L’art de gommer les incertitudes

Comme déjà mentionné dans un article précédent publié sur SCE, la variation de la couverture nuageuse a probablement un effet majeur sur la température moyenne globale de la basse atmosphère. Si l’on veut prédire le climat du futur comme le prétend le GIEC il faut savoir modéliser la formation des nuages. Que nous dit le dernier rapport scientifique (AR5) du GIEC à ce sujet? Le but du présent article est simplement de vous présenter quelques phrases tirées de ce rapport. La science est-elle dite?

1. Le chapitre 7 du rapport AR5 publié par le GIEC en 2013

Le chapitre 7 du rapport AR5 du GIEC[1] fait 60 pages et est consacré aux nuages et aux aérosols (le rapport AR5 complet fait au total 1535 pages). Ce chapitre 7 comporte 22 pages de références et cite plus de 1100 articles scientifiques publiés dans des revues aussi prestigieuses que Science, Nature ou PNAS. Le chapitre 7 a été écrit sous la direction de Olivier Boucher (France) et David Randall (USA), deux spécialistes du domaine. Nous n’allons pas ici remettre en question la validité de ce chapitre. Nous allons simplement vous présenter quelques phrases tirées du rapport. Comme le rapport est écrit en anglais nous vous proposerons ci-dessous une “traduction maison” des phrases qui nous paraissent les plus importantes, assorties parfois de quelques explications pour bien les comprendre. Les lettres entre crochets ([A] à [P]) renvoient simplement au texte original en anglais, donné en Annexe du présent article.

Concernant la formation des nuages [A] :

  • “Les flux atmosphériques organisent la convection et les nuages associés dans des systèmes cohérents qui ont des échelles allant de dizaines à plusieurs milliers de kilomètres d’extension, comme les cyclones ou les systèmes frontaux. Ceux-ci représentent un défi théorique et sont très difficiles à modéliser, car ils sont trop grands pour être représentés dans les domaines limités des modèles de résolution des nuages, mais sont aussi très mal représentés ou paramétrisés dans la plupart des modèles climatiques; cependant de nombreuses avancées sont actuellement réalisées.”

Concernant l’effet des nuages sur le bilan radiatif de la Terre :

  • [B] “En augmentant l’albédo de la planète, la couverture nuageuse exerce un effet radiatif global et annuel d’environ –50 W m–2. Il s’agit ici de courtes longueurs d’ondes réfléchies vers l’espace par les nuages. L’effet est appelé SWCRE (Short Wave Cloud Radiative Effect). D’un autre côté, en contribuant à l’effet de serre, les nuages exercent également un effet de réchauffement valant environ +30 W m–2, avec une gamme de 10% ou moins pour les estimations en provenance de divers satellites. (…) Il s’agit ici de l’effet LWCRE (Long Wave Cloud Radiative Effect). Au final, les nuages ont donc un effet radiatif net d’approximativement –20 W m–2.” Le signe négatif indique que les nuages ont un effet net global refroidissant sur le climat actuel.
  • [C] “Le CRE (Clour Radiative Effect) net est négatif partout sur le globe et très négatif dans les régions comportant des stratus et stratocumulus bas et très étendus  comme les latitudes moyennes et les océans subtropicaux de l’est, où le SWCRE est fort et le LWCRE est faible.”

Concernant la modélisation des nuages [D] :

  • “Les processus de formation des nuages ont lieu sur des échelles allant du micromètre, voire moins (pour les noyaux de condensation des nuages, les fameux CCN) à des systèmes de nuages de plusieurs milliers de kilomètres d’extension. Cette gamme d’échelles est impossible à traiter par des simulations numériques sur des ordinateurs, et cette situation ne changera pas dans un futur proche.

A propos des “simulations explicites en petits domaines” :

  • [E] “La microphysique des nuages, les précipitations et les interactions avec les aérosols sont traités avec des degrés divers de sophistication et ceci reste un point faible de tous les modèles peu importe leur résolution.
  • [F] “Tout particulièrement pour les nuages composés de particules de glace et pour les interactions entre nuages et aérosols, notre compréhension des phénomènes micro-physiques de base n’est pas encore adéquate, bien que la situation s’améliore progressivement.”
  • [G] “Faire tourner un CRM (i.e., un modèle de résolution des nuages) dans un domaine suffisamment grand pour capter l’organisation convective ou effectuer des prévisions régionales demande une énorme puissance de calcul.”
  • [H] “Les processus impliquant les nuages bas, qui interviennent dans les incertitudes concernant les rétroactions des nuages, ne peuvent pas être simulés de manière explicite, excepté dans de très petits domaines.”  “… ces modèles ne peuvent pas à eux seuls quantifier de manière définitive les rétroactions globales dues aux nuages ou les interactions nuages-aérosols.”

A propos des modèles globaux avec des nuages explicites :

  • [I] “Des modèles globaux de type GCRMs (Global Cloud-Resolving Models) ont déjà été utilisés avec des grilles dont les domaines élémentaires étaient aussi petits que 3.5 km. Mais jusqu’à présent, ces modèles ne peuvent être utilisés que pour des simulations relativement courtes de quelques mois à un an ou deux en utilisant les super-ordinateurs les plus rapides.”
  • [J] “Inoue et al. (2010) ont montré que la couverture nuageuse simulée par un GCRM était en bon accord avec les observations réalisées par CloudSat et CALIPSO, mais que les résultats sont sensibles aux paramétrisations des turbulences et à la microphysique des nuages.”
  • [K] “Ces modèles globaux donnent d’importantes indications, mais aucun d’eux n’explique complètement les processus de formation des nuages, particulièrement pour les nuages bas, et leurs résultats doivent être traités avec précaution tout comme pour les modèles conventionnels de type GCM.”

A propos du défi de la paramétrisation :

  • [L] “La représentation des processus microphysiques des nuages dans les modèles climatiques est un réel défi, en partie parce que certains processus fondamentaux sont encore très mal connus (particulièrement pour les nuages de glace et les nuages mixtes), et parce qu’il existe une hétérogénéité spatiale des propriétés atmosphériques clés à des échelles plus petites que la taille des boîtes élémentaires utilisées dans les grilles des modèles GCM.”
  • [M] “Les faiblesses de ces paramétrisations affectent non seulement la sensibilité des modèles climatiques, mais aussi la fidélité avec laquelle ces autres variables (c.à.d., la circulation Hadley, les patterns de précipitation, la variabilité tropicale) peuvent être simulées ou projetées.”
  • [N] “La plupart des simulations obtenues avec les modèles climatiques CMIP5 utilisent des résolutions horizontales de 100 à 200 km dans l’atmosphère, avec des couches verticales variant entre 100 m près de la surface et plus de 1000 m pour les zones supérieures. Pour des régions si larges, dans le monde réel, il existe habituellement une énorme variabilité à petite échelle concernant les propriétés des nuages, associées à des variabilités d’humidité, de température et de mouvement vertical. Cette variabilité doit être prise en compte pour pouvoir simuler précisément les interactions entre nuages et radiations, la condensation, l’évaporation et la précipitation ainsi que d’autres processus qui dépendent de manière cruciale de la manière dont les condensas de nuages sont distribués dans chaque cellule élémentaire de la grille.”
  • [O] “La simulation des nuages dans les modèles climatiques modernes implique plusieurs paramétrisations qui doivent fonctionner à l’unisson. Il faut ainsi paramétriser la turbulence, la convection des cumulus, les processus microphysiques, les transferts radiatifs et la quantité de nuages résultant (en incluant le chevauchement vertical entre les différents niveaux de grilles), et aussi le transport des aérosols et des espèces chimiques à un niveau inférieur à la taille de la cellule élémentaire de la grille. Le système de paramétrisation doit être un compromis entre simplicité, réalisme, stabilité informatique et efficacité. De nombreux GCMs (c.à.d., modèles climatiques globaux) ne traitent pas les nuages de manière réaliste et en conséquence leurs prédictions restent incertaines en ce qui concerne les nuages.

Terminons par la partie FAQ du chapitre 7 :

  • [P] “Les nuages affectent fortement le climat actuel, mais les observations seules ne peuvent pas encore dire comment ils affecteront un climat futur plus chaud. Pour prédire les changements de couverture nuageuse il faut un modèle climatique global. Un tel modèle simule une couverture nuageuse qui ressemble grossièrement à ce qui est observé, mais d’importantes erreurs et incertitudes persistent. Des modèles climatiques différents produisent des projections différentes concernant l’effet des nuages dans un climat plus chaud. En se basant sur toute l’évidence disponible, il semble probable que la rétroaction nette nuage-climat amplifie le réchauffement global. Si c’est le cas, la force de cette amplification reste incertaine.
2. Le résumé pour décideurs du Chapitre 7

Un résumé de 30 pages, appelé “Summary for Policymakers” (SPM) est présenté en début du rapport scientifique de 1535 pages. Ce résumé concerne le total des 1535 pages de rapport scientifique et ne peut donc que parler brièvement des nuages. Le résumé SPM reflète-il les nombreuses incertitudes que nous venons de relever?

A vous de juger : dans les 30 pages du résumé SPM, il n’y a qu’à 4 endroits où les nuages sont mentionnés (pages 13, 16 et 19). Les 8 petites phrases mentionnant les nuages sont présentées en anglais en Annexe [Q]. On y apprend (1) que le forçage radiatif causé par les nuages est négatif et qu’ils auraient empêché un partie du réchauffement. Un éventuel réchauffement causé par une variation séculaire de couverture nuageuse n’est donc pas évoqué. (2) On apprend ensuite que les modèles climatiques incluent de plus en plus les nuages, mais que le niveau de confiance obtenu est bas. Puis (3), il est écrit que la rétroaction radiative nette causée par tous les types de nuages combinés est certainement positive, et qu’il y a une incertitude dans le signe et la magnitude de la rétroaction. (4) Finalement, on apprend qu’il n’y a pas d’association robuste entre la variation du taux de rayons cosmiques et la couverture nuageuse.

3. Conclusions
  • Le chapitre 7 du rapport scientifique concernant les nuages et aérosols fait 60 pages et comporte énormément d’incertitudes sur la formation des nuages, leur rôle dans le climat et leur modélisation. Le discours utilisé dans le chapitre est un discours classique rencontré chez des scientifiques restant prudents.
  • Par contre, le résumé pour décideurs (SPM) ne comporte quasi plus d’incertitude. Le mot “incertitude” n’est d’ailleurs rencontré qu’une seule fois dans les phrases concernant les nuages. Que va penser un décideur qui le lit?
  • Le résumé SPM ne dit donc pas que les cyclones et les systèmes frontaux sont très difficiles à modéliser, que notre compréhension des phénomènes micro-physiques à la base de la formation des nuages n’est pas encore adéquate, que les modèles informatiques actuels ne peuvent être utilisés que pour des simulations relativement courtes de quelques mois en utilisant les super-ordinateurs les plus rapides, et que les résultats dépendent entièrement des paramètres injectés dans les modèles.
  • Le résumé SPM, celui qui est destiné aux décideurs, et qui est probablement écrit par les décideurs, gomme donc toute une série d’incertitudes, la plus importante étant au final l’impossibilité de prévoir l’effet des nuages dans le climat du futur.

4. Annexes

[A] Atmospheric flows often organize convection and associated clouds into coherent systems having scales from tens to thousands of kilometres, such as cyclones or frontal systems. These represent a significant modelling and theoretical challenge, as they are usually too large to represent within the limited domains of cloud-resolving models (Section 7.2.2.1), but are also not well resolved nor parameterized by most climate models; this gap, however, is beginning to close (Section 7.2.2.2). Page 579.

[B] By enhancing the planetary albedo, cloudy conditions exert a global and annual shortwave cloud radiative effect (SWCRE) of approximately –50 W m–2 and, by contributing to the greenhouse effect, exert a mean longwave effect (LWCRE) of approximately +30 W m–2, with a range of 10% or less between published satellite estimates (Loeb et al., 2009). (…) The net global mean CRE of approximately –20 W m–2 implies a net cooling effect of clouds on the current climate. Page 581.

[C] The net CRE is negative over most of the globe and most negative in regions of very extensive low-lying reflective stratus and stratocumulus cloud such as the mid-latitude and eastern subtropical oceans, where SWCRE is strong but LWCRE is weak. Page 582.

[D] Cloud formation processes span scales from the sub-micrometre scale of CCN, to cloud-system scales of up to thousands of kilometres. This range of scales is impossible to resolve with numerical simulations on computers, and this is not expected to change in the foreseeable future. Page 582.

[E] Cloud microphysics, precipitation and aerosol interactions are treated with varying levels of sophistication, and remain a weak point in all models regardless of resolution. Page 583.

[F] Especially for ice clouds, and for interactions between aerosols and clouds, our understanding of the basic micro-scale physics is not yet adequate, although it is improving. Page 583.

[G] Because of these requirements, it is computationally demanding to run a CRM in a domain large enough to capture convective organisation or perform regional forecasts. Page 583.

[H] These grid requirements mean that low-cloud processes dominating the known uncertainty in cloud feedback cannot be explicitly simulated except in very small domains. Thus, notwithstanding all of the above benefits of explicit cloud modeling, these models cannot on their own quantify global cloud feedbacks or aerosol–cloud interactions definitively. Page 583.

[I] Global Cloud-Resolving Models (GCRMs) have been run with grid spacings as small as 3.5 km (Tomita et al., 2005; Putman and Suarez, 2011). At present GCRMs can be used only for relatively short simulations of a few simulated months to a year or two on the fastest supercomputers, but in the not-too distant future they may provide climate projections. Page 584.

[J] Inoue et al. (2010) showed that the cloudiness simulated by a GCRM is in good agreement with observations from CloudSat and CALIPSO, but the results are sensitive to the parameterizations of turbulence and cloud microphysics (Satoh et al., 2010; Iga et al., 2011; Kodama et al., 2012). Page 584.

[K] Thus both types of global model provide important insights, but because neither of them fully resolves cloud processes, especially for low clouds (see Section 7.2.2.1), their results must be treated with caution just as with conventional GCMs. Page 584.

[L] The representation of cloud microphysical processes in climate models is particularly challenging, in part because some of the fundamental details of these microphysical processes are poorly understood (particularly for ice- and mixed-phase clouds), and because spatial heterogeneity of key atmospheric properties occurs at scales significantly smaller than a GCM grid box. Page 584.

[M] Therefore continuing weakness in these parameterizations affects not only modeled climate sensitivity, but also the fidelity with which these other variables can be simulated or projected. Page 584.

[N] Most CMIP5 climate model simulations use horizontal resolutions of 100 to 200 km in the atmosphere, with vertical layers varying between 100 m near the surface to more than 1000 m aloft. Within regions of this size in the real world, there is usually enormous small-scale variability in cloud properties, associated with variability in humidity, temperature and vertical motion (Figure 7.16). This variability must be accounted for to accurately simulate cloud–radiation interaction, condensation, evaporation and precipitation and other cloud processes that crucially depend on how cloud condensate is distributed across each grid box (Cahalan et al., 1994; Pincus and Klein, 2000; Larson et al., 2001; Barker et al., 2003). Page 584.

[O] The simulation of clouds in modern climate models involves several parameterizations that must work in unison. These include parameterization of turbulence, cumulus convection, microphysical processes, radiative transfer and the resulting cloud amount (including the vertical overlap between different grid levels), as well as sub-grid scale transport of aerosol and chemical species. The system of parameterizations must balance simplicity, realism, computational stability and efficiency. Many cloud processes are unrealistic in current GCMs, and as such their cloud response to climate change remains uncertain. Page 584.

[P] Clouds strongly affect the current climate, but observations alone cannot yet tell us how they will affect a future, warmer climate. Comprehensive prediction of changes in cloudiness requires a global climate model. Such models simulate cloud fields that roughly resemble those observed, but important errors and uncertainties remain. Different climate models produce different projections of how clouds will change in a warmer climate. Based on all available evidence, it seems likely that the net cloud–climate feedback amplifies global warming. If so, the strength of this amplification remains uncertain. Page 593.

[Q] Voici les quelques phrases traitant des nuages dans le SPM :

p13 : “The RF of the total aerosol effect in the atmosphere, which includes cloud adjustments due to aerosols, is –0.9 [–1.9 to −0.1] W m−2 (medium confidence), and results from a negative forcing from most aerosols and a positive contribution from black carbon absorption of solar radiation. There is high confidence that aerosols and their interactions with clouds have offset a substantial portion of global mean forcing from well-mixed greenhouse gases. They continue to contribute the largest uncertainty to the total RF estimate. {7.5, 8.3, 8.5}”

p16 : “Climate models now include more cloud and aerosol processes, and their interactions, than at the time of the AR4, but there remains low confidence in the representation and quantification of these processes in models. {7.3, 7.6, 9.4, 9.7}”

p16 : “The net feedback from the combined effect of changes in water vapour, and differences between atmospheric and surface warming is extremely likely positive and therefore amplifies changes in climate. The net radiative feedback due to all cloud types combined is likely positive. Uncertainty in the sign and magnitude of the cloud feedback is due primarily to continuing uncertainty in the impact of warming on low clouds. {7.2}”

p19 : “No robust association between changes in cosmic rays and cloudiness has been identified. {7.4, 10.3, Box 10.2}”

Références

[1] Boucher, O., D. Randall, P. Artaxo, C. Bretherton, G. Feingold, P. Forster, V.-M. Kerminen, Y. Kondo, H. Liao, U. Lohmann, P. Rasch, S.K. Satheesh, S. Sherwood, B. Stevens and X.Y. Zhang, 2013: Clouds and Aerosols. In: Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Stocker, T.F., D. Qin, G.-K. Plattner, M. Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex and P.M. Midgley (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA.

(Visited 843 times, 3 visits today)

5 réflexions au sujet de « L’art de gommer les incertitudes »

  1. Comme toujours un très intéressant article 🙂 J’ai cependant relevé ceci qui eut peut-être mérité une petite explication supplémentaire :
    “Finalement, on apprend qu’il n’y a pas d’association robuste entre la variation du taux de rayons cosmiques et la couverture nuageuse”..

    Est-ce à dire que les remarquables travaux de Henrik Svensmark traitant de l’influence du rayonnement cosmique sur la formation des nuages (théorie confirmée apr l’expérience CLOUD du CERN) a été purement et simplement balayée???

    1. Merci pour votre remarque! Le rapport AR5 du GIEC mentionne les expériences de Marsh & Svensmark 2000 (Phys. Rev. Lett., 85, 5004–5007) qui montre une co-variation entre le flux de rayons cosmiques et la couverture des nuages bas, et cela en employant des données satellitaires globales sur des périodes de 5 à 10 ans. Mais le rapport nous dit que de telles corrélations ne sont pas robustes lorsque l’on étend la durée d’observation (Agree et al. 2012, J. Clim., 25, 1057–1060), en restreignant l’analyse à des types de nuages particuliers (Kernthaler et al. 1999, Geophys. Res. Lett., 26, 863–865) ou à des lieux particuliers (Udelhofen & Cess 2011, Geophys. Res. Lett., 28, 2617–2620; Usoskin & Kovaltsov 2008, C. R. Geosci., 340, 441–450). Les corrélations rapportées peuvent également être attribuées à la variabilité ENSO (Farrar 2000, Clim. Change, 47, 7–15; Laken et al. 2012, J. Clim., 25, 4430–4440) et/ou des artéfacts de données satellitaires (Pallé 2005, Geophys. Res. Lett., 32, L03802).

      Le rapport mentionne également Svensmark et al. 2009 (Geophys. Res. Lett., 36, L15101), ou des réductions globales de couverture nuageuse on été observées après de grandes “diminutions de Forbush” (diminutions rapides de l’intensité des rayons cosmiques galactiques juste après une éjection de masse coronale du soleil). Cependant, le rapport nous dit que ces résultats n’ont pas été confirmés par d’autres études où aucun lien significatif entre flux de rayons cosmiques et couverture nuageuse globale n’a été trouvé (Čalogović et al. 2010, Geophys. Res. Lett., 37, L03802; Laken & Čalogović 2011, Geophys. Res. Lett., 38, L24811).

      Bien que certaines études aient trouvé des corrélations significatives entre le flux de rayons cosmiques et la couverture nuageuse à l’échelle locale (Laken et al. 2010, Atmos. Chem. Phys., 10, 10941–10948; Rohs et al. 2010, J. Geophys. Res., 115, D14212), ces corrélations étaient généralement faibles, les variations de couverture nuageuse étaient faibles, et les résultats étaient sensibles à la manière dont les évènements de Forbush étaient sélectionnés (Kristjánsson et al. 2008, Atmos. Chem. Phys., 8, 7373–7387; Laken et al., 2009, Geophys. Res. Lett., 36, L23803).

      Voilà pourquoi le rapport AR5 du GIEC et le résumé SPM concluent tous deux qu’il n’y a pas d’association robuste entre la variation du taux de rayons cosmiques et la couverture nuageuse. Le rapport cite aussi des études concernant la vitesse de nucléation d’aérosols en présence de rayons cosmiques (Kirkby et al. 2011, Nature, 476, 429–433; Enghoff & Svensmark 2008, Atmos. Chem. Phys., 8, 4911–4923; Kazil et al. 2008, Space Sci. Rev., 137, 241–255) mais dit que l’on ne peut pas encore tirer de conclusions définitives.

      Cependant, la science n’est pas dite! Le rapport AR5 du GIEC a été publié en 2013. Depuis, il y a ne nombreuses autres études, comme par exemple celle de Svensmark et al. 2017 (Nature Communications 8, 2199) et celle de Kirkby et al. (2016, Nature 533:521-526).

      Attendons donc le rapport AR6 du GIEC!!

  2. Il est symptomatique qu’une armada de NIHILISTES veut occulter les relations de notre T° globale tant avec l’activité cyclique solaire qu’encore par la couverture nuageuse. Eux GIECiens, à l’instar de prophètes du Moyen-Âge, affirment pouvoir déjà modéliser des projections à l’horizon 2050, voire à celui 2100 pour les plus aventureux d’entre leurs amiraux! Haro donc sur nos incertitudes, dictent ces vaillants éclairés ont tout conçu et prédisent ainsi une fin du monde pour nos générations futures. Des « Nostradamus » sont ainsi de retour sur terre.
    Rabelais en eut lui bien ri… Nous pas ! Réfléchissons-y ?

    HPC (High Performance Computing): acceptons de reconnaître l’état limitatif actuel de certaines observations par satellites couplées au « run » de “modèles”.
    Votre article l’étaye clairement par nombre de raisonnements dubitatifs.
    Idem pour les pertinents inserts de deux auteurs liés à ce Chap.7 – AR5.
    Cherchant moi-même d’autres témoignages, je trouve aisément sous «Cloud Coverage Forecast» un nombre de références corroborant cette difficulté à modéliser (fidèlement).. qui tiendrait à la fois compte de :
    a) la taille de grilles (2D) avec les nuances Coarse/Medium/Fine sur les performances,
    b) devoir invoquer l’influence des convections et des turbulences (= des modèles 3D),
    c) l’aspect temporel limité “Short Range Forecasts” (36-72-84 hrs pour la plupart ?),
    d) l’honnêteté à mentionner que… toutes ces projections restent expérimentales !!!
    Soit, sans vouloir lasser quiconque, les quelques illustrations qui suivent ?
    …………………………………………………………………………………………………………..
    Attention ? Notez que les écarts de schémas mentaux (mindset) entre micro et macro-physique (du climat) sont ici et là autant écartés que le restent les raisonnements (ou leur absence ?) entre micro et macro-économie de ceux qui prétendent gouverner (et décider lucidement) l’avenir de notre globe terrestre ?
    = = = = = = = = = = = = = = = = = = = = = = = = = = = = = = == =

    As a current example… Cooperative Institute for Meteorological Satellite Studies : http://cimss.ssec.wisc.edu/cras/
    …………………………………………………………………………………………….
    OU tel autre exemple (portant sur des portions d’Afrique étudiées par le Laboratoire d’Aérologie, Université de Toulouse, and CNRS, Toulouse, et Météo-France) via : https://journals.ametsoc.org/doi/10.1175/2008MWR2432.1 ,
    sinon aussi leur : http://www.amma-international.org/spip.php
    Dont suit ici l’extrait du § de « Conclusions » : “”This indicates that room exists for improving the skills of weather forecasting over West Africa.””
    ………………………………………………………………………………………………………………..
    Nous projetant ensuite dans l’aire North America :
    http://eclipsophile.com/global-cloud-cover/
    leurs chercheurs ont là la modestie de limiter leurs analyses à un horizon annuel, en pointant les difficultés d’observations satellitaires et en invoquant « les algorithmes complexes » nécessaires au capteur MODIS…

    Puis viennent nombre d’autres remarques où chacun trouvera matières à réflexions sous : http://eclipsophile.com/computer/
    “”About Numerical Weather Models :
    Both Environment Canada and the U.S. National Weather Service (along with many other countries) maintain a set of national numerical weather prediction models. These models typically have a range of valid times that go out as far as 16 days into the future, but are usually not particularly reliable until about a week in advance. Reliability increases as the target date approaches, and by two or three days out, the models accuracy is usually good enough for planning a final eclipse-viewing site.
    Model range is usually related to model resolution — the level of detail in the calculations — and is often expressed as the separation between grid points used in the calculations. Long-range models have relatively coarse resolution, while shorter-range models calculate on a much smaller grid. The U.S. GFS (Global Forecast System) model, which goes out for 16 days, runs with a resolution of about 13 km for the first 10 days and then at 25 km for the balance of the “run.” The NAM (North American Model) has a resolution of 12 km and a run of 3.5 days. The Canadian GDPS and RDPS models have resolutions similar to the GFS and NAM, respectively, but use a different suite of numerical algorithms to calculate the meteorological parameters.
    Very high-resolution models (the Canadian HRDPS and the U.S. HRRR) have resolutions of 3 km or less, but shorter runs (48 hours for the HRDPS and 21 hours for the HRRR). To compensate, these models run much more frequently (every hour for the HRRR) than their longer-range cousins.””
    ……………………………………………………………………………………………………………………………

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *