Améliorer les prévisions météorologiques

Mieux assimiler les données disponibles

Pour simuler l'évolution de l'atmosphère, les modèles de prévision ont besoin d'une cartographie cohérente de l'atmosphère à l'instant initial : par exemple, les valeurs des paramètres météorologiques clés (température, pression, vent, humidité) en tout point d'une grille en 3D représentant l'atmosphère.

Or, les observations ne sont homogènes ni dans l'espace, ni dans le temps. Parfois directes (comme les valeurs de température relevées par un thermomètre), elles sont de plus en plus souvent indirectes. Les instruments embarqués sur satellite mesurent par exemple le rayonnement émis par l'atmosphère et la surface de la Terre, mais pas directement des valeurs de température ou d'humidité : il faut les extraire des mesures de rayonnement.

Pour transformer toutes ces données disparates en une description cohérente de l'état initial utilisable par le modèle, une étape de traitement est donc nécessaire. Grâce à de complexes algorithmes et logiciels de traitement, on combine ensuite les observations recueillies et les prévisions les plus récentes effectuées par le modèle. Cela revient à ajuster périodiquement les résultats du modèle tout juste calculés à la réalité mesurée, par les moyens d'observation, en cours de route. Ce rafraîchissement des données a lieu toutes les 6 heures pour le modèle global Arpège et toutes les 3 heures pour le modèle à maille fine Arome.

Ces étapes complexes de traitement et d'intégration des données dans les modèles portent le nom d'assimilation.

D'importants efforts de recherche sont engagés pour progresser dans le domaine de l'assimilation. Les chercheurs de Météo-France travaillent notamment à prendre en compte les observations au plus près de leur heure de mesure. Le modèle Arome fait ainsi l'objet de développements pour pouvoir accepter des rafraîchissements toutes les heures. Par ailleurs, une nouvelle approche d'assimilation est explorée, fondée sur la combinaison entre les observations et des ensembles de prévisions courtes (au lieu d'une seule prévision) obtenues pour des états initiaux légèrement différents les uns des autres. Cette approche, baptisée 4D-EN-VAR pourrait s'appliquer à Arome aussi bien qu'à Arpège. Elle donne notamment accès à des informations plus fines sur les incertitudes des modèles et des observations.