Skill Evaluation of Extended Range Forecasts for Northeast Monsoon Rainfall across Smaller Spatial Domains of South Peninsular India

Résumé technique : Évaluation des compétences des prévisions à portée étendue pour les précipitations de la mousson du Nord-Est sur de petits domaines spatiaux de la péninsule du Sud de l'Inde

Énoncé du problème
La prédiction fiable des précipitations de la mousson du Nord-Est (MNE) à des échéances de prévision étendues est cruciale pour la planification agricole, la gestion des ressources en eau et la réduction des risques de catastrophes dans le sud de la pén Peninsula indienne. Contrairement à la mousson du Sud-Ouest, la MNE est spatialement hétérogène et fortement concentrée dans des subdivisions spécifiques telles que le Tamil Nadu, le Kerala et l'Andhra Pradesh côtier. Bien que des recherches antérieures aient fait progresser la compréhension de la climatologie de la MNE et de la prévision saisonnière, les évaluations diagnostiques systématiques des prévisions à portée étendue (ERF) à des échelles spatiales plus fines restent limitées. Les prévisions opérationnelles existantes reposent souvent sur des subdivisions météorologiques plus larges, ce qui peut occulter la variabilité locale essentielle à la prise de décision régionale. Cette étude comble cette lacune en évaluant la performance des ERF opérationnelles sur 11 domaines spatiaux plus petits et plus granulaires au sein de la péninsule du Sud de l'Inde à travers des saisons de mousson contrastées.

Méthodologie
L'étude évalue le système de prévision à portée étendue (ERF) opérationnel du service météorologique de l'Inde (IMD), qui utilise le modèle couplé CFSv2 (basé sur les composants NCEP CFSv2, MOM4 pour l'océan et GFS pour l'atmosphère). Le système génère des prévisions hebdomadaires jusqu'à quatre semaines à l'avance, avec une initialisation chaque mercredi.

• Zone d'étude et période : L'analyse couvre 11 régions spécifiques de la péninsule du Sud de l'Inde (par exemple, le Nord/Sud Kerala, diverses subdivisions du Tamil Nadu, l'Andhra Pradesh côtier/Rayalaseema et l'intérieur du Karnataka) durant les saisons de la MNE de 2015 (précipitations sensiblement supérieures à la normale), 2016 (précipitations sévèrement déficitaires) et 2017 (précipitations inférieures à la normale).
• Sources de données : Les prévisions sont vérifiées par rapport aux données de précipitations fusionnées IMD-GPM à une résolution de 1°, combinant les mesures pluviométriques et les estimations satellitaires.
• Catégorisation : Pour tenir compte de la forte variabilité aux échelles plus fines, les précipitations sont classées en trois groupes basés sur les écarts hebdomadaires par rapport à la moyenne de la période longue (LPA) : Au-dessus de la normale (AN, >20 %), Normale (NN, -19 % à +19 %) et Inférieure à la normale (BN, <-20 %).
• Métriques de vérification : La performance est évaluée à l'aide de scores de vérification catégorielle dérivés de tableaux de contingence 2x2. Les métriques incluent la précision de la prévision, le score de biais (BS), la probabilité de détection (POD), le taux de fausses alarmes (FAR), l'indice de succès critique (CSI) et le score de menace équitable (ETS).

Résultats clés
L'évaluation révèle une dépendance claire de la compétence de la prévision vis-à-vis du délai d'échéance, de la localisation spatiale et des caractéristiques interannuelles de la mousson :

• Dépendance au délai d'échéance : La compétence de la prévision est la plus élevée à la Semaine-1 et se dégrade systématiquement jusqu'à la Semaine-4. Les prévisions de la Semaine-1 présentent une précision dépassant 65–75 %, la catégorie Normale (NN) étant la plus performante (70–80 % de précision). À la Semaine-4, la compétence chute à environ 40–50 %.
• Performance par catégorie :
  • Normale (NN) : Présente systématiquement la plus haute précision et la plus haute POD à tous les délais et toutes les années, avec des scores de biais proches de l'unité (erreur systématique minimale).
  • Au-dessus de la normale (AN) : Montre une précision modérée mais une tendance à la légère surestimation (Biais > 1), particulièrement aux délais plus longs.
  • Inférieure à la normale (BN) : Présente la compétence la plus faible, particulièrement aux délais plus longs, avec une tendance à la sous-estimation (Biais < 1) et des taux de fausses alarmes plus élevés.
• Variabilité interannuelle :
  • 2016 (Sévèrement déficitaire) : A démontré la prédictibilité et la cohérence spatiale les plus élevées parmi les trois années, avec une compétence utile s'étendant jusqu'à la Semaine-3.
  • 2017 (Inférieure à la normale) : A montré une performance intermédiaire, meilleure que 2015 mais avec plus de variabilité que 2016.
  • 2015 (Sensiblement supérieure à la normale) : A présenté la compétence la plus faible et la plus grande incertitude. Cette prédictibilité réduite est attribuée à la dominance de la variabilité à l'échelle synoptique et aux interactions fortes entre les perturbations synoptiques et les modes de basse fréquence, qui sont difficiles à capturer par les modèles aux échéances étendues.
• Variabilité spatiale : Les régions côtières ont généralement affiché une meilleure prédictibilité par rapport aux régions intérieures, particulièrement aux délais plus longs.

Signification et affirmations
L'article conclut que le système ERF opérationnel possède une compétence prédictive significative pour les précipitations de la MNE sur de petits domaines spatiaux dans le sud de la péninsule de l'Inde, particulièrement jusqu'à un délai de 2 à 3 semaines. L'étude souligne que, bien que l'incertitude des prévisions augmente avec le délai, le système reste capable de distinguer les régimes de précipitations (AN, NN, BN) avec une fiabilité raisonnable, surtout pour les conditions normales.

Les auteurs affirment que ces conclusions soutiennent le potentiel d'application des ERF dans les services de conseils agro-météorologiques opérationnels et les prévisions fondées sur les impacts. En fournissant des perspectives hebdomadaires fiables pour des subdivisions spécifiques, le système peut aider les parties prenantes à optimiser les activités agricoles, telles que la planification de l'irrigation et les décisions de semis, ainsi qu'à se préparer aux risques d'inondation ou de sécheresse. L'étude souligne que, bien que le système ne soit pas parfait, son niveau de compétence actuel offre un outil précieux pour la prise de décision dans la région, à condition que les utilisateurs tiennent compte de la dégradation de la compétence au-delà de la deuxième semaine et des défis spécifiques posés par les saisons synoptiques très actives comme celle de 2015.