https://meteorologie.richard-dern.fr/ Les derniers articles publiés sur Météorologie • Richard Dern fr-fr Sat, 31 Jan 2026 17:00:23 +0100 https://meteorologie.richard-dern.fr/blog/2026/01/31/42-grandeurs-meteorologiques-a-deduire-de-vos-donnees-meteo/ https://meteorologie.richard-dern.fr/blog/2026/01/31/42-grandeurs-meteorologiques-a-deduire-de-vos-donnees-meteo/ Sat, 31 Jan 2026 17:00:23 +0100 Ma station météo mesure directement un petit nombre de grandeurs physiques. Ces grandeurs, que je qualifierai de primaires, suffisent à déduire de nombreuses informations utiles, parfois déjà proposées par la station ou même par Home Assistant. C’est le cas, par exemple, du point de rosée. Mais ces informations secondaires sont données sans plus d’explications, ni sur leur calcul, ni sur leur intérêt. L’objectif de cet article est de rappeler les calculs, les unités, les hypothèses et les utilités qui se cachent derrière ces valeurs dérivées. https://meteorologie.richard-dern.fr/blog/2025/11/26/00-introduction/ https://meteorologie.richard-dern.fr/blog/2025/11/26/00-introduction/ Thu, 27 Nov 2025 00:47:23 +0100 J’ai longtemps hésité à déterminer comment stocker mes données météo sur le long terme. Les données de ma station sont ingérées par Home Assistant, qui n’est pas fait pour un tel stockage. En me renseignant sur la question, j’ai réalisé que, finalement, la question de la rétention des données sur le long terme était un sujet épineux… J’ai finalement décidé, en mars 2025, d’opter pour une base InfluxDB2. Depuis ce jour, j’attends d’avoir assez de données pour pouvoir travailler un peu avec. En théorie, on n’a jamais assez de données ! En tout cas, j’aurais peut-être pu attendre d’avoir une année complète, mais l’envie de jouer avec était plus forte… Ainsi est né ce dossier consacré à leur exploitation. https://meteorologie.richard-dern.fr/blog/2025/11/26/12-conclusion/ https://meteorologie.richard-dern.fr/blog/2025/11/26/12-conclusion/ Wed, 26 Nov 2025 23:57:34 +0100 Ce que les données racontent En partant d’une simple station météo branchée sur InfluxDB, on a fini par disposer d’un jeu de données propre, minuté, enrichi de quelques métadonnées (saison, position du soleil…). Les premiers graphiques, puis les corrélations binaires et multiples, ont montré que le signal colle plutôt bien à ce que la physique et la météorologie attendent : l’humidité qui baisse quand la température monte, la pression qui ne bouge que lentement, le vent qui se renforce dans les situations dépressionnaires, la lumière qui s’effondre sous les nuages, etc. Autrement dit, les capteurs, les scripts et les traitements ne racontent pas n’importe quoi : les grandes tendances sont cohérentes avec les mécanismes connus, dans les limites de notre période couverte (mars→novembre) et de l’absence de contexte synoptique. https://meteorologie.richard-dern.fr/blog/2025/11/26/11-modele-chronos/ https://meteorologie.richard-dern.fr/blog/2025/11/26/11-modele-chronos/ Wed, 26 Nov 2025 23:57:33 +0100 Dans les chapitres précédents, on a testé des modèles “fabriqués maison” (linéaires, arbres, forêts, boosting) sur nos données locales. Ici, on bascule dans un autre monde : celui des modèles de prévision pré‑entraînés sur de vastes jeux de séries temporelles. Chronos‑2, développé par Amazon et distribué notamment via Hugging Face et le dépôt chronos‑forecasting, est un modèle de type “foundation” capable de produire des prévisions probabilistes sur des séries très variées. L’objectif est de le tester en zéro‑shot sur notre station : lui fournir uniquement l’historique local (sans ré‑entraînement), lui demander une prévision et voir comment il se comporte face aux observations et aux modèles précédents. https://meteorologie.richard-dern.fr/blog/2025/11/26/10-modeles-non-lineaires/ https://meteorologie.richard-dern.fr/blog/2025/11/26/10-modeles-non-lineaires/ Wed, 26 Nov 2025 23:57:32 +0100 Objectif : tester des modèles plus flexibles que les régressions linéaires/logistiques, en restant raisonnables côté ressources. On utilise des forêts aléatoires (random forest, voir forêt aléatoire) et du gradient boosting (voir gradient boosting) sur les mêmes horizons (T+10, T+60, T+360, T+1440) pour température, vent et pluie, afin de voir si cette complexité supplémentaire paie réellement sur nos données locales. python "docs/10 - Modèles non linéaires/scripts/run_tree_models.py" Ce script réutilise le même jeu de données minutées que les chapitres précédents et applique un pipeline très proche, en changeant simplement la famille de modèles. Le déroulé est le suivant : https://meteorologie.richard-dern.fr/blog/2025/11/26/09-premiers-modeles-predictifs/ https://meteorologie.richard-dern.fr/blog/2025/11/26/09-premiers-modeles-predictifs/ Wed, 26 Nov 2025 23:57:31 +0100 Objectif : passer de la description à la prédiction sur nos données locales, en restant simple et lisible. L’idée est de prendre le cadre posé au chapitre 8 et de le peupler avec des modèles très basiques, pour voir ce qu’ils valent réellement sur les horizons T+10, T+60, T+360 (~6 h) et T+1440 (~24 h) pour la température, le vent et la pluie, sans présupposer que “plus complexe” signifie forcément “meilleur”. https://meteorologie.richard-dern.fr/blog/2025/11/26/08-cadre-predictif-local/ https://meteorologie.richard-dern.fr/blog/2025/11/26/08-cadre-predictif-local/ Wed, 26 Nov 2025 23:57:30 +0100 Dans ce chapitre, on quitte le terrain purement descriptif pour tenter quelque chose de plus ambitieux : faire parler la station météo comme un petit modèle de prévision maison. L’idée est de construire un cadre simple, mais honnête, qui prédise au pas local la température, la pluie et le vent à plusieurs horizons (T+10 min, +60 min, +6 h, +24 h). On garde une approche expérimentale : on cherche à comprendre ce qui fonctionne, ce qui casse, et pourquoi, et non pas à rivaliser avec les services de prévision nationaux. Il s’agit avant tout de jouer avec nos données et avec l’IA, en gardant les pieds sur terre. https://meteorologie.richard-dern.fr/blog/2025/11/26/07-correlations-multiples/ https://meteorologie.richard-dern.fr/blog/2025/11/26/07-correlations-multiples/ Wed, 26 Nov 2025 23:57:29 +0100 Hexbin colorés Les nuages de points tri-variés saturent vite : on regroupe ici les points sur une grille hexagonale et on colore chaque case par une statistique de la 3ᵉ variable (max/médiane/moyenne selon les besoins). Cela limite le bruit des valeurs extrêmes et met en évidence les régimes dominants plutôt que les valeurs isolées. Les scénarios sont décrits dans meteo/correlation_presets.py et exécutés via un helper générique (meteo.plots.hexbin) pour rester réutilisables ailleurs dans le dépôt. https://meteorologie.richard-dern.fr/blog/2025/11/26/06-premier-recadrage-scientifique/ https://meteorologie.richard-dern.fr/blog/2025/11/26/06-premier-recadrage-scientifique/ Wed, 26 Nov 2025 23:57:28 +0100 À ce stade de l’étude : on a présenté les données brutes on a établi les premières corrélations binaires on a cherché un lien plus poussé entre les différentes variables Il est temps, désormais, de rapprocher nos observations avec les faits scientifiques. Pour chaque corrélation que l’on a identifié auparavant, nous allons expliquer en quoi elle cadre — ou pas — avec la physique et la météorologie. Nous allons voir qu’il nous manque des informations importantes, et pourtant hors de portée, mais que ce n’est pas pour autant qu’avoir une station météo est complètement inutile… https://meteorologie.richard-dern.fr/blog/2025/11/26/05-correlations-binaires-avancees/ https://meteorologie.richard-dern.fr/blog/2025/11/26/05-correlations-binaires-avancees/ Wed, 26 Nov 2025 23:57:27 +0100 Corrélations décalées python "docs/05 - Corrélations binaires avancées/scripts/plot_lagged_correlations.py" Interprétation Ces graphiques montrent la corrélation signée et tracent des zones colorées symétriques pour les relations négatives/positives. Ils mettent en évidence la force, le sens et le décalage temporel entre deux variables.