Adaptations Statistiques des pr

1
Adaptations Statistiques des prévisions
numériques opérationnelles

• Nadine ANIORT
• DPREVI/COMPAS/DOP

Rencontres Météo-MathAppli Mars 2009
2
Introduction

• Méthodologie
• Objectifs des Adaptations Locales
• Les outils statistiques
• Pour lapprentissage
• Les corrections auto-adaptatives
• Exemple dapplication
• Les adaptations statistiques de nébulosité totale
  sur la France

3
Méthodologie Les Adaptations locales

• Objectif prévision de variables météorologiques
  locales par adaptation de sorties de modèles de
  prévision numérique
• ? Outil daide 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

4
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
  dapprentissage pour développer un
• modèle statistique
• Pb De la stabilité du modèle numérique durant
  une longue période (un an et plus) dépend la
  qualité de lajustement.
• 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 dune situation
  exceptionnelle.
• ? Utilisation de méthodes auto-adaptatives
• Filtre de kalman
• Calibration daprès la méthode dO.Talagrand

5
Lapprentissage

• 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

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

6
Lapprentissage
7
La configuration opérationnelle
8
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

9
Exemple dapplication AS de nébulosité totale
sur la France

• Lexistant
• Production dAS de Nébulosité Totale en 4 classes
  pour 169 villes françaises et pour les échéances
  de J à J7.
• 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
  déquations pour compenser labsence
  dobservations nocturnes en certains points -?
  dégradation de la prévision
• Solution envisagée Utilisation des
  observations satellites comme prédictand.

10
Le prédictand Lobservation conventionnelle

• Estimation de la nébulosité totale par un
  observateur
• Pas de cache à lhorizon
• Obs entre H-10mn et H10mn
• 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 subjectivité
• Pb dobservations la nuit
• biais des observations humaines
• des observations automatiques restrictives

11
Le prédictand Lobservation satellite

• Extraite de la classification nuageuse du CMS de
  Lannion
• Maille 0,05x0,05 (environ 5,5kmX 3,9km à la
  latitude de Bordeaux)
• 21 modalités
• Pas de 15mn
• But Se rapprocher de lobservation
  conventionnelle
• Agrégation spatiale test de 4 mailles
• Test de 4 classifications par application de
  coefficients
• dopacité 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
  dobservations satellite
• testés sur une période de 10 mois
  pour 144 points

• 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

?

12
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 dopacité
• importance daffecter 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 doccurrences 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
13
Les prédicteurs

• Issus du modèle du Centre Européen
• Échéances de prévision 06 à 180h par pas de 6h
• 62 prédicteurs potentiels sur une grille
  0,5x0,5
• 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 dondes
• 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 dondes
• Marqué sur toutes les classes pour les
  observations satellites
• Marqué sur les classes extrêmes des observations
  conventionnelles

14
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 jusquà J4
• sur les échéances diurnes au delà
• AS réduit les taux déchec de 2 à 7
• Par rapport aux observations conventionnelles
• Taux de réussite proches en journée
• Avantage aux AS conventionnelles la nuit (TR
  jusquà 8)

Taux de réussite de 06 à 48h
Taux de réussite de 06 à 96h
Taux déchec de 06 à 96h
Taux déchec de 06 à 48h
15
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

Ech 15h (J,15h) Ech
24h (J1,00h) Distribution des obs Sat
et des prévisions
Taux de réussite Ech 24h (J1,00h)
Taux de réussite Ech 15h (J,15h)
16
Performance des prévisions (3/3)Tests de
significativité

• AS vs SD
• Malgré les performances très
• différentes dune classe à lautre , 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 gt AS Sat
• 8 des cas AS Sat gt 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(J1,00h) Rouge/orange S. Directes
- Bleu/Vert AS Sat
Ech 12h (J,12h)
Ech 30h(J1,06h) Rouge/orange As Conv -
Bleu/Vert AS Sat
17
Conclusion et perspectives

• Conclusion
• Qualité des prévisions satisfaisantes en journée,
  insuffisantes la nuit
• Taux déchec 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 J4
• Liste des prédicteurs potentiels similaires avec
  les 2 types de prédictands.

• A faire
• Petite 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 dapplications
• AS de nébulosité totale satellite sur la France
  développement d   objets  nébulosité totale
• AS de nébulosité totale satellite sur
  lAfriqueEuropeAmériques pour des clients
  internes/externes
• AS par couches nuageuses

18
Coefficients de pondération appliqués à la
classification nuageuse MSG