Ça fait longtemps qu’on ne s’était pas vus. J’ai été assez occupé sur mon nouveau poste, mais je reviens avec un nouvel article sur Medium! 🚀
Lorsque l’on travaille avec des données météorologiques, s’assurer dela qualité des données n’est pas juste un “plus” — c’est une nécessité. Les prévisions météorologiques, les outils d’aide à la décision et les analyses climatiques reposent sur des mesures précises. Mais que se passe-t-il lorsqu’un capteur tombe en panne, qu’une station est installée de manière incorrecte, ou qu’un oiseau décide de nidifier dans un collecteur de pluie ? 🐦
Chez Sencrop, le réseau de stations météorologiques alimente une variété de processus en aval, des agrégations simples aux outils complexes d’aide à la décision en agriculture. Sans une détection robuste des anomalies, ces processus pourraient être perturbés par des mesures erronées, entraînant des insights inexactes.
Dans cet article, j’explore :
- Pourquoi le contrôle de la qualité des données est crucial en météorologie
- Les méthodes classiques de contrôle de la qualité des données et pourquoi elles ne sont pas adaptées à notre cas
- Comment on a mis en œuvre une détection des anomalies innovante pour maintenir la fiabilité de nos données
L’article complet est ici : Sencrop’s data quality control: Beyond the Z-score
Retour au sommet