent les cohortes, les pairs et les équipes nationales. Chaque hub se connecte à un centre de connaissances central hébergeant des cours modulaires, des exercices pratiques, du code réutilisable et du matériel multilingue qui s'alignent sur les normes de données de l'OMM et les systèmes interopérables.

Concevoir des flux de transfert de connaissances avec un retour d'information rapide. Offrir des modules de micro-apprentissage mensuels de 8 à 12 minutes, des ateliers pratiques trimestriels dans les centres régionaux et des camps de formation virtuels annuels qui rassemblent des participants de plusieurs pays. Jumeler les stagiaires avec des mentors des services météorologiques nationaux et des experts internationaux. Offrir des possibilités de détachement d'une durée de 3 à 6 mois pour travailler sur des projets nationaux et partager les apprentissages avec le programme. Les matériels s'alignent sur l'interopérabilité WIS 2.0 et les politiques de données ouvertes, le cas échéant. Créer un guide pratique évolutif qui capture les projets pilotes réussis et prend en charge la mise à l'échelle.

Assurer un modèle de ressources durables en consacrant des fonds à la prestation, au développement du référentiel et à l'évaluation. Allouer environ 60 % à la prestation de formation, 25 % au centre de connaissances et aux outils, et 15 % à la surveillance et à l'évaluation. Établir des partenariats avec les universités pour l'accréditation et avec l'industrie pour accéder à des ensembles de données du monde réel. Traduire les matériels dans les principales langues nationales. Fournir des laboratoires pratiques basés sur le nuage avec un accès sécurisé aux données pour permettre l'apprentissage à distance tout en protégeant les informations sensibles.

Définir des paramètres pratiques pour suivre les progrès : le nombre de membres du personnel formés, les améliorations de l'efficacité du flux de travail, les indicateurs de qualité des données et la satisfaction des utilisateurs finaux. Publier un tableau de bord trimestriel pour les nations membres et effectuer des examens annuels avec une représentation diversifiée des groupes régionaux. Utiliser les commentaires pour adapter les programmes d'études, mettre à jour les ensembles de données et actualiser les boîtes à outils, en assurant l'harmonisation avec les plans nationaux de capacités et les besoins en matière d'intervention en cas d'urgence.

Étapes de mise en œuvre : établir un organe de gouvernance CBKT au sein de la structure de l'OMM ; déployer 3 hubs régionaux dans les 12 mois ; construire un référentiel central de cours, d'ensembles de données et de code ; exécuter deux projets pilotes par région au cours de la première année ; étendre à toutes les nations membres dans les trois ans. Surveiller les jalons trimestriellement et ajuster l'allocation des ressources pour répondre à la demande au niveau des pays. Le résultat est une main-d'œuvre capable de fournir des services climatiques et météorologiques opportuns qui soutiennent la résilience.

Quels paramètres, méthodes de validation et d'évaluation permettent de suivre efficacement les progrès ?

Adopter un ensemble de paramètres alignés sur la mission avec 8 à 12 indicateurs et publier un tableau de bord évolutif dans les quatre semaines suivant chaque publication de données afin de maintenir les équipes concentrées et responsables.

Paramètres à suivre

Se concentrer sur trois niveaux : la précision des prévisions, les compétences probabilistes et la qualité des données. Pour les prévisions ponctuelles, suivre l'erreur absolue moyenne et l'erreur quadratique moyenne sur les principales variables (température, précipitations, vent) avec une stratification régionale. Pour les prévisions probabilistes, signaler les scores CRPS et Brier, ainsi que les courbes de fiabilité afin de révéler le mauvais étalonnage. Surveiller la latence des données (le temps entre l'observation et l'ingestion), l'achèvement des données (le pourcentage des observations attendues) et le taux d'anomalies. Ajouter des paramètres de gouvernance : le nombre de versions du modèle, la couverture de la documentation et les indicateurs de reproductibilité (la disponibilité du code, la conteneurisation et le marquage des versions). Définir des objectifs tels que l'erreur absolue moyenne < 1,5 °C pour la température quotidienne dans les régions des latitudes moyennes, le CRPS inférieur à 0,25 pour la probabilité des précipitations, une latence inférieure à 15 minutes pour les flux continus et l'achèvement des données supérieur à 98 % dans les stations essentielles. Examiner les paramètres mensuellement et comparer par rapport à une base de référence de climatologie afin de maintenir la transparence de la mission.

Méthodes de validation et d'évaluation

Utiliser la validation d'origine glissante avec un horizon de prévision de 12 mois et une fenêtre de données de 5 ans afin de refléter les cycles saisonniers et les tendances climatiques. Appliquer la validation croisée spatio-temporelle afin d'éviter le surajustement en divisant les régions et les saisons. Effectuer des prévisions rétrospectives des cinq à dix dernières années et comparer les prévisions aux résultats observés. Mener des études d'ablation afin de mesurer l'impact des sources de données, du lissage et des composants du modèle. Effectuer des contrôles d'étalonnage à l'aide de diagrammes de fiabilité et de tests PIT afin de s'assurer que les sorties probabilistes s'alignent sur les fréquences observées. Quantifier l'incertitude à l'aide d'intervalles de prédiction et de couvertures (par exemple, les intervalles de 90 % capturent les résultats observés environ 90 % du temps). Suivre la dérive du modèle en surveillant les changements dans les distributions des entrées et des sorties, en mettant à jour le plan de validation au moins deux fois par année. Documenter le plan d'évaluation, publier le code et la provenance des données dans la mesure du possible et automatiser la génération de rapports afin de tenir les intervenants informés des progrès réalisés vers les objectifs de la mission.