Tuning et services labellisés

HT-Explo : High-Tune Explorer, un outil de calibration orienté processus pour faciliter le développement de paramétrisations

Le développement des paramétrisations est un enjeu majeur dans le développement des modèles de prévision numérique du temps et de climat. Des paramètres libres sont présents dans chacune des paramétrisations. La calibration nécessaire de ces paramètres libres est une tâche difficile (grand nombre de paramètres et de métriques, coût numérique des simulations), jusqu’à récemment peu documentée et peu formalisée. Cette étape est classiquement menée sur des métriques du modèle global afin, notamment, d’assurer un bilan d’énergie équilibré à l’échelle globale dans les modèles de climat.

Nous décrivons ici un nouvel outil qui propose une phase de calibration intermédiaire basée sur des grandeurs orientées processus (Couvreux et al, 2021) permettant de limiter au maximum des compensations d’erreurs. Nous ajoutons donc une première étape de calibration qui repose sur la comparaison de simulations uni-colonne (extraction d’une colonne de modèle 3D qui contient exactement le même ensemble de paramétrisations) à des simulations tri-dimensionnelles à haute résolution qui représentent explicitement l’essentiel des processus pertinents et servent donc de référence. Grâce à des méthodes statistiques avancées, l’outil émule à coût numérique quasi-nul la réponse du modèle à calibrer et permet de prévoir la réponse du modèle pour n’importe quelles valeurs des paramètres libres. La comparaison des prévisions statistiques aux simulations de référence en tenant compte des différentes incertitudes associées à la référence, au modèle statistique et à l’erreur structurelle du modèle permet de rejeter toutes les valeurs impossibles de paramètres et de restreindre le domaine des valeurs acceptables de paramètres à explorer lors de l'ajustement du modèle global 3D. Cet outil a été appliqué pour différents usages :

(i) une calibration à l’échelle d’une paramétrisation individuelle (Villefranque et al, 2021),
(ii) une calibration d’une version uni-colonne du modèle de climat du CNRM (Audouin et al, 2021) et
(iii) la succession de la calibration 1D et d’une calibration 3D du modèle global pour le modèle LMDZ (Hourdin et al, 2021).

Cet outil permet de distinguer les limites du modèle dues à une mauvaise calibration de ses paramètres de celles intrinsèques du modèle, liées à son contenu scientifique. Son erreur structurelle peut ainsi être documentée. Il caractérise également la sensibilité du modèle à ses paramètres libres, information importante pour la compréhension de l’incertitude des propriétés émergentes du modèle (e.g., sensibilité climatique). Enfin, il permet aussi de rapidement proposer une calibration à tout nouveau développement de paramétrisations et donc de mener de front calibration et développement de paramétrisation.

Rédacteurs : F. Couvreux (CNRM), F. Hourdin (LMD-IPSL), R. Roehrig (CNRM), N. Villefranque (CNRM & Université Toulouse), C. Rio (CNRM) et le groupe High-Tune

Références

• Couvreux F., F. Hourdin, D. Williamson, R. Roehrig, V. Volodina, N. Villefranque, C. Rio, O. Audouin, J. Salter, E. Bazile, F. Brient, F. Favot, R. Honnert, M.-P. Lefebvre, J.-B. Madeleine, Q. Rodier, W. Xu, 2021: Process-based climate model development harnessing machine learning: I A new tool for parameterization improvement, Journal of Advances in Modeling Earth Systems, 13, e2020MS002217. https://doi.org/10.1029/2020MS002217
• Hourdin F., D. Williamson, C. Rio, F. Couvreux, R. Roehrig, N. Villefranque, I. Musat, L. Fairhead, F. B. Diallo, V. Volodina, 2021: Process-based climate model development harnessing machine learning: II: model calibration from single column to global, Journal of Advances in Modeling Earth Systems, 13, e2020MS002225. https://doi.org/10.1029/2020MS002225
• Audouin, O., R. Roehrig, F. Couvreux, D. Williamson, 2021: Modeling the GABLS4 strongly-stable boundary layer with a GCM turbulence parameterization: parametric sensitivity or intrinsic limits? Journal of Advances in Modeling Earth Systems, 12, e2020MS002217. https://doi.org/10.1029/2020MS002269
• Villefranque N., S. Blanco, F. Couvreux, R. Fournier, J. Gautrais, R. Hogan, F. Hourdin, V. Volodina, D. Williamson, 2021: Process-based climate model development harnessing machine learning: III. the representation of cumulus geometry and their 3D radiative effects, Journal of Advances in Modeling Earth Systems, 13. 10.1029/2020MS002423. https://doi.org/10.1029/2020MS002423

• Pour accéder à tous les articles de la e-Lettre N°3, cliquer ici

 

• Pour obtenir la version imprimable de la e-Lettre N°3, cliquer sur l'image