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