Quelques dรฉfinitions
ย ย ย ย ย ย ย Trois grands paramรจtres permettent de caractรฉriser lโรฉtat de lโatmosphรจre et de prรฉvoir, par leur quantification et leur variation, ses perturbations.
a. La pression atmosphรฉrique : La pression atmosphรฉrique correspond ร la pression exercรฉe sur une unitรฉ de surface, par la masse de la colonne dโair situรฉe ร lโaplomb de cette surface. Dans les basses couches de lโatmosphรจre, elle diminue avec lโaltitude dโenviron 3 hPa par tranche de 25 m. La pression de rรฉfรฉrence, utilisรฉe pour dรฉfinir ยซ haute ยป et ยซ basse ยป pression est de 1013 hPa, et correspond ร la pression dโune colonne de mercure de 760 mm de haut (baromรจtre de Torricelli). Il sโagit de la pression exercรฉe au sol pour une tempรฉrature de 0 ยฐC, au niveau de la mer et ร une latitude de 45ยฐ. Les zones de ยซ basse pression ยป sont appelรฉes dรฉpressions, celles de ยซ hautes pressions ยป anticyclones.
b. La tempรฉrature : Rappelons que la tempรฉrature nโest pas une grandeur mesurable car on ne peut en faire une somme ou la diffรฉrence. Cโest une grandeur repรฉrable comme nous le savons; sa dรฉtermination sโeffectue ร lโaide du thermomรจtre. Lโรฉchelle de tempรฉrature utilisรฉe en mรฉtรฉorologie est lโรฉchelle Celsius avec les deux points fixes : 0ยฐC le point de fusion de glace et 100ยฐC pour le point dโรฉbullition normale. Ici, nous allons parler de la tempรฉrature de lโair en surface qui se dรฉfinit comme la tempรฉrature de lโair libre ร une hauteur comprise entre 1,25m ร 2m au-dessus du sol. La tempรฉrature est variable en fonction de lโaltitude, de la latitude, de la saison, des conditions mรฉtรฉorologiques, etc. Elle diminue depuis le sol jusquโau sommet de la troposphรจre, suivant une variation moyenne de 0,6 ยฐC par 100 m dโรฉlรฉvation. Voici la figure montrant un profil vertical moyen de tempรฉrature : Ce profil permet de dรฉfinir aussi le dรฉcoupage vertical moyen de lโatmosphรจre :
i. La couche la plus basse entre le sol et la tropopause sโappelle la troposphรจre. Cโest lร que se trouve la majeure partie de la masse atmosphรฉrique (90 %) et quโont lieu la plupart des phรฉnomรจnes mรฉtรฉorologiques.
ii. La tropopause sรฉpare la troposphรจre de la stratosphรจre : lโaltitude moyenne est de 10 km mais varie en fonction de la latitude et de la situation mรฉtรฉorologique. Les variations de lโaltitude de la tropopause influent fortement les phรฉnomรจnes mรฉtรฉorologiques.
iii. La couche limite atmosphรฉrique (premiรจres centaines de mรจtres de la troposphรจre) est le lieu de nombreux รฉchanges de matiรจres, de chaleur et de quantitรฉ de mouvement dโoรน un caractรจre turbulent.
c. Lโhumiditรฉ relative : En mรฉtรฉorologie, il est important de connaรฎtre le taux dโhumiditรฉ prรฉsent dans lโair (quantitรฉ dโeau sous forme de vapeur). Entre autres, il nous renseigne sur la possibilitรฉ de formation de nuages et de prรฉcipitations. Lโhumiditรฉ relative compare la quantitรฉ dโeau prรฉsente dans lโair ร la quantitรฉ quโil faudrait pour saturer cet air ร une tempรฉrature donnรฉe. Rappelons que lโair est saturรฉ de vapeur dโeau lorsque le nombre de molรฉcules qui retournent ร lโรฉtat liquide devient รฉgal au nombre de molรฉcules qui sโรฉvaporent dโune surface dโeau. Par exemple, si lโhumiditรฉ relative est de 50%, cela signifie que lโair contient la moitiรฉ de la quantitรฉ maximale de vapeur dโeau quโil peut contenir. Lโair est saturรฉ lorsque lโhumiditรฉ relative atteint 100%. Et finalement, plus la tempรฉrature de lโeau est รฉlevรฉe, plus il doit y avoir de molรฉcules dโeau dans lโair pour que la saturation soit atteinte. En dโautres mots, pour une quantitรฉ de vapeur dโeau dans lโair, lโhumiditรฉ relative sera plus grande si la tempรฉrature est basse.
Pourquoi des ensembles ?
ย ย ย ย ย ย ย ย ย ย ย Les systรจmes de prรฉvision numรฉrique du temps faisant appel aux modรจles numรฉriques de lโatmosphรจre les plus rรฉcents sont des systรจmes trรจs puissants qui aident les prรฉvisionnistes ร obtenir des prรฉvisions mรฉtรฉorologiques. Actuellement, de nombreux modรจles donnent une reprรฉsentation du temps suffisamment bonne pour produire des prรฉvisions de base automatisรฉes issues de sorties directes de modรจles. Bien quโen gรฉnรฉral, il soit recommandรฉ de procรฉder ร un post-traitement pour รฉtalonner les prรฉvisions automatiques. Les sorties directes de modรจles donnent une reprรฉsentation de certains รฉlรฉments mรฉtรฉorologiques meilleure que dโautres systรจmes: par exemple, la tempรฉrature de surface est souvent trรจs bien reprรฉsentรฉe โ du moins si lโorographie de surface nโest pas abrupte โ, alors que les prรฉcipitations sont souvent beaucoup moins bien reprรฉsentรฉes. Toutefois, malgrรฉ les progrรจs accomplis, on sait pertinemment que souvent, les prรฉvisions issues mรชme des meilleurs modรจles peuvent รชtre รฉminemment fausses. Cโest dans les prรฉvisions ร รฉchรฉance de plusieurs jours que cela apparaรฎt le plus manifestement en raison du caractรจre chaotique de lโatmosphรจre. Nous prรฉvoyons le temps en faisant tourner un modรจle ร partir dโune analyse de lโรฉtat de lโatmosphรจre fondรฉe sur les derniรจres observations en date effectuรฉes dans le monde entier. Ensuite, le modรจle calcule dans quelle mesure lโatmosphรจre va changer et รฉvoluer au cours des prochains jours ร partir de lโรฉtat dรฉterminรฉ par lโanalyse initiale. Selon la thรฉorie du chaos, la faรงon dont รฉvolue lโatmosphรจre รฉtant extrรชmement sensible aux petites erreurs issues de lโanalyse initiale. Une erreur minime, habituellement trop faible pour que les prรฉvisionnistes la dรฉcรจlent, peut donner lieu ร une erreur importante de prรฉvision. Mรชme dans le cas des meilleures observations, on ne peut jamais rรฉaliser dโanalyse parfaite, donc de prรฉvision parfaite. Cโest pourquoi lโon fait appel ร des systรจmes de prรฉvision dโensemble. Communรฉment dans une prรฉvision dโensemble, on apporte de trรจs faibles modifications (perturbations) ร lโanalyse, puis lโon fait de nouveau tourner le modรจle ร partir de ces conditions initiales lรฉgรจrement perturbรฉes. Si les diverses prรฉvisions de lโensemble sont trรจs semblables, nous pouvons nous fier ร notre prรฉvision. Maissi elles sont toutes diffรฉrentes et que, par exemple, certaines prรฉvoient une forte tempรชte alors que dโautres prรฉvoient une dรฉpression beaucoup plus faible, notre confiance en sera nettement moindre. Cependant, en considรฉrant la proportion des membres de lโensemble qui prรฉvoient une tempรชte, nous pouvons รฉvaluer la probabilitรฉ dโapparition de celle-ci. Si nous analysons des prรฉvisions ร courte รฉchรฉance (ร un ou deux jours), la configuration gรฉnรฉrale du temps est couramment mieux pratique ร prรฉvoir, mais nous pouvons quand mรชme discerner des diffรฉrences majeures entre les membres de lโensemble. Il sโagit des paramรจtres mรฉtรฉorologiques locaux, qui peuvent avoir de lโimportance pour de nombreux utilisateurs des prรฉvisions. รpisodiquement, lโรฉvolution du temps ร grande รฉchelle peut risquer dโรชtre incertaine mรชme ร courte รฉchรฉance. Celle-ci est plus susceptible de se produire lors du dรฉveloppement de fortes tempรชtes. Il importe, en consรฉquence, de tenir compte de la prรฉvision dโensemble, mรชme ร court terme.
WRF-VAR pour cลur ARW
ย ย ย ย ย ย ย ย ย ย L’assimilation de donnรฉes est la technique par laquelle les observations sontย combinรฉes avec un produit de prรฉdiction mรฉtรฉorologique numรฉrique pour amรฉliorer lโestimation de l’รฉtat atmosphรฉrique. Les diffรฉrences entre l’analyse et les observations sont rรฉduites selon leur erreur perรงue. Traditionnellement, les observations sont celles ยซ directes ยป de tempรฉrature, d’humiditรฉ, et de vent des rapports de surface et de radiosonde. Car les techniques de tรฉlรฉdรฉtection rรฉtrogradent peu ร peu, les observations ยซ indirectes ยป sont de plus en plus disponibles pour des chercheurs et des modeleurs opรฉrationnels. L’utilisation efficace de ces observations indirectes pour l’analyse objective n’est pas commune, les mรฉthodes gรฉnรฉralement utilisรฉes comportent les techniques de variations tridimensionnelles ou quadridimensionnelles (ยซ 3???? ยป et ยซ 4???? ยป, respectivement), qui sont probablement aussi bien employรฉes pour des observations directes. Le modรจle ARW utilise spรฉcialement le WRF-VAR.
Langage de programmation et compilateurs
ย ย ย ย ย ย ย ย ย Le modรจle WRF est รฉcrit en langage Fortran (comme Fortran 77, Fortran 90). Parmi les composants du modรจle WRF, RSL et maintenant RSL_LITE, qui s’assoit entre WRF et l’interface MPI est รฉcrit en langage C. Il y a aussi des programmes auxiliaires qui sont รฉcrits en C pour exรฉcuter l’analyse syntaxique et la construction de fichiers. Donc, un compilateur C est aussi nรฉcessaire pour compiler des programmes et des bibliothรจques externes. Supplรฉmentairement, le mรฉcanisme de bรขtiment du WRF utilise plusieurs langages de script : perl (pour manipuler les tรขches diffรฉrentes comme le navigateur de code), Cshell et Bourn Shell. Les outils traditionnels de traitement de texte sous UNIX sont utilisรฉs : make, M4, sed et awk. Le WRFSI est surtout รฉcrit dans le langage Fortran 77 et le langage Fortran 90 avec quelques routines en langage C. Les scripts de Perl sont utilisรฉs pour diriger les programmes et Perl/Tk est utilisรฉ pour GUI (interface graphique pour lโutilisateur). โmakeโ est utilisรฉ dans la construction de tout exรฉcutable.
|
Table des matiรจres
LISTE DES FIGURES
LISTE DES TABLEAUX
LISTE DES ANNEXES
GLOSSAIRE
INTRODUCTION
PARTIE I : UN APERรU DES METHODES DE PREVISIONS METEOROLOGIQUES
Chapitre 1 . LES OBSERVATIONS EN METEOROLOGIE
1.1. Mรฉthodes de recueil de donnรฉes
1.2. Problรจmes liรฉs aux observations
1.3. Quelques dรฉfinitions
Chapitre 2 . TYPES DE PREVISIONS METEOROLOGIQUES
2.1. Dรฉfinitions
2.2. Prรฉvision dรฉterministe : Modรจle de Prรฉvision Numรฉrique
2.2.1. Principes des prรฉvisions numรฉriques
2.2.2. Equations primitives
2.3. Prรฉvision probabiliste : Systรจme de Prรฉvision dโEnsemble
2.3.1 Pourquoi des ensembles ?
2.3.2 Avantages des SPE sur les prรฉvisions simples de MPN
2.3.3 Le chaos et les conditions atmosphรฉriques
2.3.4 Production dโun ensemble
Chapitre 3 . PRESENTATION DU DISTRICT DE MORONDAVA
3.1 Repรฉrage gรฉographique du District de Morondava
3.1.1 Dรฉlimitation administrative
3.1.2 Dรฉlimitation gรฉographique
3.2 Climatologie de Morondava
3.2.1 Station mรฉtรฉorologique
3.2.2 Gรฉographie de la Rรฉgion 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 modรจle WRF
4.2.1 Initialisation
4.2.2 WRF-VAR pour cลur ARW
4.2.3 Cลurs dynamiques (ARW & NMM)
4.2.4 Les paquets de physiques
4.2.5 Outil de post-traitement
4.3. Sous modรจle WRF ARW
4.3.1. Prรฉparation des donnรฉes avec WPS
4.3.2. Fonction de chaque programme
4.3.3. Initialisation du modรจle ARW
4.3.4. La technique de nesting
4.4. Les รฉquations rรฉgissantes du modรจle WRF-ARW
4.4.1 Coordonnรฉes verticales et ses variables
4.4.2 Les รฉquations de flux dโEuler
4.4.3 Les รฉquations dโhumiditรฉ
4.4.4 Les systรจmes de projection
4.4.5 Les รฉquations rรฉgissantes sous forme perturbรฉes
4.5. Discrรฉtisation
4.5.1 Discrรฉtisation temporelle
4.5.2 Discrรฉtisation spatiale
4.6. Les conditions initiales et les conditions aux limites
4.6.1 Conditions initiales
4.6.2 conditions aux frontiรจres latรฉrales
Chapitre 5 . OUTILS STATISTIQUES
5.1. Tableau de contingence
5.2. Vรฉrification des prรฉvisions dโensemble
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 modรจle
6.1.1 Langage de programmation et compilateurs
6.1.2 Bibliothรจques optionnelles
6.2 Domaines de calcul
6.3 Donnรฉes du modรจle ARW
6.3.1 Donnรฉes mรฉtรฉorologiques
6.3.2 Donnรฉes gรฉographiques
6.4 Dรฉploiement des modules du modรจle ARW
6.4.1 Module WPS
6.4.2 Module ARW
6.5 Conclusion
Chapitre 7 . RESULTATS ET INTERPRETATIONS
7.1 Produits de lโensemble
7.1.1 Cartes ร timbres-poste
7.1.2 Dispersion des prรฉvisions dโensemble
7.2 Etudes statistiques de lโensemble
CONCLUSION GENERALE
BIBLIOGRAPHIE ET WEBOGRAPHIE
ANNEXES
Tรฉlรฉcharger le rapport complet