Prévisions d'ensemble à l'échelle saisonnière : mise en place d'une dynamique stochastique

par Lauriane Saunier (BATTé)

Thèse de doctorat en Sciences et Techniques de l'Environnement

Sous la direction de Marc Bocquet et de Michel DEQUE.

Thèses en préparation à Paris Est , dans le cadre de SIE - Sciences, Ingénierie et Environnement , en partenariat avec CEREA - Centre d'Enseignement et de Recherche en Environnement Atmosphérique (laboratoire) depuis le 01-07-2009 .


  • Résumé

    Le projet européen DEMETER a fait la démonstration que l'utilisation de modèles couplés océan-atmosphère portait une capacité prédictive de l'atmosphère jusque vers 6 mois d'échéance. Certaines régions comme le Pacifique tropical donnent des scores de prévision utilisables sans grand effort d'adaptation. D'autres comme l'Europe, l'Inde ou l'Afrique de l'Ouest ont une prévisibilité très marginale qui interdit toute approche déterministe dans les applications. Lorsqu'on réalise des prévisions probabilistes sur la base d'un ensemble de prévisions du même modèle, chaque prévision différant des autres uniquement par sa condition initiale, on constate une sous-estimation de la variance de la loi de probabilité prévue. Ce phénomène s'explique par le fait que la véritable incertitude provient essentiellement de l'imperfection du modèle (contrairement aux prévisions à court terme). Pour corriger ce biais, on a soit recours à une calibration a posteriori, soit à l'utilisation de plusieurs modèles (projets DEMETER, ENSEMBLES, EUROSIP). Dans le projet européen ENSEMBLES, le CEPMMT a démontré qu'on pouvait prendre en compte cette incertitude en ajoutant un terme aléatoire aux équations du modèle. Pour mémoire, le MetOffice a essayé une méthode de « multi-modèle du pauvre » fondée sur la perturbation de quelques paramètres empiriques de sa physique; cette méthode s'est avérée, à l'échéance saisonnière, moins puissante qu'un véritable multi-modèle ou que la méthode des perturbations stochastiques. Deux objectifs sont poursuivis par ce sujet. Le premier est une validation plus fine sur l'Afrique de l'Ouest des prévisions déterministes et probabilistes. Depuis le projet DEMETER, une quinzaine d'expériences similaires (limitées à l'hiver et l'été) ont été réalisées au CNRM. En ce qui concerne leur évaluation, on s'est surtout focalisé sur les moyennes latitudes et la ceinture tropicale dans son ensemble. Il est important de connaître la sensibilité et la variabilité des paramètres de score sur la région d'intérêt. Depuis la campagne AMMA, un grand nombre d'applications ont montré le besoin de prévision des précipitations estivales. Il y a sans doute une grande distance entre la demande et les possibilités réelles, mais encore faut-il pouvoir la mesurer. Le deuxième objectif est d'améliorer la prévision probabiliste, incontournable pour l'Afrique de l'Ouest (et accessoirement l'Europe) en s'attaquant à la racine du problème. A défaut de connaître les vraies équations de la nature, au moins faut-il modéliser le fait que le modèle ne les suit pas parfaitement. Le projet européen POTENTIALS avait amorcé une approche fondée sur une estimation de l'erreur de tendance initiale. On n'est pas allé aussi loin qu'on aurait voulu avec des GCM, mais les résultats avec un modèle simplifié et en mode parfait étaient très encourageants. La méthodologie proposée pour valider les prévisions probabilistes de précipitation est la suivante. On considère qu'une saison humide est constituée de trois moyennes mensuelles qui forment un embryon de loi probabiliste. En produisant 9 simulations, le modèle produit 27 tirages de la loi de probabilité. Une calibration similaire à ce qui se fait pour les scénarios régionaux (méthode quantile-quantile) permet, en chaque point d'une grille de 250 km de maille sur la région d'intérêt, de produire une loi qui est climatologiquement sans biais. Avec un critère robuste comme le continuous ranked probability score (CRPS) on peut donc évaluer, dans chaque expérience disponible, la qualité d'une prévision du modèle par rapport à la prévision climatologique. La méthodologie pour produire un terme stochastique dans les équations est autrement plus lourde. Il faut d'abord réaliser une longue simulation (40 ans) du modèle atmosphérique rappelé vers les réanalyses ERA40. On produit ainsi un vaste échantillon de termes d'erreur de tendance initiale. Cet échantillon est ensuite stratifié à partir d'un nombre raisonnable de régimes de grande échelle (une dizaine). On applique ensuite au modèle, en fonction du régime où il se trouve, un terme de correction tiré au sort dans l'échantillon. Ce terme représente une distribution des erreurs cohérente, que le modèle a commises dans une situation similaire. Outre la méthode de classification, il reste de nombreux points que seule l'expérimentation numérique permettra de lever: faut-il travailler en nudging standard (comme dans POTENTIALS) ou en nudging d'anomalie ? Faut-il appliquer le terme aléatoire brut, ou faut-il lui affecter un coefficient d'atténuation ?

  • Titre traduit

    Ensemble predictions at the seasonal time scale : implementation of a stochastic dynamics technique


  • Pas de résumé disponible.