MeteoSwiss : Prévision de Température avec Graph Neural Networks

Le défi

Les modèles traditionnels de prévision météorologique numérique sont coûteux en calcul et peuvent avoir des difficultés avec les variations de température à l'échelle locale. MeteoSwiss avait besoin d'une approche data-driven pour compléter leurs prévisions opérationnelles, en exploitant le réseau dense SwissMetNet de 302 stations.

Notre solution

Nous avons implémenté et comparé 4 architectures avec des niveaux croissants de modélisation spatiale : TCN (baseline sans graphe), RNN avec node embeddings, STGNN avec graph convolutions, et STGNN-Att avec structure de graphe apprise via attention. Le graphe spatial est basé sur la distance géographique entre stations (noyau gaussien + K-plus-proches-voisins). Entraînement avec loss Energy Score (CRPS) pour calibration probabiliste.

Résultats clés

• Le modèle STGNN atteint une erreur moyenne de 1,44°C, 17,4% de moins que la baseline TCN
• À 1h d'horizon, nos modèles battent les prévisions ICON-CH1-EPS de 54%
• Le message-passing spatial améliore les performances de 6,9% (MAE) et 7,1% (Energy Score)
• Benchmark sur des horizons de 1h à 24h, comparaison directe avec le NWP opérationnel de MeteoSwiss

Études de cas associées