Adaptations Statistiques des prévisions numériques opérationnelles Nadine ANIORT DPREVI/COMPAS/DOP Rencontres Météo-MathAppli – Mars 2009

Introduction Méthodologie : Exemple d’application : Objectifs des Adaptations Locales Les outils statistiques : Pour l’apprentissage Les corrections auto-adaptatives Exemple d’application : Les adaptations statistiques de nébulosité totale sur la France

Méthodologie – Les Adaptations locales Objectif : prévision de variables météorologiques locales par adaptation de sorties de modèles de prévision numérique  Outil d’aide à la prévision Pré-initialisation de logiciels de saisie de la prévision Prévisions automatiques. Différentes approches: Sortie directe : interpolation spatiale de champs obtenus en sortie d'un modèle de prévision numérique Méthodes algorithmiques (exemple : temps sensible) Adaptation dynamique : modèle spécifique (1D ou 3D à très haute résolution, plus ou moins simplifié) forcé par les sorties du modèle de référence Adaptation statistique

Méthodologie – Les Adaptations Statistiques (AS) Réduire les erreurs systématiques des modèles dues à : Une paramétrisation physique incomplète, La résolution du modèle (mauvaise prise en compte du relief), Le masque terre/mer  Utilisation de longues périodes d’apprentissage pour développer un modèle statistique Pb : De la «stabilité» du modèle numérique durant une longue période (un an et plus) dépend la qualité de l’ajustement. Réduire les erreurs persistantes introduites suite à : des changements de modèle numérique, dues à une situation météorologique mal prévue pb du modèle dynamique, sur/sous estimation lors d’une situation exceptionnelle.  Utilisation de méthodes auto-adaptatives Filtre de kalman Calibration d’après la méthode d’O.Talagrand

L’apprentissage Recherche de relations statistiques entre : un prédictand : variable observée localement, (ex : le vent à 10 mètres) des prédicteurs : variables prévues par le modèle de prévision numérique ( ex : le vent à différents niveaux du modèle, et/ou des observations) Différentes approches : Statistiques de Sortie de Modèle (MOS) Prévision Parfaite (PP) Différents outils statistiques: Analyse canonique ou interpolation bilinéaire Sélection progressive ascendante Régression linéaire multiple Analyse discriminante BMA, réseaux de neurones …

L’apprentissage

La configuration opérationnelle

Les paramètres prévus Métropole Monde/Outre-Mer Modèles : Modèle : Température Température de chaussée, Vent (DD,FF,FX) Humidité Nébulosité totale Visibilité Td + Précipitations, ISO 0°, limite pluie/neige, ETP … Modèles : ALADIN,ARPEGE,CEPMMT EPS, PEARP Monde/Outre-Mer · Température + Vent (DD,FF,FX), Humidité, Nébulosité totale, précipitations Modèle : CEPMMT, ARPEGE, EPS

Exemple d’application – AS de nébulosité totale sur la France L’existant : Production d’AS de Nébulosité Totale en 4 classes pour 169 villes françaises et pour les échéances de J à J+7. Classe 1 (ciel clair à peu nuageux) Classe 2 (peu nuageux à nuageux) Classe 3 ( nuageux à très nuageux) Classe 4 (très nuageux à couvert) Prévisions issues de 4 Analyses Discriminantes Linéaires (ADL) indépendantes , la classe prévue sera celle présentant la probabilité la plus forte. Inconvenients : couverture spatio-temporelle hétérogène, Nécessité de mettre en place des reports d’équations pour compenser l’absence d’observations nocturnes en certains points - dégradation de la prévision Solution envisagée : Utilisation des observations satellites comme prédictand.

Le prédictand – L’observation conventionnelle Estimation de la nébulosité totale par un observateur : Pas de cache à l’horizon Obs entre H-10mn et H+10mn Part du ciel au dessus de 10° (1 main) Partager le ciel en 8 secteurs et regrouper la part de ciel couvert dans 1 ou plusieurs secteurs Nb de secteurs recouverts = Nébulosité en octas Si obs voit un coin de ciel bleu 8  7 octas Si obs voit une part de ciel couvert 0  1 octas Pb de subjectivité Pb d’observations la nuit : biais des observations humaines des observations automatiques restrictives

Le prédictand – L’observation satellite Extraite de la classification nuageuse du CMS de Lannion Maille 0,05°x0,05° (environ 5,5kmX 3,9km à la latitude de Bordeaux) 21 modalités Pas de 15mn But : Se rapprocher de l’observation conventionnelle : Agrégation spatiale : test de 4 mailles Test de 4 classifications par application de coefficients d’opacité fonction de : du type de nuage Son niveau Problèmes de prise en compte de : nuages bas ou très bas, divers étages nuageux, pb de réflectivité liée au masque terre/mer, au cycle diurne … 16 jeux de données issues d’observations satellite testés sur une période de 10 mois pour 144 points métropolitains Maille 1 : 12 points 11.8 x 16.7 km Maille 2 : 20 points 19,7 x 16,7 km Maille 3 : 32 points 19,7 x 27,8 km Maille 4 : 44 points 27,8 x 27,8 km 

Observations conventionnelles et observations satellites Impact de la maille : trop petite favorise les extrêmes distributions des obs proches pour les 4 mailles testées Choix de la maille fonction du besoin final Impact des coefficients d’opacité : importance d’affecter des poids plus faibles aux nuages fractionnés ou semi-transparents Mais pb de détection des nuages bas surmontés de nuages semi-transparents la nuit. Observations satellites vs conventionnelles plus d’occurrences de ciel peu nuageux, moins de fortes nébulosité Lié à : Journée Pb de prise en compte de nuages élevés Nuit Pb détection satellite + Pb de surestimation par observateur + Pb obs automatiques Obs de 00h Obs de 06h Obs de 12h Obs de 18h

Les prédicteurs Issus du modèle du Centre Européen : Échéances de prévision 06 à 180h par pas de 6h 62 prédicteurs potentiels sur une grille 0,5°x0,5° Apprentissage – Avril 2006 – Mars 2008 Test 10 mois Juin 2005-Mars 2006 On conservera 23 prédicteurs potentiels : Nébulosité totale Vent à 100, 700 et 500hPa Bilan de rayonnement des courtes et grandes longueurs d’ondes Gradients verticaux de température Humidité relative à différents niveaux pression Vitesses verticales Sélection des prédicteurs : Sélection Progressive Ascendante des 4 prédicteurs les plus informatifs. Quel que soit le prédictand, liste des prédicteurs potentiels est similaire La sélection des prédicteurs intra-classes diffère Prédominance de prédicteurs tels que la nébulosité totale ou le rayonnement des grandes longueurs d’ondes Marqué sur toutes les classes pour les observations satellites Marqué sur les classes extrêmes des observations conventionnelles

Performance des prévisions (1/3) Evolution des scores avec les échéances Par rapport aux Sorties Directes : AS améliore les Taux de réussite de 5 à 9% jusqu’à J+4 sur les échéances diurnes au delà AS réduit les taux d’échec de 2 à 7% Par rapport aux observations conventionnelles : Taux de réussite proches en journée Avantage aux AS conventionnelles la nuit (TR jusqu’à +8%) Taux de réussite de 06 à 48h Taux de réussite de 06 à 96h Taux d’échec de 06 à 96h Taux d’échec de 06 à 48h

Performance des prévisions (2/3) Scores fonction de la classe observée ou prévue Les taux de réussite fonction de la classe observée TR les plus élevés pour les classes extrêmes Apport par rapport aux SD : net sur les obs conventionnelles En journée avec les obs sat, moins marqué voire inversé la nuit TR les plus faibles pour les classes intermédiaires Parfois TR des SD supérieurs aux AS mais classes souvent sur-estimées par le modèle numérique Ech 15h (J,15h) Ech 24h (J+1,00h) Distribution des obs Sat et des prévisions Taux de réussite Ech 24h (J+1,00h) Taux de réussite Ech 15h (J,15h)

Performance des prévisions (3/3) Tests de significativité AS vs SD Malgré les performances très différentes d’une classe à l’autre , au final AS meilleures que les SD AS Conv vs AS Sat : (résultats cumulés pour les ech 6 à 48h) 35,8% des cas AS Conv > AS Sat 8% des cas AS Sat > AS Conv Mais différentiel de + 49% pour AS Conv pour les échéances nocturnes des résultats proches pour les échéances diurnes Ech 12h (J,12h) Ech 24h(J+1,00h) Rouge/orange : S. Directes - Bleu/Vert : AS Sat Ech 12h (J,12h) Ech 30h(J+1,06h) Rouge/orange : As Conv - Bleu/Vert : AS Sat

Conclusion et perspectives Qualité des prévisions satisfaisantes en journée, insuffisantes la nuit Taux d’échec sur les fortes nébulosité important 35% sur ech nocturnes, 20% sur ech diurnes ADL prévoit mieux les classes extrêmes que les classes intermédiaires ADL améliore la qualité des prévisions finales . Gain de +5 à 9% par rapport aux SD jusqu ’à J+4 Liste des prédicteurs potentiels similaires avec les 2 types de prédictands. A faire Petite étude complémentaire nécessaire pour améliorer la qualité des obs satellites prise en compte du pixel qualité Prise en compte de 1,2 ou 3 images Perspectives d’applications : AS de nébulosité totale satellite sur la France + développement d’   »objets » nébulosité totale AS de nébulosité totale satellite sur l’Afrique+Europe+Amériques pour des clients internes/externes AS par couches nuageuses

Coefficients de pondération appliqués à la classification nuageuse MSG