Prévision d`Ensemble - Cours d`assimilation de données
Transcription
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