calcul de pointe pour interaction homme-machine en...

Météo-France Forum ORAP 2003Diapositive N° 1

Calcul de pointe pour interaction homme-machine en météorologie

Eric BrunMétéo-France

• Utilisation de la prévision numérique pour la prévision météorologique : rapide historique, évolution récente, futur

• Développement de méthodes nouvelles pour l’interaction entre le prévisionniste et la simulation numérique

(ne concerne pas la prévision numérique pour l’étude du climat)


Grandes étapes de l’histoire de la prévision numérique en météorologie

• 1922: Richardson è solution numérique approchée des équations régissant l’évolution de l’atmosphère – réalisation d’une prévision à 6 h d’échéances

• 1939: Rossbyèinterprétation du déplacement observé des centres d’action atmosphériques par l’équation de conservation du tourbillon absolu

• 1948 : Charney è simplification du système général d’équation

• 1950 : Charney, Fjörtoft et Von Neumann è première prévision numérique du temps sur le calculateur ENIAC.

• 1955: début de la prévision opérationnelle par l’US Weather BureauèInitialisation de l’état atmosphérique à un instant donnéèSimulation de son évolution

(source: Jean Coiffier, La Météorologie , 2000)


Besoins en ressources de calcul pour le module prévision

Adaptation continuelle des caractéristiques du modèle de PN aux ressources calcul disponibles:– Augmentation du domaine géographique è modèles globaux– Augmentation de la résolution spatiale de la grille de calcul / modèles emboîtés– Augmentation des échéances de prévision liée à la performance croissante des

modèles– Prévision d’ensemble pour des prévisions probabilistes à courte et moyenne

échéance– Amélioration de la prise en compte des processus physiques:

• Échanges énergétiques à la surface• Transferts radiatifs dans l’atmosphère• Phase condensée de l’eau (nuages, précipitations)• Mouvements convectifs, etc..

+ contrainte opérationnelle sur les temps d’exécutionè Equipement des services météorologiques en super-calculateursè Besoins en ressource de calcul sans limite connue


Besoins en ressources de calcul pour le module initialisation

Evolution majeure dans les techniques d’initialisation:– Analyse objective:

• 1955: interpolation géométrique des observations• 60-70: corrections successives d’une ébauche fournie par une ancienne prévision• 70-90: interpolation optimale è analyse basée sur la modélisation des structures

statistiques d’erreurs d’observation et d’ébauche

– Assimilation variationnelle des observations: processus global d’analyse basé sur la minimisation d’une fonction coût (écart aux observations + écart à l’ébauche + contraintes physiques)

• 1996 : 3D Var au CEPMMT è observations synchrones• 1997 : 4D Var au CEPMMT è observations asynchrones

La phase d’initialisation consomme désormais plus de ressources que la phase de prévision è Besoins en ressource de calcul sans limite connue:- Assimilations de nouvelles observations, notamment satellitales- Augmentation de la résolution à laquelle est faite l’assimilation- Réactualisation fréquente du cycle d’assimilation


Evolution dans l’utilisation concrète de la Prévision Numérique en météorologie

Années 70• Faible résolution spatiale (> 300 km)• Peu de niveaux verticaux• Faible performance du modèle• Support : cartes tracées de champs prévus• Pas de précipitations prévues exploitables

è Les sorties de modèle étaient une aide à la prévision, exploitée avec prudence et parfois méfiance par les prévisionnistes

è Aide suffisante pour la production des bulletins de prévision (textes).

Champ prévu de géopotentiel à 500 hPa


Evolution dans l’utilisation concrète de la Prévision Numérique en météorologie

Caractéristiques déterminantes des modèles opérationnels actuels:

• Forte résolution spatiale permettant la prise en compte d’un relief réaliste

• Bonne performance dans le calcul des paramètres météorologiques pertinents

• Outils de visualisation des sorties de modèle très performants.

Le modèle numérique s’est placé progressivement au cœur du processus de prévision météorologique:èAmélioration considérable de la fiabilité des prévisions: précision, qualité,

échéances prévuesèPrévision automatique possible pour certaines applicationsèAccroissement considérable de la production météorologique


Domaines d’expertise et d’intervention des prévisionnistes

• Expertise d’échelle synoptique du prévisionniste de l’échelon amont :– Qualifier le cadre synoptique calculé par le modèle (trajectoire des centres

d’action)– Avertir les prévisionnistes des échelons avals des mauvais comportements du

modèleè Expertise exprimée sous forme de directives (messages de service)

• Expertise d’échelle locale:– Pour un scénario synoptique donné, corriger les paramètres prévus par le

modèle et prévoir la valeur des paramètres hors de portée du modèle numérique (brouillards, orages, etc.)

è Expertise à l’aide d’un éditeur graphique ou bien dans des bulletins météorologiques


Formalisation de l’expertise à l’échelle synoptique

L’expertise du chef prévisionniste doit être valorisée sous la forme d’une trajectoire du modèle numérique

èMéthodes originales basées sur l’interaction expert/simulation numérique– CTPIni : Correction du Tourbillon Potentiel Initial – CCIGrad : Correction des Conditions Initiales par des Gradients– AVarC : Assimilation Variationnelle de Corrections à plusieurs instants– CEns : Choix dans un ensemble de trajectoires pré-calculéesè Trajectoire Synoptique de Référence (TSR)


CTPIni : principe général

- modification graphique du champ Z 1,5 PVu ou T850 hPa

- calcul d’un état initial modifié cohérent par inversion du tourbillon potentiel

- simulation numérique à partir de l’état corrigé

èMéthode subjective basée sur l’expérience des prévisionnistesèCoût en calcul équivalent à 2 runs de prévision du modèle opérationnelèModification de l’état initial et simulation numérique àeffectuer en moins de 3h


Exemple de CTPIni sur une cyclogenèse rapide (16 au 17-11-01)


CCIGrad: Principe de la méthode

1. Choix par le chef-prévi d’une caractéristique pertinente de la prévision è fonction coût J (par ex. Pmer sur une région à 36 h d’échéance)

2. Calcul du gradient dJ/dx0 à l’aide du modèle adjoint è sensibilité de cette fonction coût aux conditions initiales

3. Calcul d’une perturbation de l’état initial proportionnelle au gradient par ajustement aux observations

4. Ou bien calcul de la perturbation à imposer pour atteindre une valeur désirée de la fonction coût (moyennant hypothèse linéaire)

èCalcul préalable des sensibilités en aval du modèle opérationnel èRelance du modèle avec les conditions initiales perturbées.èCoût total équivalent à 3 runs de prévision opérationnelle


Exemple de la méthode CCIGrad (art. G. Hello et al.)(a): mauvaise prévision à corriger dans la zone Ω

Area where Jis calculated(average pressure)


Exemple de la méthode CCIGrad (art. G. Hello et al.)(b): ajustement aux observations disponibles

Sensibilité à T 850 hPaObservations disponibles

Prévision à 36hAprès ajustement


Exemple de la méthode CCIGrad (art. G. Hello et al.)(c): prévision finale


AVarC : principe général

Assimilation d’états prévus : exemple de l’assimilation d’une prévision d’un autre modèle météorologique

temps

Trajectoire du modèle

ARP

x

CEP

Période d’assimilation du 4DVAR :12 h

AVarC

x


Exemple de la méthode AVarC (30-11-02)Etat initial


Exemple de la méthode AVarC (30-11-02)Prévision à 12h


Exemple de la méthode AVarC (30-11-02)Prévision à 48 h


Prévision d’ensemble è coût de N prévisions pré-calculées

(d’après J. Nicolau)


Conclusion

• La simulation numérique a révolutionné le métier du prévisionniste, avec l’augmentation des connaissances et des ressources en calcul de pointe

• La qualité des prévisions augmente avec la puissance de calcul disponible

• L’expertise humaine joue encore un rôle fondamental pour identifier les mauvais comportements du modèle

• Seules des méthodes sophistiquées nécessitant des ressources en calcul de pointe performantes permettent de valoriser cette expertise.


Principe de l’assimilation variationnelle quadri-dimensionnelle (4D Var)

Jb

Jo

Jo

Jo

analysis

xa

correctedforecast

9h 12h 15h

obs

obs

obsxb

previousforecast


Exemple d’erreur importante sur une prévision numérique

O 1006 hPa

O 1002hPa O 998 hPa

O 1001 hPa

O 1007 hPa

Observation : 977 hPa

Source : G. Hello et al, 2000


Editeur graphique pour la formalisation de l’expertise locale

calcul de pointe pour interaction homme-machine en...

Documents