Une représentation ou un algorithme computationnel conçu pour simuler, prévoir ou générer des champs de précipitations (quantité, intensité, phase, distribution spatiale) sur des échelles spatiales et temporelles spécifiées ; inclut les modèles physiques de prévision numérique du temps et du climat, les générateurs statistiques et stochastiques, les émulateurs par apprentissage automatique et les paramétrisations qui représentent les processus non résolus liés à la formation des nuages et aux précipitations.

Principe

Les modèles de précipitation équilibrent réalisme physique, paramétrisation des processus non résolus et contraintes de calcul ; leur performance dépend de conditions initiales et limites précises, de la représentation des processus et d'un couplage adapté aux schémas de surface terrestre et microphériques, ou de données d'entraînement représentatives pour les approches statistiques.

Démonstration

Un modèle de prévision numérique à résolution convective simule des champs de pluie horaires pour une région en traitant la microphysique explicitement ; un générateur stochastique de précipitations produit des séquences d'orages synthétiques pour les études de risque d'inondation ; un modèle de suréchantillonnage par réseau neuronal convertit la précipitation d'un modèle climatique grossier en estimations à l'échelle d'un bassin versant.

Mauvaise application

Utiliser un modèle global à grande échelle pour fournir des prévisions déterministes pour un petit bassin urbain sans suréchantillonnage ni correction des biais dépendant de l'échelle, ou entraîner un modèle d'apprentissage automatique sur un réseau d'observation biaisé puis extrapoler en dehors du domaine d'entraînement.

Conséquence

Développés et validés correctement, les modèles de précipitation fournissent des prévisions, des projections de scénarios et des jeux de données synthétiques qui soutiennent les avertissements de danger, la planification des ressources en eau et les évaluations d'impact climatique, tandis qu'une caractérisation explicite de l'incertitude permet des décisions probabilistes.

Inversion

L'inverse consiste à ne se fier qu'aux observations historiques sans modèle prospectif pour générer des prévisions ou scénarios, ou à utiliser des modèles sans validation en considérant leurs sorties comme vérité.

Limite

Comprend les modèles et algorithmes qui produisent explicitement des quantités de précipitation dans des contextes météorologiques, climatiques et hydrologiques ; exclut les modèles centrés exclusivement sur des variables atmosphériques non liées aux précipitations, les schémas conceptuels sans sorties calculables et les produits qui ne délivrent pas de champs ou de probabilités de précipitation.

Tension sémantique

On observe une tension entre les modèles fondés sur la physique (visant causalité et interprétabilité mais nécessitant des paramétrisations) et les modèles purement statistiques ou d'apprentissage automatique (parfois performants mais moins interprétables et sensibles aux changements de domaine).

Synthèse

Un modèle de précipitation est toute méthode computationnelle produisant des informations sur la pluie/neige en simulant ou en générant statistiquement le comportement des précipitations à travers les échelles, dépendant de la fidélité de la physique, des données et des paramétrisations employées.