Post-traitement des prévisions d'ensemble en météorologie par des méthodes d'apprentissage statistique

Aujourd'hui, la plupart des centres de prévision météorologique produisent des prévisions d'ensemble. Ces données fournissent une description plus complète de l'atmosphère qu'une exécution unique du modèle météorologique. Cependant, elles peuvent souffrir d'erreurs de biais et de sous/sur-dispersion. Pour les corriger, des méthodes statistiques sont employées. Cette approche est appelée la calibration d'ensembles de prévisions. Dans cette thèse, nous proposons une méthode originale de calibration multivariée dans laquelle l'espace des données est discrétisé de façon à transformer un problème de régression multi-sorties en une classification à sortie unique. Les résultats de cette approche sont encourageants. Néanmoins, elle pose des difficultés quant à l'interprétation physique des modèles. Par la suite, une méthode de calibration en deux étapes est alors présentée: une première étape de classification vise à identifier les régimes météorologiques à l'aide d'une extension d'un modèle de mélange gaussien, la seconde à corriger la distribution d'ensemble dans chaque régime. Pour terminer, une interface web a été développée autour des prévisions et des ensembles de prévisions à moyen terme avec comme cas d'usage la planification d'évènements.