D8 Modélisation et prédiction numériques

Topique

La modélisation numérique du temps consiste à intégrer numériquement les équations atmosphériques primitives, qui décrivent les mouvements et les transformations de l'air, d'un état initial vers un état futur. Cet état initial correspond à l'analyse issue de l'assimilation de données : la modélisation numérique du temps exploite cette analyse, la fait évoluer dans le temps en résolvant progressivement les équations atmosphériques primitives, et construit ainsi la prévision.

Au sein de la modélisation numérique du temps, différents centres météorologiques exploitent leurs propres modèles de prévision globaux, chacun avec une résolution horizontale de neuf à treize kilomètres et plus d'une centaine de niveaux verticaux, et chacun capable de prédire les conditions atmosphériques jusqu'à quinze jours à l'avance, bien que leur précision diminue avec l'éloignement de la prévision. Les modèles régionaux à haute résolution, quant à eux, privilégient une résolution beaucoup plus fine, de un à trois kilomètres, au détriment d'une couverture globale. Cette résolution est suffisamment fine pour résoudre explicitement les phénomènes de méso-échelle tels que la convection profonde, au lieu de devoir les approximer comme le font les modèles de prévision globaux avec leur résolution plus grossière. Puisqu'aucun modèle de prévision global ne peut connaître l'état initial de l'atmosphère avec une précision parfaite, la prévision d'ensemble quantifie l'incertitude induite par ce manque de connaissance : elle exécute le même modèle de nombreuses fois, chaque fois avec un état initial légèrement différent – ​​parfois plusieurs dizaines d'états initiaux perturbés, par exemple cinquante et un – et parfois, de plus, avec différentes versions du modèle lui-même. La dispersion des différentes prédictions de cet ensemble constitue, en soi, une mesure de l'incertitude : plus la dispersion est grande, plus la prévisibilité de l'atmosphère à cet instant est faible.

La précision de chacune de ces prédictions – qu'elles proviennent d'un modèle global, d'un modèle régional ou d'un ensemble de prédictions – est finalement mesurée à l'aide de divers scores statistiques. Certains mesurent l'erreur moyenne entre la prédiction du modèle et l'événement réel ; d'autres mesurent la concordance entre le schéma d'anomalie prédit par le modèle et le schéma réel ; et d'autres encore mesurent la qualité de l'étalonnage des probabilités fournies par l'ensemble de prédictions, par exemple pour la prévision de la probabilité de pluie. Ces dernières années, l'intelligence artificielle appliquée à la météorologie a ouvert une voie différente pour atteindre cette même capacité de prédiction : plusieurs modèles de réseaux neuronaux, entraînés par différents laboratoires, affichent une capacité de prédiction comparable à celle des modèles de prévision globaux conventionnels, mais en quelques minutes de calcul au lieu de plusieurs heures. La différence fondamentale réside dans leur méthode de calcul : tandis que la modélisation numérique du temps résout explicitement les équations atmosphériques primitives étape par étape, ces modèles neuronaux sont entraînés sur de vastes volumes de données de réanalyse et apprennent les équations de la dynamique des fluides atmosphériques directement à partir de ces données, sans les résoudre explicitement pour chaque prédiction.

Pour les prévisions à très court terme, de zéro à deux heures, ni la modélisation numérique du temps ni les modèles neuronaux ne sont précis : la prévision immédiate (nowcasting) résout ce problème en combinant l'extrapolation des images radar et satellites les plus récentes avec des modèles régionaux à haute résolution, tirant parti du fait qu'à l'échelle de quelques minutes et de quelques kilomètres, il suffit de suivre l'évolution des phénomènes atmosphériques en cours. Ainsi, de l'intégration lente et explicite des équations atmosphériques primitives à l'apprentissage direct des modèles neuronaux et à la simple extrapolation des prévisions immédiates, la modélisation numérique du temps englobe différentes voies qui poursuivent le même objectif : transformer l'état actuel de l'atmosphère, capturé par l'analyse, en la meilleure prédiction possible de son avenir.

ID:38