Guide d’utilisation des prévisions saisonnières

Les cartes de prévisions saisonnières sont colorées pour afficher la probabilité d’occurrence de la plus probable des trois catégories pour la moyenne saisonnière : au-dessus de la normale, près de la normale ou sous la normale. En outre, des probabilités numériques (%) pour les trois catégories apparaissent à l’emplacement du curseur de la souris ou lorsque vous touchez le lieu avec votre doigt. Ces probabilités sont obtenues à partir d’un ensemble de vingt (20) prévisions différentes (deux modèles de prévision différents exécutés dix (10) fois chacun). Les catégories sont définies en fonction de moyennes saisonnières passées pendant une période climatologique de 30 ans (actuellement de 1991 à 2020). Une moyenne saisonnière est :

• au-dessus de la normale si elle dépasse sa moyenne climatologique (la moyenne pour cette saison sur l’ensemble des années de la période climatologique) de plus de 0,43 fois son écart type-interannuel saisonnier (l’écart-type des 30 moyennes saisonnières au cours de ces années);
• sous la normale si elle est inférieure à la moyenne climatologique de plus de 0,43 d’écart-type;
• près de la normale si elle se situe à moins de 0,43 d’écart-type de la moyenne climatologique.

Le seuil d’écart-type de 0,43 rend chaque catégorie équiprobable (même probabilité de 33 %) en moyenne. Les probabilités de prévision supérieures à 33 % signifient que les chances sont orientées vers la catégorie en question, tandis que les probabilités de prévision inférieures à 33 % signifient le contraire. Vous trouverez les cartes des moyennes climatologiques observées et du seuil d’écart-type de 0,43 pour une période climatologique allant de 1981 à 2010 pour la température et les précipitations dans toutes les régions du Canada ici. Vous trouverez des explications plus détaillées de la façon dont ces prévisions sont produites ici.

La répartition des probabilités indique le degré de confiance accordé à la prévision. Par exemple, une prévision dont la probabilité la plus probable est de 45 % pour des conditions au-dessus de la normale et qui comprend des probabilités de 30 % et 25 % pour les catégories près de la normale et sous la normale, respectivement, serait moins fiable qu’une prévision avec des probabilités de 60 % (au-dessus de la normale), 25 % (près de la normale) et 15 % (sous la normale). Dans ce cas, il y a plus de chance que le hasard (plus de 50 %) que des conditions au-dessus de la normale prévalent, et il y a peu de chances que des conditions près de la normale ou sous la normale soient observées.

Il convient de noter que la catégorie près de la normale tend à être moins bien prévue que les catégories au-dessus et sous la normale.^{Reference1Reference2Reference3} La raison principale tient au fait que les catégories au-dessus et sous la normale sont ouvertes. En d’autres termes, elles sont seulement contraintes d’un côté, c’est-à-dire par la catégorie près de la normale. Ainsi, une moyenne saisonnière sera au-dessus de la normale, peu importe si elle est légèrement ou fortement au-dessus de la normale, et il en va de même pour la catégorie sous la normale. En revanche, la catégorie près de la normale est contrainte par la catégorie au-dessus de la normale et la catégorie sous la normale, elle présente une gamme de valeurs applicables comparativement plus restreinte. Par conséquent, il faut accorder un plus faible degré d’assurance aux probabilités des prévisions près de la normale qu’aux probabilités de prévisions au-dessus ou sous la normale.

Les cartes d’habileté montrent le rendement du système de prévision dans les années passées, ce qui donne une indication du degré d’assurance à accorder à la prévision actuelle. Une prévision est considérée comme habile lorsque le pourcentage correct est de 40 % ou plus. Par exemple, supposons que l’habileté soit évaluée à 60 % pour une saison et une échéance données (le temps qui s’écoule entre le moment où une prévision est établie et celui où la période de prévision commence). Cela signifie que la prévision était dans la bonne catégorie (au-dessus de la normale, sous la normale ou près de la normale) pour cette saison et cette échéance dans 60 % des cas antérieurs. Si la valeur est inférieure à 40 %, la prévision n’est pas statistiquement meilleure qu’une prévision purement fondée sur le hasard, et le degré d’assurance accordée à la prévision est donc très faible.

Les cartes d’habileté qui accompagnent chaque prévision indiquent l’habileté du système de prévision, selon le lieu, en se fondant sur la vérification des prévisions passées sur un certain nombre d’années (généralement 30 ans).^Reference4

Le diagramme de fiabilité, également appelé diagramme d’attributs, montre pour chaque endroit la fréquence avec laquelle chaque catégorie survient (axe vertical) par rapport à la probabilité avec laquelle elle a été prévue (axe horizontal) au cours des 30 années de prévisions antérieures. La fiabilité de la prévision varie en fonction de la mesure dans laquelle la prévision a été établie à l’avance (échéance), des mois évalués, de la variable et de la catégorie (au-dessus de la normale, près de la normale et sous la normale). On parle de « prévision parfaite » lorsque les fréquences observées sont égales aux probabilités de prévision, auquel cas les lignes du diagramme de fiabilité se situent le long de la ligne diagonale tiretée grise. Une prévision est considérée comme fiable lorsque la probabilité de la prévision et la fréquence observée diffèrent de moins de 10 %. La zone grisée du diagramme représente où l’indice d’habileté de Brier (une mesure d’habileté probabiliste courante) possède un niveau d’habileté; l’habileté est nulle lorsqu’une ligne déborde de la zone grisée. Enfin, les histogrammes du bas indiquent la fréquence à laquelle chaque plage de probabilité a été prévue pendant la période climatologique (passée).

Dans le contexte d’une prévision probabiliste saisonnière, la climatologie est définie comme la température ou les précipitations moyennes sur une période de trois mois à un endroit précis. La moyenne climatologique est générée à partir de 30 années de données des stations et constitue la référence historique à partir de laquelle des probabilités de conditions supérieures à la normale, près de la normale ou inférieures à la normale peuvent être créées. Les utilisateurs devraient évaluer les prévisions en tenant compte des probabilités, de la compétence, de la fiabilité et de la climatologie de la région concernée.

Remarque : Cet exemple est fourni à des fins purement éducatives. Il est entièrement fictif et extrêmement simplifié. Les décisions sont fondées exclusivement sur les prévisions saisonnières.

Scénario de mise en contexte

L’entreprise canadienne A, qui importe de l’huile de palme de Malaisie (un grand exportateur), souhaite évaluer la façon dont la production d’huile de palme pourrait être touchée par El Niño (la phase chaude de l’oscillation australe El Niño). Durant un épisode d’El Niño, les sécheresses tendent à être plus fréquentes en Malaisie, ce qui réduit la production d’huile de palme.^{Reference5Reference6} Si le rendement des cultures diminue, l’entreprise A devra chercher un autre fournisseur et se préparer à une éventuelle augmentation des prix. Étant donné que l’oscillation australe El Niño atteint généralement son intensité maximale à la fin de l’automne ou en hiver (habituellement de novembre à février)^Reference7, L’entreprise A a décidé de prendre des mesures au début du mois d’octobre si les prévisions saisonnières pour octobre-novembre-décembre ou janvier-février-mars montrent une probabilité de 50 % ou plus de précipitations sous la normale. Leur niveau d’habileté acceptable est de 40 % ou plus (moyen ou fort).

Sommaire des données

L’entreprise A examine les prévisions de précipitations saisonnières mondiales pour un endroit représentatif dans la Malaisie péninsulaire pour les deux périodes ainsi que leur habileté et leur fiabilité. Le tableau 1 résume les données obtenues.

Interprétation des données

Les prévisions pour octobre-novembre-décembre ne répondaient pas aux exigences de l’entreprise A, car la probabilité de précipitations sous la normale était inférieure à 50 %. Cependant, les prévisions pour janvier-février-mars indiquent une probabilité de 68 % de précipitations sous la normale et satisfont aux deux critères, soit une probabilité de prévision de 50 % ou plus et un pourcentage d’habileté de 40 % ou plus (47 %). Les prévisions étant également fiables, l’entreprise A décide de prendre des mesures en prévision d’une réduction de l’approvisionnement en huile de palme et d’une hausse des prix qui pourraient survenir trois mois après la prise de cette décision. L’entreprise envisage également de revoir son plan d’action lorsque de nouvelles prévisions seront publiées à l’approche du mois de janvier.

Remarque : Cet exemple est fourni à des fins purement éducatives. Il est entièrement fictif et extrêmement simplifié. Les décisions sont fondées exclusivement sur les prévisions saisonnières.

Scénario de mise en contexte

Une centrale solaire (entreprise B) située dans le sud-est rural de l’Alberta envisage d’augmenter le nombre de panneaux solaires, étant donné la demande d’énergie plus élevée de l’été précédent. L’entreprise B veut savoir si son investissement dans un plus grand nombre de panneaux solaires aura des retombées précoces pour la saison d’été à venir, qui dépend en partie de la hausse des températures qui entraîne une augmentation de la demande d’énergie. Comme l’entreprise B doit commencer à construire de nouveaux panneaux avant la saison d’été, elle décide de vérifier les prévisions du 1^er mars, moment où les prévisions estivales avec une échéance de trois mois sont publiées. S’il y a une probabilité de 60 % que la température moyenne estivale soit au-dessus de la normale, l’entreprise B envisagera de réaliser l’investissement en question et d’augmenter la production avant l’été. Comme le lieu de la centrale ne figure pas dans le tableau situé sous les cartes de prévision, on utilise le curseur de la souris pour localiser la zone d’intérêt approximative sur la carte. Pour déterminer quel seuil de température constitue une température au-dessus de la normale, l’entreprise B consulte la climatologie de la grande ville la plus proche (Medicine Hat) pour laquelle il existe une fiche.

Sommaire des données

L’entreprise B examine la climatologie, les prévisions saisonnières de température pour le Canada, l’habileté et la fiabilité. Le tableau 2 résume les données obtenues.

Interprétation des données

D’après la climatologie, un été au-dessus de la normale correspondrait à toute température moyenne supérieure à 18,72 °C (18,25 °C+ 0,47 °C). La prévision au-dessus de la normale est considérée comme fiable, car sa probabilité est de 68 % (supérieure à 60 %). Cependant, étant donné la longue échéance de trois mois, l’habileté est réduite à un niveau qui n’est pas considéré comme habile (moins de 40 %). Il est peut-être préférable pour l’entreprise B d’attendre un mois de plus pour voir si les prévisions estivales, avec une échéance plus courte, ont une habileté plus élevée, ce qui justifierait d’accorder un plus grand degré d’assurance à une probabilité haute au dessus de la normale. En raison du pourcentage d’habileté faible, l’entreprise déciderait de ne pas étendre ses activités sur la base de cette prévision.

Remarque : Cet exemple est fourni à des fins purement éducatives. Il est entièrement fictif et extrêmement simplifié. Les décisions sont fondées exclusivement sur les prévisions saisonnières.

Scénario de mise en contexte

L’entreprise C est propriétaire d’un hôtel de glace à Iqaluit et veut évaluer la possibilité d’étendre ses activités au printemps. La décision de rester ouverte est faisable et rentable si la température moyenne saisonnière ne dépasse pas -12 °C. En fonction d’une analyse des coûts, l’entreprise C a décidé de fermer ses portes si la température moyenne printanière avait une probabilité de 50 % ou plus d’être supérieure à -12 °C et de rester ouverte si cette probabilité était inférieure à 50 %. La décision est prise le 1^er mars, lorsque les prévisions printanières avec la plus courte échéance (0 mois) sont publiées.

Sommaire des données

L’entreprise C examine la climatologie, les prévisions saisonnières de température pour le Canada, l’habileté et la fiabilité. Le tableau 3 résume les données obtenues.

Interprétation des données

Avec une climatologie de -12,96 °C, une température moyenne supérieure à -11,97 °C (-12,96 °C + 0,99 °C) serait classée comme une prévision au-dessus de la normale, tandis qu’une température moyenne inférieure à -13,95 °C (-12,96 °C - 0,99 °C) serait classée comme une prévision sous la normale. Dans ce cas, la prévision indique une probabilité de 54 % que la température printanière moyenne soit supérieure à -12 °C (en arrondissant à partir de -11,97 °C). La probabilité de prévision de 54 % est moins fiable que les probabilités plus élevées. La probabilité de 54 % est également très près du critère de 50 % fixé par l’entreprise C. Si l’on tient compte du pourcentage d’habileté moyen (40 %), la prévision atteint de justesse les critères de seuils pour être considérée comme habile. La prévision est jugée fiable, puisque la ligne au-dessus de la normale, près de la probabilité de 54 %, se situe à moins de 10 % de la ligne diagonale tiretée.

Bien que les critères de fermeture de l’entreprise C soient remplis tout juste au minimum, cette prévision pourrait nécessiter une étude supplémentaire, selon la tolérance au risque de l’entreprise. Si l’entreprise C fondait plutôt sa décision sur la climatologie avec une chance égale que les trois catégories surviennent (33 % de chances d’être sous la normale, près de la normale et au-dessus de la normale), comme il est conseillé de le faire lorsque l’habileté est faible, elle déciderait de rester ouverte pour le reste de la saison printanière, puisqu’il y aurait 66 % de chances que les prévisions soient près de la normale (entre -11,97 °C et -13,95 °C) ou sous la normale (moins de -13,95 °C).