Bibliothèque Python développée par Météo-France pour concevoir et entraîner des modèles d'intelligence artificielle dédiés à l'analyse et la prévision des données météorologiques. Elle propose des architectures de réseaux de neurones adaptées (CNN, transformers, modèles multimodaux) pour des tâches comme la segmentation d'images satellite, la génération de texte à partir de données météo ou la détection d'artefacts sur les images radar. Les modèles sont optimisés pour des applications opérationnelles en météorologie.

Ce projet open source permet de transformer et structurer des données météorologiques brutes en formats adaptés pour des analyses scientifiques et agricoles. Il facilite l'utilisation de ces données dans des environnements Python et OpenAlea, notamment pour des applications en modélisation climatique, recherche agronomique ou gestion des ressources naturelles. Les données sont optimisées pour une intégration fluide dans des workflows de recherche ou des outils de décision.

Ce projet utilise l'apprentissage profond pour améliorer la résolution des modèles de prévision des vagues océaniques. Il transforme des données de prévision à 10 km en analyses à 5 km, en se concentrant sur des paramètres clés comme la hauteur, la direction et la période des vagues. L'objectif est d'affiner les prévisions pour des applications maritimes et côtières, notamment en Bretagne, en utilisant des méthodes avancées de deep learning et des données issues de modèles météorologiques et océanographiques.

Ce projet traite et analyse des données environnementales issues de capteurs atmosphériques, notamment pour le projet SIRTA. Il permet de transformer des flux de données brutes en informations exploitables pour la recherche climatique et météorologique. Les outils développés facilitent la visualisation et l'interprétation des données, aidant les scientifiques à comprendre les phénomènes atmosphériques et leurs évolutions.

Projet open source développé par Météo-France pour entraîner des architectures de réseaux de neurones (GNN, CNN, Vision Transformers) sur des jeux de données de prévision météorologique. Permet de générer des prévisions précises en utilisant des stratégies d'apprentissage automatique avancées, des pertes personnalisées et des outils de suivi d'expériences pour comparer et valider les modèles.

Outil dédié à la transformation de données brutes issues de capteurs LIDAR en fichiers normalisés au format netCDF. Il permet aux chercheurs et scientifiques de traiter des données atmosphériques pour des analyses météorologiques ou environnementales. Le projet prend en charge plusieurs types d'instruments et propose des options pour un traitement en temps réel, facilitant ainsi l'intégration dans des workflows de recherche ou de surveillance.

Ce projet développe un modèle d'apprentissage profond pour prédire la concentration de polluants atmosphériques. Il vise à remplacer l'ensemble médian actuel du CAMS par une solution plus performante, intégrant des réseaux de neurones avancés (UNet, vision transformers) et des données météorologiques. Les prévisions produites alimenteront les services opérationnels de Météo-France pour améliorer la qualité de l'air et soutenir les politiques environnementales.

Ce projet traite les données brutes issues de capteurs météorologiques de type CHM 15k pour les convertir dans un format standardisé (1A). Il permet aux utilisateurs de transformer des fichiers de mesure en données exploitables pour des analyses environnementales ou météorologiques. L'outil facilite l'intégration et l'interprétation des relevés de particules atmosphériques.

RainNet est un réseau de neurones convolutif conçu pour prédire les précipitations à court terme (5 minutes) à partir de données radar. Entraîné sur plusieurs années de composites radar de haute qualité fournis par le service météorologique allemand (DWD), il transforme des scans radar en prévisions précises. Son architecture inspirée des modèles U-Net et SegNet permet une analyse fine des motifs spatiaux et temporels des précipitations, offrant ainsi un outil puissant pour la gestion des risques hydrométéorologiques et la planification des activités sensibles au climat.

Ce projet permet de transformer les données brutes de spectropluviomètres (instrument mesurant les flux de précipitations) en visualisations et rapports exploitables. Il facilite l'analyse des données environnementales pour les chercheurs, météorologues et gestionnaires de ressources en eau. Les quicklooks générés aident à identifier des tendances ou des anomalies dans les précipitations.