Prévision d`Ensemble - Cours d`assimilation de données

1/16
Prévision d’ensemble
 le chaos atmosphérique
 modélisation stochastique
 applications
 prévision saisonnière
M2 - F Bouttier
Prévision d'ensemble
But : produire une prévision stochastique (=qui reflète nos
incertitudes)
Prévision d'ensemble: échantillonage discret de la loi de probabilité
de prévision. On lance q prévisions perturbées en parallèle (n~50)
Par exemple avec A=L Lt, si l'on tire aléatoirement u suivant la loi
Gaussienne, alors la prévision perturbée v=xa + Lu suit la loi de
probabilité d'analyse impliquée par A (matrice de covariances
d'erreurs d'analyse)
donc M(v) suit approximativement la loi de probabilité des erreurs
de prévision
Le calcul d'un petit ensemble M(vi), i=1...q coûte q fois la
prévision d'un modèle.
M2 - F Bouttier
Uncertainty in slow-flood prediction
flood forecasts, 10 days ahead
hydrological model forced by atmospheric ensemble
Loing river discharge
Location-specific impact forecasts
target date
forecast
update
TSE talk Oct 2016 - 3/16
Uncertainty in flash-flood prediction
various hydrological models, forced by atmospheric ensemble
Arome-EPS
Ardèche river discharge at Vallon-Pont-d’Arc
meteorological
forecast PDF
ensemble prediction
rainfall ensemble
surface-hydrological
flash flood
ensemble prediction
discharge m3/s
ISBA-TOP
orange alert level
Simulated discharges – ISBA-TOP driven with
radar QPE
obs
perturbations to parameters
of the hydrological model
9 oct 2014
10 oct
11oct
measured discharge
deterministic ISBA-TOP simulation driven by radar
deterministic ISBA-TOP driven by Arome-France
ISBA-TOP ensemble median, driven by Arome ensemble
ISBA-TOP ensemble 25-75 % quantiles
TSE
talk Oct 2016
- 4/16
ISBA-TOP
ensemble
min-max
Arome-EPS : sample snow forecast
raw ensemble: 12 members
probability maps :
median,
Q85,
small probability
of heavy snow
high probability
of light snow
TSE talk Oct 2016 - 5/16
prob(x>a)
exemple de produit de prévision d’ensemble
à cette échéance:
zone de plus
forte probabilité
valeur du paramètre prévu
prévision
déterministe
Panache des valeurs prévues d’un paramètre en un
point pour différentes échéances
échéance
instant initial
M2 - F Bouttier
exemple de
produit de
prévision
d’ensemble
M2 - F Bouttier
prévision cyclonique par un ensemble
M2 - F Bouttier
prévision cyclonique par un ensemble
M2 - F Bouttier
prévision d’extrêmes climatiques par des ensembles
probabilité que la prévision soit dans un quantile extrême du climat en chaque point
pluies
température
M2 - F Bouttier
Exemple: probabilités de pluies en chaque point un jour d'orage:
phénomène intense, mais localisation peu prévisible
cumul sur 18h
déterministe
cumul sur 18h
proba>10%
quantile Q90 de la distribution
de la prévision d'ensemble
11/16
précip instantané
M2 - F Bouttier
Arome-ensemble research:
warnings of dangerous small-scale events
case study :
small-scale intense raining cells with high spread
location/timing uncertainties can hide probabilities
decision-making needs to choose a cost/loss ratio (~false
alarm tolerance)
the most likely forecast is not the most useful !
Three points of view
obs
on the same rain event :
median
Q85 %
TSE talk Oct 2016 - 12/16
Q92 %
Arome ensemble research : thunderstorm warnings
case study
Arome predicts thunderstorms, but with high
uncertainties on timing and location : complex
postprocessing is needed for end-user 'thunderstorm
warnings'
ROC diagram (2-month average)
of radar reflectivities
perfect
reflectivities
forecast
model-simulated
DETECTION RATIO
radar
Arome-EPS
ensemble, raw
Arome-EPS dressed
with spatial tolerance
performance
optimal probability
at optimal
thresholds
probability
(p>8%)
threshold
for for
safety
safety
applications
applications
(Cost/Loss~0.3)
(C/L<0.3)
FALSE ALARM RATIO
reflectivities
TSE talk Oct 2016 - 13/16
Thèmes de R&D actuels en
modélisation atmosphérique
• Modèles à très haute résolution, physique des nuages
précipitants, turbulence 3D
• Utilisation des calculateurs massivement parallèles
• Utilisation des nouveaux satellites et radars
• Techniques mathématiques d’assimilation de données
• Utilisation des images et approche par objets (orages…)
• Quantifier la prévisibilité de tous les phénomènes
• Prévision immédiate numérique
• Prévision à très longue échéance, fusion avec les modèles
de climat
Merci pour votre
attention
16/16
a slide
some text
a box
a box
blah blah
bbox
more text
a text
M2 - F Bouttier