Comment les modèles numériques parviennent à prévoir le temps ? partie I

Des observations aux prévisions, quels écueils, quelles solutions ?
Comment fonctionnent les modèles numériques de prévisions du temps ?

Prévoir l’évolution d’un système implique de connaître des états antérieurs, notamment son état présent et des états passés.
La prévision météorologique n’y échappe surtout pas, que ce soit à l’échelle hyper-réduite (le temps qui va faire dans l’heure qui vient en un lieu précis) ou à une échelle hyper-large (les anomalies sur la Terre dans un siècle).

Jadis, on observait les saints du calendrier, notait la croissance des végétaux, la métamorphose des insectes, le vol des oiseaux. Quelques dictons faisaient office d’éphémérides météo.
Plus tard, des instruments permirent la mesure de certaines grandeurs et des relations empiriques suggérèrent des prévisions plus normalisées. Étaient-elles meilleures que l’observation directe des effets de la météo ? La réponse est plus complexe qu’il ne paraît, dépendant fortement de ce qu’on définit par « meilleures ». Donc de la métrique utilisée. Cependant, ce n’est pas mon sujet du jour (une autre fois peut-être ?).

Les observations sont cruciales pour prévoir le temps. Celles du moment et celles des moments antérieurs.
Les météorologues, grâce au télégraphe, reconstruisaient des champs de base (pression, température, vent^?...) grâce aux mesures réalisées par des observateurs humains. Ce travail demandait précision et rigueur, tant pour le météorologue final qui traçait les cartes que pour les observateurs qui notait scrupuleusement tous ces éléments (la BnF regorge d’archives, via Gallica) [2].
Les besoins en prévisions croissants dans le même rythme que le nombre d’observations, il fallut trouver des solutions d’automatisation et d’harmonisation des matériels de mesure.

Désormais, ce sont des volumes de données immenses transitant par des réseaux dédiés qui sont assimilés par les super-calculateurs des centres météorologiques. L’image ci-dessus montre la couverture mondiale d’une partie d’entre elles pour le modèle européen IFS : des stations de surface standardisées par l’OMM, des bouées et de certaines sondes présentes sur les avions. Ce n’est qu’une petite partie. Cette phase d’assimilation est déterminante : la qualité de la prévision en dépend.

Deux difficultés se posent :
> les zones blanches ou moins densément observées par rapport à d’autres ;
> les normes nationales pas toujours identiques à la norme internationale, les problèmes techniques divers et variés impactant la mesure.

La phase d’assimilation doit effectuer un tri qualitatif sur la totalité des données importées. Divers algorithmes automatiques exécutent ce travail, ne laissant le choix aux humains que dans quelques cas. Dès qu’un ensemble cohérent de données est disponible, les calculs prévisionnels débutent.

La sensibilité aux conditions initiales est donc un paramètre important.

Un modèle numérique de prévisions du temps (PNT, NWP en anglais) effectue chaque jours un, deux, quatre ou plus lancements (assimilation et calculs prévisionnels pour simplifier). Chaque lancement est noté « cycle ». Ainsi, le cycle 0z et le cycle 12z d’un modèle X indique respectivement le lancement à 0h TU et 12h TU.
Les prévisions à très courts termes (sur quelques heures) du cycle précédent sont généralement incluses dans la phase d’assimilations (PA), à la fois pour la pertinence et pour la calibration.

On est déjà loin des observations humaines et des tracés à la main !

Ce n’est pourtant pas fini. D’autres difficultés d’un autre ordre surgissent.

L’atmosphère est régie par les lois de la physique.
La résolution du set d’équations n’est pas triviale, elle est insoluble telle quelle. Pour parvenir à un résultat acceptable, plusieurs approximations et simplifications sont réalisées. L’expérience montre que celles-ci ont un impact léger à court et moyen terme lorsque la configuration ne présente pas de particularités. L’impact augmente avec l’éloignement des échéances de prévisions ou lorsque des structures atmosphériques complexes se développent.
L’une des causes est le fameux effet papillon introduit par Edward Lorenz. L’atmosphère est chaotique.
Plus les échéances s’allongent, plus les prévisions vont s’écarter les unes des autres, plus l’incertitude s’accroît.

De plus, l’atmosphère ne dépend pas que d’elle-même, du Soleil et du référentiel terrestre. Elle dépend de l’orographie, des océans, des glaces, de la végétation, des aérosols, etc. Autant de paramètres supplémentaires à inclure, avec les mêmes incertitudes liées aux mesures, avec leurs lois physiques.

Les calculs sont contraints par les infrastructures matérielles et logicielles.
Les gains technologiques assurent des gains en efficacité sans jamais apporter une garantie idéale.
En résumant, la transcription des équations physiques simplifiées en langage informatique introduit de nouveaux biais, souvent systémiques, dans la prévision.
De plus, pour représenter la surface de la Terre, plusieurs méthodes coexistent depuis l’antiquité (voir par exemple « Le Scandale de Mercator »). Chaque modèle utilise sa propre représentation, en grilles régulières, déstructurées, triangulaires, etc. Ces grilles sont constituées de mailles plus ou moins larges. La définition de la grille et de ses mailles et son implémentation ouvrent autant de difficultés et d’approximations.

D’autres difficultés émergent encore lorsque, d’un modèle global, c’est-à-dire couvrant l’ensemble de la surface de la Terre, on passe à un modèle régional, à résolution plus fine mais sur une étendue réduite.
En effet, l’atmosphère se joue des frontières et des régions géographiques. Pour calculer la prévision en un lieu précis, il est nécessaire de modéliser l’ensemble de l’atmosphère. Si on ne la calcule que sur une région particulière, que se passe-t-il ? Des erreurs. Un modèle global s’interface alors avec un modèle régional pour définir à la fois une partie (voire la totalité) des fameuses conditions initiales mais aussi les conditions aux limites : ce qui se passe aux frontières du domaine régional doit être cohérent avec ce qui se passe au-delà, déterminé par le modèle global.

Pas simple !

Pour l’heure, les modèles de prévisions sont un outil utile et efficace et ne remplace pas l’analyse humaine. Au contraire, les modèles la soutiennent, la confortent ou l’alertent sur une divergence de prévisions.
Je reviendrai une autre fois sur les modèles IA.

Pour mieux circonscrire ces perturbations, les équipes scientifiques de la modélisation ont conçu ce qui est nommé « ensemble » : des faisceaux cohérents de prévisions déterminées par un même calcul en modifiant légèrement les données initiales et/ou les approximations des lois physiques et/ou les implémentations. Ces modifications ne sont évidemment pas faites au hasard mais sont documentées.
On obtient ainsi plusieurs prévisions pour un même cycle, dont on peut mesurer les écarts et dont l’interprétation humaine permet d’identifier les incertitudes ou les scénarios plausibles.
Les centres météorologiques calculent le plus souvent entre 20 et 50 perturbations par cycle, chaque perturbation, nommée membre, suit sa propre courbe prévisionnelle.

Ce graph affiche le profil vertical réalisé par l’ensemble européen généré par IFS^? pour un lieu situé dans le nord-ouest. Les coordonnées 3D sont indiquées en haut.
En haut à gauche, le tépigraphe donne le profil thermique et humide. En rouge, la température selon l’altitude, en vert le point de rosée.
La ligne grasse est le membre non modifié ; les plages de couleurs vives représentent les membres perturbés jusqu’aux quantiles 25 et 75, les plages pâles représentent les quantiles plus extrêmes. La ligne fine représente la moyenne de tous les membres. On obtient ainsi une vue d’ensemble, d’où le nom, des possibles.
Par exemple, on s’aperçoit que l’incertitude est réduite pour les températures alors qu’elle est plus importante pour l’humidité.
D’autres éléments s’affichent.

J’ai choisi ce radiosondage car un potentiel orageux costaud existe pour la Bretagne ce jeudi.
On a les couches de la troposphère humides (rouge et vert très proches) avec une plage plus sèche à moyenne et haute altitudes (supérieur au niveau 600 hPa), ce qui peut booster une convection déjà initiée.
On a une énergie potentielle, CAPE, en bas à droite, importante, autour de 1500 J/kg, voire 2000 J/kg alors que l’énergie d’inhibition convective, CIN, est faible (inférieure à 50 J/kg).
Le cisaillement est hétérogène, moins intéressant.

Je tâcherais de réaliser une prévision sur ces orages demain soir.