Sources d’incertitudes inhérentes à la prévision météorologique à échelle fine

Télécharger le fichier pdf d’un mémoire de fin d’études

Sources d’incertitudes inhérentes à la prévision météorologique à échelle fine

Au vu de la multiplicité et de la complexité des mécanismes physiques mis en jeu lors d’événements de précipitations intenses, il est aisé d’imaginer que leur modélisation est une tâche des plus difficiles. Les modèles numériques doivent à la fois réussir à reproduire les processus de grande échelle et de méso-échelle qui influent sur la localisation, l’intensité et la durée des précipitations ainsi que leurs interactions. Bien que les capacités de calcul et les systèmes d’observations aient subi des améliorations conséquentes depuis un demi-siècle, certaines situations météorologiques demeurent encore impossibles à prévoir, même à très court terme.
Les erreurs de prévision numérique de l’atmosphère ont deux causes principales :
• L’erreur sur les conditions initiales qui ne peut être nulle et qui a tendance à croître au cours du temps.
• Les hypothèses et approximations utilisées dans les modèles de prévision.
Entre autres, les paramétrisations physiques utilisées (schémas de convection profonde et peu profonde, microphysique, turbulence…) peuvent générer des erreurs par rapport à l’évolution réelle de l’atmosphère.
Dans le cas où le modèle numérique utilisé couvre un domaine restreint (modèle à aire limitée), l’incertitude provenant des conditions latérales qui lui sont fournies peut aussi avoir un impact non-négligeable sur le déroulement d’une prévision.
Dans ce chapitre, nous nous focaliserons sur les incertitudes liées aux conditions initiales. Nous nous intéresserons à leur impact sur la prévision numérique du temps dans un chapitre ultérieur.

Prise en compte de l’incertitude liée aux conditions initiales

Partant du constat que les erreurs aux conditions initiales subsisteront quels que soient les moyens mis en oeuvre pour les faire disparaître, les centres opérationnels de prévisions ont entrepris de gros efforts de recherche selon deux axes distincts et complémentaires :
• Des moyens considérables ont été mis au service du développement de moyens d’observation de plus en plus sophistiqués (par exemple, avec la mise en orbite de satellites fournissant de nouveaux types de données) associés aux améliorations constantes des systèmes d’assimilation de données. Dans ce cas-là, la
priorité est mise sur la réduction maximale de l’erreur d’analyse.
• L’émergence de systèmes de prévision d’ensemble (ou probabiliste) qui utilisent un jeu de conditions initiales perturbées. Dans ce cas-là, l’objectif est de prendre en compte l’incertitude sur l’état initial afin d’obtenir un ensemble de scénarios censé englober toutes les évolutions probables de l’atmosphère.
Nous présenterons ici une vue d’ensemble des systèmes utilisés pour pallier la problématique des conditions initiales. Il sera d’abord question de présenter les principes et applications de quelques méthodes d’assimilation de données. Nous aborderons ensuite l’intérêt de l’approche ensembliste en insistant sur son application à la prévision de phénomènes intenses.

L’assimilation de données : construire des conditions initiales de qualité

Généralités sur les systèmes d’assimilation de données

La qualité de toute prévision numérique de l’évolution de l’état de l’atmosphère dépend de l’analyse qui lui est fournie à l’instant initial, analyse issue du processus d’assimilation de données. En pratique, l’assimilation de données a pour but de réajuster, à intervalles de temps réguliers, la trajectoire du modèle numérique utilisé afin qu’elle soit la plus proche de l’état réel de l’atmosphère. Pour cela, nous disposons des sources d’informations suivantes :
• Les observations disponibles pour un instant donné. Parmi les observations utilisées dans le processus d’analyse, certaines proviennent de stations météorologiques, de bateaux, d’avions ou bien de radiosondages et fournissent des mesures de pression, de vent, de température et d’humidité. Ces données sont complétées par des mesures satellitaires qui donnent accés à des paramètres plus variés de l’atmosphère (Eyre [2000]) et qui couvrent des régions du globe et de l’atmosphère terrestre (zones océaniques, stratosphère) pour lesquelles très peu d’observations sont disponibles.
• L’ébauche qui est une prévision courte échéance issue d’une analyse précédente.
L’ébauche permet d’une part d’apporter de l’information dans les zones où aucune observation n’est assimilée (par manque de données ou bien si les données ne sont pas assimilables) et d’autre part de prendre en compte de manière indirecte les observations des précédents cycles d’assimilation. Notons que les observations comme l’ébauche sont assorties d’une marge d’erreur qu’il faudra prendre en compte lors du processus d’analyse.
La première étape du processus d’analyse repose sur le contrôle de la qualité des données disponibles. En général, l’ébauche sert de référence à laquelle les observations sont comparées (les variables du modèle auront au préalable été traitées de façon à être directement comparables aux observations) et seuls les écarts à la référence considérés comme “faibles” sont autorisés. Cette approche permet ainsi au système de rejeter des données de mauvaise qualité mais dans certains cas, il se peut que la qualité de l’ébauche soit insuffisante et que des observations, pourtant fiables, soient rejetées. Dans ces cas-là, l’analyse se trouve entachée d’erreurs dans des zones qui peuvent s’avérer très importantes pour la prévision de l’évolution future de l’atmosphère. Enfin, lorsque les observations fiables sont sélectionnées, les corrections dépendant de ces données sont apportées à l’ébauche afin de fabriquer l’analyse (Figure 2.1). t= to foncé correspondent à l’état de l’ébauche sur la grille du modèle. Les points rouges sont les observations. Les points verts représentent l’état de l’ébauche aux points d’observation. On représente l’incertitude associée à l’ébauche et aux observations par des cercles autour de chacun des points. Le diamètre des cercles est proportionnel à l’incertitude. L’intérieur des cercles représente l’ensemble des états atmosphériques réels qui peuvent être représentés par l’état au centre du cercle compte tenu de l’incertitude associée à ce point. L’état analysé aux points d’observation (points bleu clair) est situé dans la zone d’intersection entre le cercle bleu et le cercle rouge (ensemble des états atmosphériques réels potentiellement représentés à la fois par les observations et par l’ébauche). L’analyse (courbe magenta) est définie sur les points de grille du modèle à partir des points bleu clair. Source : Malardel [2005], Météo- France.
Les systèmes d’assimilation opérationnels.
Dans la plupart des centres de prévision opérationnelle disposant de capacités de calcul suffisantes, des méthodes d’assimilation de données dites variationnelles sont utilisées du fait de leurs performances dans le traitement des observations.
Les méthodes d’assimilation variationnelles présentent deux avantages majeurs :
• Elles assurent une cohérence spatiale de l’analyse sur tout le globe. En d’autres termes, une modification introduite en un point de grille du modèle aura des répercussions sur chacun des points du modèle et pas seulement sur les points voisins.
• Elles permettent d’assimiler un grand nombre de données qui ne peuvent être traitées par d’autres types de schémas d’assimilation. Il s’agit par exemple de certaines données satellitaires (telles que les radiances nuageuses) ou encore de réflectivités radars.
Dans le 3D-Var, seules les informations déduites d’observations à un temps donné (qui est l’instant pour lequel l’analyse est construite) sont considérées. Les modifications de l’ébauche ne concernent pour cette méthode que les trois dimensions de l’espace physique. L’analyse est alors déterminée comme étant la solution d’un problème de minimisation d’une fonction de coût J qui est une mesure des écarts entre l’analyse et l’ébauche (Jb) et entre l’analyse et les observations (Jo) (Figure 2.2). L’analyse est ainsi l’état x qui minimise la fonction : J(x) = Jb(x) + Jo(x) (2.1).

Assimilation de données à méso-échelle et intérêt pour la prévision de pluies intenses

Comme nous l’avons noté dans le premier chapitre, le cycle de vie de certains événements fortement précipitants dépend à la fois des forçages d’échelle synoptique et de ceux de méso-échelle. Ainsi, bien que l’utilisation de systèmes d’assimilation de données permette de construire des analyses globales de qualité, la prévision précise de certains phénomènes météorologiques nécessite une bonne description de l’état initial à méso-échelle qui n’est accessible que par l’assimilation de données disponibles à une résolution spatiale élevée (certaines données de surface, réflectivités radar, données issues des satellites géostationnaires ; voir Ducrocq et al. [2000]). Assimiler de telles données peut avoir une influence non-négligeable sur les conditions initiales à l’échelle locale et entraîner de grandes modifications du champ de vent en basses-couches, du champ d’humidité et de température, paramètres qui influent fortement sur le déclenchement et l’entretien de phénomènes convectifs. Ainsi, de nombreuses études (e.g. Ducrocq et al. [2002] ; Lagouvardos et Kotroni [2005] ; Nuret et al. [2005] ; Faccani et al. [2007] ; Caumont [2007]) ont mis en évidence le gain important apporté par une bonne structure verticale du champ d’humidité dans la troposphère lorsque l’on s’intéresse à la prévision quantitative de précipitations en région Méditerranéenne. La Figure 2.4 illustre les bénéfices de l’utilisation de la méthode d’initialisation proposée par Ducrocq et al. [2000] sur deux événements de précipitations intenses typiques du Sud-Est de la France. Dans chacun des cas, l’assimilation de données de méso-échelle entraîne une amélioration sensible de la prévision des systèmes précipitants tant en localisation qu’en intensité.

Systèmes opérationnels pour la prévision à moyen terme

Les systèmes de prévision d’ensemble pour la moyenne échéance (de 3 à 10 jours) sont utilisés de manière opérationnelle depuis le début des années 90 au NCEP2 (Toth et Kalnay [1997]) et au CEPMMT (Molteni et al. [1996]). Plus récemment, de nouveaux systèmes ont vu le jour comme par exemple au SMC3 (Pellerin et al. [2003]). Nous proposons ici de fournir une vision globale des systèmes d’ensemble opérationnels. Il ne s’agit pas d’entrer dans les détails mathématiques sur lesquels ces systèmes sont fondés mais simplement d’expliquer de la manière la plus simple comment ceux-ci fonctionnent. Quel que soit le centre de prévision tourner un modèle numérique de prévision plusieurs fois, pour une même situation à prévoir, à partir de conditions initiales différant entre elles par de faibles perturbations compatibles avec les incertitudes existant sur la connaissance de l’état initial de l’atmosphère.
Au CEPMMT comme au NCEP, les éléments constituant l’ensemble initial sont définis par l’ajout de perturbations (positives comme négatives) à l’analyse opérationnelle construite pour une échéance donnée. Concernant le système actuellement utilisé au CEPMMT, ces perturbations sont des combinaisons linéaires des vecteurs singuliers dominants du système (Buizza et Palmer [1995] ; Molteni et al. [1996] ; Buizza [1997]). On définit les vecteurs singuliers comme étant les perturbations qui s’amplifient le plus rapidement (dans une prévision) sur une période dite d’optimisation (48 heures pour le CEPMMT). Ainsi, la moitié des vecteurs singuliers sont calculés sur une période d’optimisation de 48 heures précédent l’instant initial de la prévision alors que la seconde moitié est constituée de vecteurs optimisés sur les premières 48 heures de prévision. Les vecteurs singuliers sont généralement localisés dans la basse troposphère à l’instant initial, dans des zones fortement baroclines, et se propagent en altitude au cours de la période d’optimisation (voir l’exemple sur la Figure 2.8). Pour plus d’informations concernant les mécanismes de croissance des vecteurs singuliers, le lecteur pourra se réferrer à Hoskins et al. [2000]. Notons finalement que depuis 1998, le système de prévision d’ensemble utilisé au CEPMMT prend en compte l’incertitude liée au modèle de prévision lui-même. Ainsi, Buizza et al. [1999] ont montré que l’introduction de perturbations stochastiques dans différentes paramétrisations du modèle utilisé au CEPMMT avait un impact positif sur l’ensemble alors généré.

Description de la situation météorologique

Bien que l’événement étudié ait affecté la Méditerranée occidentale durant plusieurs jours, nous nous focaliserons principalement sur la période allant du 9 novembre 2001 à 1200 UTC au 11 novembre 2001 à 0000 UTC. Cet intervalle de temps correspond à la phase d’intensification de la tempête, phase pendant laquelle la ville d’Alger a été le plus durement touchée. Les différentes étapes du développement de cette tempête peuvent être identifiées au travers de l’étude d’ana- lyses ARPEGE1 (Courtier et al. [1991] ; Figure 3.1). Le 9 novembre 2001 à 1200 UTC (Figure 3.1(a)), des signes avant-coureurs d’une dépression Méditerranéenne typique peuvent déjà être observés : une zone d’ascendance est située à 38°N à l’avant d’un thalweg d’altitude caractérisé par un abaissement de la tropopause dynamique (surface de tourbillon potentiel égal à 1.5 PVU). Le 10 novembre au matin (Figures 3.1(b) et (c)), une cyclogenèse de surface évolue sur le nord de l’Afrique alors que le thalweg d’altitude se déplace vers le sud-est. Durant cette période, de nombreux nuages convectifs se développent le long des côtes algériennes et marocaines (Figure 3.2 ; voir le fort pourcentage de températures de brillance inférieures à 240 K qui caractérisent les nuages à sommets élevés). Ainsi, le 10 novembre 2001 entre 0600 UTC et 1200 UTC, 132 mm de pluies sont relevés à proximité d’Alger (Figure 3.3(a)), un record depuis la mise en place de pluviomètres dans la région (environ 100 ans auparavant). Par la suite, le cyclone évoluera vers le nord pour atteindre son intensité maximale le 11 novembre 2001 à 0000 UTC (Figure 3.1(d)), juste avant de toucher les îles Baléares où des rafales de vent supérieures à 40 m.s−1 furent enregistrées. Sur toute la durée de l’événement, de nombreuses villes côtières d’Algérie et du Maroc furent touchées par des pluies supérieures à 100 mm mais c’est Alger, avec un cumul de 262 mm en 24 heures qui fut le plus sévèrement affectée.

Prévisions issues de divers centres opérationnels

La Figure 3.4 présente des prévisions issues de différents modèles de centres opérationnels Européens et ce pour différents réseaux. Ces prévisions étant valides au 11 novembre 2001 à 0000 UTC, elles peuvent être comparées à l’analyse 4D-Var du champ de pression au niveau de la mer présentée sur la Figure 3.1(a). Comme signalé précédemment, les divers centres météorologiques opérant sur la Méditerranée occidentale avaient pour la plupart anticipé l’occurrence d’un cyclone entre les 9 et 12 novembre 2001. On note cependant que selon le modèle considéré, la cyclogenèse prévue est plus ou moins intense. Par exemple, si le modèle du CEPMMT semble prévoir un cyclone assez creux à T+24 (ou encore T+48), celui du UK MetOffice
semble nettement surestimer la valeur du minimum dépressionnaire. On note aussi une forte sensibilité des résultats à la date d’initialisation. En effet, si ARPEGE est capable de prévoir une cyclogenèse assez profonde à T+24 et T+48, il n’en est rien à T+72 (on observe par ailleurs l’effet inverse dans le cas du DWD). Ainsi, au vu de la prévision de la pression au niveau de la mer, l’occurrence d’une dépression Méditerranéenne semblait prévisible mais son intensité demeurait hautement incertaine.
A priori, les prévisions issues du CEPMMT à T+24 et T+48 semblent être celles qui se rapprochent le plus de l’analyse 4D-Var ARPEGE du 11 novembre 2001 à 0000 UTC. Ainsi, la prévision des pluies cumulées le 10 novembre 2001 entre 0600 UTC et 1200 UTC a été examinée pour le seul modèle du CEPMMT (Figure 3.5). Si l’on compare les résultats obtenus pour les différents réseaux aux observations issues de pluviomètres (Figure 3.3(a)), il apparaît clairement que les précipitations qui ont concerné la région d’Alger ont été largement sous-estimées, quelle que soit l’échéance de la prévision. On notera tout de même que les prévisions initialisées le plus tard (Figures 3.5(a) et (b)) fournissent des résultats corrects sur le nord du Maroc. Ainsi, à l’époque de la catastrophe, l’Office National de la Météorologie Algérien avait émis un risque d’orages et vent modérés, d’une intensité moindre que celle des événements qui ont effectivement eu lieu.

Le modèle atmosphérique Méso-NH et le protocole expérimental

Les simulations numériques présentées dans cette partie ont toutes été réalisées avec le modèle Méso-NH (Lafore et al. [1998]). Méso-NH est un modèle de recherche non-hydrostatique conjointement développé au Laboratoire d’Aérologie (CNRS1) et au Centre National de Recherches Météorologiques (Météo-France). Pouvant être utilisé pour diverses applications allant de l’échelle de la centaine de mètres à l’échelle semi-globale, Méso-NH est un modèle parfaitement adapté à l’étude de systèmes fortement précipitants. Nous donnerons ici quelques informations concernant la dynamique du modèle et les paramétrisations physiques qui ont été utilisées au cours de cette étude. Quelques détails concernant la méthode de génération des perturbations seront ensuite fournis. Une description complète du modèle est disponible sur le site internet http://mesonh.aero.obs-mip.fr/mesonh/.

Évaluation des simulations

Afin d’examiner l’impact d’incertitudes à l’état initial sur les simulations réalisées, une expérience de référence a été définie pour chacun des deux jeux de simulations numériques (ARP et ECM). Chacune des références a été identifiée comme étant la simulation qui était la plus en accord avec les observations dont nous disposions : des relevés de précipitations cumulées sur 6 heures (10 novembre 2001 entre 0600 UTC et 1200 UTC) et des températures de brillance obtenues dans le canal infrarouge thermique (10.5-12.5 μm) de Meteosat 7. Nous décrivons brièvement ci-dessous l’approche utilisée afin de comparer les différentes simulations aux observations précitées.

Comparaison aux observations de pluies

Dans une première partie, la comparaison de la qualité des diverses expériences s’est basée sur une évaluation qualitative et quantitative des cumuls de précipitations prévus le 10 novembre 2001 entre 0600 UTC et 1200 UTC. Nous disposions d’un ensemble de données terrestres couvrant le bassin occidental de la Méditerranée mais seules les 54 observations couvrant la zone d’intérêt ont
été utilisées (cette zone est repérée par le domaine D sur la Figure 4.1(a) ; les observations conservées sont visibles sur la Figure 3.3(a)). Afin de rendre les deux jeux de données directement comparables, les champs simulés ont été interpolés aux points d’observations les plus proches. Ainsi, les sorties du modèle et les observations de pluies ont été comparées via le calcul de scores généraux et catégoriels. Nous avons bien conscience du fait que la méthode de comparaison point-à-point n’est pas optimale puisqu’elle souffre par exemple du problème de double pénalité. En revanche, l’utilisation d’un si faible jeu de données ne nous a pas permis de réaliser des comparaisons dites zone-à-zone des champs de précipitations simulés avec ceux observés. C’est en partie pour ces raisons-là que nous avons, en plus des données de pluies cumulées, utilisé des observations satellites afin d’évaluer objectivement chacune des simulations effectuées (voir la section 4.2.2 pour plus de détails).

Table des matières

1 Etat des connaissances sur les événements fortement précipitants Méditerranéens
1.1 Différents types d’événements violents
1.1.1 Les cyclogenèses
1.1.2 Les systèmes perturbés provenant de l’Atlantique Nord
1.1.3 Les systèmes convectifs de méso-échelle et les orages orographiques
1.2 Conditions favorables à l’occurrence d’événements violents
1.2.1 Contexte synoptique : de l’importance de la dynamique au voisinage de la tropopause
1.2.2 Mécanismes de formation de certains événements violents
2 Maîtriser l’incertitude liée aux conditions initiales 
2.1 Sources d’incertitudes inhérentes à la prévision météorologique à échelle fine
2.2 Prise en compte de l’incertitude liée aux conditions initiales
2.2.1 L’assimilation de données : construire des conditions initiales de qualité
a – Généralités sur les systèmes d’assimilation de données
b – Assimilation de données à méso-échelle et intérêt pour la prévision de pluies intenses
c – L’observation adaptative : assimiler des données “occasionnelles” pour construire de meilleures analyses
2.2.2 La prévision d’ensemble
a – Principe et intérêt de la prévision d’ensemble
b – Systèmes opérationnels pour la prévision à moyen terme
c – Les systèmes de prévision d’ensemble à courte échéance
Impact des conditions initiales sur un événement extrême en Méditerranée
3 Présentation du cas d’étude 
3.1 Description de la situation météorologique
3.2 Prévisions issues de divers centres opérationnels
4 Méthode de travail 
4.1 Le modèle atmosphérique Méso-NH et le protocole expérimental
4.1.1 Caractéristiques des simulations
4.1.2 Méthode de génération des perturbations
4.2 Évaluation des simulations
4.2.1 Comparaison aux observations de pluies
4.2.2 Comparaison aux observations satellites
5 Article : Impact of initial condition uncertainties on the predictability of heavy rainfall in the Mediterranean : a case study, Argence et al., 2008 
5.1 Résumé de l’article
5.2 Article publié dans le Quarterly Journal of the Royal Meteorological Society
6 Contexte de l’étude 
6.1 Retour sur quelques études récentes de cyclogenèses en Atlantique Nord
6.2 Intérêt de l’étude pour la prévision des dépressions Méditerranéennes
7 Théorie et méthodes 
7.1 Relation “tourbillon potentiel / imagerie vapeur d’eau” : éléments de théorie
7.2 Introduction de corrections en terme de tourbillon potentiel dans un modèle numérique
7.3 Stratégies de modélisation et d’évaluation
8 Article : Improving the numerical prediction of a cyclone in the Mediterranean by local potential vorticity modifications, Argence et al., 2009 
8.1 Résumé de l’article
8.2 Article sous presse dans le Quarterly Journal of the Royal Meteorological
Society
Conclusions et perspectives 
Références

Télécharger le rapport complet