Fiabilisation de la prévision immédiate de la pluie à l’aide du radar Increasing reliability of rainfall nowcasting from meteorological radar M.M. Belin*,

Présentation au sujet: "Fiabilisation de la prévision immédiate de la pluie à l’aide du radar Increasing reliability of rainfall nowcasting from meteorological radar M.M. Belin*,"— Transcription de la présentation:

1 Fiabilisation de la prévision immédiate de la pluie à l’aide du radar Increasing reliability of rainfall nowcasting from meteorological radar M.M. Belin*, A. Thevenet-Leprevost**, C. Roux* *Conseil général des Hauts-de-Seine **Société Rhéa Congrès SHF, Bordeaux 2014

2 Contexte de l’étude Context
Réseau d’assainissement majoritairement unitaire Transport des effluents entre les réseaux communaux et les émissaires du SIAAP 128 DO vers la Seine dont 18 automatisés Une trentaine de bassins versants (zones de collecte) pour la plupart indépendants (superficie entre 0,5 et 12 km2) Comment optimiser les performances de stockage du réseau sans dégrader le niveau de protection contre les débordements, à l’aide de l’imagerie radar? Réaliser une gestion différenciée selon un contexte hydrométéorologique Congrès SHF, Bordeaux 2014

3 Contexte de l’étude: demande du Département Context: the County’s request
Méthode de prévision des pluies à l’échelle de bassins versants de faibles superficies : la « prévision immédiate », mise en œuvre à l’aide du logiciel CALAMAR  Détecter par l’imagerie radar des situations à risque : détection du dépassement d’un cumul de pluie de période de retour 2 ans, sur 15 minutes, 30 minutes ou 1 heure Méthode entachée d’incertitudes: risque de taux élevés de fausses alertes ou de non détections Etude visant à fiabiliser la détection de situations à risques en: - diminuant au maximum le taux de non-détections - maintenant un taux de fausses alertes acceptable Congrès SHF, Bordeaux 2014

4 La prévision classique dans CALAMAR Classical rainfall nowcasting in CALAMAR
Advection de cellules existantes à partir d’un vecteur vitesse Facteurs limitant sa qualité : Apparition, disparition de cellules Changement de direction Impact peut-être conséquent sur les bassins de petites tailles Congrès SHF, Bordeaux 2014

5 Les cumuls prévus ne dépassent pas le seuil d’alerte
La prévision classique dans CALAMAR Classical rainfall nowcasting in CALAMAR Exemple de situation à risque non détectée par l’advection seule : 24/04/2006 à 19:45 sur SAN_20 Rappelons que la prévision est nulle à 19h45 Les cumuls prévus ne dépassent pas le seuil d’alerte Congrès SHF, Bordeaux 2014

6 Un cumul 30 minutes > seuil de 19 mm (2 ans)
La prévision classique dans CALAMAR Classical rainfall nowcasting in CALAMAR Exemple de situation à risque non détectée par l’advection seule : 24/04/2006 à 20:05 sur SAN_20 Rappelons que la prévision est nulle à 19h45 Un cumul 30 minutes > seuil de 19 mm (2 ans) Congrès SHF, Bordeaux 2014

7 Adaptation de la prévision pour les Hauts-de-Seine
Rainfall nowcasting in the Hauts-de-Seine County Rappel des objectifs / Reminder of the objectives: 1) Maximiser le taux de détection La prévision est corrigée avec un coefficient majorant 2) Limiter les fausses alertes Coefficient adapté à la pluie en cours Utilisé uniquement lorsque la pluie touche un bassin Congrès SHF, Bordeaux 2014

8 Correction de la prévision Rainfall nowcasting correction
A partir d’un échantillon diversifié de pluies sur l’Ile de France … … des caractéristiques de pluies vont être associées à … … des coefficients de correction de la prévision Cet échantillon n’est pas représentatif des pluies sur l’Ile de France mais il est biaisée pour surreprésenter les situations critiques ( c’est à dire celles où l’exploitant a toutes les raisons de s’interroger sur les risques qu’il prend en stockant. Mais cet échantillon contient 19 situations de pluie plus faibles sur 52 pour vérifier que lors des pluies faibles, il n’y a pas d’alertes de dépassement 33 situations sur 52 sont des situations d’orage (avril à octobre) dans cet échantillon; on peut donc considérer que le nombre de situations de non stockage sera de 36 x 33, soit 1152 sur cet échantillon de pluies … Congrès SHF, Bordeaux 2014

9 Correction de la prévision Rainfall nowcasting correction
La correction Correction de la prévision Rainfall nowcasting correction A partir d’un échantillon diversifié de pluies sur l’Ile de France … … des caractéristiques de pluies vont être associées à … … des coefficients de correction de la prévision Caractéristique Description Gl_Ec_Nomb Nombre d'écho dans l'image Gl_Ec_D_S Seuil de définitions des échos (niv) Gl_Ec_T_M Taille moyenne des echos (en nombre de pixels) Gl_Ec_T_V Variance de la taille des echos Gl_Ec_I_M Intensité moyenne des échos (mm/h) Gl_Ec_I_V Variance de l'intensité moyenne des echos Gl_Ec_Elo Elongation moyenne des echos Gl_Ec_E_V Variance de l'élongation moyenne des echos Gl_Ec_Spr Dispertion moyenne des echos Gl_D_V_M Vitesse moyenne des échos Gl_D_D_M Direction moyenne du déplacement des échos Gl_D_V_V Variance de la vitesse de déplacement des échos Gl_D_VS Vitesse moyenne de déplacement calculée par SCOUT Gl_D_DS Direction moyenne de déplacement calculée par SCOUT Caractéristique Description Ec_Taille Taille de l’écho Ec_Masse Masse de l ’echo Ec_Int_Moy INTENSITE MOYENNE (mm/h) Ec_Int_Max INTENSITE MAXIMALE (mm/h) Ec_Int_Var INTENSITE VARIANCE Ec_Elongat Elongation de l’echo Ec_Dep_Vit Vitesse de déplacement Ec_Dep_Dir Direction de déplacement … Congrès SHF, Bordeaux 2014

10 Correction de la prévision Rainfall nowcasting correction
La correction Correction de la prévision Rainfall nowcasting correction A partir d’un échantillon diversifié de pluies sur l’Ile de France … … des caractéristiques de pluies vont être associées à … … des coefficients de correction de la prévision εmax = max ( ) Cumul mesuré Cumul prévu Pour une période pluvieuse donnée Sur la zone d’étude Cette correction est propre : Au cumul à corriger (15 ou 30 minutes) A l’instant où elle est utilisée (En début de pluie ou en cours de pluie) Congrès SHF, Bordeaux 2014

11 Correction de la prévision Rainfall nowcasting correction
Arbre de décision : Relie des caractéristiques de pluie à εmax Correction cumul 30min (-5;25) en début de pluie Gl_Ec_I_V Variance de l'intensité moyenne des échos Zo_Co_DIM Rapport de la différence de l'intensité moyenne des échos entre 2 zones / Différence absolue de l’intensité moyenne des pixels de pluie de la zone sur l’image courante avec celle de l’image précédente Zo_Ec_T_V Variance de la taille des échos moyenne sur la zone Zo_Ec_T_M Taille moyenne des échos (en nombre de pixels) sur la zone Im_NPixels Nombre de pixels non nuls Im_DepMVit Vitesse d’advection sur une image (moyenne de la vitesse des échos appariés) Congrès SHF, Bordeaux 2014

12 Exemple de correction de la prévision
Example of a rainfall nowcasting correction 24/04/2006 à 19:45 sur SAN_20 Les cumuls prévus non corrigés ne dépassent pas le seuil d’alerte Début de pluie sur le bassin : Les cumuls 30 min sont corrigés avec εmax = 7 Génération d’une alerte Rappelons que la prévision est nulle à 19h45 Congrès SHF, Bordeaux 2014

13 Exemple de correction de la prévision
Example of a rainfall nowcasting correction 24/04/2006 à 20:05 sur SAN_20 A 20h05, le cumul mesuré 30 minutes > seuil période retour 2 ans (19 mm) Dépassement du seuil anticipé de 20 mn Les limites du procédé : Les fausses alarmes Congrès SHF, Bordeaux 2014

14 Résultats de l’étude Results Etude (avant correction)
Etude (avant correction) (après correction) Nb total d'événements 50 dont 25 dépassent le seuil d'alerte Taux de détections (%) 85 91 Taux de non-détections (%) 15 9 Taux de fausses alertes (%) 45 70 Délai d'anticipation moyen (minutes) 12 18 91 % des situations à risques bien détectées Taux de Non-Détections réduit de 40% 30 % d’alertes justifiées Congrès SHF, Bordeaux 2014

15 Retour d’expérience Feedback from past experience
L’outil CALAMAR : Affiche en temps réel sur une carte du département les résultats des détections de situations à risque Actualise les fichiers où sont enregistrés tous les événements et les résultats de prévision par BV: Détection, Non Détection Fausse Alerte Aucune Détection Congrès SHF, Bordeaux 2014

16 Retour d’expérience Feedback from past experience
Période d’observation de 7 mois dont la période estivale 2013 (du 19/07/13 au 25/02/14) 80 jours de pluie (>1mm) L’unique événement à risque a été détecté sur 13 BV Aucune « non détection » 12 événements pluvieux concernés par des fausses alertes  1,8 fausse alerte par BV 90% des événements n’ont pas fait l’objet d’un dépassement de seuil Etude (avec correction) Retour d'expérience Nb de jours de pluie 50 parmi lesquels 25 dépassements du seuil d'alerte 80 parmi lesquels 1 dépassement du seuil d'alerte Taux de détections (%) 91 100 Taux de non-détections (%) 9 Taux de fausses alertes (%) 70 84 Tableau 2: résultats de l’analyse des enregistrements par bassin-événement (étude et retour d’expérience) Congrès SHF, Bordeaux 2014

17 Conclusion Les améliorations apportées ont permis:
- de réduire le taux de « non-détections » par l’identification de coefficients de sécurité différenciés par type de situation - d’augmenter en moyenne de 50% le délai d’anticipation… …tout en maintenant un taux de fausses alertes acceptable Poursuivre l’analyse de la qualité des prévisions pour affiner les paramètres de détection Rechercher d’outils et méthodes complémentaires d’appréciation du contexte hydrométéorologique: méthode des analogues, … Congrès SHF, Bordeaux 2014

18 Merci de votre attention
Congrès SHF, Bordeaux 2014

19 Annexes Congrès SHF, Bordeaux 2014

20 Annexes Sur chaque bassin, toutes les 5 minutes, 18 cumuls mesurés/prévus sont évalués : Congrès SHF, Bordeaux 2014

21 Annexes Lorsque la pluie débute sur un bassin, les 2 cumuls oranges sont corrigés pendant 3 pas de temps : ε issu d’un arbre >=1 Congrès SHF, Bordeaux 2014

22 Annexes Congrès SHF, Bordeaux 2014 ε issu d’un arbre >=1
15 mn après le début de la pluie une dernière correction est faite sur le cumul 15mn: ε issu d’un arbre >=1 Congrès SHF, Bordeaux 2014

23 Annexes Résultats de l’étude
91.6 % des situations à risques bien détectées Toutefois, 8.4 % des situations à risques sont non détectées, ce qui justifie que l’on tienne compte d’autres sources d’informations pour l’aide à la décision. Ce taux aurait été d’environ 50% sans l’application de la correction proposée, soit un gain d’un facteur 5. Congrès SHF, Bordeaux 2014

24 Annexes Résultats de l’étude 28 % d’alertes justifiées 143/(357+143)
Mais : Ces résultats sont biaisés par le choix de l’échantillon qui surreprésente les situations d’orage. Pour augmenter ce pourcentage, le coefficient de 80% sera appliqué à la correction en opérationnel et adapté au fur et à mesure en fonction du retour d’expérience. Congrès SHF, Bordeaux 2014

25 Annexes Advection de cellules existantes à partir d’un vecteur vitesse : Temps courant (mesure) Prévision +5 min Prévision +10 min Prévision +30 min Congrès SHF, Bordeaux 2014