Prévisibilité des épisodes méditerranéens de pluies intenses à l'aide d'un jeu de données de 30 ans de prévisions rétrospectives

The French Mediterranean region is prone to very intense flash-flood events induced by heavy precipitation events (HPEs), which are responsible for considerable human and material damage. Quantitative precipitation forecasts have improved dramatically in recent years towards quasi-realistic rainfall estimations. Nevertheless, the proper estimation of the uncertainty associated with the physical processes representation remains a challenging issue. In this thesis, we address the predictability of intense precipitation in the French Mediterranean region using a 30-year ensemble hindcast dataset based on the ensemble prediction system PEARP, operational at Météo-France. This reforecast system implements the same model error as PEARP, but initial and boundary conditions are differently assessed. In order to assess the ability of the reforecast to represent the errors of the original model, we first verify this reforecast using some verification scores. The lack of initial condition perturbation makes the ensemble spread of the reforecast lower than the PEARP's one. Though probabilistic forecast scores are weak due to these set-up deficiencies, some skills are observed at 4-days lead time and for very large thresholds. However, the duration of the reforecast dataset and the resolution inherited from the operational model seem to provide enough complexity to the rainfall reforecast distributions. Two post-processing methods, based on quantile mapping and extended logistic regression techniques, are applied to the reforecast. The quantile mapping approach reduces the members biases, but the benefits in terms of probabilistic scores are lower than expected. The calibration procedure using the extended logistic regression approach leads to better probabilistic scores, both for low and large precipitation thresholds. The extended logistic regression fitted on the reforecast as a learning dataset is then applied on the operational ensemble system PEARP over a 4-month period. Though calibrated forecasts skills are not globally improved, some high probability thresholds are slightly improved, suggesting such methodology could be finally efficiently tuned. The last part of this thesis further investigates systematic errors of intense precipitation forecasting using the feature-based metric SAL (Wernli et al. (2008)). This spatial metric applied to the reforecast shows that both amplitude and structure components are controlled by deep convection parametrizations. Indeed, between the two main deep convection schemes implemented in the model, one scheme performs better, in particular for the most extreme events. A remarkable aptitude of the model is emphasised as the ranked distribution of the very intense integrated rainfall features is accurately represented by the model.Le sud-est de la France est une région particulièrement propice à l'occurrence de crues torrentielles associées à des événements de pluies très intenses. Ces événements peuvent causer des pertes matérielles et humaines considérables. Les techniques de prévision de ces pluies exceptionnelles ont nettement progressé et on parvient à représenter des cumuls de pluie très proches de ceux observés. Néanmoins, les incertitudes liées à la prévision de ces événements sont encore importantes et il reste nécessaire d'améliorer la connaissance des processus qui y contribuent. Dans cette thèse, nous nous intéressons à la prévisibilité des épisodes intenses de pluie sur le sud-est de la France. Notre étude repose sur l'utilisation d'une base de prévisions rétrospectives par un système dérivé du modèle de prévision d'ensemble opérationnel PEARP, que l'on dénomme reforecast et d'une profondeur de 30 années. Cette version utilise plusieurs schémas physiques comme pour le système d'origine mais ne peut techniquement disposer des mêmes conditions initiales et de la technique utilisée pour les perturber. Afin de vérifier la capacité du reforecast à représenter les incertitudes du système PEARP, une première partie de l'étude est consacrée à son évaluation. Le fait de ne pas avoir de conditions initiales perturbées entraîne un manque de dispersion du reforecast par rapport à celle de PEARP. On observe cependant une bonne qualité du reforecast pour des seuils de précipitation élevés et des échéances de prévision de quatre jours. Cela montre la possibilité d'extraire d'un tel système de l'information utile pour améliorer ses performances par des techniques de post-traitement ou calibrage. Deux expériences de calibrage sont ensuite menées, l'une basée sur une méthode de quantile mapping et la seconde sur une méthode de régression logistique étendue, appliquées chacune sur le reforecast. Avec la première méthode appliquée membre par membre, on améliore le biais de chacun des membres, mais on n'améliore pas les scores probabilistes. Dans la seconde expérience, le reforecast calibré donne de meilleurs scores quelque soit le seuil de définition de l'événement. Cette technique a donc été appliquée à la prévision opérationnelle, les résultats ne sont pas aussi convaincants que ceux obtenus avec le reforecast mais on observe tout de même une amélioration des prévisions pour les événements les plus intenses. La dernière partie de l'étude a été consacrée à l'utilisation d'une métrique basée sur l'identification de structures cohérentes ou objets de pluie proposée par Wernli et al. (2008). On montre que le facteur prédominant de la performance du modèle réside dans le choix du schéma de convection profonde de la paramétrisation de chaque membre. Dans le cas de PEARP, ces schémas peuvent être regroupés en deux grandes familles, dont la dichotomie se projette significativement sur la performance de la prévision. Le schéma donnant les meilleurs résultats montre la très bonne capacité du modèle à reproduire la distribution du volume de pluie par objet pour les épisodes les plus intenses