Approche physique de la représentation des erreurs de modélisation en prévision d'ensemble atmosphérique

A physical approach to model error representation in atmospheric ensemble prediction

• Auteur / Autrice : Axelle Fleury
• Direction : Francois Bouttier, Thierry Bergot
• Type : Thèse de doctorat
• Discipline(s) : Océan, Atmosphère, Climat
• Date : Soutenance le 16/12/2022
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Sciences de l’univers, de l’environnement et de l’espace (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Centre national de recherches météorologiques (France)
• Jury : Président / Présidente : Jean-Luc Attié
• Jury : Examinateurs / Examinatrices : Fleur Couvreux, Laure Raynaud, Frédérique Cheruy, Alan Hally
• Jury : Rapporteurs / Rapporteuses : Martin Charron, Martin Leutbecher

Mots clés

Mots clés contrôlés

Dynamique stochastique

Temps (météorologie) -- Prévision numérique

Calcul d'erreur

Mots clés libres

Prévision d'ensemble atmosphérique

Incertitudes modèles

Paramétrisation stochastique

Ensemble weather prediction

Model uncertainty

Stochastic parametrisation

Résumé

La prévision météorologique repose sur des modèles numériques qui ne représentent qu'imparfaitement l'atmosphère et son évolution. Les erreurs commises changent d'un jour à l'autre, selon le lieu et les phénomènes en jeu. Elles sont dues aux diverses approximations utilisées dans les modèles et à la nature-même de leurs équations, qui les rendent très sensibles aux conditions initiales que l'on ne connaît jamais avec exactitude. Savoir quelle confiance accorder dans les résultats d'un modèle est un enjeu essentiel pour la prévision météorologique, en particulier dans le contexte de la prévision d'évènements extrêmes et plus largement pour tous les secteurs de la société fortement dépendants de la météo. Estimer le degré de confiance, ou, de façon équivalente, le degré d'incertitude associé à une prévision est l'objectif de la " prévision d'ensemble ", une approche qui consiste à combiner plusieurs scénarios alternatifs et équiprobables d'un même évènement, de façon à produire une prévision non plus déterministe mais probabiliste. Les systèmes de prévision d'ensemble sont construits le plus souvent en introduisant des perturbations, d'une part dans les données d'entrée des modèles, et d'autre part à l'intérieur des modèles eux-mêmes. Cette dernière catégorie regroupe un grand nombre de méthodes différentes, dont la majorité se concentre sur la perturbation des paramétrisations des phénomènes physiques de petite échelle non résolus (turbulence, convection, phénomènes microphysiques, etc), qui sont reconnues être une source d'erreur importante. Ces méthodes sont par ailleurs en grande partie empiriques : les perturbations sont réglées de façon à produire en moyenne des scénarios suffisamment différents les uns des autres, mais elles ne sont pas forcément toujours adaptées à la situation météorologique et peuvent ponctuellement produire des prévisions irréalistes. Néanmoins, d'autres méthodes, cherchant à relier davantage les perturbations aux phénomènes physiques dont la paramétrisation est jugée incertaine, se sont développées ces dernières années et font l'objet d'une recherche active. Dans cette thèse, on cherche à savoir si ces dernières méthodes, intéressantes d'un point de vue théorique, ont un impact suffisant sur les résultats d'un modèle pour rendre possible leur utilisation opérationnelle dans un système de prévision d'ensemble. Pour cela, certaines d'entre elles sont testées dans le modèle à aire limitée AROME de Météo-France, d'abord dans un cadre simplifié uni-colonne pour des situations de couche limite idéalisées, puis dans une configuration plus opérationnelle. Dans un premier temps, deux méthodes de perturbation visant à mieux représenter la variabilité des mouvements turbulents et convectifs sous-maille sont étudiées et réglées grâce à la comparaison avec des simulations à haute résolution (LES). Leurs performances sont différentes selon les variables et le cas d'étude, et la comparaison avec les LES montre que leurs objectifs sont partiellement atteints. On étudie par la suite une méthode de perturbation de deux paramètres de réglage de la distribution de taille des gouttelettes nuageuses, intervenant dans les schémas microphysique et radiatif. Cette méthode produit une dispersion importante mais également un biais par rapport à la référence, qui peut être en partie corrigé grâce à la résolution d'un problème inverse. Les premiers tests réalisés avec une version 3D du modèle AROME montrent que certaines perturbations testées dans le cadre uni-colonne ont un impact sur la simulation de brouillard et de précipitations convectives dans un contexte de faible forçage synoptique. En revanche, les premiers scores statistiques sur une période d'un mois ne montrent pas d'impact des méthodes de perturbations de la turbulence et de la convection peu profonde. Il sera nécessaire d'effectuer des simulations sur de plus longues périodes et à d'autres moments de l'année pour préciser ces résultats.

Weather forecasting relies on numerical models that do not perfectly represent the real atmosphere and its evolution, because of various approximations and of the chaotic nature of their equations. Meteorological model predictions are thus subject to errors that are time-, location-, and situation-dependent. This raises the question of how much confidence one can have in a forecast, which can be critical when predicting extreme events, and more generally for all weather-sensitive human activities. Predicting forecast uncertainty is the main goal of "ensemble prediction", an approach developed since the 1970's, in which different forecasts of the same event are combined to produce a probabilistic prediction instead of a deterministic one. Ensembles are usually produced by introducing perturbations into the forecasting system, with the aim of targeting known sources of uncertainty. Two major sources of uncertainty are nowadays acknowledged to influence models results : uncertainties in the initial and boundary conditions on one hand, and model uncertainty on the other hand. Regarding the representation of model uncertainty, a large number of different methods can be employed. Most of them focus on the representation of fine-scale processes (e.g. turbulence, convection, microphysical processes, etc) by the so-called "parametrization schemes" of the models, which are known to be a substantial source of model error. These methods often use perturbations that are empirically tuned to give good long-term statistical scores, but that sometimes lack physical consistency and may not be well adapted to all meteorological situations. Recently, there has been active research on alternative methods that try to link more precisely perturbations to physical processes. This thesis focuses on this last category of perturbation methods. The objective is to evaluate their impact on a mesoscale model - the AROME model of Météo-France -, with the long-term goal of seeing whether they could be used in the ensemble prediction system PEAROME. This manuscript reports on the implementation of several perturbation methods, first in an idealized framework of single-column simulations, and then in a 3D configuration of the AROME model. In a first part, process-oriented perturbations of turbulence and shallow convection are studied and evaluated against large-eddy simulations (LES) of several boundary-layer cases. Their performance is found to be case- and variable-dependent. In a second part, a parameter perturbation method is tested on two parameters governing the cloud droplet size distribution inside the microphysics and the radiation schemes. This method is shown to produce significant dispersion, but also bias. The bias, however, can be reduced thanks to an inverse problem solving. First tests indicate that the perturbations evaluated in the single-column framework also affect the AROME model outputs in its 3D configuration, for two real case studies. Statistical scores computed on a one-month period show a limited impact of turbulence and shallow-convection perturbations. Further testing on longer periods should however be conducted to clarify these results.