Synthèse des prévisions d'ensemble par scénarios physiquement cohérents : mise en pratique au moyen d'approches objets et d'apprentissage statistique - Météo-France Access content directly
Theses Year : 2022

Ensemble forecasting synthesis by scenarios physically consistent.Practical : application using object and statistical learning approaches

Synthèse des prévisions d'ensemble par scénarios physiquement cohérents : mise en pratique au moyen d'approches objets et d'apprentissage statistique

Arnaud Mounier
  • Function : Author
  • PersonId : 1296284
  • IdRef : 267708939

Abstract

Weather forecasting, based on the modelling of atmospheric chaotic system, has a degree of uncertainty. This uncertainty can be assessed by an ensemble prediction system. This PhD-thesis focuses on the post-processing of the Météo-France convection-permitting ensemble prediction system (AROME-EPS). The aim is to develop new tools to extract a relevant information from models for forecasting. These tools are based on deep learning methods. This manuscript starts with the presentation of ensemble forecasts, existing post-processing methods and work methods of forecasters. In order to enhance the forecasting tools currently available, this thesis proposes two complementary approaches to extract new and relevant information from the AROME-EPS. Firstly, an approach to deal with the prediction of a specific type of damaging thunderstorms, called bow echoes, is developed. The objective is to detect them in output of each AROME-EPS member. This detection is made by a convolutional neural network (inspired from the U-Net architecture). The selected neural network demonstrates a good ability to distinguish bow echoes from other convective systems. The skill of this U-Net has led to a daily research mode production summarising the risk of bow echoes. The objective evaluation of forecasts shows the added value of the AROME-EPS compared to the deterministic AROME model beyond 15 lead times. The second approach developed during this thesis aims at implementing a rainfall scenario synthesis. A scenario can be defined as a group of members predicting similar weather events. Since this approach doesn't focus on a particular event, it can be useful on a daily basis to quickly examine ensemble forecasts. This synthesis is based on a dimension reduction of rainfall fields using another convolutional neural network (autoencoder). Each member is expressed and classified in the latent space of the autoencoder which has tens of dimensions. The relevance of this scenario approach is discussed using scores and case studies. The scores show complementarity between the deterministic AROME model and the AROME-EPS. They show it is more interesting to watch the two biggest scenarios in the PE-AROME than two AROME runs. But they also show in case of two equally probable scenarios in the PE-AROME, the scenario that is also the one of an AROME forecast is more likely correct than the other.
La prévision météorologique, basée sur la modélisation du système chaotique atmosphérique, comporte une part d'incertitude. Celle-ci peut être évaluée à l'aide d'ensembles de prévisions. La thèse s'intéresse au post-traitement de la prévision d'ensemble à échelle kilométrique de Météo-France (PE-AROME). L'objectif est de développer de nouveaux outils pour extraire des informations essentielles des modèles pour les prévisions. Ces outils s'appuient sur des méthodes d'apprentissage profond. Ce manuscrit commence par la présentation des prévisions d'ensemble, des méthodes de post-traitement existantes et des méthodes employées aujourd'hui pour expertiser les modèles météorologiques. Cette thèse propose d'enrichir la palette d'outils disponibles avec deux approches complémentaires pour extraire de nouvelles informations de la PE-AROME. Dans un premier temps, une approche pour aider à la prévision de structures orageuses particulières et à fort impact, qu'on nomme les échos arqués, est développée. L'objectif est de les détecter dans les sorties de chaque membre PE-AROME. Cette détection est faite par un réseau de neurones convolutif (de type U-Net). Le réseau de neurones retenu montre une bonne capacité à discerner les échos arqués d'autres organisations orageuses. Les performances de ce U-Net ont permis de déboucher sur une production en mode recherche quotidienne synthétisant le risque d'échos arqués. L'évaluation objective des prévisions montre la plus-value de la PE-AROME comparée au modèle déterministe AROME au-delà de 15 heures d'échéance. La deuxième approche développée durant cette thèse vise à mettre en œuvre une synthèse par scénarios des prévisions de pluies. Un scénario peut être défini comme un groupe de membres prévoyant des évènements météorologiques similaires. Cette approche ne s'intéresse pas à un évènement particulier et est donc moins spécialisée que la détection des échos arqués. Cette synthèse repose sur une réduction de dimension du champ de pluies à l'aide d'un autre réseau de neurones convolutif (de type autoencodeur). Chaque membre est ainsi exprimé et classé dans l'espace latent de l'autoencodeur qui possède quelques dizaines de dimensions. La pertinence de cette représentation sous forme de scénarios est discutée à l'aide de scores et d'études de cas. Les scores montrent une réelle complémentarité entre le modèle déterministe AROME et la PE-AROME. Ils montrent qu'il est plus intéressant de suivre les deux scénarios les plus peuplés de la PE-AROME que deux réseaux AROME. Mais ils montrent aussi qu'en cas de deux scénarios équiprobables dans la PE-AROME, le scénario qui est aussi celui d'une prévision AROME a plus de chance d'être correct que l'autre.
Fichier principal
Vignette du fichier
MOUNIER_Arnaud.pdf (22.99 Mo) Télécharger le fichier
Origin : Version validated by the jury (STAR)

Dates and versions

tel-04247716 , version 1 (13-02-2023)
tel-04247716 , version 2 (18-10-2023)

Identifiers

  • HAL Id : tel-04247716 , version 2

Cite

Arnaud Mounier. Synthèse des prévisions d'ensemble par scénarios physiquement cohérents : mise en pratique au moyen d'approches objets et d'apprentissage statistique. Sciences de la Terre. Institut National Polytechnique de Toulouse - INPT, 2022. Français. ⟨NNT : 2022INPT0070⟩. ⟨tel-04247716v2⟩
69 View
19 Download

Share

Gmail Facebook X LinkedIn More