L'horizon de compétence des prévisions

La prévision numérique du temps a connu, au cours des 25 dernières années, un passage d'une approche « déterministe », basée sur des intégrations numériques uniques, à une approche probabiliste, avec des ensembles d'intégrations numériques utilisées pour estimer la fonction de distribution de probabilité des états prévisionnels. Ce passage à une approche probabiliste a permis une meilleure extraction des signaux prédictifs sur des délais plus longs et a fourni un cadre significatif pour prolonger la durée des prévisions au-delà de 10 jours. Dans ce travail, la limite de la compétence prédictive est évaluée pour les prévisions mensuelles d'ensemble de l'ECMWF à différentes échelles spatiales et temporelles. L'horizon de compétence des prévisions est défini comme le délai lorsque l'ensemble cesse d'être plus compétent qu'une distribution climatologique, utilisant un score de probabilité classé continu comme métrique. Les résultats basés sur des prévisions d'ensemble de 32 jours indiquent que l'horizon de compétence des prévisions est sensible à l'échelle spatiale et temporelle des phénomènes prédits, à la variable considérée et à la zone analysée. En moyenne sur 1 an de prévisions, l'horizon de compétence des prévisions pour des champs instantanés à points de grille est compris entre 16 et 23 jours, tandis qu'il est considérablement plus long pour des champs moyennés dans le temps et l'espace. Les horizons de compétence des prévisions plus longs que les 2 semaines qui étaient considérées comme la limite sont désormais réalisables grâce aux avancées majeures en prévision numérique du temps. Plus précisément, ils sont possibles parce que les prévisions sont désormais formulées en termes probabilistes, avec une distribution de probabilité estimée utilisant des ensembles générés à l'aide de modèles de prévision qui incluent plus de composants (par exemple, un océan dynamique et des vagues océaniques) et représentent plus fidèlement les processus. De plus, les prévisions partent de conditions initiales plus précises construites à l'aide de meilleures méthodes d'assimilation de données et de plus de données d'observation.