Source : ECMWF open data

Présentation 

L’ECMWF (Centre européen pour les prévisions météorologiques à moyen terme) publie une partie de ses sorties de modèles en accès libre sous licence CC BY 4.0. Ces données sont accessibles depuis plusieurs points de distribution :

Serveurs ECMWF directs : https://data.ecmwf.int/forecasts/
AWS S3 : s3://ecmwf-forecasts
Azure Blob Storage : accessible via ecmwf-opendata
Google Cloud Storage : accessible via ecmwf-opendata

L’accès est limité à 500 connexions simultanées sur les serveurs directs. En cas de saturation, les miroirs cloud (AWS recommandé) offrent une alternative fiable.

Note

En téléchargeant ces données, vous acceptez les conditions de la licence CC BY 4.0. Veuillez mentionner l’ECMWF comme source dans toute publication ou application utilisant ces données.

Mécanisme de téléchargement : HTTP Byte-Range 

Chaque fichier GRIB2 publié par l’ECMWF est accompagné d’un fichier d’index .index contenant une ligne JSON par message GRIB2, avec notamment les champs _offset et _length indiquant la position en octets de chaque champ dans le fichier.

La bibliothèque ecmwf-opendata exploite ces index pour construire des requêtes HTTP Range qui ne téléchargent que les octets correspondant aux paramètres et échéances demandés. Ce mécanisme est transparent pour l’utilisateur mais a une implication importante : plus le nombre de paramètres demandés est faible par rapport au contenu total du fichier, plus le gain de bande passante est significatif.

Pour les cas où la majorité des paramètres d’un fichier est nécessaire, le téléchargement complet (comme le fait meteofetch) est plus efficace car il évite la surcharge des multiples requêtes Range.

Modèles disponibles 

IFS HRES oper (intégré — v0.x)

Le modèle IFS (Integrated Forecasting System) en configuration HRES (High RESolution) est le modèle opérationnel déterministe de l’ECMWF.

Résolution horizontale	0.25° (~28 km)
Heures de run (UTC)	00Z et 12Z (stream `oper`)
Horizon de prévision	0 à 144 h (pas 3 h) puis 150 à 360 h (pas 6 h)
Couvert par meteopendata2netcdf	0 à 72 h par pas de 6 h (surface uniquement, v0.x)
Identifiant ecmwf-opendata	`model="ifs"`, `stream="oper"`, `type="fc"`

Note

Les runs 06Z et 18Z (stream scda) existent mais ne couvrent que jusqu’à 90 h. Ils ne sont pas intégrés dans la version actuelle.

AIFS (prévu — v1.0)

AIFS (Artificial Intelligence/Integrated Forecasting System) est le modèle de prévision entièrement data-driven de l’ECMWF, basé sur un réseau de neurones entraîné sur ERA5. Il est disponible sur les mêmes serveurs open data.

Résolution horizontale	0.25°
Heures de run (UTC)	00Z et 12Z
Horizon de prévision	0 à 360 h par pas de 6 h
Statut	Prévu pour v1.0

ENFO (prévu — v1.0)

ENFO (ENsemble FOrecasts) est le système de prévision d’ensemble de l’ECMWF, composé de 50 membres perturbés + 1 membre de contrôle.

Résolution horizontale	0.25°
Nombre de membres	50 + contrôle
Horizon de prévision	0 à 360 h
Complexité d’intégration	Dimension `number` supplémentaire dans xarray
Statut	Prévu pour v1.0

Paramètres intégrés (v0.x)

Les paramètres suivants sont disponibles dans la version actuelle. Ils correspondent aux champs de surface les plus demandés pour les applications d’ingénierie et de sciences physiques.

Nom court	Nom xarray	Description	Unité	Hauteur	typeOfLevel
`2t`	`t2m`	Température à 2 mètres	K	2 m	heightAboveGround
`2d`	`d2m`	Température du point de rosée à 2 m	K	2 m	heightAboveGround
`10u`	`u10`	Composante U du vent à 10 mètres	m s⁻¹	10 m	heightAboveGround
`10v`	`v10`	Composante V du vent à 10 mètres	m s⁻¹	10 m	heightAboveGround

Le point de rosée (2d) a été retenu comme proxy d’humidité de surface car il est directement disponible sur les serveurs ECMWF open data, contrairement à l’humidité relative (r) qui nécessite un calcul intermédiaire. La conversion Td → RH est triviale si nécessaire :

import numpy as np

def dewpoint_to_rh(t2m_K: float, d2m_K: float) -> float:
    """Convertit température et point de rosée en humidité relative (%)."""
    t_C = t2m_K - 273.15
    td_C = d2m_K - 273.15
    rh = 100 * np.exp(17.625 * td_C / (243.04 + td_C)) / \
               np.exp(17.625 * t_C  / (243.04 + t_C))
    return float(rh)

Paramètres prévus pour les prochaines versions 

Les paramètres suivants sont identifiés pour les versions ultérieures. Les noms courts sont ceux utilisés par l’ECMWF dans ses fichiers GRIB2.

Nom court	Description	Unité	Version cible
`tp`	Précipitations totales (accumulées)	m	v0.x
`ssrd`	Rayonnement solaire descendant de courte longueur d’onde (accumulé)	J m⁻²	v0.x
`msl`	Pression au niveau de la mer	Pa	v0.x
`z`	Géopotentiel (niveaux de pression)	m² s⁻²	v1.0
`t`	Température (niveaux de pression)	K	v1.0
`u`, `v`	Vent (niveaux de pression)	m s⁻¹	v1.0
`q`	Humidité spécifique (niveaux de pression)	kg kg⁻¹	v1.0

Problème technique spécifique : groupes GRIB multiples 

Les paramètres de surface IFS se répartissent sur deux hauteurs distinctes dans les fichiers GRIB2 :

heightAboveGround = 2 m → t2m, d2m
heightAboveGround = 10 m → u10, v10

cfgrib groupe les messages GRIB par valeur de coordonnée scalaire. xr.open_dataset() (backend cfgrib) ne peut pas fusionner automatiquement deux groupes dont la coordonnée scalaire heightAboveGround prend des valeurs différentes : il lève une DatasetBuildError et abandonne silencieusement les variables en conflit.

La fonction load_surface_dataset() dans _grib.py résout ce problème en utilisant cfgrib.open_datasets() (pluriel), qui retourne une liste de Datasets cohérents — un par groupe de hauteur — puis fusionne les groupes après suppression de la coordonnée conflictuelle. Voir Le problème des groupes GRIB multiples dans le document de conception pour les détails d’implémentation.

Exemple d’utilisation complet 

from meteopendata2netcdf import IFSSurfaceDownloader

# Téléchargement depuis les serveurs ECMWF directs
dl = IFSSurfaceDownloader(
    output_dir="./data/ifs",
    source="ecmwf",        # ou "aws", "azure", "google"
)

# Run le plus récent, tous les paramètres, toutes les échéances par défaut
result = dl.download()
print(result)
# DownloadResult(
#   run_datetime = 2026-06-28T00:00:00
#   grib_path    = data/ifs/ifs_surface_20260628_00z.grib2
#   params       = ['2t', '2d', '10u', '10v']
#   steps        = [0, 6, 12, ..., 72]
#   dataset      = Dataset(vars=['t2m', 'd2m', 'u10', 'v10'])
# )

# Export NetCDF-CF
result.to_netcdf("ifs_surface_20260628_00z.nc")

# Accès direct au Dataset xarray
ds = result.dataset
print(ds["t2m"].attrs)   # {'height_m': 2.0, ...}

# Sous-sélection temporelle
t2m_48h = ds["t2m"].sel(valid_time="2026-06-30T00:00:00")

# Via CLI
# meteopendata2netcdf --source aws --time 0 --netcdf ifs_surface.nc