These de Doctorat - LTHE
These de Doctorat - LTHE
These de Doctorat - LTHE
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
6.3. Prévisions bi-quotidiennes <strong>de</strong> précipitations par analogie 187<br />
Algorithmes <strong>de</strong> sélection<br />
D1 D2 D3 D4<br />
Première sélection<br />
Variable Z Z Z Z<br />
Niveau et heure Z 1000 à t=1 Z 1000 à t=1 Z 1000 à t=1 Z 1000 à t=1<br />
<strong>de</strong> mesure Z 500 à t=3 Z 500 à t=3 Z 500 à t=3<br />
Fenêtre lon : <strong>de</strong> -9 à +18°E lon : <strong>de</strong> -9 à +18°E lon : <strong>de</strong> -9 à +18°E lon : <strong>de</strong> -9 à +18°E<br />
lat : <strong>de</strong> 36 à 49.5°N lat : <strong>de</strong> 36 à 49.5°N lat : <strong>de</strong> 36 à 49.5°N lat : <strong>de</strong> 36 à 49.5°N<br />
Critère S1 S1 S1 S1<br />
N1 50 50 75 60<br />
Secon<strong>de</strong> sélection<br />
Variable - - PW% V×PW%<br />
Niveau et heure - - R 925 à t=1 R 700 à t=1<br />
<strong>de</strong> mesure R 925 à t=3 R 700 à t=3<br />
i<strong>de</strong>m pour U et V<br />
Fenêtre - - fenêtre n°32 fenêtre n°2<br />
lon = 4.5°E lon = 4.5°E<br />
lat = 43.875°N lat = 43.875 à 45°N<br />
Critère - - RMSE RMSE<br />
N2 - - 30 25<br />
CRPSS<br />
Calibration 33.06% 36.80% 34.63% 38.07% 38.86% 43.18% 37.49% 41.27%<br />
Validation 35.41% 39.15% 36.68% 40.01% 40.99% 45.25% 40.05% 44.19%<br />
Tableau 6.6 Description <strong>de</strong>s algorithmes <strong>de</strong> sélection <strong>de</strong> situations analogues retenus pour la phase <strong>de</strong><br />
validation. Les valeurs en gras et italique correspon<strong>de</strong>nt respectivement à l'ensemble <strong>de</strong>s<br />
groupements et aux bassins cévenols uniquement. Pour la <strong>de</strong>scription <strong>de</strong>s instants t=1 et<br />
t=3, se reporter à la gure 6.7 page 176.<br />
Etu<strong>de</strong> <strong>de</strong>s performances<br />
La phase <strong>de</strong> validation présente une hierarchie i<strong>de</strong>ntique entre les diérents algorithmes d'analogie<br />
retenus lors <strong>de</strong> la phase <strong>de</strong> calibration : D1 < D2 < D4 < D3. Les performances globales<br />
moyennes sur l'ensemble <strong>de</strong>s groupements et <strong>de</strong>s pério<strong>de</strong>s <strong>de</strong> cumuls (0618 et 1806), détaillées<br />
dans le tableau 6.6, augmentent si l'analogie porte sur <strong>de</strong>ux champs géopotentiels (36.68%) au<br />
lieu d'un champ unique (35.41%). Réaliser une secon<strong>de</strong> analogie en complément <strong>de</strong> la première<br />
sur les champs géopotentiels améliore la capacité à prévoir les précipitations. La compétence<br />
du CRPS augmente <strong>de</strong> 4.31, passant <strong>de</strong> 36.68 à 40.99% si l'analogie <strong>de</strong> second ordre porte uniquement<br />
sur l'humidité à 925 hPa sur la fenêtre spatiale n°32. L'analogie sur le ux horizontal<br />
d'humidité à 700 hPa sur la fenêtre °2 présente un gain moindre, la valeur du CRPSS atteignant<br />
40.05%. Outre le respect <strong>de</strong> la hierarchie entre les algorithmes retenus, la phase <strong>de</strong> validation<br />
montre que les écarts entre <strong>de</strong>ux algorithmes sont similaires. Ceux-ci valent 1.27, 4.31 et -0.94,<br />
respectivement entre D1 et D2, entre D2 et D3, et entre D3 et D4. Pour rappel, ils valent respectivement<br />
1.57, 4.23 et -1.37 pour la phase <strong>de</strong> calibration. L'optimisation eectuée <strong>de</strong> la métho<strong>de</strong>s<br />
<strong>de</strong>s analogues est donc bien reproductible. Dès lors, les algorithmes retenus sont validés.