Prévision météorologique de surface à moyenne échéance par modèles numériques et apprentissage automatique
Résumé de la présentation
Une approche en deux étapes est présentée pour améliorer la prévision de la météorologie de surface (température, humidité et vents). La première consiste à mettre à l’échelle des prévisions déterministes atmosphériques à l’aide d’un modèle physique de surface à maille de 2,5 km. Cette méthode est suivie par l’application de modèles U-Net entraînés sur des analyses opérationnelles à ECCC pour l’atmosphère (maille de 15 km) et la surface (maille de 2,5 km). L’impact relatif et combiné de ces deux méthodes sera discuté.
Objectifs d'apprentissage :
Mise à l’échelle kilométrique de prévisions déterministes atmosphériques avec le Système de prévision de surface (SPS) d’ECCC
Développement et utilisation de réseaux de neurones convolutifs de type U-Net pour la prévision à moyenne échelle à la surface (température, humidité, vents)
Présentateur
Dr Stéphane Bélair a obtenu son doctorat en sciences atmosphériques et océaniques à l’Université McGill. Après des projets postdoctoraux à Météo-France (1995) et à Environnement Canada (1996-1997), il a été embauché comme chercheur scientifique à Environnement et Changement climatique Canada (ECCC). Il a travaillé sur la représentation des nuages, des précipitations, de la surface terrestre et de la couche limite dans les modèles de prévision numérique du temps. Il a aussi contribué à l’assimilation de données terrestres, à la modélisation urbaine et à celle à l’échelle subkilométrique. Aujourd’hui, il se consacre à l’application de l’apprentissage automatique pour améliorer la prévision et l’analyse environnementales.
