En raison de la nature chaotique de l'atmosphère, prévisions météo, même avec des modèles numériques de prévision météorologique en constante amélioration, perdent finalement leur précision. Les météorologues ont un fort désir de mieux comprendre ce processus alors qu'ils essaient de retracer les erreurs de prévision jusqu'aux lacunes d'observation et de fournir un moyen d'amélioration.

Erreur quadratique moyenne (rms, ou son carré, la distance de variance) est souvent utilisé pour mesurer les différences entre les champs simulés et observés. Dans ce cas, les scientifiques ont mesuré la distance entre un champ de prévision de modèle dans sa grille et le champ d'analyse de vérification qui représente toutes les observations du monde réel. Cependant, il faut considérer que les caractéristiques atmosphériques, comme les fronts et les systèmes de pression sont des caractéristiques météorologiques tridimensionnelles dans l'espace que les modèles informatiques déplacent et déforment également structurellement à mesure que la prévision numérique s'éloigne de l'initiation. Les métriques de variance ou d'erreur efficace ne quantifient pas le déplacement et la distorsion des systèmes météorologiques.

Dans un article récemment publié dans Avancées des sciences de l'atmosphère , une équipe de scientifiques de la National Oceanic and Atmospheric Administration (NOAA), le Massachusetts Institute of Technology (MIT), et l'Université du Connecticut a entrepris de trouver une approche générale pour évaluer les composantes positionnelles et structurelles de la différence totale entre deux domaines. Essentiellement, les météorologues veulent évaluer la précision de nombreuses caractéristiques météorologiques différentes dans une prévision de modèle par rapport à une analyse de vérification basée sur des observations du monde réel.

Sai Ravela du MIT, co-auteur de cette étude, précédemment développé une méthode d'alignement de champ. Dans ce cas, son approche aligne le champ de prévision du modèle avec l'analyse basée sur l'observation de manière fluide afin que leur différence soit minimisée. Prochain, les erreurs à petite échelle d'origine incertaine sont supprimées des trois champs (la prévision originale et alignée ainsi que l'analyse de vérification, ou proxy pour les observations) par le biais d'un processus appelé filtrage spatial ou lissage. La distance de variance totale, ou différence, est ensuite divisé en trois composants uniques. Erreur de position, qui est la distance de variance entre la prévision du modèle d'origine lissée et les champs de prévision alignés lissés, et une erreur structurelle qui est la distance de variance entre la prévision alignée lissée et les champs d'analyse de vérification lissés, sont les deux côtés d'un triangle rectangle, et le bruit à petite échelle, qui sont les erreurs incertaines à petite échelle supprimées de la prévision du modèle d'origine et de l'analyse de vérification, ou champs d'observation.

Cette méthode génère les trois composantes d'erreur orthogonales sous forme de champs scalaires, ainsi qu'un champ vectoriel indiquant le déplacement à grande échelle de la prévision par rapport au champ d'analyse observationnelle. De façon intéressante, dans toutes les régions et délais que l'équipe a étudiés, plus de la moitié de la variance d'erreur totale est associée au mauvais placement des caractéristiques météorologiques. Par conséquent, le déplacement est plus prononcé que la distorsion dans les champs de prévision :seule une variance d'erreur d'environ 25 % est associée à des inexactitudes structurelles des caractéristiques partiellement prévisibles, tels que les fronts et les systèmes à basse pression. Le reste de la variance d'erreur reste une variabilité inexpliquée ou imprévisible, ou du bruit.

"Comment le bruit augmente dans la variance d'erreur en fonction du délai de prévision, et si une décomposition du bruit structurel de position de l'étalement parmi un ensemble de prévisions perturbées capture des composantes d'erreur de prévision fait l'objet d'études en cours, " a déclaré le Dr Jankov de la NOAA, l'auteur principal de l'étude.