Deux fois par jour, des ballons météo sont lâchés dans l'atmosphère à partir de 700 endroits dans le monde pour observer les conditions dans la haute atmosphère. Depuis les années 1920, il y a eu des dizaines de millions de ces lancements de radiosondes, produire d'énormes archives de données essentielles à la prévision météorologique et à la modélisation climatique. Dans un si grand ensemble de données, des erreurs inévitables peuvent affecter de manière significative les résultats de la modélisation.

Ying Soleil, Université des sciences et technologies du roi Abdallah d'Arabie saoudite (KAUST) Professeur adjoint de mathématiques appliquées et de sciences informatiques, collaboré avec des chercheurs de la Colorado School of Mines et de la Baylor University, NOUS, développer une méthode pour éliminer ces erreurs en utilisant une analyse statistique robuste des données.

"Une radiosonde est un petit, ensemble d'instruments consommables suspendu sous un ballon de deux mètres de large rempli d'hydrogène ou d'hélium, " expliqua Sun. " Les capteurs de la radiosonde mesurent la hauteur, pression, température et point de rosée; ils calculent également la vitesse et la direction du vent en suivant la position de la radiosonde en vol. Les observations par radiosonde sont les seules mesures directes de la haute atmosphère terrestre, les rendant indispensables pour les données satellitaires, la prévision météorologique et la recherche en climatologie.

Les nombreuses erreurs des données sont "beaucoup trop nombreuses pour être corrigées à la main, nous avons donc besoin d'une méthode automatique pour identifier de telles erreurs aléatoires, " expliqua Sun.

Il existe des méthodes automatiques pour supprimer les erreurs systématiques des données, comme des changements d'emplacement ou d'unités de mesure. Cependant, il n'y a aucun moyen de supprimer les données réellement erronées, y compris les erreurs de saisie, des erreurs de transmission ou un suivi imprécis du ballon sans supprimer également des mesures extrêmes mais réelles, qui sont parmi les données les plus importantes pour la prévision. En regardant spécifiquement les données de vent, Sun et ses collègues ont développé une approche statistique qui permet de différencier de manière robuste les valeurs extrêmes et les erreurs aléatoires.

"Notre approche considère une distribution plus réaliste du vecteur vent qui est asymétrique avec une longue queue de valeurs extrêmes rares, ", a déclaré Sun. "Cela permet de signaler les observations qui sont très susceptibles d'être des erreurs en tant que valeurs aberrantes potentielles sans supprimer les valeurs extrêmes."

En plus de son application à de nouvelles données quotidiennes, ce système de détection d'erreurs peut également être utilisé sur les énormes volumes d'observations par radiosondes conservées dans les archives du monde entier.

"Nous développons une méthode de détection des valeurs aberrantes qui est rapide et automatique. Nous pourrons utiliser cette méthode pour traiter rapidement les millions d'enregistrements dans l'archive, ", a déclaré Sun. "Nous envisageons également l'effet possible du changement climatique lors du développement de la nouvelle méthode."