Post-traitement des prévisions d'ensemble en météorologie par des méthodes d'apprentissage statistique
| Autor: | Jouan, Gabriel |
|---|---|
| Přispěvatelé: | STAR, ABES, Institut de Recherche Mathématique de Rennes (IRMAR), Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-École normale supérieure - Rennes (ENS Rennes)-Université de Rennes 2 (UR2)-Centre National de la Recherche Scientifique (CNRS)-INSTITUT AGRO Agrocampus Ouest, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), Université Rennes 1, Valérie Monbet |
| Jazyk: | francouzština |
| Rok vydání: | 2021 |
| Předmět: |
Calibration problem
Mélange gaussien [SDU.STU.ME] Sciences of the Universe [physics]/Earth Sciences/Meteorology Méthode de classification Problème de calibration [SDU.STU.ME]Sciences of the Universe [physics]/Earth Sciences/Meteorology [INFO.INFO-MO]Computer Science [cs]/Modeling and Simulation Meteorology Planification d'événements Event planning [INFO.INFO-MO] Computer Science [cs]/Modeling and Simulation Classification method Gaussian mixture Météorologie |
| Zdroj: | Météorologie. Université Rennes 1, 2021. Français. ⟨NNT : 2021REN1S113⟩ |
| Popis: | Nowadays, most weather forecasting centers produce ensemble forecasts. They give a more complete description of the atmosphere than a unique run of the meteorological model. However, they may suffer from bias and under/over dispersion errors that need to be corrected. In order to correct these errors, statistical methods are used. This approach is called ensemble forecast calibration. In this thesis, we propose an original multivariate calibration method in which the data space is discretised in order to transform a multi-output regression problem into a single output classification. The results of this approach are encouraging. The results of this approach are encouraging. However, the physical interpretation of the models remains difficult. Subsequently, a two-step calibration method is then presented: a first classification step aims at identifying the weather regimes using an extension of a Gaussian mixture model, the second at correcting the ensemble distribution in each regime. Finally, a web interface has been developed around forecasts and medium-term forecast sets with the use case of event planning. Aujourd'hui, la plupart des centres de prévision météorologique produisent des prévisions d'ensemble. Ces données fournissent une description plus complète de l'atmosphère qu'une exécution unique du modèle météorologique. Cependant, elles peuvent souffrir d'erreurs de biais et de sous/sur-dispersion. Pour les corriger, des méthodes statistiques sont employées. Cette approche est appelée la calibration d'ensembles de prévisions. Dans cette thèse, nous proposons une méthode originale de calibration multivariée dans laquelle l'espace des données est discrétisé de façon à transformer un problème de régression multi-sorties en une classification à sortie unique. Les résultats de cette approche sont encourageants. Néanmoins, elle pose des difficultés quant à l'interprétation physique des modèles. Par la suite, une méthode de calibration en deux étapes est alors présentée: une première étape de classification vise à identifier les régimes météorologiques à l'aide d'une extension d'un modèle de mélange gaussien, la seconde à corriger la distribution d'ensemble dans chaque régime. Pour terminer, une interface web a été développée autour des prévisions et des ensembles de prévisions à moyen terme avec comme cas d'usage la planification d'évènements. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|