Soutenance

Les paramétrisations représentent encore mal la variabilité spatio-temporelle de la convection. Cela peut provenir du fait que les paramétrisations supposent, à tord, que la convection peut être diagnostiquée à partir des conditions de grande échelle. Le concept de mémoire de la convection, signifiant que la convection dépend de sa propre histoire, pourrait permettre de résoudre ce problème. Cette thèse propose un nouveau cadre d'étude faisant la distinction entre la mémoire micro-état (non résolue) et la mémoire macro-état (de grande échelle).

La thèse a recours à une hiérarchie de modèles: un modèle résolvant les nuages, un Modèle de Circulation Générale (GCM) en 1D et en 3D, et un modèle simple proie-prédateur. Ils sont placés soit en Equilibre Radiatif-Convectif soit en condition de macro-état fixé, et on analyse leur réponse à des perturbations d'homogénéisation.

La mémoire de la convection a un temps typique compris entre une heure et un jour, et elle apparaît fortement liée à l'organisation convective dans l'espace. La mémoire du micro-état est essentiellement stockée dans les structures micro-état de couche-limite de la vapeur d'eau et de la température, la mémoire de la vapeur d'eau étant dominante. De plus, le micro-état convectif est intrinsèquement instable, ce qui confirme que la connaissance de l'état de grande échelle n'est pas suffisante pour prédire la convection. On montre ensuite que le GCM de référence a déjà des formes encourageantes de mémoire. Par une modification simple du GCM, on améliore certains aspects de la mémoire, mais en détériore d'autres. Cette modification rend les poches froides moins froides et ainsi moins aptes à déclencher la convection. La pluie du GCM modifié devient ainsi plus intermittente, résolvant un biais typique des modèles.

Cette étude promeut l'introduction de variables prognostiques dans les GCMs pour représenter la mémoire du micro-état, permettant ainsi d'améliorer les propriétés de grande échelle des GCMs.

Résumé vulgarisé :

Comment prédire les nuages et la pluie ? En météorologie, prévoir les nuages et la pluie est un des défis les plus difficiles. Les techniques traditionnelles analysent en général la température et l’humidité en un lieu donné, à un instant donné, et on en déduit alors approximativement la quantité de nuages et de pluie qui devrait avoir lieu.

Cela dit, les nuages ont une inertie : il faut un certain temps pour réussir à former un gros nuage d’orage à partir de rien, et il faut aussi du temps pour qu’un gros nuage disparaisse en se dissipant. Nous appelons cela la « mémoire » des nuages : l’état nuageux dans une demi-heure dépend de l’état nuageux actuel. Grâce à cette inertie des nuages, nous avons une nouvelle information pour améliorer les prédictions du futur : en extrapolant la situation actuelle de nuages dans le futur, on a une idée de la situation des nuages une demi-heure plus tard. Nous pensons qu’en combinant les méthodes traditionnelles avec l’effet d’inertie des nuages, nous pouvons améliorer significativement des prédictions.

Les simulations réalisées sur ordinateur pendant la thèse ont permis de montrer que cette inertie des nuages est essentiellement liée aux petites structures de température et d’humidité à proximité du sol. Elles ont permis de montrer que le comportement des nuages vis-à-vis de l’instabilité de l’atmosphère ressemble un peu au comportement d’un ensemble de prédateurs et de proies. Enfin, des tests améliorant la représentation dans les outils de prédiction de l’air froid que l’on ressent après les orages ont montré tout le potentiel de notre approche pour améliorer les prévisions de pluie.

Ainsi, pour améliorer les prévisions des nuages et de la pluie dans le contexte de l’évolution du climat à long terme, il sera utile de savoir faire une bonne « photographie » des nuages, pour ensuite utiliser leur inertie pour en faire un film avançant vers le futur.