Representation des incertitudes dans la

prevision d’ensemble AROME

Laure RAYNAUD

Ateliers de Modelisation de l’Atmosphere, 12 mars 2019

Introduction - Configuration actuelle d’Arome-PE

⊲ Arome-PE est le systeme de prevision d’ensemble a fine

echelle operationnel a Meteo-France depuis 2016

Basee sur Arome-France, sauf resolution horizontale 2.5km

12 previsions perturbees (pas de controle)

4 fois/jour (03, 09, 15 et 21 UTC), 45/51h d’echeance

Couplage lateral : membres de la prevision d’ensemble Arpege(PEARP) selectionnes avec un algorithme de classification(Bouttier et Raynaud, 2018)

Etats initiaux : assimilation d’ensemble Arome (AEARO)(Raynaud et al., 2016)

Erreur de modele : perturbations stochastiques des tendancesphysiques (Bouttier et al., 2012)

Conditions de surface : perturbations aleatoires de certainsparametres (e.g., SST, T et Hu sol ; Bouttier et al., 2016)

2

Representation de l’incertitude initiale

⊲ Conditions Initiales = Analyse Arome-Fr + perturbations

⊲ Differentes perturbations possibles, e.g., assimilation d’ensemble,prevision d’ensemble, tirages aleatoires

⊲ Quelle sensibilite d’Arome-PE aux perturbations initiales ?

3

Representation de l’incertitude initiale

AEARO

Ensemble d’assimilations 3D-Var et de previsions Arome cyclees

Perturbations explicites des observations (et implicite desebauches)

Couplage lateral a l’assimilation d’ensemble Arpege

3.25km, 90 niveaux, cyclage 3h, 25 membres

Decrit l’incertitude sur l’etat initial Arome

⊲ Perturbations initiales ‘Arome’ sur l’ensemble des echelles simuleespar Arome-PE.

PEARP

Previsions de resolution ∼ 10km sur la France

⊲ Perturbations initiales ‘Arpege’ sur une partie des echelles simuleespar Arome-PE.

4

Representation de l’incertitude initiale - Sensibilite aux CI

(a) Pert−ic PEARP, Pmer (b) Pert

−ic AE, Pmer

(c) Pert−ic PEARP, U (d) Pert

−ic AE, U

5

Representation de l’incertitude initiale - Sensibilite aux CI

(a) 1h - PEARP (b) 3h - PEARP (c) 6h - PEARP (d) 12h - PEARP

(e) 1h - AEARO (f) 3h - AEARO (g) 6h - AEARO (h) 12h - AEARO

6

Representation de l’incertitude initiale - Sensibilite aux CI

(a) T2m spsk (b) T2m ROCA (c) T2m CRPS

(d) FF10m spsk (e) FF10m ROCA (f) FF10m CRPS

(g) rr3 spsk (h) rr3 ROCA (i) rr3 CRPS

⇒ Impact positif

d’AEARO aux courtes

echeances

7

Representation des erreurs de modele - Approche SPPT

⊲ Methode SPPT : perturbations multiplicatives des tendancesphysiques de vent, temperature et contenu en vapeur d’eau

p = (1 + µr)pD

⊲ Simple et efficace ... mais :

suppose que l’erreur sur la tendance est proportionnelle a latendance (⇒ pas de perturbation la ou les tendances sont nulles)

pas de perturbation en basses couches et vers le sommet dumodele (pour eviter les instabilites numeriques)

incoherences avec les flux de surface (calcules a partir destendances non perturbees) ⇒ non-conservation de l’energie

reglage des perturbations (amplitude, correlations) difficile

meme perturbation appliquee a tous les processus physiques

...

8

Representation des erreurs de modele - Approche SPP

⊲ Une methode alternative consiste a representer l’erreur directementa l’interieur des parametrisations physiques en perturbant certainsparametres

⊲ Necessite une analyse de sensibilite du modele a un jeu deparametres “bien choisis”

⊲ Analyse de la sensibilite d’Arome-PE a 17 parametres avec lamethode de criblage de Morris

Physique PerturbationsRayonnement 2 parametresMicrophysique 3 parametresTurbulence 6 parametresDiffusion 3 parametresSurface 2 parametresConvection peu profonde 1 parametre

9

Representation des erreurs de modele - Criblage de Morris

⊲ Exploration de l’espace des parametres en faisant varier un seulparametre a la fois

Discretisation de l’espace des parametresOAT (One-at-A-Time)Necessite p+ 1 experiencesPermet de calculer un “effet elementaire” pour chaque entree(variation de la sortie du modele associee a la variation d’unparametre)

10

Representation des erreurs de modele - Criblage de Morris

Le plan d’experience est repete r fois (au total r × (p+ 1) exp.)

r-echantillons pour chaque effet elementaire {dkX1

}k=1...r, . . . ,{dk

Xi}k=1...r

Mesures de sensibilite : µ⋆

i= E[|dXi

|]), σi = σ(dXi)

11

Representation des erreurs de modele - Criblage de Morris

⊲ Application a Arome-PE (M. Wimmer) :

6 trajectoires de taille 17+1 = 108 previsionsEte : 01/05/2018 → 30/07/2018 : 1 jour sur 3Automne : 01/10/2018 → 30/11/2018 : 1 jour sur 2Hiver : 01/12/2018 → 30/01/2019 : 1 jour sur 2

12

Representation des erreurs de modele - Criblage de Morris

(a) Ete

(b) Automne13

Conclusions et perspectives

⊲ Incertitude initiale

Perturbation de toutes les echelles necessaire des l’instant initial

Augmentation de la dispersion a courte echeance

Amelioration significative de tous les scores a courte echeance

⊲ Sensibilite d’Arome aux parametres de la physique

1ers resultats indiquent que l’influence des parametres depend del’echeance, de la saison, de la variable meteo

Criblage de Morris a etendre a plus de parametres, plus detrajectoires (en cours)

A completer avec la methode de Sobol

Implementer et evaluer la perturbation stochastique desparametres

14