Présentation PowerPoint exemple de réalisationspicy.brgm.fr/sites/default/files/upload/documents/3_prevision... · Problème de cohérence dans les prévisions ... > On a donc au

ANR-2014 SPICyWorkshop de restitution

La prévision d’ensemble des trajectoires et des

conditions marines côtières

Hubert Quetelard1, François Bonnardot1, Sophie Lecacheux2

Avec les contributions de:

Barbary D.1

Pedreros R.2, Paris F.2, Nicolae Lerma A.2

SPICY - Workshop de restitution - 9 et 10 octobre 2017 - La Réunion

1Direction Régionale de Météo-France pour l’Océan Indien.2BRGM, Orléans.

Quelles données aujourd’hui ? Quelles limites?

> Une prévision déterministe de trajectoire et d’intensité avec une estimation

des incertitudes uniquement via le cône d’incertitude

> Des prévisions de vagues dissociées de la prévision de trajectoire officielle :

• Problème de cohérence dans les prévisions

• Utilisation de modèles météorologiques ne permettent pas de reproduire

correctement l’intensité et la structure des cyclones (type ECMWF, GFS, etc.)

> Pas de prévision de la surcote marine côtière incluant tous les effets

(dépression atmosphérique, vent et vagues)


Prévision de la trajectoire de Dumile (2013) Plateforme de prévision MARC vagues et niveau marin (UMR LOPS)

Objectifs et contraintes


1. La prévision déterministe officielle du CMRS et son cône

d’incertitude ne suffisent pas pour que les décideurs puissent

évaluer les risques encourus liés aux éléments sensibles générés

par le passage prévu d’un cyclone (vent, houle, surcote)

2. L’idée est donc de fournir aux modélisateurs un nombre raisonnable

(dépendant des capacités informatiques disponibles) de trajectoires

alternatives possibles associées à des probabilités

3. Des simulations de modèles de vent, houle, surcote peuvent ainsi

être réalisées sur chaque trajectoire probabiliste et fournir par là

même des résultats probabilistes sur les valeurs possibles

attendues. Cela facilitera les prises de décisions.

Outil de génération de trajectoires-intensités

probabilistes


Cyclone

Inondation

Crue Franchissement

Hydrologie

Pluie Vent

Etat de mer


probabilistes ( statistiques CMRS vs modèles)

> La méthode décrite ici

s’appuie largement sur

les prévisions humaines

du CMRS.

> Statistiquement on

démontre que ces

prévisions sont meilleures

que les prévisions

numériques seules



probabilistes (construction des trajectoires)

> Les trajectoires alternatives sont donc construites « autour » de

la prévision officielle considérée comme étant la meilleure

prévision possible

> Pour construire ces trajectoires on utilise l’échantillon des

erreurs CMRS sur une période de référence de 5 saisons

précédant la saison en cours

> Les erreurs sont calculées par rapport à la prévision puisque

c’est la « best track » dont on cherche à se rapprocher

> On utilise 3 paramètres d’erreurs ; AT et CT pour l’erreur de

position et EV pour l’erreur sur l’intensité



probabilistes (projection DPE sur AT et CT)


projection de l’erreur

directe (DPE) le long

(ATE) et

perpendiculairement

(CTE) à la trajectoire


probabilistes (classification de l’échantillon d’erreurs)


> Sur la période 2011-2012 à 2015-2016, on dispose de 843

prévisions complètes allant de 0h à 72h par pas de 12h, donc

843 « vecteurs » d’erreurs composés chacun de 7 triplets AT,

CT, EV (1 triplet par échéance de prévision)

> Pour diminuer drastiquement le nombre de trajectoires

alternatives à construire on effectue une classification

hiérarchique ascendante des 843 vecteurs

> On choisit 35 à 45 classes comme étant un compromis entre le

nombre souhaité raisonnable informatiquement et une

représentation suffisante des typologies d’erreurs

> On a donc au final 35 à 45 « vecteurs » composés chacun de 7

triplets AT, CT, EV représentatifs de la classe. La probabilité

d’une classe est égale à la proportion de vecteurs présents

dans la classe


Construction des trajectoires probabilistes(à chaque échéance, à partir du point prévi, on calcule un nouveau

point avec AT et CT de l’échéance pour la classe n parmi 40 classes)

Construction des intensités probabilistes(à chaque échéance, à partir de l’intensité prévi, on calcule une

nouvelle intensité avec EV de l’échéance pour la classe n parmi 40

classes)


Pondération de la probabilité de chaque classe

par la prévision d’ensemble du CEP (EPS)


> Les trajectoires-intensités construites à partir des classes sont

climatologiques. Il n’y a pas de prise en compte du « contexte »

dans lequel la prévision est réalisée

> Les 51 membres fournis par la prévision d’ensemble du CEP

(EPS) vont nous permettre d’apporter des informations sur ce

contexte météorologique, ainsi que sur l’incertitude

(dispersion de l’EPS)

> Le principe est de classer chaque membre EPS dans la classe

la plus proche (on utilise la distance euclidienne)

> On pondère alors la probabilité de la classe en prenant en

compte le nombre de membres présents dans la classe

classe.nbi x classe.membres

Proba_pondérée(classe) = _________________________

nb.individus x nb.membres

Exemple de pondération, 1ère étape on « centre » les

membres EPS autour de la prévision CMRS


Exemple de pondération, 2ème étape on pondère les

probabilités, certaines classes « disparaissent »


Résultats « très bonnes prévisions »


Dans tous les cas la méthode

hybride SPICY (courbes vertes) est

meilleure que les autres méthodes

Clim (courbes rouges)

EPS recalé (courbes bleues pleines)

EPS non recalé (courbes bleues

tiretées)

Résultats « prévisions moyennes »








tiretées)

Résultats « très mauvaises prévisions »








tiretées)

LE CALCUL DES CONDITIONS DE VENT


Pour chaque scénario, génération du champs de

vent et de pression pour chaque échéance de

prévision (1) pour la modélisation des vagues et

(2) pour une prévision probabiliste des

conditions de vent (seuils critiques)

Cyclone

Inondation

Crue Franchissement

Hydrologie

Pluie Vent

Etat de mer

> Cohérence vis-à-vis des caractéristiques de position

et intensité du phénomène

> Prise en compte de l’environnement de grande

échelle

> Prise en compte des contraintes locales (déformation

du champ de vent par le relief)

> Temps de réponse compatible avec une utilisation

opérationnelle

Approche paramétrique (Holland) mais ne répond

qu’à la première contrainte

Approche dynamique : utilisation du modèle Meso-

NH (fonction bogus, couplage avec le modèle IFS du

centre européen)


Contraintes


Configuration modèle et construction

Champs de vent du

modèle IFS du

centre européen

Filtrage du vortex

initial

Modèle Meso-NH :

résolution

horizontale 8km,

initialisation par

méthode dite

« bogus »

Simulation sur

quelques pas de

temps

5 cas historiques : BEJISA, DUMILE, FELLENG, GAMEDE,

DINA

Reconstitution des champs de vent à partir des données

disponibles dans la base de données Bestrack du CMRS

Réunion

Deux approches

> Approche directe : comparaison aux observations de vent,

analyse des caractéristiques du système reconstitué en

termes d’intensité (vent maxi) et de structure (notamment

les rayons de vent fort)

> Approche indirecte : simulations vagues (BRGM)


Validation de la configuration retenue

> Structure



Modele : 195 km

BT : 185 km

Model : 150km

BT : 140km

La structure d’un système est définie

par :

• le rayon des vents maximum

• les extensions de vent fort par

quadrant (34, 48 et 64kt)

• Ces paramètres restent à ce jour assez

difficilement prévisibles. Leur diagnostic

à posteriori est dans certain cas assez

délicat

• Le vent ressenti à La Réunion et les

vagues générées par le système sont

très sensibles aux variations de ces

paramètres

L’analyse faite sur les

différents cas d’étude montre

que la structure reproduite est

réaliste dès lors que

l’information sur le rayon des

vents maximum injectée dans

le bogus est pertinente.

> Comparaison aux vents observés : sensibilité à la résolution horizontale



8 km

2 km

500 m

> Comparaison aux vents observés : sensibilité à la résolution horizontale



> Produits régionaux (pour le bassin cyclonique couvert par le CMRS

• Probabilités de dépassement de seuils critiques (48kt, 64kt…) jusqu’à échéance 72h


LES PRODUITS DE PREVISION DU VENT

> Produits locaux


LES PRODUITS DE PREVISION DU VENT

UTILISATION DE L’OUTIL POUR LA PREVISION DES

CONDITIONS MARINES A LA CÔTE


Cyclone

Inondation

Crue Franchissement

Hydrologie

Pluie Vent

Etat de mer


PROCESSUS A MODELISER


VAGUES : Wavewatch 3 two-way nesting (10km => 300m) NIVEAU D’EAU : MARS-2DH (100m)

SURCOTE VAGUES : Segmentation de la côte sur critères morphologiques = 110 Profils SWAN (10m)

CHAINE DE MODELISATION

Grille MARC (UMR LOPS)

SCENARIO : VENTS CYCLONIQUES

> Tirage aléatoire des caractéristiques du cyclone

> Reconstitution des champs de vent paramétriques et modélisation des vagues


1. Quels paramètres conditionnent les vagues

générées par un cyclone sur La Réunion ?

Rohmer et al., 2016 (Natural Hazard)

CREATION D’UNE BDD SYNTHETIQUE DE 100 SCENARIOS :





1) En fonction de la distance (s) de l’œil par rapport à La Réunion

IMPORTANCE RELATIVE DES PARAMETRES

SUR LA HAUTEUR DES VAGUES A 50m DE FOND EN FACE DE STE-SUZANNE

IntensitéRayon

Angle d’approche Côté et distance de passage

Forme

Vitesse

Saint-Denis





2) Dans l’absolu

Rayon

Angle

d’approche

Côté et distance

de passage

Intensité

Forme

Vitesse

IMPORTANCE RELATIVE DES PARAMETRES

SUR LA HAUTEUR DES VAGUES EN FACE DE STE-SUZANNE

> 5 cas historiques : Bejisa (2014), Dumile (2013), Felleng (2013), Gamède

(2007), Dina (2002)

> Nombreux aller-retour BRGM / Météo-France pour ajuster et optimiser la

génération des vents adaptée et suffisante à la modélisation des vagues

> Par comparaison aux bouées

Exemple GAMEDE


2. Reconstitution des vagues pour des cyclones

récents à partir des vents Meso-NH (best-track)

Saint-Denis

Bouée Pointe-du-Gouffre

> 5 cas historiques : Bejisa (2014), Dumile (2013), Felleng (2013), Gamède

(2007), Dina (2002)

> Nombreux aller-retour BRGM / Météo-France pour ajuster et optimiser la

génération des vents adaptée et suffisante à la modélisation des vagues

> Par comparaison aux fauchées satellites

Exemple : DINA


2. Reconstitution des vagues pour des cyclones

récents à partir des vents Meso-NH (best-track)


Saint-Denis

BOUEE NORTEK

> Bonne reproduction de la temporalité et du pic

de vagues avec Meso-NH + WW3 en mode

best-track

> Questions :

(1) Quelle est la pertinence de la prévision de

vagues à partir de la prévision déterministe du

CMRS et de la chaîne Meso-NH / WW3 ?

(2) Quel apport de la prévision d’ensemble pour

estimer les incertitudes et compenser les erreurs

et hypothèses de prévision ?

Alerte orange

Alerte

rouge

Pré-

Alerte

SauvegardeDumile (Janv. 2013)

…. Hs observé

>> Hs simulé (best-track)

3. Test de prévision d’ensemble sur Dumile (2013)

Réseau 2 Réseau 1


RESEAU 1 ~ après l’alerte orange Membres de l’ensemble

Prévision déterministe CMRS

Best-Track

• Heure et hauteur au pic correctement

prévues

• Prévision déterministe très proche de la

moyenne pondérée de l’ensemble

• Enveloppe d’incertitude assez restreinte sur

ce cas car :

Échéance courte

Peu de dispersion à proximité de l’île

Membres d’un seul côté de l’île


• Hauteur au pic très sous-estimée

• Pourtant :

la prévision déterministe prévoyait

une intensité plus forte

la prévision de trajectoire était bonne

malgré un passage plus à l’ouest


RESEAU 2 ~ avant le passage en alerte orangeMembres de l’ensemble


Best-Track



RESEAU 2 ~ avant le passage en alerte orangeMembres de l’ensemble


Best-Track


Problème :

Pas d’analyse du rayon des vents max pour

ce réseau.

Application d’un rayon statistique de

33km dans le bogus de Meso-NH

Le rayon de vent max de Dumile était en

fait d’environ 56kmPrévision obtenue avec un rayon de 56km


INFORMATIONS A L’ECHELLE DE L’ILE


INFORMATIONS A L’ECHELLE LOCALE (simple)

SPICY - Workshop de restitution - 9 et 10 octobre 2017 - La

Réunion

INFORMATIONS A L’ECHELLE LOCALE (statistique)

Conclusions et pistes d’amélioration


> Synthèse des résultats• Une méthode de génération d’ensembles de scénarios cycloniques

cohérents avec le scénario de prévision officiel du CMRS. Une

probabilité propre à chaque scénario.

• En cascade :

Génération de produits de prévision probabiliste du vent comme aide à la

décision (niveau d’alerte)

Génération de produits de prévision probabiliste de vagues

> Suites et pistes d’amélioration Dans SPICy :

• Etoffer le catalogue de cas tests « vagues » avec des trajectoires et erreurs de

prévision plus variées pour consolider / poursuivre l’analyse

Hors SPICy :

• Améliorer la technique de clustering pour avoir un balayage mieux réparti des

trajectoires et probabilités (méthode de clustering ou pondération des

probabilités par les scénarios EPS)

• Travailler sur la prévision des rayons de vent maximum

Des questions?


Documents

Présentation PowerPoint exemple de réalisationspicy.brgm.fr/sites/default/files/upload/documents/3_prevision... · Problème de cohérence dans les prévisions ... > On a donc au