Par John McHenry, Baron Chief Scientist
L'aide à la décision pour un large éventail de secteurs sociétaux et économiques sensibles aux conditions météorologiques est un élément essentiel de l'intelligence météorologique critique que Baron offre à ses clients. La technologie et la capacité à traiter les problèmes en temps réel, les prévisions immédiates et les prévisions à l'échelle en utilisant des systèmes d'aide à la décision multi-échelles, multi-modèles et multi-méthodes sont cruciales pour atténuer les menaces à la sécurité économique et personnelle, une composante essentielle de la mission globale de Baron. Cet article d'ensemble examine la grande variété de technologies de prévision généralement classées dans la catégorie de l'aide à la décision et documente des cas d'utilisation représentatifs dans lesquels les systèmes DSS opérationnels de Baron ont fourni des conseils exploitables.
Avant d'aborder la technologie, il convient de noter qu'aucune des technologies de prévision DSS de Baron n'est considérée comme "prête à l'emploi". Baron adopte une approche orientée client, en commençant par déterminer les besoins, les exigences et les souhaits du client. Elle élabore ensuite une solution en fonction du contexte du client : ce dont il a besoin pour utiliser et diffuser les informations météorologiques critiques dérivées d'un DSS de Baron. Bien que Baron ait plus de 100 années-personnes d'expérience dans le développement et le déploiement de systèmes de prévision DSS basés sur des modèles, la société a l'habitude de travailler avec les modèles préférés des clients. C'est souvent la meilleure approche, car de nombreux clients ont déjà des connaissances et une expérience de leurs systèmes de modélisation locaux, mais n'ont pas forcément la capacité ou les ressources nécessaires pour les intégrer dans le DSS opérationnel, qui fait défaut. Baron apporte donc à la table la volonté de "travailler dans le contexte" et de fournir ses propres solutions de modélisation hautement sophistiquées quand et où cela est nécessaire.
La figure 1. donne un aperçu d'un DSS conceptuel qui représente ceux que Baron a mis en œuvre. Le DSS commence par l'ingestion, l'assurance qualité et l'intégration des ensembles de données d'observation nécessaires à l'initialisation/assimilation des modèles de prévision ou à l'évaluation, l'étalonnage et l'amélioration des modèles ultérieurs (hors ligne). Baron s'assure que les observations sont correctement contrôlées avant d'être acceptées dans une base de données relationnelle conventionnelle ou similaire, en fonction de la taille et du type d'ensemble de données. Une fois disponibles, les observations dont la qualité a été vérifiée sont alors fournies en temps réel au(x) composant(s) de modélisation du DSS.
Le système de modélisation des prévisions s'intègre ensuite, et comprend généralement un cycle d'assimilation et un cycle de prévision. Par exemple, dans le système d'assimilation des données terrestres de Baron (BLDAS), le QPE opérationnel dérivé du radar et corrigé de la jauge, ainsi que d'autres variables de forçage, sont fournis et mis à jour toutes les demi-heures. Le BLDAS suit alors le rythme de l'horloge tout en fournissant les conditions initiales nécessaires au lancement des modèles de prévision. Cela garantit que le modèle de prévision commence avec le meilleur état initial possible, ce qui est crucial pour les applications de prévisions hydrologiques, agricoles, routières ou autres. Le DSS fournit également des postes de travail et des écrans utilisés par le personnel pour interpréter les informations de prévision et les conseils fournis par le DSS.
Baron propose plusieurs options pour la diffusion des menaces et des alertes, notamment son application Safety Net, largement utilisée. En règle générale, les archives DSS prévoient des dépôts de données d'observation, de prévisions de modèles et de produits de prévision afin de reproduire, d'étudier et d'évaluer des cas opérationnels de manière exhaustive. Cela permet au client d'améliorer ultérieurement les performances du DSS par rapport à des mesures objectives, y compris des mesures catégorielles, discrètes et aréales-catégorielles. Baron fournit également un sous-système d'étalonnage personnalisé de bout en bout qui s'interface entièrement avec son DSS de modélisation des prévisions hydrologiques, ainsi qu'une formation et des manuels pour le système de bout en bout.
Classes de modèles de prévision et liens entre les modèles dans un environnement DSS
La plupart des applications de prévision DSS, y compris ce que l'on pourrait appeler les "modèles d'application autonomes (SAMS)", nécessitent une certaine forme de modèle de prévision météorologique numérique (NWP) ou d'entrées NWP. La grande expérience de Baron avec le modèle Weather Research and Forecasting (WRF) (Figure 2), ses systèmes d'assimilation de données (DA) et son prédécesseur MM5 lui permet de répondre à la plupart des besoins actuels des clients en matière de prévision numérique du temps.
Les scientifiques du Baron connaissent très bien la physique, la dynamique et les schémas d'analyse des données dans les modèles, ce qui permet d'adapter et d'améliorer les paramètres. Par exemple, les modifications apportées au schéma convectif de Kain-Fritsch (Kain, 2004) réduisent la formation de cyclones tropicaux parasites, et les modifications apportées aux schémas LSM, PBL et microphysiques améliorent le couplage terre-atmosphère et la conservation des hydrométéores.
Baron utilise également des stratégies d'optimisation du code qui améliorent les temps d'exécution par rapport aux versions du code publiées par la communauté. Ces stratégies sont essentielles pour tirer le meilleur parti du matériel qui peut devoir être acheté dans le cadre de la mise en œuvre du DSS, ce qui permet aux clients de réaliser des économies significatives ou d'améliorer les charges de travail par rapport aux versions de modèles publiées par la communauté. Baron fournit également des solutions de prévisions déterministes et d'ensemble NCEP GFS à échelle réduite et peut déployer des modèles régionaux à mésoéchelle en tant que systèmes d'ensemble. Cela inclut la mise en œuvre de modèles NWP développés dans des pays ou des consortiums en dehors des États-Unis.
Le modèle NWP mis en œuvre alimente et est couplé à d'autres modèles d'application, tels que la qualité de l'air, l'hydrologie ou divers SAMS basés sur la surface terrestre dans de nombreuses applications DSS de Baron. Par exemple, Baron fournit des prévisions opérationnelles de qualité de l'air à de nombreux clients américains depuis plus de dix ans (McHenry et al., 2004 ; figure 3). Pour ce faire, il faut utiliser soit un système de modélisation tripartite "faiblement couplé" (modèle de prévision numérique du temps, d'émissions et de transport de produits chimiques, tel que le modèle CMAQ (Community Multiscale Air Quality) de l'EPA), soit un système de modélisation intégré plus étroitement couplé, tel que WRF-Chem.
En outre, le développement récent par Baron de l'assimilation variationnelle des informations sur la profondeur optique des aérosols provenant des satellites de la NASA (MODIS) dans la plate-forme de modélisation CMAQ (McHenry et al., 2013 ; figure 4) permet à ce modèle de réaliser des améliorations significatives dans la compétence de prévision des particules en fonction de la qualité des estimations dérivées des satellites. Les estimations dynamiques des émissions, qui nécessitent une attention quasi permanente pour les mises à jour, constituent l'un des principaux défis que posent les systèmes de prévision de la qualité de l'air (AQ-DSS) à haute précision. Les scientifiques de Baron ont développé le système de traitement Sparse-Matrix Operator Kernel Emissions (SMOKE, Coats et Houyoux, 1996) pour l'Agence américaine de protection de l'environnement afin de résoudre ce problème, et Baron utilise une version en temps réel de ce système pour fournir des émissions à ses modèles opérationnels de qualité de l'air.
Comme indiqué ci-dessus, les PNT sont également utilisées - en combinaison avec les observations - pour piloter une grande variété de systèmes de modélisation hydrologique et basés sur la surface terrestre. Aux États-Unis, le BLDAS fonctionne nativement à une résolution spatiale de 1 km sur l'ensemble du CONUS en utilisant des données d'entrée QPE à la même échelle. Il s'agit de la plus grande mise en œuvre opérationnelle d'un LDAS à très haute résolution disponible (McHenry et Olerud, 2015). En plus de l'hydrologie du débit, les versions d'assimilation et de prévision du BLDAS sont utilisées comme base pour l'agriculture, l'état des routes (figure 5), la météo des incendies (figure 6) et les SAMS de menace de crue éclair.
Pour les applications agricoles, BLDAS fournit des données d'entrée aux modèles de maturation du maïs et du soja, ainsi qu'aux modèles de séchage post-maturité. Fonctionnant en mode ensemble, les modèles de maturation des cultures permettent une interprétation probabiliste de la maturation et des dates de récolte optimales, ce qui permet aux agriculteurs de planifier ou de se protéger contre les probabilités de maturation et de récolte précoces ou tardives. Bien que le maïs et le soja soient les principales cultures ciblées aux États-Unis, la base de données Baron appliquée dans BLDAS permet d'estimer les conditions d'humidité et de température du sol pour plus de 90 variétés de cultures différentes sur leurs lieux de culture, y compris les annuelles et les vivaces.
Le système de modélisation des chaussées Baron utilise également les données du BLDAS et d'autres données et modèles d'observation pour fournir des estimations en temps réel de la température des chaussées, de leur teneur en eau (gelée ou non) et des conditions de conduite. Ce système est disponible depuis plusieurs années par l'intermédiaire du service XM NavWeather dans de nombreux modèles de voitures OEM aux États-Unis. NavWeather fournit directement au conducteur des informations exploitables qui lui permettent de mieux anticiper les mauvaises conditions de conduite à venir.
Fournir des conseils en temps réel et à haute résolution sur les menaces de crues éclair est un défi, en particulier lorsque la couverture géographique doit être complète et que les produits doivent être rapidement mis à jour. Baron a maintenant déployé un système de guidage des crues éclair appelé Rapid Early Flash-flood EXamination (REFLEX) SAM. REFLEX combine les quantités de ruissellement local direct (à l'intérieur d'une cellule de la grille) avec l'acheminement du ruissellement à travers un réseau de cours d'eau d'une cellule de la grille à l'autre qui est applicable jusqu'à six heures de ruissellement en amont qui s'accumulerait à chaque cellule de la grille cible. En exécutant le modèle de ruissellement à cheminement décalé pendant 30 années historiques et en sauvegardant les sorties demi-horaires, les statistiques des événements extrêmes sont saisies pour chaque cellule de la grille dans le domaine de modélisation, puis utilisées comme référence par rapport au ruissellement accumulé en temps réel/prévu. Des études de cas récentes dans le sud-est des États-Unis ont montré que pour deux événements près de la région de Raleigh-Durham dans l'État de Caroline du Nord, REFLEX a estimé un potentiel de menace significatif pour les crues éclair bien avant les alertes de crues éclair (figures 7 et 8).
Baron a achevé l'installation du système de modélisation des prévisions hydrologiques (HFMS) pour le programme roumain de réduction des eaux destructives (DESWAT), qui est maintenant opérationnel dans tout le pays depuis trois ans. Une étude de cas récente publiée par Matreata et al. (2013) a évalué le modèle Baron de prévision explicite des débits (désigné NOAH-R dans cet article) fonctionnant à une résolution de 100 mètres pour un événement de crue soudaine qui s'est produit dans le bassin de la rivière Calnau les 24 et 25 juillet 2011. Les débits de pointe aux deux stations hydrométriques du bassin correspondaient à des périodes de retour de 20 à 100 ans. La distribution spatiale et temporelle de l'événement de précipitations intenses a été correctement indiquée par le sous-système d'extrapolation radar FutureScan de Baron Hydro, tandis que le modèle de débit explicite a prévu l'hydrogramme observé de manière assez satisfaisante (Figure 9). Comme l'ont noté Matreata et al, d'autres produits maillés fournis par le système Baron (état d'humidité du sol, ruissellement de surface, ruissellement souterrain) sont "très utiles en tant qu'informations supplémentaires et/ou de soutien pendant le processus d'alerte de crue soudaine. Ils peuvent être particulièrement utiles pour mieux estimer la gravité de l'inondation attendue".
Renseignements météorologiques critiques
Les systèmes d'aide à la décision basés sur le modèle de prévision Baron contribuent de manière significative à fournir les informations météorologiques critiques nécessaires à un large éventail de décisions sensibles aux conditions météorologiques. Les prochains articles détailleront les différentes catégories de systèmes d'aide à la décision disponibles et les avantages qu'ils apportent aux clients actuels et potentiels.
Références
Coats, C.J. et M.R. Houyoux, 1996 : "Fast Emissions Modeling with the Sparse Matrix Operator Kernel Emissions Modeling System", présenté à "The Emissions Inventory : Key to Planning, Permits, Compliance, and Reporting". Air and Waste Management Association, Nouvelle-Orléans, LA, septembre 1996.
Kain, J.S., 2004 : The Kain-Fritsch Convective Parameterization : An Update. J. Appl. Meteor. 43, 170-181.
Matreata, S., Baciu, O., Apostu, D., et M. Matreata, 2013 : Évaluation du système roumain de prévision des crues rapides - une étude de cas dans le bassin de la rivière Calnau. Die Bodenkultur 64(3-4), 2013, pp. 67-72.
McHenry, J.N., W.F. Ryan, N.L. Seaman, C.J. Coats Jr, J. Pudykeiwicz, S. Arunachalam, et J.M. Vukovich, 2004 : A Real-Time Eulerian Photochemical Model Forecast System : Overview and Initial Ozone Forecast Performance in the NE US corridor. Bull. Amer. Met. Soc. 85, 4, 525-548.
McHenry, J.N. et D.T. Olerud, 2015 : Use of a Real-Time High-Resolution CONUS LDAS to initialize land-surface states in operational NWP models : case studies, results and challenges. 29th Conference on Hydrology; 95th Annual Meeting of the American Meteorological Society, Phoenix, AR, 4-8 January, 2015.
