Manuscrit These Sohne

UNIVERSITE TOULOUSE III - PAUL SABATIER
THÈSE
Pour obtenir le grade de
DOCTEUR DE L'UNIVERSITE DE TOULOUSE
Spécialité :
Physique de l'Atmosphère
Présentée et soutenue publiquement par
Nathalie SÖHNE
le 23 novembre 2007
Titre :
Validation des prévisions de nuages et de
précipitations à mésoéchelle par l'observation
satellite
Jury :
Franck ROUX Professeur, Université Toulouse III Président
Chantal CLAUD Directeur de Recherche CNRS, LMD Rapporteur
Cyrille FLAMANT Chargé de Recherche CNRS, SA Rapporteur
Françoice GUICHARD Chargé de Recherche CNRS/CNRM Examinateur
Susanne CREWELL Professeur, Université de Köln Examinateur
Jean-Pierre CHABOUREAU Physicien-adjoint, Université Toulouse III Directeur de thèse
ii
Remerciements
La route est longue entre la première et la dernière année de fac. Sur ce chemin, j'ai
toujours rencontré des personnes qui m'ont aidée. Je prote donc de l'occasion pour enn
toutes les remercier.
Sur les trois dernières années, au cours de la thèse, ces personnes sont d'autant plus
importantes : elles sont les derniers guides.
Je remercie tout d'abord mon directeur de thèse Jean-Pierre Chaboureau, pour qui je
fus la première thésarde et qui fut également mon responsable de stage de DEA. Son enca-
drement, ses conseils et ses exigences élevées sur la qualité et la clarté des résultats durant
ces trois ans et demi m'ont permis de progresser d'un point de vue scientique et syntaxique.
Je remercie les membres du jury présidé par Frank Roux. Ils étaient tous présents malgré
les dicultées rencontrées en ces temps de grêve générale. Chantal Claud, Cyrille Flamant
ont été des rapporteurs minutieux et des auditeurs attentifs lors de la soutenance, tout
comme mes examinateurs Susanne Crewell et Françoise Guichard.
Pour que cette thèse puisse voir le jour il fallait des locaux. C'est pourquoi je tiens à
remercier Robert Delmas puis Frank Roux de m'avoir acceuillie au Laboratoire d'Aérologie,
ainsi qu'Évelyne Richard pour son acceuil au sein de l'équipe Processus Atmosphérique
de Moyenne Echelle . Il fallait aussi un nancement. Je remercie donc les organismes -
nanceurs de cette thèse : le CNES et METEO-FRANCE, qui ont suivi de près son bon
déroulement.
Je remercie les personnes avec qui j'ai travaillé au LA Sébastien Argence, Dominique
Lambert, Évelyne Richard à qui je dois une grande partie des simulations Méso-NH, et
celles venant du CNRM Françoise Guichard, Joël Stein, sans qui le dernier article de la
thèse et le travail sur les scores seraient moins aboutis.
Lorsque l'on n'est pas moniteur et que l'on souhaite faire de l'enseignement il faut
trouver des vacations. Dans ce domaine mes bonnes fées ont été Véronique Pont et Jean-
François Georgis, et je les en remercie. Ils m'ont respectivement fait conance pour les
scéances de travaux pratiques ces deux dernières années et prodigué informations et conseils
iii
pour les séances de tutorat pédagogique.
Je quitte un peu le LA pour remercier le CETP de m'avoir permis de participer à la
campagne AMMA sur le radar Ronsard. Les trois semaines passées au Bénin furent ins-
tructives, et cela grâce aux personnes rencontrées là-bas. Merci Georges, Jacques, Yvon,
Christophe, Madeleine, Laurence, Véronique, Françoise, Éric, Armand, Lucas, Paul, aux
chaueurs de bus et de mobilettes.
Après cette incartade parisienne, retour sur Toulouse pour des remerciements tous par-
ticuliers aux informaticiens et Méso-NHiens : Laurent, Jérémy, Juan, Didier, Jacqueline
sans qui je serais encore entrain de me battre avec mon clavier et ma souris, d'essayer de
compliter mon .tex ou de faire une gure avec diaprog.
Ils ont été les plus proches de moi au sens strict tout au cours de ma thèse : mes
collègues de bureau. Christelle et Joël je vous remercie d'avoir été d'une compagnie aussi
agréable.
Je remercie mes compagnons de route, ceux qui sont encore là Amandine, Marielle,
Oliv', Carlos, Damien, Marc, ainsi que ceux qui sont partis mais reviendront bientôt, Ana
et Jérôme.
J'espère que ceux que je n'aurais pas cité, et vous êtes si nombreux au LA à avoir été de
bon conseil comme Jean-Pierre ou Patrick, ne m'en tiendront pas rigueur et accepteront
les remerciements généraux qui leurs sont adressés ici.
Enn, je remercie mes amis hors du labo, qui ont désespérement essayé de comprendre
ce que je pouvais bien faire de mes journées, ainsi que ma famille, en particulier Maman
qui n'est plus là aujourd'hui et qui a toujours eu conance en moi, et enn mon singe en
peluche qui aronte courageusement le froid polaire de Lille maintenant.
Un grand merci à vous tous qui m'avez donné les outils pour que je puisse maintenant
faire mon chemin. Alors, en route !
iv
À tous les Á-Charney. . .
v
vi
Table des matières
Introduction 1
1 Introduction à la prévision météorologique et à son évaluation 5
1.1 Débuts de la prévision météorologique . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Développement des moyens d'observations . . . . . . . . . . . . . . 7
1.1.2 Élaboration des théories scientiques . . . . . . . . . . . . . . . . . 14
1.2 Vers la prévision opérationnelle de méso-échelle . . . . . . . . . . . . . . . 16
1.2.1 Des phénomènes atmosphériques à diérentes échelles . . . . . . . . 16
1.2.2 Des modèles adaptés à diérentes échelles . . . . . . . . . . . . . . 17
1.3 Méthodes d'évaluation conventionnelle de la qualité d'une prévision . . . . 25
1.3.1 Intérêt d'une évaluation . . . . . . . . . . . . . . . . . . . . . . . . 25
1.3.2 Références usuelles de comparaison . . . . . . . . . . . . . . . . . . 26
1.3.3 Méthodes d'évaluation conventionnelles . . . . . . . . . . . . . . . . 26
1.3.4 Dénition de la notion de qualité d'une prévision . . . . . . . . 27
1.3.5 Évaluation de prévisions de mésoéchelle . . . . . . . . . . . . . . . . 29
2 Méthodologie 31
2.1 Le modèle mésoéchelle Méso-NH . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1.1 Dynamique du modèle . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1.2 Physique du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2 Analyses et observations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2.1 Analyses ECMWF et ARPEGE . . . . . . . . . . . . . . . . . . . . 45
2.2.2 Observations depuis la Terre . . . . . . . . . . . . . . . . . . . . . . 47
2.2.3 Observations satellite . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.3 Évaluation des simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
2.3.1 Approche modèle-vers-satellite . . . . . . . . . . . . . . . . . . . . . 58
2.3.2 Dénition des scores . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3 Évaluation de situations contrastées de précipitations 73
3.1 Un ensemble de situations de précipitations de moyennes latitudes . . . . . 74
3.1.1 Description des six situations . . . . . . . . . . . . . . . . . . . . . 74
3.1.2 Une conguration semblable de simulation numérique . . . . . . . . 75
3.2 Des distributions réalistes de températures de brillance . . . . . . . . . . . 77
vii
TABLE DES MATIÈRES
3.3 Des couvertures nuageuses fragmentées . . . . . . . . . . . . . . . . . . . . 79

3.3.1 Points nuageux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.3.2 Cellules nuageuses et parcelles de ciel clair . . . . . . . . . . . . . . 81
3.3.3 Morcellement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.4 Une vérication de la couverture nuageuse . . . . . . . . . . . . . . . . . . 84
3.4.1 Corrélation entre les champs simulés et observés . . . . . . . . . . . 84
3.4.2 Scores catégoriels . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.6 Article : A Midlatitude Precipitating Cloud Database Validated with Satel-
lite Observations, Chaboureau et al., 2007 . . . . . . . . . . . . . . . . . . 90
4 Étude d'un événement extrême 107
4.1 Cas des inondations d'Alger . . . . . . . . . . . . . . . . . . . . . . . . . . 107
4.1.1 Un événement dont l'extrême violence a été mal prévue . . . . . . . 107
4.1.2 Un ensemble de simulations numériques . . . . . . . . . . . . . . . . 109
4.2 Évaluation de l'ensemble de simulations . . . . . . . . . . . . . . . . . . . . 110
4.2.1 Seuils de TB pour les statistiques catégorielles . . . . . . . . . . . . 111
4.2.2 Descriptif des tests de sensibilité aux conditions d'initialisation et de
conguration du modèle . . . . . . . . . . . . . . . . . . . . . . . . 114
4.2.3 Principaux résultats des tests de sensibilité . . . . . . . . . . . . . . 115
4.3 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
4.4 Article : Objective evaluation of mesoscale simulations of the Algiers 2001
ash ood by the model-to-satellite approach, Söhne et al, 2006 . . . . . . 121
5 Vérication des prévisions Méso-NH pendant AMMA 127
5.1 Présentation de l'étude de la SOP2a2 AMMA . . . . . . . . . . . . . . . . 128
5.1.1 La mousson africaine . . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.1.2 La campagne AMMA . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.2 Une longue série de prévisions . . . . . . . . . . . . . . . . . . . . . . . . . 131
5.3 Variabilité des systèmes nuageux . . . . . . . . . . . . . . . . . . . . . . . 131
5.4 Tests de sensibilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.4.1 Sensibilité au seuil de TB . . . . . . . . . . . . . . . . . . . . . . . 135
5.4.2 Sensibilité à la zone d'évaluation . . . . . . . . . . . . . . . . . . . 135
5.5 Variabilité diurne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5.6 Variabilité synoptique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
5.7 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
5.8 Article : Forecast verication of cloud cover with satellite observation over
West Africa, Söhne et al., 2007 . . . . . . . . . . . . . . . . . . . . . . . . 139
Conclusions et perspectives 177
Références 181
viii
Table des gures
1.1 Prol vertical moyen de la température . . . . . . . . . . . . . . . . . . . . 9

1.2 Classication des nuages . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Satellites météorologiques en orbite . . . . . . . . . . . . . . . . . . . . . . 9
1.4 Satellite météorologique américain TIROS-1 et sa première image de la Terre 10
1.5 Échelle des phénomènes météorologique d'Orlanski [1975] . . . . . . . . . . 17
1.6 Détails de la mésoéchelle et de ses sous-divisions . . . . . . . . . . . . . . . 17
1.7 Calculateur ENIAC et grille du modèle de Charney . . . . . . . . . . . . . 18
1.8 Zones à prendre en compte pour des prévisions de 1, 3 et 5 jours sur l'Europe 19
1.9 Échelle des phénomènes météorologiques et des modèles de prévision . . . . 19
1.10 Champs de comparaisons classiques et indices de qualité . . . . . . . . . . 28
2.1 Détails d'une maille de Méso-NH . . . . . . . . . . . . . . . . . . . . . . . 35
2.2 Grille horizontale de Méso-NH . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3 Coordonnées verticales de Gal-Chen . . . . . . . . . . . . . . . . . . . . . . 36
2.4 Modèles imbriqués . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.5 Types de convection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.6 Émagramme avec Cape et Cin . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.7 Schéma des seuils caractéristiques des nuages . . . . . . . . . . . . . . . . . 42
2.8 Microphyique nuageuse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.9 Schéma microphysique du modèle Méso-NH . . . . . . . . . . . . . . . . . 43
2.10 Localisation des observations in-situ utilisées par l'ECMWF . . . . . . . . 46
2.11 Observations utilisées par l'ECMWF dans les analyses . . . . . . . . . . . 46
2.12 Station automatique au sol (à gauche) et radar météorologique (à droite) . 47
2.13 Transmitance atmosphérique . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.14 Longueur d'onde des canaux SEVIRI . . . . . . . . . . . . . . . . . . . . . 52
2.15 Fonction de poids des canaux SEVIRI . . . . . . . . . . . . . . . . . . . . . 52
2.16 Observation METEOSAT IR et WV . . . . . . . . . . . . . . . . . . . . . 53
2.17 Détails de transmitance dans les microondes . . . . . . . . . . . . . . . . . 55
2.18 Observation SSM/I à 37V GHz et à 85V GHz . . . . . . . . . . . . . . . . 55
2.19 Fonctions de poids d'AMSU . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.20 Observation AMSU-A7 et AMSU-B3 . . . . . . . . . . . . . . . . . . . . . 58
2.21 Comparaison point-à-point . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
2.22 Comparaison zone-à-zone . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
ix
TABLE DES FIGURES
3.1 TB des observations en WV et IR des 4 cas . . . . . . . . . . . . . . . . . 76

3.2 TB des simulations en IR des 4 cas . . . . . . . . . . . . . . . . . . . . . . 76
3.3 Dénombrement des points nuageux . . . . . . . . . . . . . . . . . . . . . . 80
3.4 Représentation des cellules nuageuses . . . . . . . . . . . . . . . . . . . . . 81
3.5 Nombre de cellules de ciel nuageux et de ciel clair . . . . . . . . . . . . . . 82
3.6 Score de morcellement des situations . . . . . . . . . . . . . . . . . . . . . 83
3.7 Corrélation des champs classiques et satellites . . . . . . . . . . . . . . . . 86
3.8 Scores catégoriels de POD, FAR et HSS . . . . . . . . . . . . . . . . . . . 87
4.1 Situation météorologique du cas d'Alger . . . . . . . . . . . . . . . . . . . 109
4.2 Relevés pluviométriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.3 Modèles imbriqués pour les simulations . . . . . . . . . . . . . . . . . . . . 110
4.4 TB Météosat IR, WV, SSM/I 37 GHz et 85 GHz sur Alger le 10/11/2001 . 112
4.5 Pluie observée par satellite et pluie simulée . . . . . . . . . . . . . . . . . . 115
4.6 Diagramme de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.7 TB du canal WV observées et analysées le 10 novembre à 00 UTC, et HSS 117
4.8 Fraction nuageuse pour zone de comparaison variable . . . . . . . . . . . . 118
4.9 FSS fonction de la taille de la zone de comparaison . . . . . . . . . . . . . 118
4.10 FSS des diérents champs . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
4.11 HSS des diérents champs . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5.1 Facteurs de la mousson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.2 Schématisation d'une onde d'Est africaine (AEW) . . . . . . . . . . . . . . 129
5.3 Couverture instrumentale, spatiale et temporelle durant AMMA . . . . . . 130
5.4 Histogramme des TB observées (à gauche) et simulées (à droite). . . . . . . 132
5.5 Scores géométriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
5.6 Évolution du % de points nuageux et du HSS en fonction de la température 135
5.7 Évolution du % de points nuageux et du HSS suivant la bande de latitude 136
5.8 Évolution du % de points nuageux et du HSS sur (10E 10W ; 5-15 N) . . . 137
5.9 Évolution du HSS pour la bande (10E-10W ; 10-15N) . . . . . . . . . . . . 138
x
Introduction
La prévision météorologique est faite par des modèles numériques basés sur les équations
physiques qui régissent l'atmosphère, et dont la résolution est soumise à des contraintes
de temps de calcul. An de limiter ce dernier, des simplications dans les équations sont
nécessaires et impliquent l'utilisation de deux types de modèles dans les centres de prévision
opérationnelle : les modèles globaux de basse résolution (∼ 25 − 50 km) et les modèles
régionaux de haute résolution (∼ 2 − 3 km). Les modèles globaux servent à prédire les
phénomènes synoptiques, tandis que les modèles régionaux sont utilisés pour prédire les
phénomènes de mésoéchelle sur une région particulière. Si les phénomènes synoptiques
sont généralement bien représentés, il en va souvent autrement pour les phénomènes de
mésoéchelle qui présentent plus de variabilité et sont, de fait, plus diciles à prévoir.
Ces phénomènes de mésoéchelle, parmi lesquels on trouve les précipitations, les orages
et les systèmes convectifs de mésoéchelle, ont un fort impact climatique et touchent di-
rectement les populations. An d'améliorer leur représentation et leur prévisibilité, des
modèles de prévision à maille kilométrique sont en cours d'installation en Europe et aux
USA. Ces modèles permettront, d'une part, une représentation explicite des nuages, et
en particulier des orages, et d'autre part, une description détaillée de l'orographie et des
circulations associées (brises de mer, de vallée, etc). Le projet AROME de Météo-France,
dont la physique est basée sur celle du modèle de recherche Méso-NH, devrait aboutir à
une prévision opérationnelle à 2, 5 km pour le territoire métropolitain (2008).
1
Introduction
Ces nouveaux outils de prévision nécessitent une évaluation systématique. Or les mé-
thodes d'évaluation des phénomènes d'échelle synoptique ne leur sont pas directement
applicables. En eet, les méthodes utilisées pour les modèles opérationnels se basent sur
des champs représentatifs de la variabilité atmosphérique à l'échelle synoptique, alors que
l'évaluation des modèles de mésoéchelle nécessite des comparaisons sur des champs et à des
résolutions adaptées à leur échelle. Ces comparaisons peuvent s'appuyer, pour la plupart,
sur des mesures plus locales eectuées automatiquement par les stations météorologiques
ou spéciquement lors de campagnes. Ces mesures sont cependant limitées spatialement et
temporellement, et ne permettent donc qu'une étude qualitative ou au mieux partielle des
performances du modèle. Une alternative est oerte par les observations satellite, ce que
le manuscrit de cette thèse va développer.
L'objectif de cette thèse est de mettre au point une méthode objective d'évaluation
de simulations ou d'ensemble de simulations de modèles de mésoéchelle, pour éventuel-
lement améliorer ces modèles régionaux. Cette méthode doit pouvoir être appliquée de
façon systématique, quelles que soient la localisation et les caractéristiques de la simula-
tion. Enn, elle doit tenir compte des centres d'intérêt de l'utilisateur. Pour respecter ces
contraintes, les observations de référence utilisées sont les observations satellites. En eet,
ces observations sont disponibles régulièrement, sur tout le globe, avec une résolution com-
patible avec les phénomènes de mésoéchelle. Elles orent une grande résolution spectrale
qui permet de caractériser les diérents phénomènes météorologiques d'intérêt (nuages,
précipitations, thalweg,. . .). L'approche modèle-vers-satellite est utilisée pour comparer si-
mulations et observations. Des températures de brillances (TB) sont calculées à partir des
variables pronostiques du modèle et sont ainsi directement comparables aux observations.
Les erreurs sont alors uniquement issues de la modélisation (modèle météorologique et code
de transfert radiatif). Diérents types de scores ont été mis en ÷uvre an de déterminer si
la simulation est ou non dèle à l'observation et d'en préciser les défauts éventuels. Enn,
pour montrer leurs diérentes possibilités, ils sont utilisés pour trois types d'applications.
2
Introduction
Le manuscrit est composé de cinq chapitres principaux. Faisant suite à cette introduc-
tion, le chapitre 1 est une rétrospective générale sur l'histoire et l'intérêt de la prévision
météorologique, en particulier de la modélisation de mésoéchelle, et des techniques usuelles
d'évaluation des modèles. Il est suivi, dans le chapitre 2, de la présentation des outils utilisés
et développés au cours de la thèse, ainsi que de la description de la méthode d'évaluation
objective de modèles de mésoéchelle mise en place. Trois applications diérentes de cette
méthode originale sont ensuite présentées sous forme d'articles dans les chapitre 3, 4 et 5.
Ces articles sont immédiatement précédés d'un résumé en français présentant le contexte,
l'objectif, les principaux résultats et les conclusions, ainsi que les travaux complémentaires
eectués sur les sujets. Les gures des articles ainsi que la bibliographie ne sont pas reprises
dans le texte en français. La première application (chapitre 3) utilise la méthodologie dé-
veloppée pour évaluer à l'aide de l'observation satellite la qualité des nuages d'une base de
données de cas précipitants de moyenne latitude. Cette application permet, en outre, de
caractériser la couverture nuageuse des diérentes situations et leur prévisibilité relative.
La deuxième application (chapitre 4) concerne l'étude de la prévisibilité des événements
extrêmes. Il s'agit de dénir dans quelle mesure un modèle de mésoéchelle est sensible
aux conditions d'initialisation et de conguration et de déterminer les conditions pour
lesquelles est obtenue la meilleure simulation. Enn, la dernière application (chapitre 5)
concerne l'emploi de la méthodologie pour la vérication d'une série de prévisions de la
couverture nuageuse en période de mousson africaine. Dans le dernier chapitre sont présen-
tés les conclusions de ce travail et perspectives d'amélioration et d'emploi de cette méthode
d'évaluation.
3
Introduction
4
Chapitre 1
Introduction à la prévision
météorologique de mésoéchelle et à son
évaluation
Ce chapitre commence par un historique succinct de la prévision météorologique mon-

trant le cheminement, depuis les premières mesures in-situ et théories, jusqu'aux ob-
servations satellites et aux modèles numériques de prévision actuels. Il se poursuit par
la description des diérentes échelles atmosphériques et souligne l'importance de l'échelle
moyenne, la méso-échelle, dont les phénomènes inuencent le plus le quotidien des Hommes
(brises de pente, de mer, orages, tempêtes, tornades. . .). Elle est, de fait, l'échelle des futurs
modèles de prévisions opérationnelles. Enn, ce chapitre se termine par la description des
motivations et des moyens d'évaluation des modèles.
1.1 Débuts de la prévision météorologique

La météorologie, n. f. du XVIe siècle, plus familièrement désignée par météo, est souvent
employée abusivement pour désigner le temps qu'il fait ou les conditions climatiques. En
5
Introduction à la prévision météorologique et à son évaluation
eet, ce terme désigne à la fois l'organisme ociel ou le service spécialement chargé de

cette étude, ainsi que l'ensemble des observations eectuées et des prévisions établies par
ses soins. Cependant, la météorologie est avant tout un des domaines de la physique du
globe. Directement emprunté du grec meteôrologia, recherche ou traité sur les corps,
les phénomènes célestes , la météorologie est une discipline ayant pour objet l'étude des
phénomènes atmosphériques et de leurs variations, et dont l'objectif est de prévoir à court
terme les variations du temps (extrait du Dictionnaire de l'Académie française ).
De par sa dénition, observations et prévisions vont de pair en météorologie. Et, parce
que les phénomènes atmosphériques ne sont, a priori, pas maîtrisables et qu'ils ont une
inuence sur ses conditions de vie, très tôt, l'Homme a cherché à les prévoir.
L'histoire commune de la météorologie et de la prévision météorologique, commence en
Chine, avec Nei Tsing Sou Wen, autour de − 3000 ans avant J.-C. La prédiction du temps
était, et est toujours, source de puissance ; le prévoir permet la gestion des cultures (semis,
récoltes), et l'organisation du commerce (dès 40 après J-C la mousson est utilisée pour les
relations commerciales avec les Indes), d'où l'importance des rituels censés inuencer les
précipitations et des prévisions, souvent fantaisistes, faites à partir de l'observation de la
nature, du comportement des animaux ou des maux humains.
Au cours des siècles, en Europe essentiellement à partir du xviie siècle, puis aux USA
à partir du xxe siècle, les connaissances en mathématiques, en chimie, en physique et en
informatique ont fait des bonds spectaculaires, fournissant les outils pratiques et théoriques
nécessaires à une meilleure compréhension des phénomènes et des circulations atmosphè-
riques.
6
1.1.1 Développement des moyens d'observations
Au fur et à mesure des découvertes, les besoins de mesures de nouveaux paramètres

atmosphériques ont augmenté. Il a fallu inventer puis améliorer les instruments, dénir des
échelles et des unités pour mesurer ces champs de plus en plus variés.
Mesures terrestres
Parmi les champs les plus classiques, on trouve la température. Cette grandeur, ou
plutôt ses variations sont mesurées dès − 280 avant J.-C. par le thermoscope. Cependant,
la mesure absolue de température n'est possible de façon able qu'à partir du xviie siècle
grâce à un thermomètre à liquide, lui-même remplacé par le thermomètre à mercure de
Fahrenheit au xviiie siècle. L'échelle de température centigrade est dénie par Anders
Celsius au xviiie siècle. Sa division, le degré Celsius, est ocialisée en 1948 au cours de
la IXe Conférence Internationale des Poids et Mesures et remplacée moins de 20 ans plus
tard par le Kelvin.
En ce qui concerne les précipitations, les hauteurs de pluie sont mesurées en mm.h−1
dès le ve siècle, mais les premières mesures précises faites par Ottaviano Castelli et le
pluviomètre à bascule inventé par Richard Towneley datent seulement du xviie siècle.
Le vent est déni par sa direction et sa vitesse. L'échelle de direction est établie par
rapport aux points cardinaux sous Charlemagne. Sa mesure est possible notamment grâce
à la girouette crée par Léonard de Vinci vers 1500, et sa vitesse est mesurable par diérents
types d'anémomètres en m.s−1 ou en kt.
La pression est découverte par Evangelista Torricelli en 1644, qui fabrique le premier
baromètre à mercure. Ce baromètre sera, par la suite, gradué par René Descartes et com-
menté par Robert Hooke1 avec des termes de vulgarisation liant le temps à la valeur de
1 Robert Hooke, au cours du xvii
e siècle, contribue à la conception ou à l'amélioration de nombreux
instruments de mesures (baromètre, anémomètre, hygromètre), et surtout, qu'il est le premier à faire des
7
la pression. Aujourd'hui, l'unité du système international de mesure de la pression est le

Pascal (soit 1 N.m−2). Cependant, le Millimètre de Mercure, le Bar et l'Atmosphère sont
des unités toujours utilisés.
L'observation des nuages a permis de réaliser des atlas de nuages. Les nuages y sont
classés par genre, espèce, variété et particularités supplémentaires. La gure 1.2 montre
succintement la répartition verticale (en étages) des diérents genres de nuages. Le premier
Atlas International est édité par De Bort sous la référence Hildebrandsson et al. [1896] et a
été complété progressivement jusqu'en 1956. La couverture nuageuse est mesurée en octa.
Toutes les mesures se font au sol ou sur des mâts jusqu'au milieu du xviiie siècle. Elles
prennent ensuite de la hauteur. Les premières mesures par cerf-volant de Thomas Melville
et Alexander Wilson (1748) sont rapidement suivies, par celles encore plus hautes (3500 m),
des premières observations ballon de Jacques Charles (1783). Puis, en 1891 apparaissent les
ballons-sondes. Ces derniers permettent des mesures au-delà de 12 km d'altitude. Les me-
sures eectuées montrent une stabilisation suivie d'une inversion de la température à partir
de 10 − 12 km. Cette mesure a été considérée comme une erreur expérimentale jusqu'en
1902, date ocielle de la découverte de la stratosphère par Teisserenc de Bort. En 1929,
Robert Bureau améliore les moyens de transmission des ballons-sondes, qui deviennent
alors des radiosondes. Dès lors, la connaissance du prol vertical de l'atmosphère et des
principales caractéristiques (température, stabilité, composition) des diérentes couches
est complète. La gure 1.1 montre les variations de ce prol vertical en température, qui
marquent les limites des quatre principales couches atmosphérique. Les années 1930 sont
celles du développement des mesures avion. Elles permettent d'avoir un plus grand rayon
d'action et facilitent ainsi les mesures des phénomènes d'échelle synoptique. Plus particu-
lièrement, en 1929, les premières mesures fusée sont eectuées par R. Goddard. Elles sont
le précurseur des satellites météorologiques mis en place 30 ans plus tard.
observations régulières. Cette méthode fait de lui, n'en déplaise à Aristote, le fondateur de la météorologie
en tant que science Andrade

[ , 1950].
8
Fig. 1.2 Classication des nuages selon

leur hauteur et leur épaisseur
Fig. 1.1 Prol vertical moyen de la

température Fig. 1.3 Principaux satellites météoro-
logiques en orbite
9
Ainsi, la régularité des observations a permis de mettre en place des échelles et des
unités de mesure pour les diérents champs : température, pression, précipitations, vent,
nuages,. . . Les relevés systématiques ont, entre-autre, permis d'améliorer les prévisions. On
note en eet que les premières cartes synoptiques datent de 1863 et la première prévision
d'arrivée de la mousson de 1886, soit deux siècles après le début des relevés systématiques.
Mesures spatiales
En 1957, l'Union Soviétique lance le premier satellite articiel, Spoutnik 1. Ce satellite

fournit les premières données de la Terre depuis l'espace en émettant sur deux fréquences
(20.007 et 40.002 MHz) les valeurs de pression et de température de l'azote. Son célèbre
bip-bip marque le début de la conquête de l'espace. En 1960, le premier satellite météo-
rologique américain TIROS (Television InfraRed Observation Satellite), destiné à vérier
l'utilité et la abilité des satellites pour l'observation de la Terre, est mis en orbite. La
mission est un succès : le satellite fournit les premières mesures visible et infra-rouge de
la Terre depuis l'espace (Figure 1.4). Le même type de satellites continuera d'observer la
Terre pendant 5 ans. Une nouvelle ère s'annonce.
Fig. 1.4 Satellite météorologique américain TIROS-1 et sa première image de la couver-

ture nuageuse de la Terre
10
Depuis ces précurseurs, l'observation et la surveillance de la Terre par satellite n'a pas
cessé de se développer. Les satellites gravitent autour de la Terre à des altitudes et sur
des trajectoires diérentes. Les orbites principalement utilisées pour obtenir des mesures
régulières sont les géostationnaires et les héliosynchrones. Alors que les premiers satellites
comportaient uniquement des radiomètres visibles et infra-rouge sensibles à la présence de
nuages, les instruments embarqués à bord des satellites se sont diversiés, pour permettre
une grande multiplicité de mesures.
Dans les années 1970, à la suite de la série TIROS, les satellites ITOS (Improved TIROS
Operational System) sont placés en orbite héliosynchrone, toujours pour étudier la couver-
ture nuageuse dans le visible et l'infrarouge. Puis, sur les satellites NIMBUS, l'instrument
TOMS (Total Ozone Mapping Spectrometer) est dédié à la mesure de l'ozone. Sur les sa-
tellites NOAA (1978) le sondeur microondes MSU (Microwave Sounding Unit) est dédié au
sondage vertical de la température dans la troposphère et à l'observation des précipitations.
Parallèlement, les radiomètres sont implantés sur les plates-formes géostationnaires comme
GEOS (USA, 1974), Météosat (Europe, 1977), GMS (Japon, 1977) ou Insat (Inde, 1982),
pour observer de façon quasi-permanente la couverture nuageuse d'une région particulière.
Ce sont des radiomètres visible et infrarouge, comme par exemple MVIRI (Météosat Visible
and Infra-Red Imageur) puis SEVIRI (Spinning Enhanced Visible and Infra Red Imager)
sur les satellites Météosat Seconde Génération (MSG, 2002).
Dans les années 1980, les satellites avec radiomètres microondes plus précis, sensibles
aux précipitations, viennent compléter ces informations. Les plates-formes DMSP (Defense
Meteorological Satellite Program) sont mises en orbite dès 1987. Leur but est l'étude des
nuages et des précipitations. Pour cela, elles ont à leur bord l'imageur microondes SSM/I
(Special Sensor Microwave Imager). En Europe, les plates-formes SPOT se succèdent depuis
1986. Elles ont pour but l'observation de la surface de la Terre, avec d'une part son relief
grâce à l'imageur HRS (Haute Résolution Stéréoscopique : stéréoscopie instruments) et
d'autre part la couverture végétale grâce à VEGETATION. Ces satellites ont été remplacés
11
en 2006 par Les Pléïades dans le cadre de la mission ORFEO (Optical and Radar Federated
Earth Observation).
Dans les années 1990, les instruments se spécialisent toujours plus et leur résolution
s'améliore. Ainsi, le satellite TRMM (Tropical Rainfall Measuring Mission, 1997) avec à son
bord le radiomètre microondes TMI (TRMM Microwave Imager) donne des informations
sur les précipitations équivalentes à celles de SSM/I, mais à plus haute résolution. TRMM
embarque aussi le premier radar spatial (Precipitation Radar) à 13.8 GHz, permettant
la détection 3D des précipitations, ainsi qu'un détecteur d'éclairs (LIS). Sur les plates-
formes NOAA, les sondeurs MSU sont remplacés par les radiomètres microondes AMSU
(Advanced Microwave Sounding Unit), depuis 1998. Ces radiomètres comportent plus de
canaux que leurs prédécesseurs et permettent un sondage plus précis de l'atmosphère. Les
premières mesures globales systématiques des caractéristiques spectrales, directionnelles et
polarisées du rayonnement solaire rééchi par le système Terre/atmosphère sont faites par
le radiomètre imageur grand champ POLDER (POLarization and Directionality of Earth
Reectance, sur ADEOS Advanced Earth Observing Satellite en 1996 et 2002).
Les années 2000 sont, en particulier, celles du projet de l'A-train : un train de 7 satel-
lites héliosynchrones complémentaires prévu pour l'observation des nuages. Les satellites
de l'A-train qui ont déjà été mis en orbites sont AQUA (2002), Aura (2004), PARASOL
(2004), CLOUDSAT (2006), CALIPSO (2006), et les derniers, OCO (2008) et Glory (2008),
le seront prochainement (2008). AQUA embarque les instruments CERES (Clouds and the
Earth's Radiant Energy System) et MODIS (Moderate Resolution Imaging Spectroradio-
meter) permettant la mesure des propriétés nuageuses. CLOUDSAT embarque un radar
nuages à 94 GHz permettant d'observer les nuages avec une résolution verticale de 500 m et
une résolution horizontale de l'ordre de 2 km. Sur CALIPSO (Cloud Aerosol Lidar Infrared
Pathnder Satellite Observation, 2006) se trouve le radiomètre infrarouge IIR (Imaging
Infrared Radiometer) et le lidar CALIOP (Cloud Aerosol LIdar with Orthogonal Polariza-
tion). PARASOL (Polarisation et Anisotropie des Reectances au sommet de l'Atmosphère,
2004) avec à son bord un intrument de type POLDER fonctionne couplé avec CALIOP
12
pour permettre l'étude de la microphysique des nuages et des propriétés des aérosols. Par
ailleurs, sont aussi mis en orbite le satellite ENVISAT (ENVironement SATellite, 2002) de
l'ESA, contenant un spectromètre et un radar, ainsi que l'instrument IASI (Infrared At-
mospheric Sounding Interferometer) sur METOP (2006), de l'ESA également, permettant
tous deux la surveillance des changements climatiques.
Des instruments plus précis et plus spécialisés sont attendus dans un proche avenir,
parmi lesquels le satellite de la mission franco-indienne MEGHA-TROPIQUE dédié à
l'étude du cycle de l'eau dans les tropiques avec à son bord l'instrument SCARAB (SCAner
for RAdiation Budget) permettant la mesure des ux radiatifs, le radiomètre microondes
SAPHIR (Sondeur Atmosphérique du Prol d'Humidité Intertropicale par Radiométrie)
permettant d'établir le prol de vapeur d'eau et l'imageur microonde MADRAS (Micro-
wave Analysis and Detection of Rain and Atmospheric Structures) permettant la mesure
des précipitations.
La Terre, comme le montre la gure 1.3 est maintenant entourée d'une multitude de
satellites militaires et civils qui observent, de façon répétitive, diérentes caractéristiques
de l'atmosphère et des océans, la qualité et l'évolution de la végétation, le relief et même
les constructions et les déplacements humains. Plus particulièrement, pour les phénomènes
atmosphériques, les produits satellites permettent, aujourd'hui, d'obtenir des mesures de
précipitations, de vent, de couverture nuageuse, de température, et de composition chi-
mique de l'atmosphère
Toutes ces mesures et observations ont permis et permettent d'élaborer des théories
explicitant de plus en plus de phénomènes atmosphériques.
13
1.1.2 Élaboration des théories scientiques
Les découvertes scientiques, lorsqu'elles sont appliquées à l'atmosphère, ont permis

d'élaborer des théories explicitant certains phénomènes atmosphériques et de résoudre les
équations posées.
Des outils mathématiques
En Mathématique, les diverses contributions de Denis Poisson sur les intégrations, dont
la loi de 1823 permet le calcul des gradients verticaux de température. Le théorème sur
les forces de Coriolis [1836], intervenant dans les courants aériens, est déterminant. Les
algorithmes de Runge et Kutta [1890] sur la résolution d'équation diérentiellles, de Courant
et al. [1928] stipulant les condition d'instabilité numérique, de Cressman [1963] sur le
ltrage des équations permettent les résolutions numériques des équations diérencielles
régissant l'atmosphère.
La chimie et la chimie-physique
En Chimie, on note la distinction de l'oxygène et de l'azote des autres gaz et la décou-

verte du gaz carbonique en 1610 par Jan Baptist Van Helmont. Les échanges d'énergie par
chaleur sont montrés par Pierre Simon Laplace et Antoine Laurent de Lavoisier en 1783.
L'ozone est découvert en 1840 par Schöbein, et ses propriétés absorbantes pour les UV-B
(280 − 315 nm) dans la haute atmosphère sont mises en évidence par Cornu et Hartley en
1879 et 1880. Parallèlement, Jean-Paul Coulier, en 1875, montre la nécessité d'avoir des
noyaux de condensation pour former des hydrométéores et l'importance des phénomènes
de coalescence pour la formation de la pluie sera montrée en 1877. Dans les années 1960,
il y a même eu des expériences pour provoquer articiellement des précipitations. Il s'agis-
sait d'injection d'aérosols comme le soufre dans les nuages. Ces recherches ont été très vite
14
arrêtées car inecaces et polluantes. Aujourd'hui, la majeure partie des recherches porte
sur les polluants atmosphériques et l'ozone.
Théories physiques
En Physique, ce sont d'abord essentiellement les théories en thermodynamique et en

mécanique des uides qui sont déterminantes. En thermodynamique, la dépendence de la
pression avec l'altitude est montrée par Pascal [1648]. Robert Boyle en 1962 et Mariotte
[1679], montrent la relation entre la pression et le volume (à T = cste, pV = cste). En
mécanique des uides (essentiellement en hydrostatique), pour les circulations liées à la
rotation de la Terre, l'expérience du pendule de Foucault [1851] montre la rotation de la
Terre et valide expérimentalement les résultats de Coriolis [1836] et de Poisson [1837] sur
le mouvement relatif des systèmes. Par la suite, en 1856, William Ferrel montre l'inuence
de la rotation de la Terre sur la direction du vent. Puis Christoph Buys Ballot, en 1856,
montre la relation entre la pression et le vent et met en place le premier service de prévision
en Europe.
Ce sont les théories de l'école norvegienne de la n du xixe siècle et du début du
xx siècle qui sont à la base de la météorologie moderne. Celles de Bjerknes [1920] dé-
e
nissent les masses d'air et les fronts. Les prévisions météorologiques sont, pour lui, basées
sur des lois de la physique : équation de continuité de l'air, 2e loi de Newton, loi des gaz
parfaits, équation hydrostatique et équation de conservation de l'énergie, et l'atmosphère
peut être décrite par les 7 variables que sont la pression, la température, la densité de l'air,
l'humidité, et les 3 composantes du vent. Sa méthode consiste à résoudre les équations
par traitement graphique, car il pense le calcul algébrique irréalisable. Viennent ensuite
les théories de Rossby [1939], qui concernent les équations de conservation du tourbillon
absolu et déterminent le sens de déplacement des perturbations.
Depuis Lorenz [1963], les théories du chaos tiennent une place importante dans l'in-
terprétation des prévisions météorologiques. Ces théories limitent les possibilités de pré-
15
vision météorologique able à long terme, soit plus de 7 jours (Stewart [2001], http://
www.meteo.fr/meteonet/decouvr/dossier/previsionmeteo/pre.htm#2), en montrant
que de petites perturbations ont rapidement une inuence prépondérante sur l'état nal.
Elles conduisent aussi à conseiller l'utilisation de méthodes statistiques.
Jusque là, la météorologie consiste en un relevé méthodique des observations, une mise
en équation des phénomènes observés, des prévisions faites à la main par le prévisioniste
à partir des mesures in-situ et des nouvelles théories. La qualité de ces prévisions est
essentiellement liée aux connaissances et à l'intuition du prévisionniste. Elles fournissent
une information qualitative du temps à venir. Comme cela sera précisé dans les paragraphes
suivants, depuis l'apparition des ordinateurs les prévisions sont faites numériquement et de
manière quantitative.
1.2 Vers la prévision opérationnelle de méso-échelle

La prévision opérationnelle passe par l'utilisation de modèles météorologiques. L'atmo-
sphère étant trop complexe, quelques simplications s'imposent.
1.2.1 Des phénomènes atmosphériques à diérentes échelles
Les observations ont montré que les phénomènes atmosphériques avaient diérentes
échelles spatiales et temporelles qui interagissent. Ces échelles restent oues et sont dénies
suivant les besoins des chercheurs et des modélisateurs. Une des classications communes
est celle d'Orlanski [1975]. Elle est schématisée sur la gure 1.5. Les phénomènes sont
classiés en trois catégories principales : microéchelle, mésoéchelle, macroéchelle, allant de
la seconde au mois et du millimètre aux dizaines de milliers de kilomètres. Ces catégories
sont elles-mêmes divisées en deux ou trois sous-catégories (γ, β, α).
16
Fig. 1.5 Échelle des phénomènes météoro- Fig. 1.6 Détails de la mésoéchelle et de ses
logique d'Orlanski [1975] sous-divisions
1.2.2 Des modèles adaptés à diérentes échelles
Un modèle numérique est la représentation mathématique de processus. C'est un code

permettant la représentation de la dynamique, de la physique, de la chimie et des échanges
radiatifs de l'atmosphère. Un des précurseurs de la modélisation numérique, fut Richardson
[1922]. Il proposa de résoudre manuellement les équations de l'atmosphère pour calculer
son état à un instant ultérieur. Pour cela il adapta la méthode des diérences nies dé-
veloppée par Runge et Kutta [1890] aux équations diérentielles partielles pour résoudre
les équations régissant l'atmosphère. Il est le premier à pouvoir calculer une prévision nu-
mérique détaillée. Cependant cette mission titanesque fut un échec total et son idée fut
abandonnée jusqu'à l'apparition des calculateurs dans les années 1940. Dans un contexte
de guerre froide, la météorologie devient aaire de sécurité nationale aux USA. Grâce à
l'inuence de John von Neumann, les météorologues disposent dès 1946 de la technologie
de pointe : le tout nouveau calculateur ENIAC (Figure 1.7). Il occupe 150 m2 et néces-
site 6 techniciens pour le faire fonctionner. L'année 1950 est marquée par la naissance des
modèles météorologiques. Les calculateurs permettent de résoudre les équations pour une
atmosphère simpliée et de faire la première prévision météorologique numérique. Le mo-
dèle employé est le modèle barotrope de Charney et al. [1950]. Et, même si en 24 h il donne
une prévision à 24 h, les résultats sont susament convaincants pour poursuivre cette voie.
17
Fig. 1.7 Calculateur ENIAC et ces techniciens (à gauche) et grille du modèle de Charney
(à droite)
Ce premier succès marque la naissance de la prévision numérique quantitative, et donne
une idée de son avenir : complexier.
Dans les modèles atmosphériques les variables dépendant du temps sont mathémati-
quement représentées par des équations diérentielles, et les variables dépendant du temps
et de l'espace sont des équations diérentielles partielles. Pour les résoudre, elles sont rem-
placées par leur approximation, c'est-à-dire le calcul de diérences nies. Le modèle résoud
aussi des équations paramétrées dont l'exemple est l'équation d'état qui relie pression,
température et densité de l'air, et des équations empiriques (n'ayant pas nécessairement
de sens physique mais une nécessité mathématique). Historiquement les modèles météoro-
logiques sont utilisés pour simuler le temps, le climat et ses changements. Les processus
les plus simulés sont ceux des gaz (émission, photochimie, lessivage, déposition, chimie
hétérogène,. . .), des aérosols (émission, déposition,. . .), des nuages (précipitations, éclairs,
condensation,. . .), du transfert radiatif (absorption et diusion des gaz, aérosols et nuages,
ux, albedo,. . .), de transport (émission, transport des gaz, aérosols, nuages dans l'air et
des gaz et aérosols dans les nuages, lessivage,. . .) et de surface (sol, eau, glace de mer,
neige, routes, végétations, ux de surface, ux d'humidité,. . .) et les champs météorolo-
giques (température, densité, pression, composantes du vent, turbulence, vapeur d'eau).
18
Rien que pour la France, une prévision à plusieurs jours nécessite la prise en compte
d'une région couvrant l'hémisphère Nord et une bonne partie des tropiques, et une prévision
à quelques heures sur une ville française nécessite une région couvrant toute l'Europe de
l'Ouest (Figure 1.8). Cependant aucun calculateur n'est capable de résoudre les équations
de Navier-Stokes pour toutes les échelles. C'est pourquoi deux types de modèles d'échelles
distinctes, les modèles globaux et les modèles à aire limitée, sont développés parallèlement,
et sont utilisés conjointement dans les centres de météorologie. Chacun est réglé pour
mettre en avant les forçages dominants à son échelle. Cette échelle est dénie par le temps
et l'extension verticale et horizontale du phénomène (Figure 1.9). Ceci permet de simplier
considérablement le système.
Fig. 1.8 Zones à prendre en compte pour Fig. 1.9 Échelle spatio-temporelle des phé-
des prévisions de 1, 3 et 5 jours sur l'Europe nomènes météorologiques et des modèles de
prévision
Modèles globaux : GCM
Les modèles planétaires (Global Circulation Model) ont des domaines couvrant toute
la Terre. Ils nécessitent des observations du monde entier. Ils sont adaptés aux prévisions
à moyen et long termes (semaine, mois, saisons, tendances climatologiques) et à la clima-
tologie pour lesquelles la prise en compte des interactions hémisphériques est nécessaire.
Ce sont des modèles hydrostatiques, pour lesquels la plupart des phénomènes physiques
sont paramétrés. Leur résolution horizontale est variable et au mieux d'environ 25 km.
19
Leur résolution verticale peut être composée de près d'une centaine de niveaux, ce qui leur
permet de décrire uniquement les phénomènes synoptiques. Leur résolution temporelle est
de l'ordre de la minute à la dizaine de minutes. Actuellement, ils utilisent essentiellement
la méthode spectrale sur l'horizontale et celle des diérences nies [Ashford , 1985] sur la
verticale. Ils sont le résultat de nombreuses étapes.
Le premier modèle est le modèle barotrope de Charney et al. [1950]. Il a fonctionné de
1950 à 1962 sur des zones de plus en plus larges de l'hémisphère nord. Le premier couvrait
l'Amérique du Nord avec une grille horizontale de 270 points distants de 700 km. Le pas de
temps était de 3 h. C'est un modèle simple. L'atmosphère y est considérée comme un uide
incompressible et l'hypothèse de température constante à surface de pression constante est
faite. Seuls les mouvements horizontaux de l'atmosphère au niveau de pression 500 hPa sont
étudiés. Les trois seuls paramètres pris en compte sont la vitesse de l'air, son changement
de direction et sa dilatation ou contraction.
Les modèles barotropes ne prennent pas en compte les transformations d'énergie poten-
tielle ou interne en énergie cinétique et ne peuvent donc pas prévoir le développement des
orages. C'est pourquoi, entre 1955 et 1965, les météorologistes Phillips [1956], Smagorinsky
[1963] et Mintz [1965] complexient ces modèles en multipliant les couches atmosphériques.
De plus ils modient les équations, de telle sorte que les modèles soient baroclines. Ils agran-
dissent le domaine de simulation jusqu'à le rendre planétaire. Ils tiennent aussi compte du
couplage atmosphère/océan, et incluent l'orographie. Enn, Smagorinsky [1956] et Mintz
[1965] paramétrisent l'eet des cumulus. Les prévisions à 4 jours sont dès lors possibles.
Ces modèles barotropes et baroclines sont rapidement remplacés par ceux basés sur les
équations primitives de Bjerknes et Richardson, c'est-à-dire les équations de Navier-Stokes
pour un modèle tenant compte de l'hypothèse hydrostatique.
Entre 1965 et 1975, ce sont surtout des avancées sur les interactions et le mode de calcul
qui changent. Manabe et al. [1965] introduit le couplage océan-atmosphère, les calculs de
20
pluie et d'évaporation, les échanges d'eau et de chaleur aux interfaces terre, océan et glace
et le transfert radiatif dû aux molécules de H2O, CO2 et O3.
Depuis 1975, les modèles planétaires sont au point. Ils prennent en compte le transfert
radiatif, la chimie, la convection, l'humidité, les surfaces continentales, la couche limite de
turbulence, l'hydrologie et le couplage océan-atmosphère.
Modèles à aire limitée
D'autre part, les phénomènes qui intéressent le plus les prévisionnistes et aectent le
plus les populations sont ceux d'échelle plus petite, et plus précisément ceux de mésoé-
chelle. En particulier, les phénomènes non-hydrostatiques, c'est-à-dire ceux pour lesquel
les vitesses verticales ne sont pas négligeables, tels que la convection, la turbulence, les ux
d'humidité sont très importants pour le bilan radiatif et le cycle de l'eau, et sont résolvables
explicitement uniquement à mésoéchelle. Par dénition, et comme l'indique la gure 1.6,
la méso-échelle est une échelle moyenne, comprise entre la micro-échelle (0 − 2 km) qui
est l'échelle de la turbulence (tourbillons de la couche limite,. . .) et l'échelle synoptique
(2000 − 10000 km) qui est caractéristique des masses d'air. Cette dernière exerce sur la
méso-échelle un forçage important. La mésoéchelle est l'échelle des phénomènes dont l'ex-
tension horizontale est comprise entre le kilomètre et le millier de kilomètres et dont le
temps de vie est de l'ordre de l'heure à la journée. Il existe plusieurs classications de
subdivisions des phénomènes de méso-échelle. Orlanski [1975] divise la mésoéchelle en
trois sous-échelles. La méso-échelle γ , permet de représenter des phénomènes très localisés
comme les cumulus et les orages. La méso-échelle β correspond à des phénomènes plus
grands comme les cumulonimbus. Enn la méso-échelle α correspond à l'échelle de phéno-
mènes plus organisés comme les amas nuageux ou les systèmes convectifs de méso-échelle
(MCS).
Ainsi, pour simuler les phénomènes de mésoéchelle, il faut utiliser un autre type de
modèle ayant une meilleure résolution que les modèles globaux.
21
Les modèles à aire limitée, aussi appelés modèles régionaux, ont des domaines couvrant
une partie du globe (généralement de taille comprise entre 500 et 4000 km). Ils sont utilisés
pour les prévisions à courte échéance (3 h à 48 h) et permettent d'avoir une résolution
horizontale plus ne (∼ 5 km à ∼ 100 km), pour une résolution temporelle de quelques
secondes à quelques minutes. Ils sont utilisés pour simuler explicitement des phénomènes de
plus petite échelle inaccessibles aux GCM, notamment ceux induits par le relief ou le climat
régional. Dans un modèle de méso-échelle, pour que les phénomènes et les circulations
méso-échelle soient bien représentés il faut en premier lieu que les phénomènes d'échelle
synoptique le soient [Colle et Man , 2000] alors que l'inverse n'est pas nécessaire. Il faut
aussi que les paramétrisations, les équations, la physique régissant la méso-échelle soient
correctes. La qualité d'une simulation de mésoéchelle est donc doublement contrainte,
d'une part, par les phénomènes et approximations faites à son échelle et d'autre part, par
les phénomènes de plus grande échelle.
À l'instar des GCM, en plus des équations dynamiques, des paramétrisations de proces-
sus physiques (bien que diérentes et moins nombreuses que pour les GCM) ont été mises
en place. L'eet moyen de ces processus sur les champs du modèle est alors estimé. On y
trouve, en particulier, l'estimation des eets du frottement, la description du cycle de l'eau,
les ux de turbulence, la description des propriétés du sol, le rayonnement. Les conditions
aux limites de ces modèles sont articielles. Généralement, ils sont couplés avec des mo-
dèles plus grands fournissant les valeurs des champs aux limites. Ils utilisent la méthode
des diérence nies sur toutes les dimensions pour résoudre les équations atmosphériques.
De plus en plus souvent, ils prennent en compte l'assimilation de données conventionnelles,
an d'ajuster au mieux le modèle à la réalité. Pour ces modèles encore, les progrès sont
liés à l'amélioration des machines, aux découvertes théoriques, ainsi qu'au nombre et à la
disponibilité immédiate des observations.
Dans les années 1980, les premiers modèles méso-échelle sont hydrostatiques et ont une
maille comprise entre 20 et 100 km. Les phénomènes étudiés sont ceux de la méso-échelle
α comme les tempêtes, les cyclones, les systèmes convectifs.
22
Dans les années 1990, l'utilisation de schémas implicites, pour traiter les termes de
propagation des ondes de gravité, réduit les temps de calculs. Cet accroissement de vitesse
a permis d'introduire les équations non-hydrostatiques [Dudhia , 1993], indispensables à
la modélisation correcte des phénomènes ayant des échelles de l'ordre du kilomètre, pour
lesquelles les accélérations verticales ne sont plus négligeables. La convection est alors
simulée de manière explicite.
Aujourd'hui ce sont généralement des modèles non-hydrostatiques, comprenant l'hypo-
thèse d'anélasticité.
Cependant, pour améliorer un modèle il ne sut pas d'augmenter sa résolution. Il est
nécessaire d'améliorer sa physique et notamment la microphysique et la représentation des
nuages [Weisman et Trapp , 2003], celle de la couche limite de turbulence (PBL : Planetary
Boundary Layer) [Ayotte et al., 1996], le transfert radiatif, et celle relative à la qualité de la
surface et à ses eets [Pielke , 2002]. Il est aussi indispensable d'inclure plus d'observations,
en particulier non conventionnelles, dans des phases d'assimilation 3D et 4D-VAR. Enn,
pour tenir compte du caractère chaotique de l'atmosphère [Sutton , 1954; Lorenz , 1963], il
est important de faire des simulations d'ensemble [Wandishin et al., 2001] pour arriver à
une solution probabiliste en étudiant le résultat moyen et la dispersion de l'ensemble.
En particulier, la question de la nécessité d'une simulation correcte des nuages et des
précipitations est apparue très rapidement dans les modèles globaux et régionaux [Sma-
gorinsky , 1956; Liu et Orville , 1969]. Trois nouvelles catégories de modèles régionaux, de
résolution de plus en plus ne, ont été développées pour répondre à ces besoins. D'une part,
les CRM (Cloud Resolving Models) sont utilisés pour simuler les événements méso-échelle
et tester les paramétrisations des modèles plus larges. Ils ont une résolution horizontale
de ∼ 1 km. Ce sont des modèles non-hydrostatiques pour lesquels la convection est réso-
lue explicitement. La PBL peut y être, ou non, paramétrée. Ils contiennent des schémas
microphysique et de transfert radiatif. Comme pour tous les modèles dont la maille est
supérieure à l'échelle de Kolmogorov, c'est-à-dire une maille de l'ordre du centimètre, la
23
turbulence sous-maille est paramétrée [Bryan et J.M., 2001]. D'autre part, les LES (Large
Eddy Simulation) sont généralement utilisés pour étudier la PBL. Leur résolution hori-
zontale varie de 10 à 100 m. Les petits tourbillons des CRM sont résolus, mais les très
petits tourbillons ainsi que les échanges radiatifs et la micro-physique [Wyngaard , 1992]
doivent néanmoins être paramétrés. Enn, il existe des modèles de résolution plus ne, avec
une maille à l'échelle de Kolmogorov (∼ mm, cm), ne contenant aucune paramétrisation.
Cependant pour des raisons de coût ils ne sont que très peu utilisés.
Parmi tous ces modèles, les CRM sont les modèles les plus utilisés en prévision. Leur but
est de simuler le développement d'un nuage. Ils servent à développer les paramétrisations,
pour les modèles de plus grande échelle, en étudiant des phénomènes spéciques.
Leur apparition date des années 1960 [Ogura et Phillips , 1962]. Ce ne sont d'abord
que des modèles 2D dynamique, tenant compte de la turbulence mais pour lesquel sont
négligés la diusion, les eets radiatifs, et l'eet de Coriolis. Leur temps d'intégration est
de 10 minutes.
Dans les années 1970, les CRM sont améliorés pour simuler plusieurs nuages seuls et
plusieurs cycles de vie du nuage. La microphysique de la pluie est ajoutée. Les modèles
sont 2D (sur 100 km) et 3D (sur 20 km), avec des conditions aux limites ouvertes. Leur
temps d'intégration passe à quelques heures.
Dans les années 1980, ils servent à faire des comparaisons avec les observations. La mi-
crophysique de la phase glacée est ajoutée. Les domaines des modèles 2D (200 km) et 3D
(30 km) augmentent. Les conditions aux limites sont ouvertes ou périodiques et disponibles
sur plusieurs heures. Les études de Fritsch et Chappell [1980] permettent d'introduire la pa-
ramétrisation de la convection profonde, et donc une meilleure représentation des cumulus
aux moyennes latitudes.
Dans les années 1990, les utilisations des CRM se diversient. Le transfert radiatif est
ajouté. Le système d'équations a une fermeture d'ordre 1,5. Les schémas d'advection des
modèles 2D (103 à 104 km) et 3D (200 km) sont améliorés et les conditions aux limites
24
1.3 Méthodes d'évaluation conventionnelle de la qualité d'une prévision
quelles soient ouvertes ou périodiques. Leur temps d'intégration atteind des durées de
l'ordre du jour à la semaine. De fait, les CRM tendent à être appliqués aux modèles
globaux.
Ainsi, l'augmentation en ressource de calcul et le développement des méthodes de cal-
cul numérique permettent de simuler opérationnellement des mouvements atmosphériques
allant de l'échelle planétaire à la méso-échelle. Parmi les grandes questions sur les possi-
bilités de la prévision météorologique subsistent celles liées au caractère chaotique de l'at-
mosphère, celles liées aux paramétrisations, celles de la simulation des premières heures,
pour lesquelles on emploie des techniques de prévision immédiate appelées Nowcasting et
celles liées à l'évaluation de la qualité des prévisions.
1.3 Méthodes d'évaluation conventionnelle de la qualité

d'une prévision météorologique
1.3.1 Intérêt d'une évaluation
Aujourd'hui, les prévisions sont essentiellement issues de simulations faites par des mo-
dèles numériques déterministes avec assimilation de données. On fait aussi des prévisions
d'ensemble, pour lesquelles on parle dès lors de probabilité d'occurrence d'un phénomène.
Le prévisionniste intervient dans l'interprétation, le jugement de ces prévisions et la correc-
tion éventuelle des erreurs du modèle. Qu'elles soient humaines ou numériques, les prévi-
sions répondent toujours aux mêmes enjeux. Dans les centres de météorologie opérationnelle
(comme Météo-France), elles répondent à des enjeux économiques puisque, comme à l'ori-
gine, elles servent toujours à l'agriculture et revêtent, en plus, aujourd'hui, une importance
capitale pour l'aviation, la marine et le tourisme. Elles répondent aussi à des enjeux hu-
mains, car elles permettent le déclenchement d'alertes en fournissant des cartes de vigilance
en cas de tempête, cyclone, inondations, canicule,. . .et la mise en place de plans type plan
25
ORSEC en cas d'inondations. Dans les centres de recherche (comme le CNRM, le LA,. . .)
les prévisions répondent à des enjeux scientiques. Les modèles de recherche font l'état
de l'art des connaissances actuelles en météorologie. Comprendre pourquoi un événement
est bien simulé, ou au contraire ne l'est pas, permet de poursuivre la recherche dans ce
domaine. De plus, en prévoyant la position d'occurrence d'un phénomène à l'avance, il est
possible de mettre en place les moyens matériels pour aller l'étudier dans les meilleures
conditions possibles. Parler de prévision et de modèles, conduit à parler d'évaluation de
ces prévisions et donc d'évaluation de modèles. Le modèle est une représentation simpliée
de la réalité. Il est nécessaire de pouvoir l'évaluer, et donc de déterminer si les prévisions
sont satisfaisantes ou non, suivant les critères qui sont propres à chacun, aux vues de ses
besoins.
1.3.2 Références usuelles de comparaison
Pour évaluer un modèle, plusieurs techniques classiques sont recommandées. Ses ré-
sultats peuvent être comparés à la solution théorique analytique, aux résultats d'autres
modèles numériques ou à ceux d'autres paramétrisations ou congurations du modèle. La
conservation au cours de la simulation des bilans de masse, d'énergie et de moment du
modèle peut être vériée. Enn, les résultats peuvent être comparés aux observations de
manière subjective et de manière quantitative, ou encore étudier la sensibilité du modèle
aux conditions initiales [Pielke , 2002].
1.3.3 Méthodes d'évaluation conventionnelles
Lors d'une évaluation on cherche d'une part, à quantier les qualités et les défauts du
modèle, comme un biais systématique ou un type d'événements non simulés, et d'autre
part, à quantier l'inuence des défauts de l'état initial en lui ajoutant des perturba-
tions. Les moyens d'évaluer un modèle sont multiples. La comparaison visuelle entre le
26
modèle et une référence est la plus naturelle. Elle permet de se rendre compte de façon
qualitative des diérences. Cependant elle reste laborieuse et ne permet pas d'estimation
quantitative. C'est pourquoi des comparaisons plus mathématiques et donc plus facilement
systématisables sont faites. Il convient alors de créer des outils permettant de quantier
les comparaisons et d'estimer le gain. Bon nombre de météorologues et de mathématiciens
se sont penchés sur le sujet depuis l'apparition des prévisions numériques. Cela a donné
naissance à de nombreux calculs statistiques de nature diérente (continus et catégoriels)
basés essentiellement sur les champs de pression, température et précipitations et utilisés
pour certains de façon systématique sur les modèles opérationnels.
1.3.4 Dénition de la notion de qualité d'une prévision
Du choix de la référence dépendent les critères d'évaluation et l'analyse de la compa-

raison, ainsi la question reste entière :
Qu'est-ce qu'une bonne prévision ?
La réponse naturelle de l'usager est : celle qui prévoit correctement le phénomène .

Dans ce cas il s'agit alors de performance. L'idée sous-jacente est donc de comparer qua-
litativement les phénomènes prévus avec ceux observés ; s'ils sont en accord la prévision
est validée. C'est une comparaison ponctuelle, qui n'est pas forcement représentative de la
qualité globale de la prévision.
La réponse des centres météorologiques est : celle qui satisfait nos critères . C'est
le réalisme physique de la prévision qui est recherché. Ainsi, depuis plus de 50 ans, pour
évaluer la qualité des modèles, les centres météorologiques utilisent un indice basé sur
l'erreur de prévision du géopotentiel à 500 hPa avec pour référence la climatologie sur
30 ans du lieu (Figure 1.10). Les prévisions à 24 h sont considérées comme justes lorsque
l'écart entre la température observée et la température prévue est inférieur à 2C. Pour les
précipitations le critère prend en compte l'occurrence ou non de la pluie, sans tenir compte
27
des quantités. Les comparaisons des prévisions à 48 h de diérents modèles sont faites de
façon systématique sur des champs et des niveaux standard. La qualité de la prévision
du vent à 250 hPa, celle du géopotentiel à 500 hPa et celle de la température à 850 hPa
de chacun des modèles est donc comparée aux autres. Les prévisions de 1 à 3 jours sont
évaluées par rapport à la chronologie des événements météorologiques à 12 h près et à leur
localisation à l'échelle d'1/8e du pays. Les prévisions de 4 à 7 jours sont évaluées avec des
critères plus souples, c'est-à-dire une occurrence à 24 h près et une localisation à l'échelle
d'1/4 du pays.
Fig. 1.10 Champs de comparaisons classiques et indices de qualité
Après plus de 20 ans de recherche sur les statistiques servant à évaluer des prévisions
Murphy [1993] repose la question et y répond de la manière suivante : Une bonne prévision
est une prévision qui correspond soit à l'estimation du prévisionniste, soit aux observations,
soit celle qui permet un gain à l'utilisateur. Il reprend donc les réponses de chacun pour
préciser l'importance du contexte, de l'utilisation qui est faite de la prévision, an de
pouvoir l'évaluer sur des critères pertinents.
28
1.3.5 Évaluation de prévisions de mésoéchelle
L'évaluation d'un modèle de mésoéchelle doit se faire sur des phénomènes de mésoé-
chelle, c'est-à-dire des phénomènes très variables comme les nuages ou les précipitations, et
avec une référence ayant la même résolution. Or les observations utilisées de façon classique
à l'échelle synoptique (prols et données de surface) sont trop éparses pour permettre une
évaluation à méso-échelle. De plus, les méthodes basées sur ces observations ou les champs
analysés ne fournissent pas d'information adéquate [Davis et Carr , 2000]. Les variables ca-
ractéristiques et les sources des observations servant à les caractériser ne peuvent donc pas
être seulement celles employées opérationnellement à l'échelle synoptique. Elle nécessite
donc, et c'est l'objet de cette thèse, l'adaptation des techniques d'évaluation des modèles
synoptiques aux modèles de mésoéchelle.
29
30
Chapitre 2
Méthodologie
Les simulations de mésoéchelle doivent être évaluées sur des critères supplémentaires
à ceux utilisés opérationnellement pour les modèles synoptiques. Ce chapitre présente les
outils utilisés. Il commence par une description du modèle météorologique Méso-NH et des
diérentes observations disponibles, puis il explicite la méthode originale d'évaluation de
modèles de méso-échelle développée durant la thèse, combinant l'approche modèle-vers-
satellite au calcul de scores.
2.1 Le modèle mésoéchelle Méso-NH

Méso-NH est le modèle atmosphérique méso-échelle non-hydrostatique eulérien de la
communauté française de recherche. Sa description détaillée se trouve dans Lafore et al.
[1998] et sur le site http://mesonh.aero.obs-mip.fr/mesonh/. Depuis 1992, il est déve-
loppé conjointement par le CNRM (Centre National de Recherche Météorologique) et le
LA (Laboratoire d'Aérologie). Son premier objectif est permettre des simulations de phé-
nomènes météorologiques de diérentes natures, c'est-à-dire mono ou multi-dimensionnels,
réels ou idéalisés, le tout sur une gamme de résolution variant de la micro-échelle (quelques
mètres) à l'échelle synoptique (de l'ordre du millier de kilomètres). Méso-NH a pour but
31
Méthodologie
de représenter au mieux la réalité des phénomènes atmosphériques, dans toute leur com-
plexité et leurs interactions, par l'intégration d'un maximum de paramétrisations physiques
et la présence de chimie (active) et d'électricité. Le modèle Méso-NH a aussi pour vocation
d'être simple d'utilisation et facilement modulable an de s'adapter aux besoins de re-
cherche de chacun. Il dispose de fonctions de visualisation graphique des résultats (diaprog
et Vis5D) qui permettent entre autre de faire des cartes de champs diagnostics, et d'outils
de transformation des champs observés et simulés (les libtools). Enn, l'évolution du code
Méso-NH se fait par cycle, intégrant chaque fois de nouveaux développements. Plusieurs
versions de Méso-NH (MASDEV 4-5 et 4-6) ont été utilisées dans cette thèse.
2.1.1 Dynamique du modèle
Équations
An de pouvoir représenter les phénomènes de petite échelle, le choix, lors de sa concep-
tion, s'est porté sur un modèle à aire limitée. Comme dans tout modèle géophysique, l'air
est considéré comme un gaz parfait et un uide de Navier-Stokes (c'est-à-dire un milieu
continu). L'évolution de l'état de l'atmosphère est régi par un système fermé d'équations
comprenant principalement l'équation d'état des gaz parfaits et les équations de conserva-
tion de la masse, de la quantité de mouvement, de l'humitité et de l'énergie.
L'équation de continuité, ou deuxième principe de conservation de la masse (2.1) relie
le taux d'accumulation de la masse à l'intérieur du volume élémentaire ∂ρ∂t au taux d'aug-
mentation de la masse entrant dans le volume élémentaire : 5 ~ ),avec U
~ · (ρU ~ = u~i + v~j + z~k
le vecteur vitesse. L'équation de continuité est simpliée en utilisant une des trois formes
de la contrainte anélastique disponibles dans le modèle : Durran [1989], Lipps et Hemler
[1982] pour la convection profonde, et Bannon [1995] Modied Anelastic Equation (MAE).
La contrainte anélastique permet de considérer que les variations temporelles de la densité
de l'air sec ρ sont négligeables par rapport à un état de référence ρ0. La densité de l'air ρ
32
ne dépend alors plus que de sa position (z).

∂ρ ~
∂t
~) = 0
+ 5 · (ρU (2.1)
(2.2)
L'équation de continuité s'exprime alors sous la forme (2.3) :

−1
~ ) = ∂(α0 uj ) = ∂(ρ0 uj ) = 0
~ · (ρ0 U
5 (2.3)
∂xj ∂xj
avec α0 = 1/ρ0
La pression est alors déduite de la solution de l'équation elliptique obtenue par méthode
itérative, c'est-à-dire un solveur résolvant l'équation anélastique (2.3) et celle du vent
géostrophique u~g = ρf1 (~k ∧ grad
~ z p). Cette équation et celle du vent thermique qui en dérive
∂ u~
g ~ z T sont valables dans l'approximation géostrophique, c'est-à-dire, lorsqu'il
' fgT ~k∧ grad
∂z
y a équilibre entre force de pression et force de Coriolis, pour des petits nombres de Rossby
(eg Ro ' 0.1 à l'échelle synoptique). Cette approximation est valable dans l'atmosphère
libre des moyennes latitudes.
L'approximation anélastique ne permet pas d'assurer la conservation de la masse par
l'équation de continuité. Une équation additionnelle utilisant le système de coordonnées
σ est nécessaire. Dans ce système, appelé aussi système de coordonnées de pression
normalisée , les coordonnées verticales sont des niveaux ayant un même rapport avec la
pression de surface.
Ce système d'équations anélastiques permet le ltrage des ondes acoustiques générées
par la résolution du système d'équations d'Euler (en considérant dtd = 0). En outre, le
système ne produit alors pas d'ondes de gravité externe et la discrétisation du temps est
complétement explicite.
33
Méthodologie
Le modèle tient compte de l'hypothèse non-hydrostatique donnée par l'équation (2.4).

Elle oppose les uctuations de pression (premier terme de la somme) à la ottabilité
(deuxième terme de la somme). Elle permet ainsi de représenter explicitement des phé-
nomènes pour lesquels les accélérations verticales ne sont pas négligeables et dont les
échelles horizontales sont inférieures à 10 km, comme la convection, l'évaporation, ou la
condensation.
dw 1 ∂P 0 θ0
dt
'−
ρ0 ∂z
+ g ν − ql
θν0
(2.4)
avec θν0 et θν0 les termes de otabilité
ql le poids des hydrométéores

0
∂P
∂z
uctuation verticale de pression
Variables du modèle
Les variables pronostiques du modèle sont les trois composantes du vent (u, v, w), la
température potentielle θ, l'énergie cinétique turbulente e ou TKE , les rapports de mélange
de l'eau sous forme de vapeur et de 5 classes d'hydrométéores qui sont l'eau liquide, la pluie,
la glace non précipitante, la neige, et le grésil (rv , rc, rr , ri, rs, rg ). Ces rapports de mélange
sont calculés par rapport à la masse d'air sec dans un volume donné. La masse totale d'eau
dans un volume donné varie par précipitation et par advection .
De plus, des variables diagnostiques (comme le tourbillon potentiel, la hauteur des
nuages, les températures de brillance synthétiques, la CAPE,. . .) sont calculables à partir
des variables pronostiques.
Coordonnées
La grille de Méso-NH est la grille C d'Arakawa. Elle est décomposée en points de ux
pour le vent, et en points de masse pour les autres variables (Figure 2.1). Des points de
34
garde, hors des limites du domaine de simulation sont prévus pour permettre le calcul des
conditions aux limites (Figure 2.2).
Fig. 2.1 Détails d'une maille de Méso- Fig. 2.2 Grille horizontale de Méso-NH
NH : points de grille et point de masse
Le système de coordonnées verticales est celui de Gal-Chen et Sommerville [1975] où
les niveaux suivent le relief en basses couches puis tendent vers l'horizontale avec l'altitude
suivant la formule (2.5) et comme le montre la gure 2.3.
H(Z − Zs)
Ẑ =
(H − Zs)
(2.5)
Ce système est valable pour tous types de relief hormis ceux très discontinus comme les
falaises. La résolution verticale a une discrétisation variable laissée au choix de l'utilisateur.
Elle permet ainsi d'avoir des résolutions plus nes pour les basses couches, notamment la
couche limite et plus lâches au-dessus, en s'étirant avec l'altitude.
Plusieurs projections horizontales (Mercator, Lambert, stéréographie ou plat), dont le
choix s'avère important sur les grands domaines, sont possibles.
Résolution
La résolution horizontale peut varier de la centaine de kilomètres à la dizaine de mètres

pour répondre aux contraintes d'échelle des phénomènes que l'on souhaite étudier. Pour
éviter des temps de calculs trop longs, les résolutions nes peuvent être obtenues en utilisant
35
Méthodologie
Fig. 2.3 Système de coordonnées verti- Fig. 2.4 Modèles imbriqués à résolution
cales de Gal-Chen suivant les courbes du de plus en plus ne
relief
la technique des modèles imbriqués [Stein et al., 2000]. La gure 2.4 illustre cette technique.
Des sous-domaines (modèles ls), de même résolution verticale, de mailles plus nes et de
résolution temporelle plus petite, sont inclus dans la zone d'intérêt du domaine initial
(modèle père). Ces résolutions nes permettent la simulation de phénomènes nécessitant
une haute résolution (ondes de gravités, circulation convective,. . . ). Les interactions entre
modèles imbriqués peuvent être unilatérales ou bilatérales. Dans le premier cas, seuls les
champs du modèle père sont utilisés pour le calcul de ceux du modèle ls, la réciproque
n'étant pas vraie. Les interactions sont alors dites one-way . Dans le deuxième cas, en
plus de l'interaction précédente, les champs du modèle ls sont moyennés, en temps et
en espace, pour être pris en compte en retour, à un coecient de relaxation près, dans le
modèle père. Les interactions sont alors dites two-way .
Conditions initiales et aux limites
Le modèle nécessite d'être initialisé et couplé. En début de simulation, toutes les va-
riables pronostiques du modèle sont initialisées, et ce, pour toutes les mailles du modèle.
L'atmosphère étant considérée comme chaotique, de petites variations de l'état initial
peuvent entraîner de grandes variations de l'état nal. L'initialisation doit donc être faite
avec soin, puisque d'elle, dépend le résultat, et donc la qualité de la simulation. Le couplage
36
sert, en cours de simulation, à fournir des données aux limites latérales du modèle pour les
simulations avec des conditions aux limites ouvertes.
Les conditions aux limites du modèle sont réelles ou articielles. Elles peuvent être
cycliques ou rigides, dans ce cas il y a conservation de la masse ou bien ouvertes, auquel
cas la masse n'est pas conservée. Les limites latérales et supérieures du modèle sont des
limites articielles liées à la nature non globale du modèle. La limite inférieure est une
limite réelle : le sol, pour lequel il faut tenir compte des interactions à l'interface de celui-
ci avec l'atmosphère. Les conditions aux limites inférieures et supérieures, malgré leurs
natures diérentes, sont de type rigide. Les vitesses normales sont nulles sur les limites
et les autres variables y sont symétriques. Les dernières couches sous le toit du modèle
servent d'absorbant, an d'éviter les réexions d'ondes non désirées. Les conditions aux
limites latérales peuvent être de tout type, mais sont généralement ouvertes pour l'étude de
cas réels. Pour les conditions aux limites ouvertes, les conditions entrantes sont données par
les chiers de couplage. Les conditions sortantes sont les valeurs pronostiques du modèle
relaxées vers les valeurs de grande échelle, an d'éviter les réexions latérales non désirées
des ondes hautes fréquences générées par le domaine de simulation. Il est possible d'ajouter
une diusion numérique sur tout le domaine par rapport à l'écart aux champs de grande
échelle ; c'est un ltre spatial permettant aux champs d'être moins bruités.
L'initialisation et le couplage des cas réels sont généralement faits, pour le modèle père,
avec les analyses de l'ECMWF (European Center for Medium-range Weather Forecasts) ou
ARPEGE (Action de Recherche Petite Echelle Grande Echelle). Ces analyses sont interpo-
lées ou moyennées sur la grille du modèle. Dans le cas de modèles imbriqués, les modèles ls
des simulations sont initialisés et couplés à partir du modèle père grâce à un ensemble de
fonctions permettant de préparer les états initiaux. Du fait de l'absence d'analyse nuageuse
par les modèles opérationnels, le départ de Méso-NH se fait toujours en conditions de ciel
clair, ce qui impose un temps de spin-up correspondant au temps de formation des nuages
par le modèle.
37
Méthodologie
Malgré tous les ltrages, les discontinuités et les incertitudes liées aux limites du do-
maine ont une inuence sur les mailles en bordure du domaine de modélisation. Il est
indispensable d'avoir un domaine susamment grand pour que toutes les limites du do-
maine soient éloignées de la zone d'intêret, an d'éviter au maximum de la perturber.
2.1.2 Physique du modèle
Du fait des approximations et de la fermeture turbulente choisie à 1,5, les inconnues

sont plus nombreuses que les équations de Navier-Stokes, ce qui implique une innité de
solutions. Pour pallier cela, des coecients ou des équations respectant les dimensions, les
propriétés mathématiques et physiques de la grandeur inconnue ont été ajoutées. Cette opé-
ration s'appelle la paramétrisation. Une paramétrisation sert à calculer l'eet moyen d'un
phénomène sous maille que l'on ne peut pas résoudre explicitement. Elles sont donc dié-
rentes suivant la résolution choisie. Les paramétrisations, bien que souvent très complexes,
sont en fait une simplication de la réalité des processus physiques de l'atmosphère. Dans
Méso-NH, les paramétrisations sont faites sur la surface, le rayonnement, la turbulence, la
microphysique, la convection et la condensation sous-maille.
Surface et orographie
Les caractéristiques de surface sont déterminantes pour reproduire certains phénomènes

de méso-échelle et expliciter certaines climatologies comme les brises de pente, la convection
orographique, les brises de mer, les îlôts urbains. . . C'est pourquoi dans Méso-NH une
attention toute particulière a été accordée à l'orographie et à la surface. Il est possible
d'utiliser l'orographie réelle issue de l'orographie de GTOPO30 avec une résolution de
30 secondes d'arc, soit environ 1 km, projetée et interpolée sur le modèle. De même, la
nature de la surface et donc son émissivité et son albédo jouent un rôle important dans ces
phénomènes par l'intermédiaire de leur contribution dans les ux de chaleur, d'humidité et
38
au bilan radiatif. Méso-NH contient donc un schéma de surface externalisé, dont un schéma
de végétation (ISBA) précis au kilomètre [Noilhan et Planton , 1989].
Rayonnement
Méso-NH contient aussi le schéma de rayonnement de l'ECMWF [Gregory et al., 2000].

C'est un schéma complexe appelé à intervalles réguliers déterminés par l'utilisateur et
calculant les ux radiatifs pour les courtes et longues longueurs d'onde, en tenant compte
des phénomènes d'absorption, d'émission et de diusion de l'atmosphère et des surfaces.
Turbulence
Pour les mailles supérieures au kilomètre les mélanges verticaux sont dominants et les
échanges horizontaux négligés. Le modèle contient alors un schéma de turbulence quasi
1D d'ordre 1,5, avec plusieurs longueurs de longueur de mélange1 possibles, dont celles
dénie par Bougeault et Lacarrère [1989] et plus récemment par Cuxart et al. [2000]. Les
ux turbulents sont calculés en ciel clair. Le modèle a pour but d'émuler correctement
les schémas de turbulence 3D qui sont explicites dans les modèles CRM (Cloud Resolving
Models) et LES (Large Eddy Simulation).
Pour les mailles inférieures au kilomètre le schéma de turbulence est un schéma 3D et
la TKE est calculée par une équation pronostique.
Convection
Les cumulus ont un temps de vie de l'ordre de l'heure et évoluent à des vitesses proches
du pas de temps du modèle. Ils ont des dimensions de l'ordre de la maille du modèle,
lorsqu'il est à une résolution supérieure ou égale à 10 km. Pour permettre l'occurrence
de phénomènes convectifs pour des simulations ayant des mailles supérieures à 10 km, la
1 distance maximale pendant laquelle un tourbillon va conserver toutes ses propriétés.
39
Méthodologie
convection sous maille est représentée de façon implicite grâce au schéma de Bechtold
et al. [2001]. Plus précisement, la convection profonde est paramétrée pour des mailles
supérieures à 5 km alors que la convection peu profonde est paramétrée pour des mailles
supérieures à 1 km (Figure 2.5). L'ensemble des propriétés moyennes des ascendances et
des subsidences sont déterminées par un modèle de nuages 1D représentant des plumes
convectives. Le nuage est caractérisé par quatre niveaux pour l'ascendance (Figure 2.7) : le
niveau de départ de la particule d'air DPL, le niveau de condensation LCL à partir du quel
l'extension verticale du nuage commence, le niveau de convection libre LFC pour lequel
la ottabilité de la particule d'air devient positive par rapport à celle du milieu, le niveau
d'équilibre de température ETL pour lequel le niveau de ottabilité tend à nouveau vers
zéro, le sommet du nuage CTL qui marque la n de l'extension verticale de celui-ci. Il est
caractérisé par trois niveaux pour la subsidence : le niveau de subsidence libre LFS et le
niveau de base de la subsidence DBL, le niveau vers lequel toute la masse subsidée est
détraînée entre le DDL et le DBL. De la vitesse de subsidence dépendent le CTL et le taux
de précipitations. La subsidence est, quant à elle, fonction des processus microphysiques de
condensation et de glaciation. Elle tient compte de l'eet de refroidissement dû à la fusion
et à l'évaporation des précipitations. Le type de convection dépend des caractéristiques
nuageuses (épaisseur, subsidence, précipitations, . . .). Des critères de déclenchement, en
particulier sur la température et l'humidité, ont été choisis.
Pour résoudre les cumulus, le schéma de convection utilise une approche hybride. Elle
consiste à paramétrer les ascendances et subsidences aux points convectivement instables et
détraîne une partie des nuages paramétrés et des particules précipitantes dans les équations.
Cette approche permet le couplage direct des condensations paramétrées et explicites dans
le modèle et permet un passage transitoire de la convection explicite des hautes résolutions
à la convection paramétrée. Le modèle de nuages est destiné à représenter les nuages de
convection peu profonde et de convection profonde. La condition de fermeture de Fritsch
Chappell est utilisée pour contrôler l'intensité de la convection. Cette condition se base sur
le fait que toute l'énergie potentielle convective disponible (CAPE : Convective Available
40
Potential Energy, Figure 2.6) est dissipée au bout d'une période τ . En cas de convection
√
profonde τ = A/|~v|, avec ~v le vent horizontal moyen entre la LCL (Low Convergence
Level) et 500 hPa, et τ a pour bornes 0.5 h < τ < 1 h, soit le temps de vie d'un nuage
convectif. Pour la convection peu profonde τ est ajusté à 3 h. En outre, la diérenciation
se fait grâce à un seuil sur le rayon du nuage.
Fig. 2.5 Convection peu profonde et convection profonde
Microphysique
Pour représenter correctement les contenus en hydrométéores (nuages et précipitations),

le modèle contient une série de paramétrisations. Les nuages sont représentés de façon ex-
plicite par un schéma microphysique [Pinty et Jabouille , 1998] permettant de prédire les
rapports de mélange des 5 ou 6 types d'hydrométéores pronostiques : l'eau liquide, la pluie,
la glace non précipitante, la neige, le graupel et éventuellement la grêle (Figure 2.8). Pour
une représentation correcte de la microphysique nuageuse, au moins 3 types d'hydromé-
téores sous forme solide sont nécessaires : la glace, la neige, le graupel et/ou la grêle. Les
rapports de mélange de tous les hydrométéores sont prévus pour être toujours positifs et les
valeurs négatives sont forcées à zéro. La concentration en glace est une grandeur diagnos-
tique selon Caniaux et al. [1994], tandis que les autres concentrations sont paramétrisées.
Chacune des particules est dénie selon des critères de nombre, de vitesse de chute, de
41
Méthodologie
Fig. 2.6 Émagramme : sondage vertical de Fig. 2.7 Sondage vertical de la tempéra-
la température θv de l'environnement et de ture θv de l'environnement et de la particule
la particule d'air avec représentation de la d'air pour un nuage supposé précipitant de
Cape et la Cin et du nuage convection profonde dans le modèle Méso-
NH
capacité de croissance, de densité. La distribution et la taille des particules suivent la loi
de distribution γ généralisée, qui se réduit à la loi Marshall-Palmer pour les hydrométéores
précipitants. La masse, de même que la vitesse des particules est liée à leur diamètre. Tous
les hydrométéores ont une vitesse de chute non nulle excepté les gouttelettes nuageuses.
Ainsi, la vitesse de chute d'une goutte de rayon D, dépend des paramétrisations de Liu
et Orville [1969] et inclut les eets des variations de densité moyenne suggérés par Foote
[1969]. D'autre part, celle des hydrométéores glacés est plus lente que celle des gouttes de
pluies de même masse, d'où une plus grande persistance des systèmes convectifs contenant
des hydrométéores glacés.
Chaque hydrométéore a son ou ses processus d'initialisation et de croissance. Le schéma
microphysique et les diérents processus, au nombre de 35, suivent l'approche de Lin et al.
[1983]. Ils sont répartis sur une phase chaude et une phase glace. Le schéma complet, et
tous les processus de formation et de destruction des hydrométéores, sont représentés sur
la gure 2.9.
42
Dans le schéma microphysique des nuages chauds, les hydrométéores sont sous forme
liquide ou gazeuse. Les gouttelettes nuageuses grandissent par condensation (CND). Les
processus d'autoconversion (AUT) en pluie sont paramétrisés suivant Kessler [1969], im-
pliquant que le taux d'autoconversion augmente linéairement avec le contenu en eau du
nuage, mais que la conversion ne peut se produire qu'au delà d'un seuil. Le processus
d'accrétion (ACC) de gouttelettes nuageuses par des gouttes de pluie a lieu lorsqu'il existe
des embryons de précipitations. Le rapport de mélange de pluie augmente en fonction du
coecient de collision. Ces deux phénomènes sont limités par le contenu en eau nuageuse
disponible. Dans le cas où les deux phénomènes sont possibles, celui d'accrétion est le pre-
mier à être pris en compte. L'évaporation (EVA) de la pluie est lié selon Pruppacher et
Klett [1978] au diamètre de la goutte et à la pression de vapeur saturante. Elle se produit
dans les régions insaturées et est limitée par la quantité de pluie disponible. Enn, la sédi-
mentation de la pluie dépend, entre autre, de la vitesse de chute de la goutte et du rapport
de mélange de la pluie. Ainsi, le rapport condensation/évaporation est limité par la vapeur
d'eau et l'eau nuageuse disponible.
Fig. 2.8 Microphysique nuageuse Fig.2.9 Schéma microphysique du modèle

Méso-NH
Dans le schéma microphysique des nuages glacés, les hydrométéores sont sous forme
solide. La formation de la glace dans les nuages permet, par le dégagement de chaleur
latente important, aux nuages convectifs de grandir plus. Au contraire, la sublimation de
la glace provoque un refroidissement plus important lors de la chute des particules glacées
43
Méthodologie
dans un environnement insaturé. Enn, il faut tenir compte dans les codes de transfert
radiatif des propriétés de diusion diérentes des hydrométéores glacés et des hydromé-
téores liquides de taille équivalentes. Les transformations d'une forme d'hydrométéore à
l'autre sont souvent limitées par des seuils sur les rapports de mélange et de température.
La glace primaire est formée par nucléation homogène (HON) quand la température est
inférieure à −35C, ou plus souvent par nucléation hétérogène (HEN). Ces hydrométéores
glacés croissent par déposition (DEP) et par eet Bergeron (BER). La concentration en
neige et graupel (hydrométéores glacés) est fonction de la sursaturation en glace. La neige
est formée par autoconversion (AUT) de la glace primaire et croît par déposition (DEP)
de la vapeur d'eau, par agrégation (AGG) de petits cristaux de glace et par givrage de
gouttelettes nuageuses (RIM) et de gouttes de pluie (ACC). Le graupel est la conséquence
d'un givrage intense de la neige (ACC et RIM) ou de la congélation des gouttes de pluie
entrant en collision avec des cristaux de glace (CFR). Le graupel croît par accrétion. La
distinction entre givrage doux et fort est basée sur la taille du ocon de neige (respecti-
vement de la gouttelette) ou par estimation de la densité moyenne des particules (goutte
de pluie) en résultant. La croissance du graupel est favorisée dans le mode humide (WET,
température supérieurs au seuil Tt) lorque le givrage est très intense. L'excès d'eau liquide
non précipitante à la surface du graupel en est ôtée (SHD) pour former des gouttes de
pluie. Lorsque la température est positive ou nulle la glace primaire fusionne (MLT) im-
médiatement en gouttelettes nuageuses, alors que les ocons de neige sont progressivement
convertis (CVM) en graupel, qui lui-même fond (MLT) au cours de sa chute.
Condensation sous-maille
Le modèle contient un schéma de condensation sous-maille qui modie le schéma de

turbulence initial. Ce schéma sert à améliorer le modèle en réduisant le gradient entre
les cellules nuageuses et celles de ciel clair [Sommeria et Deardor , 1977]. Il utilise le
contenu total en eau non précipitante et les formes conservatives des variables pronostiques.
Ce schéma permet en association avec le schéma de convection d'obtenir une nébulosité
44
2.2 Analyses et observations
fractionnaire [Chaboureau et Bechtold , 2002, 2005]. Pouvoir représenter une fraction de

nuage dans une maille rend plus réaliste la représentation des nuages dans le modèle. En
eet, il est impossible dans la réalité de trouver un nuage couvrant totalement une maille
de par exemple 50 km × 50 km.

Depuis les débuts de la météorologie les types d'observations se sont multipliés et per-
fectionnés. Les analyses puis les observations faites depuis la Terre sont présentées suc-
cintement. Bien qu'elles soient utilisées pour initialiser et coupler le modèle Méso-NH et
qu'elles soient couramment utilisées comme référence pour les évaluations classiques, elles
ne le sont que très peu pour évaluer le modèle dans cette thèse. Enn, les observations
satellites, utilisées par la suite pour évaluer le modèle, sont présentées en détail.
2.2.1 Analyses ECMWF et ARPEGE
Une analyse est l'estimation de l'état de l'atmosphère, combinant des informations pro-
venant des observations et d'un modèle pour lequel les conditions initiales sont un ensemble
d'observations. Les observations in-situ assimilées ne sont pas réparties uniformément sur
tout le globe (Figure 2.10). Les sources d'observations utilisées concernent essentiellement
les zones de terre (stations : METAR, SYNOP), ainsi que, dans une moindre mesure, celles
de mer (bouées, bateaux : METAR, SHIP), comme le montre la gure 2.11. Les mesures du
prol vertical de l'atmosphère et celles sur le plan horizontal en altitude, se font respective-
ment par mesures ballons et avions (TEMP, AIRCRAFT,. . .). Aux observations terrestres
s'ajoutent de plus en plus d'observations satellites (SATOB,. . .), mais assimilées jusqu'à
présent uniquement dans les zones de ciel clair. Les observations disponibles en temps réel,
et dont dépend la qualité de l'analyse, ne fournissent au mieux que 5 % de l'information
nécéssaire pour initialiser le modèle servant à les produire. C'est toujours un modèle glo-
45
Méthodologie
bal qui prend en compte les principaux processus physiques connus (forçage orographique,
surface, précipitations, échanges radiatifs, évaporation, ux de chaleur sensible et latente).
Les champs en sortie du modèle (ie les champs analysés) sont donc lissés, et ce, sur des
mailles trop larges pour voir apparaître des variations de méso-échelle. Enn, les analyses
ne contiennent pas d'informations sur les caractéristiques nuageuses puisqu'elles sont faites
uniquement en condition de ciel clair.
Fig. 2.10 Localisation des observations in- Fig. 2.11 Observations utilisées par
situ utilisées par l'ECMWF l'ECMWF pour initialiser le modèle permet-
tant de produire les analyses
Les analyses de l'ECMWF (European Centre for Medium-Range Weather Forecasts),

sont faites en Angleterre depuis 1975, par un modèle spectral, avec un pas de temps de 15
minutes. Depuis 2006, elles ont une résolution d'environ 25 km sur l'horizontale et décom-
posent les 70 km de la verticale en 91 niveaux. Ces analyses sont disponibles aux heures
synoptiques, c'est-à-dire à 00, 06, 12 et 18 UTC chaque jour.
Les analyses ARPEGE (Action de Recherche Petite Echelle Grande Echelle) sont issues
du modèle spectral éponyme mis en place par Météo-France depuis 1987 en collaboration
avec l'ECMWF. C'est un modèle à maille variable, centré sur la France et dont la résolution
maximale est de l'ordre de 20 km sur la France. Aux antipodes elle n'est plus que de 250 km.
Le modèle comprend 27 niveaux verticaux. Les observations assimilées sont quasiment
les mêmes que pour les analyses de l'ECMWF. L'analyse fournit des champs de vent
46
horizontal, température, humidité, pression de surface mais pas de géopotentiel en altitude.

Les analyses sont disponibles à 00 et 12 UTC.
2.2.2 Observations depuis la Terre
Ce sont les observations de référence les plus couramment utilisées et servent à éta-
lonner la plupart des autres. Ces observations sont divisées en observations in-situ qui
sont ponctuelles ou donnent des prols, et en mesures télédetectées (radars, lidars, GPS,
. . .) qui couvrent une large zone dépendant de leur portée et du relief. Ces mesures sont
Fig. 2.12 Station automatique au sol (à gauche) et radar météorologique (à droite)

pour la majorité employées en routine. Les observations des stations de surface (tem-
pérature, humidité et pression à 2 m, vent à 10 m, rayonnement et nébulosité intégrée,
relevés pluviométriques,. . .), des mâts de mesures (du même type que les relevés de sur-
face), des radiosondages (prols atmosphériques d'altitude variable), des mesures radars
(pluie, vent), (Figure 2.12), sont disponibles régulièrement plusieurs fois par jour en France.
Elles permettent des comparaisons à méso-échelle et même en deçà, à échelle locale sur les
champs observés. Des mesures complémentaires sont occasionnellement disponibles. Ce
47
Méthodologie
sont des mesures plus informatives mais aussi plus coûteuses, faites généralement par des
instruments de recherche. On peut donc, parfois, avoir des mesures LIDAR (concentration
verticale en aérosols, en hydrométéores), SODAR (prols de vent et paramètres turbulents
sur la verticale), d'anémomètre sonique (mesures de uctuation de vent et donc de TKE)
et des mesures aéroportées (vent, température, pression, humidité, mesures chimiques).
Toutefois ces observations sont nombreuses et régulières uniquement dans les pays déve-
loppés, sur les voies de transport ou lors de campagnes spéciques. Elles sont sporadiques,
voire inexistantes ailleurs (continents africain et sud-américain, Inde, . . .), sur les océans,
dans les zones diciles d'accès et aux conditions climatiques diciles (pôles, déserts, mon-
tagnes). Elles ne sont donc disponibles sur Terre, ni régulièrement, ni uniformément, et
sont souvent absentes dans des régions météorologiquement très inuentes, notamment les
tropiques et les pôles (Figure 2.10). Elles occultent ainsi des événements météorologiques
essentiels et nécessaires à la compréhension des échanges thermiques et de la dynamique
atmosphérique (El Niño, mousson, vortex polaire,. . .). Ceci est d'autant plus valable pour
les informations sur les propriétés nuageuses, qui ne sont accessibles que lors de mesures
avion, et ponctuellement par les mesures radar.
2.2.3 Observations satellite
La Terre est entourée de satellites météorologiques qui observent, de façon répétitive,

diérentes caractéristiques de l'atmosphère. Ces satellites sont en général placés soit sur
des orbites héliosynchrones (870 km), soit sur des orbites géostationnaires (36000 km), pour
leur assurer une périodicité maximale. Leur orbite dépend de l'utilisation pour laquelle
ils sont prévus et des contraintes liées à leur instrumentation. Ces satellites exploitent les
propriétés radiatives de l'atmosphère, des aérosols et des hydrométéores, an de restituer en
particulier sa composition (chimique, aérosols, hydrométéores) et son prol de température.
48
Propriétés radiatives de l'atmosphère
En fonction de la fréquence du rayonnement, l'atmosphère lui est relativement transpa-

rente ou au contraire opaque. La transmission de l'atmosphère est liée aux raies (ou bandes)
d'absorption et de diusion des gaz et des particules qui la composent. Une fenêtre atmo-
sphérique est dénie pour les fréquences où l'atmosphère est transparente, c'est-à-dire peu
absorbante. Sur Terre, ces fenêtres alternent avec les diérentes bandes d'absorption de
l'ozone, du dioxygène, du dioxyde de carbone, du dioxyde d'azote et de la vapeur d'eau
(Figure 2.13). D'autre part, les aérosols et les hydrométéores ont des propriétés diusantes,
absorbantes et polarisantes. Pour les gouttelettes nuageuses et de pluie la diusion suit la
théorie de Mie (direction privilégiée) et dépend du nombre de gouttelettes, de la longueur
d'onde, du diamètre de la gouttelette et de son indice de réfraction. Les aérosols atmo-
sphériques jouent essentiellement un rôle polarisant pour le rayonnement solaire. Enn,
le rayonnement des hydrométéores glacés et des hydrométéores liquides (sphériques) est
dépolarisé, contrairement à celui provenant de la surface.
La télédetection satellite utilise ces propriétés, d'une part pour échantilloner le sol (cou-
verture, rugosité), détecter les nuages et déterminer le contenu de l'atmosphère en hydromé-
téores [Liou , 2002] en utilisant les canaux fenêtres (imageurs) et d'autre part pour établir
des prols atmosphériques en utilisant les canaux opaques (sondeurs). Pour les sondeurs,
suivant l'opacité de l'atmosphère pour une fréquence donnée, l'épaisseur et l'altitude de la
couche atmosphérique sondée varie selon l'altitude à laquelle arrive le signal montant. Ceci
se traduit par des fonctions de poids, dont le pic représente la contribution maximale du
signal montant. Ces fonctions représentent le gradient vertical de la transmittivité convolué
par la fonction d'appareil de l'instrument.
Les satellites mesurent des luminances qui sont transformées en températures de brillance.
La température de brillance (TB) est la température qu'aurait un corps noir émettant à la
luminance observée. Le lien entre luminance L? et température de brillance du corps noir
49
Méthodologie
T est la loi de Planck, Eq. (2.6).

2hν 3 1
L? = hν
c2 exp( kT ) − 1
(2.6)
Cette équation est souvent simpliée pour les TB terrestres dans les micro-ondes. Pour
les fréquences telles que hν kT , la loi de Rayleigh-Jeans donne une relation simplée
de la loi de Planck dans l'équation (2.7)
2ν 2
LRJ
ν (T ) =
c2
kT (2.7)
À partir de là, des algorithmes d'inversion permettent de déterminer les paramètres de

surface, les prols de température et celui du contenu en eau, en gaz ou en aérosols de
l'atmosphère.
Caractéristiques instrumentales
Il existe deux types de mesures : les mesures actives, faites par des instruments pos-
sédant leur propre source de rayonnement (source lumineuse lasers pour les lidars, signal
micro-ondes pour les radars) et les mesures passives, faites par des instruments utilisant
les sources naturelles de rayonnement que sont le soleil, les étoiles et le système Terre-
atmosphère. Les instruments actifs possèdent un émetteur et un récepteur colocalisés.
L'émetteur envoie un rayonnement vers l'atmosphère terrestre. Ce rayonnement est par-
tiellement diusé et renvoyé vers le récepteur où il est alors enregistré. L'analyse de ce
rayonnement rétrodiusé permet de décrire la composition et la structure de la partie de
l'atmosphère avec laquelle il a interagi. En particulier, l'analyse de la dépolarisation du
signal et de son absorption permet de dénir le contenu en aérosols, nuages, vapeur d'eau
et gaz trace contenus dans l'atmosphère. Pour limiter la puissance nécessaire à fournir au
signal et la dimension des antennes réceptrices, ces instruments sont généralement placés
sur des orbites basses, souvent héliosynchrones. Les instruments passifs utilisent essentiel-
50
lement les radiations ultra-violettes, visibles, infra-rouges et micro-ondes. Ces instruments

permettent de mesurer globalement la température de surface, d'obtenir des prols de tem-
pérature, et chimiques (de vapeur d'eau, d'ozone) de l'atmosphère ainsi que de déterminer
les propriétés de surface. Ces instruments ont une visée, soit au sol, soit au limbe. Dans
le cas d'une visée au sol, le capteur est dirigé vers la surface terrestre. On utilise alors
les propriétés d'émission ou de diusion de l'atmosphère, selon que l'on se place hors ou
dans une fenêtre atmosphérique. Dans le cas d'une visée au limbe, la ligne de visée traverse
l'atmosphère sans rencontrer la surface terrestre. On vise soit un objet brillant du ciel et on
utilise les propriétés d'absorption et de diusion, soit une région vide du ciel et on utilise
les propriétés d'émission de l'atmosphère pour en analyser la composition chimique, en
aérosol et en déterminer le prol vertical de température.
Parmi tous les satellites et instruments disponibles, seuls quelques-uns fournissent des
observations permettant d'évaluer la qualité d'une prévision de nuages sur les diérentes
périodes de simulation des cas d'étude de cette thèse, qui s'étendent de 2000 à 2006. Les
instruments utilisés sont les radiomètres MVIRI et SEVIRI en infra-rouge puis AMSU et
SSM/I en micro-ondes.
Fig. 2.13 Transmitance de l'atmosphère en fonction de la longueur d'onde.
Observations dans l'infra-rouge
Les observations satellites utilisées sont celles obtenues par le radiomètre MVIRI du
satellite géostationnaire METEOSAT-7 ou SEVIRI sur MSG. Ils sont xes par rapport à
51
Méthodologie
la Terre, qu'ils couvrent à plus d'un tiers (42 %). Ils fournissent des observations de qualité
satisfaisantes jusqu'à des latitudes de 50 degrés.
Le système METEOSAT-7 (respectivement MSG) échantillonne les moyennes latitudes
avec une résolution temporelle de 30 (15) minutes et spatiale de 7,5 (4,5) km. MVIRI
comporte un canal infrarouge thermique (IR ; 10, 5 − 12, 5 µm) et un canal vapeur d'eau
(WV ; 5, 7 − 7, 1 µm). SEVIRI a 12 canaux répartis dans le visible et l'infrarouge, comme
le montre la gure 2.14. Celui utilisé par la suite correspond au canal IR de MVIRI, soit
10, 8 µm.
Fig. 2.14 Canaux du radiomètre SEVIRI et transmis- Fig. 2.15 Fonctions de

sion de l'atmosphère en fonction de la longueur d'onde. poids des canaux de SE-
VIRI aux moyennes lati-
tudes.
Selon la fonction de poids (Figure 2.15), le canal IR est sensible en première approxi-
mation à la température de surface par ciel clair et à la température au sommet des nuages
s'il y en a. En présence de ciel clair, le rayonnement transmis depuis le sol arrive jusqu'au
radiomètre. En présence de nuages, le rayonnement est selon le cas totalement, ou partiel-
lement, absorbé par ceux-ci puis réémis, à la température du nuage, vers le radiomètre. La
TB au sommet des nuages dépend de l'altitude du sommet de nuage. Généralement plus
son altitude est élevée plus la température est basse, sauf dans le cas des cirrus qui sont
transparents en IR et particulièrement à 10 µm. La TB des nuages est donc généralement
plus froide que la TB du sol mesurée en ciel clair. Il est possible de dénir des catégories de
nuages en fonction des TB et de la latitude. Suivant Houze [1993], les nuages sont dénis
suivant trois étages dont l'altitude de la base varie avec la latitude (Tableau 2.1).
52
Étage Région polaire Région tempérée Région tropicale

Bas < 2 km < 2 km < 2 km
Moyen 2 − 4 km 2 − 7 km 2 − 8 km
Haut 3 − 8 km 5 − 13 km 6 − 18 km
Tab. 2.1 Étages des nuages en fonction de l'altitude de leur base et de la latitude.
Ainsi, aux moyennes latitudes, en tenant compte de la décroissance de la température

avec l'altitude, on peut dénir les nuages hauts par des TB inférieures à 230 K et les
nuages moyens par des TB comprises entre 250 et 230 K. En milieu tropical, les nuages de
convection profonde peuvent être dénis par des TB inférieures à 210 K, les nuages hauts
par des TB inférieures à 230 K et les nuages moyens par des TB comprises entre 260 et
230 K. Dans l'exemple ci-après (tiré de l'étude des situations extrêmes, chapitre 4) sur la
gure 2.16, les observations Météosat permettent de détecter les zones de nuages moyens
et hauts, c'est-à-dire de sommet supérieur à 8 km. À cette longueur d'onde la TB suit le
prol vertical de température. Les nuages sont matérialisés par des TB inférieures à 250 K,
en bleu sur la gure.
(a) (b)
Fig. 2.16 Observations des TB de METEOSAT (en K) dans le canal IR (a) et WV (b)
le 10 novembre 2001 à 06 UTC centrées sur l'Europe de l'Ouest et le nord de l'Afrique.
Le canal WV est sensible à l'humidité relative de la haute troposphère (Figure 2.15).
Par exemple, sur la gure 2.16, il permet de détecter les zones de thalweg d'altitude, c'est-
53
Méthodologie
à-dire de descente d'air stratosphérique sec plus chaud de TB supérieure à 240 K (en rouge)
et les zones nuageuses plus humides, plus froides (en bleu). Il est donc possible de dénir
un seuil (ici 240 K) séparant les zones de forte et de faible teneur en vapeur d'eau.
Les canaux IR et WV permettent, respectivement, d'évaluer la représentation de la
couverture nuageuse et de l'humidité relative de la moyenne et haute troposphère ainsi que
l'occurrence éventuelle des thalwegs d'altitude.
Observations dans les micro-ondes
Dans les fenêtres atmosphériques, l'observation dans les micro-ondes est principalement
sensible aux propriétés de surface et au contenu en eau liquide (10 µm) dans les basses fré-
quences (10 − 40 GHz) et aux contenus en hydrométéores glacés (100 µm) dans les plus
hautes fréquences (40 − 150 GHz) (Figure 2.17). Les deux principales bandes d'absorption
sont celles de l'oxygène à 55 GHz et de la vapeur d'eau à 183 GHz. Elles permettent res-
pectivement d'établir le prol de température de l'atmosphère et celui de la vapeur d'eau
troposphérique. L'observation micro-onde, dans les canaux fenêtre, donne une information
sur les nuages et les précipitations complémentaire à celle obtenue dans l'infra-rouge. Par
ailleurs, la faible intensité du rayonnement émis dans les micro-ondes et la nécessité d'avoir
des tailles d'antenne réalistes imposent un embarquement des radiomètres micro-ondes sur
des satellites à orbite basse, ici héliosynchrone. Par conséquent, ces derniers ont une plus
faible fréquence d'observation de la même surface de la Terre que les systèmes en orbite
géostationnaire. Ils passent toujours à la même heure au dessus d'un point du globe, et sont
souvent employés en constellation de manière à augmenter la périodicité de leur mesure.
L'imageur SSM/I (Special Sensor Microwave / Imager) est embarqué à bord de la

série opérationnelle des DMSP (Defense Meteorological Satellite Program). Ces derniers
sont en orbite circulaire, héliosynchrone, quasi-polaire à 833 km d'altitude et avec une
inclinaison de 98, 8. Ils eectuent une orbite complète en 102 minutes, soit 14,1 révolutions
54
Fig. 2.17 Transmitance atmosphèrique dans les micro-ondes en fonction de la fréquence
(a) (b)
Fig. 2.18 Observation SSM/I à 37 GHz (a) et à 85 GHz (b), au-dessus de l'Europe de
l'Ouest et du nord de l'Afrique, le 10 novembre 2001 autour de 7H30 UTC
55
Méthodologie
par jour. Constituée nominalement de deux satellites, la constellation DMSP permet au

mieux une observation de la même surface terrestre toutes les 6 heures. Le radiomètre
SSM/I opère dans les micro-ondes et apporte des informations sur le contenu en eau de
l'atmosphère, en particulier le contenu en gouttelettes nuageuses, la pluie, la concentration
en glace et le contenu intégré en vapeur d'eau. Seuls les nuages de basse et moyenne
latitude, essentiellement composés de gouttelettes sphériques ou quasi-sphériques, comme
les cumulus ou les stratus, sont détectables pas SSM/I.
SSM/I comporte sept canaux à quatre fréquences diérentes : 19, 35 GHz, 22, 24 GHz,
37 GHz et 85, 5 GHz qui observent en polarisation verticale et horizontale, à l'exception de
22, 24 GHz qui fonctionne uniquement en polarisation verticale. L'imageur a un balayage
conique, donnant une fauchée de 1400 km et un angle d'incidence au sol de 53, 1. Sa
résolution spatiale varie de 70 km × 45 km à 19, 35 GHz, à 16 km × 14 km à 85, 5 GHz. Les
basses fréquences (19, 22 et 37 GHz) sont essentiellement sensibles à l'émission par l'eau
liquide, donc en particulier au contenu en goutellettes nuageuses et à la pluie (εpluie = 1) des
nuages de basse et de moyenne altitude. La diusion par les hydrométéores est négligeable.
Les gouttelettes et la pluie sont détectables par une dépolarisation du rayonnement à
37 GHz, due à la sphéricité des gouttelettes nuageuses. Par exemple au niveau de la côte
algérienne (Figure 2.18 a), les précipitations sont marquées par une augmentation de TB
au-dessus de la mer dont l'émissivité dans les micro-ondes est seulement de εmer = 0,5.
Les hautes fréquences (85 GHz) sont surtout sensibles à la diusion par les hydrométéores
glacés. Cela se manifeste par des TB plus froides au-dessus de la terre comme par exemple
au-dessus d'Oran (Figure 2.18 b). Pour chaque fréquence on peut donc dénir un seuil
destiné à détecter les zones de fort contenu en hydrométéores et/ou en précipitations. La
température du sol et de la mer variant d'une situation à l'autre, le seuil est déni selon les
besoins de l'étude. Des seuils plus généraux, mais plus complexes, basés sur les algorithmes
de conversion des observations satellites en taux de précipitations existent mais ne sont
pas utilisés car soumis à controverse (ils ne vérient pas les variables correspondantes du
modèle).
56
Le sondeur AMSU (Advanced Microwave Sounding Unit) est embarqué à bord des
plates-formes NOAA et AQUA. Il est constitué de deux unités A et B. Pour tous les canaux
d'AMSU, la polarisation varie en fonction de l'angle de vue. Sa résolution au nadir est de
48 km pour AMSU-A et de 16 km pour AMSU-B.
(a) (b)
Fig. 2.19 Fonctions de poids des canaux d'AMSU-A (a), et d'AMSU B (b)
AMSU-A est constitué de quinze canaux de fréquences 23, 8 GHz, 31, 4 GHz, 50, 3 GHz,
52, 8 GHz, 53, 6 GHz, 54, 4 GHz, 54, 9 GHz, 55, 5 GHz, 57, 2 GHz, cinq canaux de largeurs
diérentes et centrés autour de 57, 29 GHz pour le sondage en température de l'atmosphère,
et un à 89 GHz pour la détection des hydrométéores et des précipitations. Les fréquences
les plus basses permettent de mesurer les paramètres de surface ainsi que de détecter les
précipitations. AMSU-A permet de mesurer la température de l'atmosphère couche par
couche puisque chaque canal a une fonction de poids pointant à une altitude diérente
(Figure 2.19 a).
AMSU-B mesure le rayonnement dans cinq fréquences 89 GHz, 150 GHz et trois canaux
centrés sur 183, 3 GHz pour le sondage de la troposphère en vapeur d'eau. Ainsi, la majorité
des canaux d'AMSU-B sont sensibles à l'humidité relative de la haute troposphère avec une
57
Méthodologie
(a) (b)
2.20 TB observées pour les canaux AMSU-A7 pointant sur la tropopause (a) et
Fig.
AMSU-B3 pointant dans la haute troposphère (b), le 10 novembre 2001 à 02 UTC
résolution verticale plus ne que le canal WV sur METEOSAT (Figure 2.19 b). Il permet de
détecter plus précisément l'extention verticale d'un thalweg d'altitude. A titre d'exemple
sur la gure 2.20 la présence d'un thalweg est marquée par une augmentation des TB
d'AMSU-A7 à 10 km (tropopause) signiant la présence d'air stratosphérique plus chaud
et une augmentation des TB d'AMSU-B3 essentiellement pour cause d'air stratosphérique
plus sec.
2.3 Évaluation des simulations
2.3.1 Approche modèle-vers-satellite
Le développement des satellites météorologiques est une source d'observation orant

une couverture spatio-temporelle large et régulière avec un spot comparable à l'échelle
de la maille des modèles méso-échelle. Autrement dit, le domaine de simulation est alors
entièrement couvert par un seul type d'observations ayant, de plus, une résolution adaptée
à la maille du modèle. Enn, elles orent une diversité importante de caractéristiques
atmosphériques et nuageuses nécessaires à l'évaluation d'un schéma de nuage.
58
Dénition
La comparaison entre les variables pronostiques d'un modèle et les observations sa-
tellites n'est pas immédiate car les champs obtenus sont de nature diérente. Il est donc
nécessaire de transformer les champs simulés sous forme de champs observés ou inverse-
ment. Pour cela il existe deux solutions :
la comparaison indirecte : il s'agit de transformer, grâce à des algorithmes d'inver-
sion, les luminances des observations satellites, en variables pronostiques du modèle.
On parle alors de produits satellites.
la comparaison directe : il s'agit de calculer, grâce à un code de transfert radiatif
et à partir des variables du modèle, des luminances ou plutôt des TB, c'est-à-dire
des variables des observations satellites. C'est l'approche dite modèle-vers-satellite
développée et utilisée précédement par Morcrette [1991]; Chaboureau et al. [2000,
2002].
La dernière solution est utilisée par la suite, car elle permet de considérer que les erreurs sont
uniquement dues à la modélisation. Elle permet une comparaison objective et quantitative
dans l'espace des observations.
Code de transfert radiatif RTTOV
Le code RTTOV (Radiative Transfer for Tiros Operational Vertical Sounder) est un
code développé à l'origine à l'ECMWF dans les années 1990 pour le sondeur TOVS. Il est
maintenant développé dans le cadre de EUMETSAT NWP-Satellite Application Facility
(SAF). Le code, à partir des prols en température de l'atmosphère ainsi que sa concen-
tration en gaz et des propriétés de la surface et des nuages, permet le calcul rapide de
luminances ou de TB d'un grand nombre de radiomètres dans l'infrarouge (3 − 20 µm) et
les micro-ondes (10 − 200 GHz), grâce à une équation de transfert radiatif atmosphérique
simpliée. Il permet aussi les calculs de jacobiens, et d'adjoints nécessaires à l'assimilation
59
Méthodologie
variationnelle. La dernière version, datant de novembre 2005, RTTOV-8_7 [Saunders et

Brunel , 2004], est utilisée ici.
Dans RTTOV, l'atmosphère est divisée en 43 couches dénies par des niveaux de pres-
sion, de 0, 005 hPa à 1013, 25 hPa, en la considérant en géométrie plan-parallèle, en équilibre
thermodynamique et sans diusion. Ces couches atmosphériques sont susamment nom-
breuses pour que l'hypothèse d'homogénéité soit possible au sein d'une couche. L'équation
du transfert radiatif approchée utilisée est considérée valide sur la totalité de la réponse
spectrale des canaux des radiomètres simulés. On suppose aussi que la fonction de trans-
mission (ou transmittivité) totale d'une colonne atmosphérique est le résultat des transmit-
tivités de ses subdivisions. De plus, les épaisseurs optiques (dont dépend la transmittivité
de l'atmosphère) sont calculées par une régression linéaire dont les prédicteurs sont des
combinaisons de la température et de la pression de l'air, des contenus en vapeur d'eau et
ozone, et de l'angle de vue. Le modèle simule aussi bien les zones de ciel clair que celles
de ciel nuageux. Il prend en compte 6 types d'hydrométéores : la pluie, la neige, le grésil,
la grêle, l'eau nuageuse et la glace nuageuse, dont les détails sur la distribution en taille et
en densité sont référencées dans Bauer [2001].
Dans l'infrarouge, l'eet d'absorption des nuages est pris en compte à travers l'approxi-
mation des corps gris aux niveaux natifs du modèle météorologique. L'absorption nuageuse
est décrite suivant Ebert et Curry [1992] pour la glace, et Smith et Shi [1992] pour l'eau
liquide. Leur contribution aux luminances est déterminée par la fraction horizontale de
leur couverture (N ) et leur émissivité ε à chaque niveau du modèle. L'émissivité dépend
du chemin en eau condensée (W P ) et du coecient d'extinction (κ) suivant l'équation
ε = 1 − exp(−κW P ). En complément à ces paramétrisations, la taille des particules de
glace varie entre 30 et 60 µm suivant une dépendance en température [Ou et Liou , 1995]
et le rayon des gouttelettes d'eau est xé respectivement à 10 µm et 13 µm au-dessus de
la terre et de la mer. Les émissivités de surface sont soit xées par un schéma externe au
choix, avec par exemple, au-dessus de la terre ε = 0, 98, au-dessus de la mer ε ∼ 0, 5, et
au-dessus de la banquise ε = 0, 99, soit choisies par l'utilisateur.
60
En micro-ondes, l'absorption nuageuse est décrite suivant Huord [1991] pour la glace
et Liebe [1989] pour l'eau liquide. Cette version de RTTOV prend maintenant en compte
la diusion par les hydrométéores précipitants [Chevallier et Bauer , 2003] à l'aide de l'ap-
proximation d'Eddington (condition d'anisotropie et l'intensité est considérée comme une
fonction linéaire). Cependant, la diusion due aux particules non sphériques n'est pas mo-
délisée. Pour l'eau nuageuse la diusion est négligeable en-dessous de 200 GHz tandis que
pour la glace nuageuse elle devient importante au-dessus de 100 GHz [Saunders et Brunel ,
2005]. Elle tient aussi compte de la polarisation du rayonnement, du moins celle due aux
propriétés de surface de la mer [English et Hewison , 1998; Deblonde et English., 2001], et
de l'émission par l'eau liquide.
L'hypothèse de recouvrement des nuages utilisée est la maximum aléatoire, considérée
comme la plus réaliste [Morcrette et Jacob , 2000]. Elle combine les hypothèses de recou-
vrement maximum lorsque les couches nuageuses sont adjacentes, et aléatoire dans le cas
contraire. L'hypothèse révisée par Raisanen [1998] qui prend en compte l'absorption ga-
zeuse dans la couche nuageuse est utilisée ici. Cela peut s'expliquer en écrivant sous forme
très simpliée la luminance totale L par :
L = (1 − N )Lclair + N [τ Lclair + (1 − τ )Lnuage ] (2.8)
où Lclair est la luminance en ciel clair, Lnuage celle en ciel nuageux, et τ la transmittivité
de la couche nuageuse. Cette dernière est égale au produit de la transmittivité gazeuse
τgaz par celle intrinsèque au nuage, soit 1 − ε (pas de réection). On note qu'en négligeant
l'absorption gazeuse dans la couche nuageuse (τgaz = 1) et en écrivant la nébulosité eec-
tive Ne = N ε, la formulation classique de la luminance L = (1 − Ne)Lclair + NeLnuage
est bien retrouvée. Enn, la paramétrisation de Raisanen [1998] permet de corriger l'in-
uence de la discrétisation verticale du nuage sur le calcul des nébulosités eectives, donc
des luminances.
61
Méthodologie
Cependant, le calcul des radiances par RTTOV est limité à celui pour les instruments
ayant une visée vers la Terre (au nadir ou non). Il ne calcule pas celles des instruments
ayant une visée aux limbes. Il n'inclut pas les réexions du rayonnement solaire. Il n'est
pas able pour les canaux à très courte longeur d'onde, en particulier celui de SEVIRI
à 3.9 µm. Il ne tient pas compte de l'eet Zeeman (dédoublement des raies d'émission)
pour les canaux haute fréquence d'AMSU-A et SSM/I. Cela a une inuence importante
sur les résultats ; l'indice de jacobien est alors de l'ordre de 30 pour AMSU-14, Saunders
et al. [2002] page 26. Toute la documentation complémentaire ainsi que les sources sont
disponibles sur le site http://www.metoffice.gov.uk/research/interproje/nwpsaf/
rtm/. La nouvelle version de RTTOV-9 sera disponible en septembre 2007.
2.3.2 Dénition des scores
L'évaluation du modèle est faite en comparant sorties de modèle et observations sa-

tellites et en quantiant cette comparaison grâce à des scores. Déterminer la performance
d'une prévision équivaut à calculer diérentes caractéristiques comme sa précision, son
biais, sa abilité, sa résolution, sa capacité de discrimination et sa nesse. Ces scores sont
calculés en confrontant les champs simulés et les champs observés. La correspondance entre
TB simulées et observées étant susamment réaliste, une évaluation objective des simula-
tions est envisageable. Trois types de calculs statistiques, les scores généraux, catégoriels
et géométriques ont été utilisés.
Scores généraux
Les scores généraux s'appliquent sur des champs continus avec une distribution gaus-
sienne comme la température ou l'altitude du géopotentiel à 500 hPa. Parmi ces scores,
tous utilisés de façon opérationnelle, la corrélation, le biais, les écarts-types ont été utilisés.
62
La corrélation quantie la correspondance spatiale des variations du champ simulé et du

champ observé. Plus la corrélation est élevée, plus les variations du champ sont bien placées.
Le biais est la diérence moyenne entre simulation et observation. Il permet de montrer
une diérence systématique entre simulation et observation. L'écart-type est l'écart moyen
à la moyenne, il donne une indication de la variabilité du champ autour de sa moyenne.
En faisant le rapport des écarts-types simulés sur observés la variabilité de la simulation
est comparée à celle de l'observation.
L'utilisation des statistiques générales permet de comparer la valeur des TB observées
et simulées à chaque point de grille. Cependant, ces calculs sont adaptés à des champs
gaussiens pour des valeurs autour de la moyenne. Pour des champs discrets ou pour étudier
les phénomènes situés sur les bords de la gaussienne, comme les précipitations et les nuages,
ces scores ne sont pas adaptés car leur signature est masquée par l'information moyenne.
Scores catégoriels
Ces scores catégoriels ont été créés pour pouvoir évaluer des champs discrets [Wilks ,
1995]. Historiquement prévus pour évaluer les prévisions de tornades, ils sont actuellement
utilisés de façon opérationnelle sur les champs de précipitations. Pour cette thèse, ils ont
été adaptés pour permettre l'évaluation des nuages par observations satellite.
Scores point-à-point
Tous les scores catégoriels sont calculés à partir d'une table de contingence à double
entrée : simulation et observation, pour laquelle est déterminé un seuil séparant les événe-
ments des non événements (Tableau 2.2). On aboutit à une table de contingence simpliée,
composée de quatre cases dénissant alors le nombre de succès (les cas pour lesquels la
simulation reproduit correctement l'évènement), celui de fausses alertes (la simulation pro-
duit un évènement qui n'a pas eu lieu), d'échecs (la simulation manque un évènement) et
de prévision correcte de non évènement. Chaque point de grille de la simulation est avec
celui équivalent de l'observation (Figure 2.21). Ainsi, pour évaluer les tornades le critère
63
Méthodologie
Fig. 2.21 Comparaison point-à-point, le carré noir est la zone de comparaison

était tornade ou pas tornade [Heidke , 1926], et pour l'évaluation des précipita-
tions accumulées les critères étaient un, ou plutôt, plusieurs seuils : 0.1 mm, 1 mm, 10 mm,
complexiant ainsi la table de contingence initialement présentée. Pour chaque fréquence,
le seuil de TB, dénissant les nuages ou les hydrométéores, déni précédement, est utilisé.
Simulation Simulation
Oui Non
Observation Succès (a) Échec (c) a + c = m1
Oui
Observation Fausse alerte (b) Non événement (d) b + d = m2
Non
a + b = n1 c + d = n2 a+b+c+d=N
Tab. 2.2 Tableau de contingence à double entrée
Il existe une multitude de scores catégoriels calculables à partir de ce tableau, plus ou

moins sensibles au nombre d'événements et tenant compte, ou non, d'événements dus au
hasard. Les scores utilisés lors de cette thèse sont maintenant décrits :
le biais fréquentiel (B) est la fréquence des cas positifs simulés sur les cas positifs
observés, Eq. (2.9). S'il est inférieur à 1, la fréquence des événements est sous estimée.
64
S'il est supérieur à 1, elle est surestimée ;

a+b
B=
a+c
(2.9)
la probabilité de détection (Probability Of Detection : POD) est la fraction

des cas correctement simulés sur ceux observés, Eq. (2.10). Compris entre 0 et 1, la
simulation est parfaite si le score est égal à 1.
a
P OD =
a+c
(2.10)
la probabilité de détection de fausses alertes (Probability Of False alarm

Detection : PODF) est la fraction des fausses alertes sur les événements non ob-
servés, Eq. (2.11). Compris entre 1 et 0, il doit tendre vers 0 pour une simulation
parfaite. Combiné au POD, il permet de tracer le diagramme de ROC dont l'aire doit
alors être maximale.
b
P ODF =
b+d
(2.11)
la fraction de fausses alertes (False Alarm Rate : FAR) représente la fraction

de cas simulés mais non observés, sur le nombre total de cas simulés, Eq. (2.12).
Compris entre 0 et 1, ce score doit tendre vers 0 pour une simulation parfaite.
b
F AR =
a+b
(2.12)
le discriminant de Hanssen et Kuipers (HK) est une mesure de la capacité

de séparation de la simulation des cas vrais des cas faux, Eq. (2.13). Compris entre
-1 et 1, ce score doit tendre vers 1 et n'a pas de signication lorsqu'il est égal à 0.
65
Méthodologie
L'intervalle de conance (IC) est calculé selon Stephenson [2000] par l'équation (2.14).
a b
HK = −
a+c b+d
= P OD − P ODF (2.13)
s
P OD(1 − P OD) P ODF (1 − P ODF )
IC =
m1
+
m2
(2.14)
le score de compétence de Heidke (Heidke Skill Score : HSS) mesure la

précision de la prévision en ne tenant pas compte des cas dus au hasard dans son uti-
lisation opérationnelle ou à la climatologie si l'on tient compte des recommandations
de Heidke, Eq. (2.15). Compris entre −∞ et 1, ce score doit tendre vers 1 ; s'il est po-
sitif, la simulation apporte de l'information par rapport à la référence choisie (hasard
ou climatologie). S'il est négatif, la simulation est plus mauvaise que la référence.
(a + d) − ar (a + c)(a + b) + (d + c)(d + b)
HSS =
a + b + c + d − ar
avec ar =
a+b+c+d
(2.15)
le score de succès critique (Critical Succes Index : CSI) mesure la capacité du

modèle à reproduire correctement un événement en enlevant les non événements ,
Eq. (2.16). Compris entre 0 et 1, ce score doit tendre vers 1. Il dépend fortement de
la climatologie ; il est sensible au nombre d'événements observés et tient compte des
événements simulés correctement par hasard.
a
CSI =
a+b+c
(2.16)
le score de menace équitable (Equitable Threat Score : ETS). Dérivé du CSI,

ce score est dit équitable, car il ôte les cas de succès dus au hasard (ar ), Eq. (2.17).
Compris entre −1/3 et 1, ce score doit tendre vers 1. S'il est égal à zéro, tous les
66
succès sont dus au hasard.

a − ar (a + b)(a + c)
ET S =
a + b + c − ar
avec ar =
a+b+c+d
(2.17)
le score de compétence de rapport de chance normalisé (Odds Ratio Skill

Score : ORSS) est un score normalisé produit à partir du rapport de chance (Odss
Ratio, Eq. (2.18)) qui évalue la fraction du nombre de points correctements simulés
par rapport à ceux qui ne le sont pas.
(ad)
OR =
(bc)
(2.18)
Le OR doit tendre vers +∞. Le ORSS mesure donc la correspondance entre si-
mulation et observation, Eq. (2.19). Compris entre −1 et 1, il doit tendre vers 1
[Stephenson , 2000; Thornes , 2001].
(ad − bc)
ORSS =
(ad + bc)
(2.19)
Tous ces scores comparent les valeurs observées et simulées point-à-point. Or, si dans
une comparaison point-à-point, un événement est simulé au point de grille voisin, il est
comptabilisé comme un échec au point où il est observé, et comme une fausse alerte au
point où il est simulé. Les scores sont très bas et défavorisent les simulations produisant
un événement mal localisé par rapport à celles en fait moins réalistes qui ne le simulent
pas du tout. C'est l'eet de double peine.
Scores zone-à-zone
Les comparaisons ont d'abord été faites point-à-point, mais avec l'augmentation de la
résolution des modèles il se fait plutôt zone-à-zone maintenant, an de favoriser les simu-
lations prédisant un événement devant celles de le prédisant pas, réduisant ainsi l'eet de
double peine. Cela permet une certaine latitude dans la position du phénomène à condition
de bien vouloir accorder une certaine tolérance au modèle (Figure 2.22).
67
Méthodologie
Fig. 2.22 Comparaison zone-à-zone, le carré noir est la zone de comparaison

Par exemple, si la zone de comparaison est considérée nuageuse lorsqu'elle est couverte
à plus 50 % par des nuages, sur la gure 2.21 l'observation n'est pas nuageuse alors que la
simulation l'est, alors que sur la gure 2.22, ni l'une ni l'autre ne le sont.
Dénition de la comparaison zone-à-zone
Il faut dénir une taille de zone de comparaison de préférence identique dans la simu-
lation et l'observation. Dans cette zone on calcule la fraction de points nuageux simulés et
observés, et on reproduit l'opération sur tout le domaine. On dénit un seuil au-delà duquel
on considére la zone comme nuageuse (50% ici). On compare les valeurs recalculées pour
les simulations et observations en appliquant les scores catégoriels dénis précédements.
Tous les scores point-à-point ont été adaptés au calcul zone-à-zone, et certains ont été
directement dénis pour être calculés zone-à-zone comme le FSS déni par Roberts [2005].
Le score de compétence fractionnaire (Fraction Skill Score : FSS) est un score
catégoriel zone-à-zone. C'est une variation du Brier Skill Score (BSS), qui est une sorte
d'écart-type normalisé appliqué aux statistiques catégorielles, Eq. (2.21). Compris entre 0
68
et 1, il doit tendre vers 1 à l'inverse du BSS.

F BS
F SS = 1 −
1
hP
N PN i (2.20)
j=1 (pj ) + j=1 (oj )
2 2
N
1 X
N
avec F BS = (pj − oj )2
N j=1
FBS est le Score Fractionnaire de Brier. Il dérive donc du Brier Score qui mesure l'écart-type
entre simulation et observation pour les statistiques catégorielles. Il doit tendre vers zéro
pour une simulation parfaite. Le dénominateur du FSS est le pire FBS possible puisqu'il
est tel qu'il n'y a aucun événement simulé colocalisé avec un événement observé. C'est un
score plus sensible aux événements rares.
Limites à l'interprétation des scores catégoriels
L'évaluation par les scores catégoriels n'est pas sans limites. D'abord, les scores sont
sensibles au seuil, il faut donc le choisir avec soin pour qu'il ait une signication physique,
une réalité météorologique. Il faut, de plus, garder la même valeur de seuil lorsque l'on
compare un ensemble de simulations [Barnston , 1992]. Ensuite, il est nécessaire d'utiliser
plusieurs scores pour pouvoir d'une part, avoir accès à toutes les informations données
visuellement et intuitivement par la table de contingence. D'autre part, c'est l'unique ma-
nière de les interpréter correctement [Wilks , 1995; Doswell III et al., 1990; Nurmi , 2003].
Par exemple, on ne peut pas envisager de commenter le POD sans le FAR. En eet, le POD
peut être augmenté articiellement en augmentant le nombre d'événements simulés, ce qui
a pour conséquence un FAR élevé. Ils sont représentés indépendament, ou sous forme de
diagramme combinant plusieurs scores comme le ROC (Relative Operating Characteristic).
Ce diagramme est établi en fonction du POD (ordonnée) et du PODF (abscisse) calculés
pour diérentes valeurs de seuil.
Ainsi, ces scores quantient la ressemblance entre simulation et observation, mais
contrairement aux comparaisons visuelles, ils ne permettent pas de situer les zones où
69
Méthodologie
la simulation est mauvaise. Et, s'ils sont souvent sensibles à la fréquence d'occurrence du
phénomène, ils nous donnent quand même une idée de la qualité de la simulation.
Scores géométriques
Les scores géométriques s'appliquent sur des champs discrets, ici les nuages ou systèmes
nuageux que l'on cherche à caractériser, soit par rapport à l'observation, soit de façon
absolue (intrinsèque). Ils sont basés sur un seuil dénissant les objets à prendre en compte
(i.e. les nuages). Deux scores sont utilisés par la suite, la distance de Hausdor et le
morcellement.
La distance de Hausdor [Venugopal et al., 2005] est un score issu d'une méthode de
reconnaissance automatique de formes. C'est la distance minimale mesurée entre chaque
point-objet de la simulation et de l'observation au 75epercentile, Eq. (2.22) ; 75 % des
distances entre le point observé et le point simulé sont plus grandes. La limite de la distance
de Hausdor utilisée ici vient du fait que des positions de points (plutôt que d'objets) sont
comparées.

h(R1 , R2 ) = k th min kR1 (i, j), R2 (l, m)k (2.21)
avec k th = 75e percentile
R1 = distance minimale événement simulé-observé

R1 = distance minimale événement observé-simulé
Le morcellement, patchiness en anglais, [Schröder et al., 2006] caractérise l'orga-

nisation des systèmes nuageux et des zones de ciel clair. Un système nuageux est déni
ici comme l'ensemble des points nuageux adjacents dans toutes les directions. Une zone
de ciel clair est dénie comme une zone de points adjacents de ciel clair selon les axes
horizontaux uniquement. Le morcellement se calcule en ajoutant le nombre de systèmes
nuageux au nombre de parcelles de ciel clair et en divisant par le nombre de mailles du
70
domaine, Eq. (2.24).

NN uage + NClair
P1 =
n
(2.22)
NN uage − NClair
P2 =
n
(2.23)
avec n = nombre de points de grille
P1 quantie le morcellement et P2 dénit si celui-ci est dominé par le morcellement du

ciel clair (P2 < 0) ou celui des nuages (P2 > 0). Le score de morcellement dépend du seuil
de TB pour lequel sont dénis les nuages. Son interprétation dépend de la valeur de P2,
puisqu'il caractérisera le morcellement du ciel clair ou des nuages. Enn, selon Schröder
et al. [2006], une variation de morcellement inférieure ou égale à 0,001 n'est pas signicative.
71
Méthodologie
72
Chapitre 3
Évaluation de situations contrastées de

précipitations
Ce chapitre présente une première application de l'approche modèle-vers-satellite com-

binée aux calculs de scores continus et catégoriels. L'approche est utilisée ici pour évaluer
un ensemble de plusieurs situations contrastées de précipitations de moyennes latitudes.
Cet ensemble a été construit pour bâtir une base de données en vue de développer des
algorithmes de restitution de pluie à partir de l'observation satellite, ce que décrit l'article
Chaboureau et al. [2007] reproduit en n de chapitre. Les situations contrastées choisies
orent un éventail des phénomènes possibles aux moyennes latitudes. Ces cas ont été
simulés avec une conguration semblable, ce qui donne un ensemble de prols d'hydro-
météores et de TB, homogènes dans leur réalisation (section 3.1). La comparaison entre
histogrammes des TB observées et simulées dans l'infra-rouge et les micro-ondes montre le
caractère réaliste des simulations (section 3.2). Cette évaluation s'est poursuivie pour les
quatre situations nuageuses de 24 heures an de caractériser la prévisibilité de ces cas en
fonction de la situation météorologique. Elle a conduit à caractériser la structure nuageuse
(section 3.3), puis à quantier la qualité de la prévision de la couverture nuageuse de ces
quatre situations (section 3.4).
73
Évaluation de situations contrastées de précipitations
3.1 Un ensemble de situations de précipitations de moyen-

nes latitudes
3.1.1 Description des six situations
Les six situations choisies sont typiques des moyennes latitudes. Elles couvrent les dif-
férents types de situations convectives et stratiformes que l'on y rencontre. Ils incluent
des précipitations stratiformes de front froid (RHIN), une tempête (UKMIL), les précipi-
tations d'une dépression stationnaire (HOEK), des précipitations intenses (ALGER), des
pluies modérées de front chaud (ELBE) et des précipitations convectives (MUNIC).
Le front froid peu actif (RHIN) du 10 février 2000 est une situation hivernale d'échelle
synoptique, avec un fort ux de Nord en début de simulation, tournant Ouest au-dessus
de l'Allemagne (Figures 3.1 a et e). Ce front froid, situé à l'Est d'un thalweg d'altitude,
balaye l'Europe d'Ouest en Est. Le passage du front se caractérise par une baisse de l'iso-
therme 0C d'une altitude de 2 km à 0, 5 km. Les précipitations qui l'accompagnent sont
stratiformes et de faible intensité (de l'ordre de quelques mm/h).
La tempête du millénaire (UKMIL) du 30 octobre 2000 correspond à une dépression
intense au-dessus de l'Angleterre. Cette dépression a produit des vents violents avec des
rafales de 30 à 40 m.s−1, ainsi que des précipitations dont le cumul a pu atteindre jusqu'à
75 mm dans les régions sous l'occlusion.
La dépression quasi stationnaire (HOEK) du 19 septembre 2001 présente un enroule-

ment cyclonique au-dessus de la Hollande (Figure 3.1 b et f). Les précipitations stratiformes
instantanées sont faibles (autour de quelques mm/h), mais les cumuls sont importants du
fait de sa stationnarité puisque en 24 heures il est tombé un maximum de 100 mm.
Les inondations d'Alger (ALGER) du 10 novembre 2001 correspondent à une dépres-
sion méditerranéenne, induite par la rencontre de l'air froid d'un thalweg d'altitude et d'air
chaud saharien. La dépression a causé des précipitations fortes (110 mm en 3 heures sur
74
3.1 Un ensemble de situations de précipitations de moyennes latitudes
Alger) et très localisées le long des côtes maghrébines (gure Fig. 7 de l'article). La prévi-
sibilité de cette situation est étudiée dans le chapitre 4 grâce à un ensemble de simulations.
La crue de l'Elbe (ELBE) du 12 août 2002 a été générée par une dépression d'origine
méditerranéenne, dont l'élément synoptique est un thalweg d'altitude (Figure 3.1 c et g).
La zone d'occlusion est stationnaire au-dessus de l'Allemagne, de la République Tchèque
et de l'Autriche. Elle est bloquée au Sud par les Alpes, et à l'Ouest par les Erzgebirge. Son
front chaud stationnaire, qui a subi une occlusion partielle, provoque des précipitations
moyennes à fortes, dont le cumul journalier s'élève à plus de 300 mm. Ces précipitations
ont provoqué la plus grande crue du siècle de l'Elbe.
Le cas de MUNIC du 12 août 2004 est une situation orageuse (Figure 3.1 d et h).
Une ligne d'orages, pilotée par un thalweg au-dessus de l'Angleterre qui impose un ux
d'ouest/sud-ouest, traverse la France puis l'Allemagne et y advecte de l'air chaud et humide.
Elle provoque des précipitations convectives instantanées fortes au-dessus de Munich à
partir de 03 UTC.
3.1.2 Une conguration semblable de simulation numérique
Toutes les situations sont initialisées et couplées avec les analyses de l'ECMWF. Les pro-
grès du modèle de l'ECMWF, entre février 2000 et août 2004, ont conduit à une améliora-
tion de la qualité des analyses et donc de l'état initial (http://www.ecmwf.int/products/
data/technical/model_id/index.html).
Toutes les simulations sont faites sur une grille verticale étirée de 60 à 600 m, composée
de 50 niveaux, pour laquelle le toit du modèle est à 20 km. Les paramétrisations communes
sont : le schéma microphysique comportant 5 types d'hydrométéores, le schéma radiatif de
l'ECMWF, le schéma de turbulence avec une fermeture d'ordre 1,5, le schéma de surface
ISBA et un schéma de convection (employé pour les modèles de mailles supérieures ou
égales à 10 km seulement).
75
(a) (b) (c) (d)
(e) (f ) (g) (h)
Fig. 3.1 TB (en K) observées dans le canal WV (en haut) et IR (en bas) de MVIRI par
METEOSAT pour les cas RHIN (a et e), HOEK (b et f), ELBE (c et g) et MUNIC (d et
h) à 40 km (en haut) et 10 km (en bas) de résolution.
(a) (b) (c) (d)
Fig. 3.2 TB simulées (en K) dans le canal IR de MVIRI des situations RHIN (a),
HOEK (b), ELBE (c) et MUNIC (d) à 10 km de résolution, le carré noir correspond à
l'emplacement du modèle à 2, 5 km de résolution.
76
3.2 Des distributions réalistes de températures de brillance
Les congurations des cas RHIN, HOEK, ELBE et MUNIC sont identiques. Toutes uti-
lisent trois modèles imbriqués à maille horizontale de 40, 10 et 2, 5 km. Les paramétrisations
sont identiques, notamment pour la convection qui est résolue explicitement dans le modèle
à 2, 5 km, soit un domaine de 400×400 km2, c'est-à-dire environ 6 % du modèle ls à 10 km.
Ce sont des simulations de 24 h, sur des domaines de même taille (e.g. 1600 × 1600 km2
pour le domaine à 10 km). La similitude des congurations, en particulier la durée de si-
mulation, de ces cas a conduit à étudier la prévisibilité de leurs couvertures nuageuses
respectives. Par ailleurs, le cas MUNIC, simulé ultérieurement aux autres, n'apparaît pas
dans la construction de la base de données.
Les congurations des cas ALGER et UKMIL dièrent légèrement des précédentes.
Le modèle à 10 km du cas ALGER couvre un domaine de 2000 × 1500 km2 (cf. chapitre
suivant). Le cas UKMIL ne contient que deux modèles imbriqués de 40 et 13 km. Le modèle
à 13 km représente un domaine de 2340 × 2106 km2.
Dans la base de données, pour transformer les sorties de modèle en TB deux codes de
transfert radiatif ont été utilisés. En infra-rouge, il s'agit du code opérationnel RTTOV-8.7
présenté dans le chapitre 2, et en micro-ondes, il s'agit du code de recherche, raie-par-raie,
ATM (atmospheric Transmission at Microwaves). Ce dernier est présenté en détail dans
l'article.
3.2 Des distributions réalistes de températures de brillance

En infra-rouge, l'ensemble des gures 3.2 montre la simulation des TB des quatre si-
tuations de durée de 24 heures. D'une manière générale, la comparaison des simulations
avec les observations montre que toutes les situations présentent des simulations de TB
réalistes (Figure 3.2). Cela est conrmé par le diagramme de distribution des TB (gure
Fig. 8 de l'article) qui indique qu'à 11 µm, les distributions de TB simulées et observées
sont comprises entre 200 et 280 K. Elles sont parfois bimodales, comme le cas RHIN, et
77
correspondent respectivement aux zones de ciel clair et de nuages hauts. Sur la gure 3.2,
on voit que dans la zone à 2, 5 km, les cellules convectives pour les cas MUNIC et ELBE
sont mieux représentées qu'en dehors. La représentation explicite de la convection est donc
un moyen très ecace pour améliorer la qualité des simulations des situations convectives.
Pour les cas estivaux (HOEK, ELBE, MUNIC), la simulation ne contient pas assez de
nuages, alors qu'au contraire celle du cas hivernal (RHIN) en contient trop. Néanmoins,
ceci pourrait être causé, non pas par le caractère hivernal de la situation, mais par un biais
ponctuel (octobre 1999 à avril 2000) des champs d'humidité dans la basse stratosphère. Ce
problème, lié au changement de version du modèle opérationnel, et signalé dans les analyses
par l'ECMWF, a pu d'une part, causer des modications de température dans certaines
régions, et d'autre part, intervenir dans le calcul des TB par l'intermédiaire des fonctions
de poids qui incluent, certes dans une moindre mesure, la basse stratosphère (Figure 2.15).
Ce biais pourrait aussi éventuellement être advecté dans la troposphère par l'intermédiaire
du thalweg. Enn, toutes les simulations ont à première vue une couverture nuageuse trop
morcelée.
Dans les micro-ondes, l'inspection visuelle des TB simulées par ATM et observées
montre, pour le cas RHIN, une bonne adéquation dans la localisation des précipitations,
quelle que soit la fréquence, même si ces zones sont trop restreintes dans les simulations
(gure Fig. 7 de l'article). Il en est de même pour les autres cas. La comparaison des dis-
tributions de TB simulées et observées (gure Fig. 8 de l'article) au-dessus de la terre et
au-dessus de la mer indique une bonne adéquation entre les deux. À 150 GHz, la distribu-
tion des TB observées au-dessus de la terre présente un maximum entre 260 et 280 K, alors
qu'au-dessus de la mer il pointe entre 10 et 20 K de moins. Aux fréquences inférieures (89
et 37V GHz), les distributions sont unimodales et asymétriques. Les TB faibles sont peu
fréquentes sur terre, alors qu'elles sont largement représentées sur mer (pic à 190 − 210 K)
à cause de la faible émissivité de surface. Les quelques hautes TB présentes sont dues à
émission par les hydrométéores. Enn, la comparaison des diagrammes de dispersion entre
deux fréquences (gure Fig. 9 de l'article) pour l'ensemble des cas montre, d'abord que les
78
3.3 Des couvertures nuageuses fragmentées
TB simulées sont en moyenne moins variables que celles observées par AMSU, mais que les
TB à 150 GHz peuvent tout de même être utilisées pour déterminer le contenu intégré en
glace. La gure montre ensuite que les TB simulées pour SSM/I, sont trop faibles à 85 GHz.
Ces TB ne sont pas observées à cause de la résolution plus faible des satellites et doivent
donc être enlevées de la base de données. Enn, les TB et les modications de polarisation
sont bien représentées à 37 GHz. Ceci permet d'utiliser la combinaison 37 − 85 GHz pour
la détection des précipitations.
Ainsi, quelle que soit la fréquence, les distributions de TB sont bien simulées. Cette
bonne adéquation des TB simulées et observées permet, d'une part, de supposer que les
nuages et les contenus intégrés en hydrométéores sont bien représentés, et ainsi de valider
la base de données, et d'autre part, de pouvoir obtenir des scores signicatifs lors de
l'évaluation quantitative de ces champs.

L'évolution des caractéristiques de la couverture nuageuse au cours d'une journée a été
étudiée sur les quatre situations dont la simulation a une durée de 24 heures.
3.3.1 Points nuageux
La gure 3.3 permet de comparer l'évolution temporelle de l'occurrence des points

nuageux observés et simulés pour les quatre simulations de 24 heures.
Dans les observations (Figure 3.3, droite), l'augmentation articielle de la taille de la
maille, en les regroupant par zones de 3 × 3 ou 5 × 5 points de grille (soit 30 × 30 ou
50 × 50 km2 ), engendre une augmentation du nombre de points considérés comme nuageux.
Cette augmentation est plus faible pour le cas RHIN, du fait de sa couverture nuageuse
plus homogène. Le nombre de points nuageux est plus élevé pour le cas RHIN que pour les
79
Fig. 3.3 Nombre de points nuageux simulés (gauche) et observés (droite) en fonction de
la zone de comparaison (trait plein 1 × 1, pointillés 3 × 3 et 5 × 5 mailles)
autres cas. La variation importante de ce nombre (×2, soit +5000 : variation maximale en
24 heures), en cours de période, est liée à la progression du front, qui traverse le modèle
d'Ouest en Est. Il en est partiellement de même pour le cas MUNIC, pour lequel la ligne
orageuse traverse également le modèle d'Ouest en Est. Cependant, pour ce cas, l'augmen-
tation rapide du nombre de points nuageux l'après-midi (×1, 5, soit +3000 entre 12 UTC
et 18 UTC) correspond aussi à la période du développement maximal de convection. Enn,
cette variation (respectivement ×1, 5 soit +2000 et ÷2 soit −4000 : variation maximale
en 24 heures) pour les cas stationnaires HOEK et ELBE caractérise leur développement
propre à l'intérieur du domaine, en l'absence de toute propagation.
Les simulations (Figure 3.3, gauche) reproduisent de manière assez réaliste le nombre de
points nuageux et son évolution. De même que dans les observations, la situation hivernale
de front froid RHIN est plus nuageuse que les autres, le cas HOEK a un nombre de points
nuageux assez constant, et le cas ELBE voit son nombre de points nuageux diminuer. Le cas
MUNIC ne voit son nombre de point nuageux augmenter que très légèrement à cause d'un
manque de convection l'après-midi. On retrouve également une augmentation du nombre de
points nuageux avec la taille de la zone de comparaison, qui est, à l'instar des observations,
la plus faible pour le cas RHIN. Cependant, pour les situations estivales HOEK, ELBE et
MUNIC, le nombre de points nuageux simulés est inférieur à celui observé, alors que c'est
80
le contraire pour la situation hivernale RHIN. Les diérences entre la situation RHIN et les
autres dans les observations sont plus faibles que dans les simulations. Jusqu'à l'échéance
de 6 UTC, soit après les six premières heures de simulation, la diérence entre simulation et
observation peut être liée à la période de spin-up du modèle, alors qu'au delà les diérences
sont dues à une mauvaise représentation des nuages dans le modèle.
3.3.2 Cellules nuageuses et parcelles de ciel clair
An d'évaluer la qualité de la structure nuageuse observée et simulée, les notions de

cellules nuageuses et de parcelles de ciel clair, telles que celles dénies pour le score de
morcellement, sont utilisées dans les gures 3.4 et 3.5.
La gure 3.4 permet d'illustrer la comparaison entre systèmes nuageux observés et
simulés. Malgré un plus grand nombre de systèmes simulés, elle montre le réalisme certain
de la simulation quant à la forme et à la position des systèmes nuageux principaux.
Fig. 3.4 Exemple de détermination des cellules nuageuses simulées (à gauche) et observées
(à droite) pour le cas de l'ELBE à 06 UTC. Les valeurs associées aux échelles de couleur
sont arbitraires.
La gure 3.5 montre l'évolution temporelle du nombre de structures nuageuses (à

gauche) et de parcelles de ciel clair (à droite), observées et simulées. Dans les observa-
81
Fig. 3.5 Nombre de cellules de ciel nuageux et de ciel clair observés (pointillé) et simulés
(traits pleins) pour les cas ELBE (rouge), MUNIC(noir), RHIN (bleu), HOEK (vert).
tions, le nombre de cellules nuageuses a tendance à présenter une variation semi-diurne
disymétrique, avec deux maxima à 12 UTC et à 21 UTC, et deux minima à 6 UTC et
15 UTC. Cette variation a une amplitude très faible pour le cas de la dépression station-
naire HOEK. L'organisation compacte du front froid du cas RHIN se traduit bien par un
nombre de cellules nuageuses inférieur à celui des autres cas. Le nombre de parcelles de
ciel clair est toujours supérieur à celui de cellules nuageuses. Il varie indépendament du
nombre de cellules nuageuses et ne présente pas de variation semi-diurne. Toutefois, il a
tendance à diminuer l'après-midi.
Dans la simulation, le nombre de cellules nuageuses a tendance à augmenter avec le
temps, et devient rapidement supérieur à celui observé. La variation diurne n'apparaît
plus. Le cas RHIN a le nombre de cellules simulées le plus faible. À partir de 15 UTC,
heure propice au développement de la convection, le nombre de cellules nuageuses diminue
dans le cas RHIN, contrairement aux autres cas. Seul le cas MUNIC (le plus récent) présente
des valeurs simulées assez proches de celles observées. L'ordre entre les situations n'est plus
82
le même dans l'observation et la simulation : le cas ELBE est celui contenant le plus de
cellules nuageuses dans la simulation, alors que le cas MUNIC est le plus nuageux dans
l'observation. Hormis pour les premières échéances, correspondant au temps de spin-up,
seuls les cas RHIN et MUNIC ont ponctuellement un nombre de cellules nuageuses simulées
inférieur à celui observé.
3.3.3 Morcellement
Fig. 3.6 Scores de morcellement P1 et P2 observés (pointillé) et simulés (traits pleins)

pour les cas ELBE (rouge), MUNIC(noir), RHIN (bleu), HOEK (vert)
Chaque type de situation météorologique est caractérisée par un morcellement plus ou

moins important de la couverture nuageuse. Le critère de morcellement utilisé permet de
quantier la capacité du modèle à reproduire cette caractéristique géométrique.
Pour toutes les situations, dans l'observation et la simulation, le nombre de cellules de
ciel clair est supérieur au nombre de cellules nuageuses. Ceci implique un score P2 négatif,
et un score P1 (désigné ci-après par morcellement ) largement inuencé par le nombre
de cellules de ciel clair (Figure 3.6).
83
Le morcellement observé du cas RHIN est rapidement inférieur à celui des autres cas.
Ceci traduit l'homogénéïté de la couverture nuageuse des situations frontales. Au contraire,
le morcellement du cas MUNIC augmente rapidement l'après-midi à cause de la convec-
tion. Pour le cas HOEK le morcellement est relativement constant, ce qui correspond à la
régularité de la dépression stationnaire. Pour le cas ELBE, le morcellement élevé diminue
au cours du temps avec la résorption de la situation.
Le morcellement simulé est généralement supérieur à celui observé sur l'ensemble de la
période sauf, pour le cas de MUNIC pour lequel ils sont à peu près identiques. Ce cas est
le plus récent, il prote ainsi des derniers progrès des analyses de l'ECMWF. Le cas du
RHIN plus nuageux a aussi un morcellement plus faible que les autres cas. Les simulations
du cas ELBE et HOEK sont très morcelées par manque de points nuageux. Cela pourrait
être un problème dans le déclenchement de la convection. Pour le cas HOEK, le nombre de
parcelles de ciel clair est en permanence trop élevé (entre 09 et 21 UTC) après la période
de spin-up, ce qui pourrait être dû à un manque d'humidité dans l'atmosphère.
Ces caractéristiques géométriques aident à l'interprétation physique de la valeur des
scores catégoriels lors des comparaisons zone-à-zone.
3.4 Une vérication de la couverture nuageuse
3.4.1 Corrélation entre les champs simulés et observés
Pour évaluer la qualité de leur modèle, les centres météorologiques utilisent les champs
tels que l'altitude du geopotientiel à 500 hPa, le vent à 250 hPa, et la température à 850 hPa.
Ces champs, disponibles toutes les 6 heures, décrivent l'état synoptique de l'atmosphère.
Les comparaisons entre champs analysés et champs prévus donnent lieu essentiellement à
des calculs statistiques de corrélation, d'écart-type et de biais. Les calculs de corrélation
sur les champs météorologiques classiques ont été eectués entre les simulations et les ana-
84
lyses de l'ECMWF (Figure 3.7). Ces champs continus qui présentent plutôt des variations
à l'échelle synoptique ont des corrélations avec les analyses, proches de 1 sur toute la pé-
riode de comparaison. Ils sont bien représentés sur toutes les situations. Au contraire, les
champs satellites (TB des canaux IR et WV), tout en restant d'une qualité satisfaisante,
ont une corrélation inférieure (∼ 0, 7). Cette corrélation plus faible pour les champs satel-
lites s'explique d'une part, par le fait que ces champs portent sur la couverture nuageuse,
laquelle doit être entièrement fabriquée par le modèle, alors que les champs analysés avec
lesquels le modèle est comparé sont de la même nature que ceux injectés directement dans
le modèle lors de l'initialisation. Le temps de fabrication des nuages, et donc la qualité des
schémas de nuages, est une source de divergence dès le début de la simulation. D'autre part,
cette diérence s'explique par diérence de distribution des champs. Les champs analysés
sont unimodaux, alors que les champs satellites en IR et WV présentent une distribution
bimodale correspondant à la présence ou non de nuages et d'humidité relative dans la
troposphère (gure Fig. 8 de l'article). Or la corrélation est prévue pour l'évaluation des
champs de distribution gaussienne. Elle n'est donc pas représentative de la qualité de la
couverture nuageuse.
Ceci montre bien l'intérêt d'évaluer les simulations, sur de nouveaux critères, tels que
la couverture nuageuse et les précipitations, et avec de nouveaux outils.
3.4.2 Scores catégoriels
L'étude des diérentes situations et l'évaluation de la base de données sont poursuivies

en analysant les statistiques catégorielles calculées sur la couverture nuageuse. Le biais
fréquentiel pour chaque situation est toujours de 1, 0 ± 0.3 (gure non montrée). Les simu-
lations représentent donc assez correctement le nombre de points nuageux (à ±30% près).
La gure 3.8 montre l'évolution temporelle, pour les quatre situations d'une durée de 24
heures, des scores de POD, FAR et HSS point-à-point (trait plein) et zone-à-zone (diérents
85
Fig. 3.7 Corrélation du géopotentiel à 500 hPa, de la température à 850 hPa, du vent UM
et VM à 250 hPa (traits pleins) et des TB pour les canaux IR et WV de MVIRI (pointillés)
pour les cas ELBE (rouge), MUNIC (noir), HOEK (vert), RHIN (bleu)
pointillés correspondants à des zones de 30 × 30 et 50 × 50 km2). Pour une interprétation
pertinente, le POD et le FAR sont à considérer ensemble.
En comparaison point-à-point, seul le POD du cas RHIN tend vers 1, c'est-à-dire sa
limite maximale, après la période de spin-up de six heures. La quasi totalité des nuages
observés sont donc bien positionnés dans cette simulation. Pour les autres cas, il est inférieur
à 0,5 ; moins de la moitié des cas observés sont donc correctement simulés. Le FAR est faible
dans le cas RHIN. Il y a peu de nuages simulés mal placés ou en trop parmi les nuages
simulés. Il est également inférieur à 0,5 pour la quasi totalité des autres cas ; plus de la
moitié des cas simulés sont eectivement observés. La combinaison POD, FAR nous indique
donc que les situations de front (RHIN et ELBE) sont mieux prévues que la dépression
stationnaire (HOEK) et la situation orageuse (MUNIC). Ce résultat était attendu car les
cas synoptiques sont généralement bien prévus. Dans une perspective plus générale, on
peut aussi voir que le cas hivernal RHIN est mieux simulé que les situations estivales.
Sur chacune des situations, les caractéristiques déterminées par les scores correspondent
86
Fig. 3.8 Scores catégoriels point-à-point (traits pleins) et zone-à-zone (pointillées) de

POD, FAR (en haut, respectivement à gauche et à droite), et HSS (en bas) sur les TB du
canal IR de MVIRI pour les cas ELBE (rouge), MUNIC (noir), HOEK (vert), RHIN (bleu)
87
à l'idée subjective que l'on se fait à partir des comparaisons visuelles. Le HSS positif et
élevé résume les résultats précédents. Le calcul du HSS faisant référence au hasard, les
valeurs élevées de HSS impliquent que très peu de nuages sont bien simulés par hasard.
L'augmentation du HSS (et des autres scores) en cours de simulation pour les cas HOEK,
RHIN et MUNIC induit une abilité croissante de ces simulations.
La comparaison zone-à-zone, permet d'atténuer les eets de double peine. Les scores
sont bien évidement supérieurs à ceux calculés point-à-point. Le POD et le FAR évoluent
de façon symétrique face au changement du nombre de points de la zone de calcul : le POD
augmente et le FAR diminue. De plus, pour le cas peu morcelé RHIN, l'augmentation
du score en augmentant la zone est faible. Par contre, pour le cas très morcelé ELBE,
l'augmentation des scores est très importante. Les erreurs de position des nuages dans le
cas RHIN sont donc peu fréquentes, contrairement au cas ELBE. D'une manière générale,
en augmentant la taille de la zone, les scores s'améliorent d'autant plus que le morcellement
de la situation est grand. L'eet de double peine est donc d'autant plus important que le
morcellement est grand.
An de compléter cette étude, les situations de la base de données sont également
comparées en appliquant les scores aux algorithmes de détection des précipitations pour
AMSU-B. Pour cela un diagramme ROC (Relative Operating Characteristic) est tracé
(gure Fig. 11 de l'article). L'abscisse et l'ordonnée de ce diagramme sont respectivement
le PODF et le POD. Le PODF et le POD correspondant à des seuils de précipitations
croissants sont placés dans le diagramme. Pour être signicative, la courbe ainsi tracée
doit être au-dessus de la bissectrice et l'aire sous cette courbe doit tendre vers 1. Dans
la gure, le PODF et le POD sont calculés point-à-point. Quelle que soit la situation,
la courbe est au-dessus de la bissectrice, ce qui prouve la capacité du modèle à simuler
correctement les précipitations.
88
3.5 Conclusions
3.5 Conclusions
Les comparaisons visuelles, par les histogrammes et les histogrammes croisés des TB
en infra-rouge et dans les micro-ondes, ont montré le réalisme des simulations. Des calculs
de scores classiques, géométriques et catégoriels ont été eectués.
Les calculs de corrélation ont montré que toutes les simulations sont quasiment équi-
valentes pour les champs continus mais se distinguent aisément sur les champs satellite.
Cela assoit l'importance d'eectuer une comparaison sur des champs typiquement de mé-
soéchelle, comme les nuages, en complément des comparaisons opérationnelles faites sur
les champs synoptiques.
L'ensemble des résultats suggère que chaque type de situation pourrait avoir des ca-
ractéristiques particulières. Les scores traduisent et quantient correctement l'évaluation
visuelle. On s'aperçoit qu'en augmentant la taille de la zone de comparaison, les scores
augmentent plus, si la situation est plus morcelée. Les scores font apparaître les défauts de
simulation de la structure nuageuse, comme le morcellement trop important des cas ELBE
et HOEK, et le manque général de nuages hauts (à l'exception de la situation de front froid
RHIN).
Ainsi, les situations très morcellées sont plus propices aux erreurs de localisation et
devraient être comparées uniquement sur des zones. D'autre part, le front froid peu actif
RHIN est mieux simulé les autres situations. Ce résultat est intéressant, car il intervient
malgré une résolution plus grossière que celles des cas suivants : ∼ 60 km en 2000 de
résolution horizontale contre ∼ 40 km en 2004. Par extension, les situations de front froid
semblent plus facilement simulables. Cependant, l'évaluation de l'évolution sur 24 heures
de la couverture nuageuse étant limitée à quatre cas, ces conclusions ne sont donc que
partielles. Elles peuvent, de plus, être aectées par la variation de la qualité des analyses
de l'ECMWF. Il parait donc nécessaire d'augmenter le nombre de cas d'études ou d'évaluer
une simulation sur une longue série temporelle pour assoir ces résultats.
89
3.6 Article : A Midlatitude Precipitating Cloud Database Validated with

Satellite Observations, Chaboureau et al. , 2007
L'article qui clôt ce chapitre contient une application des scores à un ensemble de situa-
tions. Il s'agit de l'analyse de simulations Méso-NH pour 5 cas de précipitations de moyenne
latitude (30−60N). Ces cas couvrent les diérents types de situations que l'on y rencontre.
Ils incluent des précipitations stratiformes de front froid au-dessus de l'Allemagne (RHIN),
les précipitations stratiformes d'une dépression stationnaire sur la Hollande (HOEK), des
pluies modérées au-dessus de l'Allemagne (ELBE), des précipitations intenses au-dessus
d'Alger (ALGER) et la tempête du millénaire au-dessus du Royaume-Uni (UKMIL). Les
hydrométéores et les variables thermodynamiques simulés sont utilisés pour générer une
base de données de nuages et de précipitations. Leurs prols verticaux varient principa-
lement avec l'isotherme 0C, qui oscille entre 1 et 3 km selon le cas. Les caractéristiques
de cette base de données complètent celles de la base de données tropicale GPROF. Le
réalisme des TB simulées est évalué quantitativement et validé par les observations satellite
AMSU, SSM/I et METEOSAT. La bonne distribution des TB par le modèle permet une
évaluation de la base de données par le calcul de scores catégoriels. Les comparaisons avec
les observations METEOSAT toutes les 3 heures montrent la capacité du modèle à prévoir
l'évolution de la couverture nuageuse, en particulier celle des cas stratiformes. Les compa-
raisons avec AMSU-B montrent que le modèle localise correctement les précipitations.
90
Aug. 2007 version, accepted for publication to JAMC
A Midlatitude Precipitating Cloud Database

Validated with Satellite Observations
J EAN -P IERRE C HABOUREAU ,∗ NATHALIE S ÖHNE ,∗ J EAN -P IERRE P INTY,∗
I NGO M EIROLD -M AUTNER ,+ E RIC D EFER ,+ C ATHERINE P RIGENT,+
J UAN R. PARDO ,# M ARIO M ECH ,@ AND S USANNE C REWELL@
∗
Laboratoire d’Aérologie, Université Paul Sabatier and CNRS, Toulouse, France
+
LERMA, Observatoire de Paris, Paris, France
#
Instituto de Estructura de la Materia, CSIC, Madrid, Spain
@
Institute for Geophysics and Meteorology at the University of Cologne, Germany
ABSTRACT
The simulations of five midlatitude precipitating events by the non-hydrostatic mesoscale model Meso-NH
are analyzed. These cases cover contrasted precipitation situations from 30 to 60◦ N, which are typical of mid-
latitudes. They include a frontal case with light precipitation over the Rhine area (10 February 2000), a long
lasting precipitation event at Hoek van Holland (19 September 2001), a moderate rain case over the Elbe (12
August 2002), an intense rain case over Algiers (10 November 2001), and the ’millennium storm’ in England
(30 October 2000). The physically consistent hydrometeor and thermodynamic outputs are used to generate a
database for cloud and precipitation retrievals. The hydrometeor vertical profiles generated vary mostly with the
0◦ C isotherm, located between 1 and 3 km height depending on the case. The characteristics of this midlatitude
database are complementary to the GPROF database, which mostly concentrates on tropical situations.
The realism of the simulations is evaluated against satellite observations by comparing synthetic bright-
ness temperatures (BTs) with Advanced Microwave Sounding Unit (AMSU), Special Sensor Microwave Imager
(SSM/I), and METEOSAT observations. The good reproduction of the BT distributions by the model is exploited
by calculating categorical scores for verification purposes. The comparison with three-hourly METEOSAT ob-
servations demonstrates the ability of the model to forecast the time evolution of the cloud cover, the latter being
better predicted for the stratiform cases than for others. The comparison with AMSU-B measurements shows the
skill of the model to predict rainfall at correct location.
——————–
1. Introduction precipitation more frequently and more accurately by using a

constellation of passive microwave radiometers as in Global
Research efforts are continuing in the aim of improving Precipitation Measurement (GPM) or by developing systems
the modeling of cloud and precipitation processes, for both observing in the submillimeter spectral range from geosta-
climate monitoring and weather forecasting. As for many tionary platforms.
geophysical variables, observation of cloud and precipitation
Microwave measurements do not directly sense surface
is possible at global scale by remote sensing from space only.
rain rates but are often sensitive to the full atmospheric
In particular, retrieving rain rates is a motivation of passive
column, including the various cloud layers. Precipitating
microwave measurements from satellites in low earth orbit
cloud databases have been built to investigate the relation-
like the Special Sensor Microwave Imager (SSM/I) opera-
ship between space-borne measurements and rainfall (e.g.,
tional series and the Tropical Rainfall Measuring Mission
Bauer 2001; Kummerow et al. 2001; Panegrossi et al. 1998).
(TRMM). Future programs are envisioned to observe global
These precipitating cloud databases are composed of thou-
sands of physically consistent hydrometeor and thermody-
Corresponding author address: namic profiles obtained from cloud-resolving model simu-
Dr. Jean-Pierre Chaboureau, Laboratoire d’Aérologie, Obser- lations. Brightness temperatures (BTs) are computed from
vatoire Midi-Pyrénées, 14 av. Belin, F-31400 Toulouse, France.
E-mail: jean-pierre.chaboureau@aero.obs-mip.fr these simulated cloud profiles, using a radiative transfer
1
2 CHABOUREAU ET AL.
model (RTM). The relationships between the atmospheric before developing any rainfall retrieval from the simulated
variables in the model and the simulated BTs are then used to database. Previous studies have assessed the Meso-NH
develop inversion procedures to retrieve cloud and precipita- model cloud scheme in terms of cloud cover and hydrome-
tion fields from a set of satellite observations. An advantage teor contents by comparison with METEOSAT (Chaboureau
of these mesoscale databases is that they provide profiles et al. 2000, 2002; Meirold-Mautner et al. 2007), GOES
with a more detailed description of the microphysics than the (Chaboureau and Bechtold 2005), TRMM Microwave Im-
low-resolution Numerical Weather Prediction (NWP) can ager (TMI) (Wiedner et al. 2004), SSM/I and Advanced Mi-
give, and associated with realistic synthetic BTs obtained crowave Sounding Unit (AMSU) (Meirold-Mautner et al.
from state-of-the art RTMs. 2007) observations. The model-to-satellite approach asso-
The existing databases mainly sample tropical situations ciated with the BT difference technique applied to ME-
under convective conditions. For example, the GPROF TEOSAT Second Generation observations can also verify
(Goddard PROFiling) database was built to retrieve rain specific forecasts such as cirrus cover (Chaboureau and
from both SSM/I and TRMM observations. As noted by Pinty 2006), dust occurrence (Chaboureau et al. 2007b),
Kummerow et al. (2001), all the model simulations in the and convective overshoots (Chaboureau et al. 2007a). Here,
GPROF database (its first version) are tropical in nature the evaluation is performed by comparison with observa-
and, in most of them, stratiform rain events are represented tions from the METEOSAT Visible and InfraRed Imager
in close proximity to convection. As a consequence, such (MVIRI), the SSM/I hosted by the Defense Meteorologi-
databases cannot be directly used to develop algorithms for cal Satellite Program’s satellites, and the AMSU on board
rainfall estimates outside the tropics. (Note however that the National Oceanic and Atmospheric Administration (NOAA)
latest version of the GPROF database contains also two mid- satellites. The channels most sensitive to cloud and precipi-
latitude simulations (Olson et al. 2006).) This motivated us tation fields, 11 µm in the infrared and 37, 85, 89, and 150
to perform realistic simulations for a variety of extratropi- GHz in the microwave region, were selected.
cal environments. Furthermore, surface rain retrieval meth- The model was initialized with standard analyses on a 40-
ods are very sensitive to the database from which the inver- km grid mesh. Two-way interactive grid nesting was used
sion algorithm is generated. For example, Medaglia et al. for downscaling from the synoptic scale to the convective
(2005) investigate this issue for two models having different scale to be resolved. Typical tropical precipitating cases re-
bulk microphysical schemes showing significant differences quire a kilometer mesh to represent the convective updrafts
in the retrieved rain rates. This underlines the need to eval- and the associated microphysical fields explicitly. In con-
uate the simulated database, in particular with the existing trast, midlatitude rain events are often more stratiform and
satellite observations. their vertical circulation can be easily captured on a mesh
In this study, we propose a database of midlatitude pro- with a 10-km or more grid spacing (but embedded convec-
files obtained from situations over Europe and the Mediter- tion in frontal rainbands needs a finer mesh to be represented
ranean Sea simulated by the non-hydrostatic mesoscale realistically). Here, the setup of the simulations depended
model Meso-NH (Lafore et al. 1998). This database can be on the meteorological case. However all the model outputs
used for many purposes: to test the ability of the Meso-NH were analyzed on the 10-km grid mesh, which was compara-
model coupled with radiative transfer codes to simulate re- ble with the spatial resolution of the satellite microwave ob-
alistic BTs (Meirold-Mautner et al. 2007), to quantify the servations used in this study. This set-up allows us to present
skill of the model to forecast midlatitude rain events (this an original application of the model-to-satellite approach by
study), to retrieve hydrometeor contents from existing satel- calculating categorical scores from observed and simulated
lite observations, and to investigate the capabilities of future BTs.
sensors in the submillimeter range (Defer et al. 2007; Mech The paper is organized as follows. Section 2 presents
et al. 2007). the Meso-NH model and its mixed-phase microphysical
Five typical midlatitude cases have been identified. They scheme, together with the radiative codes used to calculate
cover large domains in the latitudes 30-60◦ N providing a the BTs. Section 3 contains an overview of the cases that
large number of heterogeneous profiles with various micro- compose the database. Section 4 describes the variability
physical compositions. The cases correspond to real meteo- of the database in terms of cloud and precipitation fields.
rological conditions, allowing an evaluation of the quality of The database is also contrasted with the GPROF tropical
the simulated hydrometeor fields by comparison with coin- database. Section 5 evaluates the simulations by compar-
cident satellite observations. This is the model-to-satellite ing the simulated BTs from Meso-NH outputs with the ob-
approach (Morcrette 1991) in which the satellite BTs are served BTs from METEOSAT, SSM/I, and AMSU-B. Sec-
directly compared to the BTs computed from the predicted tion 6 concludes the paper.
model fields. Using this method, the meteorological model
coupled with the radiative transfer code can be evaluated
JOURNAL OF APPLIED METEOROLOGY AND CLIMATOLOGY 3
2. Meteorological and radiative transfer models are selected for each case, corresponding to the AMSU and
SSM/I pass times (Table 2).
a. Meso-NH model and set-up
Meso-NH is a non-hydrostatic mesoscale model, jointly b. Summary of the mixed-phase microphysical scheme
developed by Météo-France and the Centre National de la
The calculations essentially follow the approach of Lin
Recherche Scientifique (CNRS). Its general characteristics
et al. (1983): a three-class ice parameterization is used with
and the specific parameters for this study are summarized
a Kessler’s scheme for the warm processes. As illustrated
in Table 1. A detailed description of Meso-NH is given
in Fig. 1, the scheme predicts the evolution of the mixing
in Lafore et al. (1998) and the mixed-phase microphysical
ratios of six water species: rv (vapor), rc , and rr (cloud
scheme developed by Pinty and Jabouille (1998) is described
droplets and rain drops) and ri , rs , and rg (pristine ice,
in detail in the next subsection.
snow/aggregates, and frozen drops/graupel defined by an
Five numerical experiments are discussed in this study increasing degree of riming). The concentration of the pris-
(Table 2). For all of them, temperature, winds, surface tine ice crystals, here assumed to be plates, is diagnosed.
pressure, water vapor, and sea surface temperature taken The concentration of the precipitating water drops and ice
from the European Center for Medium range Weather Fore- crystals (snow and graupel) is parameterized according to
casts (ECMWF) analysis at synoptic times (00, 06, 12, and Caniaux et al. (1994), with the total number concentration
18 UTC) are used as initial and boundary conditions. All N given by:
the simulations start at 00 UTC and use the two-way grid-
N = Cλx , (1)
nesting technique (Stein et al. 2000). The same parameter-
ized physics are used for all the nested grids, except for con- where λ is the slope parameter of the size distribution, and
vection parameterization which is not activated in the inner- C and x are empirical constants derived from radar observa-
most grid (explicit cloud only). Results presented here are tions. The size distribution of the hydrometeors is assumed
from the second grid only at 10-km resolution. The second to follow a generalized γ-law:
grid covers 1600 km × 1600 km for the RHINE, HOEK, and
ELBE cases, 2000 km × 1500 km for the ALGER case, and n(D)dD = N g(D)dD (2)
2340 km × 2106 km for the UKMIL case. Two output times α αν αν−1 ¡ α
¢
= N λ D exp − (λD) dD
Γ(ν)
where g(D) is the normalized form which reduces to the

TABLE 1. General characteristics for the simulations.
Marshall-Palmer law when α = ν = 1 (D is the diam-
Nesting geometry 3 models ∗ eter of the drops or the maximal dimension of the parti-
Nested grid spacing 40, 10, 2.5 km + cles). Finally, simple power laws are taken for the mass-
Vertical grid 50 strechted levels with size (m = aDb ) and for the velocity-size (v = cDd ) rela-
∆z from 60 m to 600 m tionships to perform useful analytical integrations using the
Model Top 20 km moment formula:
Physical parameterizations # Z ∞
Microphysics Bulk scheme, 5 hydrometeor Γ(ν + p/α) 1
M (p) = Dp g(D)dD = , (3)
species: cloud water, rain water, 0 Γ(ν) λp
pristine ice, snow, graupel
(Pinty and Jabouille 1998) where M (p) is the pth moment of g(D). A first application
Radiation ECMWF package of (3) is to compute the mixing ratio rx as:
(Gregory et al. 2000)
Turbulence 1.5-order scheme ρrx = aN Mx (b) (4)
(Cuxart et al. 2000)
Surface ISBA scheme Table 3 provides the complete characterization of each ice
(Noilhan and Planton 1989) category and cloud droplets/raindrops.
∗ Hydrometeors are formed and destroyed according to the
2 models only for the UKMIL case
+ processes depicted in Fig. 1. The warm part of the scheme
40 and 13 km for the UKMIL case
# (Kessler scheme) includes the growth of cloud droplets by
These physical parameterizations correspond to the
# condensation (CND) and the formation of rain by autocon-
high-resolution model. Physical parameterizations
for the coarse resolution models are the same, but version (AUT). Raindrops grow by accretion (ACC) or evap-
with the addition of a convective scheme orate in subsaturated areas (EVA).
(Bechtold et al. 2001) In the cold part of the scheme, the pristine ice cate-
gory is initiated by homogeneous nucleation (HON) when
4 CHABOUREAU ET AL.
TABLE 2. Overview of the simulation cases.

Name Event Date AMSU id (Time) SSM/I id (Time)
RHINE Light precipitation over Rhine 10 Feb. 2000 N15 (18 UTC) F14 (09 UTC)
HOEK Light rain at Hoek van Holland 19 Sept. 2001 N15 (18 UTC) F14 (09 UTC)
ELBE Elbe flood 12 Aug. 2002 N15 (06 UTC) F14 (18 UTC)
ALGER Algiers flood 10 Nov. 2001 N15 (02 UTC) F14 (07 UTC)
UKMIL ’Millennium storm’ 30 Oct. 2000 N15 (09 UTC) F13 (06 UTC)
(AGG) through small crystal collection, and by the light

TABLE 3. Characteristics of each hydrometeor category.∗
riming produced by impaction of cloud droplets (RIM) and
Parameters ri rs rg rc rr raindrops (ACC). Graupel are formed as a consequence of
α 3 1 1 3 1 the heavy riming of snow (RIM and ACC) or by rain freez-
ν 3 1 1 3 1 ing (CFR) when supercooled raindrops come into contact
a 0.82 0.02 19.6 524 524 with pristine ice crystals. The distinction between light and
b 2.5 1.9 2.8 3 3 heavy riming is made on the basis of a critical size of the
c 800 5.1 124 3.2 107 842 snowflakes (droplets) or by estimation of the mean density
d 1.00 0.27 0.66 2 0.8 of the resulting particles (raindrops). According to the heat
C 5 5 105 107 balance equation, graupel can grow more efficiently in the
x 1 -0.5 -1 WET mode than in the DRY mode when riming is very in-
∗
Coefficients α and ν are used in Eq. (2). The other tense (as for hailstone embryos). In the latter case, the excess
coefficients are related to power law relationships for of non-freezable liquid water at the surface of the graupel is
the mass (m = aDb ), and the fall speed (v = cDd ), shed (SHD) to form raindrops. When T≥ 0◦ C, pristine
where D is the particle size, and for the concentration crystals immediately melt into cloud droplets (MLT) while
in Eq. (1). All variables are in MKS units. snowflakes are progressively converted (CVM) into graupel
that melt (MLT) as they fall. Each condensed water species
has a non-zero fall speed except for cloud droplets.
T≤ −35◦ C, or more frequently by heterogeneous nucle-
ation (HEN), so the small ice crystal concentration is a sim- c. Radiative transfer models
ple function of the local supersaturation over ice. These
Synthetic BT corresponding to the METEOSAT-7 in-
crystals grow by water vapor deposition (DEP) and by the
frared channel in the thermal infrared window (10.5-12.5
Bergeron-Findeisen effect (BER). The snow phase is formed
µm, hereafter referred to as 11 µm) were computed us-
by autoconversion (AUT) of the primary ice crystals; it
ing the Radiative Transfer for the Tiros Operational Ver-
grows by deposition (DEP) of water vapor, by aggregation
tical Sounder (RTTOV) code version 8.7 (Saunders et al.
2005). In the infrared, the RTTOV code takes clouds into
EVA DEP account as grey bodies (Chevallier et al. 2001). Hexagonal
r_v
CND columns are assumed with radiative properties taken from
DEP
HEN Baran and Francis (2004) and with an effective dimension

BER,HON diagnosed from the ice water content (McFarquhar et al.
r_c MLT r_i 2003). The surface emissivity over land is given by the Eco-
climap database (Masson et al. 2003).
DEP
DRY,WET DRY,WET
AUT,SHD
In the microwave region, BT were simulated using the

AGG
AUT
ACC
CFR
Atmospheric Transmission at Microwaves (ATM) model
RIM (Pardo et al. 2001; Prigent et al. 2001). Absorption by at-
r_r r_s mospheric gases was introduced according to Pardo et al.
DRY,WET r_g DRY,WET
(2001) while scattering by hydrometeors was computed fol-
ACC
CVM lowing the T-matrix approach of Mishchenko (1991). The

MLT
sensitivity of the radiative transfer model to the characteris-
tics of the frozen particles (size, density, dielectric proper-
ties) for the microphysics dataase presented here has been
F IG . 1. Microphysical processes included in the mixed-phase carefully analyzed in Meirold-Mautner et al. (2007). Spher-
scheme (see text for the acronyms and explanations). ical shapes are assumed for all the particles as the BT sen-
F IG . 2. Surface rainfall (shading; mm h−1 ) and pressure at mean sea level (contour every 4 hPa) simulated by Meso-NH over the second
grid for the various cases and the times corresponding to the nearest hour when an AMSU pass occurred (see Table 2).
sitivity to the shape of the frozen particles is weak in con- cipitation event at Hoek van Holland (19 September 2001,
trast with their other characteristics. The snow scattering Fig. 2b), a moderate rain case over the Elbe (12 August
properties derived from Liu (2004) were adopted for a good 2002, Fig. 2c), an intense rain case over Algiers (10 Novem-
agreement between the simulations and the satellite obser- ber 2001, Fig. 2d), and the ’millennium storm’ in England
vations. The model includes a full treatment of the effect (30 October 2000, Fig. 2e). All these cases concerned cloud
of the surface. An emissivity model was implemented for systems organized at the mesoscale.
the wind-roughened ocean surface (Guillou et al. 1996). A For the Rhine case (RHINE), light precipitation was re-
land surface emissivity atlas derived from SSM/I and AMSU lated to a cold front passing West Germany on 10 February
observations was attached to the radiative transfer code (Pri- 2000. At 18 UTC, the cold front was associated with a broad
gent et al. 2006, 2005, 1997), along with angular and fre- pattern of light surface rainfall of a few mm h−1 (Fig. 2a).
quency parameterizations. The 0◦ C height dropped from 2 to 0.5 km, which was of
Note that the BTs can be simulated in the microwave interest for the precipitation phase retrieval.
region using RTTOV version 8.7. However, at these fre- Light precipitation occurred on 19 September 2001 at
quencies, RTTOV takes only two species of precipitating hy- Hoek van Holland (HOEK case). This was a long lasting
drometeors into account (namely rain and graupel) whereas precipitation event produced by a quasi-stationary low pres-
the BT sensitivity to scattering by snow is dramatic at 89 and sure system over the Netherlands (Fig. 2b). A maximum of
150 GHz. So the snow effects on BTs needed to be analyzed 100 mm accumulated rainfall was recorded over the whole
and simulated correctly as in Meirold-Mautner et al. (2007). event at Hoek van Holland, with relatively small rain rates
of a few mm h−1 .
3. Case studies The Elbe flood (ELBE) case involved convection embed-
ded within synoptic-scale frontal precipitation that resulted
The five cases were typical of midlatitude events. They in the Elbe flood in August 2002. The synoptic situation was
occurred in autumn, summer, and winter in southern and characterized by a deep cyclone moving from the Mediter-
northern parts of Europe and covered both land and sea. ranean Sea towards Poland (e.g., Zängl 2004). On 12 Au-
Their associated surface rain rate and pressure at mean sea gust, the cyclone was quasi-stationary over eastern Germany
level are displayed at the AMSU output times in Fig. 2. The and the Czech Republic. On the western side of the low,
cases included a frontal case with light precipitation over the the partly occluded warm front coincided with the steep-
Rhine area (10 February 2000, Fig. 2a), a long lasting pre-
6 CHABOUREAU ET AL.
1000 1000 1000

# of gridpoints
100 100 100
10 10 10
0.0 0.2 0.4 0.6 0.8 1.0 0 2 0 2 4 6
Ice content (kg m−2) Snow content (kg m−2) Graupel content (kg m−2)
1000 1000 RHINE 1000

HOEK
# of gridpoints
ELBE
ALGER
100 100 UKMIL 100
10 10 10
0.0 0.5 1.0 1.5 2.0 0 1 2 3 4 0 10 20 30 40
Liquid water content (kg m−2) Rain water content (kg m−2) Precipitation rate (mm h−1)
F IG . 3. Distributions of vertically integrated hydrometeor contents (kg m−2 ) and precipitation rate (mm h−1 ) for the various cases at the
AMSU output times. The bin widths of the ice, snow, graupel, cloud liquid water, and rain water contents, and the precipitation rate are
0.05, 0.15, 0.3, 0.1, 0.2 kg m−2 and 2 mm h−1 , respectively.
est pressure gradient area at 06 UTC (Fig. 2c). It brought all night, leading to 24-hour totals between 25 and 50 mm,
large amounts of rainfall: more than 300 mm fell in one day with 75 mm and more in some areas. Local floods occurred
in parts of Erzgebirge, the mountain range at the German- and caused major disruption of commuter traffic during the
Czech frontier. The extreme precipitation was followed by a morning rush hour of 30 October. The rainfall pattern was
very quick rise of the levels of the Elbe tributaries, leading typical of an extratropical cyclone at 09 UTC (Fig. 2e). The
to a centennial Elbe flood with the largest recorded flood- more intense areas were located in the occluded warm and
related damage in Europe. trailing cold fronts of the low over the North Sea, while weak
The Algiers flood case (ALGER) occurred on 10 Novem- showers were scattered in the cold sector over the Atlantic
ber 2001 leading to the most devastating flood in this area Ocean.
with more than 700 casualties and catastrophic damage (e.g.,
Argence et al. 2006; Tripoli et al. 2005). The rainfall was 4. Cloud and precipitation variability
caused by an intense mesoscale cyclone resulting from the
interaction between an upper-level trough over Spain and a. Overview
lower-level warm air moving north off the Sahara. At 02 The distributions of the vertically-integrated hydrometeor
UTC the heaviest rainfalls were located in several cells or- contents and the surface precipitation rates are first examined
ganized in a line along the North African coast (Fig. 2d). (Fig. 3). For the sake of clarity, the outputs are shown at the
Over Algiers, 262 mm of rainfall was measured during the AMSU times only. The distribution of the surface precipita-
entire storm episode with more than 130 mm in only 3 hours, tion rate shows a large variability that includes light (RHINE
between 06 and 09 UTC on 10 November whereas only 41 and HOEK), moderate (ELBE, UKMIL) and strong (AL-
mm was recorded at the Dar-el-Bedia station, situated in- GER) precipitation cases, with maximum values of 8, 25,
land, only 15 km away from Algiers (Argence et al. 2006). and 40 mm h−1 , respectively. The partitioning of the cases
The ’millennium storm’ (UKMIL) corresponded to an ex- into the same three groups was also found for the integrated
ceptionally intense low over the English Midlands and its as- ice, snow, and graupel contents. In contrast, the distributions
sociated fronts. On 30 October 2000 the low had deepened of the rain content fell into two groups only (RHINE and
from 994 to 958 hPa in 12 hours (Browning et al. 2001). HOEK versus ELBE, UKMIL, and ALGER) and the distri-
The steep pressure gradient resulted in strong winds and bution of the liquid water content was more homogeneous.
widespread gusts between 30 and 40 m s−1 . Heavy rain fell This can be explained by the microphysics and the formation
RHINE HOEK ELBE ALGER UKMIL

12 12 12 12 12
Ice
Snow
10 10 10 10 10
Graupel
Cloud
8
Rain 8 8 8 8
Altitude (km)
6 6 6 6 6
4 4 4 4 4
2 2 2 2 2
0 0 0 0 0
0.00 0.05 0.10 0.15 0.20 0.25 0.00 0.05 0.10 0.15 0.20 0.25 0.00 0.05 0.10 0.15 0.20 0.25 0.00 0.05 0.10 0.15 0.20 0.25 0.00 0.05 0.10 0.15 0.20 0.25
−1 −1 −1 −1
mixing ratio (kg kg ) mixing ratio (kg kg ) mixing ratio (kg kg ) mixing ratio (kg kg ) mixing ratio (kg kg−1)
F IG . 4. Mean hydrometeor vertical profiles for the different cases at the AMSU output times. Averages are calculated only from
hydrometeor contents taht are not null. The horizontal thick (thin) line represents the mean (extreme) altitude(s) of the 0◦ C isotherm.
of the hydrometeors. An excess of ice cloud was converted The averaged vertical profiles also varied from case to
into snow that grew by aggregation and riming and was then case (Fig. 4). This was mostly due to the seasonal varia-
transformed into graupel particles. Finally, graupel particles tion of the air temperature. The RHINE case in February
and rain drops contributed the most to the surface precipita- included grid points where graupel and snow particles could
tion rate. reach the ground. The two autumn cases (UKMIL and AL-
The surface precipitation rate is the result of a number GER) presented similar shapes with snow and graupel layers
of complex processes including vertical velocity and humid- above the ground. The HOEK case in September displayed
ity supply to the diverse microphysical processes. Therefore precipitating frozen hydrometeors higher, above 1.5 km. Fi-
the relation between the precipitation rate at the surface and nally the ELBE case in August was the warmest case with
the hydrometeor distribution aloft is not straightforward. An a deep cloud water layer extending up to 4 km and frozen
illustration is given in Fig. 4 where the vertical hydrome- water content present above 2.5 km.
teor profiles averaged over the simulation domain are drawn. The series of vertical distributions of Fig. 4 clearly shows
Overall, the distribution of non-precipitating hydrometeors that the precipitation was produced by cold processes with
strongly depends on the 0◦ C isotherm. As the simulation the formation of intermediate snow and graupel particles that
domains cover a few thousands of kilometers, the altitude of melted later on into rain. A large number of methods to es-
the 0◦ C isotherm changes by a few hundred meters as in- timate surface precipitations from microwave observations,
dicated by the range drawn on each series of profiles (Fig. especially at high frequencies, are based on the statistical re-
4). Non-precipitating ice content is found only above the lationship between the upper atmospheric ice particles and
0◦ C isotherm maximum height as the primary ice crystals the surface precipitation rate (e.g. Ferraro and Marks 1995;
are immediately melted into cloud droplets at temperatures Grody 1991; Spencer et al. 1989). Such a relationship was
warmer than 0◦ C. In contrast, cloud water can exist well investigated by looking at the correlation between the sur-
above the freezing level in the form of supercooled droplets, face precipitation rate and the different integrated hydrom-
which are available for ice riming. Precipitating ice can also eteor contents at two output times (Fig. 5). As expected,
be found below the 0◦ C isotherm in warm layers where the the highest correlation existed with the vertically-integrated
snowflakes are progressively converted into graupel parti- rain (up to 0.9). Linear correlation coefficients above 0.7
cles which melt as they fall. Rain is formed by autoconver- were also found for the integrated graupel content, but for
sion of cloud droplets or results from the melting of graupel. three cases only. Lower values were obtained for vertically-
As a consequence, the rain layer is always below the 0◦ C integrated snow, which were more strongly case-dependent.
isotherm. The correlation relative to the integrated non-precipitating
8 CHABOUREAU ET AL.
RHINE−1
1.0 RHINE−2 a)
HOEK−1
HOEK−2 2
ELBE−1
0.8 ELBE−2 4
ALGER−1
ALGER−2 6
UKMIL−1
UKMIL−2 8 (%)
r T (g/kg)
Correlation
0.6
10
12
0.4
14 1
16
0.2 18
0.5
290 310 330 350 370
0.0 θe (K)
Ice Snow Graupel Cloud Rain
0.1
b)
F IG . 5. Correlation of surface precipitation rate with the different 2

integrated hydrometeor contents for the various cases at the two 4 0.01
output times. 6
8
r T (g/kg)
water (ice and cloud water) contents was the lowest (around 10
0.5). It should also be pointed out that the correlation values 12
for a particular case and a particular water content can vary 14
considerably with time. For example, the correlation coeffi-
16
cients with the integrated graupel content for the ELBE case
were 0.76 and 0.39 at 06 and 18 UTC, respectively. This 18
makes rain retrieval from indirect measurements of cloud
and precipitation contents, using regression-based methods, 290 310 330 350 370
highly challenging. θe (K)
b. Midlatitude versus tropical databases

F IG . 6. Conserved-variable (θe - rT ) diagrams of the (a) current
The mean vertical profiles of these midlatitude situations and (b) GPROF databases obtained from all the tropospheric levels.
differ significantly from those found in tropical conditions.
First, the freezing level is located between 1 and 3 km al-
titude while it is usually as high as 4.5 km in the tropics.
This means that the frozen hydrometeors in this database
are present at the first levels above the surface. Then, these a conserved-variable diagram with equivalent potential tem-
midlatitude cases are mostly stratiform in nature. There- perature (θe ) as abscissa and total water content (rT ) as ordi-
fore they sample meteorological conditions with weak verti- nate obtained from all the tropospheric levels (Fig. 6). This
cal velocity that favors small-sized hydrometeors (snow and diagram is commonly used for examining mixing processes
light rain), in contrast to tropical deep convective situations within clouds. A typical individual sounding presents an rT
more favorable to the growth of large graupel particles and that decreases with altitude and a θe minimum at midlevels.
big rain drops. In the current database, most of the gridpoints display val-
An illustration of the difference in characteristics be- ues in the top left corner, with θe < 330 K and rT < 14 g
tween midlatitude and tropical databases can be seen by kg−1 (Fig. 6a). In contrast, the distribution of the GPROF
comparing the distribution of the current database with the database is shifted towards the bottom-right. In particular, at
GPROF one. The latter includes six cloud-resolving model low altitudes, θe and rT present larger values than the cur-
simulations in its latest version (four tropical and two mid- rent database, around 350 K and 18 g kg−1 respectively (Fig.
latitude simulations; Olson et al. 2006). Results are shown in 6b).
5. Cloud database evaluation land, the grid points at altitudes higher than 1500 m were
excluded to filter out the potential presence of snow at the
The quality of the simulated cloud and precipitation fields surface. The grid points in the vicinity of coasts were also
will now be examined. This is done objectively by compar- discarded to avoid large differences due to the contrast of
ing simulations with satellite observations using the model- the land/sea surface emissivity in the microwave region. The
to-satellite approach. The frequency ranges considered here same flags for land, sea, and coast were applied for both the
record different cloud properties. The 11-µm channel is simulations and the observations. Note also that the satellite
mainly sensitive to the cloud top temperature. At 37 GHz, BTs at 11-µm (METEOSAT), 150 and 89 GHz (AMSU-B)
emission from cloud liquid water is significant compared to result from a variable viewing angle while the 37-GHz chan-
the cold oceanic background. In contrast, the BTs at 150, nel (SSM/I) has a constant viewing angle. Only the vertical
89, and 85 GHz decrease with the hydrometeor columns due polarization of the 37-GHz channel is shown. The simula-
to scattering by large ice particles (snow and graupel). In tions are considered for incidence angles corresponding to
the following, an example of observed and simulated BTs the satellite observations.
is first given. Then the BT distributions of all the cases are
Whatever the case and the surface conditions, the distri-
compared. Finally two objective verifications of the cloud
butions of observed BTs at 11-µm are continuously spread
cover and rain forecasts are performed.
over the 200 and 280 K temperature range (Fig. 8). Two
preferential modes are sometimes detectable (e.g. RHINE
a. Visual inspection of BT maps case) at low and high BTs. They are associated with high-
level thick cloud and extended clear sky conditions respec-
As an example, the observed and simulated BTs maps tively. At 150 GHz, the observed distributions are highly
for the ELBE case are shown in Fig. 7. Observations from skewed, leading to peak values between 260 and 280 K over
the 11-µm METEOSAT channel show the high- and middle- the land, and reduced BTs with a shift of 10-20 K over
level cloud cover with BTs of less than 260 K that rolls the sea. A leading edge of minimum BT is also found,
around the low centered over central Europe, from Slovakia with fewer grid points for the light rain cases (RHINE and
to Croatia. Elsewhere BTs greater than 260 K mostly re- HOEK). At lower frequencies (89 and 37V GHz), the dis-
sult in low-level clouds and clear sky. At 89 and 150 GHz, tributions of observed BTs are also unimodal over land, but
BTs from AMSU-B of less than 250 K are found over east- with fewer grid points with low BT values. In contrast, over
ern Slovakia and on a line going from eastern Germany to sea, the radiatively cold surface results in BT distributions
Croatia. These depressed BTs result from significant scat- peaking around 190-210 K. Emission by the hydrometeors
tering by large rimed ice particles embedded in the clouds. explains the presence of some large values of BTs that widen
Note also that snow at the surface yields lower 89-GHz and the distributions.
150-GHz BTs over the Alps.
Overall, the simulations reproduce the shape of the BT
The Meso-NH simulation coupled with the radiative distributions well for all the channels explored (Fig. 8). The
transfer codes captures the overall situation as seen in the agreement is better over ocean. Over land, some discrepan-
11-µm channel well, with high- and middle-level clouds at cies can be seen from case to case. For instance, not enough
the right locations. This indicates that the model captures low BTs are simulated at 150 GHz for the ELBE and HOEK
the overall atmospheric circulation. Depressed BTs for the cases, whereas the opposite is true for the UKMIL case. At
89-GHz and 150-GHz channels are also simulated correctly 89 GHz, too many low BTs are simulated for the ELBE and
over central Europe, but with a smaller extent. The sys- UKMIL cases. This excess of depressed BTs at both fre-
tem over eastern Slovakia is almost missing. At 89 and 150 quencies for the UKMIL case suggests an excess of scatter-
GHz, the surface signature of the cloud-free areas is cor- ing by ice in the simulation. On the other hand, the vari-
rectly estimated by the surface climatology over snow and ation of the discrepancies according to the frequencies for
correctly modeled over sea. From the maps for other cases the ELBE case can be attributed to an incorrect representa-
(not shown), similar conclusions can be drawn. The location of the hydrometeors in the meteorological model or to
tion of the cloud cover as revealed by the 11-µm channel is a misinterpretation of their scattering properties in the radia-
generally well predicted. The precipitating areas, leading to tive transfer model.
depressed BTs for the 89-GHz and 150-GHz channels, while
The realism of the simulated BTs is further demonstrated
less predictable than an extensive cloud cover, present real-
by the joint BT distributions shown for selected pairs of
istic scattered patterns at correct locations.
channels for the observed and simulated data (Fig. 9). For
AMSU-B frequencies (Fig. 9, top), the BTs at 90 and 150
b. Comparison of BT distribution GHz over land are distributed along the upper-left part of the
diagonal, with less variability for the simulated BTs than the
The BT comparisons are summarized on BT histograms observed ones. at 90 GHz. The BT depression at 150 GHz
separated into land and sea surface conditions (Fig. 8). Over
10 CHABOUREAU ET AL.
F IG . 7. From left to right, (top) observed and (bottom) simulated BT (K) for the 11-µm, 150-GHz and 89-GHz channels at 07 UTC 12
August 2002 (ELBE case).
can be used as the primary parameter for the retrieval of the c. Verification of cloud cover and rain forecasts
ice water path (Liu and Curry 1996). The observed relation-
ship between the 37V and 85V-GHz SSM/I channels (Fig. A further step in the validation is made by the verification
9, middle) is also achieved by the simulations both over land of cloud cover and rain forecasts. Here we use categorical
and sea. However too BT simulations are too low at 85V scores that measure the correspondence between simulated
GHz; this is due to a few convective cells from the ALGER and observed occurrence of events at grid-points. These
case (see also Fig. 8). Finally, joint BT distribution of hori- scores were first developed to focus on tornado detection
zontal versus vertical polarization for 37 and 85 GHz SSM/I and later to verify the occurrence of high precipitation rates
channels are shown over sea (Fig. 9, bottom). Such a com- (Wilks 1995). In the following, we use the probability of
bination of polarizations at 37 and 85 GHz can be used to detection (POD), the false alarm ratio (FAR), the probabil-
minimize temperature and surface water effects on the rain- ity of false detection (POFD), and the Heidke Skill Score
rate retrieval (Conner and Petty 1998). The water surface (HSS). POD gives the relative number of times an event was
emission is characterized by low and strongly polarized BT forecast when it occurred, the FAR gives the relative num-
while the effect of precipitation tends to increase BTs and ber of times the event was forecast when it did not occur, the
to weaken the polarization difference. This appears to be POFD is the fraction of no events that were incorrectly fore-
well reproduced by the simulations at 37 GHz. At 85 GHz, cast as yesr, and the HSS measures the fraction of correct
the large depression caused by frozen hydrometeors yields a forecasts after eliminating those which would be correct due
weak polarization difference for low BT values. This signal to chance. Such scores quantify the ability of the model to
was not observed due to the lower resolution of the satel- forecast an event at the right place.
lite; therefore such anomalous BTs (from the ALGER case)
The calculation of scores was first applied to the 11-µm
might be withdrawn from the database for retrieval purposes.
METEOSAT channel, taking advantage of the high tempo-
This shows that convective cases are a specific challenge that
ral resolution of the observations. A threshold of 260 K was
requires further analyses together with more cases to be in-
chosen to discriminate high- and mid-level thick clouds. The
vestigated.
24-h evolution of the POD and the FAR is shown for the
RHINE, HOEK, and ELBE cases (Fig. 10). The compar-
ison is made grid-point by grid-point (gray lines) and area
by area (black lines). The calculation area by area compares
11 µm Land Observation
# of gridpoints
10000 Sea Simulation

1000
100
10 RHINE HOEK ELBE ALGER UKMIL
200 300 400 500 600 700
150 GHz
# of gridpoints
10000
1000
100
10
180 280 380 480 580 680
89 GHz
# of gridpoints
10000
1000
100
10
190 290 390 490 590 690
37V GHz
# of gridpoints
10000
1000
100
10
180 280 380 480 580 680
Brightness Temperature (K)
F IG . 8. Observed and simulated BT distributions for the 11 µm, 150, 89 and 37V GHz channels, separated into land and sea grid points
for each case. The bin width is 5 K. The BTs are shifted to the right by 0, 100, 200, 300, 400, and 500 K for the RHINE, HOEK, ELBE,
ALGER, and UKMIL cases, respectively.
a) Observation over land b) Simulation over land c) Observation over sea d) Simulation over sea
280 280 280 280
260 260 260 260

150 GHz BT (K)
150 GHz BT (K)

240 240 240 240
220 220 220 220
200 200 200 200
180 180 180 180

190 210 230 250 270 290 190 210 230 250 270 290 190 210 230 250 270 290 190 210 230 250 270 290
90 GHz BT (K) 90 GHz BT (K) 90 GHz BT (K) 90 GHz BT (K)
e) Observation over land f) Simulation over land g) Observation over sea h) Simulation over sea
290 290 280 280
270 270 260 260

85V GHz BT (K)
85V GHz BT (K)
250 250 240 240
230 230 220 220
210 210 200 200
190 190 180 180

180 200 220 240 260 280 180 200 220 240 260 280 170 190 210 230 250 270 170 190 210 230 250 270
37V GHz BT (K) 37V GHz BT (K) 37V GHz BT (K) 37V GHz BT (K)
i) Observation over sea j) Simulation over sea k) Observation over sea l) Simulation over sea
270 270 280 280
250 250 260 260

37H GHz BT (K)
85H GHz BT (K)
230 230 240 240
210 210 220 220
190 190 200 200
170 170 180 180

170 190 210 230 250 270 170 190 210 230 250 270 180 200 220 240 260 280 180 200 220 240 260 280
37V GHz BT (K) 37V GHz BT (K) 85V GHz BT (K) 85V GHz BT (K)
(%)
0.1 1 5 10
F IG . 9. Observed and simulated joint BT distributions for (top row) the 90 and 150 GHz AMSU channels, (middle row) the 37V and 85V
GHz channels, separated into land and sea grid points, and (bottom) the 37V and 37H GHz, and 85V and 85H GHz channels for gridpoints
over sea only. The bin width is 5 K.
(%)
1.0 a)
6.31
0.8 3.98 10
Rainrate (mm/h)
2.51
POD/FAR
0.6 1.58 5
RHINE 1.00
0.4 HOEK 0.63 1
ELBE
0.40
0.2 0.25 0.1
0.0 0.16
3 6 9 12 15 18 21 24
−12 −10 −8 −6 −4 −2 0 2 4
1.0 b) BTD(89−150) (K)
0.8
0.6
HSS
F IG . 11. Distribution of rain rate according to the BTD between

0.4 the 90- and 150-GHz channels over land.
RHINE
0.2 HOEK
ELBE the good skill of the model to forecast the cloud cover on a
0.0
3 6 9 12 15 18 21 24 50-km scale.
Forecast (hour) Another application of the scores is to evaluate the skill of
the model to detect rainfall over land. Algorithms for the de-
tection of rain over land are usually based on the scattering
F IG . 10. Time evolution of (a) the POD (thick lines), FAR (thin signal of millimeter-sized ice hydrometeors (e.g. Bennartz
lines), and (b) HSS of the high-cloud category (11-µm BT < 260 et al. 2002; Ferraro et al. 2000). To take advantage of the
K) calculated for the RHINE, HOEK, and ELBE cases. The grey AMSU-B spatial resolution, we calculated brightness tem-
(black) lines represent the calculation grid-point by grid-point (area perature difference (BTD) between 89- and 150-GHz chan-
by area). nels, albeit both affected by scattering (in contrast to the
common combination of 23 and 89 GHz). The distribu-
tion of the rain rate with the BTD for the five simulations
fractions of occurrence of events over a sized area (Roberts is shown in Fig. 11. As discussed by Bennartz et al. (2002),
2005). Such calculation takes the double penalty effect into a larger probability of rainfall comes with a larger BTD.
account. The latter arises when an observed small scale fea- The categorical scores can take this uncertainty into ac-
ture is more realistically forecast but is misplaced. Com- count. A Relative Operating Characteristic (ROC) diagram
pared to a low resolution model, a high resolution model plots the POD against the POFD using a set of increasing
is penalized twice, once for missing the actual feature and probability thresholds (for BTD decreasing from 4 K to -4
again for forecasting it where it is not. The area used here K; Fig. 12). The comparison is made here pixel by pixel.
is a square of five by five grid-points, i.e. areas of 50 km by The diagonal line means no skill at all, while the better the
50 km that exceed 50% of cloud cover. classifier, the closer the curve moves to the upper-left corner
For the three cases, when calculated grid-point by grid- (high POD with a low POFD). Almost all the points are in
point, the POD is generally over 0.5, the FAR is less than the top-left quadrant. This demonstrates the skill of all the
0.5 and the HSS is positive, generally over 0.4. This im- simulations to detect BTD events, which by extension means
plies that the simulations have forecasting skill. Overall, the the occurrence of rain events.
RHINE case gives the best forecast with the largest POD, The rain forecasts were verified against 24 h accumulated
(almost) the smallest FAR and the largest HSS (at least af- rainfalls measured by rain gauges for the 24-h simulations
ter 15-h). This was to be expected as the cloud cover of (RHINE, HOEK, and ELBE). Note that there is a 6-h shift
a midlatitude front is the signature of well predicted syn- between the 24 h accumulated rainfalls measured at 06 UTC
optic scales whereas the two other cases concern two less by the rain gauges and those simulated at 00 UTC from the
well organized cloud fields. This is further shown by the re- model. The bias range from -12 to -1 mm (or between 20
sults of scores calculated area by area. For the RHINE case, and 30% in terms of relative bias) and the correlation coeffi-
the POD, the FAR and the HSS comparing areas have the cient is around 0.8 for the ELBE case and around 0.5 for the
same high-skill values as the scores comparing grid-points. traveling front cases, the lowest correlation coefficient that
In contrast, for the HOEK and ELBE cases, the POD, FAR, can be partly explained by the 6-h shift. These statistics are
and HSS present a significant improvement. This indicates comparable to those obtained for rain forecast over the Alps
be used as a cloud database for retrieval purposes.

1.0
Then the model-to-satellite approach is combined with
the calculation of categorical scores. This allows the pre-
0.8 diction of cloud and precipitation occurrence to be checked
against satellite observations. In the infrared, the Meso-NH
Probability of Detection
model shows good skill in forecasting cloud cover. In par-

0.6 RHINE ticular, the frontal case (RHINE) displays higher POD and
HOEK HSS, and lower FAR than the two other cases investigated.
ELBE
ALGER This suggests better skill in forecasting synoptic-scale cloud
0.4 UKMIL systems. In the microwave region, a current diagnosis based
on BTD between 89- and 150-GHz channels is used for rain
BTD(89−150)>−4
BTD(89−150)>−2 detection. Despite the non-linear relationship between BTD
0.2 BTD(89−150)> 0 and rain, the simulations display skill in BTD categories
BTD(89−150)> 2 with a varying threshold. In the future, such diagnostic tools
BTD(89−150)> 4
could be used in NWP to verify the forecasts of cloud cover
0.0 and rain all over the globe. Such a tool, that monitors the
0.0 0.2 0.4 0.6 0.8 1.0
Probability of False Detection performance for the cloud scheme in operational systems,
would be precious for further developing cloud schemes.
The current database provides physically consistent pro-
files of cloud, rain, pristine ice, snow, and graupel to be used
F IG . 12. ROC diagram for BTD between the 90- and 150-GHz
as inputs to develop rain rate retrieval methods over the mid-
channels over land.
latitudes. The statistical relationship between cloud and rain
profiles and the surface rain rate shows that such an approach
(Richard et al. 2007). When comparing categories of accu- can be very challenging when based on satellite measure-
mulated rainfall larger than 1 mm, POD is around 0.85 and ments that are essentially sensitive to the upper cloud layers.
FAR around 0. The HSS is around 0.5 that shows the useful Using the current database, Mech et al. (2007) have shown
skill of the model in forecasting rainfall at the right place. the ability to retrieve integrated frozen hydrometeor contents
with a good accuracy depending on the case. The current
6. Conclusions database can also be employed for exploring the capabil-
ity of a submillimeter instrument as reported by Mech et al.
A cloud database of midlatitude situations has been pre- (2007) and Defer et al. (2007). In the near future it is planned
sented. The meteorological cases are typical of the meteoro- to add other fully documented case studies to the database.
logical variability at midlatitudes. They include heavy rain In addition, the evaluation efforts will continue using active
episodes resulting in dramatic floods, but also light precipi- instruments like space-borne lidar and radar. These new in-
tation events. They were selected over southern and northern struments are well suited to testing the vertical hydrometeor
parts of Europe during summer, autumn, and winter seasons. distribution simulated by the Meso-NH model with more ac-
The distribution of the averaged vertical profiles of hydrom- curacy.
eteors varies mostly with the 0◦ C isotherm, located on aver-
age between 1 and 3 km height. The database also contains Acknowledgment. We thank Chris Kummerow for
profiles where graupel and snow reach the ground. It thus making the GPROF database available to us and Pe-
differs significantly from the GPROF tropical database char- ter Bechtold for providing us the rain gauge data.
acterized by a 0◦ C isotherm located around 4.5 km height. This study was supported by EUMETSAT under con-
As a result, this database can complement the GPROF base tract EUM/CO/04/1311/KJG and by ESA under contract
for midlatitude situations. The present midlatitude cloud 18054/04/NL/FF. Additional support for Eric Defer came
database is available upon request from the first author. from CNES under TOSCA contract ’Etude mission pour
An evaluation of the simulations has been performed us- la détection et le suivi des nuages de glace dans le do-
ing satellite observations in both the thermal infrared and maine submillimétrique’. Nathalie Söhne was supported by
microwave through a model-to-satellite approach. The com- a CNES/Météo-France grant. Computer resources were al-
parison is performed on a 10-km grid, which compares with located by IDRIS. AMSU data come from the NOAA Satel-
the satellite spatial resolution. Whatever the channels, the lite Active Archive. METEOSAT observations are copy-
observed and simulated BT distributions agree reasonably right 2003 EUMETSAT. The comments of the anonymous
well for all the cases. As shown by Mech et al. (2007) and reviewers helped us to improve the presentation of the re-
Defer et al. (2007), the simulations (the model outputs cou- sults.
pled with the radiative transfer codes) are realistic enough to
REFERENCES Conner, M. D. and G. W. Petty, 1998: Validation and intercom-

parison of SSM/I rai-rate retrieval methods over the continental
Argence, S., D. Lambert, E. Richard, N. Söhne, J.-P. Chaboureau, United States. Geophys. Res. Lett., 37, 679–700.
F. Crépin, and P. Arbogast, 2006: High resolution numerical Cuxart, J., P. Bougeault, and J.-L. Redelsperger, 2000: A turbu-
study of the Algiers 2001 flash flood: sensitivity to the upper- lence scheme allowing for mesoscale and large-eddy simula-
level potential vorticity anomaly. Adv. Geosciences, 7, 251–257. tions. Quart. J. Roy. Meteor. Soc., 126, 1–30.
Baran, A. J. and P. N. Francis, 2004: On the radiative proper- Defer, E., C. Prigent, F. Aires, J.-R. Pardo, C. J. Walden, O.-Z.
ties of cirrus cloud at solar and thermal wavelengths: a test of Zanif, J.-P. Chaboureau, and J.-P. Pinty, 2007: Development of
model consistency using high-resolution airbone radiance mea- precipitation retrievals at millimeter and submillimeter wave-
surements. Quart. J. Roy. Meteor. Soc., 130, 763–778. lengths for geostationary satellites. J. Geophys. Res., in revi-
Bauer, P., 2001: Over-Ocean Rainfall Retrieval from Multisensor sion.
Data of the Tropical Rainfall Measuring Mission. Part I: Design Ferraro, R. R. and G. F. Marks, 1995: The development of SSM/I
and Evaluation of Inversion Databases. J. Atmos. Ocean. Tech, rain-rate retrieval algorithms using ground-based radar mea-
18, 1838–1855. surements. J. Atmos. Ocean. Tech, 12, 755–770.
Bechtold, P., E. Bazile, F. Guichard, P. Mascart, and E. Richard, Ferraro, R. R., F. Weng, N. C. Grody, and L. Zhao, 2000: Pre-
2001: A mass flux convection scheme for regional and global cipitation characteristics over land from the NOAA-15 AMSU
models. Quart. J. Roy. Meteor. Soc., 127, 869–886. sensor. Geophys. Res. Lett., 27, 2669–2672.
Bennartz, R., A. Thoss, A. Dybbroe, and D. B. Michelson, 2002: Gregory, D., J.-J. Morcrette, C. Jakob, A. M. Beljaars, and
Precipitation analysis using the Advanced Microwave Sounding T. Stockdale, 2000: Revision of convection, radiation and cloud
Unit in supoort of nowcasting applications. Meteorol. Atmos. schemes in the ECMWF model. Quart. J. Roy. Meteor. Soc.,
Phys., 9, 177–189. 126, 1685–1710.
Browning, K. A., R. S. Dixon, C. Gaffard, and C.-G. Wang, 2001: Grody, N. C., 1991: Classification of snow cover and precipitation
Wind-profiler measurements in the storm of 30 October 2000. using the Special Sensor Microwave/Imager (SSM/I). J. Geo-
Weather, 56, 367–373. phys. Res., 96, 7423–7435.
Caniaux, G., J.-L. Redelsperger, and J.-P. Lafore, 1994: A numer- Guillou, C., S. J. English, and C. Prigent, 1996: Passive microwave
ical study of the stratiform region of a fast-moving squall line. airborne measurements of the sea surface response at 89 and
Part I: general description and water and heat budgets. J. Atmos. 157 GHz. J. Geophys. Res., 101(C2), 3775–3788.
Sci., 51, 2046–2074. Kummerow, C., Y. Hong, W. S. Olson, R. F. Adler, J. McCollumn,
Chaboureau, J.-P. and P. Bechtold, 2005: Statistical representation R. Ferraro, G. Petty, D.-B. Shin, and T. T. Wilheit, 2001: The
of clouds in a regional model and the impact on the diurnal cy- evolution of the Goddard profiling algorithm (GPROF) for rain-
cle of convection during Tropical Convection, Cirrus and Nitro- fall estimation from passive microwave sensors. J. Appl. Me-
gen Oxides (TROCCINOX). J. Geophys. Res., 110, D17 103, teor., 40, 1801–1820.
doi:10.1029/2004JD005 645. Lafore, J.-P., J. Stein, N. Asencio, P. Bougeault, V. Ducrocq,
J. Duron, C. Fischer, P. Héreil, P. Mascart, V. Masson, J.-P.
Chaboureau, J.-P., J.-P. Cammas, J. Duron, P. J. Mascart, N. M. Sit-
Pinty, J.-L. Redelsperger, E. Richard, and J. Vilà-Guerau de
nikov, and H.-J. Voessing, 2007a: A numerical study of tropi-
Arellano, 1998: The Meso–NH Atmospheric Simulation Sys-
cal cross-tropopause transport by convective overshoots. Atmos.
tem. Part I: adiabatic formulation and control simulations. Sci-
Chem. Phys., 7, 1731–1740.
entific objectives and experimental design. Ann. Geophys., 16,
Chaboureau, J.-P., J.-P. Cammas, P. Mascart, J.-P. Pinty, C. Claud, 90–109.
R. Roca, and J.-J. Morcrette, 2000: Evaluation of a cloud sys- Lin, Y.-L., R. D. Farley, and H. D. Orville, 1983: Bulk parameteri-
tem life-cycle simulated by Meso-NH during FASTEX using zation of snow field in a cloud model. J. Climate. Appl. Meteo-
METEOSAT radiances and TOVS-3I cloud retrievals. Quart. J. rol., 22, 1065–1092.
Roy. Meteor. Soc., 126, 1735–1750.
Liu, G., 2004: Approximation of single scattering properties of ice
Chaboureau, J.-P., J.-P. Cammas, P. Mascart, J.-P. Pinty, and J.-P. and snow particles for high microwave frequencies. J. Atmos.
Lafore, 2002: Mesoscale model cloud scheme assessment us- Sci., 61, 2441–2456.
ing satellite observations. J. Geophys. Res., 107(D17), 4301,
Liu, G. and J. Curry, 1996: Large-scale cloud features during
doi:10.1029/2001JD000 714.
January 1993 in the North Atlantic Ocean as determined from
Chaboureau, J.-P. and J.-P. Pinty, 2006: Evaluation of a cirrus SSM/I and SSM/T2 observations. J. Geophys. Res., 101, 7019–
parameterization with Meteosat Second Generation. Geophys. 7032.
Res. Lett., 33, L03 815, doi:10.1029/2005GL024 725. Masson, V., J.-L. Champeaux, C. Chauvin, C. Meriguet, and R. La-
Chaboureau, J.-P., P. Tulet, and C. Mari, 2007b: Diurnal cycle of caze, 2003: A global database of land surface parameters at 1
dust and cirrus over West Africa as seen from Meteosat Sec- km resolution for use in meteorological and climate models. J.
ond Generation satellite and a regional forecast model. Geo- Climate, 16, 1261–1282.
phys. Res. Lett., 34, L02 822, doi:10.1029/2006GL027 771. McFarquhar, G. M., S. Iacobellis, and R. C. J. Somerville, 2003:
Chevallier, F., P. Bauer, G. Kelly, C. Jakob, and T. McNally, 2001: SCM simulations of tropical ice clouds using observationnaly
Model clouds over oceans as seen from space: comparison with based parameterizations of microphysics. J. Climate, 16, 1643–
HIRS/2 and MSU radiances. J. Climate, 14, 4216–4229. 1664.
Mech, M., S. Crewell, I. Meirold-Mautner, C. Prigent, and J.-P. Prigent, C., W. B. Rossow, and E. Matthews, 1997: Microwave
Chaboureau, 2007: Information content of millimiter observa- land surface emissivities estimated from SSM/I observations. J.
tions for hydrometeor properties in mid-latitudes. IEEE Trans. Geophys. Res., 102, 21 867–21 890.
Geosci. Remote Sensing, 45, 2287–2299. Richard, E., A. Buzzi, and G. Zngl, 2007: Quantitative precipi-
Medaglia, C. M., C. Adamo, F. Baordo, S. Dietrich, S. Di Michele, tation forecasting in the Alps: The advances achieved by the
V. Kotroni, K. Lagouvardos, A. Mugnai, S. Pinori, E. A. Smith, Mesoscale Alpine Programme. Quart. J. Roy. Meteor. Soc., 133,
and G. J. Tripoli, 2005: Comparing microphysical/dynamical 831–846.
outputs by different cloud resolving models: impact on pas- Roberts, N., 2005: An investigation of the ability of a storm scale
sive microwave precipitation retrieval from satellite. Adv. Geo- configuration of the Met Office NWP model to predict flood
sciences, 2, 195–199. producing rainfall. Tech. rep., UKMO Forecasting Research
Meirold-Mautner, I., C. Prigent, E. Defer, J. R. Pardo, J.-P. Technical Report No. 455.
Chaboureau, J.-P. Pinty, M. Mech, and S. Crewell, 2007: Radia- Saunders, R., M. Matricardi, P. Brunel, S. English, P. Bauer,
tive transfer simulations using mesoscale cloud model outputs: U. O’Keeffe, P. Francis, and P. Rayer, 2005: RTTOV-8 Science
comparisons with passive microwave and infrared satellite ob- and validation report. Tech. rep., NWP SAF Report, 41 pages.
servations for mid-latitudes. J. Atmos. Sci., 64, 1550–1568. Spencer, R. W., H. M. Goodman, and R. E. Hood, 1989: Precipi-
Mishchenko, M. I., 1991: Light scattering by size/shape distribu- tation retrieval over land and ocean with SSM/I: Identification
tions of randomly oriented axially symmetric particles. J. Opt. and characteristics of the scattering signals. J. Atmos. Ocean.
Soc. Am. A, 8, 871–882. Tech, 6, 254–273.
Morcrette, J.-J., 1991: Evaluation of model-generated cloudiness: Stein, J., E. Richard, J.-P. Lafore, J.-P. Pinty, N. Asencio, and
Satellite-observed and model-generated diurnal variability of S. Cosma, 2000: High-resolution non-hydrostatic simulations
brightness temperature. Mon. Wea. Rev., 119, 1205–1224. of flash-flood episodes with grid-nesting and ice-phase parame-
terization. Meteorol. Atmos. Phys., 72, 203–221.
Noilhan, J. and S. Planton, 1989: A simple parameterization of
Tripoli, G. J., C. M. Medaglia, S. Dietrich, A. Mugnai, G. Pane-
land surface processes for meteorological models. Mon. Wea.
grossi, S. Pinori, and E. A. Smith, 2005: The 9-10 November
Rev., 117, 536–549.
2001 Algerian flood: A numerical study. Bull. Amer. Meteor.
Olson, W. S., C. D. Kummerow, S. Yang, G. W. Petty, W.-K. Tao, Soc., 86, 1229–1235.
T. L. Bell, S. A. Braun, Y. Wang, S. E. Lang, D. E. Johnson, Wiedner, M., C. Prigent, J. R. Pardo, O. Nuissier, J.-P.
and C. Chiu, 2006: Precipitation and latent heating distributions Chaboureau, J.-P. Pinty, and P. Mascart, 2004: Model-
from satellite passive microwave radiometry. Part I: improved ing of passive microwave responses in convective situations
method and uncertainties. J. Appl. Meteor. Climatol., 45, 702– using outputs from mesoscale models: comparison with
720. TRMM/TMI satellite observations. J. Geophys. Res., 109,
Panegrossi, G., S. Dietrich, F. S. Marzano, A. Mugnai, E. A. Smith, D06 214, doi:10.1029/2003JD004 280.
X. Xiang, G. J. Tripoli, P. K. Wang, and J. P. V. Poiares Baptista, Wilks, D. S., 1995: Statistical Methods in the Atmospheric Sci-
1998: Use of cloud model microphysics for passive microwave- ences. Academic Press, 467 pp.
based precipitation retrieval: Significance of consistency be- Zängl, G., 2004: Numerical simulations of the 12–13 August 2002
tween model and measurement manifolds. J. Atmos. Sci., 55, flooding event in eastern Germany. Quart. J. Roy. Meteor. Soc.,
1644–1673. 130, 1921–1940.
Pardo, J. R., J. Cernicharo, and E. Serabyn, 2001: Atmospheric
Transmission at Microwaves (ATM): An Improved Model for Printed August 21, 2007.
mm/submm applications. IEEE Trans. on Antennas and Propa-
gation, 49/12, 1683–1694.
Pinty, J.-P. and P. Jabouille, 1998: A mixed-phase cloud parame-
terization for use in a mesoscale non-hydrostatic model: simu-
lations of a squall line and of orographic precipitations. Proc.
AMS conference on cloud physics, 17-21 August 1998, Everett,
Wa, USA, 217–220.
Prigent, C., F. Aires, and W. B. Rossow, 2006: Land surface mi-
crowave emissivities over the globe for a decade. Bull. Amer.
Meteor. Soc., 87, 1573–1584.
Prigent, C., F. Chevallier, F. Karbou, P. Bauer, and G. Kelly,
2005: AMSU-A land surface emissivity estimation for numer-
ical weather prediction assimilation schemes. J. Appl. Meteor.,
44, 416–426.
Prigent, C., J. R. Pardo, M. I. Mishchenko, and W. B. Rossow,
2001: Microwave polarized signatures generated within cloud
systems: SSM/I observations interpreted with radiative transfer
simulations. J. Geophys. Res., 106, 28 243–28 258.
Chapitre 4
Étude d'un événement extrême
Les événements météorologiques qualiés d'extrêmes sont des phénomènes violents, et

très localisés, certains rares comme les tempêtes ou les inondations, d'autres plus fréquents
comme les cyclones tropicaux ou les tornades. Leurs caractéristiques les rendent dicile-
ment prévisibles pour les modèles d'échelle synoptique qui ont tendance à moyenner les
eets et donc à en sous-estimer la violence. Qu'en est-il des modèles de mésoéchelle ? Au
travers d'un exemple d'un tel phénomène, il s'agit d'étudier la prévisibilité d'un événement
extrême en évaluant sa sensibilité aux conditions initiales et de conguration du modèle et
de déterminer la meilleure simulation de l'ensemble, si elle existe.
4.1 Cas des inondations d'Alger
4.1.1 Un événement dont l'extrême violence a été mal prévue
Le bassin méditerranéen est soumis, en particulier à l'automne, à des événements météo-

rologiques violents. La base de données du projet MEDEX (MEDiterranean EXperiments
on cyclones that produce hight impact weather in the MEditerranean) relève et classe les
événements dépressionaires méditerranéens violents ayant un fort impact sociétal. Son but
107
est de déterminer leurs zones de naissance et d'expansion, puis, les zones pour lesquelles
des conditions initiales de meilleure qualité permettent d'obtenir une meilleure prévision,
et enn, de mieux les prévoir à l'aide de modèles à haute résolution. En parallèle, le projet
français CYPRIM (CYclogeneses and PRecipitation Impacting the Mediterranean regions)
a pour objectif, en plus de ceux de MEDEX, de tenter d'obtenir une première idée des
conséquences pluviométriques et hydrologiques d'échelle très ne du réchauement global,
sur un événement ctif, survenant aux automnes de la n du xxie siècle. Il a aussi pour but
de concevoir un dispositif d'observation adapté aux événements extrêmes et ainsi de prépa-
rer la campagne HYMEX (HYdrological cycle in the Mediterranean EXperiment) prévue
à l'horizon 2010. L'objectif de cette campagne multidisciplinaire est d'étudier le cycle de
l'eau et l'inuence du changement climatique sur la fréquence des événements extrêmes et
des écosystèmes en Méditerranée.
Le cas des inondations d'Alger de novembre 2001 est un cas typique de dépression au-
tomnale méditerranéenne, et est à ce titre référencée dans la base de données du projet
MEDEX. C'est aussi un cas de précipitations dont l'intensité et la violence sont exception-
nelles pour la région. Seuls trois événements comparables, mais de plus faible intensité, et
plus à l'intérieur des terres, dans le centre du pays, ont été recensés durant le xxe siècle, ce
qui conduit à une durée de retour possiblement supérieure au siècle pour un tel événement.
Entre le 9 et le 12 novembre 2001, une dépression s'est propagée de l'Algérie aux Baléares,
causant sur son passage moults dégâts. La rencontre d'une descente d'air stratosphérique
froid et sec (un thalweg d'altitude) au-dessus de l'Espagne et d'une masse d'air chaud de
basses couches venant du Sahara a engendré une dépression au-dessus de l'Algérie (Fi-
gure 4.1). Il s'en est suivi des précipitations importantes et très localisées sur les côtes
maghrebinnes. Les pluviomètres bien que clairsemés indiquent le caractère local et violent
des précipitations. Seuls ceux sur la côte à l'ouest d'Alger indiquent de fortes précipitations.
En particulier, des valeurs record de 110 mm de pluie ont été mesurées le 10 novembre entre
06 et 09 UTC sur Alger (Figure 4.2). Ce déluge a provoqué des inondations et causé des
centaines de morts à Alger. La dépression s'est ensuite propagée vers les Baléares, où elle
108
4.1 Cas des inondations d'Alger
a aussi causé de nombreux dégâts. Cette situation a été bien prévue à l'échelle synoptique
par les services de météorologie algériens [ONM , 2001]. Cependant, l'alerte donnée par les
bulletins de moyenne échéance concernait des précipitations de 20 à 30 mm en 6 heures
sur 24 heures. Ainsi, l'ampleur exceptionnelle des précipitations et des dégâts qu'elles ont
causé a été largement sous-estimée.
Fig. 4.1 Situation météorologique du cas Fig. 4.2 Relevés pluviométriques des pré-
des inondations d'Alger, marquée par la des- cipitations accumulées (mm) entre 6 et
cente de tourbillon potentiel (altitude de 12 UTC le 10 novembre 2001, et moyennées
l'isohypse à 2PVU) et la remontée d'air sur une maille de 10 km
chaud saharien (θe) .
.
4.1.2 Un ensemble de simulations numériques
Un ensemble de 20 simulations a été eectué [Argence et al., 2006] pour étudier la pré-
visibilité de ce cas. Les simulations varient par leurs conditions d'initialisation, c'est-à-dire
de date et du type d'analyse, ou de conguration, en l'occurrence par l'utilisation ou non
de modèles imbriqués de résolution croissante. Trois dates d'initialisation ont été choisies,
le 9 novembre à 00 UTC et à 12 UTC, et le 10 novembre à 00 UTC. Trois types d'analyses
ont servi à initialiser les simulations et à imposer les conditions aux limites. Il s'agit des
analyses ARPEGE, de l'ECMWF et des analyses dites ARPEGE modiées . Ces der-
nières ont été modiées par une technique d'inversion de tourbillon potentiel PV [Chaigne
109
et Arbogast , 2000]. Cela a permis de combler le thalweg au-dessus de l'Espagne dans dié-
rentes zones géographiques et sur diérentes épaisseurs. La modication de PV conduit à
changer les champs de vent et de température [Lambert et al., 2003]. Pour l'ensemble des
simulations, le domaine du modèle, de maille horizontale de 50 km, couvre l'Europe et le
nord de l'Afrique (modèle 1). En cas de gridnesting, deux modèles ls sont imbriqués avec
des mailles horizontales, de 10 km (centré sur l'Ouest de la Méditerranée, modèle 2) et de
2 km (centré sur Alger, modèle 3), respectivement (Figure 4.3). Dans ce dernier modèle,
la convection est résolue de manière explicite. Le gridnesting était one-way ou two-
way ce qui implique une interaction respectivement unilatérale ou bilatérale du modèle
père sur le modèle ls. La même grille verticale de 52 niveaux est utilisée pour tous les
modèles, avec une résolution variant de 60 m proche de la surface et s'étirant jusqu'à 600 m
au-delà de 7000 m d'altitude.
Fig. 4.3 Domaines et résolutions des modèles imbriqués pour les simulations du cas
d'Alger, et leur orographie correspondante.
4.2 Évaluation de l'ensemble de simulations

L'ensemble de simulations a d'abord été évalué visuellement sur les champs de préci-
pitations accumulées et sur les champs satellites des canaux IR et WV de METEOSAT,
et des canaux de SSM/I ou de TMI à 37 GHz et 85 GHz. Les relevés pluviométriques in-
diquent l'occurrence de précipitations importantes le long de la côte maghrebine, ce qui est
110
également le cas dans les simulations. Les TB simulées et observées varient dans des inter-
valles équivalents, sans biais systématique important, et sont réparties de manière similaire
dans les observations et les simulations. Les simulations sont donc susamment réalistes
pour pouvoir être comparées quantitativement avec les observations correspondantes (Fi-
gure 4.4).
4.2.1 Seuils de TB pour les statistiques catégorielles
Le choix des catégories est dicté à la fois par la signication physique du seuil utilisé et
par sa signication statistique. Cette dernière impose une densité de population minimale
dans chaque catégorie. L'utilisation de l'observation satellitale a conduit à dénir plusieurs
catégories, et donc des seuils pour chaque TB. Ces catégories sont associées respectivement
à la représentation du thalweg d'altitude (TBW V > 240 K), de la couverture des nuages
hauts (TBIR < 250 K) et des précipitations instantanées (TB37GHz > 230 K, TB85GHz
< 245 K). Ces seuils sont appliqués à la fois aux observations et aux simulations.
Catégorie thalweg : Le thalweg d'altitude est un phénomène d'échelle synoptique. C'est

une zone de descente d'air stratosphérique plus chaud et plus sec que l'air troposphérique
qui déstabilise l'atmosphère et favorise la naissance des dépressions. Pour le localiser on
se sert de l'observation satellite dans les bandes d'absorption de la vapeur d'eau dans
la troposphère, et en particulier celle du canal WV de Météosat à 6, 7 µm. Pour cette
longueur d'onde, le thalweg est déni comme la zone pour laquelle les TB sont supérieures
à 240 K (i.e. air sec) [Wilcox , 2003]. Elles correspondent à la zone allongée en rouge sur la
gure 4.4 a.
Le radiomètre MVIRI sur le satellite Météosat-7 est étalonné en ciel clair par comparai-
sons des radiances mesurées avec celles issues d'un modèle de transfert radiatif transformant
les prols de radiosondage en température et en humidité [van de Berg et al., 1995]. Il est
étalonné de manière absolue depuis 2000 en se basant sur la température du corps noir.
111
simulation observation
I.a II.a
I.b II.b
I.c II.c
I.d II.d
Fig. 4.4 De haut en bas, TB (K) des canaux WV et IR de METEOSAT, 37 GHz V, 85

GHz V de SSM/I à 06 UTC le 10 novembre simulés (I à gauche) pour ALG11 et observé
(II à droite).
112
Cet étalonage est doublé d'une intercalibration des instruments équivalents placés sur des
satellites héliosynchrones. Le rapport d'EUMETSAT pour Action 28.23 de CGMS XXVIII
indique que lors de la comparaison avec l'instrument HIRS sur NOAA, le canal WV pré-
sente un biais d'environ +4 K pour le canal WV, deux fois supérieur à son équivalent sur
GEOS [Gunshor et al., 2004], et il en va de même avec SSM/T [Sohn et al., 2000]. L'origine
de ces biais n'est pas bien dénie [Köpken , 2001; Keil et al., 2006]. Cependant, ces biais
systématiques n'empèchent en rien la détection du thalweg.
Catégorie nuages hauts : Les nuages hauts sont considérés comme tels lorsque leur
sommet est au moins à 7 km d'altitude. Pour les détecter on utilise les canaux fenêtre,
en particulier le canal IR de Météosat à 11 µm. Dans ce canal sensible à la température
de surface ou à la température au sommet des nuages, les nuages sont représentés par
les TB du canal IR inférieures ou égales à 250 K [Wilcox , 2003] correspondant aux zones
en bleu sur la gure 4.4 b. Pour ce cas d'étude, cette catégorie inclut tous les nuages
précipitants. Les nuages hauts ainsi dénis sont situés dans des zones et à des altitudes
similaires dans l'observation et la simulation. On note aussi un biais quasi nul en zone
de ciel clair, et relativement faible dans les zones nuageuses (au maximum 8 K quand la
position des nuages est identique dans l'observation et la simulation).
Catégorie eau nuageuse : Dans les micro-ondes, l'émissivité de surface de l'océan

(ε ∼ 0, 5) dière de celle des terres (ε ∼ 0, 9). Cela impose diérents seuils appliqués aux
TB pour dénir la catégorie précipitations instantanées. Au-dessus de l'océan, le canal à
37 GHz est sensible à l'émission par la pluie. La pluie et les gouttelettes d'eau nuageuse,
caractérisées par une émissivité proche de 1, vont conduire à des TB plus élevées que dans
les zones sans pluie. Le seuil employé est tiré des interprétations de la littérature [Ferriday
et Avery , 1994; McCollum et Ferraro , 2005]. Ce seuil a été choisi tel que les points au-
dessus de la mer, pour lesquels les TB sont supérieures à 230 K en polarisation verticale,
soient considérés comme précipitants. Ce seuil permet de distinguer les précipitations le
113
long des côtes nord-africaines au-dessus de la mer, qui apparaissent sur l'échelle de couleurs
du bleu foncé au jaune, sur la gure 4.4 c.
Catégorie graupel : Dans les micro-ondes, le canal à 85 GHz est un canal fenêtre dont
la TB mesurée est sensible à la diusion par les hydrométéores glacés. Cette diraction
conduit à une dispersion du rayonnement et se traduit par une diminution des TB. Au-
dessus des terres, un seuil de 245 K, établi à partir de ceux relativement classiques trouvés
dans la littérature [Ferriday et Avery , 1994; Negri et al., 1995; Yao et al., 2001; Nesbitt
et al., 2004; McCollum et Ferraro , 2005], a été utilisé. Il permet de distinguer les zones
contenant des hydrométéores précipitants pour lesquelles les TB sont inférieures au seuil
et apparaissant en blanc sur la gure 4.4 d.
D'autres seuils plus complexes, tirés des méthodes indirectes, ont été testés pour dé-
terminer les zones de précipitations instantanées. Ils sont basés sur des combinaisons de
TB à plusieurs longueurs d'ondes mais ont donné des résultats contrastés en les comparant
aux zones de précipitations simulées (Figure 4.5). Les zones de précipitations simulées et
les zones considérées précipitantes en fonction des seuils de TB choisis ne se recouvrent
pas exactement. Ils ne sont donc pas davantage présentés ici et doivent porter à de futures
investigations [Kummerow et Giglio , 1994; Ferriday et Avery , 1994].
4.2.2 Descriptif des tests de sensibilité aux conditions d'initialisa-

tion et de conguration du modèle
Trois types de tests de sensibilité ont été réalisés.

La sensibilité à la date d'initialisation a été testée en initialisant les simulations avec le
même type d'analyses à trois dates diérentes, le 9 novembre à 00 et 12 UTC, et le 10 à
00 UTC, soit respectivement 36, 18 et 6 heures avant le maximum de précipitations du 10
novembre à 06 UTC.
114
Fig. 4.5 Diérence des TB (K)(19 - 85 GHz) à gauche, et ( 37 GHz H - 37 GHz V) à

droite. Ces diérences qui correspondent à des algorithmes de détection de la pluie sont en
spots colorés. A droite et à gauche superposition des précipitations instantanées simulées
(isocontours de 1 mm/h1 puis tous les 5 mm/h).
La sensibilité à l'utilisation de modèles imbriqués, et donc à la représentation explicite

de la convection, a été testée en comparant des simulations initialisées au même instant
avec les mêmes analyses mais avec des congurations variées : sans modèles imbriqués, ou
avec modèles imbriqués one-way ou two-ways.
La sensibilité aux modications de l'état initial ou à la qualité de l'état initial est testée
en comparant des simulations avec la même conguration, initialisées aux mêmes moments
(9 novembre à 00 UTC ou 10 novembre à 00 UTC) mais avec des analyses diérentes :
ECMWF, ARPEGE, ou diérentes analyses ARPEGE modiées pour lesquelles le tour-
billon potentiel (PV) a été modié dans diérentes régions et/ou sur diérentes épaisseurs.
Ces diérences sont visibles sur les champs satellites WV issus des analyses (Figure 4.7).
4.2.3 Principaux résultats des tests de sensibilité
Des calculs de corrélation et d'écart-type ont été fait sur l'ensemble des simulations.
Tous les scores sont calculés le 10 novembre à 06 UTC et 12 UTC. Ils sont résumés dans les
diagrammes de Taylor [2001] (Figure 4.6). Le diagramme de Taylor représente la corrélation
en fonction du rapport des écarts-type pour toutes les simulations dans le canal WV et
115
Fig. 4.6 Diagramme de Taylor représentant la corrélation et le rapport des écarts-types

entre les observations et les diérentes simulations, pour le canal WV, le 10 novembre à
12 UTC.
pour les précipitations accumulées. Une simulation parfaite doit tendre vers (1 ;1). Les
corrélations les plus faibles avec l'observation METEOSAT et les champs de précipitations
sont obtenues par les simulations initialisées le plus précocément, soit le 9 novembre à
00 UTC et à 12 UTC (ALG01 et ALG02). Bien que la présence de nuages n'implique
pas forcément l'occurrence de précipitations, ce sont aussi ces simulations qui surestiment
les pluies accumulées au-dessus de la mer, à l'ouest d'Alger, et sous-estiment celles au-
dessus de la ville. Toutefois, la comparaison des précipitations accumulées aux mesures
pluviométriques ne permet aucune conclusion quant à l'avantage de l'utilisation d'une
analyse sur une autre.
L'évaluation de la représentation du thalweg d'altitude (TB rouges-orangées) dans les
analyses grâce au canal WV, montre une plus grande adéquation entre les TB des analyses
de l'ECMWF et les TB des observations, qu'entre les analyses ARPEGE et ces mêmes ob-
servations (Figure 4.7). Cela se traduit par un HSS supérieur pour les analyses de l'ECMWF
par rapport aux analyses ARPEGE pour une même échéance (Figure 4.7 à droite). Ainsi,
on peut dire que le thalweg d'altitude est mieux représenté par les analyses de l'ECMWF.
On s'attend donc à de meilleurs résultats pour les champs des simulations initialisées avec
116
les analyses de l'ECMWF, qui bénécient d'une meilleure représentation de cet élément
inducteur de la dépression. La gure 4.6 montre que les corrélations entre observations ME-
TEOSAT et simulations initialisées avec l'analyse opérationnelle de l'ECMWF (ALG05,
ALG07 et ALG12) sont légèrement supérieures de celles réalisées à partir de l'analyse
ARPEGE correspondante (ALG01, ALG06 et ALG11), ce qui conrme qu'une meilleure
représentation du thalweg d'altitude dans l'état initial améliore le réalisme de la situation
nale. Cependant, en ce qui concerne les précipitations accumulées, les simulations initia-
lisées avec les analyses ARPEGE orent des résultats qui semblent plus réalistes sur Alger
que celles initialisées avec les analyses de l'ECMWF. Le diagramme de Taylor des précipi-
tations accumulées ne le conrme que partiellement (Figure 4.6 à droite). Néanmoins, ces
derniers résultats, de manière générale, conduisent à aner l'évaluation de l'inuence des
conditions initiales, et notamment de la qualité de la représentation du thalweg, sur les
résultats des simulations.
Observation ARPEGE ECMWF
Fig. 4.7 De gauche à droite, TB (K) du canal WV pour l'observation METEOSAT et les
analyses ARPEGE et ECMWF, le 10 novembre à 00 UTC, et histogramme du HSS calculé
entre analyses et observations.
Le diagramme de Taylor montre enn, que les simulations initialisées le 10 novembre à

00 UTC avec des analyses ARPEGE pour lesquelles le PV, et donc la profondeur du thal-
weg, a été modié, présentent toutes des résultats similaires (entre-elles) pour la couverture
nuageuse. De petites modications de l'état initial n'entraînent donc pas de modications
détectables par ces scores classiques. Pourtant les modications de PV ont une inuence
117
sur la position et l'intensité des précipitations [Argence et al., 2006]. C'est pourquoi, il
convient alors d'évaluer des éléments précis de la simulation. C'est le calcul de scores ca-
tégoriels qui va permettre de distinguer les simulations initialisées le 10 novembre entre
elles, en évaluant successivement le thalweg d'altitude, la couverture des nuages hauts,
l'eau nuageuse et le graupel.
10 km 50 km
4.9 Évolution du FSS des

Fig.
simulations avec et sans gridnes-
Fig. 4.8 Fraction nuageuse < 50% à 37 GHz ting, calculé pour les TB du canal
pour des zones de comparaisons de 10 (à gauche) IR le 10 novembre à 06 UTC, en
et de 50 km (à droite) de TB simulées (en haut) fonction de la taille de la zone de
et observées (en bas). comparaison.
Le FSS a été appliqué sur les simulations avec et sans modèles imbriqués sur le canal
IR pour évaluer la couverture des nuages hauts, sur des zones de 10 à 200 km, comme
le montre la gure 4.9. L'eet de l'augmentation de la taille de la zone de comparaison
de 10 km à 50 km, en réduisant les eets de double peine augmente la ressemblance entre
simulation et observation (Figure 4.8). Le FSS passe de 0,94 pour l'évaluation sur la zone
de 10 km à 0,97 pour la zone de 50 km. La comparaison point à point des modèles à 10 km
et ceux à 50 km montre que le FSS est meilleur pour des mailles plus grandes. Cela est dû
aux eets de double peine. Pour des comparaisons sur une zone identique, les simulations
avec modèles imbriqués sont meilleures.
118
Fig. 4.10 FSS des diérentes simula- Fig. 4.11 HSS des diérentes simula-
tions calculés entre simulations et obser- tions calculés entre simulations et obser-
vations pour les 4 éléments de comparai- vations pour les 4 éléments de comparai-
son sur des zones de 50 km. son sur la grille de 50 km.
Le FSS et le HSS ont été appliqués à diérents champs : les nuages avec un seuil en IR, le
thalweg avec un seuil sur le canal WV, sur le graupel avec un seuil sur la fréquence 85 GHz
et sur l'eau liquide avec un seuil sur la fréquence 37 GHz. Pour une même simulation, le
FSS et le HSS varient suivant le champ comparé comme le montrent les gures 4.10 et
4.11. Donc, les diérents éléments d'une même simulation ne sont pas simulés avec les
mêmes performances. Selon la situation étudiée, les contraintes liées à l'établissement du
seuil sont plus ou moins fortes. Le cas d'Alger est une situation de précipitations côtières,
or le seuil sur l'eau nuageuse se fait uniquement sur la mer. On peut donc s'attendre à
des dicultés de détection. Le FSS de l'eau nuageuse est généralement le plus faible, ce
qui signie que pour cette situation il est, eectivement, plus dicilement prévisible. Au
contraire, les éléments parfois plus fréquents et pour lesquels la contrainte est moins grande
(thalweg, nuages) ont en moyenne un score de FSS plus élevé.
Par ailleurs, pour un même champ, le FSS varie d'une simulation à l'autre. Ceci indique
que les conditions initiales et de congurations ont une inuence sur le résultat. D'une
part, les simulations sans gridnesting avec une maille de 50 km (DAL03 et DAL06) ont
119
systématiquement des FSS plus faibles que leurs homologues (DAL14 et ALG11) faites
avec gridnesting. D'autre part, les modications de l'état initial n'ont que peu d'inuence
sur le score de l'état nal, et ne permettent que rarement une amélioration du score. Pour
percevoir des diérences entre les simulations pour lesquelles l'état initial a été modié, il
faut étudier le HSS, qui est beaucoup plus sensible et plus adapté aux événements rares
(Figure 4.11). Enn, en combinant ces résultats, on voit que les scores de FSS et de HSS
varient de façon diérente pour chaque champ en fonction de la simulation. Pour évaluer de
manière complète une simulation il faut donc évaluer la qualité de l'ensemble des champs.
4.3 Conclusions
L'étude de la prévisibilité d'événements extrêmes a été illustrée par l'étude du cas des
inondations d'Alger. L'ensemble de simulations faites à partir d'états initiaux légèrement
diérents a permis de montrer l'inuence des conditions initiales sur ce cas de dépression
méditerranéene. De manière qualitative, toutes les simulations présentent des champs de
pluie et de nuages dont la localisation et l'intensité sont diérentes en fonction de l'ini-
tialisation et de la conguration choisies. La méthode quantitative combinant approche
modèle-vers-satellite et scores appliquée au cas d'Alger, permet d'aner ces résultats et
permet de classier les simulations entre elles. En particulier, certaines diérences plus mar-
quées que d'autres permettent d'armer que les scores sont meilleurs si l'initialisation est
plus tardive et si les modèles imbriqués sont utilisés, c'est-à-dire que l'on utilise une résolu-
tion plus ne. Ce sont les résultats les plus saillants. Ils montrent l'intérêt de la simulation
à haute résolution, dans le cas d'événements extrêmes. Par ailleurs, les simulations faites à
partir des états initiaux modiés le 10 novembre à 00 UTC, soit à 6 heures de l'événement,
ont des scores très semblables. Cela montre que les modications tardives de l'état initial
n'ont que peu d'inuence sur la couverture nuageuse, et ce quelque soit la zone géogra-
phique et l'épaisseur sur laquelle a lieu la modication. À courte échéance, même pour une
situation extrême, de petites erreurs dans l'état initial ne font donc pas diverger le modèle.
120
Objective evaluation of mesoscale simulations of the Algiers 2001 ash ood
4.4 Article :
by the model-to-satellite approach, Söhne et al, 2006
Des modications de l'état initial faites plus tôt (le 9 novembre à 00 UTC et 12 UTC) ont
plus d'impact sur la qualité de la simulation au moment de l'événement [Argence et al.,
2007, en préparation]. Ainsi, pour des initialisations plus précoces, les modications de
PV de certaines régions peuvent être plus inuentes que d'autres. Cette méthode permet
donc de montrer que la sensibilité de cet événement aux conditions initiales n'est grande
que pour les initialisations antérieures de plus de 24 heures à l'événement. Cette méthode
permet d'évaluer quantitativement l'inuence des modications faites à l'initialisation et à
la conguration de la simulation.
Cette étude pourrait donc être appliquée à d'autres cas d'étude.
4.4 Article : Objective evaluation of mesoscale simulations of the Algiers

2001 ash ood by the model-to-satellite approach, Söhne et al , 2006
Le travail précédent a été présenté dans un poster aux Ateliers de Modélisation Atmo-
sphérique en 2004, puis a donné lieu à une présentation orale lors de la 7th EGU Plinius
Conference on Mediterranean Storms en 2005, ainsi qu'à l'article ci-après, paru dans Ad-
vances in Geosciences en 2006.
121
122
Advances in Geosciences, 7, 247–250, 2006
SRef-ID: 1680-7359/adgeo/2006-7-247 Advances in
European Geosciences Union Geosciences
© 2006 Author(s). This work is licensed
under a Creative Commons License.
Objective evaluation of mesoscale simulations of the Algiers 2001

flash flood by the model-to-satellite approach
N. Söhne, J.- P. Chaboureau, S. Argence, D. Lambert, and E. Richard
Laboratoire d’Aérologie UMR 5560 (UPS/CNRS), Toulouse, France
Received: 26 October 2005 – Revised: 16 December 2005 – Accepted: 19 December 2005 – Published: 14 March 2006
Abstract. An objective evaluation of mesoscale simulations 2 Data

by the model-to-satellite approach is performed. The model-
to-satellite approach consists in calculating brightness tem- 2.1 Model
peratures (BT) from model variables with a radiative transfer
code. It allows to compare directly and quantitatively simula- Meso-NH is a non-hydrostatic mesoscale model jointly de-
tions and observations by calculating statistical scores. This veloped by Météo-France and the Laboratoire d’ Aérologie
method is detailed and used herein to objectively evaluate an (Lafore et al., 1998). The microphysical scheme is a bulk
ensemble of Meso-NH simulations of the Algiers 2001 flash mixed-phase cloud parameterization developed by Pinty and
flood. In particular, the improvement due to the grid-nesting Jabouille (1998). An ensemble of 12 simulations has been
is shown. done (Table 1).
These simulations vary by the initialization dates, the
analyses, and by the eventual use of grid-nesting (Stein
et al., 2000). Three initialization dates have been cho-
1 Introduction sen: at 00:00 UTC and 12:00 UTC 9 November 2001 and at
00:00 UTC 10 November 2001. Three analyses, ARPEGE,
Current simulation ensemble experiments aim at quantifying ECMWF and modified ARPEGE, are used to initialize
the predictability of extreme weather events that are, until and force the simulation limit conditions. The modified
now, poorly forecasted. Accordingly, new tools for systemat- ARPEGE analyses have been done by filling the trough over
ically evaluating mesoscale simulations are needed. Satellite Spain at different places and for variable atmosphere thick-
observation can monitor a series of meteorological features ness, thanks to a potential vorticity (PV) inversion technique,
with high space and time resolutions. The so-called model- see Argence et al. (2005) for more details. For all the simu-
to-satellite approach directly compares simulation and ob- lations, the (father) model domain covers Europe and North
servation. It guarantees that errors come from the modeling Africa (model 1) with a 50 km grid. Simulations with grid-
side only (e.g. Chaboureau et al., 2002a). Furthermore, con- nesting have two additional models with a 10 km grid cen-
tinuous and categorical statistical scores computed for a set tered on the Western Mediterranean (model 2) and a 2 km
of simulations allow to objectively classifying them. This grid centered on Algiers. All results presented next are
new evaluation tool box is applied to the Algiers 2001 flash shown at 06:00 UTC 10 November for the domain of model
flood. This cyclone is resulting of the interaction between 2.
an upper-level trough over Spain and lower-level warm air
moving north off the Sahara. Among 110 mm of rain was 2.2 Observations
measured over Algiers in only three hours, between 06:00
and 09:00 UTC 10 November. An ensemble of simulations Satellite observations offer a large spatial and temporal res-
run with the French mesoscale model Meso-NH is studied. olution. Each satellite channel gives an observation of a dif-
The simulated brightness temperatures (BT) calculated with ferent meteorological feature. The MVIRI Infrared channel
a radiative transfer code are compared with METEOSAT and (IR) aboard METEOSAT senses the temperature emitted by
SSM/I observations. the Earth and so, describes the cloud cover. The signature of
high clouds, with cloud top higher than 6 km, is represented
Correspondence to: N. Söhne with BTIR ≤250 K (blue areas on Fig. 1, IR). In this case, this
(nathalie.sohne@aero.obs-mip.fr) category includes all precipitating clouds. The MVIRI Water
248 N. Söhne et al.: Objective evaluation of mesoscale simulations
Table 1. Configuration details of the simulation ensemble. a particular feature (defined Part 2.2). The bias between sim-
ulations and observations must be small in order to use the
same threshold for simulations and the corresponding obser-
Name Initialization Analyses Grid-nesting
vations.
ALG01 09 Nov 00:00 UTC ARPEGE no
ALG02 09 Nov 12:00 UTC ARPEGE no 3.1 Continuous scores
ALG06 10 Nov 00:00 UTC ARPEGE no
ALG07 10 Nov 00:00 UTC ECMWF no Continuous scores measure the correspondence between the
ALG11* 10 Nov 00:00 UTC ARPEGE 2 ways values of simulations and observations at grid-points. Cor-
ALG13 10 Nov 00:00 UTC ARPEGE 2 ways relation and the ratio of standard deviation simulated over
DAL14 10 Nov 00:00 UTC modif. 2 ways observed, for the WV channel, are presented here. They are
ALG15 10 Nov 00:00 UTC ARPEGE 1 way
summarized in a Taylor diagram (Fig. 2).
DAL16 10 Nov 00:00 UTC modif. 1 way
DAL02 10 Nov 00:00 UTC modif. no
Correlation for the WV channel is between 0.7 and 0.9 for
DAL03 10 Nov 00:00 UTC modif. no all the simulations. The WV channel is well reproduced. The
DAL04 10 Nov 00:00 UTC modif. no lowest correlation is obtained for the simulation initialized at
00:00 UTC (ALG01), then at 12:00 UTC (ALG02) 9 Novem-
* simulation using a different mixing length than other simulations ber, and then for the simulations initialized at 00:00 UTC
10 November. So, the sooner the initialization, the lower
the correlation. The simulations initialized at 00:00 UTC
Vapor channel (WV), sensitive to the relative humidity, per- 10 November present similar results, even if, correlation for
mits the study of the upper-level trough. The signature of the WV channel is a little larger for the one initialized with
the trough is defined with BTWV >240 K (yellow and red ar- ECMWF analysis (ALG07) than the ones initialized with
eas on Fig. 1, WV). The SSMI microwave frequencies used ARPEGE analyses (DALXX1 , ALG06, ALG1X). Note that
here are 37 GHz and 85.5 GHz in vertical polarization. The simulations can only be distinguished for the infrared chan-
reference observation (07:30 UTC) is a combination from nels. In microwaves, the possible precipitating area is too
the 07:00 UTC and the 08:20 UTC images. Over ocean, the small to influence these scores whatever the initialization
37 GHz channel is sensitive to rain emission. Rain and cloud date or analysis (figure not shown).
water have an emissivity ∼1 and conduct to warmer BT than
other free ocean which emissivity is ∼0.5. So, the signa- 3.2 Categorical scores
ture of cloud water is defined with BT37 GHz V >230 K (along
the Algerian coast on Fig. 1, 37 GHz). Over land, the emis- Categorical scores measure the correspondence between sim-
sivity is ∼0.9. The conditions on the 85 GHz channel are ulated and observed occurrence of events at grid-points.
based on ice hydrometeor scattering, which makes the BT de- They have been developed to focus on high precipitation
crease strongly. So, the signature of graupels is defined with rates and tornado detection (Ebert et al., 2004).
BT85 GHz V <245 K (blue and white areas on Fig. 1, 85 GHz). The meteorological situation is divided in, at least, two
categories chosen by the user. Most often binary categories
2.3 Radiative code are used; the event happens or not. Comparison with ob-
servation, also divided in two categories, conducts to a 2×2
The radiative transfer code RTTOV (Radiative Transfer for contingency table. This defines the number of hits (event is
Tiros Operational Vertical Sounder) is maintained in the EU- simulated and observed), false alarms (event is only simu-
METSAT NWP-SAF context. The model allows fast radi- lated), misses (event is only observed), and the correct neg-
ance and BT calculation for most of infrared and microwave atives (non–event in both simulation and observation). From
radiometers. The latest version RTTOV-8 (Saunders and this table many scores can be calculated. Only the Heidke
Brunel, 2004) is used here. In infrared, absorption cloud ef- Skill Score (HSS) is presented here. HSS measures the frac-
fect is taken into account with the grey body approximation. tion of correct forecasts after eliminating those which would
In microwaves, RTTOV takes now hydrometeor scattering be correct due to chance. HSS range is [−∞;1], and 1 is
into account, as well as the polarization due to the sea sur- the perfect score. For the infrared channels and also the mi-
face properties but scattering due to non-spherical particles crowave channels, presented in Fig. 3, HSS is lower for the
is not modelised. On Fig. 1, simulated BTs are very realistic simulation initialized at 00:00 UTC 9 November (ALG01)
whatever the channel, in spite of a bias in the WV channel. than for the simulation initialized at 12 UTC 9 November
So it is possible to objectively evaluate the simulations. (ALG02) and 00:00 UTC 10 November (ALG06). Again,
the sooner the initialization, the lower the HSS. Moreover, as
HSS presents a great variability between the simulations, it
3 Scores for simulation evaluation helps to evaluate more accurately the simulations initialized
at the same time, 00:00 UTC 10 November, with different
Category choice depends both of its physical and statistical
significance. A minimal population density in each category 1 X varies from 0 to 1 or 1 to 6. It is used to call all the simula-
is needed and each channel has a BT threshold that represents tions of a subensemble
N. Söhne et al.: Objective evaluation of mesoscale simulations 3
N. Söhne et al.: Objective evaluation of mesoscale simulations 3
observations
N. Söhne
observations et al.:
N. Söhne Objective
et al.: evaluation
Objective of of
evaluation mesoscale simulations
mesoscale simulations 2493
observations
simulations
simulations
simulations
IR WV 37 GHz V 85 GHz V
IR WV 37 GHz V 85 GHz V
Fig. 1. From
IR the left to the right, IR, WV WV, 37 GHz V, 85 GHz V channels
37 GHz BT
V (K) at 06 UTC 1085 Nov.,
GHz(top)
V observed by METEOSAT and
Fig. 1.and
SSMI, From the leftsimulated
(bottom) to the right, IR, WV, 37 GHz V, 85 GHz V channels BT (K) at 06 UTC 10 Nov., (top) observed by METEOSAT and
(ALG06).
SSMI, and
Fig. 1. (bottom)
Fig. From the simulated
1. From leftleft
the to the (ALG06).
right,
to the IR,IR,
right, WV, 37 GHz
WV, V, 85
37 GHz V, GHz V channels
85 GHz BT BT
V channels (K) (K)
at 06:00
at 06 UTC
UTC 10
10 Nov,
Nov.,(top)
(top)observed
observedby
byMETEOSAT
METEOSATand
and
SSMI, andand
SSMI, (bottom) simulated
(bottom) (ALG06).
simulated (ALG06).
ALG01
ALG02
ALG01
ALG06
ALG02
ALG01
high clouds ALG07
ALG06
ALG02
high clouds DAL02
ALG07
ALG06
high clouds DAL02
DAL03
ALG07
DAL03
DAL04
DAL02
DAL04
ALG11
DAL03
ALG11
ALG13
DAL04
ALG13
ALG11
DAL14
trough ALG13
DAL14
ALG15
trough DAL14
ALG15
DAL16
trough ALG15
DAL16
DAL16
graupel
graupel
graupel
cloud
cloud water
cloud water
water
0.00.0
0.0 0.20.2
0.2 0.4
0.40.4 0.60.6
0.6 0.8
0.8 0.8
HSS
HSS
HSS
Fig. 2. Taylor diagram representing correlation and normal-
ized standard deviation between simulation and observation at Fig. 3. HSS calculated on domain 2 with a 50 km grid at
Fig. 2. Taylor diagram representing correlation and normalized 06:00Fig. UTC
3. HSS 10 Nov for the
calculated on trough
domain(WV),
2 with the
a 50high clouds
km grid at 6(IR),
UTCthe10
Fig. 2. Taylor
Fig. 06:00 UTC 10
2. Taylor diagram
diagram representing correlation
Nov, on domain 2, for METEOSAT
correlation and
and WVnormalized
channel.
normalized Fig.3.3.HSS
HSScalculated
calculatedonondomain
domain 2 with a 50
standard deviation between simulation and observation at 06 UTC Fig. 2 with a 50 kmkm grid
grid at 6atUTC
6 UTC 10 10
standard deviation
standard10deviation between
between simulation and
and observation
observation at
at 06
06 UTC
UTC Nov.
cloud for
waterthe trough
over sea (WV),
(37 V) the
and high
the clouds
graupel (IR),
otherthe cloud
land (85 water
V) forover
all
Nov., on domain 2, for METEOSAT WV channel. Nov.
Nov. for
for the trough
the trough (WV),
and the(WV),
graupelthe
the high
highland clouds
clouds (IR),
(IR),
for the
the cloud
cloud water
water over over
10
10Nov.,
Nov.,onon domain
domain 2,2, for METEOSAT WV WV channel.
channel. thesea (37V)
simulations. other (85V) all the simulations.
sea(37V)
sea (37V)and andthe
thegraupel
graupelother
other land
land (85V)
(85V) forfor
allall
thethe simulations.
simulations.
(ALG06, ALG07) or perturbed analyses (ALG06, DAL0X)
for each feature. However, HSS variation is not the same for 3.3 Fraction
FractionSkill
SkillScore
score
all the meteorological features. So, it is possible to determine 3.3
3.3
3.3 Fraction
FractionSkill
Skillscore
score
what tionthefor
best
eachtype of simulation feature
meteorological for eachis.meteorological
Grid-nesting brings fea- To compare different scale simulations the Fraction Skill
tion ture
for is.
each Grid-nesting
meteorological brings more
feature variability,
is.
tion for each meteorological feature is. Grid-nesting bringsfor
more variability, but continuous and but
Grid-nesting
categorical continuous
brings
scores ToScore
To
To compare
compare different
(FSS)different
compare scale
calculation
different simulations
2005)the
simulations
(Roberts,
scale simulations the Fraction
is theFraction
used. FSSSkill
Fraction Skill
cal-Skill
moreand
more categoricalbut
variability,
simulations
variability, scores
with for simulations
continuous
grid-nesting and(e.g.
and with
ALG11) grid-nesting
categorical
categorical scores
are (e.g.
for
not always
scores for Score
Score (FSS)
(FSS)
culation is calculation
calculation
based on (Roberts,
(Roberts,
fraction 2005)
2005)
comparisons.
Score (FSS) calculation (Roberts, 2005) is used. FSS is
is used.
used.
For FSS
FSS
every cal-
cal-cal-
grid
ALG11)
better
simulations with
simulations are
(e.g.not always
ALG06). better
This
with grid-nesting (e.g. ALG11)is (e.g.
due toALG06).
the
ALG11) aredouble This
are not is
penalty
not alwaysdue
always to
effect. culation
square,
culation is based
the
culationisisbased on
fraction fraction
of
basedononfraction comparisons.
surrounding
fractioncomparisons. grid-squares
comparisons.ForFor For every grid
within
every
every agrid
grid
the
better(e.g.double
This
(e.g. ALG06).penalty
arises when
ALG06). This effect.
at high
This is is dueThis arises
resolution when
the event at
ishigh
more resolu-
realisti- square,
given the
area fraction
that of
exceeds surrounding
a particular grid-squares
threshold is within
calculated. a
better due to to the
the double
doublepenalty
penaltyeffect.
effect. square,
square,the thefraction
fractionofofsurrounding
surroundinggrid-squares
grid-squares within
within a a
This tion thewhen
cally
arises event is high
simulated
at more realistically
thanresolution simulated
at low resolution,
the eventbutisisthan atrealisti-
low res-
misplaced.
more It in- given area
FSSarea
given range that exceeds
is [0;1],
that and aathe
exceeds particular threshold
perfect score
particular is 1. When
threshold isiscalculated.
compar-
calculated.
This olution,
arises when but is
atmisplaced.
high resolutionIt induces
the event
that
is more realisti-
simulations at high
given
FSS
areaisthat
range
exceeds
[0;1], and the
aperfect
particular
score
threshold
isis1.1.When
iscompar-
calculated.
duces
callysimulated that
simulated than simulations
than at at low at high
low resolution, resolution
but is are penalized twice, ingrange
simulations onand
their original grid, (Fig.4a), FSS for simu-
cally resolution for are
firstsimulationspenalized
missing an
resolution,
twice,
event, first for
second
is misplaced.
butmissing
forare
misplaced.
simulating an event,
ItItin-
it where
in-it is
sec-
FSS
FSS
ing range isis[0;1],
simulations
lations with
[0;1], andthe theperfect
on their original
grid-nesting (at
perfect
10
score
score
grid,dotted
km, (Fig. 4a), is
lines)
When
1.
FSS When
is
compar-
compar-
for simu-
lower than
duces
ducesond that
that simulations at
at high
high resolution
resolution are penalized
penalized twice,
twice, ing
ingsimulations
simulations onontheir
theiroriginal
original grid,
grid,(Fig.4a),
(Fig.4a), FSS FSSforfor
simu-
simu-
for and
simulating it where it is alarm.
not, and so producing a false lations with grid-nesting (at 10grid-nesting
km, dotted (50 lines) is solid
lowerlines).
than
first fornot,
firstfor missing
missing
so producing
an event,
an event, seconda false
second for
for simulating
simulatingititwhere whereititisis
FSS for
lations
lations withsimulations
grid-nesting without
(at(at1010km, dotted km,
lines) is lower than
alarm. FSS for simulations without grid-nesting (50 km, solid lines).than
with grid-nesting km, dotted lines) is lower
not,and
not, and so so producing
producing aa falsefalse alarm.
alarm. FSS
FSSforforsimulations
simulationswithoutwithout grid-nesting
grid-nesting (50(50 km,km, solid lines).
solid lines).
250 4 N. Söhne
N.N.Söhne et al.:Objective
Objectiveevaluation
evaluation of mesoscale simulations
4 Söhneet
et al.:
al.: Objective evaluation of of mesoscale
mesoscale simulations
simulations
1.0 DAL03
1.0 ALG06
DAL03
ALG11
ALG06
ALG11
ALG13
ALG13
DAL14
DAL14
ALG15
0.8 ALG15
DAL16
0.8 DAL16
0.8
0.8
0.6
0.6
FSS
FSS
FSS
FSS
DAL16
DAL16
ALG15
ALG15 0.4
DAL14 0.4
DAL14
ALG13
ALG13
ALG11
ALG11
ALG06
ALG06
DAL03
DAL03 0.20.2
0.6
0.6 0.00.0
00 50
50 100
100 150
150 200
200 cloud water graupel trough
length(km)
length (km) cloud water graupel trough highhigh clouds
clouds
a) (a)
a) (b)
Fig. 4. FSS
Fig.calculated
Fig. 4.4. FSS on domain
FSScalculated
calculatedon model
ondomain
domain 2 (a)2 2a)
model
model with a a10
a)with
with km
a1010
kmkmgrid (dotted
grid(dotted
grid lines)
(dottedlines)
lines) and
and
and aa 50
a 50 50
kmkmkm grid
grid
grid (solid
(solid
(solid lines)
lines)
lines) forfor for simulations
simulations
simulations initialized
initialized
initialized at 00 at
at 00
00:00 UTCUTC
UTC1010 10 Novemberwith
November
November withthe
with theARPEGE
ARPEGEanalysis
ARPEGE analysis
analysis for
forfor
BTBT
BT
IRIR<<
IR 250and
<250
250 and
b)b)
and at at
(b) 50
50at km
50
km for
km
for all
for
all the
theall frequencies
the studied.
frequencies
frequencies studied.studied.
This isis an
This anillustration
illustrationofofthe thedouble
doublepenalty.
penalty.When Whencompar-
compar- References
References
ing
ing at
at aa length
length ofof 50
50 km,
km, simulations
simulations
This is an illustration of the double penalty. When compar- with
with grid-nesting
grid-nesting have
have References
a better
betterof FSS than simulations without grid-nesting. have Argence,
Argence, S.,S., Lambert,
Lambert, D.,D., Richard,
Richard, E.,E., Söhne,
Söhne, N.,N., Chaboureau,
Chaboureau, J.- J.-
ing at a alength FSS 50than
km,simulations
simulations without
withgrid-nesting.
grid-nesting P.,P.,
CrĆr´ epin,
epin, F. F.
and and Arbogast,P.:High
Arbogast,P.:High resolution
resolution sensitivity
sensitivity studystudy
of of
a better FSS This
Thisthan isissimulations
obtained for
obtained for all the
all
without thegrid-nesting.
meteorologicalfeatures,
meteorological features, Argence, S., Lambert, D., Richard, E., Söhne, N., Chaboureau, J.-P.,
thethe Algiers
Algiers 2001
2001 flash
flash flood
flood to to initail
initail conditions
conditions by by potential
potential vor-vor-
(Fig.4b). Simulations
(Fig.4b). Simulationswith withgrid-nesting,
grid-nesting,the the5 5bars
barstotothe the Crépin,
ticity
ticity F., and
inversion,
inversion, Arbogast,
Proceedings
Proceedings P.: High
of ofthethe resolution
7th7thEGS EGS sensitivity
Plinius
Plinius conference of
conference study
This is obtained for all the meteorological features,
right,
right, have
haveaabetter betterFSSFSSthanthanthe the22bars barstotothetheleft
left(DAL03,
(DAL03, the
on Algiers
onMediterranean2001 flash
Mediterranean storms, flood
storms, 5-7 toOctober
5-7 initial
October conditions
2005,2005, by potential
Rethymon,
Rethymon, Crete,
Crete,vor-
(Fig. 4b). Simulations
ALG06)
ALG06)representing
withsimulations
grid-nesting,
representingsimulations without the grid-nesting.
5 bars to the
withoutgrid-nesting. FSS,
FSS, ticity
Greece, inversion,
Greece, Adv.
Adv. Geo., Proceedings
Geo., 2005.
2005. of the 7th EGS Plinius conference
right, have
by a betterthe
byavoiding
avoiding FSS
the thanpenalty,
double
double the 2 bars
penalty, to to
isisable
able the leftthe
toshow
show (DAL03,
theimprove-
improve- Chaboureau,
on Mediterranean
Chaboureau, J.-P., storms,
Cammas,5–7
J.-P.,Cammas, J.-P., October
Mascart,
J.-P., Mascart,2005,
P. P. Rethymon,
and andPinty,
Pinty,J.-Crete,
J.-
ALG06)ment ment of the simulation when using high resolution. FSS,
representing
of the simulations
simulation when without
using high grid-nesting.
resolution. P. P.and
Greece, Lafore,
and2005. Lafore,J.-P.:Mesoscale
J.-P.:Mesoscalemodel modelcloud cloudscheme
schemeas- as-
by avoiding the double penalty, is able to show the improve- sessment
sessmentusing
Chaboureau, J.-P., satellite
usingCammas, satelliteobservations,
observations,
J.-P., Mascart, J. J.Geophys.
Pinty, Res.,
P.,Geophys. Res.,and
J.-P.,
ment of the simulation when using high resolution. doi:10.1029/2001JD000714,
doi:10.1029/2001JD000714,
Lafore, J.-P.: Mesoscale model 107(D17),
107(D17),
cloud4310,2002.
4310,2002.
scheme assessment us-
Ebert,
Ebert, E.,E.,Wilson,
Wilson, L. L. J., J.,Brown,
Brown, B. B.G.,G.,
Nurmi,
Nurmi, P., P.,
Brooks,
Brooks, H. H.
44 Conclusions ing satellite observations, J. Geophys. Res., 107(D17), 4310,
Conclusions E.,E.,Bally,
Bally,J. J.and andJaenake,
Jaenake,M.:Verification
M.:Verification of ofNowcasts
Nowcasts fromfrom
doi:10.1029/2001JD000714,
thethe
WWRP Sydney 2000 Forecast2002.Demonstration Project, Wea.
WWRP Sydney 2000 Forecast Demonstration Project, Wea.
4 Conclusions Ebert, E., Wilson,
Forecasting,
Forecasting, 19,19, L. J., Brown, B. G., Nurmi, P., Brooks, H.
73–96,2004.
73–96,2004.
A qualitative comparison between all the
A qualitative comparison between all the simulations and the simulations and the
E.,
Lafore, Bally,
Lafore, J.-P.
J.-P.etJ.,
et and Meso–NH
al.:The
al.:The Jaenake,
Meso–NH M.:Verification
Atmospheric
Atmospheric of Nowcasts
Simulation
Simulation System.
System. from
observations
observationsshows showsthat thatthis
thisevent
eventisiswell wellreproduced
reproducedbybythe the
A qualitative comparison between all thethresholds
simulations and the the
PartWWRP
I: Sydney
adiabatic 2000
formulation Forecast
and Demonstration
control simulations.
Part I: adiabatic formulation and control simulations. Scientific Project,
Scientific Wea.
model.
model. Then,
Then, scores
scores with
withadapted
adapted thresholdstotothis thissitua-
situa- objectives
Forecast.,
objectives and
19, and experimental
73–96, 2004.design,
experimental design, Ann.Ann.Geophys.,16,
Geophys.,16, 90–109,
90–109,
observations
tion andshows
the that
available this event
observations is well
have reproduced
been defined
tion and the available observations have been defined keeping Lafore, by the
keeping 1998. J.
1998. P., Stein, J., Asencio, N., et al.: The Meso-NH Atmo-
model. in in mind
Then, the
mindscoresthe physical
with meaning
physical meaningof
adapted ofthetheselection.
thresholds Continuous
to this
selection. situa-
Continuous Pinty, J.-P. and Jabouille, P.:A mixed-phase cloud parameterization
spheric
Pinty, Simulation
J.-P. and System.
Jabouille, P.:A Part I: adiabatic
mixed-phase cloudformulation
parameterizationand con-
tion and scores
the allow
allowtotoobservations
available
scores evaluate
evaluatethe thewhole
have simulation
whole been defined
simulation quality;
keeping
quality; simu-
simu- for useuse
trolfor
in in
simulations,
a mesoscale
a mesoscale non-hydrostatic
Ann. Geophys.,non-hydrostatic model:
16, 90–109,model: simulations
simulations
1998.
of aof a
lation
in mind lation at
the physicaldifferent
at different initialization
meaning date
of thedate
initialization or very
selection. different analyses
Continuous
or very different analyses Pinty, squall line and of oforographic precipitations, Proceedings of the
squall line
J.-P.conference
and and
Jabouille, orographic
P.: physics, precipitations,
A mixed-phase Proceedings
cloud of the
parameterization
can
canbe
scores allow tocharacterized.
be evaluate theBut,
characterized. But,they
whole they are
areneither
simulation relevant
relevanttosimu-
neitherquality; todistin-
distin- AMS
for AMS
use conference
in a217–220,
onon
mesoscale
cloud
cloud physics, 17-21
17-21 August
August 1998,
non-hydrostatic model: simulations of a
Everett,
1998, Everett,
guish
guishthe thesimulations
simulations initialized
initialized at thethesame
sametime timenornortotosepa- Wa, USA, 1998.
lation at rate
different
BT in
initialization
the microwave
date
channels
or atvery different
whatever the
analyses
date. On
sepa-
the
Wa,
squall
Roberts,
USA,
line
N.:An
217–220,
and investigation
1998.
of orographic theprecipitations,
of of ability of of Proceedings
a storm scale con- of the
rate BT in the microwave channels whatever thetodate. On the Roberts, N.:An investigation the ability a storm scale con-
can be characterized.
contrary, But, they
categorical scores,are neither
here the relevant
HSS, focus ondistin-
specific AMS conference
figuration of the on
Met cloud
Officephysics,
NWP 17–21
model August
to 1998,
predict flood-Everett,
contrary, categorical scores, here the HSS, focus on specific figuration of the Met Office NWP model to predict flood-
guish thephenomena
simulations initialized at the same time nor to sepa- Wa, USA, 217–220,
producong rainfall. V1998. 4.0, Forecasting Research Technical Re-
phenomenaand andso soallow
allowtotoclassify
classifyspecific
specificmeteorological
meteorological Roberts, producong
port No.
N.: 455,Met
An
rainfall. V 4.0, Forecasting Research Technical Re-
Office,2005.
investigation of the ability of a storm scale configu-
rate BT in the microwave
features for all the channels whatever
simulations more the date.
accurately. Last,Onthethe im- port No. 455,Met Office,2005.
features for all the simulations more accurately. Last, the im- Saunders, ration ofR.the and Brunel, P.:RTTOV-8-5 modelUsers Guide,flood-producong
NWPSAF-
contrary,provement
categorical duescores, here
to the grid-nestingthe HSS,
can onlyfocus on specific
be evaluated with Saunders, R. Met Office
and Brunel, NWP
P.:RTTOV-8-5 toUsers
predictGuide, NWPSAF-
provement due to the grid-nesting can only be evaluated with MO-UD-008,
rainfall, V 4.0, V Forecasting
1.7,1.2,EUMETSAT,2004.Research Technical Report No. 455,
phenomena the FSS.
and so allow to classify specific meteorological MO-UD-008, V 1.7,1.2,EUMETSAT,2004.
the FSS. Stein,J. and Richard,E. and Lafore,J.-P. and Pinty,J.-P. and Asen-
Met Office,
Stein,J. 2005.
and Richard,E. and Lafore,J.-P. and Pinty,J.-P. and Asen-
features for all the simulations more accurately. Last, the im- cio,N. and Cosma,S.:High-resolution non-hydrostatic simula-
cio,N. and
Saunders, andCosma,S.:High-resolution non-hydrostatic simula-
provement due to the grid-nesting
Acknowledgements. can only
The first author thanksbe theevaluated
CNES and with Météo- tions ofR.flash-flood Brunel,episodes P.: RTTOV-8-5
with grid-nesting Usersand Guide, NWPSAF-
ice phase
Acknowledgements. The first author thanks the CNES and Météo- MO-UD-008, tions of flash-flood 1.7, episodes
VMeteorol. 1.2, Atmos. with grid-nesting
EUMETSAT, 2004. and ice phase
parametrization, Phys., 72, 101–110, 2000.
the FSS.France to allow her making her Phd.
France to allow her making her Phd. Stein,parametrization,
J., Richard, E.,Meteorol. Lafore,Atmos. Phys., 72,
J.-P., Pinty, J.-P.,101–110,
Asencio, 2000.N., and
Cosma, S.:High-resolution non-hydrostatic simulations of flash-
Acknowledgements. The first author thanks the CNES and Météo- flood episodes with grid-nesting and ice phase parametrization,
France to allow her making her Phd. Meteorol. Atmos. Phys., 72, 101–110, 2000.
Edited by: V. Kotroni and K. Lagouvardos

Reviewed by: E. Heifetz
Chapitre 5
Vérication des prévisions Méso-NH

pendant AMMA
Cette dernière utilisation de la méthode porte sur l'évaluation d'une longue série de
prévisions Méso-NH sur l'Afrique de l'Ouest pendant AMMA. Les congurations du modèle
et les caractéristiques des prévisions sont décrites dans la section 5.2. Le premier objectif
de cette étude est de caractériser la variabilité spatiale et temporelle de la couverture
nuageuse ainsi que sa reproductibilité par le modèle (section 5.3), puis la sensibilité des
scores au seuil et à la zone de comparaison a été testée (section 5.4). L'évolution temporelle
de ces caractéristiques et de la qualité des prévisions ont permis de dénir deux fréquences
de variabilité. Une variabilité diurne, la plus régulière, est d'abord étudiée pour diérents
champs météorologiques caractéristiques de la mousson, puis sa reproductibilité par les
simulations est vériée (section 5.5). Une variabilité synoptique, plus irrégulière, est ensuite
étudiée an de déterminer, en premier lieu, quels sont les facteurs qui l'induisent, puis quels
sont ceux inuençant la variabilité de la qualité des prévisions (section 5.6). Cette étude a
donné lieu à l'article Söhne et al. [2007] reproduit en n de chapitre.
127
Vérication des prévisions Méso-NH pendant AMMA
5.1 Présentation de l'étude de la SOP2a2 AMMA
5.1.1 La mousson africaine
Dans le climat ouest africain la mousson est l'événement majeur qui détermine l'apport
annuel d'eau du Sahel. Le système de mousson d'Afrique de l'Ouest est un système couplé
océan-atmosphère-continent gouverné par des phénomènes synoptiques. Le cycle saison-
nier de la mousson en Afrique de l'Ouest est caractérisé par le déplacement méridien de la
zone de convergence inter-tropicale (ITCZ) et de la circulation atmosphérique associée (Fi-
gure 5.1 gauche). La mousson apparaît au moment de l'été boréal. Le rayonnement solaire
est maximal au nord de l'Équateur et fait remonter l'ITCZ vers le Nord. De l'air humide
des basses couches, venant de l'océan, et appelé ux de mousson, peut alors atteindre les
terres et rencontrer l'Harmattan, c'est-à-dire l'air sec venant du Sahara (Figure 5.1 gauche).
L'intensité et les variations de ces ux ainsi que celle des courants jets d'altitude sont les
principaux facteurs de variabilité de la mousson (Figure 5.1 droite).
Fig. 5.1 Facteurs de la mousson : diérence des circulations générales entre l'hiver et
l'été boréal et circulations sur l'Afrique de l'Ouest durant l'été boréal (à droite).
Les jets intervenant dans la mousson sont le jet d'Est tropical (TEJ : Tropical Easterly
Jet) circulant à 150 hPa et le jet d'Est africain (AEJ : African Easterly Jet) autour de
650 hPa. Le TEJ est produit par la diérence de températures entre l'Himalaya et l'océan
128
5.1 Présentation de l'étude de la SOP2a2 AMMA
Indien, liée aux circulations associées à la mousson indienne. Le TEJ agit sur la mousson
africaine par l'intermédiaire de la cellule de Walker qui le maintient à l'Ouest de l'Inde.
L'AEJ est le produit de l'instabilité barocline due à l'inversion de température dans les
basses couches troposphériques au-dessus du Sahara. Les oscillations méridiennes de l'AEJ
(Figure 5.2) sont appelées ondes d'Est africaines (AEW : African Easterly Waves). Leur
durée de vie est de 3 à 4 jours et leur longueur d'onde est d'environ 2500 km [Burpee , 1974].
Ces ondes sont propices au développement des dépressions et des systèmes convectifs de
mésoéchelle (MCS) dans ou à l'avant du thalweg formé par l'onde. Elles se déplacent vers
l'Ouest, entraînant avec elles les MCS, qui éventuellement se développeront, une fois arrivés
sur l'océan, en cyclones tropicaux.
Fig. 5.2 Schématisation d'une onde d'Est africaine (AEW), avec l'oscillation de l'AEJ,
la dépression associée et du thalweg associé (L), et la localisation des nuages et des préci-
pitations. Tiré de http://www.newmediastudio.org/DataDiscovery/Hurr_ED_Center/
Easterly_Waves/Easterly_Waves.html
5.1.2 La campagne AMMA
AMMA (Analyse multi-échelles de la Mousson Africaine) est un projet scientique inter-

national ayant pour but l'étude de la mousson africaine et de son impact sur la population.
129
Les données concernant l'ensemble du cycle de l'eau en Afrique de l'Ouest sont mesurées
sur plusieurs années (LOP : Long Operating Period et EOP : Enhanced Operating Period)
et rassemblées dans une gigantesque base de données concernant l'océan, l'atmosphère et
l'hydrologie. Les quatre échelles de mesures durant AMMA sont l'échelle locale ou sub-
méso (101 km : pluie convective), la mésoéchelle (102 km : systèmes de production des
précipitations), l'échelle régionale (103 km : interaction sol atmosphère océan) et l'échelle
globale (104 km : action mousson/globe). Elles concernent aussi bien l'étude des processus
microphysiques nuageux, que celle de l'interaction entre la mousson africaine et le reste du
globe. Plusieurs périodes d'observations intenses (SOP : Special Operating Period) pour
lesquelles les relevés sont quasi continus ont été prévues en 2005 et 2006 (Figure 5.3) pour
permettre l'étude de la mousson, de son établissement à son retrait.
Fig. 5.3 Zones et moyens d'observation durant la campagne AMMA et organisation de

la campagne de mesure et des SOP.
Parmi les diérentes SOP, la SOP2 qui s'étend du 1erjuillet au 15 septembre correspond
à la phase de mousson établie. Elle est sous-divisée en SOP2a1 du 1 au 15 juillet, SOP2a2
du 15 juillet à n août et SOP2a3 du 1erau 15 septembre. Durant la SOP2a2, à laquelle on
va s'intéresser ici, l'accent a été mis sur l'étude de la dynamique, de la chimie, ainsi que
sur le couplage entre aérosols et MCS. Durant cette SOP, une série de prévision de 48 h a
été faite avec le modèle Méso-NH, en temps quasi-réel, en soutien à la réalisation des plans
de vols des avions instrumentés.
Tous les détails sont sur le site http://amma-international.org et dans Redelsperger
et al. [2006].
130
5.2 Une longue série de prévisions
5.2 Une longue série de prévisions

Dans ce contexte, nous disposons d'un mois d'observations et de prévisions durant la
mousson, entre le 23 juillet et le 23 août 2006, avec des sorties toutes les 3 heures. Le mo-
dèle Méso-NH est utilisé dans sa version Masdev 4.6, sur un domaine de 3840 × 2880 km2
couvrant l'Afrique de l'Ouest. Il a une grille verticale de 600 m dans la troposphère libre et
une maille horizontale de 32 km. Le modèle inclut un schéma de turbulence de fermeture
d'ordre 1,5, un schéma radiatif, un schéma de poussière, un schéma microphysique com-
prenant cinq types d'hydrométéores avec une paramétrisation modiée de l'autoconversion
de la glace en neige. La convection est paramétrée, de même que les nuages sous-maille et
la condensation.
Les comparaisons sont faites entre les simulations et les observations MSG à 10, 8 µm qui
permettent, à l'instar du canal IR du radiomètre de Météosat, de détecter les nuages. Cet
ensemble d'un mois de prévisions a permis l'étude de la variabilité des systèmes nuageux
observés et simulés durant la SOP2a2 AMMA ainsi que celle de la variabilité de la qualité
des prévisions.
5.3 Variabilité des systèmes nuageux

L'exemple du 14 août 2006 à 12 UTC (dans l'article gure Fig. 2 en haut à gauche)
est une situation typique d'Afrique de l'Ouest durant la mousson africaine. Deux systèmes
convectifs principaux sont observés au-dessus du Niger et des monts guinéens. Ils sont
représentés par des zones de quelques kilomètres carrés sur lesquelles les TB sont inférieures
à 230 K. Des systèmes convectifs plus petits sont également présents au-dessus du plateau de
Jos et des montagnes camerounaises. Des TB comprises entre 260 et 290 K, correspondant
à des nuages de basse altitude, sont principalement situées près des côtes et aux latitudes
inférieures à 15N. Les TB supérieures à 290 K situées au-dessus du Sahara et de l'océan
correspondent aux zones de ciel clair. La prévision à 36 h (dans l'article gure Fig. 2
131
en haut à droite) représente correctement la variabilité des TB. En particulier, les deux
systèmes convectifs principaux prévus sont approximativement de la bonne taille, quoi que
légèrement plus petits et aux sommets pas assez froids. Ils sont aussi relativement bien
positionnés, bien qu'un peu plus au Sud. Les petits systèmes sont prévus, mais moins
développés que dans les observations.
La prévision à 12 h ne contient pas le système au-dessus du Niger. À cette échéance la
CAPE disponible est susante mais la couche limite est mal représentée et le schéma de
convection ne peut pas se déclencher. Le manque de systèmes nuageux dans les prévisions
matinales à j étant un problème récurrent, l'étude se fera par la suite uniquement à j+1.
L'évolution des TB observées et prévues à j+1 est représentée dans l'histogramme de
la gure 5.4. La TB médiane est d'environ 290 K soit environ 20C dans les observations et
les prévisions. Les TB extrêmes varient selon un cycle diurne. Pour les TB hautes le cycle
est régulier, avec une amplitude de 30 K, due aux variations diurnes de la température
du sol saharien. Ce cycle est bien simulé. Les TB basses présentent un cycle diurne plus
irrégulier, avec un maximum autour de 18 UTC. Ce dernier est lié à la présence ou non de
nuages et donc à la convection. Les TB extrêmement basses ne sont pas simulées. C'est un
défaut de prévision de la convection profonde. Or celle-ci est habituellement caractérisée
par des TB inférieures à 230 K. Pour pallier cela, la couverture nuageuse est donc dénie
ici par les TB inférieures à 260 K, ce qui correspond aux nuages hauts.
Fig. 5.4 Histogramme des TB observées (à gauche) et simulées (à droite).
Au cours de la période étudiée les nuages hauts observés se situent essentiellement dans
une bande de latitude comprise entre 5 et 15 N, et plus précisément dans deux zones, une à
l'Est au-dessus du plateau de Jos et des monts camerounais, l'autre à l'Ouest du domaine
132
5.3 Variabilité des systèmes nuageux
au-dessus des monts guinéen et de l'océan (dans l'article gure Fig. 2 en bas). L'occurrence
plus forte dans ces zones de montagne indique une forte inuence de l'orographie sur la
convection. Les prévisions sont en moyenne plutôt réalistes. Elles présentent cependant
quelques défauts. Elles sont dues d'une part, au manque de convection dans le modèle et
des circulations locales associées, elles-même liées à un relief trop émoussé à cause de la
résolution du modèle. Ainsi, au Cameroun l'altitude du Massif de l'Adamaoua est estimée à
1700 m au lieu de 3000 m et le Mont Cameroun culmine à environ 700 m au lieu de ∼ 4000 m
en réalité, en Guinée le Fouta-Djalon, les Monts de Loma et Nimba culminent à 1200 m
dans la topographie du modèle, alors qu'ils atteignent par endroit près de 2000 m. Enn,
au Nigéria, l'altitude du plateau de Bauchi (Jos) est au maximum de 1300 m, soit 700 m
plus bas que l'altitude la plus haute. D'autre part, les conditions aux limites entrantes à
l'Est du domaine sont des analyses non nuageuses, ce qui implique un décit nuageux à
l'Est lié au temps de spin-up du modèle.
L'évolution temporelle des caractéristiques nuageuses (pourcentage de nuages, nombre
de systèmes nuageux et morcellement) est montrée dans l'article sur la gure Fig. 3 et
ci-après dans la gure 5.5 pour la zone (10E-10W ; 10N-15N). Dans les observations, le
pourcentage de nuage varie selon un cycle diurne (Fig. 3 et gure 5.5 à gauche) avec un
maximum autour de 18 UTC, et selon un cycle à plus basse fréquence (Fig. 3), avec un
maximum de nuages autour du 3-4 août, alors que dans le même temps, le nombre de
systèmes nuageux varie peu. Ce cycle est de 3 à 4 jours pour la zone (10E-10W ; 10N-15N)
(gure 5.5 à droite). Les prévisions reproduisent correctement la variabilité nuageuse, mais
le nombre de systèmes nuageux est trop important l'après-midi, ce qui a pour conséquence
un morcellement trop grand de la couverture nuageuse dans les prévisions. Sur la zone (10E-
10W ; 10N-15N), le nombre de mailles nuageuses simulées est le plus souvent inférieur à
celui observé, sauf dans les cas ou l'observation est très peu nuageuse (gure 5.5 en haut). Le
modèle prévoie mal les périodes de convection supprimée. Le nombre de systèmes nuageux
simulés est presque toujours supérieur à celui observé car le modèle fabrique beaucoup de
133
petits systèmes (gure 5.5 au milieu), ce qui conduit également à un morcellement plus
grand des prévisions (gure 5.5 en bas).
Fig. 5.5 Évolution temporelle du nombre de points et de systèmes nuageux et morcel-

lement observés (noir) et simulés (rouge) sur (10E-10W ; 10-15N) à chaque échéance (à
gauche) et en moyenne journaliere (à droite).
Les scores de POD, FAR et HSS sont calculés point-à-point et zone-à-zone sur l'ensemble
du domaine pour vérier la qualité de la prévision de la couverture nuageuse. L'évolution
temporelle des scores calculés zone-à-zone est présentée dans l'article sur la gure Fig. 4.
Le plus souvent, les valeurs des scores de POD sont fortes et de FAR sont faibles, ce qui
indique que la plupart des nuages hauts sont correctement prévus. Ces scores présentent
également une variabilité diurne, avec des scores généralement plus faible en matinée et
une variabilité synoptique, avec des périodes de scores particulièrement élevés et quelques
jours avec des scores très bas. Ces variabilités sont détaillées dans les sections suivantes.
134
5.4 Tests de sensibilité
5.4 Tests de sensibilité
5.4.1 Sensibilité au seuil de TB
La sensibilité des scores au seuil a été étudiée en le faisant varier entre 245 K et 270 K.
Plus le seuil est bas, moins il y a de points observés et encore moins de points prévus
dans la catégorie (Figure 5.6 à gauche). Le maximum passe de 20 % à 30 % en augmentant
le seuil en température. Ceci est lié à la diculté pour le modèle de prévoir les TB très
basses. La variation de la valeur des scores point-à-point est telle que les scores baissent
quand le seuil baisse (Figure 5.6 à droite). En comparaison zone-à-zone cette variation
n'est pas aussi nette. Cependant, et c'est essentiel, l'évolution relative des scores, au cours
de la période, reste la même (Figure 5.6).
Fig. 5.6 Évolution temporelle du nombre de points nuageux (observés en noir, prévus à
j en orange et à j+1 en rouge) et des scores de HSS point à point et zone à zone pour des
seuils de température de 255 K (haut), 260 K (milieu), et 265 K (bas).
5.4.2 Sensibilité à la zone d'évaluation
La sensibilité à la bande de latitude se traduit par des diérences très marquées entre les
bandes de latitude 5-10 N et 10-15 N (Figure 5.7). Sur 5-10 N la variabilité intra-saisonnière
du nombre de points nuageux est importante (Figure 5.7 en bas à gauche), avec une forte
augmentation entre le 29 juillet et le 6 août (jusqu'à plus de 50 %). Cette variabilité est
135
bien prévue. Sur 10-15 N le pourcentage de points nuageux est plus important (> 20 %)
que sur l'autre bande. Contrairement à la précédente, les variations sont beaucoup plus
régulières mais ne sont pas reproduites correctement par le modèle (notamment entre le
12 et le 15 août). L'évolution des scores de HSS varient en fonction du temps et de la
bande de latitude (Figure 5.7 à droite). Le HSS présente une variabilité diurne sur les deux
bandes mais une variabilité synoptique diérente, qui semble corrélée avec le nombre de
points nuageux. Sur 10-15N, le nombre de points nuageux relativement constant conduit à
un HSS peu variable. Sur 5-10N, le nombre de points nuageux très variable conduit à des
variations plus fréquentes et d'amplitudes plus élevées du HSS.
Fig. 5.7 Évolution temporelle du nombre de points nuageux (observés en noir, prévus à
j en orange et à j+1 en rouge) et des scores de HSS en fonction de la bande de latitude
10-15N (en haut) et 5-10 N (en bas)
La zone (10E-10W ; 5-15 N) est une bande classique d'étude de la mousson africaine
(comprise dans la zone AMMA-CROSS). Elle contient la zone de la bande 5-15 N clima-
tologiquement la moins nuageuse sur l'ensemble de la SOP (dans l'article gure Fig. 2 en
bas). Les nuages y sont essentiellement présents à l'Est. On s'attend donc à ce que la zone
(10E-10W ; 5-15 N) présente une plus grande variabilité intra-saisonnière de la bande de
latitude totale, en terme de couverture nuageuse (Figure 5.8).
La sensibilité très forte à la zone d'évaluation et les scores très faibles du HSS sur les
bandes de latitude réduites conduisent à choisir par la suite l'ensemble du domaine pour
calculer les scores.
136
5.5 Variabilité diurne
Fig. 5.8 Évolution temporelle du nombre de points nuageux (observés en noir, prévus à j
en orange et à j+1 en rouge) et des scores de HSS pour la zone complète et la zone réduite
à l'intervalle 10E 10W, le tout entre 5 et 15 N.
5.5 Variabilité diurne
La variabilité diurne est caractérisée par un gradient méridien des paramètres de surface,
qui ont un fort cycle diurne. La variation des paramètres atmosphériques est examinée dans
l'article sur la gure Fig. 5 à midi et à minuit. Dans les analyses, à midi, on voit dans les
basses couches le ux de mousson qui s'étend jusqu'à 15N, et l'AEJ situé à 4 km d'altitude
vers 12N. À minuit, le ux de mousson se propage plus vers le Nord et l'intensité de l'AEJ
diminue. Dans les prévisions les caractéristiques du ux de mousson et de l'AEJ sont dans
l'ensemble bien reproduites, bien que le ux de mousson se propage trop au Nord (17N)
et que l'intensité de l'AEJ soit trop faible. La diérence principale entre l'observation et
la prévision réside dans une intensité trop élevée du jet d'Ouest à 1 km d'altitude et situé
autour de 5N. L'ensemble de ces diérences conduit à prévoir trop de nuages dans les
basses couches, ce qui inhibe le développement de la couche limite en journée.
La gure Fig. 6 de l'article est un histogramme des TB à 6, 12, 18 et 24 h. Dans les
observations, le gradient méridional est maximal est de 40 K à 12 h. Il correspond à la
variation diurne forte des TB au-dessus du Sahara liée à l'ensoleillement. Ce cycle est bien
prévu. Les TB observées comprises entre 260 et 290 K correspondent à des nuages bas ou
semi-transparents. Leur occurrence est maximale le matin et minimale à 18 h. Ce cycle
diurne est peu marqué dans les prévisions et implique une sur-estimation des nuages bas
prévus. Les TB inférieures à 260 K sont essentiellement situées sur la bande 5N − 15N
137
dans l'observation comme dans la prévision. La variabilité diurne de cette catégorie de

TB présente un minimum à 12 h et un maximun à 18 h directement lié à la convection.
Les TB inférieures à 230 K observées tout au long de la journée sont la signature de MCS
survivant à la nuit. Cette signature existe également dans les prévisions mais avec des TB
plus chaudes, pour cause de convection profonde inhibée.
5.6 Variabilité synoptique

Sur le diagramme d'Hovmöller de la gure Fig. 7 de l'article, est représenté l'évolution
temporelle du vent méridien à 700 hPa moyenné entre 10−15N en fonction de la longitude.
Par périodes on y voit une succession de vent du Nord puis vent du Sud se propageant vers
l'Ouest, ce qui est caractéristique du passage des AEW. L'activité des AEW est variable
dans le temps, et baisse en milieu de période. On voit également que ces périodes de présence
d'AEW sont généralement plus nuageuses et probablement accompagnées de MCS.
Fig. 5.9 Évolution temporelle des scores de HSS point-à-point (n) et zone-à-zone 5 × 5
(épais), pour la bande (10E-10W ; 10-15N) à j en noir, à j+1 en bleu.
L'évolution temporelle du HSS sur la gure 5.9 montre des variations diurnes et des
variations journalières sur la bande (10E-10W ; 10-15N). Le HSS particulièrement faible le
5 et le 15 août, est au contraire plus élevé en début de période, le 14 août, et en n de
période. Il a donc aussi une variabilité synoptique de la qualité de la prévision. Ainsi se
pose la question de l'inuence de la variabilité des caractéristiques nuageuses sur la qualité
des prévisions. Le HSS est plus souvent négatif en milieu de période, ce qui correspond à la
138
5.7 Conclusions
période sans AEW. Dans l'article, la gure Fig. 8 synthétise ce résultat également valable
pour l'ensemble de la zone.
5.7 Conclusions
La méthodologie utilisée a permis d'étudier les variabilités des caractéristiques nua-
geuses et celle de la qualité des prévisions durant la mousson. Ces caractéristiques indiquent
un manque de mailles nuageuses, des systèmes trop nombreux, trop petits et donc trop
morcelés dans les prévisions. La variabilité des systèmes nuageux prévus et observés a per-
mis de montrer que le cycle diurne lié à la convection est aussi représenté par le modèle.
Cependant la variabilité diurne de la qualité des prévisions indique toutefois des problèmes
de paramétrisation de la convection. La variabilité synoptique des caractéristiques montre
que notamment la taille maximale et l'organisation des systèmes nuageux, donc la pré-
sence de MCS est pilotée partiellement par les AEW. On voit de plus que la variabilité
synoptique de la qualité des prévisions est fortement corrélée à l'activité des AEW.
5.8 Article : Forecast verication of cloud cover with satellite observation

over West Africa, Söhne et al. , 2007
Ce travail a été présenté dans un poster Cloud system variability over West Africa
in summer 2006 , lors l'EGU de Vienne en avril 2007, il le sera aussi au Meeting AMMA
à Karlsruhe en novembre 2007. Enn, il a conduit à la rédaction de l'article en cours de
nition, proposé ci-après.
139
140
Verification of cloud cover forecast with
satellite observation over West Africa
Nathalie Söhne, Jean-Pierre Chaboureau∗,
Laboratoire d’Aérologie, Université de Toulouse and CNRS, Toulouse, France
Françoise Guichard
GAME/CNRM, CNRS and Météo-France, Toulouse, France
∗
Corresponding author address: Dr. Jean-Pierre Chaboureau, Laboratoire d’Aérologie, Observatoire
Midi-Pyrénées, 14 av. Belin, F-31400 Toulouse, France.
E-mail: jean-pierre.chaboureau@aero.obs-mip.fr
ABSTRACT
Three-hourly brightness temperatures (BTs) at 10.8 µm from the Meteosat

Second Generation (MSG) satellite were used to document the cloud system
variability over West Africa in summer 2006 and to evaluate the quality of the
Meso-NH model to forecast cloud cover in the African Monsoon Multidisciplinary
Analysis (AMMA) framework. Cloud systems were observed over the Guinean
and Sahelian bands with more fequent occurrence and patchier structures in the
afternoon. Some intraseasonal variations of the number of cloud systems were
found, partly related to the intermittency of the African Easterly Wave (AEW)
activity. Compared to the MSG observations, the Meso-NH model reproduces
the overall variation of the BT at 10.8 µm well at D+1 forecast. The model cap-
tures the BT diurnal cycle under conditions of clear sky and high cloud cover,
but misses the lowest BT values associated with deep convection. Forecasted
cloud systems are more numerous and smaller, hence patchier, than those ob-
served. These results suggest some deficiencies in the model’s convection and
cloud parameterization schemes. The use of meteorological scores further docu-

ments the skill of the model to predict cloud systems. Beyond some systematic
differences between simulations and observations, analysis also suggests that the
model high-cloud forecast is improved under specific synoptic-forcing conditions
related to AEW activity. This indicates that room exists for improving the skills
of weather forecasting over West Africa.
1
1. Introduction
Clouds and precipitation are sensible weather elements that it is crucial to forecast in
the Tropics. Despite the importance of rain for human activities, skill in forecasting tropical
rainfall events on a day-to-day basis has been little explored, with the exception of tropical
cyclones. This can be explained by the limited value of numerical weather prediction for
forecasting weather involving convection because of the paucity of appropriate mesoscale
observational data and the limitations of both current initialization procedures and physical
parameterization (Smith et al. 2001). Thus, there has been more focus on the ability of
the general-circulation models (GCMs) to represent the broad characteristics of the tropical
atmosphere. For example, a well-established deficiency in GCMs is to capture the diurnal
cycle of deep convection over land, both in magnitude and phase (e.g., Guichard et al. 2004).
In particular, deep convection in GCMs tends to be in phase with low-level temperature and
atmospheric instability. This results in a predicted onset of convective rainfall earlier than
observed. Last, the mesoscale organization of convection poorly simulated by GCMs is also
a strong issue, particularly for impact studies such as on the hydrologic cycle (Lebel et al.
2000). These features suggest fundamental shortcomings in the parameterization of the
surface, radiative, boundary layer, cloud, and convective processes.
In the Sahel, a semi-arid zonal band around 10–18◦ N extending coherently across Africa,
most of the precipitation arises from mesoscale convective systems (MCSs) during the North-
ern Hemisphere summer (e.g. Mathon et al. 1999). The correct prediction of MCSs is
therefore of importance for human needs and has been identified as an objective of the
African Monsoon Multidisciplinary Analysis (AMMA) research programme (Redelsperger
et al. 2006). MCSs are characterized by a spatial extent of a few hundred of kilometers
and a duration from several hours up to a few days. They result from the scale interaction
between different processes. MCSs are born as individual convective cells triggered with
the daytime boundary-layer development. Their further growth is influenced by the vertical
shear associated with the African Easterly Jet (AEJ), a seasonal mid-level jet that results
2
from the temperature meridional gradients over the continent. In addition, convective ac-
tivity is significantly modulated by African Easterly Waves (AEWs) (e.g; Reed et al. 1977;
Diedhiou et al. 1999), although the nature of the relationships involved is still unclear. AEWs
correspond to synoptic-scale disturbances with periods of a few days that have often been
understood to result from instability of the AEJ (Burpee 1972). Recently, a new perspective
has been afforded suggesting that the initiation and intermittence of AEWs is caused by pul-
sations of deep convection (Hsieh and Cook 2005; Hall et al. 2006). In any case, such strong
interaction between the convective and synoptic scales makes MCSs difficult to forecast.
In consequence, skillful forecasting of MCSs first requires a correct representation of the
surface, radiative, boundary layer, cloud, and convective processes. In large-scale models,
all these processes are parameterized, so the ability of a model to forecast MCSs is an
important test of its physical parameterization schemes. In addition, some key processes
specific to the Sahel need to be well represented. For example, soil moisture is characterized
there by marked spatial and temporal variability that correlates with the path of afternoon
convection, via mechanisms that still need to be determined (Taylor and Ellis 2006). Dust
plays an important role in the dynamics in the region via its radiative properties. Thus,
a substantial weakening of the AEJ with the forecast range in the European Centre for
Medium-Range Forecasts (ECMWF) model has been partly attributed to an overestimated
direct radiative forcing by dust aerosols (Tompkins et al. 2005). Furthermore, the use of
prognostic dust aerosol, instead of climatology, in a regional model was found to better
capture the observed convective activity at the 2-day range (Chaboureau et al. 2007c).
The forecast skill also depends on the initial conditions given in the models. West Africa,
along with most of the continent, is a well-known data-sparse region with few routinely
launched radiosondes. In consequence, the model analyses are strongly driven by the guess
from the previous run and the few satellite data assimilated over land. During the AMMA
special observing period (SOP), a considerable effort was made to ensure that all relevant
data (e.g., from extra radiosondes, dropsondes) were broadcast to the Global Telecommuni-
3
cation System to support operational forecasting (Redelsperger et al. 2006). The use of RS80
A-Humicap radiosondes at some stations during the AMMA SOP yielded, however, dry bias
in the moisture analysis in the vicinity of these stations that could reduce the forecast skill
substantially (Agusti-Panareda and Nuret 2007, personal comunnication).
In addition to the different sources of errors that affect the forecast skill, a difficulty in
estimating such skill in a systematic way arises from the source of observation. As noted by
Simmons and Hollingsworth (2002), verification of forecasts by comparison with radiosonde

observations can give rise to difficulties in interpretation of verification statistics due to vari-
ation over time in the number and type of stations reporting, because of the patchiness
of the rainfall. This is particularly true for precipitation measurements from rain gauges.
An alternative to the terrestrial source of observations is provided by satellites with good
coverage in time and space. In particular, the Meteosat Second Generation (MSG) satellite
provides indirect information on cloud properties over Africa every 15 minutes. The obser-
vation of the Earth’s upwelling radiation is therefore employed to estimate rainfall products,
but the unknown errors associated with such rain retrievals limit their value for evaluating
the performance of forecasting models (e.g. Adler et al. 2001).

Here we adopted a model-to-satellite approach, in which satellite brightness tempera-
ture (BT) images were directly compared to BTs computed from predicted model fields
(Morcrette 1991). This approach offers the advantage that the satellite data are used in an
objective way, without being combined with any ancillary data. It is especially powerful in
identifying discrepancies of cloud cover forecasts (Chaboureau et al. 2000; Chevallier and
Kelly 2002) and tuning critical parameters in cloud schemes (Chaboureau et al. 2002; Keil
et al. 2006). Previous works have used the model-to-satellite approach on a long-term series
of forecasts made by the Meso-NH model (Lafore et al. 1998) to test the impact of different
parameterizations on the overall prediction of cloud cover (Chaboureau and Bechtold 2005),
cirrus cover (Chaboureau and Pinty 2006), and convective overshoots (Chaboureau et al.
2007a). These studies have shown the value of the model-to-satellite approach in giving a
4
specific constraint to the model.
The verification of the cloud cover forecast is done here by combining the model-to-
satellite approach with the calculation of scores. This is applied for the first time to a series
of daily 48-h forecasts made with the Meso-NH model during a one-month period, from
23 July to 22 August 2006, covering the AMMA SOP 2a2. We use the BT at 10.8 µm
from 3-hourly MSG observations as it is mainly affected by cloud-top heights. The method
described here provides a framework for assessing the cloud cover forecast and the impact of
forthcoming improvements to the representation of clouds in the model. Within the specific
focus of the present study, the monsoon season over West Africa, cloud cover forecasts are
expected to be closely related to simulated moist convective features.
The paper is organized as follows. Section 2 presents the Meso-NH model and the way
the model forecasts are compared to satellite observations. Section 3 provides an analysis of
the high-cloud cover variability over the one-month period. Section 4 describes the diurnal
variability and points out some deficiencies in the cloud parameterizations. Section 5 dis-
cusses the synoptic variability of the high-cloud cover and the increase of the forecast skill
with AEW activity. Section 6 concludes the study.
2. Model and Satellite Observations
The Meso-NH model (Lafore et al. 1998) was adopted as a non-hydrostatic regional model
with the same configuration as used by Chaboureau et al. (2007c). Vertical grid spacing in
the free troposphere was set to 600 m, with horizontal grid spacing of 32 km. The model
includes a 1.5-order turbulence scheme, interactive radiation, a dust scheme, and a prognostic
microphysical scheme including the three water phases with five species of precipitating and
non-precipitating liquid and solid water (Pinty and Jabouille 1998), and a modified ice to
snow autoconversion parameterization following Chaboureau and Pinty (2006). Deep and
shallow convective transport and precipitation are parameterized following Bechtold et al.
5
(2001) based on the work of Kain and Fritsch (1993). Subgrid cloud cover and condensate
content are parameterized as a function of the normalized saturation deficit by taking into
account both turbulent and convective contributions (Chaboureau and Bechtold 2002, 2005).
From 23 July to 22 August 2006, a total of 31 daily 48-hour forecasts were run over a do-
main of 3840 km × 2880 km covering West Africa. The simulation domain and its associated
topography are shown in Fig. 1. The individual forecasts were initialized with 12-h ECMWF
forecasts based on the 12 UTC ECMWF analyses. The initial and boundary conditions of
the numerical experiments were provided for the horizontal wind, the temperature, and the
water vapor. Clouds were initialized to zero values, so the mixing ratios of the liquid and
ice water species built up during the course of the simulations.
Brightness temperatures (BT) corresponding to the MSG observations were computed
using the Radiative Transfer for Tiros Operational Vertical Sounder (RTTOV) code version
8.7 (Saunders et al. 2005). The surface emissivity is given by the Moderate Resolution
Imaging Spectroradiometer (MODIS) MYD11C3 product. The computed BTs at 10.8 µm
were compared to MSG observations every 3 hours. As the latter have a 2.5 km horizontal
resolution at the nadir, the observed radiances were averaged and projected onto the Meso-
NH grid, then converted to BTs.
BTs at 10.8 µm were used to characterize the cloud patchiness. Cloud systems (clear-sky
areas) were defined as groups of adjacent gridpoints with BT lower (higher) than a threshold
value. The number of resulting cloud systems and clear-sky areas divided by the number
of gridpoints defined the patchiness (Schröder et al. 2006). BTs were also used to verify
the cloud cover forecasts. Here we use categorical scores that measure the correspondence
between simulated and observed occurrence of events at gridpoints. They were first developed
to focus on tornado detection and later on to verify the occurrence of high precipitation rates
(e.g. Ebert et al. 2003). For a given threshold, a contingency table is constructed using that
threshold to distinguish non-high-cloud from high-cloud events in the observation and the
forecast. Following the convention used by Wilks (1995), this gives the correct prediction of
6
high clouds (a or hits), the events not observed (b or false alarm), the observed high-clouds
not forecasted (c or missing alarm), and the correct forecasts of nonevents when there were
no high clouds (d or hit nonactive). In the following, we use the probability of detection
(POD; a/(a + c)), the false alarm ratio (FAR; b/(a + b)), and the Heidke Skill Score (HSS;
(a + d − hr )/(a + b + c + d − hr )). The POD gives the hits of events that were correctly
forecast, the FAR is the fraction of events that did not occur, and the HSS measures the
fraction of correct forecasts after eliminating those which would be correct due to chance
(hr = [(a + c)(a + b) + (d + c)(d + b)]/(a + b + c + d)). Such scores quantify the ability of the
model to forecast an event at the right place. They have been employed to verify the realism
of the model-generated BTs against satellite-observed BTs in the infrared and microwave
ranges for midlatitude case studies (Söhne et al. 2006; Chaboureau et al. 2007b).
The score calculation made by comparing gridpoint with gridpoint can lead to the double
penalty effect. This arises when an observed small scale feature is realistically forecast but
is misplaced. A model is penalized twice, once for missing the actual feature and again for
forecasting it where it is not. The double penalty effect can be misleading by eliminating
efficiently valuable information on small scale features from the model skill. Therefore, scores
were also calculated made by comparing fractions of occurrence of events over a sized area.
Such a calculation was applied to all the scores defined above using a threshold set at 50%.
Thus, the forecasts and the observations were remapped over larger areas where high-cloud
events correspond to more than 50% of cloudy gridpoints. In addition, the Fractions Skill
Score (FSS) is a variation of the Brier score in which fractions (considered as probabilities)
are compared with fractions (Roberts and Lean 2007). The FSS is essentially the mean
squared error of the fraction forecasts of high clouds over a threshold of occurrence, also set
at 50%. The areas used here are squares of up to 7 by 7 gridpoints, i.e. areas of 224 km by
224 km.
7
3. Cloud System Variability
A typical situation in summer over West Africa is illustrated at 1200 UTC on 14 August
2006 (Fig. 2 top). Two major convective systems were observed over Niger and the Guinea
Highlands as seen with BTs of less than 230 K spanning a few hundred of km2 . Smaller
convective systems were also present over the Jos Plateau and the Cameroon highlands.
BTs in the range of 260–290 K mostly occurred off the African coasts and at low latitudes
(less than 15◦ N). They resulted from either low-level clouds or thin cirrus detrained from
the nearby convection. BTs larger than 290 K over the Sahara and the ocean corresponded
to almost clear-sky areas. The 36-h forecast represents the overall BT variability reasonably
well (Fig. 2b). In particular, the two major convective systems were predicted but too far
south and with too narrow an extent of low BT values. The smaller sized systems are also
present but less developed than in the observations.

Note that the 12-h forecast (not shown) for that date missed the system over Niger. This
drawback occurred quite often, and is not completely surprising, given the use of a cold
start (i.e. clear-sky initial conditions) together with the characteristic space and time scales
of MCS, which can be much larger than a few hours. In addition, it seems likely that the
initial fields do not properly capture mesoscale structures associated with MCSs, such as
convective outflows that may act as convective triggers in an otherwise convection inhibiting
environment as typically encountered by squall lines in the Sahel (e.g. Diongue et al. 2002).
Therefore, the study will focus on the D+1 forecast through the rest of the paper. This
cannot replace a proper initialization of MCS-related features, but provides enough time for
MCSs to develop within the simulation time window.
Another drawback of the forecasts is the lack of very low BT values. For example, in
Fig. 2(top), the BT minimum is 197 K in the observations and 214 K in the forecasts.
Moreover, deep convective systems in the tropics are usually defined as pixels with BT less
than the threshold of 230 K (e.g. Tian et al. 2004). Such pixels are much less numerous
in the forecasts than in the observations. This discrepancy points out an underestimation
8
of the convective updrafts and/or of the subgrid cloud fraction in the model. To alleviate
this modeling drawback, cloud covers are defined hereafter as BT less than 260 K, which
corresponds to high clouds (e.g. Fu et al. 1990; Tian et al. 2004). This threshold is suitable
for tropical high clouds as it is close to the climatological temperature at 440 hPa. This
temperature threshold can detect deep convective clouds and cirrus anvil clouds, but may
exclude some thin cirrus (Tian et al. 2004).
The occurrence of the high clouds during the 1-month period sampled every 3 hours is
shown in Fig. 2 (bottom). In the observation, the distribution shows a strong meridional
organization with a maximum of high clouds between 5 and 15◦ N. The preferential locations
of high clouds over the Jos plateau and the Guinea Highlands indicates the influence of
orography in triggering convection. This result is in agreement with a principal component
analysis of the outgoing longwave radiation fluxes over Africa (Comer et al. 2007). Outside 5–
15◦ N, the domain is, on average, almost free of high clouds. A similar meridional organization
of the high clouds can be seen in the forecast (Fig. 2d). However their occurrence is
overestimated at the western coasts and underestimated in the eastern boundaries of the
domain. In the latter case, this is likely a boundary effect due to the coupling that used
temperature, water vapor and wind fields from ECMWF forecasts only. In the other case,
the discrepancy may be partly attributed to the too-smooth orography described over the
32-km grid mesh, which leads to an underestimation of the orographic forcing. Between
these two main orographic centers, the southern limit of high clouds is well delineated in
the model but the occurrence of high clouds decreases more sharply than observed on the
northern side of the maximum, in the Sahel.
The time evolution of the characteristics of the high clouds (cloud occupancy, number
of cloud systems, and patchiness) is shown in Fig. 3. Observed high clouds present a
diurnal cycle superimposed on lower frequency variability. Particularly notable is the high
cloud peaking at a 25% maximum occupancy over the domain on 3 August, over values
fluctuating around 5–10%. This sharp intraseasonal maximum mostly occurs south of 10◦ N
9
and coincides with a maximum of rainfall (not shown). The somewhat weaker but still
obvious fluctuations taking place from 10 to 17 August concern variation of cloud cover in
the 10–15◦ N Sahelian band. In contrast to cloud occurrence, the number of observed cloud
systems is less variable during the period with around 50 systems in the morning, a number
that diminishes throughout the evening-night. The diurnal cycle of the observed patchiness
is linked to the strong diurnal control on the timing of MCS formation that follows and
emerges from the development of more patchy daytime convection. The forecasts mimic the
low-frequency variability of the cloud characteristics reasonably well. On the other hand,
large differences exist in the diurnal variation of the number of cloud systems. Too many
cloud systems were forecasted in the afternoon. As the forecast number of high clouds was
correct, the cloud systems were too patchy in the afternoon, indicating a lack of organized
cloud systems in the forecasts.
Overall, the forecasted cloud features as presented in Fig. 3 appear to match a 30-day
monsoon-mean diurnal cycle too tightly each day. This is particularly true in the 10–15◦ N
band, where the forecasts do not properly account for the observed large-scale fluctuations
of cloud occurrence, while they do reproduce quite well, albeit with a weaker amplitude,
the early August episode of intraseasonal variability south of 10◦ N. This latitude-dependent
performance may involve latitudinal changes in the characteristics of moist convection that
cannot be captured by mesoscale simulations using current convection schemes.
The verification of the high cloud forecasts over the domain was achieved using four
categorical scores (POD, FAR, HSS, and FSS; Fig. 4). For the sake of clarity, only the POD
and the FAR calculated over areas of 224 km by 224 km are shown. Indeed, the forecast
presents a POD always lower than the FAR when compared gridpoint by gridpoint or over
areas smaller than 224 km by 224 km (not shown), suggesting poor skill. However, the HSS
values on a 32-km basis are low but positive. In consequence, the high-cloud forecasts can
still be considered as useful as they are better than random chance.
When larger sized areas are compared, the POD is around 0.6, generally over the FAR,
10
around 0.4, when calculated over an area of 224 km by 224 km. So most of the high
clouds were well forecasted at this scale, and a few were added or misplaced cloud forecasts.
Consistently with POD and FAR results, a few days present lower HSS and FSS than the
others. Interestingly, the HSS and the FSS increase with the area size. Over the largest
area, these scores can even reach values around 0.6 and 0.8, respectively. This increase in
skill with the area size is, however, somewhat artificial as it is larger for patchy than for
organized cloud cover. This is confirmed with the poorer skills obtained when calculating
scores over latitudinal bands of 5–10◦ N and 10–15◦ N.
The HSS and the FSS also present a diurnal variability, with a tendency to lower skill
in the morning. This decrease in skill is due to MCSs that survive during the night. These
MCSs are the most difficult to forecast as they result from the coupling of different processes
including convection and dynamics. Furthermore, these scores present higher values at
preferential periods a few days long. These variations are examined in the two following
sections.
4. Diurnal Variability
The West African monsoon is characterized by a meridional gradient in surface parame-
ters that condition most of the climate variability with a strong diurnal cycle. The monsoon
circulation is first examined both for the ECMWF analyses and the Meso-NH D+1 forecasts
using a classical latitude-altitude section (Fig. 5).
In the analyses at 12 UTC (Fig. 5 a), the monsoon flow is characterized by large water
vapor amounts in the first kilometer above the ground level (agl). For example, amounts
larger than 15 g/kg can be found up to 15◦ N within a mean southwesterly flow. The pole-
ward advection of moist air favors the development of moist convection and cloud cover in
the Sahelian band. In contrast, at latitudes higher than 20◦ N, the boundary layer is well
developed over a 4-km depth as suggested by the weak isentropic gradient. Dry air with less
11
than 10 g/kg water vapor was transported by a mean northeasterly wind. As the isentropes
slope upwards to the south, this favors the export of dry Saharan (and sometimes dusty as
observed during AMMA; Flamant et al. 2007) air up to 4 km equatorward, resulting in a
layer referred to as the Saharan air layer (SAL). In the midtroposphere, the circulation is
characterized by the so-called African Easterly Jet (AEJ) for which the well-defined core is
located at 4 km agl at 12◦ N. As the AEJ is close to thermal-wind balance, the jet core is
associated with a baroclinic zone beneath it and isentropes sloping downwards to the north.
Overall, the ECMWF analyses at 12 UTC correspond well to the vertical structure with
latitude as recently analyzed from observed vertical profiles (Parker et al. 2005b) and using
a two-dimensional numerical study (Peyrillé et al. 2007).
In the analyses at 00 UTC (Fig. 5 b), the nighttime cooling results in a stably stratified,
less turbulent boundary layer. Then, the monsoon flux exhibits stronger southerly winds ad-
vecting moisture further north at low levels. Above the southerlies, a well-marked northerly
return flow lies around 4 km and 20◦ N. This clearly shows the meridional advection most
efficient at night as already described with model analyses and observations by Parker et al.
(2005a). Note also that the intensity of the AEJ core is reduced at night consistently with
the decrease of the baroclinicity.
In the Meso-NH forecasts, the broad characteristics of the monsoon flux and the AEJ
are well reproduced, as is their diurnal variation (Fig. 5 bottom). This is not unexpected
as the model was not given enough time to develop any significant drift, in contrast to the
disappearance of the AEJ after five days of forecast reported by Thorncroft et al. (2003).
However, departures from the analysis are useful as they reveal some systematic features
of the functioning of physical parametrizations when used together under environmental

conditions that do not to depart too sharply from those observed. In practice, specific
considerations led us to discard the first day (cf. previous section). As summarized below,
some departures can be easily identified and are representative of differences that built up
during the coarse of each 48-h forecast.
12
The monsoon flow was faster than the analyses by a few m s−1 both at 00 and 12 UTC.
This faster monsoon flow combines with a systematically shallower boundary layer. To the
north, less upright slopes of the 0 m s−1 wind field line are found above and south of the
ground trace of the inter-tropical discontinuity (ITD; the interface between the cool moist
south-westerly monsoon flow and the warm, dry and aerosol-laden north-easterly harmattan
flow). This surface signature of the forecasted ITD does not depart much from the one in the
analysis. In contrast, the water vapor mixing ratio in the low-level monsoon flow does. In
fact, north of 15◦ N, the meridional gradient of forecasted low-level water vapor mixing ratio
is shifted northward, as a shallow tongue of moist air is efficiently advected by the faster
and thinner monsoon flow. The shallower boundary layer is consistent with these features:
it promotes a low-level monsoon flow which is less diluted in the vertical direction, thus
limiting speed reduction and drying due to turbulent vertical mixing.
Further south, associated with a larger isentropic gradient, a westerly jet located at 1 km
agl between 5–10◦ N was wrongly forecasted. In the free troposphere, the core of the AEJ
was weaker and broader than in the analyses, and around 5◦ N, too strong easterlies were
forecasted for reasons that are not straightforward. The nightime structure of the moisture
field (after 48 h of simulation) is also striking: the depth of the layer with water vapor
mixing ratio higher than 15 g/kg steadily increases from the Equator to the Sahel, in sharp
contrast with the analysis, which indicates a thicker layer south of 10◦ N. The accuracy of
the analysis itself is expected to weaken at low levels because it is strongly controlled by the
model physics there, even for locations where soundings are assimilated. Indeed, comparison
of ECMWF analysis with available soundings across West Africa for this period suggests
that the boundary layer is overall too deep in the analysis (not shown). Nevertheless, such
discrepancies in the forecasts deserve further investigation. As we shall see in the next
paragraph, at these lower latitudes, the model creates too many clouds at low levels. The
latter inhibit the daytime boundary layer growth, a factor that probably plays a role in these
large-scale circulation features.
13
The diurnal variability of the West African monsoon was further examined using his-
tograms with latitude for the observed and forecast BTs averaged over 10◦ W–10◦ E every
6 hours (Fig. 6). At 06 UTC, the maximum observed BTs were around 290-296 K at lati-
tudes less than 15◦ N and 296-302 K at higher latitudes. The meridional gradient in the BT
maximum attains its climax at 12 UTC. The southern coast line and the Sahara exhibit a
40-K difference with values of 290-296 and 332-340 K, respectively. This latitudinal varia-
tion results in the strong daytime heating that the deserts experience. In contrast, the larger
heat capacity of the oceans and higher evaporative fraction of the tropical forests leads to
almost no diurnal variation of the temperature at the surface and, hence, of the maximum
BTs. With the decrease in the solar heating, the meridional gradient is greatly reduced at
18 UTC. Between 00 and 06 UTC, the difference is minimum with a BT of 296 K over the
Sahara due to strong nighttime cooling. Such diurnal variation in the BT maximum is well
reproduced in the forecasts, but biased by +6 K between 5–10◦ N due to an overestimated

low-cloud cover as explained next.
In the range of 260–290 K, observed BTs result in the presence of low-level and/or
semitransparent ice clouds. Their occurrence is maximum at 00 and 06 UTC and minimum
at 18 UTC. Chaboureau et al. (2007c) documented the diurnal cycle of cirrus over the same
domain using a BT difference technique, but in late August 2005. They found a cirrus cover
that was maximum at 12 UTC. So the BT maximum in the 260–290 K range observed
at 00 UTC can be explained by an increase in the low-level clouds only. In contrast, the
forecasted BTs in that range present a less marked diurnal cycle with an overestimation of
their occurrence whatever the time. As the diurnal cycle of the cirrus cover is reasonably
well forecasted by Meso-NH (Chaboureau and Pinty 2006; Chaboureau et al. 2007c), the
discrepancy can be mainly attributed to an overestimation of the low-level cloud cover. It
is difficult to precisely identify the reasons for this overestimation. Such low level clouds are
typically difficult to simulate with current parameterizations, regarding daytime as well as
nighttime conditions. The accuracy of surface sensible and latent heat fluxes is likely to play
14
a role too.
In the present case, from day 1 to day 2, there is an increase of the low cloud cover which
is associated with a decrease of the low-level temperature and of the lifting condensation
level, together with a decrease of the equivalent potential temperature and CAPE; day 2
also follows an often rainy forecasted day 1 over 5–10◦ N. This suggests a negative feedback
loop between temperature and low-level clouds operating in the model over this area and
at this time scale, involving cloud radiative properties, surface fluxes and moist convection.
An overall reduction in the rainfall occurs on day 2 compared to day 1 there, together
with a CAPE decrease while the opposite is found over the Sahel. Observations collected
during the field campaign together with results from land surface modeling are expected to
shed further light on this issue. Besides, these variations of low-level temperature and of
equivalent potential temperature lead to sharper meridional gradients over the continent,
consistent with faster low-level winds.

BTs less than 260 K occurred mostly between 5◦ N and 15◦ N in both the observation and
the forecast (as already seen in Fig. 2 bottom). The observed BTs in that range present
a diurnal variability with a minimum at 12 UTC and a maximum at 18 UTC. The peak is
typical of convection over land with a regime of deep convection in the afternoon (e.g. Nesbitt
and Zipser 2003; Chaboureau et al. 2004). On the other hand the occurrence of observed BTs
less than 230 K associated with deep convective clouds throughout the day is a signature of
mesoscale convective systems that survive the night. Such low BTs were forecasted but with
higher values. As noted earlier, this indicates a drawback in the representation of convective
clouds in the model. Moreover BTs less than 230 K were correctly forecasted over 10–15◦ N
only. Indeed, the overestimation of low-level clouds between 5–10◦ N prevents boundary-layer
heating. Here, it leads to a decrease in CAPE and in the occurrence of deep convection, as
it is, by the construction of the convection scheme, strongly controlled by the CAPE.
15
5. Synoptic Variability
The variability of the skill in forecasting high-cloud cover during the one-month period
is now examined. A large part of the variability during summer is due to traveling AEW of
3-5 day periods (Mekonnen et al. 2006). Figure 7a, b presents a Hovmoller diagram of the
high-cloud cover and the 700-hPa meridional winds between 10 and 15◦ N taken from MSG
observation and ECMWF analyses and forecasted by the Meso-NH model at D+1 for the
whole period. As illustrated in Fig. 7a, the cloud cover and meridional wind both display
coherent and strong synoptic signatures, pointing to the significance of synoptic dynamics in
shaping the cloud cover over West Africa. On the one hand, the presence of strong synoptic
features can be thought of as a constraint that may benefit the forecast of cloud cover, at
least at the larger synoptic scales. On the other hand, these features involve interactions
across synoptic and meso scales. Therefore the answer also relies to some extent on the
ability of the model to properly represent these scale interactions. Specific to our study
though, the fact that we focus on short term forecasts (D+1) limits, in time, the impact of
possible model weaknesses in the treatment of these complex phenomena.
In the observation, several cloud systems propagate westward ahead an AEW trough.
As in Berry and Thorncroft (2005) the term trough refers to the traveling coherent zero
700-hPa meridional wind. Many studies have shown the region ahead of the AEW trough,
where northerly flow both advects dry air equatorward and increases vertical shear, promotes
the mesoscale organization of convective systems (e.g.; Duvel 1990). For example, Fink and
Reiner (2003) investigated the relationship between AEWs and squall lines over two extended
summers. They found that the area west of the AEW trough was a favorable location for
squall lines over the whole of tropical West Africa. In the forecasts, as the cloud cover
is patchier than observed, the organization of cloud systems as propagating lines appears
less dramatic, albeit present. Another source of difference is the simulated dynamics: the
meridional wind intensity in the forecasts shows weaker AEW activity than the analysis
does.
16
The outlines of the AEW activity over the one-month period are shown with the time
evolution of the absolute meridional wind intensity (Fig. 7c). It can be resumed by two
periods of enhanced AEW activity (the last week of July and the last two weeks of August)
separated by an inactive week period around mid-August. Overall the HSS tends to show
higher skill forecasts during the active periods, particularly on 25-26 July, 31 July, and 21-22
August. The case of 14 August shown as an example in Fig. 2(top) obviously has been
chosen because of its high skill. On 16 August, the poor skill is due to a cloud system
forecasted ahead of a trough that was not forecasted.
The relationship between HSS and absolute meridional wind is further explored with a
scatter plot (Fig. 8). The correlation coefficient is 0.36. It further reduces to 0.27 when
considering HSS calculated over areas of 224 km by 224 km. A high correlation is not a priori
expected given the complex chain of process-interactions that give rise to the observed BTs.
This result however suggests that the synoptic forcing during phases of AEW activity indeed
increases the forecast skill. Note also that the increase of HSS is not related to an increase
in cloud cover as HSS was conceived as an equitable score (Wilks 1995). By standardizing so
that random forecasts have zero skill, HSS is a useful statistic for forecasts of variable events
with time. As random forecasts vary with the number of forecasted and observed events,
we effectively found that HSS and high-cloud cover (either forecasted or observed) were not
correlated. So a stronger value of HSS means well a better forecast.
From a broader perspective, a large part of the high cloud cover is linked to moist deep
convection. This suggests that relationships between the cloud cover and AEWs may be
influenced by the convection scheme, in particular by its closure. For instance, a closure
based on moisture convergence (e.g.; Bougeault 1985) may lead to convection being more
constrained by the model dynamics, while a CAPE closure - as used here - will be more
sensitive to changes in the magnitude of the local atmospheric instability. This issue requires
further investigation.
17
6. Conclusion
During summer 2006, 2-day forecasts were performed daily over a domain covering West
Africa with a 32-km grid mesh. The 3-hourly forecasts of cloud cover was verified by compari-
son with MSG observations at 10.8 µm. The verification was based on the model-to-satellite
approach that consists of a the direct comparison between observed and forecasted BTs.
Combined with the calculation of scores, the approach is shown to be worthwhile, espe-
cially over data-sparse region such as the Tropics, in giving an objective evaluation of the
representation of clouds in the model and in measuring the skill of cloud forecasts.
The West African monsoon is characterized by a strong meridional contrast in surface

properties. Moist air is advected poleward up to 15◦ N yielding a maximum of cloud cover
between 5 and 15◦ N while a deep boundary layer develops beyond 20◦ N. These broad char-
acteristics of the West African monsoon are well reproduced by the forecasts. The diurnal
variation of the 10.8-µm BTs with latitude is also well captured, in particular the meridional
contrast of clear-sky BTs, maximum at 12 UTC, and the occurrence of low BTs, maximum
at 18 UTC. This is consistent with the monsoon circulation as described by the ECMWF
analyses and forecasted by the model: the low-level monsoon flux increases with the night-
time boundary-layer stratification while the AEJ increases with the solar heating. Such good
performance showss at the very leasts the progress made in the surface field analysis since
the pioneering work of Morcrette (1991).
Some systematic errors in representing clouds were, however, identified. First the lack
of cloud systems predicted in the morning of the first day leads the study to focus on the
D+1 forecasts. This is linked to the use of a cold start but also to the specific nature
of the phenomena the cloud cover is made of. Typically MCSs contribute significantly to
the signal and are characterized by time scales much larger than a few hours. Then the
occurrence of forecasted BTs less than 230 K associated with deep convective clouds is
greatly underestimated. This obliges us to address the verification of high-cloud cover, i.e.
deep convection and cirrus anvil clouds as defined by BTs less 260 K. As a result, the high-
18
cloud cover is found to be well represented in number but too patchy. Too many low-level
clouds were also found between 5-10◦ N. This causes a less-developed boundary layer during
daytime resulting in too strong a monsoon flux at low-level.
The systematic errors highlighted by the cloud cover verification pinpoint several model-
ing drawbacks. The lack of low BTs can be explained by an underestimation of the convective
updrafts and/or of the subgrid cloud fraction in the model. It was also partly due to an over-
estimation of low-level clouds between 5-15◦ N. This requires further work on the convection
scheme, for both triggering and entrainment, as well as the subgrid cloud scheme. Indeed,
such a feature may be at least partly explained by too-small values of daytime low-level equiv-
alent potential temperature associated with the radiative impact of the too large low-level
cloud cover. The approach developed here affords an ideal framework for such developments
on cloud parameterizations. Also, a part of the forecast errors is due to discrepancies in the
initial fields. The use of reanalyses or analyses from other forecast systems would allow the
sensitivity of the forecast errors to the initial conditions to be tested. The impact of nudging
with satellite observations should be also explored in the aim of overcoming the limitations
imposed by a cold start.

Finally, the variation of the HSS with time over the one-month period was examined
together with the variation of the 700-hPa meridional wind. It showed a general increase
of the skill with the AEW activity. This result, albeit fragile, points out the role of the
synoptic regimes on the accuracy of the forecast. The method of verification developed here
allows us to suggest such a relationship. In consequence, a better analysis of the atmospheric
flow would have a positive impact on operational forecasts of mesoscale convective systems
during periods of wave activity. This result provides additional motivation for building an
observation system that covers West Africa well.
Acknowledgments.
Based on a French initiative, AMMA was built by an international scientific group and
19
is currently funded by a large number of agencies, especially from France, UK, US and
Africa. It has been the beneficiary of a major financial contribution from the European
Community’s Sixth Framework Research Programme. Detailed information on scientific co-
ordination and funding is available on the AMMA International web site http://www.amma-
international.org. Nathalie Söhne was supported by a CNES and Météo-France PhD grant.
Computer resources were allocated by IDRIS. MSG observations were obtained from Météo-
France/Centre de Météorologie Spatiale. The authors thank Nicole Asencio and Fleur Cou-
vreux for useful discussions concerning modeling aspects.
20
REFERENCES
Adler, R. F., C. Kidd, G. Petty, M. Morissey, and H. M. Goodman, 2001: Intercomparison of

Global Precipitation Products: The Third Precipitation Intercomparison Project (PIP-3).
Bull. Amer. Meteor. Soc., 82, 1377–1396.
Bechtold, P., E. Bazile, F. Guichard, P. Mascart, and E. Richard, 2001: A mass flux
convection scheme for regional and global models. Quart. J. Roy. Meteor. Soc., 127,
869–886.
Berry, G. J., and G. Thorncroft, 2005: Case study of an intense African easterly wave. Mon.
Wea. Rev., 133, 752–766.
Bougeault, P., 1985: A simple parameterization of the large-scale effects of cumulus convec-
tion. Mon. Wea. Rev., 113, 2108–2121.
Burpee, R. W., 1972: The origin and structure of easterly waves in the lower troposphere
of north Africa. J. Atmos. Sci., 29, 77–90.
Chaboureau, J.-P., and P. Bechtold, 2002: A simple cloud parameterization derived from
cloud resolving model data: diagnostic and prognostic applications. J. Atmos. Sci., 59,
2362–2372.
Chaboureau, J.-P., and P. Bechtold, 2005: Statistical representation of clouds in a re-

gional model and the impact on the diurnal cycle of convection during Tropical Con-
vection, Cirrus and Nitrogen Oxides (TROCCINOX). J. Geophys. Res., 110, D17,103,
doi:10.1029/2004JD005,645.
Chaboureau, J.-P., and J.-P. Pinty, 2006: Evaluation of a cirrus parameterization with Me-
teosat Second Generation. Geophys. Res. Lett., 33, L03,815, doi:10.1029/2005GL024,725.
21
Chaboureau, J.-P., J.-P. Cammas, P. Mascart, J.-P. Pinty, C. Claud, R. Roca, and J.-J.
Morcrette, 2000: Evaluation of a cloud system life-cycle simulated by Meso-NH during
FASTEX using METEOSAT radiances and TOVS-3I cloud retrievals. Quart. J. Roy.
Meteor. Soc., 126, 1735–1750.
Chaboureau, J.-P., J.-P. Cammas, P. Mascart, J.-P. Pinty, and J.-P. Lafore, 2002: Mesoscale
model cloud scheme assessment using satellite observations. J. Geophys. Res., 107(D17),
4301, doi:10.1029/2001JD000,714.
Chaboureau, J.-P., F. Guichard, J.-L. Redelsperger, and J.-P. Lafore, 2004: The role of
stability and moisture in the development of convection. Quart. J. Roy. Meteor. Soc.,
130, 3105–3117.
Chaboureau, J.-P., J.-P. Cammas, J. Duron, P. J. Mascart, N. M. Sitnikov, and H.-J. Voess-
ing, 2007a: A numerical study of tropical cross-tropopause transport by convective over-

shoots. Atmos. Chem. Phys., 7, 1731–1740.
Chaboureau, J.-P., N. Söhne, J.-P. Pinty, I. Meirold-Mautner, E. Defer, C. Prigent, J.-R.
Pardo, M. Mech, and S. Crewell, 2007b: A midlatitude cloud database validated with
satellite observations. J. Appl. Meteor. Climatol., p. in press.
Chaboureau, J.-P., P. Tulet, and C. Mari, 2007c: Diurnal cycle of dust and cirrus over West
Africa as seen from Meteosat Second Generation satellite and a regional forecast model.
Geophys. Res. Lett., 34, L02,822, doi:10.1029/2006GL027,771.
Chevallier, F., and G. Kelly, 2002: Model clouds as seen from space: comparison with
geostationary imagery in the 11-µm window channel. Mon. Wea. Rev., 130, 712–722.
Comer, R. E., A. Slingo, and R. P. Allan, 2007: Observations of the diurnal cycle of outgoing
longwave radiation from the Geostationary Earth Radiation Budget instrument. Geophys.
Res. Lett., 34, L02,823, doi:10.1029/2006GL028,229.
22
Diedhiou, A., S. Janicot, A. Viltard, P. de Felice, and H. Laurent, 1999: Easterly wave
regimes and associated convection over West Africa and tropical Atlantic: results from
the NCEP/NCAR and ECMWF reanalyses. Climate Dyn., 15, 795–822.
Diongue, A., J.-P. Lafore, J.-L. Redelsperger, and R. Roca, 2002: Numerical study of a
Sahelian synoptic weather system: Initiation and mature stages of convection and its
interactions with the large-scale dynamics. Quart. J. Roy. Meteor. Soc., 128, 1899–1927.
Duvel, J. P., 1990: Convection over tropical Africa and the Atlantic Ocean during northern
summer. II, Modulation by easterly waves. Mon. Wea. Rev., 118, 1855–1868.
Ebert, E. E., U. Damrath, W. Wergen, and M. E. Baldwin, 2003: The WGNE assessment
of short-term quantitative precipitation forecasts. Bull. Amer. Meteor. Soc., 84, 481–492.
Fink, A. H., and A. Reiner, 2003: Spatiotemporal variability of the relation between
African Easterly Waves and West African Squall Lines in 1998 and 1999. J. Geophys.
Res., 108(D11), 4332, doi:10.1029/2002JD002,816.
Flamant, C., J.-P. Chaboureau, D. J. Parker, C. M. Taylor, J.-P. Cammas, O. Bock, F. Tim-
ouk, and J. Pelon, 2007: Airborne observations of the impact of a convective system on the
planetary boundary layer thermodynamics and aerosol distribution in the inter-tropical
discontinuity region of the West African Monsoon. Quart. J. Roy. Meteor. Soc., 133,
1175–1189.
Fu, R., A. D. Del Genio, and W. B. Rossow, 1990: Behavior of deep convective clouds in
the tropical Pacific deduced from ISCCP radiances. J. Climate, 3, 1129–1152.
Guichard, F., et al., 2004: Modelling the diurnal cycle of deep precipitating convection over
land with cloud-resolving models and single-column models. Quart. J. Roy. Meteor. Soc.,
130, 3139–3172.
23
Hall, N. M. J., G. N. Kiladis, and C. D. Thorncroft, 2006: Three dimensional structure
and dynamics of African easterly waves. Part II: Dynamical modes. J. Atmos. Sci., 63,
2231–2245.
Hsieh, J.-S., and K. H. Cook, 2005: Generation of African Easterly wave disturbances:
Relationship to the African Easterly Jet. Mon. Wea. Rev., 133, 1311–1327.
Kain, J. S., and J. M. Fritsch, 1993: Convective parameterization for mesoscale models: the
Kain-Fritsch Scheme. Meteorol. Monogr., 46, 165–170.
Keil, C., A. Tafferner, and T. Reinhardt, 2006: Synthetic satellite imagery in the Lokal-
Modell. Atmos. Res., 82, 19–25.
Lafore, J.-P., et al., 1998: The Meso–NH Atmospheric Simulation System. Part I: adiabatic
formulation and control simulations. Scientific objectives and experimental design. Ann.
Geophys., 16, 90–109.
Lebel, T., F. Delclaux, L. Le Barb, and J. Polcher, 2000: From GCM scales to hydrological
scales: rainfall variability in West Africa. Stoch. Environ. Res. Risk Assess., 14, 275–295.
Mathon, V., H. Laurent, and T. Lebel, 1999: Mesoscale convective system rainfall in the
Sahel. J. Appl. Meteor., 41, 1081–1092.
Mekonnen, A., C. D. Thorncroft, and A. Aiyyer, 2006: Analysis of convection and its
association with African easterly waves. J. Climate, 34, 5405–5421.
Morcrette, J.-J., 1991: Evaluation of model-generated cloudiness: Satellite-observed and
model-generated diurnal variability of brightness temperature. Mon. Wea. Rev., 119,
1205–1224.
Nesbitt, S. W., and E. J. Zipser, 2003: The diurnal cycle of rainfall and convective intensity
according to three years of TRMM measurements. J. Climate, 16, 1456–1475.
24
Parker, D. J., R. R. Burton, A. Diongue-Niang, R. J. Ellis, M. Felton, C. M. Taylor, C. D.
Thorncroft, P. Bessemoulin, and A. M. Tompkins, 2005a: The diurnal cycle of the West
African monsoon circulation. Quart. J. Roy. Meteor. Soc., 131, 2839–2860.
Parker, D. J., C. D. Thorncroft, R. R. Burton, and A. Diongue-Niang, 2005b: Analysis of

the African easterly jet, using aircraft observations from the JET2000 experiment. Quart.
J. Roy. Meteor. Soc., 131, 1461–1482.
Peyrillé, P., J.-P. Lafore, and J.-L. Redelsperger, 2007: An idealized two-dimensional frame-
work to study the West African monsoon. Part I: Validation and key controlling factors.
J. Atmos. Sci., 64, 2765–2782.
Pinty, J.-P., and P. Jabouille, 1998: A mixed-phase cloud parameterization for use in a
mesoscale non-hydrostatic model: simulations of a squall line and of orographic precipi-
tations. Proc. AMS conference on cloud physics, 17-21 August 1998, Everett, Wa, USA,
pp. 217–220.
Redelsperger, J.-L., C. D. Thorncroft, A. Diedhiou, T. Lebel, D. J. Parker, and J. Polcher,
2006: African Monsoon Multidisciplinary Analysis: An international research project and

field campaign. Bull. Amer. Meteor. Soc., 87, 1739–1746.
Reed, R. J., D. C. Norquist, and E. E. Recker, 1977: The structure and properties of African
wave disturbances as observed during phase III of GATE. Mon. Wea. Rev., 105, 317333.
Roberts, N. M., and H. W. Lean, 2007: Scale-selective verification of rainfall accumulations
from high-resolution forecasts of convective events. Mon. Wea. Rev., p. in press.
Saunders, R., M. Matricardi, P. Brunel, S. English, P. Bauer, U. O’Keeffe, P. Francis, and
P. Rayer, 2005: RTTOV-8 Science and validation report. NWP SAF Report, 41 pages,
Tech. rep.
25
Schröder, M., et al., 2006: Comparison of model predicted low-level cloud parameters with
satellite remote sensing observations during two days of the BALTEX Bridge campaigns.
Atmos. Res., 82, 82.
Simmons, A. J., and A. Hollingsworth, 2002: Some aspects of the improvement in skill of
numerical weather prediction. Quart. J. Roy. Meteor. Soc., 128, 647–677.
Smith, R. K., G. Garden, J. Molinari, and B. R. Morton, 2001: Proceedings of an interna-

tional workshop on the dynamics and forecasting of tropical weather systems. Bull. Amer.
Meteor. Soc., 82, 2825–2829.
Söhne, N., J.-P. Chaboureau, S. Argence, D. Lambert, and E. Richard, 2006: Objective
evaluation of mesoscale simulations of the Algiers 2001 flash flood by the model-to-satellite
approach. Adv. Geosciences, 7, 247–250.
Taylor, C. M., and R. J. Ellis, 2006: Satellite detection of soil moisture impacts on convection
at the mesoscale. Geophys. Res. Lett., 33, L03,404, doi:10.1029/2005GL025,252.
Thorncroft, C. D., et al., 2003: The JET2000 Project: Aircraft Observations of the African
Easterly Jet and African Easterly Waves. Bull. Amer. Meteor. Soc., 84, 337–351.
Tian, B., B. J. Soden, and X. Wu, 2004: Diurnal cycle of convection, clouds, and water
vapor in the tropical upper troposphere: Satellites versus a general circulation model. J.
Geophys. Res., 109, D10,101, doi:10.1029/2003JD004,117.
Tompkins, A. M., C. Cardinali, J.-J. Morcrette, and M. Rodwell, 2005: Influence of aerosol
climatology on forecasts of the African Easterly Jet. Geophys. Res. Lett., 32, L10,801,
doi:10.1029/2004GL022,189.
Wilks, D. S., 1995: Statistical Methods in the Atmospheric Sciences. Academic Press, 467
pp.
26
List of Figures
1 Topography (m) of the simulation domain. . . . . . . . . . . . . . . . . . . . 28
2 (top) 10.8 µm BT (K) at 12 UTC 14 August 2006 and (bottom) occurrence
(%) of high clouds during the 1-month period. Results are from (left) the
MSG observation and (right) the Meso-NH forecast at D+1. . . . . . . . . . 29
3 Time evolution of cloud characteristics (high cloud occupancy (%), number of
cloud systems, and patchiness) from (solid) the MSG observation and (dashed)
the Meso-NH forecast at D+1 over the simulation domain. The time axis is
indicated by the day; j, July; a, August. . . . . . . . . . . . . . . . . . . . . 30
4 Time evolution of categorical scores (POD, FAR, HSS, and FSS) over the
simulation domain. The thicker the line, the larger the area on where the
HSS and the FSS are calculated (from 32 km by 32 km to 224 km by 224 km).
The POD and the FAR are shown from the 224 km by 224 km calculation only. 31
5 Latitude-altitude section of the water vapor mixing ratio (g/kg) averaged over
10◦ W–10◦ E. Fields are taken from (a, b) ECMWF analyses at 12 and 00
UTC and (c, d) Meso-NH forecasts at +36 h and +48 h. Thin dotted lines
are isentropes every 5 K. Thick black (white) contours are zonal (meridional)
winds every 4 (2) m s−1 with solid (dashed) lines for positive (negative) values. 32
6 Latitude-BT histograms over 10◦ W–10◦ E. Fields are taken from (a, b, c,
d) MSG observations at 06, 12, 18, and 00 UTC and (e, f, g, h) Meso-NH
forecasts at +30, +36, +42 and +48 h. . . . . . . . . . . . . . . . . . . . . . 33
7 (a, b) Time-longitude diagram of wind and cloud fraction averaged between
10◦ N and 15◦ N from 23 July to 22 August 2006: MSG cloud fraction (shading,
%) and 700-hPa meridional wind contours at –3 m s−1 (dashed) and at 3 m s−1
(solid). Fields are taken from (a) MSG observations and ECMWF analyses
and (b) Meso-NH forecasts at D+1. c) time evolution of the HSS calculated
point-by-point (line) and absolute meridional wind intensity (shading, m s−1 )
averaged over 10-15◦ N. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
8 Scatter plot between HSS and average absolute meridional 700 hPa wind
calculated between 10-15◦ N. The characters indicate the day; j, July; a, August. 35
27
Fig. 1. Topography (m) of the simulation domain.
28
Fig. 2. (top) 10.8 µm BT (K) at 12 UTC 14 August 2006 and (bottom) occurrence (%)
of high clouds during the 1-month period. Results are from (left) the MSG observation and
(right) the Meso-NH forecast at D+1.
29
25
20
High cloud (%)
15
10
MSG
5
MNH
0
23j 25j 27j 29j 31j 2a 4a 6a 8a 10a 12a 14a 16a 18a 20a 22a
100
# cloud systems (−)
80
60
40
20
1.5
Patchiness (%)
1.0
0.5
Fig. 3. Time evolution of cloud characteristics (high cloud occupancy (%), number of
cloud systems, and patchiness) from (solid) the MSG observation and (dashed) the Meso-
NH forecast at D+1 over the simulation domain. The time axis is indicated by the day; j,
July; a, August.
30
1.0
0.8
POD/FAR (−)
0.6
0.4
0.2 POD
0.0
FAR
0.6
HSS (−)
0.4
0.2
0.0
0.8
0.6
FSS (−)
0.4
0.2 32 160
96 224
0.0
Fig. 4. Time evolution of categorical scores (POD, FAR, HSS, and FSS) over the simulation
domain. The thicker the line, the larger the area on where the HSS and the FSS are calculated
(from 32 km by 32 km to 224 km by 224 km). The POD and the FAR are shown from the
224 km by 224 km calculation only.
31
a) Analysis at 12 UTC 0
b) Analysis at 00 UTC
6 6
−4
−8
−8
−4
Altitude agl (km)
2
4 −1 4
−4
−4
0
−2
−4
−4
2 0 2
0
0
2 2
−2
0
0 0 2
5 10 15 20 25 5 10 15 20 25
c) Forecast+36 h d) Forecast+48 h
6 6
0
−8
−8
0
Altitude agl (km)
4 4 −04
−4
−4
−4 0
2 2 −2
0
2 4
−2
2
4
0
0 0
0
2
4
5 10 15 20 25 5 10 15 20 25
Latitude (deg) Latitude (deg)
(g/kg)
1 5 10 15
Fig. 5. Latitude-altitude section of the water vapor mixing ratio (g/kg) averaged over 10◦
W–10◦ E. Fields are taken from (a, b) ECMWF analyses at 12 and 00 UTC and (c, d)
Meso-NH forecasts at +36 h and +48 h. Thin dotted lines are isentropes every 5 K. Thick
black (white) contours are zonal (meridional) winds every 4 (2) m s−1 with solid (dashed)
lines for positive (negative) values.
32
a) Obs. at 06 UTC b) Obs. at 12 UTC c) Obs. at 18 UTC d) Obs. at 00 UTC
188 188 188 188
200 200 200 200
212 212 212 212
224 224 224 224
236 236 236 236
248 248 248 248

BT (K)
260 260 260 260
272 272 272 272
284 284 284 284
296 296 296 296
308 308 308 308
320 320 320 320
332 332 332 332

1 5 10 15 20 25 1 5 10 15 20 25 1 5 10 15 20 25 1 5 10 15 20 25
Latitude (deg) Latitude (deg) Latitude (deg) Latitude (deg)
e) Forecast+30 h f) Forecast+36 h g) Forecast+42 h h) Forecast+48 h
188 188 188 188
200 200 200 200
212 212 212 212
224 224 224 224
236 236 236 236
248 248 248 248

BT (K)
260 260 260 260
272 272 272 272
284 284 284 284
296 296 296 296
308 308 308 308
320 320 320 320
332 332 332 332

1 5 10 15 20 25 1 5 10 15 20 25 1 5 10 15 20 25 1 5 10 15 20 25
Latitude (deg) Latitude (deg) Latitude (deg) Latitude (deg)
(%)
0.01 0.1 0.3 1
Fig. 6. Latitude-BT histograms over 10◦ W–10◦ E. Fields are taken from (a, b, c, d) MSG
observations at 06, 12, 18, and 00 UTC and (e, f, g, h) Meso-NH forecasts at +30, +36, +42
and +48 h.
33
a) Observation
Longitude (deg)
(%)
0
80
−20
60
b) Forecast
40
Longitude (deg)
0 20
−20
c) Score
0.50 (m/s)
0.40
4
HSS (−)
0.30
0.20
3
0.10 2
0.00
Day
Fig. 7. (a, b) Time-longitude diagram of wind and cloud fraction averaged between 10◦ N
and 15◦ N from 23 July to 22 August 2006: MSG cloud fraction (shading, %) and 700-hPa
meridional wind contours at –3 m s−1 (dashed) and at 3 m s−1 (solid). Fields are taken from
(a) MSG observations and ECMWF analyses and (b) Meso-NH forecasts at D+1. c) time
evolution of the HSS calculated point-by-point (line) and absolute meridional wind intensity
(shading, m s−1 ) averaged over 10-15◦ N.
34
0.50
Full set (nb=238) r= 0.36
22a
3a
0.40 3a
14a 22a
14a 14a 3a14a 22a
3a
31j31j 21a 21a
14a 14a 31j 31j
3a 14a 21a
4a4a 22a 22a
8a
30j18a 21a
0.30 20a 21a
30j 21a 21a
30j
HSS (−)
30j 5a 31j25j 21a

20a
11a 2a 30j 28j
25j
29j 5a 4a 25j
8a 29j
30j 3a2a
2a 18a
2a 2a 25j 28j
6a7a5a 5a30j
19a
11a 15a
8a 29j 6a 4a14a
18a 4a
2a
20a 26j25j 31j
18a26j 1a
30j
18a 7a
9a9a18a18a 20a 22a
31j
20a
0.20 6a
5a11a 11a 10a 29j13a
11a
28j
1a 28j
29j 2a 1a
31j
6a 5a
18a 19a 3a 17a 1a
25j25j
1a 22a
8a29j
29j11a 10a 1a 28j 1a
26j
24j
9a 9a6a 24j26j 17a
2a
15a 16a
6a 13a
8a 9a9a 27j4a4a10a
11a
4a
13a13a 25j26j 1a
13a 5a
17a
5a 7a24j13a 29j
28j
28j 16a
15a16a
26j 20a
17a
19a 24j 22a
8a 24j
26j
11a 12a
28j19a27j 20a
27j 16a 17a 15a
8a 8a 12a 27j
9a 6a 13a19a 16a
27j 27j
0.10 12a24j 26j10a9a 15a27j
6a 7a
10a24j10a 27j
16a
12a
17a 7a17a 17a
12a
7a7a 19a 20a
13a
19a10a
24j 12a 12a 16a 15a15a 15a
12a 19a
0.00 16a
1 2 3 4 5
Av. abs. meridional 700 hPa wind (m/s)
Fig. 8. Scatter plot between HSS and average absolute meridional 700 hPa wind calculated
between 10-15◦ N. The characters indicate the day; j, July; a, August.
35
Conclusions et perspectives
La modélisation à mésoéchelle est indispensable pour l'obtention de prévisions locales

de qualité. L'évaluation des modèles de mésoéchelle, qu'ils soient de recherche ou opéré-
tionnels, actuels ou futurs, passe nécessairement par l'utilisation des observations satellites.
Ces dernières sont, en eet, disponibles très régulièrement avec une résolution comparable
à la maille du modèle, pour des champs caractéristiques de la mésoéchelle tels que les
nuages ou les précipitations.
L'objectif de cette thèse était de développer de nouveaux outils d'évaluation quanti-
tative et systématique applicables en toutes régions du globe et à toutes échelles. Une
attention particulière a été portée à la possibilité d'évaluer les phénomènes de mésoéchelle
à partir de champs qui leur sont propres, en particulier les nuages et les précipitations.
Cette méthode combinant approche modèle-vers-satellite et scores a été testée sur dié-
rents types d'événements et diérentes congurations de simulations et de prévisions. Ceci
a permis d'en montrer les avantages et les multiples possibilités oertes.
La première application est une étude comparative entre les caractéristiques et la pré-
visibilité des couvertures nuageuse de situations de moyenne latitudes a été eectuée pour
évaluer la qualité d'une base de données par les observations satellites. Un ensemble de
situations de précipitations contrastées et représentatives des moyennes latitudes a été uti-
lisé. Le réalisme du contenu en hydrométéores a été montré, et a permis de valider cette
base de données. La méthode appliquée à ces diérents cas permet en outre, de les distin-
guer du point de vue de l'organisation de leur couverture nuageuse. En particulier, le cas
177
du front froid montre un morcellement de la couverture nuageuse plus faible que celui des
autres cas étudiés (front chaud, dépression, orages). Elle permet également de les distinguer
du point de vue de la abilité de leur prévision. Le cas du front froid, qui est une situation
d'échelle synoptique, est mieux simulé que les autres. Ceci laisse supposer que ce type de
situation est plus facilement prévisible. Toutefois, ce résultat reste à conrmer sur un plus
grand nombre de cas.
Dans la deuxième application, une étude de prévisibilité des événements extrêmes a été
eectuée en utilisant un ensemble de simulations sur les inondations d'Alger du 10 novembre
2001 . La situation météorologique synoptique a été bien prévue, alors que les précipitations
de mésoéchelle ont été largement sous-estimées. La méthode a d'abord permis de classer
les simulations entre-elles, puis d'évaluer quantitativement l'inuence de modications de
l'état initial et de conguration des simulations et de quantier les améliorations apportées.
On a vu que les modications des états initiaux proches de l'événement n'ont que peu
d'inuence sur les résultats de simulation, contrairement aux modications plus précoces.
On a également pu quantier l'amélioration des simulations due à une initialisation plus
proche de l'événement. Enn, l'amélioration des scores lors de l'utilisation de la haute
résolution, justie l'utilisation de modèles à haute résolution de manière opérationnelle.
Une troisième application a été d'étudier la variabilité de la prévisibilité des situations
tropicales. Une série de prévisions a été eectuée, dans le cadre d'AMMA, sur une longue
période entre juillet et août 2006. Cette série de prévisions a permis d'évaluer la abilité
de la prévisions de la couverture nuageuse et celle de l'organisation des systèmes nuageux
(parmi lesquels on trouve les systèmes convectifs de mésoéchelle), ainsi que sa variation
durant la période. Une corrélation importante a été trouvée entre activité des ondes d'Est
et performance des prévisions. La prévisibilité de la couverture nuageuse varie avec les
forçages d'échelle synoptiques (AEW).
Les résultats obtenus pour ces trois applications montrent l'ecacité de cette méthode
originale et permettent d'envisager de l'utiliser sur d'autres campagnes comme COPS
178
(Convective and Orographically-induced Precipitation Study) qui a eu lieu cet été en Forêt
Noire, ou sur de futures campagnes comme HYMEX (HYdrological cycle in the Mediter-
ranean EXperiment) en 2010. À l'avenir, cette méthode pourrait être utilisée de façon
opérationnelle pour évaluer les modèles de mésoéchelle.
Néanmoins, ces scores peuvent encore être complétés. Les scores dits équitables ,
comme le HSS, pourraient être normalisés en utilisant la climatologie de la région, comme
le conseillait Heidke [1926], au lieu du terme de hasard actuellement employé. Ainsi la ré-
férence serait-elle physique et non statistique. De plus grandes contraintes pourraient être
exercées, en utilisant des tables de contingences à entrées multiples, qui permettraient de
distinguer une plus grande variété de phénomènes ou de sous-catégories (étages de nuages,
intensité des précipitations, . . .). L'évaluation, qui porte jusqu'à présent sur les points nua-
geux, la taille et le nombre de systèmes nuageux, doit également permettre de comparer les
positions relatives des systèmes. Ceci est possible en utilisant des techniques orienté-objet
déjà appliquées aux tornades et aux relevés pluviométriques (e.g. Ebert [2001]). Pour éva-
luer la abilité d'une simulation standard, un score de dispersion pourrait également être
calculé à partir d'un ensemble de simulations. Le développement d'un code de transfert ra-
diatif dans le visible permettrait d'utiliser les nombreuses observations correspondantes et
d'avoir des informations supplémentaires sur la couverture nuageuse diurne. Dans les micro-
ondes, le travail doit-être systématisé, an d'évaluer les simulations plus fréquemment sur
les champs de précipitations. L'utilisation d'autres instruments comme les satellites de
A-train, avec par exemple le radar de CloudSat ou le lidar de Calipso, qui permettent d'ac-
céder à la structure verticale des nuages, ou des radars sols complèteraient les observations
satellites utilisées ici et permettraient d'appliquer cette méthode à l'évaluation de champs
plus précis et/ou plus variés (thalweg, aérosols, précipitations, polluants, . . .)
Enn, l'évaluation des prévisions pointe des défauts systématiques de la représentation
de la couverture nuageuse et du schéma de convection. Cette méthode permet donc de
signaler les problèmes de paramétrisations dans le modèle et éventuellement de fournir des
pistes pour les corriger.
179
180
Bibliographie
Andrade, E. d. C., Wilkins Lecture, Robert Hooke, Proceedings of the Royal Society of
London. Series A, Mathematical and Physical Sciences, 201, 439473, 1950.
Argence, S., D. Lambert, E. Richard, N. Söhne, J.-P. Chaboureau, F. Crépin, et P. Arbo-
gast, High resolution numerical study of the Algiers 2001 ash ood : sensitivity to the
upper-level potential vorticity anomaly, Adv. Geo., 7, 251257, 2006.
Argence, S., D. Lambert, E. Richard, J.-P. Chaboureau, et N. Söhne, Impact of initial
condition uncertainties on the predictability of heavy rainfall in the Mediterranean : a
case study, Quart. J. Roy. Meteorol. Soc., in preparation, 2007.
Ashford, O., Prophet or professor, Adam Hilger Ltd, Bristol, 1985.
Ayotte, K., et al., An evaluation of neutral and convective planetary boundary-layer para-
meterizations relative to large eddy simulations, Boundary-Layer Meteorology, 79, 131
175(45), 1996.
Bannon, P., Potential vorticity conservation, hydrostatic adjustment, and the anelastic
approximation, J. Atmos. Sci., 52, 23022312, 1995.
Barnston, A., Correspondence among the correlation, rmse, and heidke forecast verication
measures ; renement of the heidke score, Wea. Forecasting, 7, 699709, 1992.
Bauer, P., Includong a melting layer in microwave radiative transfer simulation for clouds,
Atmos. Res., 67, 2001.
Bechtold, P., E. Bazile, F. Guichard, P. Mascart, et E. Richard, A Mass ux convection
scheme for regional and global models, Quart. J. Roy. Meteor. Soc., 127, 869886, 2001.
Bjerknes, J., On the structure of moving cyclones, Geof. Publ., 1 (2), 8 pp., 1920.
Bougeault, P., et P. Lacarrère, Parameterization of orography-included turbulence in a
mesobeta-scale model, Mon. Weather Rev., 117, 18721890, 1989.
Bryan, G., et F. J.M., On adequate resolution for the simulation of deep moist convection :
theory and preliminary simulations, in 9th Conference on Mesoscale processes, 2001.
181
BIBLIOGRAPHIE
Burpee, R. W., Characteristics of the north african easterly waves during the summers of
1968 and 1969, J. Atmos. Sci., 31, 15561570, 1974.
Caniaux, G., J. Redelsperger, et J. Lafore, A numerical study of the stratiform region of a
fast-moving squall line. Part I : general description and water heat budgets, J. Atmos.
Sci., 51, 20462074, 1994.
Chaboureau, J.-P., et P. Bechtold, A simple cloud parameterization derived from cloud
resolving model data : diagnostic and prognostic applications, J. Atmos. Sci., 59, 2362
2372, 2002.
Chaboureau, J.-P., et P. Bechtold, Statistical representation of clouds in a regional
model and the impact on the diurnal cycle of convection during Tropical Convec-
tion, Cirrus and Nitrogen Oxides (TROCCINOX), J. Geophys. Res., 110, D17,103,
doi :10.1029/2004JD005,645, 2005.
Chaboureau, J.-P., J.-P. Cammas, P. Mascart, J.-P. Pinty, C. Claud, R. Roca, et J.-J.
Morcrette, Evaluation of a cloud system life-cycle simulated by the Meso-NH model
during FASTEX using METEOSAT radiances and TOVS-3I cloud retrievals, Quart. J.
Roy. Meteor. Soc., 126, 17351750, 2000.
Chaboureau, J.-P., J.-P. Cammas, P. Mascart, J.-P. Pinty, et J.-P. Lafore, Mesoscale model
cloud scheme assessment using satellite observations, J. Geophys. Res., 107(D17), 4301,
doi :10.1029/2001JD000,714, 2002.
Chaboureau, J.-P., N. Söhne, J.-P. Pinty, I. Meirold-Mautner, E. Defer, C. Prigent, J.-R.
Pardo, M. Mech, et S. Crewell, A Midlatitude Precipitating Cloud Database Validated
with Satellite Observations, J. Appl. Meteor. Climatol., p. in press, 2007.
Chaigne, E., et P. Arbogast, Multiple potential vorticity inversions in two FASTEX cy-
clones, Quart. J. Roy. Meteor. Soc., 126, 17111734, 2000.
Charney, J., R. Fjörtoft, et J. von Neumann, Numerical integration of the barotropic
vorticity equation, Tellus, 2, 237254, 1950.
Chevallier, F., et P. Bauer, Model rain and clouds over oceans : comparison with SSM/I
observations, Mon. Weather Rev., 131, 12401255, 2003.
Colle, B., et C. Man, The 5-9 February 1996 ooding event over the Pacic Northwest :
sensitivity studies and evaluation of the MM5 precipitation forecasrs, Mon. Weather
Rev., 128, 596617, 2000.
Coriolis, G. G., Mémoire sur les équations du mouvement relatif des systèmes de corps,
Compte-rendu de l'Academie des Sciences, 2, 172174, 1836.
Courant, R., K. O. Friedrichs, et H. Lewy, Ueber die partiellen Dierenzen-gleichungen der
mathematischen Physik, Math. Annalen, 100, 3274, 1928.
182
BIBLIOGRAPHIE
Cressman, G. P., A three-level model suitable for daily numerical forecasting, NMC Tech
Memo 22, Weather Bureau, ESSA, US Departement of Commerce, 22, 22, 1963.
Cuxart, J., P. Bougeault, et J.-L. Redelsperger, A turbulence scheme allowing for mesoscale
and large-eddy simulations, Quart. J. Roy. Meteor. Soc., 126, 130, 2000.
Davis, C., et F. Carr, Summary of the 1998 Workshop on Mesoscale Model Verication,
Bull. Amer. Meteo. Soc., 75, 349362, 2000.
Deblonde, G., et S. English., Evaluation of the FASTEM-2 fast microwave oceanic surface
emissivity model.Tech. Proc. ITSC-XI Budapest, 20-26 Sept 2000 67-78, Tech. Rep. 176,
ECMWF, 2001.
Doswell III, J. A., R. Davies-Jones, et D. Keller, On summary Measures of Skill in Rare
Event Forecasting Based on Contingency Tables, Wea. Forecasting, 5, 576585, 1990.
Dudhia, J., A Nonhydrostatic Version of the Penn State-NCAR Mesoscale Model : Valida-
tion Tests and Simulation of an Atlantic Cyclone and Cold Front, Mon. Weather Rev.,
121, 14931513, 1993.
Durran, D. R., Improving the anelastic approximation, J. Atmos. Sci., 46, 14531461, 1989.
Ebert, E., Ability of a Poor Man's Ensemble to Predict the Probability and Distribution
of Precipitation, Mon. Weather Rev., 129, 24612480, 2001.
Ebert, E., et J. Curry, A parametrization of ice cloud optical properties for use climate
models, J. Geophys. Res., 97, 38313836, 1992.
English, S. J., et T. J. Hewison, A fast generic millimetre wave emissivity model. , in
Microwave Remote Sensing of the atmosphere and Environment proc. SPIE 3530, pp.
2230, 1998.
Ferriday, J. G., et S. Avery, Passive Microwave Remote Sensing of Rainfall with SSM/I :
Algorithm Development and Implementation, J. Appl. Meteorol., 33, 15871596, 1994.
Foote, G., On the internal circulation and shape of large raindrops, J. Atmos. Sci., 26,
179182, 1969.
Foucault, L., Démonstration physique du mouvement de rotation de la terre au moyen du
pendule, Compte-rendu de l'Academie des Sciences, 5, 135138, 1851.
Fritsch, J., et C. Chappell, Numerical Prediction of Convectively Driven Mesoscale Pressure
Systems. Part I : Convective Parameterization, J. Atmos. Sci., 37, 17221733, 1980.
Gal-Chen, T., et R. Sommerville, On the use of a coordinate transformation for the solution
of the navier-stokes equations, J. Comput. Phys., 17, 209228, 1975.
183
BIBLIOGRAPHIE
Gregory, D., J.-J. Morcrette, C. Jakob, A. Beljaars, et T. Stockdale, Revision of convection,

radiation and cloud schemes in the ECMWF integrated forecasting system, Quart. J.
Roy. Meteor. Soc., 126, 16851710, 2000.
Gunshor, M. M., T. J. Schmit, et W. P. Menzel, Intercalibration of the infrared window
and water vapor channels on operational geostationary environmental satellites using a
single polar orbiting satellite, J. Atmos. Ocean. Tech, 21, 6168, 2004.
Heidke, P., Berechnung des erfolges und fer güte der windstärkvohersagen im sturmwar-
nungsdienst, Geographika Annaler, 8, 301349, 1926.
Hildebrandsson, H., H., A. Riggenbach, et L. Teisserenc de Bort, Atlas international des
nuages, Gauthier Villars et ls, 1896.
Houze, R. J., Cloud Dynamics, Academic Press, 1993.
Huord, G., A model for the complex permittivity of ice, Int. J. Infrared Milli., 12, 677681,
1991.
Keil, C., A. Taerner, et T. Reinhardt, Synthetic Satellite Imagery in the Lokal-Modell,
Atmos. Res., 82, 1925, 2006.
Kessler, E., On the Distribution and Continuity of Water Substance in Atmospheric Cir-
culation, Meteor. Monogr. 10, Amer. Meteor. Soc., 32, 83, 1969.
Köpken, C., Monitoring of METEOSAT WV radiances and solar stray light eects, Tech.
Rep. 1016 pp, EUMETSAT/ECMWF Fellowship Programme, Research Report, 2001.
Kummerow, C. D., et L. Giglio, A passive microwave technique for estimating the vertical
structure of rainfall from space, J. Appl. Meteorol., 33, 318, 1994.
Lafore, J.-P., et al., The MesoNH Atmospheric Simulation System. Part I : adiabatic
formulation and control simulations. Scientic objectives and experimental design, Ann.
Geophys., 16, 90109, 1998.
Lambert, D., P. Arbogast, J.-P. Chaboureau, P. Mascart, et E. Richard, Study of a Medi-
terranean rainstorm episode using potential vorticity inversion method, in Proceedings
of the 5th EGS Plinius conference on Mediterranean storms, 1-3 October 2003, Ajaccio,
Corsica, France, 2003.
Liebe, H., MPM-an atmosphericmillimeter-wave propagation model, Int. J. Infrared Milli.,
10, 631650, 1989.
Lin, Y., R. Farley, et H. Orville, Bulk parameterization of snow eld in a cloud model, J.
Climate. Appl. Meteorol., 22, 10651092, 1983.
Liou, K. N., An Introduction to Atmopheric Radiation, International Geophysics Series,
2002.
184
BIBLIOGRAPHIE
Lipps, F., et R. S. Hemler, A scale analysis of deep moist convection and some related
numerical calculations, J. Atmos. Sci., 39, 21922210, 1982.
Liu, J., et H. Orville, Numerical modeling of prrrecipitation and cloud shadow eects on
mountain-induced cumuli, J. Atmos. Sci., 26, 12831298, 1969.
Lorenz, H., Deterministic Nonperiodic Flow, J. Atmos. Sci., 20, 130141, 1963.
Manabe, S., J. Smagorinsky, et R. Strickler, Simulated climatology of a general circulation
model with a hydrologic cycle, Mon. Weather Rev., 93, 769798, 1965.
Mariotte, E., De la nature de l'air, Pierre Vander Aa, 1679.
McCollum, J., et R. Ferraro, Microwave Rainfall Estimation over Coast, J. Atmos. Ocean.
Tech, 22, 497512, 2005.
Mintz, Y. A. A., Very long-term global integration of the primitive equations of atmospheric
motion, Geneva, WMO Tech Note, 66, 141167, 1965.
Morcrette, J.-J., Radiation and Cloud Radiative Properties in the European center for
Medium Range Weather Forecasts Forecasting System , J. Geophys. Res., 96D5, 9121
9132, 1991.
Morcrette, J.-J., et C. Jacob, The Response of the ECMWF Model to Changes in the
Cloud Overlap Assumption, Mon. Weather Rev., 128, 17071732, 2000.
Murphy, A., What Is a Good Forecast ? An Essay on the Nature of Goodness in Weather
Forecasting, Wea. Forecasting, 8, 281293, 1993.
Negri, A. J., E. Nelkin, R. Adler, G. Human, et C. Kummerov, Evaluation of Passive
Microwave Precipitation Algorithms in Wintertime Midlatitude Situations, J. Atmos.
Ocean. Tech, 12, 2032, 1995.
Nesbitt, S., E. Zipser, et C. Kummerov, An Examination of Version-5 Rainfall Estimates
from the TRMM Microwave Imager Precipitation Radar, and Rain Gauges on Global,
Regional, and Sortm Scales, J. Appl. Meteorol., 43, 10161036, 2004.
Noilhan, J., et S. Planton, A simple parametrization of land surface processes for meteo-
rological models, Mon. Weather Rev., 117, 536549, 1989.
Nurmi, P., Recommendations on the verication of local weather forecasts (at ECMWF
Member States), Consultancy Report, October 2003., Tech. rep., ECMWF, 2003.
Ogura, Y., et N. Phillips, Scale analysis of deep and shallow convection in the atmosphere,
J. Atmos. Sci., 19, 173179, 1962.
185
BIBLIOGRAPHIE
ONM, Rapport préliminaire : Un résumé de la situation météorologique exceptionnelle

ayant aectée le centre et l'ouest du Nord Algérie et en particulier la zone urbaine
d'Alger les 09 et 10 Novembre 2001, Tech. rep., Oce national de la météorologie, 2001.
Orlanski, I., A rational subdivision of scales for atmospheric processes, Bull. Amer. Meteo.
Soc., 56, 527530, 1975.
Ou, S., et K.-N. Liou, Ice microphysics and climatic temperature feedback, Atmos. Res.,
35, 127128, 1995.
Pascal, B., Récit de la grande Experience de l'Equilibre des Liqueurs, Charles Savreux,
1648.
Phillips, C. S., The numerical measure of the succes of predictions, Science, 4, 453454,
1956.
Pielke, R. A., Mesoscale Meteorological Modeling, Orlando : Academic Press, Inc, 2002.
Pinty, J.-P., et P. Jabouille, A mixed-phase cloud parameterization for use in a mesoscale
non-hydrostatic model : simulations of a squall line and of orographic precipitations, in
Proceedings of the AMS conference on cloud physics, 17-21 August 1998, Everett, Wa,
USA, pp. 217220, 1998.
Poisson, S., Mémoire sur le mouvement des projectiles dans l'air, en ayant égard à la
rotation de la Terre, Journal de l'école Polytechnique, 1837.
Pruppacher, H., et J. Klett, Microphysics clouds and precipitation, D. Dordrecht, 1978.
Raisanen, P., Notes and correspondence, Eective Longwave Cloud Fraction and
Maximum-Random Overlap of Clouds : A Problem and a Solution, Mon. Weather Rev.,
126, 33363340, 1998.
Redelsperger, J.-L., T. Chris D., D. Arona, L. Thierry, P. Douglas J., et P. Jan, African
monsoon multidisciplinary analysis An International Research Project and Field Cam-
paign, Bull. Amer. Meteo. Soc., 87-12, 17391746, 2006.
Richardson, L. F., Weather Prediction by Numerical Process, reprint dover ed., Cambridge
University Press, 1922.
Roberts, N., An investigation of the ability of a storm scale conguration of the Met Oce
NWP model to predict ood-producong rainfall. V 4.0, Tech. Rep. Forecasting Research
Technical Report No. 455, Met Oce, 2005.
Rossby, C., Relation between variations in the intensity of the zonal circulation of the
atmosphere and the displacements of the semi-permanent centers of action, J. Marine
Research, pp. 3855, 1939.
186
BIBLIOGRAPHIE
Runge, C., et M. W. Kutta, Relation between variations in the intensity of the zonal
circulation of the atmosphere and the displacements of the semi-permanent centers of
action, J. Marine Research, pp. 3855, 1890.
Saunders, R., et P. Brunel, RTTOV-8-5 Users Guide, NWPSAF-MO-UD-008, V 1.7, Tech.
Rep. 1.2, EUMETSAT, 2004.
Saunders, R., et P. Brunel, RTTOV-8-7 Users Guide, NWPSAF-MO-UD-008, V 1.9, Tech.
Rep. 1.9, EUMETSAT, 2005.
Saunders, R., E. Andersson, P. Brunel, F. Chevallier, G. Deblonde, S. English, M. Matri-
cardi, P. Rayer, et V. Sherlock, RTTOV-7 Science and validation report, Tech. Rep. 1.2,
EUMETSAT, 2002.
Schröder, M., et al., Model predicted low-level cloud parameters. Part II : Comparison with
satellite remote sensing observations during the BALTEX Bridge campaigns, Atmos.
Res., 82, 83101, 2006.
Smagorinsky, J., On the inclusion of moist adiabatic processes in numerical prediction
modess, Ber. Dtsch. Wetterdienstes, 5, 8290, 1956.
Smagorinsky, J., General circulation experiments with the primitive equations - 1 : the
basic experiment, Mon. Weather Rev., 91, 99164, 1963.
Smith, E., et L. Shi, Surface forcing of the infrared cooling prole over the Tibetan plateau.
Part I : inuence of relative longwave radiative heating at high altitude, J. Atmos. Sci.,
49, 805822, 1992.
Sohn, B. J., J. Schmetz, S. Tjemkes, M. Koenig, H. Lutz, A. Arriaga, et E. S. Chung,
Intercalibration of the Meteosat-7 water vapor channel with SSM/T-2, J. Geophys. Res.,
105, 15,67315,680, 2000.
Söhne, N., J.-P. Chaboureau, et F. Guichard, Forecast verication of cloud cover with
satellite observation over West Africa, Mon. Weather Rev., en preparation, 2007.
Sommeria, G., et J. Deardor, Subgrid scale condensation in models for non precipitating
clouds, J. Atmos. Sci., 34, 344355, 1977.
Stein, J., E. Richard, J.-P. Lafore, J.-P. Pinty, N. Asencio, et S. Cosma, High-resolution
non-hydrostatic simulations of ash-ood episodes with grid-nesting and ice phase pa-
rametrization, Meteorol. Atmos. Phys., 72, 101110, 2000.
Stephenson, D., Use of the Odds Ratio for Diagnosing Forecast Skill, Wea. Forecasting,
15, 221232, 2000.
Stewart, I., Dieu joue-t'il aux dès ?, Champ Flammarion, 2nd edition, 2001.
187
BIBLIOGRAPHIE
Sutton, O. G., The development of meteorology as an exact science, Quart. J. Roy. Me-
teorol. Soc., 80, 328338, 1954.
Taylor, K., Summarizing multiple aspects of model performance in a single diagram, J.
Geophys. Res., 106(D7), 71837192, 2001.
Thornes, J., How to judge the quality and value of weather forecast products, Meteorol.
Appl., 8, 307314, 2001.
van de Berg, L. C. J., J. Schmetz, et J. Whitlock, On the calibration of the Meteosat water
vapor channel, J. Geophys. Res., 100, 21,06921,076, 1995.
Venugopal, V., S. Basu, et E. Foufoula-Georgio, A new metric for comparing precipitation
patterns with an application to ensemble forecasts, J. Geophys. Res., 110, 2005.
Wandishin, M. S., S. Mullen, D. Stenrud, et H. Brooks, Evaluation of a short-range mul-
timodel ensemble system, Mon. Weather Rev., 129, 729747, 2001.
Weisman, M., et R. Trapp, Low-level mesovortices within squall lines and bow ecoes : part I
Overview and dependance on environmental shear, Mon. Weather Rev., 131, 27792803,
2003.
Wilcox, E., Spatial and Temporal Scales of Precipitating Tropical Cloud Systems in Satel-
lite Imagery and the NCAR CCM3, J. Climate, 16, No. 22, 35453559, 2003.
Wilks, D., Statistical Methods in the Atmospheric Sciences, Academic Press, 1995.
Wyngaard, J., Atmospheric turbulence, Ann. Rev. Fluid Mech, 24, 205233, 1992.
Yao, Z., W. Li, Y. Zhu, B. Zhao, et Y. Chen, Remote Sensing of Precipitation on the
Tibetan Plateau Using the TRMM Microwave Imager, J. Appl. Meteorol., 40, 1381
1392, 2001.
188
AUTEUR : Nathalie SÖHNE
TITRE : Validation des prévisions de nuages et de précipitations, à mésoéchelle, par l'ob-

servation satellite
DIRECTEUR DE THÈSE : Jean-Pierre CHABOUREAU (Physicien-Adjoint)
LIEU ET DATE DE SOUTENANCE : Observatoire Midi-Pyrénées le 23 novembre 2007
RÉSUMÉ
Une méthodologie originale combinant l'approche modèle-vers-satellite et le calcul de

score a été mise au point pour apporter une évaluation objective et systématique des mo-
dèles de mésoéchelle. Cette méthode a été appliquée à trois cas d'étude utilisant le modèle
Méso-NH. Le premier cas porte sur la validation d'un ensemble de situations précipitantes
contrastées de moyennes latitudes permettant de constituer une base de données. Il montre
aussi le lien entre la qualité de la simulation et le type de situation météorologique. Dans le
deuxième, un ensemble de simulations est réalisé an de quantier l'inuence des modi-
cations de l'état initial et de la conguration du modèle sur la prévisibilité d'un événement
extrême. Le dernier cas d'étude quantie la abilité d'une série d'un mois de prévisions en
Afrique de l'Ouest, et sa variabilité en présence de forçages d'échelle synoptique.
MOTS CLÉ : évaluation quantitative, scores, modélisation à mésoéchelle, observations

satellite, approche modèle-vers-satellite, nuages, précipitations
DISCIPLINE : Physique de l'atmosphère
LABORATOIRE : Laboratoire d'Aérologie, UMR 5560 CNRS/UPS, Observatoire Midi-

Pyrénées, 14 Avenue Édouard Belin, 31400 Toulouse, France
2
PhD THESIS : Validation of cloud and precipitation mesoscale forecasts by satellite
observation
Abstract
An original methodology combining the model-to-satellite approach and skill score cal-
culation has been developped in order to objectively evaluate mesoscale models. This me-
thod has been applied on three study cases using the Meso-NH model. The rst case is
about the validation of an ensemble of contrasted precipitating situations, at mid-latitude,
used for a data base. It also shows the link between the forecast quality and the meteorolo-
gical nature of the situation. The second, is an ensemble of forecasts done to quantify the
inuence on the predictibility of an extreme event when modications were done on initial
conditions and model congurations. The last case allowes to quantify the reliability of a
series of AMMA previsions and its variability with synoptic factors.
Keywords :
quantitative evaluation, skill scores, mesoscale models, satellite observations, model-to-
satellite approach, clouds, precipitations

Manuscrit These Sohne

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Manuscrit These Sohne

Uploaded by

Copyright:

Available Formats

UNIVERSITE TOULOUSE III - PAUL SABATIER

Validation des prévisions de nuages et de

précipitations à mésoéchelle par l'observation

3.3 Des couvertures nuageuses fragmentées . . . . . . . . . . . . . . . . . . . . 79

1.1 Prol vertical moyen de la température . . . . . . . . . . . . . . . . . . . . 9

3.1 TB des observations en WV et IR des 4 cas . . . . . . . . . . . . . . . . . 76

Ce chapitre commence par un historique succinct de la prévision météorologique mon-

1.1 Débuts de la prévision météorologique

eet, ce terme désigne à la fois l'organisme ociel ou le service spécialement chargé de

1.1.1 Développement des moyens d'observations

Au fur et à mesure des découvertes, les besoins de mesures de nouveaux paramètres

la pression. Aujourd'hui, l'unité du système international de mesure de la pression est le

en tant que science Andrade

Fig. 1.2  Classication des nuages selon

Fig. 1.1  Prol vertical moyen de la

En 1957, l'Union Soviétique lance le premier satellite articiel, Spoutnik 1. Ce satellite

Fig. 1.4  Satellite météorologique américain TIROS-1 et sa première image de la couver-

1.1.2 Élaboration des théories scientiques

Les découvertes scientiques, lorsqu'elles sont appliquées à l'atmosphère, ont permis

Des outils mathématiques

En Chimie, on note la distinction de l'oxygène et de l'azote des autres gaz et la décou-

En Physique, ce sont d'abord essentiellement les théories en thermodynamique et en

1.2 Vers la prévision opérationnelle de méso-échelle

1.2.1 Des phénomènes atmosphériques à diérentes échelles

Un modèle numérique est la représentation mathématique de processus. C'est un code

Modèles globaux : GCM

Modèles à aire limitée

1.3 Méthodes d'évaluation conventionnelle de la qualité

1.3.1 Intérêt d'une évaluation

1.3.2 Références usuelles de comparaison

1.3.3 Méthodes d'évaluation conventionnelles

1.3.4 Dénition de la notion de  qualité  d'une prévision

Du choix de la référence dépendent les critères d'évaluation et l'analyse de la compa-

 Qu'est-ce qu'une bonne prévision ? 

La réponse naturelle de l'usager est :  celle qui prévoit correctement le phénomène .

Fig. 1.10  Champs de comparaisons classiques et indices de qualité

1.3.5 Évaluation de prévisions de mésoéchelle

2.1 Le modèle mésoéchelle Méso-NH

2.1.1 Dynamique du modèle

ne dépend alors plus que de sa position (z).

L'équation de continuité s'exprime alors sous la forme (2.3) :

Le modèle tient compte de l'hypothèse non-hydrostatique donnée par l'équation (2.4).

ql le poids des hydrométéores

La résolution horizontale peut varier de la centaine de kilomètres à la dizaine de mètres

Conditions initiales et aux limites

2.1.2 Physique du modèle

Du fait des approximations et de la fermeture turbulente choisie à 1,5, les inconnues

Les caractéristiques de surface sont déterminantes pour reproduire certains phénomènes

Méso-NH contient aussi le schéma de rayonnement de l'ECMWF [Gregory et al., 2000].

Fig. 2.5  Convection peu profonde et convection profonde

Pour représenter correctement les contenus en hydrométéores (nuages et précipitations),

Fig. 2.8  Microphysique nuageuse Fig.2.9  Schéma microphysique du modèle

Le modèle contient un schéma de condensation sous-maille qui modie le schéma de

fractionnaire [Chaboureau et Bechtold , 2002, 2005]. Pouvoir représenter une fraction de

2.2 Analyses et observations

2.2.1 Analyses ECMWF et ARPEGE

Les analyses de l'ECMWF (European Centre for Medium-Range Weather Forecasts),

horizontal, température, humidité, pression de surface mais pas de géopotentiel en altitude.

2.2.2 Observations depuis la Terre

Fig. 2.12  Station automatique au sol (à gauche) et radar météorologique (à droite)

2.2.3 Observations satellite

La Terre est entourée de satellites météorologiques qui observent, de façon répétitive,

Propriétés radiatives de l'atmosphère

1.1 Prol vertical moyen de la température . . . . . . . . . . . . . . . . . . . . 9

eet, ce terme désigne à la fois l'organisme ociel ou le service spécialement chargé de

Fig. 1.2 Classication des nuages selon

Fig. 1.1 Prol vertical moyen de la

En 1957, l'Union Soviétique lance le premier satellite articiel, Spoutnik 1. Ce satellite

Fig. 1.4 Satellite météorologique américain TIROS-1 et sa première image de la couver-

1.1.2 Élaboration des théories scientiques

Les découvertes scientiques, lorsqu'elles sont appliquées à l'atmosphère, ont permis

1.2.1 Des phénomènes atmosphériques à diérentes échelles

1.3.4 Dénition de la notion de qualité d'une prévision

Qu'est-ce qu'une bonne prévision ?

La réponse naturelle de l'usager est : celle qui prévoit correctement le phénomène .

Fig. 1.10 Champs de comparaisons classiques et indices de qualité

Fig. 2.5 Convection peu profonde et convection profonde

Fig. 2.8 Microphysique nuageuse Fig.2.9 Schéma microphysique du modèle

Le modèle contient un schéma de condensation sous-maille qui modie le schéma de

Fig. 2.12 Station automatique au sol (à gauche) et radar météorologique (à droite)

Fig. 2.13 Transmitance de l'atmosphère en fonction de la longueur d'onde.

Fig. 2.14 Canaux du radiomètre SEVIRI et transmis- Fig. 2.15 Fonctions de

Fig. 2.17 Transmitance atmosphèrique dans les micro-ondes en fonction de la fréquence

Le développement des satellites météorologiques est une source d'observation orant

2.3.2 Dénition des scores

La corrélation quantie la correspondance spatiale des variations du champ simulé et du

Fig. 2.21 Comparaison point-à-point, le carré noir est la zone de comparaison

la probabilité de détection (Probability Of Detection : POD) est la fraction

la probabilité de détection de fausses alertes (Probability Of False alarm

la fraction de fausses alertes (False Alarm Rate : FAR) représente la fraction

le discriminant de Hanssen et Kuipers (HK) est une mesure de la capacité

le score de compétence de Heidke (Heidke Skill Score : HSS) mesure la

le score de succès critique (Critical Succes Index : CSI) mesure la capacité du

le score de menace équitable (Equitable Threat Score : ETS). Dérivé du CSI,

le score de compétence de rapport de chance normalisé (Odds Ratio Skill

Fig. 2.22 Comparaison zone-à-zone, le carré noir est la zone de comparaison

Le morcellement, patchiness en anglais, [Schröder et al., 2006] caractérise l'orga-

P1 quantie le morcellement et P2 dénit si celui-ci est dominé par le morcellement du

3.1.2 Une conguration semblable de simulation numérique

La gure 3.3 permet de comparer l'évolution temporelle de l'occurrence des points

An d'évaluer la qualité de la structure nuageuse observée et simulée, les notions de

La gure 3.5 montre l'évolution temporelle du nombre de structures nuageuses (à

Fig. 3.6 Scores de morcellement P1 et P2 observés (pointillé) et simulés (traits pleins)

3.4 Une vérication de la couverture nuageuse

L'étude des diérentes situations et l'évaluation de la base de données sont poursuivies

Fig. 3.8 Scores catégoriels point-à-point (traits pleins) et zone-à-zone (pointillées) de