Accueil du site > Nos thématiques > Prévision climatique : de la saison à la décennie > Prévision saisonnière > Modèles, stratégie de construction d’ensembles, initialisation

Modèles, stratégie de construction d’ensembles, initialisation

 Modèles

Le CNRM travaille actuellement sur la mise au point de la prochaine version opérationnelle du modèle couplé pour la prévision saisonnière. Ce modèle sera composé de la version 5 d’Arpège-Climat et du modèle d’océan NEMO (développé au LOCEAN).

 Construction d’ensembles

Plusieurs stratégies de construction d’ensembles sont utilisées en prévision saisonnière :

  • L’approche dite « lag-average » consistant à initialiser le modèle avec des conditions initiales de l’atmosphère et/ou de l’océan décalées dans le temps ; c’est l’approche utilisée dans la version opérationnelle actuelle du modèle
  • Construction de plusieurs conditions initiales à partir de perturbations de certains champs ; cette approche a été utilisée en particulier pour le projet DEMETER

Un problème majeur souvent rencontré en prévision saisonnière est le manque de dispersion des prévisions. La distribution de la loi de probabilité est donc trop restreinte par rapport à la variabilité naturelle du phénomène à prévoir. Plusieurs techniques sont utilisées pour s’attaquer à ce problème :

  • L’approche multi-modèle consiste à utiliser plusieurs modèles différents afin de mieux prendre en compte les incertitudes liées à ceux-ci. Elle a fait l’objet de plusieurs projets de recherche (DEMETER, ENSEMBLES…) et est utilisée de manière opérationnelle dans le cadre d’EURO-SIP par exemple.
  • La perturbation de paramètres dans la physique des modèles consiste à générer des ensembles à partir de versions légèrement différentes d’un même modèle.
  • La perturbation stochastique du modèle se fait au cours de l’intégration. Elle vise à corriger certaines erreurs de modélisation (dissipation d’énergie ou encore erreurs systématiques) tout en augmentant la dispersion des ensembles via l’aspect aléatoire de ces corrections.