Définition des conditions initiales des prévisions d'ensemble : liens avec l'assimilation de données

A comparison of different methods for initializing ensemble prediction

• Auteur / Autrice : Laurent Descamps
• Direction : Olivier Talagrand
• Type : Thèse de doctorat
• Discipline(s) : Sciences de l'environnement
• Date : Soutenance en 2007
• Etablissement(s) : Paris 6

Mots clés

Mots clés libres

Météorologie

Probabilité

Prévisibilité

Assimilation d'ensemble

Prévision d'ensemble

Initialisation, méthodes

ARPEGE [Action de Recherche Petite Echelle Grande Echelle]

Résumé

La prévision d’ensemble, comme approche probabiliste de la prévision météorologique, est désormais un outil opérationnel. Un aspect non encore résolu est l’initialisation de l’ensemble. Plusieurs méthodes d’initialisation sont comparées, la méthode des Vecteurs Singuliers, la méthode des ‘Bred modes’ et trois méthodes d’assimilation d’ensemble : le Filtre de Kalman d’Ensemble, la méthode des Observations Perturbées et l’ ‘Ensemble Transform Kalman Filter’. Les comparaisons sont faites sur des données synthétiques produites par trois modèles différents: un modèle de petite dimension de Lorenz, un modèle quasi-géostrophique et le modèle opérationnel de Météo-France, ARPEGE. De façon très générale, les méthodes d’assimilation d’ensemble obtiennent les meilleures performances. La conclusion générale est que si l’on veut échantillonner correctement l’incertitude sur l’état prévu, le meilleur ensemble est celui qui échantillonne correctement l’incertitude sur l’état initial de la prévision.