Le Dr Hana Christensen de l'Université d'Oxford dit que nous sommes meilleurs en prévision météorologique parce que les ordinateurs sont plus rapides et les mathématiques plus intelligentes. Dans l'article, elle explique comment les météorologues commencent à utiliser les processus stochastiques de la technologie mathématique - a longtemps été utilisé dans l'industrie financière.
Cycle météorologique: en utilisant des méthodes stochastiques, les prévisions météorologiques à sept jours ont atteint la même qualité qu'il y a trois jours il y a deux décenniesEn 2017, le British Meteorological Bureau a lancé un nouveau
supercalculateur Cray XC40 d'une valeur de 97 millions de livres sterling. Il a considérablement amélioré la précision et le détail des prévisions météorologiques.
Comment le fait-il? J'étudie les prévisions météorologiques au
Département de physique atmosphérique, océanique et planétaire de l'Université d'Oxford, et le problème des prévisions n'est pas seulement d'utiliser plus d'ordinateurs - bien que cela aide évidemment - mais aussi de les utiliser de manière plus ingénieuse.
Prenons une digression dans l'histoire et voyons comment cela a été fait auparavant, car les prévisions météorologiques ont beaucoup changé au cours des dernières décennies.
Jusqu'aux années 1960, les prévisions étaient basées sur des enregistrements d'observations et sur la recherche de modèles dans ces enregistrements, toutes analogies. L'idée était très simple. Si vous enregistrez la météo assez longtemps, le météorologue aura une tâche (relativement) simple - regarder dans les enregistrements du jour où l'atmosphère est à peu près la même qu'aujourd'hui, et présenter le développement historique de l'atmosphère à partir de ce point de départ comme les prévisions d'aujourd'hui pour la semaine prochaine.
Mais cela n'a pas fonctionné correctement. La raison en était le chaos, ou l'effet papillon. Le développement de la météo à l'échelle d'une journée ou d'une semaine est très sensible aux petits détails de l'état de l'atmosphère, mais ces détails peuvent être trop petits pour être détectés à l'aide de données provenant de satellites et de sondes météorologiques.
Une idée avec des analogies était, bien que mauvaise, mais la seule option, car une autre méthode - utilisant des équations pour créer des modèles mathématiques - était impraticable jusqu'à l'avènement des ordinateurs électroniques.
Le mathématicien anglais
Lewis Fry Richardson a été le premier à utiliser des modèles mathématiques pour les prévisions météorologiques pendant la Première Guerre mondiale. Mais il était confronté à un grave problème. Pour calculer les prévisions pour les six heures à venir, il a fallu résoudre manuellement les équations aux dérivées partielles - en même temps, il a fallu environ six semaines pour les résoudre, et le résultat était très inexact.
Mais l'idée de Richardson s'est avérée correcte, et maintenant elle est sans aucun doute appliquée dans les simulations informatiques de l'atmosphère.
Les prévisions météorologiques modernes commencent par les mathématiques - des équations décrivant l'évolution de l'atmosphère:
Premièrement, nous avons
l'équation de Navier-Stokes - en fait, trois équations décrivant la conservation de la quantité de mouvement dans chacune des trois directions du système de coordonnées. Ici, nous avons pris en compte la rotation de la Terre, en entrant dans un système de référence de rotation - le deuxième terme sur le côté droit est responsable de la force de Coriolis, et le troisième pour la force centrifuge.
L'équation est particulièrement difficile à résoudre, car dans la dérivée
advective D / Dt il y a des termes non linéaires très désagréables cachés en u (ce n'est pas pour rien que trouver des solutions à l'équation de Navier-Stokes reste l'un des "
problèmes du millénaire " non
résolus pour lesquels le Clay Institute of Mathematics a décerné un prix de 1 million de dollars )
Ensuite, nous avons l'équation de continuité. Tout ce qui a coulé dans le conteneur doit en sortir, ou la densité à l'intérieur du conteneur doit augmenter.
Troisièmement, nous avons l'équation de l'énergie thermodynamique, où Q est le taux de chauffage diabétique. Et enfin, nous avons une équation d'état pour l'atmosphère.
Et que faisons-nous tous avec ça?
La première étape consiste à discrétiser les équations du mouvement. Nous ne pouvons pas calculer exactement comment chaque petite rafale de vent tournera, et ce n'est pas vraiment nécessaire. Par conséquent, nous divisons l'atmosphère en petits parallélépipèdes - dans le simulateur météorologique, ils peuvent être horizontaux à 10x10 km et de plusieurs centaines de mètres à plusieurs kilomètres verticalement. À l'intérieur de chacun des cubes, nous considérons que l'atmosphère est constante, avec un nombre indiquant la température moyenne, un indiquant l'humidité, la vitesse du vent, etc. Et ensuite, quel est le type de problème que nous rencontrons - et qu'en est-il des processus qui se déroulent à plus petite échelle?
De tels processus, tels que les nuages, jouent toujours un rôle important dans les prévisions, ils doivent donc être pris en compte. Ils affectent non seulement le développement de processus à plus grande échelle, mais décrivent également des phénomènes météorologiques importants pour nous qui restons sur la terre - la pluie ou de fortes rafales de vent.
Nous représentons ces processus à l'aide d'équations approximatives ou de schémas de
paramétrage . Ces approximations et simplifications sont une source majeure d'erreurs dans les prévisions météorologiques.
Idéalement, nous devrions rendre nos conteneurs aussi petits que possible. Et nous devons inclure dans la description tous les processus à petite échelle que nous pouvons imaginer. Et rendez ces schémas aussi précis que possible. Mais au final, nous devons accepter qu'un simulateur informatique ne sera jamais parfait. Il restera toujours juste un simulateur.
Donc, au lieu d'essayer de faire l'impossible et de prédire exactement quelle sera la météo mardi prochain avec une précision de 100%, ne serait-il pas plus utile d'accepter simplement nos limites et de fournir des prévisions météorologiques probabilistes pour la semaine prochaine?
Au lieu de prédire la pluie avec une précision de 100%, nous reconnaissons l'incertitude de nos prévisions - peut-être que la probabilité de pluie ne sera, par exemple, que de 90%. Pour ce faire, nous devons évaluer de manière critique notre simulateur et déterminer d'où viennent exactement les erreurs dans les prévisions.
C'est exactement ce que je fais dans mes recherches. Je travaille avec une nouvelle technique, un schéma de paramétrage
stochastique . Il utilise des nombres aléatoires (c'est ce que signifie «stochastique») pour représenter les incertitudes introduites par nos prévisions en raison de processus à petite échelle non reconnus. Au lieu de calculer les nuages les plus probables au-dessus d'Oxford, par exemple, nous comptons les effets de nombreux nuages possibles sur un modèle météorologique à grande échelle pour voir comment cela affecte les prévisions. En d'autres termes, nos schémas de paramétrage sont désormais probabilistes.
Et maintenant, au lieu d'en faire une, la prévision la plus probable, un ensemble de prévisions est en cours pour la semaine prochaine. Elle commence par diverses conditions initiales, mais tout aussi probables, que nous estimons sur la base de mesures atmosphériques. Chaque prévision utilise également des nombres aléatoires différents pour un schéma de paramétrage stochastique, indiquant divers effets probables se produisant à petite échelle.
L'utilisation de processus stochastiques pour représenter l'incertitude n'a rien de nouveau - ils sont complets, par exemple, dans la modélisation financière - mais leur utilisation dans les prévisions météorologiques ne fait que gagner du terrain, malgré le fait que les météorologues ont été parmi les premiers à décrire des systèmes chaotiques.
Une caractéristique intéressante a été découverte: certains modèles météorologiques sont très faciles à prévoir. Les erreurs de mesure des conditions initiales et de simplification du modèle n'affectent pas beaucoup l'avenir, et les prévisions de notre ensemble restent assez proches les unes des autres.
Un bon exemple est l'anti-cyclone bloquant - un système météorologique à haute pression qui se cache sur la Scandinavie pendant des jours et même des semaines, aspire l'air froid du nord et reflète les tempêtes au sud de la Grande-Bretagne. Des journées d'hiver extrêmement froides mais ensoleillées? Son travail.
Dans d'autres cas, l'incertitude entraîne de fortes divergences dans les prévisions pour la semaine prochaine, ce qui suggère que l'atmosphère est dans un état très imprévisible. Et cette information est très utile! Un exemple notable de ceci est la fameuse
Grande Tempête de 1987 . Michael Fish [un
employé bien connu du bureau météorologique anglais, qui a parlé pendant de nombreuses années avec les prévisions météorologiques de la BBC / env. perev. ] n'est pas à blâmer pour le fait que les prévisions ne se sont pas réalisées - juste ce soir-là l'atmosphère était dans un état très imprévisible.
La grande tempête de 1987, prédite par les systèmes modernes de prévision probabiliste en 66 heures. Ci-dessus à gauche, les résultats des observations, un système de pression extrêmement faible avec des vents très forts; à droite se trouve la prévision avec la plus grande probabilité; ce que Michael Fish verrait. Les cinquante options restantes - les prévisions tout aussi probables du système probabiliste moderne de prévisions météorologiques - montrent une sérieuse incertitude dans les résultats.Au fil du temps, nos ordinateurs deviennent plus gros et meilleurs (ainsi que de meilleures observations), et nos prévisions s'améliorent.
Le graphique ci-dessous montre les capacités du système qui produit les prévisions les plus probables faites au Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) à Reading (je travaille avec leurs simulations informatiques; leur supercalculateur est l'un des plus grands du pays). On peut voir comment au fil du temps la précision des prévisions augmente. La prévision de sept jours faite aujourd'hui est exactement la même précision que la prévision de cinq jours il y a vingt ans.
Nous pouvons également mesurer la qualité de nos prévisions probabilistes - ce n'est pas une tentative délicate pour échapper à la responsabilité («Eh bien, nous avons dit que le temps ensoleillé n'est possible»). La fiabilité des distributions de probabilité peut être mesurée statistiquement, et nous assistons en fait à une amélioration rapide de la qualité des prévisions de probabilité au cours des dix dernières années - une prévision à 7 jours aujourd'hui est aussi bonne qu'elle l'était il y a trois jours à 20 ans.
La qualité des prévisions météorologiques probabilistes au cours des deux dernières décennies. Vert - prévision pour 7 jours, rouge - pour 5 jours, bleu - pour 3 jours.Mais, finalement, le problème de la limitation de la puissance de calcul ne disparaît pas. C'est bien quand le bureau météorologique a un nouveau supercalculateur, mais cela soulève simplement la question de savoir comment utiliser des ressources supplémentaires.
Il est impossible d'être sûr de ce que l'avenir nous apportera, y compris la météo la semaine prochaine. Mais en admettant cela et en essayant d'évaluer avec précision l'incertitude des prévisions, nous pouvons donner des prévisions météorologiques honnêtes au public, et les gens décideront eux-mêmes comment utiliser des informations supplémentaires.