On the scale-dependence of the predictability of precipitation patterns by numerical weather prediction models

Despite the increased realism of convective-allowing Numerical Weather Prediction (NWP) forecasts, their accuracy has not improved as expected, especially for quantitative precipitation forecasting (QPF). Many factors can account for the poor QPF skill, from intrinsic predictability limitations to shortcomings of the evaluation method. Given the complexity of precipitation processes, more effort is needed to understand their predictability.In this thesis, data from NOAA’s Hazardous Weather Testbed (HWT) forecasting Spring Experiments of 2008-2013 are analyzed to study precipitation predictability at the mesoscale. This unique data set, consisting of high-resolution (4-km grid spacing) ensemble precipitation forecasts covering most of the Continental US, with different types of perturbation methodologies and mesoscale data assimilation, allows the investigation of the QPF sensitivity to different forecast uncertainties.Several questions are addressed. First, a methodology is developed to quantify the loss of precipitation predictability with spatial scale and forecast time. Then, this methodology is applied to the 2008 data to characterize the scale dependence of the predictability of precipitation by an ensemble that has both large-scale initial and lateral boundary condition (IC/LBC) perturbations and varied model physics. The predictability by the ensemble is found to be very short-lived (2 hours for meso-γ scales, and 10 hours for meso-β scales). When compared to radar derived precipitation maps, the ensemble forecasts fully lose skill at meso-β scales after the first 3 hours.The case-dependence of precipitation predictability is also explored. Statistical relationships between predictability and the effect of large-scale forcing are usually weak. However, two different types of precipitation systems can be identified: widespread systems associated with mid-latitude cyclones, and mesoscale systems whose evolution is modulated by the diurnal cycle of solar heating. While the overall predictability differs between these two types of cases, the rate at which predictability is lost with forecast time and spatial scale does not.By applying the methodology to the entire data set of 2008-2013, the impact of different types of ensemble perturbations can be assessed. The results show that all the types of perturbations analyzed here fail to generate sufficient dispersion, but that large-scale IC/LBC uncertainties account for most of the forecast error.The gain in QPF skill achieved through radar-data-assimilation, and the advantage of using these sophisticated NWP models rather than simpler statistical forecasting methods for very-short term forecasting are also discussed.Bien que le niveau de détail dans les prévisions numériques à maille fine, leur performance n’a pas évolué comme prévu, particulièrement pour les prévisions des précipitations. Il y a plusieurs facteurs qui expliquent les faibles indices de performance pour les prévisions quantitatives de précipitation, tell que la courte écheance de la prévisibilité des phénomènes météorologiques de petite taille (par exemple, les orages), l’incertitude des paramètres de modélisation, les méthodes d’évaluation des prévisions, etc. Étant donné la complexité des phénomènes de précipitation, des efforts accrus de recherche sont nécessaires pour mener à leur compréhension et au développement des techniques de prévision numérique à haute résolution.Cette thèse étudie la prévisibilité des précipitations aux petites échelles en util- isant des données produites dans le cadre d’une expérience de prévision réalisée par NOAA entre 2008 et 2013, le Hazardous Weather Testbed (HWT) Spring Experi- ment. Ces données consistent des prévisions d’ensemble à maille fine (4 km) disponibles pour l’ensemble des États-Unis, réalisées avec un système de prévision avancé incluant plusieurs source d’incertitude et doté d’une assimilation de donnée de haute résolution. Ce set des données rend possible l’étude des effets des plusieurs types d’incertitudes sur la prévisibilité des précipitations.Plusieurs questions sont adressées dans cette thèse. Premièrement, on formule une méthodologie pour évaluer de façon quantitative les limites de la prévision des précipitation en fonction du temps de prévision et de l’échelle spatiale. Ensuite, cette méthodologie est utilisée pour caractériser la prévisibilité par le système de prévision d’ensemble utilisé pendant le Spring Experiment du 2008. Ce système considère des incertitudes dans les conditions initiales aux grandes échelles, et des incertitudes des paramètres du modèle. Pour ce système, on trouve que les écheances des prévisions sont très limités pour les petites échelles, et que les détails aux échelles de moins que 200 km ne peuvent pas être prédits avec aucune précision au delà de 3 heures de prévision. La variabilité des limites de prévision par ce système en fonction du régime atmosphérique est aussi explorée. On cherche des relations entre certains paramètres atmosphériques (l’effet de l’environnement sur l’évolution des systèmes convectives et la dimension spatiale du système de précipitation) et des indices de prévisibilité (les indices de performance et de dispersion d’un ensemble des prévisions). Pendant que les relations statistiques sont généralement faibles, on identifie deux types de régimes météorologiques qui montrent des caractéristiques particuliers de la prévisibilité. Aussi, la performance des prévisions est différente entre ces deux types des régimes, mais les limites de la prévision sont pareilles. En appliquant cette méthodologie au set des données de 2008-2013, on explore l’importance des différents types d’incertitude. On montre qu’aucune méthode de perturbation d’ensemble ne produit pas assez de dispersion des prévisions, mais que les perturbations des conditions initiales ont le plus grand effet. Cette thèse analyse également l’améliorations des mesures de performance grâce à l’assimilation des données radar et l’utilisation de méthodes statistiques pour la prévision des précipitations à court-terme