Du 31 août au 11 septembre 2026, les techniciens de la Direction Générale de la Météorologie ont suivi une formation consacrée au système 3D-PAWS (3D-Printed Automatic Weather Stations). Innovante, modulaire et adaptable, cette technologie est conçue pour l’observation météorologique et environnementale.

Du 31 août au 11 septembre 2026, les techniciens de la Direction Générale de la Météorologie ont suivi une formation consacrée au système 3D-PAWS (3D-Printed Automatic Weather Stations). Innovante, modulaire et adaptable, cette technologie est conçue pour
l’observation météorologique et environnementale.

Etant le fruit d’une collaboration entre le Ministère des Transports et de la Météorologie, représenté par la Direction Générale de la Météorologie, le Climate Hazards Center de l’University of California, Santa Barbara, FEWS NET et l’Ambassade des États-Unis
à Madagascar, cette formation Cette formation a été rendue possible grâce à un don de la population américaine, à travers l’UCAR (University Corporation for Atmospheric Research), qui a permis de soutenir la mise en œuvre de cette initiative et le renforcement des compétences des techniciens de la DGM.

Pendant deux semaines, les participants se sont formés à toutes les étapes de mise en œuvre d’une station 3D-PAWS : assemblage et configuration des composants et des capteurs, installation sur site, collecte et gestion des données, puis maintenance des équipements. Cette formation consolide les compétences nationales en matière de fabrication, d’installation et d’entretien de stations météorologiques automatiques.

À Madagascar, cette initiative contribue à étendre le réseau d’observation météorologique et s’inscrit dans la continuité des efforts engagés par la DGM pour fabriquer localement des stations météorologiques automatiques. Le système 3D-PAWS constitue une solution complémentaire adaptable aux besoins du pays.

Particulièrement exposé aux cyclones, aux fortes pluies, aux inondations et aux sécheresses, Madagascar a besoin d’un réseau d’observation plus dense et mieux réparti. Un tel réseau permet d’améliorer la qualité des données et les prévisions météorologiques, tout enrenforçant les systèmes d’alerte précoce face aux phénomènes dangereux.