La prévision numérique du temps

Facebook Tweet Pin Email

Apport de la synergie des observations satellitaires pour la définition de la température de surface en prévision numérique

Prévision numérique du temps

Introduction

La prévision numérique du temps s’est développée grâce à l’invention de l’ordinateur et a pris de l’ampleur avec l’évolution des capacités de calcul. Toutefois, elle date de bien avant et fut imaginée par le mathématicien britannique Lewis Fry Richardson en 1922 [Richardson, 1922]. La prévision numérique du temps a profité des développements technologiques et informatiques récents et met en interaction différentes composantes (Figure II.1), à savoir les équations de la dynamique des fluides, la programmation informatique de ces équations, les supports informatiques nécessaires au calcul numérique, ainsi que les observations. Figure II.1 – Principales composantes de la prévision numérique du temps La prévision numérique du temps constitue un outil fondamental dans l’aide à la décision . Les différentes techniques de prévision numérique pour les prévisionnistes. Il existe différentes approches de prévision numérique. Ces approches varient principalement en fonction des contraintes matérielles et surtout des échéances temporelles.

Les différentes techniques de prévision numérique

La prévision déterministe

La prévision numérique déterministe a pris un élan avec le développement des moyens de calcul numérique. Introduite par V. Bjerknes en 1904, la prévision déterministe se base sur deux principes : un état initial de l’atmosphère établi à l’aide d’observations et une modélisation des équations décrivant l’évolution dynamique et physique de l’état initial. La prévision déterministe peut être globale, régionale ou locale en fonction des échelles géographiques et temporelles des phénomènes ciblés. Les équations modélisées ainsi que leurs approximations doivent tenir compte de ces échelles. La prévision déterministe a bénéficié de l’évolution des réseaux et techniques d’observation, permettant ainsi une meilleure description de l’état initial de l’atmosphère. La figure II.2 présente un exemple de prévision du modèle AROME pour la température de surface pour le 02 juillet 2020 à 00 UTC. Figure II.2 – Prévision de la température de surface (◦ C) du 02 juillet 2020 à 00 UTC du modèle AROME Toutefois, l’état initial reste une source d’erreur considérable dans la prévision. En effet, une différence infime par rapport à l’état réel de l’atmosphère peut croître avec les échéances 15 de prévision, ce qui reflète les limites de la prévision déterministe à moyen terme (au-delà de trois jours et jusqu’à trois semaines) et long terme (de plus d’un mois, jusqu’à deux ans). Par ailleurs, les équations modélisent l’évolution dynamique et physique de l’état initial de manière imparfaite, elles présentent une source supplémentaire d’erreur. L’évolution des moyens de calcul a permis de développer davantage ces équations en représentant les processus physiques de manière plus réaliste et d’augmenter les résolutions spatiales et en réduisant les pas de temps des modèles numériques. Toutefois, ces équations restent une approximation de l’évolution de l’atmosphère qui est beaucoup plus complexe.

La prévision d’ensemble

La prévision d’ensemble est une forme de prévision probabiliste, qui consiste à remplacer la prévision de l’état futur d’une variable météorologique par une fonction de densité de probabilité. La prévision d’ensemble propose une approche réaliste de la prévision probabiliste avec les moyens de calcul actuels, en représentant une approximation de la fonction de densité de probabilité par un ensemble fini d’éléments. Ceci consiste à échantillonner la fonction densité de probabilité par un ensemble de N échantillons représentatifs, appelés membres. Cette approche, permettant de réduire le coût de calcul, est largement utilisée dans l’étude du changement climatique afin de réaliser des projections climatiques sur de nombreuses années et d’estimer leurs incertitudes.

Table des matières

I Introduction
II La prévision numérique du temps
II.1 Introduction
II.2 Les différentes techniques de prévision numérique
II.2.1 La prévision déterministe
II.2.2 La prévision d’ensemble
II.3 Les modèles numériques de Météo-France
II.3.1 Le modèle global ARPEGE
II.3.2 Le modèle à maille fine AROME
II.3.3 Le modèle SURFEX
II.3.3.1 La tuile Nature
II.3.3.2 La tuile Ville
II.3.3.3 Les tuiles Lac et Mer
II.4 L’assimilation de données
II.4.1 Principe
II.4.2 Méthodes d’assimilation de données
II.4.2.1 Best Linear Unbiased Estimator (BLUE)
II.4.2.2 L’Interpolation Optimale (OI)
II.4.2.3 L’assimilation variationnelle 3D-Var
II.4.2.4 L’assimilation variationnelle 4D-Var
II.4.3 L’assimilation de données à Météo-France
II.4.3.1 L’assimilation d’altitude
II.4.3.2 L’assimilation de surface
II.5 Les observations satellitaires
II.5.1 Les satellites météorologiques
II.5.1.1 Les satellites géostationnaires
II.5.1.2 Les satellites à orbite polaire
II.5.2 Les capteurs infrarouges
II.5.2.1 Le capteur AVHRR
II.5.2.2 Le capteur IASI
II.5.2.3 Le radiomètre imageur SEVIRI
II.5.3 Les sondeurs micro-ondes
II.5.3.1 Le sondeur AMSU-A
II.5.3.2 Le sondeur MHS
III Le transfert radiatif et la restitution de la LST
III.1 Le transfert radiatif
III.2 Le modèle de transfert radiatif RTTOV
III.3 Les atlas d’émissivité
III.3.1 Atlas d’émissivité UW/CIMSS de l’université du Wisconsin
III.3.2 Atlas d’émissivité pour SEVIRI
III.3.3 Atlas d’émissivité CNRM-MW
III.4 La restitution de la température de surface sur continents (LST)
III.4.1 Problématique
III.4.2 Méthodes de restitution de la LST avec émissivité connue
III.4.2.1 Méthode mono-canal
III.4.2.2 Méthode multi-canal ou Split-window
III.4.2.3 Méthode multi-angulaire
III.4.3 Méthodes de restitution de la LST avec émissivité inconnue
III.4.3.1 Méthode de restitution TES
III.4.3.2 Méthode de restitution Jour/Nuit
III.4.3.3 Méthode de restitution NBEM
III.4.3.4 Méthode de restitution simultanée de la LST, de l’émissivité et du profil atmosphérique
III.4.4 Restitution à Météo-France
III.4.5 Conclusions
IV Synergie des observations satellitaires
IV.1 Synergie des sondeurs infrarouges
IV.1.1 Objectifs
IV.1.2 Résumé de l’article
IV.1.3 Publication
IV.1.4 Résultats complémentaires
IV.1.4.1 Impact de la position de scan de IASI
IV.1.4.2 Les différences d’émissivité de surface
IV.1.4.3 Impact de la variabilité saisonnière sur les simulations des TB
IV.1.5 Conclusions
IV.2 Synergie des sondeurs infrarouges et micro-ondes
IV.2.1 Introduction
IV.2.2 Les sondeurs micro-ondes
IV.2.3 Sélection de données
IV.2.4 Intercomparaison des LST restituées
IV.2.4.1 Le sondeur AMSU-A
IV.2.4.2 Le sondeur MHS
IV.2.4.3 Synthèse des résultats
IV.2.4.4 Simulation des températures de brillance AMSU-A et MHS
IV.2.5 Conclusions
V L’assimilation des LST restituées dans l’analyse de surface
V.1 Introduction
V.2 Technique et méthode employées pour l’assimilation
V.3 Diagnostics
V.3.1 Diagnostic d’erreurs d’observation
V.3.2 Diagnostic d’erreurs d’ébauche
V.3.3 Corrélations horizontales
V.3.4 Conclusions
V.4 Études de cas d’assimilation de LST
V.4.1 Cas du bassin de la Loire
V.4.2 Cas du bassin de la Garonne
V.4.3 Cas du plateau ibérique
V.5 Impacts et validations de l’assimilation de la LST sur le domaine AROME-France
V.5.1 Impact de l’assimilation de la LST sur l’assimilation de données dans AROME
V.5.2 Impact de l’assimilation de la LST sur les prévisions dans AROME
V.5.2.1 Impact de l’assimilation de la LST restituée sur la prévision de la température de surface
V.5.2.2 Impact de l’assimilation de la LST sur la prévision d’autres paramètres
V.6 Conclusions
VI Conclusions et perspectives
VI.1 Conclusions
VI.2 Perspectives
Table des figures
Liste des tableaux
Bibliographie