Formation sur les SPE Module 7: Futur Richard Verret (Normand Gagnon) Service météorologique du Canada Quelle est la suite…

Module 7: Futur – Page 2 R. Verret – Module 7 – Futur Jusqu'ici… Plans futurs des SPE au Canada Plans futurs du SPENA Ensembles régionaux Conclusions Contributions Références Quelle est la suite…

Module 7: Futur – Page 3 R. Verret – Jusqu'ici… (module 2 – 1/1) Il y a de l’incertitude dans les prévisions. Aucune prévision n'est complète sans une évaluation de l'incertitude. Il existe plusieurs interprétations des probabilités – l'approche fréquentiste est utilisée couramment en météorologie. La probabilité est une mesure et une expression de l'incertitude. Les fonctions de densité de probabilité (fdp ou dpc) fournissent toutes les informations. La fiabilité, la résolution et l'acuité sont les principaux attributs des prévisions probabilistes. Seules les prévisions déterministes peuvent permettre d'atteindre un indice de vérification parfait. Le BS mesure la fiabilité et la résolution des prévisions. Il comprend également un élément qui ne dépend pas des prévisions (incertitude). Les prévisions probabilistes en tant qu'expression de l'incertitude peuvent être utilisées dans le cadre de processus de prise de décision. L'adaptation des statistiques peut être utilisée pour générer des prévisions probabilistes. – Cependant, ces prévisions probabilistes ne dépendent pas du flux. Les prévisions probabilistes en tant qu'expression d'incertitude ont une plus grande valeur que les prévisions déterministes.

Module 7: Futur – Page 4 R. Verret – Jusqu'ici… (module 3 – 1/2) La prévision numérique du temps repose sur l'application des lois fondamentales de la physique (mécanique des fluides) pour prévoir les états futurs de l'atmosphère. Elle requiert une description précise des conditions initiales, des conditions limites et de tous les processus physiques présents dans l'atmosphère. L'assimilation des données est le processus permettant de projeter les données d'observation inégalement réparties dans l'espace et dans le temps sur une grille. Elle nécessite des champs d’essai, des observations avec contrôle de qualité et des statistiques d'erreur sur les observations comme sur les champs d’essai. Les modèles résolvent les équations primitives afin de prévoir les états futurs de l'atmosphère. Les processus physiques qui se produisent aux échelles non résolues dans le modèle doivent être paramétrés. Tendance à la conception de modèles de plus haute résolution. La résolution est un enjeu majeur de la physique des modèles. Les erreurs sont omniprésentes à toutes les étapes de la PNT – observations, conditions initiales, conditions frontières et processus de modélisation. Les prévisions dépendent fortement des conditions initiales à cause de l’effet chaos. D'où une incertitude inhérente au processus de prévision numérique du temps.

Module 7: Futur – Page 5 R. Verret – Jusqu'ici… (module 3 – 2/2) Les SPE permettent de simuler et d'estimer l'incertitude. Les SPE présentent un rapport dispersion-habileté. On peut utiliser les SPE pour obtenir des fdp et des prévisions probabilistes. La valeur des SPE réside dans le calcul de probabilités. Les SPE ne devraient pas être utilisés comme des modèles déterministes. La moyenne d'ensemble n'est généralement pas une bonne prévision, même si souvent elle vérifie mieux. La moyenne d’ensemble et la médiane offrent de meilleurs résultats comme prévision lorsque la distribution est proche d'une distribution normale.

Module 7: Futur – Page 6 R. Verret – Jusqu'ici … (module 4 – 1/2) Même si ils ont des mérites, les ensembles ad hoc souffrent de problèmes qui les rendent difficiles à utiliser dans un contexte probabiliste. Une meilleure solution consiste à modéliser les incertitudes dans une approche scientifique systématique. Il y a deux approches principales pour modéliser les incertitudes sur les conditions initiales : –L’approche Monte Carlo – échantillonner toutes les sources d’incertitude. –L’approche de l’échantillonnage réduit – échantillonner les sources principales d’incertitude. Il y a deux approches principales pour simuler les incertitudes de la modélisation : –L’approche Multi-modèle. –La physique stochastique. Le SPE canadien : –Multi-modèle : 20+1 membres. –Filtres de Kalman d’ensemble perturbés. SPE du NCEP : –Modèle unique : 20+1 membres. –Vecteurs d’entraînement de transformation d’ensemble.

Module 7: Futur – Page 7 R. Verret – Jusqu'ici … (module 4 – 2/2) SPE du CEPMMT : –Modèle unique : 50+1 membres. –Vecteurs singuliers. L’approche Monte Carlo ou de l’échantillonnage utilisées pour échantillonner les incertitudes sur les conditions initiales donnent des résultats semblables. Le Système de prévision d’ensemble Nord-Américain (SPENA) combine les ensembles du CMC et de NCEP : –Multi-modèle : 40+2 membres.

Module 7: Futur – Page 8 R. Verret – Jusqu'ici … (module 5 – 1/3) Moyenne et écart-type : –Peut voir les patrons – champ sur le domaine entier. –Tangible sur le plan météorologique – la dispersion (écart-type de l’ensemble) est une indication d’une incertitude plus élevée ou d’une prédictibilité plus basse. –La moyenne enlève les caractéristiques de petites échelles difficiles à prévoir. –La moyenne d’ensemble et la médiane font de meilleures prévisions lorsque la distribution est proche de la normale. Cartes spaghetti : –Facile de visualiser les différences. –Peut dire si la moyenne d’ensemble (si affichée) est représentative de l’ensemble dans son entièreté. –Montre la dispersion entre les membres. –Montre où il y a groupement des membres autour d’une ou plusieurs solutions. –Montre les modes – les solutions favorisées. –Montrent les membres qui s’éloignent largement des autres et qui peuvent influencer indument la moyenne d’ensemble et la dispersion.

Module 7: Futur – Page 9 R. Verret – Jusqu'ici … (module 5 – 2/3) SPE-grammes : –Bien pour des points uniques en fonction du temps. –Peut évaluer la médiane et les membres qui s’écartent des autres. –Peut afficher la médiane et les centiles. –Visualisation des statistiques de la fdp. –Visualisation de l’évolution de la dispersion (prédictibilité) avec le temps. Produits probabilistes : –Force réelle des SPE – Quantifier les chances de réalisation. –Décrit les probabilités de dépassement de valeurs critiques de façon concise. –La variable d’intérêt est vue sur le domaine entier. –Utilise la distribution empirique de l’ensemble pour calculer les probabilités. MBM: –Permet de combiner les distributions prévues de différents modèles. –La fdp du MBM est une moyenne pondérée des fdp centrées sur les prévisions individuelles débiaisées des membres du SPE.

Module 7: Futur – Page 10 R. Verret – Jusqu'ici … (module 5 – 3/3) Indice de prévision extrême (IPE): –Indice dont la gamme de valeur va de -1 à +1. –Décrit l’écart entre la dpc prévue et la dpc climatologique du SPE. SPENA : –Les membres des SPE canadiens et de NCEP sont échangés en temps réel. –Une correction d’erreur récursive est appliquée sur une sélection de variables. –La plupart des produits basés sur le SPE canadien sont aussi disponibles à partir du grand- ensemble SPENA. –Un produit pour la semaine 2 est aussi disponible. Extension du temps de prévision au-delà du jour 5 : –Guides prévisionnels basés sur le SPE pour les jours 6 et 7. –De nouveaux produits devront être développés.

Module 7: Futur – Page 11 R. Verret – Jusqu'ici … (module 6 – 1/2) Scénario déterministe le plus probable : –La dispersion de l’ensemble est une indication du niveau de confiance. –Lorsque la dispersion devient plus grande, il est préférable d’utiliser les probabilités pour prendre des décisions sur le scénario le plus probable. –Une attention particulière doit toujours être prise en utilisant la moyenne ou la médiane comme prévision. –Lorsque la distribution est multimodale, il est préférable d’utiliser les modes. –Quand les membres de l’ensemble sont d’accord avec le modèle déterministe, il est préférable d’utiliser ce dernier. –À cause du nombre limité de membres et à cause de la résolution des membres, le SPE éprouvera de la difficulté avec les événements (rares) de basse probabilité (incluant les événements de temps important).

Module 7: Futur – Page 12 R. Verret – Jusqu'ici … (module 6 – 2/2) Évaluation de l’incertitude de la prévision : –L’écart entre le modèle déterministe et la moyenne d’ensemble est une indication d’une incertitude plus élevée. –La dispersion de l’ensemble est une indication de l’incertitude et de la confiance. –La distribution de l’ensemble doit être considérée lorsque l’on évalue les scénarios possibles. –Le post-traitement statistique de l’ensemble peut fournir des indications sur la probabilité d’occurrence d’événements. –Les différences entre les caractéristiques du modèle déterministe et des membres de l’ensemble doivent être prises en compte. La volonté de fournir des prévisions déterministes détaillées à tous les temps de prévision devrait être abandonnée. Les problèmes de prévision devraient être pensés en terme de probabilités.

Module 7: Futur – Page 13 R. Verret – Plans futurs pour le SPE Canadien En 2014: –Couche d’ensemble dans Ninjo –Résolution horizontale de 50 km –Production des statistiques d’erreur de champs d’essai pour le EnVAR –De meilleures propriétés du sol via l’assimilation de CALDAS –SPENA-MAL In 2015: –Nouvelle grille de modèle appelée Yin-Yang –Toit du modèle à 0.1 hPa (80 km) –FKEn régional

Module 7: Futur – Page 14 R. Verret – Plans pour le SPE canadien En 2011: –Augmentation de la résolution verticale des modèles (28 vers 40 niveaux) –Augmentation de la résolution horizontale à 66 km (présentement 100 km) –Nouveaux paramétrages physiques (radiation, convection) –Plus d'observation satellitaires dans l'assimilation –Augmentation de la hauteur du toit du modèle (de 10 à 2 hPa, ~30 à 40 km) –Meilleure perturbation près de la surface et des tropiques (moins de perturbations) en 2011 –SPE régional opérationnel (SPER) présentement expérimental pour aide a Haiti en –Produits de post-traitement statistique : vérification opérationnelle contre radio-sondages et stations de surface (en collaboration avec Lab de temps sévère du Québec ) En 2012 (!): –Meilleures propriétés du sol via l’assimilation et les perturbations stochastiques avec CALDAS en 2012 –Utilisation un seul schéma de surface –Résolution horizontale de 50 km –Toit à 0.1 hPa –Plus de données satellitaires

Module 7: Futur – Page 15 R. Verret – Le SGPE en 2015 sera composé de... – Composante d’assimilation et de prévisions ▪ Résolution de 0.45° ▪ GEM 4.6 avec grille Yin-Yang ▪ Vers un seul ensemble de paramétrages

Module 7: Futur – Page 16 R. Verret – The Regional EPS in The Canadian regional EPS will consist of – Forecast component ▪ NAEFS-LAM –20 regional members from CMC –20 regional members from NCEP

Module 7: Futur – Page 17 R. Verret – Le SRPE en sera composé de... – Composante assimilation (première) ▪ Filtre de Kalman d’ensemble régional –Devrait être un grande améliorationpour le SRPE –Champs d’essai avec résolution de 10 km – Composante prévision ▪ Échéance de 4-5 jours? ▪ 4x par jour? ▪ Convection stochastique ▪ Résolution de 10 km pour les prévisions

Module 7: Futur – Page 18 R. Verret – Les prochains 5 ans... L’approche d’ensemble deviendra le tronc principal de tout notre système de prévision au CMC: – SCRIBE Next-Genva incorporé ces données – La résolution deviendra très intéressante pour les prévisionnistes ▪ SRPE à 10 km avec système d’assimilation de données ▪ SGPE à ~20-25 km ▪ Recherche sur des prévisions d’ensemble sera faite à l’échelle de 1 à 3 km (opérationnel dans plus de 5 ans toutefois)

Module 7: Futur – Page 19 R. Verret – Plans pour le SPENA SPENA-MAL Données à plus haute résolution (0.5 degré) Utilisation plus généralisée du grand-ensemble SPENA. Inclusion de FNMOC Adaptation spatiale des prévisions Amélioration du schéma de correction d’erreur Étalonnage des hauteurs de précipitations. Schéma de pondération des membres. Produits de prévision en terme d’anomalies par rapport à la climatologie. Plus de produits finaux. Vérification. Prévisions historiques.

Module 7: Futur – Page 20 R. Verret – Futur Possibilité d’un super-ensemble… En date de janvier 2007 Adapté de R. Buizza, CEPMMT

Module 7: Futur – Page 21 R. Verret – Conclusions L’incertitude est une réalité de toutes les prévisions : –Il y aura toujours un degré variable d’incertitude dans les prévisions. –Le processus de prévision est fondamentalement de nature stochastique (probabiliste). Aucune prévision n’est complète sans une mesure de son incertitude. Les SPE fournissent les meilleurs outils pour estimer l’incertitude. Les SPE constituent les meilleurs sources d’information probabiliste pour la prise de décision et la gestion du risque. Une description complète de la prévision météorologique peut être exprimée en termes d’une fonction appropriée de densité de probabilité.

Module 7: Futur – Page 22 R. Verret – Conclusions Les prévisions devraient être exprimées en termes de probabilités. Les problèmes de prévision devraient être pensés en termes de probabilités. L’incertitude devrait être partie intégrante des prévisions : –Augmente la valeur socio-économique des prévisions. –Validité scientifique. –Permet de garder la confiance des usagers. –Dimension éthique. –Doit être fait d’une façon facilement compréhensible. –La formation est essentielle – prévisionnistes et utilisateurs. –Nécessite le support de la Gestion. Changement de paradigme

Module 7: Futur – Page 23 R. Verret – Contributions L’auteur, Richard Verret, désire remercier les personnes suivantes pour leur contribution (par ordre alphabétique) : ARMAGauthierP. CMCGagnonN. MSCGadalJ. QRFrenetteR. CMCErfaniA. ARDesjardinsS. RPNDenisB. CMCDengX. NCEPCuiB. -COMET- RPNCharronM. RPNCandilleG. ARBullockT. ECMWFBuizzaR. CMCBourgouinP. RPNBélairS. CMCBeauregardS. PNRBallD. CMCArchambaultB. UKMetOMylneK. CMCMorneauJ. CMCMontpetitJ. PYRMoR. CMCMéthotA. CMCMarchandC. NWSMannG. PNRMacdonaldR. ECMWFLeutbecherM. CMCLefaivreL. UQÀMLapriseR. CMCLajoieM. CMCKlasaM. QRJutrasC. MSCJohnstonK. ARMAHoutekamerP. CMCHodgsonJ. CMCHardyG. NWSGrummR. NCEPZhuY. McGillZawadzkiI. RPNZadraA. ORWongS. RPNWilsonL. J. NCEPWeiM. CMCVernerG. RPNValléeM. CMCTurcotteM.-F. NCEPTractonS. NCEPTothZ. ORSeifertM. CMCSauvageauR. CMCRobinsonT. Météo-FrancePithoisF. SMHIPerssonA. CMCPellerinG. RPNPeelS. CMCPatoineA.

Module 7: Futur – Page 24 R. Verret – Références Liste des références (cliquer pour voir la liste des références) Matériel didactique disponible à : Formation-Training/Read-me.html /Formation-Training/Lisez-moi.html Anglais Français

Module 7: Futur – Page 25 R. Verret – Évaluation &surveyID= &surveyID=2 Anglais Français Pour les participants à: CMC 1 (e.g. 1123). Winnipeg 2 (e.g. 2123). Edmonton 3 (e.g. 3123). Toronto 4 (e.g. 4123). Halifax 5 (e.g. 5123). Gander 6 (e.g. 6123). Vancouver 7 (e.g. 7123). Québec CPI 8 (e.g. 8123)

Module 7: Futur – Page 26 R. Verret – Conclusions L’incertitude est une caractéristique fondamentale de toutes prévisions météorologiques et aucune prévision n’est complète sans une description de son incertitude.

Module 7: Futur – Page 27 R. Verret – Questions?

Module 7: Futur – Page 28 R. Verret – Merci et bonne chance !