On souhaite savoir si la différence entre Ap et Aq traduit une réelle différence de capacités de
discrimination entre les pi et les qi. Pour cela, on utilise le test de DeLong et al. (1988) qui
définit la probabilité que cette différence soit obtenue par hasard, et dont on fixe également la limite à 5%. Dans le cadre de cette thèse, il a été effectué grâce à la librairie pROC (Robin et al., 2011) disponible sous R.
2.5 Synthèse
Ce chapitre a introduit les aspects techniques des prévisions numériques infra-saisonnières ainsi que les méthodes permettant de les évaluer par rapport à des données de référence. Une importance particulière a été accordée à la description des systèmes S2S de Météo-France et de l’ECMWF à travers les modèles numériques couplés sur lesquels ils reposent ainsi que les choix d’initialisation et de génération des ensembles.
Pour les données de référence, l’accent a été mis sur les produits de précipitations qui sont obtenus à partir d’observations brutes par spatialisation et fusion de données. Nous avons aussi décrit le principe des réanalyses qui permettront d’évaluer d’autres champs de variables dans nos travaux et qui jouent un rôle essentiel dans l’initialisation des re-prévisions.
La forte incertitude sur les précipitations issues des modèles numériques nous a conduit à explorer plus particulièrement le cadre de prévision et de vérification probabiliste pour un événement binaire, le quintile supérieur des précipitations hebdomadaires. Les indicateurs uti- lisés pour cette vérification probabiliste ont été détaillés dans la dernière partie de ce chapitre, à la suite d’un aperçu des métriques de vérification déterministe.
Deuxième partie
3
Apport d’une approche
multi-modèle à la prévision
infra-saisonnière des
précipitations
3.1 Introduction
L’étude de la prévisibilité infra-saisonnière commence par l’évaluation des prévisions four- nies par des systèmes dynamiques à l’état de l’art. Une telle évaluation est présentée dans ce chapitre au moyen des métriques détaillées dans le Chapitre2. Par ailleurs, les travaux réalisés en prévision saisonnière ont suggéré que la construction d’une prévision multi-modèle (Section
1.4.2.2) est l’approche la plus efficace pour augmenter les scores de prévision. Dans ce chapitre, on cherche à vérifier que ces bénéfices sont aussi valables aux échéances infra-saisonnières. On construit pour cela des ensembles multi-modèles à partir des prévisions de la base S2S dont on fait la vérification des précipitations sur le Pacifique Sud-Ouest tropical (PSOT) pendant la saison DJF. Ces travaux tiennent lieu de démonstration de faisabilité d’une telle approche dans la mesure où les caractéristiques et les calendriers des différents systèmes S2S ne sont pas standardisés (Tableau2.1). Par ailleurs, la prévision multi-modèle suscite un certain nombre de questions, dont deux d’entre elles sont ici remises en perspective sous l’angle des prévisions infra-saisonnières.
◦ Les meilleures performances des prévisions multi-modèles par rapport aux systèmes individuels proviennent-elles avant tout de la plus grande taille d’ensemble ou bien de la diversité des modèles ?
Cette question invite à déterminer l’importance relative, dans la prévision multi-modèle, de la quantité d’information utilisée et de la diversité des sources d’information. Elle traduit une interrogation autour de la valeur intrinsèque du multi-modèle au-delà de l’effet de taille d’ensemble. En prévision saisonnière, Hagedorn et al. (2005) ont montré qu’en pratique
Apport d’une approche multi-modèle à la prévision infra-saisonnière des précipitations
l’effet de diversité des modèles jouait un grand rôle dans les améliorations apportées par le multi-modèle. Sur le plan théorique, ces résultats ont cependant été nuancés par Weigel et al. (2008) qui soulignent que cela n’est vrai qu’en raison de la tendance des modèles individuels à être sous-dispersifs et à délivrer des prévisions trop confiantes (overconfident).
◦ Quelle est l’approche de combinaison multi-modèle la plus pertinente à ap- pliquer ?
Il n’existe pas de consensus établi pour répondre à cette question. Une première possibi- lité est le simple mélange des membres issus de différents systèmes de prévision. Toutefois, il s’agit d’une approche brute sans post-traitement, alors que des techniques d’optimisation et de pondération laissent entrevoir des combinaisons multi-modèles plus performantes encore. Cependant, Doblas-Reyes et al. (2005) ont montré, toujours dans le cas de la prévision saison- nière, qu’un multi-modèle simple était en réalité difficile à améliorer compte tenu de la taille de l’échantillon d’apprentissage utilisé pour pratiquer l’optimisation du multi-modèle. Plus récemment, les travaux de Hemri et al. (2020) constatent également que la plus-value d’une pondération optimale dans un contexte opérationnel est loin d’être évidente.
Dans ce chapitre, ces questions sont traitées à l’aune des spécificités de la prévision infra- saisonnière, avec ses échéances plus proches, ses fenêtres de vérification plus courtes et ses échantillons de prévision plus grands qu’en prévision saisonnière. La Section 3.2 commence par détailler les approches multi-modèles utilisées et la façon de les mettre en œuvre avec les prévisions S2S, puis la Section 3.3 documente les capacités actuelles de ces prévisions dans le cas des précipitations sur la région Pacifique Sud-Ouest tropical. En vue de répondre à la première question du chapitre, l’importance de la taille d’ensemble sur les scores de prévision est examinée Section3.4, d’abord au niveau des systèmes individuels puis dans le cas du multi- modèle où elle est confrontée à l’importance de la diversité. La seconde question fait l’objet de la Section 3.5par une comparaison de différentes méthodes de construction multi-modèle. Enfin, les résultats de toutes les sections précédentes sont reconsidérés dans la Section3.6pour de plus petites zones incluses dans le grand domaine PSOT, puis synthétisés dans la Section
3.7.