Modèle atmosphérique

modèle mathématique construit autour de l'ensemble complet des équations primitives et dynamiques qui régissent les mouvements atmosphériques

En sciences de l'atmosphère, un modèle atmosphérique est un modèle mathématique construit autour de l'ensemble complet des équations primitives et dynamiques qui régissent les mouvements atmosphériques. Il peut compléter ces équations par des paramétrisations de la diffusion turbulente, du rayonnement, des processus humides (nuages et précipitations), des échanges de chaleur, du sol, de la végétation, des eaux de surface, des effets cinématiques du relief et de la convection. La plupart des modèles atmosphériques sont numériques, c'est-à-dire qu'ils discrétisent les équations du mouvement. Ils peuvent prévoir des phénomènes à micro-échelle tels que les tornades et les tourbillons de couche limite, l'écoulement turbulent à sous-micro-échelle au-dessus des bâtiments, ainsi que les flux synoptiques et globaux. Le domaine horizontal d'un modèle est soit global, couvrant l'ensemble de la Terre (ou d'un autre corps planétaire), soit régional (« aire limitée »), ne couvrant qu'une partie de la Terre. Les modèles atmosphériques diffèrent également par leur manière de calculer les mouvements verticaux du fluide ; certains types de modèles sont thermotropiques[1], barotropes, hydrostatiques ou non hydrostatiques. Ces types de modèles se distinguent par les hypothèses qu'ils formulent sur l'atmosphère, lesquelles doivent concilier la vitesse de calcul avec la fidélité du modèle vis-à-vis de l'atmosphère qu'il simule.

Exemple de carte produite par le GFS, prévision des isohypses de géopotentiel et des isothermes de température à la pression de 850 hPa dans l'atmosphère, le tout valide 96 heures après le moment d’initialisation.

Les prévisions sont calculées à l'aide d'équations mathématiques décrivant la physique et la dynamique de l'atmosphère. Ces équations sont non linéaires et impossibles à résoudre exactement. Des méthodes numériques sont donc employées pour obtenir des solutions approchées. Différents modèles utilisent différentes méthodes de résolution. Les modèles globaux emploient souvent des méthodes spectrales pour les dimensions horizontales et des méthodes des différences finies pour la dimension verticale, tandis que les modèles régionaux utilisent généralement des méthodes aux différences finies dans les trois dimensions. Pour des lieux précis, les statistiques de sortie de modèle (en) combinent des informations climatologiques, les sorties de prévision numérique du temps et les observations météorologiques de surface actuelles, afin d'établir des relations statistiques tenant compte des biais et des problèmes de résolution des modèles.

Thermotropique

modifier

La principale hypothèse du modèle thermotropique est que, si l'amplitude du vent thermique peut varier, sa direction ne change pas avec l'altitude. Ainsi, la baroclinicité de l'atmosphère peut être simulée à l'aide des surfaces de hauteur du géopotentiel à 500 mbar (15 inHg) et 1 000 mbar, et du vent thermique moyen entre celles-ci[2],[3].

Barotrope

modifier

Les modèles barotropes supposent que l'atmosphère est quasiment barotrope, ce qui signifie que la direction et la vitesse du vent géostrophique sont indépendantes de l'altitude. En d'autres termes, il n'y a pas de cisaillement de vent vertical du vent géostrophique. Cela implique également que les courbes d'épaisseur (un indicateur de la température) sont parallèles aux courbes de hauteur des niveaux supérieurs. Dans ce type d'atmosphère, les zones de haute (en) et de basse pression sont des centres d'anomalies thermiques chaudes ou froides. Les anticyclones à noyau chaud (tels que la crête subtropicale et l'anticyclone des Bermudes-Açores) et les dépressions coupées voient leurs vents se renforcer avec l'altitude, l'inverse étant vrai pour les anticyclones à noyau froid (anticyclones arctiques peu profonds) et les dépressions à noyau chaud (telles que les cyclones tropicaux)[4]. Un modèle barotrope tente de résoudre une forme simplifiée de la dynamique atmosphérique, fondée sur l'hypothèse que l'atmosphère est en équilibre géostrophique, c'est-à-dire que le nombre de Rossby de l'air atmosphérique est faible[5]. Si l'on suppose que l'atmosphère est à divergence nulle, le rotationnel des équations d'Euler se réduit à l'équation barotrope du tourbillon (en). Cette dernière équation peut être résolue sur une seule couche de l'atmosphère. Étant donné qu'à une altitude d'environ 5,5 km, l'atmosphère est presque à divergence nulle, le modèle barotrope se révèle le plus représentatif de l'état de l'atmosphère à la hauteur géopotentielle correspondant à cette altitude, laquelle correspond à la surface de pression de 500 mbar de l'atmosphère[6].

Hydrostatique

modifier

Les modèles hydrostatiques filtrent les ondes acoustiques se déplaçant verticalement à partir de l'équation de quantité de mouvement verticale, ce qui augmente considérablement le pas de temps utilisé dans l'exécution du modèle. C'est ce que l'on appelle l'approximation hydrostatique. Les modèles hydrostatiques utilisent soit des coordonnées verticales de pression, soit des coordonnées sigma-pression (en). Les coordonnées de pression coupent le relief, tandis que les coordonnées sigma en épousent le contour. Cette hypothèse hydrostatique reste raisonnable tant que la résolution horizontale de la grille n'est pas trop fine, échelle à laquelle l'approximation hydrostatique cesse d'être valable.

Non hydrostatique

modifier

Les modèles qui utilisent l'équation complète de quantité de mouvement verticale sont dits non hydrostatiques. Un modèle non hydrostatique peut être résolu de manière anélastique, c'est-à-dire qu'il résout l'équation de continuité complète pour l'air en le supposant incompressible, ou de manière élastique. En d'autres termes, il résout l'équation de continuité complète pour l'air et est entièrement compressible. Les modèles non hydrostatiques utilisent l'altitude ou l'altitude sigma comme coordonnées verticales. Les coordonnées d'altitude peuvent couper le relief, tandis que les coordonnées d'altitude sigma en épousent les contours[7].

Histoire

modifier
Le panneau de contrôle principal de l'ENIAC à la Moore School of Electrical Engineering (en).

L'histoire de la prévision numérique du temps (en) débute dans les années 1920 grâce aux travaux de Lewis Fry Richardson, qui s'appuie sur des méthodes développées par Vilhelm Bjerknes[8],[9]. Il faut attendre l'avènement de l'ordinateur et de la simulation informatique pour que le temps de calcul devienne inférieur à la durée de la période prévue elle-même. L'ENIAC produit les premières prévisions informatiques en 1950[6],[10] et des ordinateurs plus puissants permettent par la suite d'accroître la taille des jeux de données initiaux et d'intégrer des versions plus complexes des équations du mouvement[11]. En 1966, l'Allemagne de l'Ouest et les États-Unis commencent à produire des prévisions opérationnelles fondées sur des modèles d'équations primitives, suivis par le Royaume-Uni en 1972 et l'Australie en 1977[8],[12]. Le développement de modèles de prévision globaux a conduit aux premiers modèles climatiques[13],[14]. Le développement de modèles à aire limitée (régionaux) a favorisé des avancées dans la prévision des trajectoires des cyclones tropicaux, ainsi que dans celle de la qualité de l'air, au cours des années 1970 et 1980[15],[16].

Étant donné que les sorties des modèles de prévision fondés sur la dynamique atmosphérique nécessitent des corrections près du niveau du sol, les statistiques de sortie de modèle (en) (MOS) sont développées dans les années 1970 et 1980 pour des points de prévision (lieux) individuels[17],[18]. Même avec la puissance croissante des superordinateurs, la fiabilité des prévisions (en) des modèles météorologiques numériques ne s'étend qu'à environ deux semaines dans le futur, car la densité et la qualité des observations — combinées à la nature chaotique des équations aux dérivées partielles utilisées pour calculer la prévision — introduisent des erreurs qui doublent tous les cinq jours[19],[20]. Le recours, depuis les années 1990, à des prévisions d'ensemble de modèles permet de définir l'incertitude des prévisions et d'étendre la prévision météorologique plus loin dans le futur qu'il ne serait autrement possible[21],[22],[23].

Initialisation

modifier
Exemple de prévision de hauteur géopotentielle à 500 millibars issue d'un modèle de prévision numérique du temps.
Les superordinateurs sont capables d'exécuter des modèles très complexes pour aider les scientifiques à mieux comprendre le climat terrestre.

Un modèle est un programme informatique qui produit des informations météorologiques pour des moments futurs, en des lieux et à des altitudes donnés. Tout modèle repose sur un ensemble d'équations, appelées équations primitives, utilisées pour prévoir l'état futur de l'atmosphère[24]. Ces équations sont initialisées à partir des données d'analyse et les taux de variation sont déterminés. Ces taux de variation permettent de prévoir l'état de l'atmosphère à court terme, chaque incrément de temps étant appelé un pas de temps. Les équations sont ensuite appliquées à ce nouvel état atmosphérique pour calculer de nouveaux taux de variation, lesquels permettent à leur tour de prévoir l'atmosphère à une échéance encore plus lointaine. Ce pas-à-pas temporel est répété jusqu'à ce que la solution atteigne l'échéance de prévision souhaitée. La durée du pas de temps choisi dans le modèle est liée à la distance entre les points de la grille de calcul, et elle est choisie de manière à préserver la stabilité numérique[25]. Les pas de temps des modèles globaux sont de l'ordre de quelques dizaines de minutes[26], tandis que ceux des modèles régionaux se situent entre une et quatre minutes[27]. Les modèles globaux sont exécutés sur des échéances variables. Le Unified Model (en) du Met Office britannique est exécuté jusqu'à six jours dans le futur[28], le modèle du Centre européen pour les prévisions météorologiques à moyen terme est exécuté jusqu'à 10 jours dans le futur[29], tandis que le modèle Global Forecast System, exploité par l'Environmental Modeling Center, est exécuté jusqu'à 16 jours dans le futur[30].

Les équations utilisées sont des équations aux dérivées partielles non linéaires, impossibles à résoudre exactement par des méthodes analytiques[31], à l'exception de quelques cas idéalisés[32]. C'est pourquoi des méthodes numériques sont employées pour obtenir des solutions approchées. Différents modèles utilisent différentes méthodes de résolution : certains modèles globaux emploient des méthodes spectrales pour les dimensions horizontales et des méthodes des différences finies pour la dimension verticale, tandis que les modèles régionaux et d'autres modèles globaux utilisent généralement des méthodes aux différences finies dans les trois dimensions[31]. La représentation visuelle produite par la solution d'un modèle est appelée une carte prévue (en), ou prog[33].

Paramétrisation

modifier

Les mailles des modèles météorologiques et climatiques ont des côtés compris entre 5 km et 300 km. Un cumulus typique a une échelle inférieure à 1 km, et nécessiterait une grille encore plus fine pour être représenté physiquement par les équations du mouvement des fluides. C'est pourquoi les processus que de tels nuages représentent sont paramétrés, selon des procédés de sophistication variable. Dans les premiers modèles, lorsqu'une colonne d'air dans une maille du modèle était instable (c'est-à-dire plus chaude à la base qu'au sommet), elle était retournée, et l'air de cette colonne verticale mélangé. Des schémas plus sophistiqués apportent des améliorations, en reconnaissant que seule une partie de la maille pourrait entrer en convection et que l'entraînement et d'autres processus se produisent également. Les modèles météorologiques dont les mailles ont des côtés compris entre 5 km et 25 km peuvent représenter explicitement les nuages convectifs, bien qu'ils doivent encore paramétrer la microphysique des nuages[34]. La formation des nuages à grande échelle (de type stratus) repose sur une base plus physique : ils se forment lorsque l'humidité relative atteint une valeur prescrite. Néanmoins, les processus à l'échelle infra-maille doivent être pris en compte. Plutôt que de supposer que les nuages se forment à 100 % d'humidité relative, la fraction nuageuse peut être reliée à une humidité relative critique de 70 % pour les nuages de type stratus, et à 80 % ou plus pour les nuages cumuliformes[35], ce qui reflète la variation à l'échelle infra-maille qui se produirait dans le monde réel.

La quantité de rayonnement solaire atteignant le niveau du sol dans un relief accidenté, ou en raison d'une nébulosité variable, est paramétrée, ce processus se produisant à l'échelle moléculaire[36]. De plus, la taille des mailles des modèles est grande comparée à la taille et à la rugosité réelles des nuages et de la topographie. L'angle solaire ainsi que l'impact de plusieurs couches nuageuses sont pris en compte[37]. Le type de sol, le type de végétation et l'humidité du sol déterminent tous la part du rayonnement qui contribue au réchauffement et la quantité d'humidité entraînée vers l'atmosphère adjacente. Il est donc important de les paramétrer[38].

Domaines

modifier

Le domaine horizontal d'un modèle est soit global, couvrant l'ensemble de la Terre, soit régional, ne couvrant qu'une partie de la Terre. Les modèles régionaux sont également appelés modèles à aire limitée, ou LAM. Les modèles régionaux utilisent un maillage plus fin pour résoudre explicitement les phénomènes météorologiques à plus petite échelle, leur domaine plus restreint réduisant les besoins en calcul. Les modèles régionaux s'appuient sur un modèle global compatible pour fournir les conditions initiales aux limites de leur domaine. L'incertitude et les erreurs au sein des LAM proviennent à la fois du modèle global utilisé pour les conditions aux limites du domaine régional et de l'élaboration même de ces conditions aux limites pour le LAM[39].

La coordonnée verticale est gérée de différentes manières. Certains modèles, comme celui de Richardson en 1922, utilisent l'altitude géométrique (z) comme coordonnée verticale. Des modèles ultérieurs ont remplacé la coordonnée géométrique z par un système de coordonnées de pression, dans lequel les hauteurs géopotentielles des surfaces à pression constante deviennent des variables dépendantes, ce qui simplifie considérablement les équations primitives[40]. Cela découle du fait que la pression diminue avec l'altitude à travers l'atmosphère terrestre[41]. Le premier modèle utilisé pour des prévisions opérationnelles, le modèle barotrope à une seule couche, utilisait une unique coordonnée de pression au niveau de 500 mbar[6] et était donc essentiellement bidimensionnel. Les modèles à haute résolution — également appelés modèles à méso-échelle — tels que le Modèle météorologique Weather Research and Forecasting, ont tendance à utiliser des coordonnées de pression normalisées appelées coordonnées sigma (en)[42].

Modèles globaux

modifier

Parmi les modèles numériques globaux les plus connus figurent :

Modèles régionaux

modifier

Parmi les modèles numériques régionaux les plus connus figurent :

  • WRF : le Weather Research and Forecasting Model a été développé en coopération par le NCEP, le NCAR et la communauté de recherche météorologique. Le WRF se décline en plusieurs configurations, dont :
    • WRF-NMM : le WRF Nonhydrostatic Mesoscale Model est le principal modèle de prévision météorologique à court terme pour les États-Unis, ayant remplacé le modèle Eta.
    • WRF-ARW : Advanced Research WRF, développé principalement au National Center for Atmospheric Research (NCAR) des États-Unis
  • HARMONIE-Climate (HCLIM)[43] est un modèle climatique à aire limitée fondé sur le modèle HARMONIE, développé par un large consortium d'instituts européens de prévision météorologique et de recherche. Il s'agit d'un système modèle qui, comme le WRF, peut être exécuté dans de nombreuses configurations, y compris à haute résolution avec la physique non hydrostatique Arome, ou à des résolutions plus faibles avec une physique hydrostatique fondée sur les schémas physiques ALADIN. Il a surtout été utilisé en Europe et dans l'Arctique pour des études climatiques, notamment des descentes d'échelle à 3 km sur la Scandinavie et des études portant sur les événements météorologiques extrêmes.
  • RACMO a été développé à l'Institut royal météorologique néerlandais, le KNMI, et repose sur la dynamique du modèle HIRLAM avec des schémas physiques issus de l'IFS
    • RACMO2.3p2[44] est une version polaire du modèle, utilisée dans de nombreuses études pour fournir le bilan de masse de surface des calottes glaciaires polaires, développée à l'université d'Utrecht
  • MAR[45] (Modèle Atmosphérique Régional) est un modèle climatique régional développé à l'université de Grenoble en France et à l'université de Liège en Belgique.
  • HIRHAM5[46] est un modèle climatique régional développé par l'Institut météorologique danois et l'institut Alfred-Wegener de Potsdam. Il repose également sur la dynamique HIRLAM, avec des schémas physiques fondés sur ceux du modèle ECHAM. Comme le modèle RACMO, HIRHAM a été largement utilisé dans de nombreuses régions du monde dans le cadre du programme CORDEX afin de fournir des projections climatiques régionales. Il dispose aussi d'un mode polaire utilisé pour des études sur les calottes glaciaires au Groenland et en Antarctique
  • NAM : le terme North American Mesoscale model désigne le modèle régional exploité par le NCEP sur le domaine nord-américain. Le NCEP a commencé à utiliser ce système de désignation en janvier 2005. Entre janvier 2005 et mai 2006, c'est le modèle Eta qui portait cette désignation. À partir de mai 2006, le NCEP a commencé à utiliser le WRF-NMM comme NAM opérationnel.
  • RAMS : le Regional Atmospheric Modeling System (en), développé à l'université d'État du Colorado pour la simulation numérique de la météorologie atmosphérique et d'autres phénomènes environnementaux à des échelles allant du mètre à plusieurs centaines de kilomètres — aujourd'hui maintenu dans le domaine public
  • MM5 : le modèle mésoéchelle de cinquième génération de Penn State/NCAR (en)
  • ARPS, l'Advanced Region Prediction System, développé à l'université de l'Oklahoma, est un système complet de simulation et de prévision multi-échelle non hydrostatique, pouvant être utilisé pour la prévision météorologique à l'échelle régionale jusqu'à l'échelle de la simulation et de la prévision des tornades. L'assimilation avancée de données radar pour la prévision des orages constitue un élément clé du système.
  • HIRLAM (en) : High Resolution Limited Area Model, développé par les consortiums européens de recherche en prévision numérique du temps[47] et cofinancé par 10 services météorologiques européens. Le modèle HIRLAM à méso-échelle est connu sous le nom de HARMONIE et développé en collaboration avec Météo-France et les consortiums ALADIN.
  • GEM-LAM : Global Environmental Multiscale Limited Area Model, version à haute résolution (2,5 km) du modèle GEM du Service météorologique du Canada (SMC)
  • ALADIN Modèle hydrostatique et non hydrostatique à haute résolution et à aire limitée, développé et exploité par plusieurs pays européens et nord-africains sous la direction de Météo-France[28]
  • COSMO : le modèle COSMO, anciennement connu sous les noms de LM, aLMo ou LAMI, est un modèle non hydrostatique à aire limitée développé dans le cadre du Consortium for Small-Scale Modelling (Allemagne, Suisse, Italie, Grèce, Pologne, Roumanie et Russie)[48].
  • Meso-NH[49] : le modèle Meso-NH[50] est un modèle non hydrostatique à aire limitée développé conjointement par le Centre national de recherches météorologiques et le Laboratoire d'Aérologie (France, Toulouse) depuis 1998[51]. Son champ d'application va des simulations météorologiques à méso-échelle jusqu'aux échelles centimétriques.

Statistiques de sortie de modèle

modifier

Étant donné que les modèles de prévision fondés sur les équations de la dynamique atmosphérique ne déterminent pas parfaitement les conditions météorologiques près du sol, des corrections statistiques ont été développées pour tenter de résoudre ce problème. Des modèles statistiques ont été créés à partir des champs tridimensionnels produits par les modèles météorologiques numériques, des observations de surface, et des conditions climatologiques propres à des lieux spécifiques. Ces modèles statistiques sont collectivement désignés sous le nom de statistiques de sortie de modèle (MOS)[52] et sont développés par le National Weather Service pour sa suite de modèles de prévision météorologique[17]. La United States Air Force a développé son propre ensemble de MOS, fondé sur son modèle météorologique dynamique, dès 1983[18].

Les statistiques de sortie de modèle se distinguent de la technique dite du perfect prog, qui suppose que les sorties des modèles de prévision numérique du temps sont parfaites[53]. Les MOS permettent de corriger des effets locaux qui ne peuvent être résolus par le modèle en raison d'une résolution de grille insuffisante, ainsi que les biais du modèle. Parmi les paramètres de prévision pris en compte par les MOS figurent les températures maximales et minimales, le pourcentage de chances de pluie sur une période de plusieurs heures, la quantité de précipitations attendue, la probabilité que les précipitations soient de nature glacée, le risque d'orage, la nébulosité et les vents de surface[54].

Applications

modifier

Modélisation climatique

modifier

En 1956, Norman Phillips développe un modèle mathématique décrivant de façon réaliste les schémas mensuels et saisonniers de la troposphère. Il s'agit du premier modèle climatique réussi[13],[14]. Plusieurs équipes ont alors entrepris de créer des modèles de circulation générale[55]. Le premier modèle climatique de circulation générale combinant les processus océaniques et atmosphériques est développé à la fin des années 1960 au Geophysical Fluid Dynamics Laboratory, une composante de la National Oceanic and Atmospheric Administration des États-Unis[56].

En 1975, Manabe et Wetherald développent un modèle climatique global tridimensionnel offrant une représentation à peu près exacte du climat de l'époque. Le doublement du CO2 dans l'atmosphère du modèle entraînait une hausse d'environ 2 °C de la température globale[57]. Plusieurs autres types de modèles informatiques ont donné des résultats similaires : il était impossible de concevoir un modèle reproduisant à peu près le climat réel sans que la température n'augmente lorsque la concentration de CO2 était accrue.

Au début des années 1980, le National Center for Atmospheric Research des États-Unis développe le Community Atmosphere Model (CAM), qui peut être exécuté seul ou comme composante atmosphérique du Community Climate System Model. La dernière mise à jour (version 3.1) du CAM autonome est publiée le [58],[59],[60]. En 1986, des efforts sont engagés pour initialiser et modéliser les types de sol et de végétation, ce qui permet d'obtenir des prévisions plus réalistes[61]. Des modèles climatiques couplés océan-atmosphère, tels que le modèle HadCM3 du Hadley Centre for Climate Prediction and Research, sont utilisés comme données d'entrée pour des études sur le changement climatique[55]. Des méta-analyses portant sur les anciens modèles de changement climatique montrent qu'ils ont généralement été précis, bien que prudents, sous-estimant les niveaux de réchauffement[62],[63].

Modélisation à aire limitée

modifier
Dispersion des modèles concernant l'ouragan Ernesto (2006) parmi des modèles à aire limitée du National Hurricane Center.

Les prévisions de la pollution de l'air (en) dépendent des modèles atmosphériques pour fournir des informations sur l'écoulement des fluides permettant de suivre le déplacement des polluants[64]. En 1970, une entreprise privée américaine développe le modèle régional Urban Airshed Model (UAM), utilisé pour prévoir les effets de la pollution atmosphérique et des pluies acides. Du milieu à la fin des années 1970, l'Agence de protection de l'environnement des États-Unis reprend le développement de l'UAM, puis l'améliore à partir des résultats d'une étude régionale sur la pollution atmosphérique. Bien que l'UAM ait été développé pour la Californie, il est utilisé au cours des années 1980 ailleurs en Amérique du Nord, en Europe et en Asie[16].

Le modèle Movable Fine-Mesh, mis en service en 1978, est le premier modèle de prévision des cyclones tropicaux fondé sur la dynamique atmosphérique[15]. Malgré l'amélioration constante des modèles dynamiques permise par l'accroissement de la puissance de calcul, ce n'est que dans les années 1980 que la prévision numérique du temps (PNT) démontre une véritable fiabilité dans la prévision de la trajectoire des cyclones tropicaux. Et ce n'est que dans les années 1990 que la PNT surpasse systématiquement les modèles statistiques ou les modèles dynamiques simples[65]. La prévision de l'intensité des cyclones tropicaux au moyen de la PNT s'est également révélée difficile. En 2009, les modèles dynamiques restaient moins fiables que les méthodes statistiques[66].

Notes et références

modifier

Références

modifier
  1. ↑ « Thermotropic model - Glossary of Meteorology », sur glossarystaging.ametsoc.net, American Meteorological Society (consulté le )
  2. ↑ W. Lawrence Gates, Results Of Numerical Forecasting With The Barotropic And Thermotropic Atmospheric Models, Hanscom Air Force Base, Air Force Cambridge Research Laboratories, (lire en ligne [archive du ])
  3. ↑ P. D. Thompson et W. Lawrence Gates, « A Test of Numerical Prediction Methods Based on the Barotropic and Two-Parameter Baroclinic Models », Journal of Meteorology, vol. 13, no 2,‎ , p. 127–141 (ISSN 1520-0469, DOI 10.1175/1520-0469(1956)013<0127:ATONPM>2.0.CO;2 Accès libre, Bibcode 1956JAtS...13..127T)
  4. ↑ Wallace, John M. et Peter V. Hobbs, Atmospheric Science : An Introductory Survey, Academic Press, Inc., (ISBN 978-0-12-732950-5), p. 384–385
  5. ↑ John Marshall et Plumb, R. Alan, Atmosphere, ocean, and climate dynamics : an introductory text, Amsterdam, Elsevier Academic Press, (ISBN 978-0-12-558691-7), « Balanced flow », p. 109–12
  6. 1 2 3 Jule Charney, Ragnar Fjörtoft et John von Neumann, « Numerical Integration of the Barotropic Vorticity Equation », Tellus, vol. 2, no 4,‎ , p. 237–254 (DOI 10.3402/tellusa.v2i4.8607 Accès libre, Bibcode 1950Tell....2..237C)
  7. ↑ (en) Jacobson, Mark Zachary, Fundamentals of atmospheric modeling, Cambridge (GB), Cambridge University Press, , 813 p. (ISBN 978-0-521-83970-9, lire en ligne), p. 138–143
  8. 1 2 Peter Lynch, « The origins of computer weather prediction and climate modeling », Journal of Computational Physics, vol. 227, no 7,‎ , p. 3431–44 (DOI 10.1016/j.jcp.2007.02.034, Bibcode 2008JCoPh.227.3431L, lire en ligne [archive du ], consulté le )
  9. ↑ (en) Peter Lynch, The Emergence of Numerical Weather Prediction, Cambridge, Cambridge University Press, , 279 p. (ISBN 978-0-521-85729-1), « Weather Prediction by Numerical Process », p. 1–27
  10. ↑ Cox, John D., Storm Watchers, John Wiley & Sons, Inc., (ISBN 978-0-471-38108-2, lire en ligne), 208
  11. ↑ Kristine Harper, Uccellini, Louis W., Kalnay, Eugenia, Carey, Kenneth et Morone, Lauren, « 2007: 50th Anniversary of Operational Numerical Weather Prediction », Bulletin of the American Meteorological Society, vol. 88, no 5,‎ , p. 639–650 (DOI 10.1175/BAMS-88-5-639 Accès libre, Bibcode 2007BAMS...88..639H)
  12. ↑ L.M. Leslie et Dietachmeyer, G.S., « Real-time limited area numerical weather prediction in Australia: a historical perspective », Australian Meteorological Magazine, Bureau of Meteorology, vol. 41, no SP,‎ , p. 61–77 (lire en ligne, consulté le )
  13. 1 2 Norman A. Phillips, « The general circulation of the atmosphere: a numerical experiment », Quarterly Journal of the Royal Meteorological Society, vol. 82, no 352,‎ , p. 123–154 (DOI 10.1002/qj.49708235202, Bibcode 1956QJRMS..82..123P, lire en ligne)
  14. 1 2 John D. Cox, Storm Watchers, John Wiley & Sons, Inc., (ISBN 978-0-471-38108-2, lire en ligne), 210
  15. 1 2 Frederick G. Shuman, « History of Numerical Weather Prediction at the National Meteorological Center », Weather and Forecasting, vol. 4, no 3,‎ , p. 286–296 (ISSN 1520-0434, DOI 10.1175/1520-0434(1989)004<0286:HONWPA>2.0.CO;2 Accès libre, Bibcode 1989WtFor...4..286S)
  16. 1 2 Steyn, D. G., Air pollution modeling and its application VIII, Volume 8, Birkhäuser, (ISBN 978-0-306-43828-8), p. 241–242
  17. 1 2 Harry Hughes, Model output statistics forecast guidance, United States Air Force Environmental Technical Applications Center, , p. 1–16
  18. 1 2 L. Best, D. L. et S. P. Pryor, Air Weather Service Model Output Statistics Systems, Air Force Global Weather Central, , p. 1–90
  19. ↑ Cox, John D., Storm Watchers, John Wiley & Sons, Inc., , 222–224 (ISBN 978-0-471-38108-2, lire en ligne)
  20. ↑ Weickmann, Klaus, Jeff Whitaker, Andres Roubicek and Catherine Smith (2001-12-01). The Use of Ensemble Forecasts to Produce Improved Medium Range (3–15 days) Weather Forecasts. Climate Diagnostics Center. Retrieved 2007-02-16.
  21. ↑ Zoltan Toth et Kalnay, Eugenia, « Ensemble Forecasting at NCEP and the Breeding Method », Monthly Weather Review, vol. 125, no 12,‎ , p. 3297–3319 (ISSN 1520-0493, DOI 10.1175/1520-0493(1997)125<3297:EFANAT>2.0.CO;2, Bibcode 1997MWRv..125.3297T, CiteSeerx 10.1.1.324.3941)
  22. ↑ « The Ensemble Prediction System (EPS) » [archive du ], ECMWF (consulté le )
  23. ↑ Molteni, F., Buizza, R., Palmer, T.N. et Petroliagis, T., « The ECMWF Ensemble Prediction System: Methodology and validation », Quarterly Journal of the Royal Meteorological Society, vol. 122, no 529,‎ , p. 73–119 (DOI 10.1002/qj.49712252905, Bibcode 1996QJRMS.122...73M)
  24. ↑ (en) Roger A. Pielke, Mesoscale Meteorological Modeling, San Diego, Academic Press, (ISBN 978-0-12-554766-6), p. 48–49
  25. ↑ (en) Roger A. Pielke, Mesoscale Meteorological Modeling, San Diego, Academic Press, (ISBN 978-0-12-554766-6), p. 285–287
  26. ↑ Sunderam, V. S., G. Dick van Albada, Peter M. A. Sloot et J. J. Dongarra, Computational Science – ICCS 2005: 5th International Conference, Atlanta, GA, USA, May 22–25, 2005, Proceedings, Part 1, Springer, (ISBN 978-3-540-26032-5, lire en ligne), p. 132
  27. ↑ Zwieflhofer, Walter, Norbert Kreitz et European Centre for Medium Range Weather Forecasts, Developments in teracomputing: proceedings of the ninth ECMWF Workshop on the Use of High Performance Computing in Meteorology, World Scientific, (ISBN 978-981-02-4761-4, lire en ligne), p. 276
  28. 1 2 3 (en) Chan, Johnny C. L. et Jeffrey D. Kepert, Global Perspectives on Tropical Cyclones : From Science to Mitigation, Londres, World Scientific, , 436 p. (ISBN 978-981-4293-47-1, lire en ligne), p. 295–301
  29. ↑ Holton, James R., An introduction to dynamic meteorology, Volume 1, Academic Press, (ISBN 978-0-12-354015-7, lire en ligne), p. 480
  30. ↑ Brown, Molly E., Famine early warning systems and remote sensing data, Springer, (ISBN 978-3-540-75367-4, lire en ligne), p. 121
  31. 1 2 Strikwerda, John C., Finite difference schemes and partial differential equations, SIAM, (ISBN 978-0-89871-567-5, lire en ligne), p. 165–170
  32. ↑ (en) Roger A. Pielke, Mesoscale Meteorological Modeling, San Diego, Academic Press, , 65 p. (ISBN 978-0-12-554766-6)
  33. ↑ Ahrens, C. Donald, Essentials of meteorology : an invitation to the atmosphere, Cengage Learning, (ISBN 978-0-495-11558-8, lire en ligne), p. 244
  34. ↑ Narita, Masami et Shiro Ohmori, « 3.7 Improving Precipitation Forecasts by the Operational Nonhydrostatic Mesoscale Model with the Kain-Fritsch Convective Parameterization and Cloud Microphysics », 12th Conference on Mesoscale Processes, American Meteorological Society,‎ (lire en ligne, consulté le )
  35. ↑ Frierson, Dargan, « The Diagnostic Cloud Parameterization Scheme » [archive du ], University of Washington, (consulté le ), p. 4–5
  36. ↑ (en) Stensrud, David J., Parameterization schemes : keys to understanding numerical weather prediction models, Cambridge, Cambridge University Press, , 459 p. (ISBN 978-0-521-86540-1, lire en ligne), p. 6
  37. ↑ Melʹnikova, Irina N. et Alexander V. Vasilyev, Short-wave solar radiation in the earth's atmosphere: calculation, observation, interpretation, Springer, (ISBN 978-3-540-21452-6, lire en ligne), p. 226–228
  38. ↑ (en) Stensrud, David J., Parameterization schemes : keys to understanding numerical weather prediction models, Cambridge, Cambridge University Press, , 459 p. (ISBN 978-0-521-86540-1, lire en ligne), p. 12–14
  39. ↑ (en) Warner, Thomas Tomkins, Numerical Weather and Climate Prediction, Cambridge, Cambridge University Press, , 526 p. (ISBN 978-0-521-51389-0, lire en ligne), p. 259
  40. ↑ (en) Peter Lynch, The Emergence of Numerical Weather Prediction, Cambridge, Cambridge University Press, , 279 p. (ISBN 978-0-521-85729-1), « The Fundamental Equations », p. 45–46
  41. ↑ Ahrens, C. Donald, Essentials of meteorology : an invitation to the atmosphere, Cengage Learning, (ISBN 978-0-495-11558-8, lire en ligne), p. 10
  42. ↑ Zavisa Janjic, Gall, Robert et Pyle, Matthew E., « Scientific Documentation for the NMM Solver » [archive du ], National Center for Atmospheric Research, (consulté le ), p. 12–13
  43. ↑ (en) Danijel Belušić, Hylke de Vries, Andreas Dobler et Oskar Landgren, « HCLIM38: a flexible regional climate model applicable for different climate zones from coarse to convection-permitting scales », Geoscientific Model Development, vol. 13, no 3,‎ , p. 1311–1333 (ISSN 1991-959X, DOI 10.5194/gmd-13-1311-2020, lire en ligne, consulté le )
  44. ↑ (en) Wessem, J. M. Van et Laffin, M. K., « Regional Atmospheric Climate Model 2 (RACMO2), version 2.3p2 »
  45. ↑ (en) « MAR » [archive du ], sur www.mar.cnrs.fr (consulté le )
  46. ↑ (en) The HIRHAM Regional Climate Model Version 5 (beta) (ISSN 1399-1388, lire en ligne)
  47. ↑ « HIRLAM » [archive du ]
  48. ↑ Consortium on Small Scale Modelling. Consortium for Small-scale Modeling. Retrieved on 2008-01-13.
  49. ↑ « Welcome - 6.0 (Current) », sur mesonh.aero.obs-mip.fr (consulté le )
  50. ↑ Lac, C., Chaboureau, P., Masson, V., Pinty, P., Tulet, P., Escobar, J., ... & Aumond, P. (2018). Overview of the Meso-NH model version 5.4 and its applications. Geoscientific Model Development, 11, 1929-1969.
  51. ↑ Lafore, Jean Philippe, et al. "The Meso-NH atmospheric simulation system. Part I: Adiabatic formulation and control simulations." Annales geophysicae. Vol. 16. No. 1. Copernicus GmbH, 1998.
  52. ↑ Baum, Marsha L., When nature strikes : weather disasters and the law, Greenwood Publishing Group, (ISBN 978-0-275-22129-4, lire en ligne), p. 189
  53. ↑ (en) Gultepe, Ismail, Fog and boundary layer clouds : fog visibility and forecasting, Bâle, Springer, (ISBN 978-3-7643-8418-0, lire en ligne), p. 1144
  54. ↑ Barry, Roger Graham et Richard J. Chorley, Atmosphere, weather, and climate, Psychology Press, (ISBN 978-0-415-27171-4, lire en ligne), p. 172
  55. 1 2 (en) Peter Lynch, The Emergence of Numerical Weather Prediction : Richardson's Dream, Cambridge, Cambridge University Press, , 279 p. (ISBN 978-0-521-85729-1, lire en ligne), « The ENIAC Integrations », p. 208
  56. ↑ National Oceanic and Atmospheric Administration, « The First Climate Model », (consulté le )
  57. ↑ Manabe S. et Wetherald R. T., « The Effects of Doubling the CO2 Concentration on the Climate of a General Circulation Model », Journal of the Atmospheric Sciences, vol. 32, no 3,‎ , p. 3–15 (DOI 10.1175/1520-0469(1975)032<0003:teodtc>2.0.co;2 Accès libre, Bibcode 1975JAtS...32....3M)
  58. ↑ « CAM 3.1 Download », sur www.cesm.ucar.edu (consulté le )
  59. ↑ William D. Collins, « Description of the NCAR Community Atmosphere Model (CAM 3.0) » [archive du ], University Corporation for Atmospheric Research, (consulté le )
  60. ↑ « CAM3.0 COMMUNITY ATMOSPHERE MODEL », University Corporation for Atmospheric Research (consulté le )
  61. ↑ Yongkang Xue et Michael J. Fennessey, « Impact of vegetation properties on U. S. summer weather prediction », Journal of Geophysical Research, vol. 101, no D3,‎ , p. 7419 (DOI 10.1029/95JD02169, Bibcode 1996JGR...101.7419X, CiteSeerx 10.1.1.453.551, lire en ligne [archive du ], consulté le )
  62. ↑ Zeke Hausfather, Henri F. Drake, Tristan Abbott et Gavin A. Schmidt, « Evaluating the Performance of Past Climate Model Projections », Geophysical Research Letters, vol. 47, no 1,‎ (ISSN 0094-8276, DOI 10.1029/2019GL085378 Accès libre, lire en ligne, consulté le )
  63. ↑ D. Carvalho, S. Rafael, A. Monteiro, V. Rodrigues, M. Lopes et A. Rocha, « How well have CMIP3, CMIP5 and CMIP6 future climate projections portrayed the recently observed warming », Scientific Reports, Springer Science and Business Media LLC, vol. 12, no 1,‎ (ISSN 2045-2322, DOI 10.1038/s41598-022-16264-6 Accès libre, lire en ligne, consulté le )
  64. ↑ Alexander Baklanov, Alix Rasmussen, Barbara Fay, Erik Berge et Sandro Finardi, « Potential and Shortcomings of Numerical Weather Prediction Models in Providing Meteorological Data for Urban Air Pollution Forecasting », Water, Air, & Soil Pollution: Focus, vol. 2, no 5,‎ , p. 43–60 (DOI 10.1023/A:1021394126149, S2CID 94747027)
  65. ↑ James Franklin, « National Hurricane Center Forecast Verification » [archive du ], National Hurricane Center, (consulté le )
  66. ↑ Edward N. Rappaport, James L. Franklin, Lixion A. Avila, Stephen R. Baig, John L. Beven II, Eric S. Blake, Christopher A. Burr, Jiann-Gwo Jiing, Christopher A. Juckins, Richard D. Knabb, Christopher W. Landsea, Michelle Mainelli, Max Mayfield, Colin J. McAdie, Richard J. Pasch, Christopher Sisko, Stacy R. Stewart et Ahsha N. Tribble, « Advances and Challenges at the National Hurricane Center », Weather and Forecasting, vol. 24, no 2,‎ , p. 395–419 (DOI 10.1175/2008WAF2222128.1, Bibcode 2009WtFor..24..395R, CiteSeerx 10.1.1.207.4667)

Voir aussi

modifier