Prévisions probabilistes à longue échéance

Les prévisions probabilistes fournissent aux usagers certaines informations supplémentaires qui ne se retrouvent pas dans les prévisions déterministes. Les prévisions probabilistes donnent un estimé de la probabilité que la moyenne saisonnière sera au-dessus, près ou sous la normale. Pour chacune de ces catégories, la probabilité est obtenue en calculant d'abord les anomalies ou écarts par rapport à la normale pour chaque membre de l'ensemble et en appliquant ensuite une méthode de calibrage, similaire à celle décrite dans Kharin et Zwiers (2003), à ces valeurs. (Les probabilités de prévisions avant juin 2013 n'étaient pas calibrées et étaient obtenues par un comptage de membres dans chacune des trois catégories divisé par le nombre total de membres.)

Que représentent les cartes de prévisions probabilistes?

Les cartes de prévisions probabilistes sont composées de 5 panneaux. Le premier affiche pour chaque localisation la probabilité pour la plus probable des trois catégories (sous, près ou au-dessus de la normale), où les régions de couleur blanche sur le Canada représentent les localisations où aucune catégorie n'excède 40%. Les 3 cartes suivantes montrent les probabilités pour chacune des catégories individuelles. Sur les cartes pour la température de l'air à la surface, la gamme de couleurs varie du jaune au rouge pour la catégorie au-dessus de la normale, du gris au pourpre pour la catégorie près de la normale et du bleu pâle au bleu foncé pour la catégorie sous la normale. Pour les cartes des précipitations, la gamme de couleurs varie du vert au bleu pour la catégorie au-dessus de la normale, du gris au pourpre pour la catégorie près de la normale et du jaune au brun foncé pour la catégorie sous la normale. Les mois pour lesquels la prévision est valide est indiquée au bas de chaque panneau. La date d'émission de la prévision est indiquée dans le coin supérieur droit. L'échelle de couleur sur le côté droit des cartes indique la probabilité prévue, en pourcentage du nombre de membres (intervalles de 10%) pour la catégorie spécifique. Il est important de noter que la première carte (en haut) combinant les 3 catégories affiche pour chaque localisation la catégorie avec la plus grande probabilité supérieure à 40%, tandis que les régions de couleur blanche sur le Canada indiquent qu'aucune catégorie n'a atteint le seuil de 40% et ainsi la catégorie la plus probable pour ces régions est considérée incertaine. Finalement, le diagramme de fiabilité montre pour chaque endroit, la fréquence avec laquelle chaque catégorie survient (axe vertical) contre la probabilité avec laquelle elle a été prévue (axe horizontal). Idéalement, les fréquences observées devraient être égales aux probabilités des prévisions. Dans ce cas, les points dans le diagramme de fiabilité seraient tous près de la ligne diagonale tiretée.

Quel lien existe-t-il entre les prévisions déterministes et probabilistes?

Les prévisions déterministes et probabilistes sont deux manières différentes de présenter l'information au sujet de la prévision. Les prévisions déterministes montrent la catégorie prévue de la prévision (au-dessus, près ou sous la normale) qui résulte de la moyenne des 20 prévisions qui composent l'ensemble. Les cartes de pourcentage correct historique attachées à la prévision déterministe donnent une indication de l'habileté attendue du système de prévision, en se basant sur la vérification des prévisions passées pour un certain nombre d'années (30 ans de façon typique). Cette information est utile mais, malheureusement, les cartes de pourcentage correct historique ne fournissent pas d'information sur la confiance qui pourrait être attribuée à la prévision spécifique courante.

C'est là où les prévisions probabilistes peuvent ajouter une information importante aux prévisions déterministes, puisqu'elles peuvent donner un certain estimé de la clarté de la prévision spécifique courante. Par exemple, une prévision déterministe de conditions au-dessus de la normale qui serait accompagnée de probabilités de 45%, 30% et 25% pour les catégories au-dessus, près, et sous la normale respectivement, serait moins discriminante et moins confiante qu'une même prévision associée avec des probabilités de 60%, 25% et 15%. Dans ce cas, il y aurait plus de chance que le hasard que des conditions au-dessus de la normale prévalent et peu de chances que des conditions sous la normale soient observées. De façon similaire, une prévision pour des conditions près de la normale pourrait être accompagnée de probabilités de 30%, 40% et 30%, dans ce cas, la prévision ne serait pas très discriminante. Par contre, des probabilités de 15%, 70% et 15% seraient beaucoup plus représentatives d'un signal près de la normale clair.

Il faut noter que bien que les cartes de prévisions déterministes soient basées sur la vérification des 3 catégories, plusieurs études faites sur les systèmes de prévisions saisonnières démontrent que la catégorie près de la normale est toujours moins bien prévue que celle des catégories au-dessus et sous la normale. (Van Den Dool et Toth, 1991 ; Gagnon et al. 2000 ; Gagnon et Verret, 2000, 2001 ; Kharin et Zwiers, 2003). La raison principale de cette constatation provient du fait que les catégories au-dessus et sous la normale sont ouvertes. En d'autres mots, elles sont seulement contraintes d'un côté (c'est-à-dire, par la catégorie près de la normale). Ainsi, une prévision au-dessus de la normale sera bonne peu importe si les conditions observées sont légèrement ou fortement au-dessus de la normale. Le même principe s'applique à la catégorie sous la normale. Par contre, la catégorie près de la normale est contrainte des deux côtés. Par conséquent, seulement une gamme comparativement plus restreinte des valeurs observées lui permet d'être correcte. Ainsi on peut dire que, de façon générale, l'on doit attribuer moins de confiance à une prévision près de la normale quelle que soit la prévision probabiliste, comparativement aux prévisions au-dessus et sous la normale.

Veuillez consulter la section sur le calibrage pour plus d'information.

Comment les prévisions probabilistes sont-elles produites?

Les prévisions saisonnières actuelles résultent d'un ensemble de 20 membres, soit 10 membres de chacun des deux modèles couplés du Centre canadien de la modélisation et de l'analyse climatique (CCmaC) CanCM3 et CanCm4.

Avant juin 2013, les probabilités prévues étaient calculées en comptant, pour chacun des endroits du Canada, le nombre de membres dans chacune des trois catégories et en divisant par la taille de l'ensemble (20). Par exemple, si pour un endroit particulier 13 membres prévoyaient au-dessus de la normale, 6 membres près de la normale et 1 membre sous la normale, les probabilités de prévision étaient respectivement 65.0% au-dessus de la normale, 30.0% près de la normale et 5.0% sous la normale.

Depuis juin 2013, les probabilités sont calculées en utilisant la procédure suivante (basée sur Kharin et Zwiers (2003)) :

Premièrement, à partir de prévisions a posteriori (hindcast) de 1981-2010, les statistiques suivantes sont calculées pour chaque mois d'initialisation, échéance et période de calcul de la moyenne:
- Moyenne climatologique de chaque modèle.
- Estimé de l'écart-type de la variabilité interannuelle des deux modèles combinés, qui est utilisée pour obtenir les 3 catégories de la distribution normale: sous, près et au-dessus de la normale.
- Un coefficient de calibrage (CAL) qui remet à l'échelle optimalement l'anomalie moyenne de l'ensemble de deux modèles et la dispersion de l'ensemble pour maximiser l'indice continu de probabilité (continuous rank probability skill score) pour les prévisions a posteriori.

Les probabilités pour chaque prévision sont alors obtenues par
- Calcul des anomalies A1 et A2 pour chaque modèle en soustrayant la climatologie du modèle correspondant des valeurs brutes prévues
- Calcul de l'anomalie non pondérée de la moyenne de l'ensemble des 2 modèles, avec AU=(A1+A2)/2
- Remise à l'échelle de cette anomalie avec le coefficient de calibrage optimal dérivé des prévisions historiques: AC=CAL*AU
- Obtenir les probabilités pour les 3 catégories en utilisant les expressions analytiques pour une distribution normale en utilisant la formule 4 dans Kharin and Zwiers (2003)

Pour les prévisions de précipitations, une étape supplémentaire est nécessaire. Puisque la distribution interannuelle des prévisions de précipitations à une échelle mensuelle ou saisonnière dévie substantiellement de la distribution normale, les prévisions de précipitations sont transformées pour se rapprocher de la distribution normale. Il est supposé que la distribution des prévisions de précipitations brutes peut être approximée par une distribution Gamma possédant 2 paramètres, d'échelle et de forme. Ces paramètres sont estimés à partir des prévisions historiques sur 30 ans et sont utilisés pour transformer les prévisions en une variable dont la distribution est proche d'une distribution normale. Les étapes précédentes sont alors exécutées sur la variable transformée.

Sur les cartes de prévisions saisonnières, les probabilités calibrées sont regroupées en intervalles de 10%. Ainsi une probabilité de 5% est indiquée comme faisant partie de l'intervalle de 0 à 9%, tandis qu'une probabilité de 65% fait partie de l'intervalle 60-69%.

L'influence des méthodes de calibrage comme celle décrite plus haut sur les probabilités de prévisions est décrite ici.

La définition des catégories

Les prévisions probabilistes sont classées par catégorie: au-dessus, près et sous la normale. La définition de ces 3 catégories est la même que pour les prévisions déterministes.

Comment utiliser les cartes?

  1. Regarder la carte déterministe de prévision et d'habileté pour les anomalies de la température et des précipitations afin de déterminer la catégorie de prévision (au-dessus, près ou sous la normale). C'est cette prévision que vous utiliseriez si vous aviez à donner la prévision en un mot.
  2. Regarder les cartes probabilistes de prévision pour chacun des 3 catégories pour la région d'intérêt.
  3. Comparer la couleur sur les cartes probabilistes avec celles de l'échelle du côté droit. Le nombre obtenu est une évaluation de la probabilité de l'occurrence pour chaque catégorie. Grosso modo, on peut dire qu'une probabilité plus élevée équivaut à une confiance plus élevée pour la prévision (voir des exemples ci-dessous). Vous êtes invité à consulter la section de calibrage pour obtenir de l'information sur comment calibrer les probabilités.

Il faut noter que la prévision de la température de l'air à la surface est une prévision de l'anomalie de la température quotidienne moyenne à 2 mètres du sol (c'est-à-dire à la hauteur standard de l'abri Stevenson). Ce n'est pas une prévision de la température quotidienne maximale ou minimale. Pour plus d'information sur ce qui est prévu par les prévisions saisonnières d'Environnement Canada, consulter la page foire aux questions.

Exemples :

Le tableau suivant présente 3 cas de prévisions déterministes et probabilistes pour la température en un lieu donné. Pour chaque cas, le contexte des prévisions est présenté suivi des conclusions sur les prévisions et la confiance devant être accordée à ces prévisions.
Contexte Conclusions
  • prévisions déterministes
    • au-dessus de la normale
  • prévisions probabilistes (%)
    • au-dessus   : 80-89%
    • près           : 10-19%
    • au-dessous : 0-9%
  • Probabilité élevée que les températures soient au-dessus de la normale.
  • Confiance élevée en la prévision.
  • Probabilité faible que les températures soient au-dessous de la normale.
  • prévisions déterministes
    • au-dessus de la normale
  • prévisions probabilistes
    • au-dessus   : 50-59%
    • près           : 20-29%
    • au-dessous : 20-29%
  • Probabilité que les températures soient au-dessus de la normale.
  • Confiance faible puisque la probabilité d'être au-dessus de la normale dépasse à peine 50%.
  • prévisions déterministes
    • près de la normale
  • prévisions probabilistes
    • au-dessus   : 20-29%
    • près           : 40-49%
    • au-dessous : 40-49%
  • Exemple le plus mitigé. Probabilité moyenne d'être près de la normale ou encore sous la normale.
  • Confiance faible puisque aucune des probabilités ne dépasse 50%.
  • Probabilité faible que les températures soient au-dessus de la normale.

Bibliographie

  • Gagnon, N. and R. Verret, 2001: Probabilistic Approach to Seasonal Forecasting, Proceedings of the Long-Range Weather and Crop Forecasting Work Group Meeting IV, Regina, Saskatchewan, March 5-6, 2001, 13-18.
  • Gagnon, N. and R. Verret, 2000 : Probabilistic Approach to Seasonal Forecasting at the Canadian Meteorological Centre. Proceedings of the Twenty-Fifth Annual Climate Diagnostics and Prediction Workshop, Palisades, New York, October 23-27 2000, 169-172
  • Gagnon, N., R. Verret,A. Plante, L. Lefaivre and G. Richard, 2000: Long-Range Forecasts Verification, Preprints, 15th Conference Probability and Statistics in Atmospheric Sciences, AMS, Asheville, North Carolina, May 2000, 65-68.
  • Kharin, V. V., and F. W. Zwiers, 2003: Improved seasonal probability forecasts. Journal of Climate, 16, 1684-1701.
  • Van Den Dool, Huug M., Toth, Zoltan. 1991: Why Do Forecasts for "Near Normal" Often Fail? Weather and Forecasting: Vol. 6, No. 1, 76-85.