Définition des conditions initiales des prévisions d'ensemble : liens avec l'assimilation de données / Laurent Descamps ; sous la direction d'Olivier Talagrand

Date :

Editeur / Publisher : [s.l.] : [s.n.] , 2007

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : français / French

Talagrand, Olivier (1946-....) (Directeur de thèse / thesis advisor)

Université Pierre et Marie Curie (Paris ; 1971-2017) (Organisme de soutenance / degree-grantor)

Relation : Définition des conditions initiales des prévisions d'ensemble : liens avec l'assimilation de données / Laurent Descamps ; sous la direction d'Olivier Talagrand / Lille : Atelier national de reproduction des thèses , 2007

Résumé / Abstract : La prévision d’ensemble, comme approche probabiliste de la prévision météorologique, est désormais un outil opérationnel. Un aspect non encore résolu est l’initialisation de l’ensemble. Plusieurs méthodes d’initialisation sont comparées, la méthode des Vecteurs Singuliers, la méthode des ‘Bred modes’ et trois méthodes d’assimilation d’ensemble : le Filtre de Kalman d’Ensemble, la méthode des Observations Perturbées et l’ ‘Ensemble Transform Kalman Filter’. Les comparaisons sont faites sur des données synthétiques produites par trois modèles différents: un modèle de petite dimension de Lorenz, un modèle quasi-géostrophique et le modèle opérationnel de Météo-France, ARPEGE. De façon très générale, les méthodes d’assimilation d’ensemble obtiennent les meilleures performances. La conclusion générale est que si l’on veut échantillonner correctement l’incertitude sur l’état prévu, le meilleur ensemble est celui qui échantillonne correctement l’incertitude sur l’état initial de la prévision.