Prévision météorologique d’ensemble avec un générateur de temps stochastique basé en analogues de circulation

Ensemble weather forecast using a stochastic weather generator and analogs of the atmospheric circulation

• Auteur / Autrice : Meriem Krouma
• Direction : Pascal Yiou, Céline Déandreis
• Type : Thèse de doctorat
• Discipline(s) : Géosciences
• Date : Soutenance le 05/06/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences de l'environnement d'Île-de-France (Paris ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire des sciences du climat et de l'environnement (Gif-sur-Yvette, Essonne ; 1998-....)
• Partenaire(s) de recherche : Référent : Université de Versailles-Saint-Quentin-en-Yvelines (1991-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Géosciences, climat, environnement et planètes (2020-….)
• Jury : Président / Présidente : Sylvie Joussaume
• Jury : Examinateurs / Examinatrices : Juliette Blanchet, Grégoire Mariethoz, Lauriane Saunier-Batté, Frédéric Vitart
• Jury : Rapporteurs / Rapporteuses : Juliette Blanchet, Grégoire Mariethoz

Mots clés

Mots clés contrôlés

Modèles statistiques

Précipitations (météorologie)

Circulation atmosphérique

Prévision météorologique

Mots clés libres

Générateur de temps stochastique

Analogues

Prévision

Intrasaisonnier

Précipitation

Oscillation Madden Julian

Stochastic weather generator

Analogues of circulation

Forecast

Sub-Seasonal

Precipitation

Madden Julian oscillation

Résumé

Les prévisions météorologiques d'ensemble peuvent aider à anticiper les risques d'événements météorologiques extrêmes. Cependant, le comportement chaotique de l'atmosphère représente une source majeure d'incertitudes pour les prévisions météorologiques surtout pour des échéances sous-saisonnières (de quelques jours à un mois). Un grand nombre de simulations numériques peut permettre de résoudre ce problème d'incertitude et de déterminer la distribution statistique des variables climatiques. Dans cette thèse, nous avons développé un outil de prévision d'ensemble basé sur des méthodes statistiques et probabilistes pour générer des prévisions météorologiques d'ensemble. En effet, le générateur stochastique de temps est conçu pour imiter le comportement des variables climatiques en se basant sur des analogues de circulation atmosphérique. Nous avons testé cet outil pour prévoir différentes variables climatiques telles que les précipitations en Europe et l'oscillation de Madden et Julian. Nous avons évalué la performance de nos prévisions par rapport aux autres prévisions des centres météorologiques.Dans un premier temps, nous avons testé le générateur stochastique de temps pour simuler les précipitations en Europe à l'échelle locale ( au niveau des villes). Nous avons trouvé de bonnes performances dans différentes régions d'Europe jusqu'à 10 jours. Nous avons confirmé l'importance de la circulation atmosphérique dans la prévision des paramètres météorologiques. Nous avons également identifié l'influence des hautes et basses pressions sur les bonnes et mauvaises prévisions.Dans un deuxième temps, nous avons combiné le générateur stochastique de temps avec des sorties de modèles numériques pour obtenir de grands ensembles de prévisions de précipitations en Europe jusqu'à 35 jours à l'avance à une échelle très locale. Cela a conduit à une amélioration significative par rapport aux prévisions du centre européen ECMWF et de Météo-France.Finalement, nous avons configuré notre modèle pour prévoir l'oscillation Madden Julian (MJO). La MJO est responsable de fortes précipitations dans des régions très peuplées comme l'Inde. Notre modèle fournit une prévision de la MJO jusqu'à 40 jours à l'avance et donne des résultats compétitifs par rapport aux prévisions météorologiques numériques. Les travaux présentés dans ce manuscrit ont fait l'objet de plusieurs articles scientifiques. Des travaux complémentaires concernant la prévisibilité des variables météorologiques ont aussi été réalisés.

Ensemble weather forecasts can help to better manage and anticipate the risks of extreme weather events. Nevertheless, weather forecasting is a complex task due to the chaotic behaviour of the atmosphere, which is a major source of uncertainties for sub-seasonal time scale (days to a month). To overcome these uncertainties, a large number of numerical simulations are required. It allows to determine the statistical distribution of the climate variables. In this thesis, we have developed a weather ensemble forecasting tool based on statistical and probabilistic methods to generate weather ensemble forecasts. The stochastic weather generator is designed to mimic the behaviour of climate variables based on atmospheric circulation analogs. We have tested this tool to forecast different climate variables such as European precipitation and the Madden-Julian oscillation. We have evaluated the performance of our forecasts using several forecast verification methods. In addition, we compared the performance of our forecast to other forecasts from international weather centers.We start by assessing the capacity of the stochastic weather generator to simulate precipitation in Europe at the local scale (city level). We found good performances in different regions of Europe for up to 10 days. We confirmed the importance of atmospheric circulation in the forecast of meteorological parameters. We also identified the influence of high and low pressure on good and bad forecasts. As a second step, we combined the stochastic weather generator with dynamical model outputs to obtain large ensembles of European precipitation forecasts up to 35 days ahead at a very local scale. This led to a significant improvement over the forecasts of the European Centre for Medium-Range Weather Forecasts and Météo-France.Finally, we adjusted our model to forecast the Madden Julian Oscillation (MJO). The MJO is responsible for heavy precipitation in densely populated regions such as India. Our model provides a forecast of the MJO up to 40 days in advance and is competitive with numerical weather predictions. The results of this thesis have been the subject of (published and in discussion) scientific papers.Some other work on the predictability of meteorological variables has also been developed.