Approche objet pour la détection, le suivi et la prévision à très courte échéance des systèmes convectifs de mésoéchelle

An object-based method for the detection, tracking and very short-term forecasting of mesoscale convective systems

• Auteur / Autrice : Gabriel Arnould
• Direction : Thibaut Montmerle, Lucie Rottner
• Type : Thèse de doctorat
• Discipline(s) : Océan, Atmosphère, Climat
• Date : Soutenance le 22/10/2024
• Etablissement(s) : Université de Toulouse (2023-....)
• Ecole(s) doctorale(s) : École doctorale Sciences de l’univers, de l’environnement et de l’espace (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Centre national de recherches météorologiques (France)
• Partenaire(s) de recherche : Etablissement délivrant conjointement le doctorat : Institut national polytechnique (Toulouse ; 1969-....)
• Jury : Président / Présidente : Cécile Mallet
• Jury : Examinateurs / Examinatrices : Thibaut Montmerle, Lucie Rottner, Cécile Mallet, Urs Germann, Caroline Jane Muller, Clotilde Augros
• Jury : Rapporteur / Rapporteuse : Cécile Mallet, Daniel Sempere Torres, Alain Protat

Mots clés

Mots clés contrôlés

Simulation, Méthodes de

Temps (météorologie) -- Prévision numérique

Mots clés libres

Système convectif de mésoéchelle

Orage

Objet

Prévision immédiate

Prévision numérique du temps

Réseau de neurones convolutifs

Mesoscale convective system

Thunderstorm

Objet

Nowcasting

Numerical weather prediction

Convolutional neural network

Résumé

Les systèmes convectifs de mésoéchelle (MCSs) peuvent produire des inondations et de violentes rafales de vent. Bien que leur taille dépasse 100 km, leur prévisibilité est limitée par l'instabilité convective. La thèse fournit des clés pour améliorer le suivi et l'anticipation à 6 h des MCSs en France et pour progresser dans la compréhension des processus physiques impliqués. Deux types de données sont utilisées : des observations, radar et satellite, ainsi que les prévisions numériques du modèle AROME à résolution kilométrique. Les MCSs sont identifiés comme des « objets » auxquels sont attachés des attributs sur l’activité convective, la tendance et l’environnement en interaction avec le système. Un réseau de neurones convolutifs U-Net est d'abord mis au point pour identifier les MCSs dans les images exploitées, qu’elles soient observées ou simulées à partir des variables pronostiques d'AROME. Il s'agit des réflectivités radar et de la température de brillance infrarouge mesurée par satellite. Le U-Net est entraîné sur plus de 1200 images annotées à la main. Évaluée sur des scores objectifs et des études de cas, la méthode s’avère plus robuste que des algorithmes moins complexes basés sur un seuillage.Comprendre le cycle de vie des MCSs en France est nécessaire à leur anticipation. Plus de 150 MCSs sont ainsi étudiés sur des situations à enjeux entre 2018 et 2022. La plupart évoluent de mai à octobre, dans une large bande du sud-ouest au nord-est du pays. En moyenne, leur taille suit une évolution parabolique et culmine sur le second tiers du cycle de vie. Il en va de même pour l'activité convective dont le pic est atteint plus tôt. Des simulations AROME, lancées sur les mêmes situations, reproduisent de manière réaliste le cycle de vie des objets observés. Les champs 3D d'AROME sont alors exploités pour comprendre l'influence de l'environnement sur l'évolution des MCSs. Deux méthodes sont employées : (1) calculer les valeurs moyennes ambiantes dans un voisinage de 100 km, (2) tracer des cartes composites annulaires permettant de visualiser des champs moyennés, projetés sur une grille adaptée à la géométrie de chaque objet. Les MCSs se forment généralement dans un environnement dynamique, instable, avec de la convergence en basses couches. Leur déplacement est bien approché par le vent de moyenne troposphère. L'assèchement et le refroidissement des basses couches en amont du système sont principalement responsables de son affaiblissement. Étudiés séparément, les MCSs méditerranéens quasi-stationnaires sont pilotés par le flux chaud et humide de basses couches qui tend à s'affaiblir à la fin du cycle de vie.La dernière partie de la thèse mesure l’apport des modèles numériques. À Météo-France, la configuration AROME-PI met à jour toutes les heures les prévisions de la chaîne de production AROME par assimilation des dernières observations, principalement issues du radar. Les scores « objet » calculés par rapport aux MCSs observés montrent que, lorsqu’un MCS est effectivement présent dans l'ébauche AROME, AROME-PI en corrige efficacement les erreurs de localisation. Par ailleurs, le dernier réseau AROME-PI disponible n’est pas toujours le plus performant. Cependant, l'extrapolation linéaire des objets observés reste meilleure que la prévision numérique jusqu’à près de 4 h d'échéance. Sur cette période, la stratégie d’anticipation la plus pertinente repose donc sur l’extrapolation et la tendance des attributs de l’objet, éventuellement complétée par des données de prévision numérique pour décrire l’environnement et anticiper l’activité convective. Au-delà de 4 h, la prévision numérique devient indispensable et les ensembles constitués des prévisions de réseaux successifs AROME-PI valides aux mêmes instants permettent d’estimer la probabilité d'occurrence du phénomène. Des méthodes concrètes basées sur une synergie observation-prévision numérique sont détaillées à la fin du mémoire.

Mesoscale convective systems (MCSs) can produce floods and severe wind gusts. Although their size exceeds 100 km, their predictability is limited by convective instability. This thesis provides keys to improving the monitoring and 6-hour forecasting of MCSs in France and to making progress in our understanding of the physical processes involved. Two types of data are used: radar and satellite observations, and numerical forecasts from the AROME model at kilometre resolution. The MCSs are identified as ''objects'' to which attributes are attached concerning convective activity, the trend and the environment interacting with the system.A U-Net convolutional neural network was first developed to identify the MCSs in meteorological images, whether observed or simulated from the AROME prognostic variables. These are radar reflectivity and infrared brightness temperature measured by satellite. The U-Net is trained on more than 1,200 hand-annotated images. Evaluated on objective scores and case studies, the method proves to be more robust than less complex algorithms based on thresholding.Understanding the life cycle of MCSs in France is essential to anticipating them. More than 150 MCSs are being studied in severe convective situations between 2018 and 2022. Most of them evolve from May to October, in a wide band from the south-west to the north-east of the country. On average, their size follows a parabolic trend, peaking in the second third of their life cycle. The same applies to convective activity, which peaks earlier. AROME simulations, run on the same situations, realistically reproduce the life cycle of the objects observed. The AROME 3D fields are then used to understand the influence of the environment on the evolution of MCSs. Two methods are used: (1) calculating average ambient values within a 100 km radius, (2) creating composite annular maps to display averaged fields, projected onto a grid adapted to the geometry of each object. MCSs generally form in a dynamic, unstable environment, with low-level convergence. Their displacement is well approximated by the mid-level wind. The drying and cooling at low-level ahead of the system are mainly responsible for its weakening. Studied separately, the quasi-stationary Mediterranean MCSs are driven by the warm, moist low-level flow, which tends to weaken at the end of their life cycle.The last part of the thesis measures the contribution of numerical weather prediction. At Météo-France, the AROME-NWC configuration updates the forecasts of the AROME production chain every hour by assimilating the latest observations, mainly from radar. The ''object'' scores calculated with observed MCSs as ground truth show that, when an MCS is present in the AROME background, AROME- NWC corrects its location errors. Moreover, the latest available AROME- NWC run is not always the best performing. However, the Lagrangian extrapolation of observed objects remains better than the numerical forecast up to almost 4 hours ahead. Over this period, the most relevant forecasting strategy is therefore based on the extrapolation and trend of object attributes, possibly supplemented by numerical forecast data to describe the environment and anticipate convective activity. Beyond 4 h, numerical forecasting becomes essential, and the sets of forecasts from successive AROME- NWC runs valid at the same times can be used to estimate the probability of occurrence of the phenomenon. Practical methods based on a synergy between observation and numerical forecasting are introduced at the end of the thesis.