Pourquoi déterministe et ensemble peuvent être très différents ?

[_sb]

Il y a 23 heures, Dumbo a dit :

pourquoi peut il avoir de grosse différences entre le déterminisme et l'ensemble des modèles météo

 

Bon, là, c'est un petit peu plus technique. Donc, je vais essayer de faire aussi simple que je peux !

 

Imagine une recette de cuisine. Si tu la suis à la lettre, au gramme près pour chaque ingrédient, tu obtiendrais l'équivalent du déterministe.

Maintenant que tu maîtrise la recette sur le bout des doigts, tu t'amuses en changeant un ingrédient ou en mettant un peu plus de ça etc. L'ensemble de tes modifications donneront des plats plus ou moins proches de celui de la recette exacte. Les ensembles, c'est un peu la même chose !

 

À une nuance près, c'est que l'atmosphère est chaotique, c'est-à-dire qu'une petite différence quelque part peut provoquer - ou pas ! - une importante différence ailleurs. C'est le fameux effet papillon.

 

Pour créer les ensembles, on « perturbe », c'est-à-dire qu'on ajoute de petites modifications dans la recette initiale pour voir ce que ça donne car on ne connaît jamais comment est exactement l'atmosphère au moment du départ du calcul de prévision. On part d'un état qu'on suppose le plus proche de la réalité, ça donnera le déterministe.

Puis on apporte ces petites modifications pour couvrir les incertitudes sur l'état réel de l'atmosphère. Cela donne les ensembles.

 

Voilà pourquoi certaines perturbations au départ peuvent générer de grosses différences à l'arrivée. Ou très peu de différences ... Ces différences entre dans le travail d'analyse.

 

Voilà un première approche pour répondre à ta question. D'autres interviendront aussi.

 

[Dumbo]

Merci bcp de ta réponse , j ai tout bien compris , j aime bien manger🤗 surtout tes explications sont très pédagogique et explicite 

 

 

[Julien42]

Le 19/06/2020 à 19:16, _sb a dit :

 

Bon, là, c'est un petit peu plus technique. Donc, je vais essayer de faire aussi simple que je peux !

 

Imagine une recette de cuisine. Si tu la suis à la lettre, au gramme près pour chaque ingrédient, tu obtiendrais l'équivalent du déterministe.

Maintenant que tu maîtrise la recette sur le bout des doigts, tu t'amuses en changeant un ingrédient ou en mettant un peu plus de ça etc. L'ensemble de tes modifications donneront des plats plus ou moins proches de celui de la recette exacte. Les ensembles, c'est un peu la même chose !

 

À une nuance près, c'est que l'atmosphère est chaotique, c'est-à-dire qu'une petite différence quelque part peut provoquer - ou pas ! - une importante différence ailleurs. C'est le fameux effet papillon.

 

Pour créer les ensembles, on « perturbe », c'est-à-dire qu'on ajoute de petites modifications dans la recette initiale pour voir ce que ça donne car on ne connaît jamais comment est exactement l'atmosphère au moment du départ du calcul de prévision. On part d'un état qu'on suppose le plus proche de la réalité, ça donnera le déterministe.

Puis on apporte ces petites modifications pour couvrir les incertitudes sur l'état réel de l'atmosphère. Cela donne les ensembles.

 

Voilà pourquoi certaines perturbations au départ peuvent générer de grosses différences à l'arrivée. Ou très peu de différences ... Ces différences entre dans le travail d'analyse.

 

Voilà un première approche pour répondre à ta question. D'autres interviendront aussi.

 

Je n'ai pas mieux. Bravo à toi pour cette explication très simple et pédagogique ! 

[Damien49]

Notons également que les "petites perturbations" viennent aussi du fait que nous "simulons" en partie l'état de notre atmosphère et que nous utilisons pour ça les équations primitives atmosphériques. On ne connait jamais totalement l'état exact de notre atmosphère en tout point, mais on utilise une forme de représentation de la température, du vent etc... sous forme d'évolution non linéaire dans l'espace. On n'obtient donc pas une courbe linéaire et fixé dans l'évolution des données, mais un potentiel de trajectoire et d'évolution possible qui suit certaines lois (le fameux Attracteur de Lorenz). Le modèle déterministe gomme cette non linéarité puisque le rôle des équations primitive qu'on utilise pour prévoir le temps est de transformer les équations aux dérivées partielles non linéaires totalement insolubles (fameuse équations de navier stroke) en équations différentielles (en utilisant une grille) qui peut être lui beaucoup plus facilement calculé et c'est pourquoi il devient alors très sensible aux conditions initiales. Ces conditions aux limites utilisés par les modèles ensemblistes deviennent alors des paramètres de contrôle du modèle déterministe et permettent de gommer les incertitudes créé par la simplification de nos équations.

 

Enfin plus tu augmentes la maille de ton modèle, plus tu simplifies tes équations, plus tu masques les fluctuations secondaires et plus tu fait apparaitre les phénomènes les plus importants. La simplification devient donc source de clarification, mais c'est au détriment évidement de la précision.

[_sb]

Exactement, en météorologie, en obs comme en prévi, la notion d'échelles est prépondérante : il est important de toujours savoir dans quelle échelle on évolue, les conclusions diffèrent, tout comme les process pour y arriver.

 

Pour rester dans le simple, une carte de l'Atlantique nord et de l'Europe permet de connaître les grands centres d'action, les flux et, par déduction, les grandes tendances du temps sensibles. Par exemple, vers un assèchement et un réchauffement de la masse d'air, ou vers un potentiel tempêtueux, etc. Mais ne permettra pas de connaître précisément le temps qu'il fera sur une ville.

 

De plus, comme indiqué ci-dessus, les ensembles permettent de distinguer des tendances plus larges et ou plus fines : un potentiel d'un flux de N plus important qu'un potentiel flux d'W, sans pour autant éliminer l'un au bénéfice de l'autre. Déterministes et ensembles sont complémentaires au sens où chacun fournit des informations qui ne sont pas toutes présentes chez l'autre, voire parfois qui s'opposent.

Comme dans la plupart des domaines de la société humaine, la pluralité est source de richesses.

[Yves70]

Les ensembles ont ceci d’intéressant je trouve qu’ils permettent de donner une probabilité sur la donnée étudiée. Si on prend la pluie, l’ensemble pourra nous dire par exemple que dans 3 jours la probabilité d’avoir plus qu’1mm de pluie est de 40% ou 20%, etc... C’est une approche intéressante et utile.

[_sb]

En n'oubliant pas que ces probabilités sont calculées en fonction des résultats des membres de l'ensemble : 30% de RR > 1 mm indique que 30% des membres modélisent des RR > 1 mm. Dit autrement, 2 ensembles ne fourniront pas la même probabilité. C'est une information supplémentaire mais pas une information prévisionnelle. Tu avais peut-être saisi la nuance mais je préfère la rappeler.

[_sb]

Ça date (2006) mais les principes restent les mêmes, et c'est en anglais C'était dans mes vieux marques pages !

https://www.wpc.ncep.noaa.gov/ensembletraining/

[Damien49]

Me concernant, si ce que je raconte vous parait obscure, un lien qui explique 1000 fois mieux et de façon plus complète : http://documents.irevues.inist.fr/handle/2042/53401

 

Vous pouvez télécharger le PDF en haut

[Yves70]

Il y a 7 heures, _sb a dit :

En n'oubliant pas que ces probabilités sont calculées en fonction des résultats des membres de l'ensemble : 30% de RR > 1 mm indique que 30% des membres modélisent des RR > 1 mm. Dit autrement, 2 ensembles ne fourniront pas la même probabilité. C'est une information supplémentaire mais pas une information prévisionnelle. Tu avais peut-être saisi la nuance mais je préfère la rappeler.

@_sb Oui mais merci de le repréciser !

 

Il y a 7 heures, _sb a dit :

Ça date (2006) mais les principes restent les mêmes, et c'est en anglais C'était dans mes vieux marques pages !

https://www.wpc.ncep.noaa.gov/ensembletraining/

Merci pour cet excellent lien !