Estimation de la dynamique à partir de l'assimilation d'images radars multi-échelles : application à la prévision des taux de précipitation à courte échéance, à partir des images radars

Overview & Synopsis

La prévision du taux de précipitations occupe une place particulière, compte tenu de leur impact direct sur l'économie. Ces prévisions permettent, d’une part, d’anticiper les contraintes environnementales et d’optimiser par exemple la gestion des ressources en eau, et, d’autre part, d'anticiper les risques d’inondations. L'objectif de ces travaux est d'améliorer la prévision à court terme de taux de précipitation de l'algorithme Rain Nowcast (RN) qui fournissait auparavant des prévisions pertinentes pour un horizon temporel de 30 minutes. Une approche multi-échelle a été proposée qui permet de fusionner deux types de données radars, de résolutions spatiales différentes afin d'augmenter l'horizon temporel de prévision tout en garantissant une prévision de qualité en terme de localisation et quantité de précipitation. Nous proposons deux algorithmes multi-échelles , le premier est séquentiel «Sequential Motion RN» : une estimation globale avec les données régionales pour guider une estimation locale avec des données locales. Le second est parallèle «Parallel Motion RN»: utilisation simultanée des données locales et régionales. Deux autres méthodes dédiées à la prévision sont proposées : l'hypothèse de vent géostrophique, consiste à corriger la sous-estimation de l'intensité du mouvement pour les structures peu contrastées dans les images radars. La deuxième méthode : la correction d’histogramme, consiste à corriger l’effet de lissage causé par le schéma numérique en utilisant une technique largement décrite dans la littérature, pour corriger les mesures de pluviométrie estimées à partir d’images radar.