Prévision probabiliste des orages et des précipitations - François Bouttier, Hugo Marchal, Axelle Fleury, Météo-France/CNRM 12/03/2019 Ateliers de ...
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
Prévision probabiliste des orages et des précipitations François Bouttier, Hugo Marchal, Axelle Fleury, Météo-France/CNRM 12/03/2019 Ateliers de Modélisation de l'Atmosphère 2019
Flux de données des prévisions numériques
●
nombreux modèles (IFS, Arpège, Arome) et systèmes (ensembles, déterministes,
prévision immédiate) fréquemment rafraîchis
● Ensemble inhomogène de taille variable
●
quelle information temps réel peut-on en tirer ?
● champs des modèles risques d'orages, précipitations, brouillard...
● modèles d'information prévue
ex : Arome-PI + Arome + PEArome :
18 pseudo-membres à h+1 13 membres à h+36
PEArome mise à jour toutes les 6h
Arome toutes les ~6h, plus frais
Arome-PI le plus frais
Arome-PI
Arome-PI
Arome-PI màj horaire
obs prévision immédiate
heure de validité
passé présent avenir
PEArpège, IFS
Que faire avec une prévision d'ensemble ?
cela dépend des utilisations...
ensemble
n membres bruts
probabilités & quantiles ensemble de scénarios
(calibrés) = sous- ou sur-
échantillonnage
1 « scénario privilégié » de l'ensemble
d'apparence déterministe
(mais meilleur!)
exemples :
●
identifier un événement extrême et ses alternatives, pour expertise
●
quantifier un risque (ex : verglas)
●
coupler des ensembles de tailles différentes : météo grande échelle
météo petite échelle hydrologie
Autant de scores que d'applications
De l'ensemble aux probabilités
sorties ponctuelles brutes de qualité médiocre pour les orages et précipitations :
●
champs entachés de bruit (physique) de petite échelle
● ensemble trop petit bruit d'échantillonnage
●
biais des distributions, corrigeables par calibration statistique
x x x
calc quantile spatial évite la double peine
dans un voisinage CDF
tolérance,
habillage de PDF modélisation des queues
CDF de distributions
membre modélise les
climatologique CDF incertitudes modèle
calibration rend les probas fiables
CDF
extraction des quantiles
& probabilités compression de l'info
Exemple : conversion ensemble -> probabilité d'orage
'obs d'orage' (détection radar & foudre)
prévision déterministe +18h
la plus récente
misses
prévision probabiliste
(PE)Arome+Arpege+IFS (35 membres)
false
alarms %
Sensibilité aux réglages des probabilités d'orage
Score ROC sur métropole en juin 2018, post-traitement de l'ensemble PEArome
rayon de tolérance fonction diagnostic dispersion
spatiale d'orage modèle du noyau d'habillage
Automatisation du réglage des hyperparamètres échantillon recommandé : ~1 mois orageux paramètres sensibles: ● coeff de réglage d'amplitude du diagnostic d'orage ● dispersion du noyau d'habillage ● rayon de voisinage spatial ● (pondération relative des modèles) métrique : taux de succès des prévisions (surface ROC, valeur économique asymétrique) méthode : émulateur par carré latin + réseau de neurones (fonctions de base radiales) dans espace de dimension 3 à 4 coupes 2D de la fonction-coût ROC sur juin 2018:
Ingrédients-clés des probabilités d'orage
sur la métropole
Modèles :
●
Arome-PI (échéances 0-5h)
● mix PEArome > PEARP IFSens (échéances 6-36h)
●
mix IFSens > PEARP (échéances 36-120h)
●
valeur prédictive négligeable au-delà
Paramètres sensibles: (6-36h)
●
peu de biais des valeurs du diagnostic d'orage(réflectivités modèle)
●
noyau d'habillage : ~50 % d'erreur d'amplitude
●
voisinage spatial : ~80km d'erreur de position
score ROC 0-5h score ROC 9-36h score ROC 9-99h
Arome, AromePI, PEArome PEArome, PEARP, IFSens PEARP, IFSens
Prévision probabiliste des cumuls de précipitations
On peut réutiliser la méthode des orages, mais gare à l'interprétation des
quantiles !
Exemple : le vrai Q85rr6
●
scénario Q85 sur intervalles de 3h
●
scénario Q85 sur intervalles de 6h
L'un n'est pas la somme de l'autre, car les
scénarios possibles sont corrélés dans le l'erreur dépasse
temps : localement 30 %
le scénario 'optimal' dépend de la durée
d'accumulation.
Deux Q85rr3 successifs la somme des Q85rr3
le problème de granularité
médiane: «molle»
des ensembles bruts
La dépendance à l'utilisateur/trice de la notion de 'bonne prévision' est
exacerbée par la présence de structures fines dans les champs
physiques manipulés : comment résumer l'information ?
ex : 12 membres de l'ensemble (précip sur 3h PEArome) quantile 85 %
quantile 92 %: on
« tartine »Perspectives : comment communiquer les incertitudes
sur des champs complexes ?
• les champs tels que précipitation, nébulosité, etc sont peu prévisibles, non-
gaussiens, leurs corrélations d'erreurs ont des structures complexes et
inhomogènes.
• communiquer une 'meilleure prévision' nécessite donc des hypothèses sur ce
que veut l'utilisateur/trice : c'est un problème de modélisation en aval des
modèles numériques...
• les ensembles fournissent une partie de l'information, mais il seront toujours trop
petits. (=erreur d'échantillonnage)
Piste pour compléter les ensembles : habillage des membres par des perturbations
cohérentes calibrées -> scénarios hydrométéorologiques (projet ANR PICS)
perturbations d'amplitude
de phase
de localisation
de structureVous pouvez aussi lire
