Quels sont les modèles de prévision météorologique?

Ces modèles résolvent des équations mathématiques complexes représentant les lois physiques régissant le mouvement atmosphérique, la thermodynamique et les rayonnements. En ingérant de grandes quantités de données d'observation provenant de satellites, de stations météorologiques et de radars, ils produisent des prévisions allant d'heures à semaines d'avance. Les modèles opérationnels modernes, comme le Système mondial de prévisions (SGE) géré par le Service météorologique national de NOAA et le modèle du Centre européen de prévisions météorologiques à moyenne distance (ECMWF), sont l'épine dorsale des prévisions météorologiques quotidiennes et des alertes de tempêtes graves.

Le rôle de la dynamique atmosphérique

La dynamique atmosphérique est la branche de la météorologie qui étudie les forces et les mouvements qui régissent le mouvement de l'air dans l'atmosphère. Tous les modèles de prévision météorologique sont fondés sur les principes de la dynamique atmosphérique, qui déterminent comment les systèmes de pression, les vents et les gradients de température évoluent au fil du temps.

Systèmes de pression et graduants

Les modèles doivent représenter avec précision ces gradients pour prédire la vitesse du vent et les trajectoires de tempête. Le National Weather Service , qui est l'école JetStream offre un excellent aperçu des systèmes de pression.

L'effet de la coriolis

Parce que la Terre tourne, l'air en mouvement est dévié vers la droite dans l'hémisphère Nord et vers la gauche dans l'hémisphère Sud. Cet effet de Coriolis est critique pour la formation de cyclones, d'anticyclones et de courants océaniques. Sans lui, la circulation atmosphérique à grande échelle serait impossible.

Fronts et frontières de masse aérienne

Les fronts froids, chauds et stationnaires produisent souvent des précipitations, des orages et des changements rapides de température. Les modèles utilisent des données sur la température, l'humidité et le vent pour localiser les fronts et prévoir leur mouvement. L'emplacement précis du front est l'un des aspects les plus difficiles de la prévision météorologique, surtout dans des régions comme les latitudes moyennes où les systèmes frontaux sont communs.

Instabilité thermique et convection

Lorsque l'atmosphère devient instable, l'air chaud près de la surface recouverte par des courants ascendants convectifs d'air plus froids peut se former, entraînant des orages et une forte pluie. Les modèles représentent ce qui se fait à l'aide d'indices de stabilité comme l'énergie potentielle Convectif disponible (CAPE) et l'indice relevé.

Types de modèles de prévision météorologique

Les météorologues se fondent sur divers modèles, chacun étant conçu pour des échelles spatiales, des intervalles de temps et des objectifs de prévision spécifiques.

Prédiction numérique des conditions météorologiques (PNP)

Les modèles NWP résolvent numériquement les équations de régulation du mouvement des fluides (les équations Navier-Stokes) sur une grille couvrant le globe ou une région.

  • Modèles mondiaux – Couvrez toute la Terre, généralement avec un espacement horizontal de la grille de 10 à 50 km. Exemples: GFS (NOAA), ECMWF et le modèle unifié UK Met Office. Ils produisent des prévisions jusqu'à 16 jours à l'avance mais sont plus grossiers que les modèles régionaux.
  • Modèles régionaux/mesoscales – Concentrez-vous sur une zone limitée à plus haute résolution (1-4 km). Exemples : HRRR, NAM (Mesoscale nord-américaine) et le modèle AROME utilisé en Europe. Ils capturent des caractéristiques à grande échelle comme la brise marine, les vagues de montagne et les orages locaux.
  • Ensemble de modèles – Effectuez plusieurs prévisions avec des conditions initiales légèrement différentes ou une physique de modèle pour quantifier l'incertitude. L'Ensemble ECMWF (ENS) et le FEMS fournissent des prévisions probabilistes essentielles pour les avertissements d'ouragans et d'inondations.

Modèles statistiques et d'apprentissage automatique

Les modèles statistiques utilisent les relations historiques entre les modèles atmosphériques à grande échelle et les conditions météorologiques locales pour produire des prévisions. Par exemple, les statistiques de sortie du modèle corrigent les biais dans la production brute de PNT. Plus récemment, des approches d'apprentissage automatique, comme l'apprentissage profond et les forêts aléatoires, sont formées à des ensembles de données massives pour prédire des variables comme les précipitations, la température et la vitesse du vent.

Modèles de mise à jour

La diffusion à jour utilise l'extrapolation radar et l'imagerie satellite pour prédire les conditions 0 à 6 heures à l'avance. Ces modèles sont essentiels pour l'aviation, les inondations éclairs et les tempêtes graves.

Sources de données pour les modèles météorologiques

L'initialisation précise d'un modèle météorologique, son état de départ, est tout aussi importante que la physique du modèle lui-même.

Satellites

Les satellites géostationnaires (p. ex. GOES-16/17, Himawari) fournissent des profils verticaux à haute résolution de la température et de l'humidité par l'intermédiaire de sondes à micro-ondes et infrarouges. Les données satellitaires sont particulièrement utiles dans les océans et les régions peu peuplées. Le service de satellite et d'information de la NOAA explique en détail ces observations.

Stations météorologiques et réseaux de surface

Des milliers de stations automatisées d'observation de surface (ASOS) et de stations de coopérateurs signalent la température, le point de rosée, le vent, la pression et les précipitations à intervalles horaires ou sous-heures. Les réseaux Denser comme le Mesonet aux États-Unis fournissent des détails locaux supplémentaires.

Radars

Les radars météorologiques à double polarisation balayent l'atmosphère pour détecter l'intensité des précipitations, le type (pluie, neige, grêle) et les modèles de vent en utilisant le décalage Doppler. Les données radar sont assimilées à des modèles à haute résolution pour améliorer les prévisions de précipitations à court terme.

Observations en haute-air

Les radiosondes lancées deux fois par jour à partir de centaines de sites dans le monde mesurent la température, l'humidité, la pression et le vent jusqu'à une altitude de 30 km. Les capteurs basés sur l'avion (rapports AMDAR) et les profileurs de vent complètent ces données.

Techniques d'assimilation des données

Les observations brutes ne sont pas directement utilisées comme entrées; elles sont fusionnées avec une prévision de modèle à court terme par un processus appelé assimilation des données. Des méthodes comme les filtres 3D-Var, 4D-Var et ensemble Kalman produisent l'état initial le plus précis en minimisant la différence entre les observations et le champ de fond du modèle.

Fondations mathématiques des modèles météorologiques

Au cœur de tout modèle de PNT se trouvent des équations différentielles partielles qui décrivent la conservation de la masse, de l'élan et de l'énergie. Ces équations ne peuvent être résolues analytiquement, de sorte que les méthodes numériques les approximativement sur une grille tridimensionnelle.

Équations Navier-Stokes

Ces équations régissent le mouvement des substances fluides visqueuses, y compris l'air. En météorologie, elles sont simplifiées en supposant que l'atmosphère se comporte comme un fluide Newtonien avec un mélange turbulent. Les trois composantes de l'équation de l'impulsion comprennent la force de gradient de pression, la force de Coriolis, la friction et la gravité.

Équation de continuité

Cette équation assure la conservation de la masse au fur et à mesure que l'air se déplace. Dans l'atmosphère, l'équation de continuité relie la divergence du vent aux variations de densité.

Équation thermodynamique

La première loi de la thermodynamique appliquée à une parcelle d'air concerne les changements de température au chauffage diabatique (p. ex., rayonnement solaire, libération de chaleur latente par condensation) et à l'expansion/à la compression adiabatique.

Méthodes numériques et résolution du réseau

Les modèles mondiaux utilisent généralement une grille de latitude-longitude ou une grille de sphère cube, tandis que les modèles régionaux utilisent souvent une projection conforme à Lambert. L'espacement horizontal de la grille peut être aussi fin que 1 km ou aussi grossier que 50 km. Les niveaux verticaux varient de 30 à 137 couches, avec une résolution plus élevée près de la surface pour capturer les processus de couches limites. Les étapes de temps doivent être suffisamment petites pour satisfaire la condition Courant-Friedrichs-Lewy (CFL) et assurer la stabilité numérique.

Défis en prévision météorologique

Même avec des progrès constants dans l'informatique et les observations, la prévision météorologique demeure fondamentalement limitée par la nature chaotique de l'atmosphère et les lacunes de nos connaissances.

Théorie du chaos et effet papillon

Edward Lorenz a découvert dans les années 1960 que de petits changements dans les conditions initiales peuvent conduire à des résultats très différents – l'effet papillon célèbre. Ce chaos inhérent limite la compétence déterministe au-delà d'environ 10-12 jours. Ensemble prévision s'attaque à cela en exécutant plusieurs états initiaux pour produire une distribution de probabilité.

Physique du modèle et paramétrisation du sous-réseau

Les processus qui se déroulent sous l'échelle de la grille, comme la turbulence, la microphysique des nuages, la convection et le transfert radiatif, doivent être rapprochés au moyen de paramétrisations, lesquelles entraînent des biais systématiques. Par exemple, certains modèles ont un biais chaud connu sur certaines surfaces terrestres ou ont du mal à représenter les nuages stratocumulus marins.

Lacunes dans les données et erreurs d'observation

Bien que la couverture par satellite soit mondiale, de nombreuses régions manquent d'observations en surface ou en haute altitude, en particulier au-dessus de l'océan Austral, des pôles et des pays en développement. Les erreurs d'observation résultant de la dérive des instruments, des défaillances de communication ou des erreurs humaines dégradent encore l'assimilation des données.

Erreurs de dérive et de systématique du modèle

Les techniques de correction des préjugés, comme l'utilisation de prévisions, aident à réduire ces erreurs. Néanmoins, la prévision d'événements à fort impact comme l'intensification des ouragans ou le type de précipitations hivernales demeure un défi majeur.

Avenir des modèles de prévision météorologique

La prochaine décennie verra des changements transformatifs entraînés par la puissance de calcul, les nouveaux systèmes d'observation et l'apprentissage automatique.

Intelligence artificielle et apprentissage profond

Google , GraphCast et Huawei , Pangu-Weather ont démontré des compétences rivalisant avec les NWP traditionnels pour la prévision à grande échelle à une fraction du coût de calcul. Cependant, ces modèles manquent de contraintes physiques et peuvent lutter contre des événements extrêmes non vus dans les données de formation. Les approches hybrides qui combinent l'IA et les modèles traditionnels basés sur la physique sont susceptibles de dominer à court terme. Un examen 2022 dans Nature Communications[ discute de ces tendances.

Modèles mondiaux à haute résolution

Les modèles mondiaux sont en train de pousser vers une résolution à l'échelle du kilomètre, ce qui permettrait de simuler explicitement la convection profonde et d'éliminer de nombreuses erreurs de paramétrisation. Le modèle de prochaine génération (IFS Cycle 49r1) et le système de prévision globale de nouvelle génération (NGGPS) des États-Unis visent à espacer la grille de 1 à 2 km.

Prédiction sans couture et prévision probabiliste

Les prévisions météorologiques et climatiques sont en cours d'unification dans un système homogène qui prévoit à des échelles sous-saisonnelles à saisonnières. L'expérience sous-saisonnelle (SubX) et le système de prévision mensuelle ECMWF fournissent déjà des perspectives de deux semaines à six semaines.

La science citoyenne et les données provenant de la foule

Les smartphones, les stations météo personnelles et la télématique des véhicules offrent un déluge d'observations de surface. Des initiatives comme le Weather Observation Web (WOW) et le Met Office , le site Web d'observations météorologiques recueillent et assimilent ces données.

Conclusion

Les modèles de prévision météorologique reposent sur une compréhension profonde de la dynamique atmosphérique, de solides cadres mathématiques et d'un afflux constant d'observations de haute qualité. Bien que les défis demeurent dus au chaos, aux limites des données et à la physique imparfaite, le champ progresse rapidement. De la prévision d'ensemble aux émulateurs pilotés par l'IA, les outils mis à la disposition des météorologues sont plus puissants que jamais.