The stochastic seasonal to interannual prediction system: exploiting the atmosphere’s memory for long-term forecasts

Cette thèse propose un nouveau modèle, le Système Stochastique de Prévision Saisonnier et Interannuel (en anglais, StocSIPS) de la température atmosphérique en régime macro–météo, c'est-à-dire à des échelles de temps plus longues que la durée de vie des structures de taille planétaire (≈10 jours). StocSIPS est stochastique et respecte deux principes de conservation: l’équilibre énergétique et l’invariance d'échelle. L'invariance d'échelle des fluctuations implique que le système est doté d’une énorme mémoire pouvant être exploitée dans le cadre de prévisions macro–météo. De plus, la faible intermittence du régime justifie l'utilisation de techniques gaussiennes qui sont bien établies. Dans cette thèse, nous présentons StocSIPS et discutons ses statistiques, puis nous l'utilisons afin d’effectuer des prévisions à long terme que nous pouvons comparer aux prévisions des modèles de circulation générale (MCG) conventionnels.Produire de bonnes prévisions avec un MCG est un problème de valeurs initiales et chaque MCG a son propre climat nécessitant des schémas de correction post-traitement complexes. En comparaison, StocSIPS est un problème de valeurs passées basé sur des données historiques qui obligent les prévisions à converger vers le climat du monde réel. Notre modèle extrait la variabilité interne directement des données passées et ne dérive pas contrairement aux MCG. La température est modélisée comme la limite haute-fréquence de l'équation fractionnaire du bilan énergétique. Cette équation régit les processus d'équilibre radiatif lorsque les processus de relaxation d'équilibre pertinents suivent une loi de puissance, tandis que l’équation traditionnelle est limitée au cas exponentiel.La validité de StocSIPS est vérifiée par des tests statistiques et en comparant les indices d'habileté attendus en théorie avec ceux obtenus à partir de la vérification rétrospective. Une comparaison détaillée avec le Système de prévision interannuelle et saisonnière canadien (en anglais, CanSIPS), montre que StocSIPS est tout aussi précis pour les prévisions d'un mois dans le futur, mais plus précis pour des délais plus longs.La symétrie d'invariance d'échelle, qui est à la base de StocSIPS, est également valable au niveau régional. Cela permet donc d'étendre son application à la prédiction du champ de température en traitant chaque point de la grille comme une série temporelle indépendante. Nous obtenons des prévisions mensuelles et saisonnières de la température de surface et montrons une comparaison préliminaire avec les résultats d’un ensemble multi-modèle de MCG. Pour un délai d'un mois, notre modèle stochastique simple montre des valeurs des indices d'habileté similaires à ceux des modèles déterministes beaucoup plus complexes.Pour explorer la possibilité d'améliorer les prévisions à un endroit donné en utilisant les températures passées d'autres points de la grille, nous avons développé la version multivariée complète de StocSIPS (m–StocSIPS) en tant que processus spatio–temporel. m–StocSIPS permet de montrer que les prévisions régionales de StocSIPS basées sur la mémoire sont optimales. La version multivariée permet également de démêler la relation habituellement compliquée entre corrélation et causalité grâce à la notion précise de causalité de Granger. Ainsi, pour une position donnée, les informations passées provenant d'autres emplacements ne peuvent pas améliorer la prévision obtenue en tant que combinaison linéaire optimale de données passées Ces corrélations « sont déjà exploitées » pour construire le passé à cette position. En utilisant m– StocSIPS, nous pouvons reproduire la structure empirique de corrélation croisée du champ de température sur une large gamme de décalages temporels. Ceci est rendu plus convaincant par la réalisation de simulations qui présentent de nombreuses propriétés de modèle réalistes mais émergentes, y compris des réseaux de téléconnexions et des phénomènes El Niño réalistes

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.