La prĂ©vision mĂ©tĂ©orologique, basĂ©e sur la modĂ©lisation du système chaotique atmosphĂ©rique, comporte une part d’incertitude. Celle-ci peut ĂŞtre Ă©valuĂ©e Ă  l’aide d’ensembles de prĂ©visions. La thèse s’intĂ©resse au post-traitement de la prĂ©vision d’ensemble Ă  Ă©chelle kilomĂ©trique de MĂ©tĂ©o-France (PE-AROME). L’objectif est de dĂ©velopper de nouveaux outils pour extraire des informations essentielles des modèles pour les prĂ©visions. Ces outils s’appuient sur des mĂ©thodes d’apprentissage profond. Ce manuscrit commence par la prĂ©sentation des prĂ©visions d’ensemble, des mĂ©thodes de post-traitement existantes et des mĂ©thodes employĂ©es aujourd’hui pour expertiser les modèles mĂ©tĂ©orologiques. Cette thèse propose d’enrichir la palette d’outils disponibles avec deux approches complĂ©mentaires pour extraire de nouvelles informations de la PE-AROME.
Dans un premier temps, une approche pour aider Ă  la prĂ©vision de structures orageuses particulières et Ă  fort impact, qu’on nomme les Ă©chos arquĂ©s, est dĂ©veloppĂ©e. L’objectif est de les dĂ©tecter dans les sorties de chaque membre PE-AROME. Cette dĂ©tection est faite par un rĂ©seau de neurones convolutif (de type U-Net). Le rĂ©seau de neurones retenu montre une bonne capacitĂ© Ă  discerner les Ă©chos arquĂ©s d’autres organisations orageuses. Les performances de ce U-Net ont permis de dĂ©boucher sur une production en mode recherche quotidienne synthĂ©tisant le risque d’Ă©chos arquĂ©s. L’Ă©valuation objective des prĂ©visions montre la plus-value de la PE-AROME comparĂ©e au modèle dĂ©terministe AROME au-delĂ  de 15 heures d’Ă©chĂ©ance.
La deuxième approche dĂ©veloppĂ©e durant cette thèse vise Ă  mettre en Ĺ“uvre une synthèse par scĂ©narios des prĂ©visions de pluies. Un scĂ©nario peut ĂŞtre dĂ©fini comme un groupe de membres prĂ©voyant des Ă©vènements mĂ©tĂ©orologiques similaires. Cette approche ne s’intĂ©resse pas Ă  un Ă©vènement particulier et est donc moins spĂ©cialisĂ©e que la dĂ©tection des Ă©chos arquĂ©s. Cette synthèse repose sur une rĂ©duction de dimension du champ de pluies Ă  l’aide d’un autre rĂ©seau de neurones convolutif (de type autoencodeur). Chaque membre est ainsi exprimĂ© et classĂ© dans l’espace latent de l’autoencodeur qui possède quelques dizaines de dimensions. La pertinence de cette reprĂ©sentation sous forme de scĂ©narios est discutĂ©e Ă  l’aide de scores et d’Ă©tudes de cas. Les scores montrent une rĂ©elle complĂ©mentaritĂ© entre le modèle dĂ©terministe AROME et la PE-AROME. Ils montrent qu’il est plus intĂ©ressant de suivre les deux scĂ©narios les plus peuplĂ©s de la PE-AROME que deux rĂ©seaux AROME. Mais ils montrent aussi qu’en cas de deux scĂ©narios Ă©quiprobables dans la PE-AROME, le scĂ©nario qui est aussi celui d’une prĂ©vision AROME a plus de chance d’ĂŞtre correct que l’autre