CONTRIBUTION A LA PREVISION DE TEMPERATURE

Quelques définitions

              Trois grands paramètres permettent de caractériser l’état de l’atmosphère et de prévoir, par leur quantification et leur variation, ses perturbations.
a. La pression atmosphérique : La pression atmosphérique correspond à la pression exercée sur une unité de surface, par la masse de la colonne d’air située à l’aplomb de cette surface. Dans les basses couches de l’atmosphère, elle diminue avec l’altitude d’environ 3 hPa par tranche de 25 m. La pression de référence, utilisée pour définir « haute » et « basse » pression est de 1013 hPa, et correspond à la pression d’une colonne de mercure de 760 mm de haut (baromètre de Torricelli). Il s’agit de la pression exercée au sol pour une température de 0 °C, au niveau de la mer et à une latitude de 45°. Les zones de « basse pression » sont appelées dépressions, celles de « hautes pressions » anticyclones.
b. La température : Rappelons que la température n’est pas une grandeur mesurable car on ne peut en faire une somme ou la différence. C’est une grandeur repérable comme nous le savons; sa détermination s’effectue à l’aide du thermomètre. L’échelle de température utilisée en météorologie est l’échelle Celsius avec les deux points fixes : 0°C le point de fusion de glace et 100°C pour le point d’ébullition normale. Ici, nous allons parler de la température de l’air en surface qui se définit comme la température de l’air libre à une hauteur comprise entre 1,25m à 2m au-dessus du sol. La température est variable en fonction de l’altitude, de la latitude, de la saison, des conditions météorologiques, etc. Elle diminue depuis le sol jusqu’au sommet de la troposphère, suivant une variation moyenne de 0,6 °C par 100 m d’élévation. Voici la figure montrant un profil vertical moyen de température : Ce profil permet de définir aussi le découpage vertical moyen de l’atmosphère :
i. La couche la plus basse entre le sol et la tropopause s’appelle la troposphère. C’est là que se trouve la majeure partie de la masse atmosphérique (90 %) et qu’ont lieu la plupart des phénomènes météorologiques.
ii. La tropopause sépare la troposphère de la stratosphère : l’altitude moyenne est de 10 km mais varie en fonction de la latitude et de la situation météorologique. Les variations de l’altitude de la tropopause influent fortement les phénomènes météorologiques.
iii. La couche limite atmosphérique (premières centaines de mètres de la troposphère) est le lieu de nombreux échanges de matières, de chaleur et de quantité de mouvement d’où un caractère turbulent.
c. L’humidité relative : En météorologie, il est important de connaître le taux d’humidité présent dans l’air (quantité d’eau sous forme de vapeur). Entre autres, il nous renseigne sur la possibilité de formation de nuages et de précipitations. L’humidité relative compare la quantité d’eau présente dans l’air à la quantité qu’il faudrait pour saturer cet air à une température donnée. Rappelons que l’air est saturé de vapeur d’eau lorsque le nombre de molécules qui retournent à l’état liquide devient égal au nombre de molécules qui s’évaporent d’une surface d’eau. Par exemple, si l’humidité relative est de 50%, cela signifie que l’air contient la moitié de la quantité maximale de vapeur d’eau qu’il peut contenir. L’air est saturé lorsque l’humidité relative atteint 100%. Et finalement, plus la température de l’eau est élevée, plus il doit y avoir de molécules d’eau dans l’air pour que la saturation soit atteinte. En d’autres mots, pour une quantité de vapeur d’eau dans l’air, l’humidité relative sera plus grande si la température est basse.

Pourquoi des ensembles ?

                     Les systèmes de prévision numérique du temps faisant appel aux modèles numériques de l’atmosphère les plus récents sont des systèmes très puissants qui aident les prévisionnistes à obtenir des prévisions météorologiques. Actuellement, de nombreux modèles donnent une représentation du temps suffisamment bonne pour produire des prévisions de base automatisées issues de sorties directes de modèles. Bien qu’en général, il soit recommandé de procéder à un post-traitement pour étalonner les prévisions automatiques. Les sorties directes de modèles donnent une représentation de certains éléments météorologiques meilleure que d’autres systèmes: par exemple, la température de surface est souvent très bien représentée – du moins si l’orographie de surface n’est pas abrupte –, alors que les précipitations sont souvent beaucoup moins bien représentées. Toutefois, malgré les progrès accomplis, on sait pertinemment que souvent, les prévisions issues même des meilleurs modèles peuvent être éminemment fausses. C’est dans les prévisions à échéance de plusieurs jours que cela apparaît le plus manifestement en raison du caractère chaotique de l’atmosphère. Nous prévoyons le temps en faisant tourner un modèle à partir d’une analyse de l’état de l’atmosphère fondée sur les dernières observations en date effectuées dans le monde entier. Ensuite, le modèle calcule dans quelle mesure l’atmosphère va changer et évoluer au cours des prochains jours à partir de l’état déterminé par l’analyse initiale. Selon la théorie du chaos, la façon dont évolue l’atmosphère étant extrêmement sensible aux petites erreurs issues de l’analyse initiale. Une erreur minime, habituellement trop faible pour que les prévisionnistes la décèlent, peut donner lieu à une erreur importante de prévision. Même dans le cas des meilleures observations, on ne peut jamais réaliser d’analyse parfaite, donc de prévision parfaite. C’est pourquoi l’on fait appel à des systèmes de prévision d’ensemble. Communément dans une prévision d’ensemble, on apporte de très faibles modifications (perturbations) à l’analyse, puis l’on fait de nouveau tourner le modèle à partir de ces conditions initiales légèrement perturbées. Si les diverses prévisions de l’ensemble sont très semblables, nous pouvons nous fier à notre prévision. Maissi elles sont toutes différentes et que, par exemple, certaines prévoient une forte tempête alors que d’autres prévoient une dépression beaucoup plus faible, notre confiance en sera nettement moindre. Cependant, en considérant la proportion des membres de l’ensemble qui prévoient une tempête, nous pouvons évaluer la probabilité d’apparition de celle-ci. Si nous analysons des prévisions à courte échéance (à un ou deux jours), la configuration générale du temps est couramment mieux pratique à prévoir, mais nous pouvons quand même discerner des différences majeures entre les membres de l’ensemble. Il s’agit des paramètres météorologiques locaux, qui peuvent avoir de l’importance pour de nombreux utilisateurs des prévisions. Épisodiquement, l’évolution du temps à grande échelle peut risquer d’être incertaine même à courte échéance. Celle-ci est plus susceptible de se produire lors du développement de fortes tempêtes. Il importe, en conséquence, de tenir compte de la prévision d’ensemble, même à court terme.

WRF-VAR pour cœur ARW

                    L’assimilation de données est la technique par laquelle les observations sont combinées avec un produit de prédiction météorologique numérique pour améliorer l’estimation de l’état atmosphérique. Les différences entre l’analyse et les observations sont réduites selon leur erreur perçue. Traditionnellement, les observations sont celles « directes » de température, d’humidité, et de vent des rapports de surface et de radiosonde. Car les techniques de télédétection rétrogradent peu à peu, les observations « indirectes » sont de plus en plus disponibles pour des chercheurs et des modeleurs opérationnels. L’utilisation efficace de ces observations indirectes pour l’analyse objective n’est pas commune, les méthodes généralement utilisées comportent les techniques de variations tridimensionnelles ou quadridimensionnelles (« 3???? » et « 4???? », respectivement), qui sont probablement aussi bien employées pour des observations directes. Le modèle ARW utilise spécialement le WRF-VAR.

Langage de programmation et compilateurs

                 Le modèle WRF est écrit en langage Fortran (comme Fortran 77, Fortran 90). Parmi les composants du modèle WRF, RSL et maintenant RSL_LITE, qui s’assoit entre WRF et l’interface MPI est écrit en langage C. Il y a aussi des programmes auxiliaires qui sont écrits en C pour exécuter l’analyse syntaxique et la construction de fichiers. Donc, un compilateur C est aussi nécessaire pour compiler des programmes et des bibliothèques externes. Supplémentairement, le mécanisme de bâtiment du WRF utilise plusieurs langages de script : perl (pour manipuler les tâches différentes comme le navigateur de code), Cshell et Bourn Shell. Les outils traditionnels de traitement de texte sous UNIX sont utilisés : make, M4, sed et awk. Le WRFSI est surtout écrit dans le langage Fortran 77 et le langage Fortran 90 avec quelques routines en langage C. Les scripts de Perl sont utilisés pour diriger les programmes et Perl/Tk est utilisé pour GUI (interface graphique pour l’utilisateur). “make” est utilisé dans la construction de tout exécutable.

Table des matières

LISTE DES FIGURES
LISTE DES TABLEAUX
LISTE DES ANNEXES
GLOSSAIRE
INTRODUCTION
PARTIE I : UN APERÇU DES METHODES DE PREVISIONS METEOROLOGIQUES
Chapitre 1 . LES OBSERVATIONS EN METEOROLOGIE
1.1. Méthodes de recueil de données
1.2. Problèmes liés aux observations
1.3. Quelques définitions
Chapitre 2 . TYPES DE PREVISIONS METEOROLOGIQUES
2.1. Définitions
2.2. Prévision déterministe : Modèle de Prévision Numérique
2.2.1. Principes des prévisions numériques
2.2.2. Equations primitives
2.3. Prévision probabiliste : Système de Prévision d’Ensemble
2.3.1 Pourquoi des ensembles ?
2.3.2 Avantages des SPE sur les prévisions simples de MPN
2.3.3 Le chaos et les conditions atmosphériques
2.3.4 Production d’un ensemble
Chapitre 3 . PRESENTATION DU DISTRICT DE MORONDAVA
3.1 Repérage géographique du District de Morondava
3.1.1 Délimitation administrative
3.1.2 Délimitation géographique
3.2 Climatologie de Morondava
3.2.1 Station météorologique
3.2.2 Géographie de la Région Menabe
3.2.3 Climat de Morondava
PARTIE II : ASPECTS METHODOLOGIQUES
Chapitre 4 . MODELE WEATHER RESEARCH AND FORCASTING (WRF)
4.1. Introduction
4.2. Architecture du modèle WRF
4.2.1 Initialisation
4.2.2 WRF-VAR pour cœur ARW
4.2.3 Cœurs dynamiques (ARW & NMM)
4.2.4 Les paquets de physiques
4.2.5 Outil de post-traitement
4.3. Sous modèle WRF ARW
4.3.1. Préparation des données avec WPS
4.3.2. Fonction de chaque programme
4.3.3. Initialisation du modèle ARW
4.3.4. La technique de nesting
4.4. Les équations régissantes du modèle WRF-ARW
4.4.1 Coordonnées verticales et ses variables
4.4.2 Les équations de flux d’Euler
4.4.3 Les équations d’humidité
4.4.4 Les systèmes de projection
4.4.5 Les équations régissantes sous forme perturbées
4.5. Discrétisation
4.5.1 Discrétisation temporelle
4.5.2 Discrétisation spatiale
4.6. Les conditions initiales et les conditions aux limites
4.6.1 Conditions initiales
4.6.2 conditions aux frontières latérales
Chapitre 5 . OUTILS STATISTIQUES
5.1. Tableau de contingence
5.2. Vérification des prévisions d’ensemble
5.2.1. Le Brier Score (BS)
5.2.2. Le Brier Skill Score
PARTIE III : APPLICATIONS, RESULTATS ET DISCUSSIONS
Chapitre 6 . CONFIGURATION DU MODELE WRF
6.1 Environnement du modèle
6.1.1 Langage de programmation et compilateurs
6.1.2 Bibliothèques optionnelles
6.2 Domaines de calcul
6.3 Données du modèle ARW
6.3.1 Données météorologiques
6.3.2 Données géographiques
6.4 Déploiement des modules du modèle ARW
6.4.1 Module WPS
6.4.2 Module ARW
6.5 Conclusion
Chapitre 7 . RESULTATS ET INTERPRETATIONS
7.1 Produits de l’ensemble
7.1.1 Cartes à timbres-poste
7.1.2 Dispersion des prévisions d’ensemble
7.2 Etudes statistiques de l’ensemble
CONCLUSION GENERALE
BIBLIOGRAPHIE ET WEBOGRAPHIE
ANNEXES

Télécharger le rapport complet