Post-traitement des prévisions d'ensemble en météorologie par des méthodes d'apprentissage statistique

Post-processing of ensemble forecasts in meteorology using statistical learning methods

• Auteur / Autrice : Gabriel Jouan
• Direction : Valérie Monbet
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et leurs interactions
• Date : Soutenance le 17/12/2021
• Etablissement(s) : Rennes 1
• Ecole(s) doctorale(s) : MATHSTIC
• Partenaire(s) de recherche : Laboratoire : Institut de recherche mathématique (Rennes ; 1996-....)
• Jury : Président / Présidente : François Coquet
• Jury : Examinateurs / Examinatrices : Thomas Romary, Sylvie Parey, Maëlle Nodet, Nicolas Courty
• Jury : Rapporteurs / Rapporteuses : Thomas Romary, Sylvie Parey

Mots clés

Mots clés contrôlés

Planification -- Informatique

Modèles de mélanges gaussiens

Temps (météorologie) -- Prévision

Mots clés libres

Météorologie

Problème de calibration

Méthode de classification

Mélange gaussien

Planification d'événements

Meteorology

Calibration problem

Classification method

Gaussian mixture

Event planning

Résumé

Aujourd'hui, la plupart des centres de prévision météorologique produisent des prévisions d'ensemble. Ces données fournissent une description plus complète de l'atmosphère qu'une exécution unique du modèle météorologique. Cependant, elles peuvent souffrir d'erreurs de biais et de sous/sur-dispersion. Pour les corriger, des méthodes statistiques sont employées. Cette approche est appelée la calibration d'ensembles de prévisions. Dans cette thèse, nous proposons une méthode originale de calibration multivariée dans laquelle l'espace des données est discrétisé de façon à transformer un problème de régression multi-sorties en une classification à sortie unique. Les résultats de cette approche sont encourageants. Néanmoins, elle pose des difficultés quant à l'interprétation physique des modèles. Par la suite, une méthode de calibration en deux étapes est alors présentée: une première étape de classification vise à identifier les régimes météorologiques à l'aide d'une extension d'un modèle de mélange gaussien, la seconde à corriger la distribution d'ensemble dans chaque régime. Pour terminer, une interface web a été développée autour des prévisions et des ensembles de prévisions à moyen terme avec comme cas d'usage la planification d'évènements.

Nowadays, most weather forecasting centers produce ensemble forecasts. They give a more complete description of the atmosphere than a unique run of the meteorological model. However, they may suffer from bias and under/over dispersion errors that need to be corrected. In order to correct these errors, statistical methods are used. This approach is called ensemble forecast calibration. In this thesis, we propose an original multivariate calibration method in which the data space is discretised in order to transform a multi-output regression problem into a single output classification. The results of this approach are encouraging. The results of this approach are encouraging. However, the physical interpretation of the models remains difficult. Subsequently, a two-step calibration method is then presented: a first classification step aims at identifying the weather regimes using an extension of a Gaussian mixture model, the second at correcting the ensemble distribution in each regime. Finally, a web interface has been developed around forecasts and medium-term forecast sets with the use case of event planning.