Prévisions déterministes

3.3.1.1 Biais moyen

Dans la mesure où il est possible d’effectuer des corrections ou une calibration a posteriori, le biais moyen ne présage pas complètement de la capacité d’un système à fournir des prévisions pertinentes et encore moins de la prévisibilité d’événements de fortes pluies. Cependant, il est intéressant d’en avoir un aperçu dans la mesure où il témoigne d’erreurs systématiques propres à chaque modèle qui peuvent parfois être réduites ou annulées par l’approche multi-modèle. Le biais moyen des six systèmes de prévision S2S sur la période DJF est représenté par la Figure 3.2 pour l’échéance des semaines 3-4. Le biais aux autres échéances n’est pas montré

3.3 Évaluation des prévisions S2S

Figure 3.2 – Biais moyen (mm/j) des prévisions de précipitations sur les semaines 3-4 par rapport aux précipitations MSWEP sur la période DJF 1996-2013. La climatologie de la référence MSWEP figure en bas à droite, accompagnée de sa propre légende. La légende correspondant au biais des six systèmes et du multi-modèle apparaît à gauche. Le biais du multi-modèle équilibré correspond à la médiane des biais obtenus sur 1000 tirages.

Apport d’une approche multi-modèle à la prévision infra-saisonnière des précipitations

ici. Il présente la même organisation spatiale et les mêmes ordres de grandeur, tout en étant souvent légèrement plus faible (en valeur absolue) en semaine 1.

L’organisation spatiale et le signe des biais varient d’un système à l’autre, mais on notera que certaines régions sont le siège de biais plus importants. Un excès de précipitations sur le Continent Maritime est constaté dans la plupart des cas, en particulier sur les points de grille terrestres de la Nouvelle-Guinée. À l’exception d’ECMWF, les modèles ont également tendance à produire trop de précipitations au niveau de la SPCZ (BoM, CMA) ou au sud de celle-ci (ECCC, MF, UKMO), ce qui laisse penser qu’elle est décalée ou trop intense. Le multi-modèle équilibré à 24 membres permet de réduire l’extension spatiale et la valeur absolue des biais. En particulier, si un biais n’apparaît nettement que dans l’un des modèles, celui-ci est très fortement atténué par le multi-modèle (par exemple le biais négatif sur le nord de l’Australie dans le modèle du BoM ou le bias positif au sud du bassin dans les modèles ECCC et Météo-France).

3.3.1.2 Corrélation

La corrélation temporelle des anomalies (CORa, Section2.4.2.3), calculée par rapport aux précipitations MSWEP, est représentée dans la Figure 3.3 sur l’échéance semaines 3-4. Elle présente une forte disparité spatiale. La zone où les variations temporelles des précipitations sont les mieux prévues est la partie nord-ouest du domaine. Ce résultat est récurrent en prévision saisonnière et infra-saisonnière des précipitations (par exemple de Andrade et al., 2019; Wheeler et al., 2017). Il s’explique par le fait que, dans cette région équatoriale océanique, la circulation atmosphérique est fortement contrainte par le signal de l’ENSO. On retrouve une situation vraisemblablement similaire, bien que moins marquée, dans la partie océanique située à l’ouest de l’Australie, en relation avec le dipôle de l’océan Indien. En effet, les modèles y présentent presque tous une zone où les corrélations sont significatives, voire assez élevées (ECMWF, multi-modèle), et dont l’extension spatiale est assez robuste d’un modèle à l’autre. Au contraire, ce n’est pas le cas dans la partie sud Pacifique, par exemple au niveau de la Nouvelle-Calédonie, où les scores varient fortement entre les différents systèmes. Enfin, les zones où la prévisibilité est la plus faible sont l’Australie continentale et le Continent Maritime, avec des points de grille ne présentent plus de corrélation significative en semaines 3-4.

La Figure 3.3 souligne également les écarts de performance entre les différents systèmes. Tandis que certains systèmes, comme ECMWF et Météo-France, présentent des corrélations significatives sur une bonne partie du domaine, d’autres (CMA, ECCC) n’en font figurer que sur la région océanique équatoriale où les scores sont les plus élevés. Visuellement, le multi- modèle présente des corrélations au moins similaires à celles de meilleurs modèles sur tout le domaine, avec l’avantage supplémentaire d’une plus grande cohérence spatiale.

Une comparaison quantitative des scores de corrélation entre les différents modèles et le multi-modèle sur tout le domaine est présentée dans la Figure3.4, avec le mean-ACC. Toutes les échéances étant représentées, il est possible de remarquer l’évolution du score lorsqu’on s’éloigne des conditions initiales. Celui-ci connaît une forte réduction de la semaine 1 à la semaine 2 puis de la semaine 2 à la semaine 3. Au contraire, la diminution est plus faible de la semaine 3 à la semaine 4. En revanche, l’agrégation des semaines 3 et 4 s’avère profitable dans la mesure où le score est supérieur à ceux obtenus sur les deux semaines séparées, tandis qu’il est proche de celui de la semaine 2. Quelque soit l’échéance, et malgré l’incertitude liée au tirage des membres, le multi-modèle équilibré à 24 membres présente une meilleure corrélation avec

3.3 Évaluation des prévisions S2S

Figure 3.3 – Corrélation temporelle des prévisions d’anomalies de précipitations (CORa) en se- maines 3-4 par rapport à MSWEP, sur la période DJF 1996-2013. La corrélation du multi-modèle équilibré correspond à la médiane des corrélations obtenues sur 1000 tirages. Les points de grille dont la corrélation ne dépasse pas le seuil de significativité à 95% d’après le test t correspondant (Déqué, 2012) sont en blanc.

Apport d’une approche multi-modèle à la prévision infra-saisonnière des précipitations

Semaine 1 Semaine 2 Semaine 3 Semaine 4 Semaines 3−4

0.0 0.2 0.4 0.6 0.8

mean−A

CC

Figure 3.4 – mean-ACC des six systèmes S2S et du multi-modèle équilibré à 24 membres sur le domaine PSOT, en semaines 1 à 4 et en semaines 3-4 regroupées (référence : MSWEP). Le score du multi-modèle équilibré correspond à la médiane des scores sur 1000 tirages accompagnée de l’intervalle de confiance à 90%.

les précipitations de référence que n’importe quel système individuel. Dans la fenêtre infra- saisonnière (à partir de la semaine 3), on constate par ailleurs des écarts importants, avec quatre systèmes individuels (BoM, ECMWF, Météo-France et UKMO) plus performants que les deux autres (CMA et ECCC).