Les techniques de post-traitement statistique (machine learning) des prévisions météorologiques sont des approches puissantes pour compenser les effets des erreurs dans la structure du modèle ou les conditions initiales, et pour étalonner les ensembles dispersés de façon imprécise. Notre objectif est d’explorer des techniques novatrices d’apprentissage automatique pour la calibration des prévisions d’ensemble, telles que régressions, forêts aléatoires, support-vector machine. On s’intéresse aussi aux méthodologies pour constituer des jeux d’apprentissage à partir de prévisions d’ensemble.

Illustration d’une méthode de calibration et de descente d’échelle appliquée à un membre de PEARP  . Un membre de prévision de température à 2m, partant du 19 mars 2019 à 18h (à gauche) pour le 21 mars à 12 heures, voit sa qualité et sa résolution améliorées (à droite) grâce aux post-traitements mis en œuvre.

Un autre volet d’application des statistiques que nous explorons est l’identification et de structures cohérentes (pluies, nuages, tempêtes, etc) dans les ensembles, afin de synthétiser l’information issue des ensembles et de faciliter leur interprétation. Diverses méthodes sont explorées, dont en particulier des réseaux de neurones convolutifs (deep learning).