Sélection de la langue

Recherche

En vedette

Mon profil météo Sujets météorologiques  | 

Prévisions saisonnières basées sur des modèles couplés de prévisions climatiques

Introduction

Depuis septembre 1995, le Service météorologique du Canada (CMC) d'Environnement Canada produit des prévisions saisonnières d'anomalies (pour une période de 1-3 mois) de températures et de précipitations pour le Canada. Depuis le 1er décembre 2011, ces prévisions et les prévisions à plus longue échéance sont obtenues à partir d'un ensemble de 20 membres dynamiques, 10 membres pour chacun de 2 modèles. Le 3 Juillet 2019, le modèle CanCM3 a été remplacé par le nouveau modèle GEM-NEMO.

  • CanCM4 (Arora et al. 2011), développé au CCCma utilise le modèle atmosphérique CanAM4 (aussi connu comme AGCM4) avec une résolution horizontale de 315 km (T63) et 35 niveaux verticaux, et le modèle océanique CanOM4 avec résolution approximative de 100 km et 40 niveaux verticaux.
  • GEM-NEMO, développé dans la division de la recherche en prévision numérique (RPN) du Centre météorologique canadien, utilise le modèle atmosphérique GEM (Côté et al. 1998) avec une résolution horizontale de 155km et avec 79 niveau verticaux. La composante océanique est NEMO (Nucleus for European Modelling of the Ocean, http://www.nemo-ocean.eu) avec une résolution horizontale de 110km et avec 50 niveaux verticaux.

CanCM4 est initialisé en le forçant vers l'avant dans le temps, tout en contraignant l'atmosphère, la température de surface de la mer et l'état de la glace de mer à être près des observations basées sur les analyses du CMC. Juste avant le début de la période de prévisions, les températures sous la surface de la mer provenant du système d'assimilation de données de la mer de NCEP (GODAS [en anglais seulement]) sont incorporées en utilisant la méthode de Tang et al. 2004 et Troccoli et al. 2002. L'état initial de la surface terrestre contenant l'humidité du sol et le couvert nival est déterminé par le travail interne du modèle contraint. Au moment de la prévision initiale, les contraintes sont enlevées et la prévision commence. La composante atmosphérique de GEM-NEMO est initialisée avec 10 membres d’ensemble du Système global de prévision d’ensemble (SGPE, Houtekamer et al. 2009; Lin et al. 2016) qui sont générés avec une ensemble de filtres de Kalman (EnKF). Durant cette étape, on applique une procédure de ‘contrôle de la qualité sur un champ d’essai’ sur les observations et on corrige les biais par le Système global de prévision déterministe (SGPD). L’initialisation de l’océan et de la glace marine provient d’analyses du CMC (ex. les analyses GIOPS, Smith at al. 2016). Pour initialiser les champs de surface, le système de prévision de surface (SPS, Carrera et al. 2010) du SMC est utilisé. Ce système est utilisé dans le mode non-couplé (offline) forcé par les champs atmosphériques provenant des analyses du CMC.

Puisque les modèles de prévisions contiennent un océan simulé, les températures de surface de la mer futures (anomalies SST) et leurs influences climatiques sont déterminées par le modèle comme faisant partie de la prévision. Ceci contraste avec le système précédent où les anomalies SST observées juste avant le début de la prévision (30 jours précédents) étaient utilisées pendant toute la période de prévision. C'est pourquoi la limite des prévisions était limitée à 4 mois. Une autre caractéristique importante du présent système est qu'il peut potentiellement prévoir un futur événement El Nino ou La Nina, contrairement au système précédent.

Les biais du modèle sont ajustés statistiquement (voir plus bas pour plus d'explications) basés sur une prévision historique de 30 ans (1981-2010). Cette prévision fournie également la base pour estimer l'habileté attendue des prévisions des modèles (voir Kharin and Zwiers, 2001; Kharin et al., 2001; Kharin et al., 2009; Merryfield et al. 2010). Les données de prévision historique du CHFP2 sont disponibles en ligne sur le site web du CCCma.

Méthodologie de la prévision de la température de l'air à la surface

La prévision de la température de l'air à la surface est faite en faisant d'abord une moyenne de la température journalière prévue par les modèles. Les climatologies des modèles sont ensuite soustraites des prévisions de températures saisonnières moyennes pour obtenir les anomalies prévues de chaque modèle. Les anomalies de chaque modèle sont ensuite normalisées et combinées en utilisant une moyenne arithmétique. Les anomalies prévues de la température de l'air à la surface sont les anomalies moyennes de températures journalières mesurées à la hauteur standard de l'abri Stevenson (2 mètres). Finalement les anomalies sont divisées en trois catégories (au-dessus, près et sous de la normale).

Méthodologie de la prévision des précipitations

La prévision des précipitations est faite en utilisant l'équivalent eau accumulé sur toute la saison. Les précipitations prévues par les modèles correspondent à la quantité totale de liquide et incluent tous les types de précipitations: neige, pluie, verglas, etc. La climatologie des modèles est soustraite du total des précipitations prévues pour obtenir les anomalies. Les anomalies des deux modèles sont ensuite combinées en utilisant une moyenne normalisée comme pour les températures. Finalement, les anomalies de précipitations sont divisées en 3 catégories (au-dessus, près et sous de la normale) comme avec les anomalies de températures.

Références

Arora, V., J. Scinocca, G. Boer, J. Christian, K. L. Denman, G. Flato, V. Kharin, W. Lee, W. Merryfield, 2011: Carbon emission limits required to satisfy future representative concentration pathways of greenhouse gases. Geophys. Res. Lett., 38, L05805, doi:10.1029/2010GL046270.

Buehner, M., R. McTaggart-Cowan, A. Beaulne, C. Charette, L. Garand, S. Heilliette, E. Lapalme, S. Laroche, S. R. Macpherson, J. Morneau and A. Zadra, 2015: Implementation of Deterministic Weather Forecasting Systems based on Ensemble-Variational Data Assimilation at Environment Canada. Part I: The Global System. Mon. Wea. Rev .143, 2532-2559.

Carrera, M. L., S. Bélair, V. Fortin, B. Bilodeau, D. Charpentier, and I. Doré (2010), Evaluation of snowpack simulations over the Canadian Rockies with an experimental hydrometeorological modeling system, J. Hydrometeorol., 11, 1123–1140.

Côté, J., S. Gravel, A. Méthot, A. Patoine, M. Roch, and A. Staniforth, 1998: The operational CMC-MRB Global Environmental Multiscale (GEM) model: Part I - Design considerations and formulation. Mon. Wea. Rev., 126, 1373-1395.

Houtekamer, P. L., H. L. Mitchell, and X. Deng, 2009: Model Error representation in an operational ensemble Kalman filter, Mon. Wea. Rev., 137, 2126-2143.

Kharin, V. V. et F. W. Zwiers, 2001: Skill as a function of time scale in ensemble of seasonal hindcasts. Climate Dynamics, 17, 127-141.

Kharin, V.V ., F. W. Zwiers et N. Gagnon, 2001: Skill of seasonal hindcasts as a function of the ensemble size. Climate Dynamics, 17, 835-843.

Kharin, V. V., Q. Teng, F. W. Zwiers, G. J. Boer, J. Derome, J. S. Fontecilla, 2009: Skill assessment of seasonal hindcasts from the Canadian Historical Forecast Project. Atmos. Ocean., 47, 204-223.

Lin, H., N. Gagnon, S. Beauregard, R. Muncaster, M. Markovic, B. Denis, and M. Charron, 2016: GEPS based monthly prediction at the Canadian Meteorological Centre, Mon. Wea. Rev., 144, 4867-4883. DOI: 10.1175/MWR-D-16-0138.1.

Merryfield, W. J., W.-S. Lee, G. J. Boer, V. V. Kharin, B. Pal, J. F. Scinocca and G. M. Flato, 2010: The first Coupled Historical Forecasting Project (CHFP1). Atmos. Ocean, 48, 263-283.

Merryfield, W. J., W.-S. Lee, G. J. Boer, V. V. Kharin, J. F. Scinocca, G. M. Flato, R. S. Ajayamohan, J. C. Fyfe, Y. Tang, and S. Polavarapu, 2013. The Canadian Seasonal to Interannual Prediction System. Part I: Models and initialization, Monthly Weather Review, in press, doi:10.1175/MWR-D-12-00216.1

Scinocca, J.F., N.A McFarlane, M. Lazare, J. Li, 2008: The CCCma Third Generation AGCM and its Extension into the Middle Atmosphere. Atmospheric Chemistry and Physics, 8, 7055-7074.

Smith, G.C., F. Roy, M. Reszka, D. Surcel Colan, Z. He, D. Deacu, J.-M. Belanger, S. Skachko, Y. Liu, F. Dupont, J.-F. Lemieux, C. Beaudoin, B. Tranchant, M. Drévillon, G. Garric, C.-E. Testut, J.-M. Lellouche, P. Pellerin, H. Ritchie, Y. Lu, F. Davidson, M. Buehner, M. Lajoie and A. Caya, 2016: Sea ice Forecast Verification in the Canadian Global Ice Ocean Prediction System. Quart. J. Roy. Met. Soc., 142, 659–671, doi: 10.1002/qj.2555.

Tang, Y, R. Kleeman, A. M. Moore, J. Vialard, and A. Weaver, 2004: An off-line, numerically efficient initialization scheme in an oceanic general circulation model for El Nino-Southern Oscillation prediction. J. Geophys. Res., 109, C05014, doi:10.1029/2003JC002159.

Troccoli, A., M. A. Balmaseda, J. Segschneider, J. Vialard, D. L. T. Anderson, K. Haines, T. Stockdale, F. Vitart, and A. D. Fox, 2002: Salinity adjustments in the presence of temperature data assimilation. Mon. Wea. Rev., 130, 89-102.

Ce que nous faisons

Date de modification :