Adaptations Statistiques des prévisions numériques

opérationnelles

Nadine ANIORT

DPREVI/COMPAS/DOP

Rencontres Météo-MathAppli – Mars 2009

Introduction

Méthodologie :

Objectifs des Adaptations Locales Les outils statistiques :

• Pour l’apprentissage

• Les corrections auto-adaptatives

Exemple d’application : Les adaptations statistiques de nébulosité totale sur la France

Méthodologie – Les Adaptations locales

Objectif : prévision de variables météorologiques locales par adaptation de sorties de modèles de prévision numérique

Outil d’aide à la prévision Pré-initialisation de logiciels de saisie de la prévision Prévisions automatiques.

Différentes approches:

Sortie directe : interpolation spatiale de champs obtenus en sortie d'un modèle de prévision numérique

Méthodes algorithmiques (exemple : temps sensible) Adaptation dynamique : modèle spécifique (1D ou 3D à très haute

résolution, plus ou moins simplifié) forcé par les sorties du modèle de référence

Adaptation statistique

Méthodologie – Les Adaptations Statistiques (AS) Réduire les erreurs systématiques des modèles dues à :

Une paramétrisation physique incomplète, La résolution du modèle (mauvaise prise en compte du relief), Le masque terre/mer

Utilisation de longues périodes d’apprentissage pour développer un

modèle statistique Pb : De la «stabilité» du modèle numérique durant une longue période (un an et plus) dépend la qualité de l’ajustement.

Réduire les erreurs persistantes introduites suite à : des changements de modèle numérique, dues à une situation météorologique mal prévue

• pb du modèle dynamique,• sur/sous estimation lors d’une situation exceptionnelle.

Utilisation de méthodes auto-adaptatives Filtre de kalman Calibration d’après la méthode d’O.Talagrand

L’apprentissage

Analyse canonique ou interpolation bilinéaire Sélection progressive ascendante Régression linéaire multiple Analyse discriminante BMA, réseaux de neurones …

Recherche de relations statistiques entre :

un prédictand : variable observée localement, (ex : le vent à 10 mètres)

des prédicteurs : variables prévues par le modèle de prévision numérique ( ex : le vent à différents niveaux du modèle, et/ou des observations)

Différentes approches :

Statistiques de Sortie de Modèle (MOS)

Prévision Parfaite (PP)

Différents outils statistiques:

L’apprentissage

La configuration opérationnelle

Les paramètres prévus

Métropole Température Température de chaussée, Vent (DD,FF,FX) Humidité Nébulosité totale Visibilité Td+ Précipitations, ISO 0°, limite

pluie/neige, ETP …

Modèles :ALADIN,ARPEGE,CEPMMT

EPS, PEARP

Monde/Outre-Mer · Température

+ Vent (DD,FF,FX), Humidité, Nébulosité totale, précipitations

Modèle :CEPMMT, ARPEGE, EPS

Exemple d’application – AS de nébulosité totale sur la France

L’existant :

Production d’AS de Nébulosité Totale en 4 classes pour 169 villes françaises et pour les échéances de J à J+7.

Classe 1 (ciel clair à peu nuageux)

Classe 2 (peu nuageux à nuageux)

Classe 3 ( nuageux à très nuageux)

Classe 4 (très nuageux à couvert)

Prévisions issues de 4 Analyses Discriminantes Linéaires (ADL) indépendantes , la classe prévue sera celle présentant la probabilité la plus forte.

Inconvenients : couverture spatio-temporelle hétérogène,

Nécessité de mettre en place des reports d’équations pour compenser l’absence d’observations nocturnes en certains points - dégradation de la prévision

Solution envisagée : Utilisation des observations satellites comme prédictand.

Le prédictand – L’observation conventionnelle

Estimation de la nébulosité totale par un observateur :

– Pas de cache à l’horizon– Obs entre H-10mn et H+10mn– Part du ciel au dessus de 10° (1 main)– Partager le ciel en 8 secteurs et regrouper

la part de ciel couvert dans 1 ou plusieurs secteurs

– Nb de secteurs recouverts = Nébulosité en octas

• Si obs voit un coin de ciel bleu 8 7 octas• Si obs voit une part de ciel couvert 0 1

octas

Pb de subjectivitéPb d’observations la nuit :

biais des observations humaines des observations automatiques

restrictives

Le prédictand – L’observation satellite

Extraite de la classification nuageuse du CMS de Lannion Maille 0,05°x0,05° (environ 5,5kmX 3,9km à la latitude de

Bordeaux) 21 modalités Pas de 15mn

But : Se rapprocher de l’observation conventionnelle : Agrégation spatiale : test de 4 mailles Test de 4 classifications par application de coefficients

d’opacité fonction de :• du type de nuage• Son niveau

Problèmes de prise en compte de :• nuages bas ou très bas,• divers étages nuageux, • pb de réflectivité liée au masque terre/mer, au cycle diurne …

16 jeux de données issues d’observations satellite

testés sur une période de 10 mois pour 144 points

métropolitains

Maille 1 : 12 points 11.8 x 16.7 km Maille 2 : 20 points 19,7 x 16,7 km Maille 3 : 32 points 19,7 x 27,8 km Maille 4 : 44 points 27,8 x 27,8 km

Observations conventionnelles et observations satellites

Observations satellites : Impact de la maille :

• trop petite favorise les extrêmes• distributions des obs proches pour les 4

mailles testées

Choix de la maille fonction du besoin final

Impact des coefficients d’opacité : importance d’affecter des poids plus faibles

aux nuages fractionnés ou semi-transparents

Mais pb de détection des nuages bas surmontés de nuages semi-transparents la nuit.

Observations satellites vs conventionnelles plus d’occurrences de ciel peu nuageux, moins de fortes nébulosité

Lié à : Journée Pb de prise en compte de nuages élevés Nuit Pb détection satellite + Pb de surestimation

par observateur + Pb obs automatiques

Obs de 00h Obs de 06h

Obs de 12h Obs de 18h

Les prédicteurs

Issus du modèle du Centre Européen : Échéances de prévision 06 à 180h par pas

de 6h 62 prédicteurs potentiels sur une grille

0,5°x0,5° Apprentissage – Avril 2006 – Mars 2008 Test 10 mois Juin 2005-Mars 2006

On conservera 23 prédicteurs potentiels :

Nébulosité totale Vent à 100, 700 et 500hPa Bilan de rayonnement des courtes et

grandes longueurs d’ondes Gradients verticaux de température Humidité relative à différents niveaux

pression Vitesses verticales

Sélection des prédicteurs :Sélection Progressive Ascendante des 4

prédicteurs les plus informatifs.

Quel que soit le prédictand, liste des prédicteurs potentiels est similaire

La sélection des prédicteurs intra-classes diffère

Prédominance de prédicteurs tels que la nébulosité totale ou le rayonnement des grandes longueurs d’ondes

Marqué sur toutes les classes pour les observations satellites

Marqué sur les classes extrêmes des observations conventionnelles

Performance des prévisions (1/3)Evolution des scores avec les échéances

Par rapport aux Sorties Directes :

AS améliore les Taux de réussite de 5 à 9% jusqu’à J+4 sur les échéances diurnes au delà

AS réduit les taux d’échec de 2 à 7%

Par rapport aux observations conventionnelles : Taux de réussite proches en

journée Avantage aux AS conventionnelles

la nuit (TR jusqu’à +8%)

Taux de réussite de 06 à 48h

Taux de réussite de 06 à 96h

Taux d’échec de 06 à 48h

Taux d’échec de 06 à 96h

Performance des prévisions (2/3)Scores fonction de la classe observée ou prévue

Les taux de réussite fonction de la classe observée

– TR les plus élevés pour les classes extrêmes

– Apport par rapport aux SD :• net sur les obs conventionnelles

• En journée avec les obs sat, moins marqué voire inversé la nuit

– TR les plus faibles pour les classes intermédiaires

– Parfois TR des SD supérieurs aux AS mais classes souvent sur-estimées par le modèle numérique Taux de réussite Ech

15h (J,15h)

Taux de réussite Ech 24h (J+1,00h)

Ech 15h (J,15h) Ech 24h (J+1,00h) Distribution des obs Sat et des prévisions

Performance des prévisions (3/3)Tests de significativité

AS vs SD

Malgré les performances très

différentes d’une classe à l’autre , au

final AS meilleures que les SD

AS Conv vs AS Sat :(résultats cumulés pour les ech 6 à 48h)

35,8% des cas AS Conv > AS Sat

8% des cas AS Sat > AS Conv

Mais différentiel de + 49% pour

AS Conv pour les échéances nocturnes

des résultats proches pour les échéances diurnes

Ech 12h (J,12h) Ech 24h(J+1,00h) Rouge/orange : S. Directes - Bleu/Vert : AS Sat

Ech 12h (J,12h) Ech 30h(J+1,06h) Rouge/orange : As Conv - Bleu/Vert : AS Sat

Conclusion et perspectives

Conclusion :

Qualité des prévisions satisfaisantes en journée, insuffisantes la nuit

Taux d’échec sur les fortes nébulosité important 35% sur ech nocturnes, 20% sur ech diurnes

ADL prévoit mieux les classes extrêmes que les classes intermédiaires

ADL améliore la qualité des prévisions finales . Gain de +5 à 9% par rapport aux SD jusqu ’à J+4

Liste des prédicteurs potentiels similaires avec les 2 types de prédictands.

A fairePetite étude complémentaire

nécessaire pour améliorer la qualité

des obs satellites prise en compte du pixel qualité Prise en compte de 1,2 ou 3

images

Perspectives d’applications :

AS de nébulosité totale satellite sur la France + développement d’   »objets » nébulosité totale

AS de nébulosité totale satellite sur l’Afrique+Europe+Amériques pour des clients internes/externes

AS par couches nuageuses

Coefficients de pondération appliqués à la classification nuageuse MSG