O uso de clusters e grids tem beneficiado durante anos a comunidade de computação de alto desempenho (HPC). O uso deste tipo de sistemas tem permitido aos cientistas usar conjuntos de dados maiores para executar cálculos mais complexos. A computação de alto desempenho tem ajudado para obter aqueles resultados em menos tempo, mas aumentou o custo das despesas de capital nesta área da ciência. Como alguns projetos de e-science são realizados também em ambientes de rede altamente distribuídos, ou usando conjuntos de dados imensos que muitas vezes requerem computação em grade, eles são muito bons candidatos para as iniciativas de computação em nuvem. O paradigma Cloud Computing surgiu como uma solução prática com foco comercial para realizar computação científica em larga escala. A elasticidade da nuvem e o modelo pay-as-you-go apresenta uma oportunidade interessante para aplicações comumente executados em supercomputadores ou clusters. Esta tese apresenta e avalia os desafios da migração e execução da previsão numérica de tempo (NWP) numa infra-estrutura de computação em nuvem. Foi realizada a migração desta aplicação HPC e foi avaliado o desempenho em um cluster local e na nuvem utilizando diferentes tamanhos de instâncias virtuais. Analisamos as principais características da aplicação executando na nuvem. As experiências demonstram que, embora o processamento e a rede criam um fator limitante, o armazenamento dos conjuntos de dados de entrada e saída na nuvem apresentam uma opção atraente para compartilhar resultados e facilitar a implantação de um ambiente de ensaio para investigação meteorológica. Os resultados mostram que a infraestrutura de nuvem pode ser usada como uma alternativa viável de HPC para software de previsão numérica do tempo. / The usage of clusters and grids has benefited for years the High Performance Computing (HPC) community. These kind of systems have allowed scientists to use bigger datasets and to perform more intensive computations, helping them to achieve results in less time but has also increased the upfront costs associated with this area of science. As some e-Science projects are carried out also in highly distributed network environments or using immense data sets that sometimes require grid computing, they are good candidates for cloud computing initiatives. The Cloud Computing paradigm has emerged as a practical solution to perform large-scale scientific computing. The elasticity of the cloud and its pay-as-you-go model presents an attractive opportunity for applications commonly executed in clusters or supercomputers. In this context, the user does not need to buy infrastructure, the resources can be rented from a provider and used for a period of time. This thesis presents the challenges and solutions of migrating a numerical weather prediction (NWP) application to a cloud computing infrastructure. We performed the migration of this HPC application and evaluated its performance in a local cluster and the cloud using different instance sizes. We analyzed the main characteristics of the application running in the cloud. The experiments demonstrate that, although processing and networking create a limiting factor, storing input and output datasets in the cloud presents an attractive option to share results and ease the deployment of a test-bed for a weather research platform. Results show that cloud infrastructure can be used as a viable HPC alternative for numerical weather prediction software.

When the wind blows and wind turbine generators harvests the kinetic energy and trans- forms it to electrical power, there is a need for predicting how much power that will be dispatched from the turbines. Even the most perfect computer model with high computa- tional power could not model the beauty of the forces of nature and we must accept some degree of forecasting error in the predicted power output due to the inherently stochastic patterns in the atmosphere.  This project set out to investigate the main reasons and factors that impacts the forecasting error related to wind power assets on Gotland. From theory and the performed case study, wind speed is the strongest predictor of wind power production, to claim anything else would be severely inaccurate. However, the main predictors of wind power prediction are summarized from a literature study, extracted from a weather model and tried in a case study for the wind farm Stugylparken on Näsudden, Gotland. Three different prediction methods were tried and the ensemble trees model was the best model by the evaluation metrics that was chosen. The second-best performing model was the artificial neural network, and prediction by theoretical power curve performed worse than the standard machine learning methods what was tested in the study. It can be noted that when assessing what model to choose, it depends on how the evaluation is done and which metric is deemed most important. Besides that wind speed will have the most significant impact in all models, forecasting error seem to have correlation to the diurnal cycle. One reason could be land-sea interaction during the day, especially at the period April-September. Higher forecasting errors correlates strongly to periods of a higher mean wind speed and times of varying weather will impact the forecastability and larger errors should be expected. In this project, numerical weather prediction data is used to investigate the forecasting error. A lower error can be seen at the first hours from the model run. This should be expected because it is when we are closest to the initial conditions, in other words, the real world. However, it seems like wind speed and diurnal cycle are more significant than the performance of the numerical weather prediction model in the first 24 hours.  Predicting the future power output of wind assets is expected to be even more impor- tant in the future years due to larger installed capacity. Even with an increase in installed capacity, an over capacity is not wanted and flexibility will be more important. There are challenges, but also opportunity to have a more efficient use of resources in our society and lowering the climate impact that our society has on the planet through a more flexible use of resources.

Severe weather events like hurricanes and tornadoes pose major risks globally, underscoring the critical need for accurate forecasts to mitigate impacts. While advanced computational capabilities and climate models have improved predictions, lack of high-resolution initial conditions still limits forecast accuracy. The Atlantic's "Hurricane Alley" region sees most storms arise, thus needing robust in-situ ocean data plus atmospheric profiles to enable precise hurricane tracking and intensity forecasts. Examining satellite datasets reveals radio occultation (RO) provides the most accurate 5-25 km altitude atmospheric measurements. However, below 5 km accuracy remains insufficient over oceans versus land areas. Some recent benchmark study e.g. Patil Iiyama (2022), and Wei Guan (2022) in their work proposed the use of deep learning models for sea surface temperature (SST) prediction in the Tohoku region with very low errors ranging from 0.35°C to 0.75°C and the root-mean-square error increases from 0.27°C to 0.53°C over the over the China seas respectively. The approach we have developed remains unparalleled in its domain as of this date. This research is divided into two parts and aims to develop a data driven satellite-informed machine learning system to combine high-quality but sparse in-situ ocean data with more readily available low-quality satellite data. In the first part of the work, a novel data-driven satellite-informed machine learning algorithm was implemented that combines High-Quality/Low-Coverage in-situ point ocean data (e.g. ARGO Floats) and Low-Quality/High-Coverage Satellite ocean Data (e.g. HYCOM, MODIS-Aqua, G-COM) and generated high resolution data with a RMSE of 0.58◦C over the Atlantic Ocean.The second part of the work a novel GNN algorithm was implemented on the Gulf of Mexico and showed it can successfully capture the complex interactions between the ocean and mimic the path of a ARGO floats with a RMSE of 1.40◦C. / Doctor of Philosophy / Severe storms like hurricanes and tornadoes are a major threat around the world. Accurate weather forecasts can help reduce their impacts. While climate models have improved predictions, lacking detailed initial conditions still limits forecast accuracy. The Atlantic's "Hurricane Alley" sees many storms form, needing good ocean and atmospheric data for precise hurricane tracking and strength forecasts. Studying satellite data shows radio occultation provides the most accurate 5-25 km high altitude measurements over oceans. But below 5 km accuracy remains insufficient versus over land. Recent research proposed using deep learning models for sea surface temperature prediction with low errors. Our approach remains unmatched in this area currently. This research has two parts. First, we developed a satellite-informed machine learning system combining limited high-quality ocean data with more available low-quality satellite data. This generated high resolution Atlantic Ocean data with an error of 0.58°C. Second, we implemented a new algorithm on the Gulf of Mexico, successfully modeling complex ocean interactions and hurricane paths with an error of 1.40°C. Overall, this research advances hurricane forecasting by combining different data sources through innovative machine learning techniques. More accurate predictions can help better prepare communities in hurricane-prone regions.

La mise en œuvre de méthodes d'assimilation d'ensemble est une technique assez récente visant à simuler les erreurs d'analyse et de prévision d'un système d'assimilation de données. Cela permet d'une part d'estimer des covariances spatiales des erreurs de prévision, qui sont un ingrédient essentiel des systèmes d'assimilation de données, dans la mesure où elles permettent de filtrer et de propager spatialement l'information observée. La dépendance de ces covariances d'erreur à la situation météorologique devient ainsi accessible avec ces techniques d'ensemble. D'autre part, l'assimilation d'ensemble est également une méthode de plus en plus utilisée pour fournir des perturbations initiales aux systèmes de prévision d'ensemble. Une telle approche peut être mise en place non seulement dans un système modélisant l'atmosphère sur l'ensemble du globe, mais aussi dans un système régional à aire limitée, en utilisant dans ce cas des conditions limites latérales appropriées. Le sujet de thèse proposé consiste à examiner certaines propriétés de sensibilité de ces techniques d'assimilation d'ensemble dans ces deux types de contextes (à savoir global et régional, respectivement). Il s'agit premièrement d'étudier la sensibilité d'un système global d'assimilation d'ensemble à son initialisation. Cela sera mené en comparant une technique d'initialisation "à froid" (basée sur des perturbations initiales nulles) avec une méthode basée sur des perturbations initiales tirées d'un modèle de covariance. Dans une deuxième partie, la sensibilité d'une assimilation d'ensemble régionale aux conditions limites latérales sera examinée. Dans cette perspective, une comparaison entre différentes techniques de production des perturbations latérales sera réalisée. Il s'agit notamment de comparer les approches basées sur des perturbations latérales qui sont soit nulles, soit tirées d'un ensemble global, ou encore produites à l'aide d'un modèle de covariance. Ces études de sensibilité seront menées d'une part en utilisant des expérimentations avec les systèmes global Arpege et régional Aladin. Ce travail s'appuiera d'autre part sur une formalisation des équations qui gouvernent l'évolution des perturbations au sein d'une assimilation d'ensemble. Ces études devraient permettre de documenter les propriétés de ces assimilations d'ensemble, et de définir des stratégies de mise en œuvre en grandeur réelle pour l'assimilation de données ainsi qu'éventuellement pour la prévision d'ensemble. / The implementation of ensemble assimilation methods is a fairly recent technique used to simulate the analysis and forecast errors within a data assimilation system. On the one hand, this allows to estimate the spatial covariances of forecast errors, which are an essential component in data assimilation systems, insofar as they are used to filter and disseminate spatially the observed information. The dependence of such error covariances to the weather situation becomes accessible with these ensemble techniques. On the other hand, the ensemble assimilation is a method increasingly used to provide initial perturbations to ensemble prediction systems. Such approach may be implemented not only in a system modeling the atmosphere throughout the globe, but also in a regional system with limited area using suitable lateral boundary conditions. The proposed thesis consists on examining some sensitivity properties of these ensemble assimilation techniques in both contexts (global and regional, respectively). In the first part, the sensitivity of a global ensemble assimilation system to its initialization will be examined. This will be conducted by comparing a "cold" initialization technique (initial perturbations equal to zero) with a method based on initial perturbations drawn from a covariance model. In the second part, the sensitivity of a regional ensemble assimilation to lateral boundary conditions will be considered. In this context, a comparison between different techniques producing lateral boundaries will be achieved. It involves comparing approaches using lateral boundaries which are equal to zero or drawn from a global ensemble, or generated using a covariance model. These sensitivity studies will be conducted using experiments using the global and regional modeling systems, Arpège and Aladin respectively. Furthermore, this work will be based on a formalization of the equations governing the evolution of perturbations in an ensemble assimilation. These studies should help to document the ensemble assimilation properties, and develop strategies for implementing in real scale for data assimilation and possibly for ensemble prediction system.

Cette thèse s’inscrit dans la problématique de l’utilisation des observations satellitaires pour l’assimilation en prévision numérique du temps dans les régions nuageuses pluvieuses. Les travaux sont abordés en lien avec l’amélioration de la prévision des cyclones tropicaux et s’appuient sur la mission satellitaire innovante MEGHATROPIQUES couvrant les zones tropicales avec une répétitivité temporelle inégalée et en particulier sur le sondeur micro-ondes d’humidité SAPHIR à 183 GHz. Nous avons utilisé le modèle de prévision numérique du temps ALADIN-Réunion opérationnel à Météo-France depuis 2006 dont le domaine couvre une large partie de l’océan Indien avec une résolution horizontale de 8 km, ainsi que le modèle de transfert radiatif RTTOV-SCATT qui offre un bon compromis entre sa précision pour décrire les atmosphères diffusantes et sa rapidité d’exécution. Dans un premier temps nous avons optimisé le choix des propriétés radiatives des précipitations solides afin de simuler au mieux les températures de brillance SAPHIR avec les modèles ALADIN-Réunion et RTTOV-SCATT. Nous avons ensuite proposé une méthode d’inversion des températures de brillance SAPHIR en zones nuageuses basée sur une méthode bayésienne permettant de restituer des profils atmosphériques corrigés. Ces profils inversés ont été validés pour une situation particulière associée au cyclone Benilde (Décembre 2011). Les profils d’humidité spécifique ont alors été introduits comme de nouvelles observations dans l’assimilation variationnelle tridimensionnelle (3D-Var) du modèle ALADIN-Réunion. La capacité du système 3D-Var à contraindre le champ d’humidité analysé vers les profils inversés est démontrée, ainsi que l’amélioration des prévisions de précipitations à courte échéance. Toutefois, la prévision du cyclone Benilde est de moins bonne qualité avec ces observations additionnelles. Plusieurs pistes sont proposées pour expliquer et améliorer ces premiers résultats. Finalement, une étude a été réalisée pour préparer les évolutions des modèles de prévision numérique. Nous avons examiné la capacité d’une version d’ALADIN-Réunion avec un schéma de convection profonde pronostique à simuler le cycle de vie du cyclone Bejisa (Décembre 2013 - Janvier 2014). Des améliorations significatives sont notées à la fois sur la trajectoire et l’intensification de ce système tropical. De manière cohérente, la simulation des températures de brillance SAPHIR en zones nuageuses est en meilleur accord avec les observations. Un modèle à plus fine échelle (AROME) résolvant explicitement la convection profonde (résolution horizontale de 2.5 km) est appelé à remplacer le modèle ALADIN-Réunion. Sa capacité à décrire le système Bejisa est démontrée. Toutefois il apparaît que le choix optimal pour le type de particule décrivant les précipitations solides fait pour ALADIN-Réunion n’est pas adapté à la simulation des températures de brillance SAPHIR avec AROME et RTTOV-SCATT. Les causes de cette incohérence sont expliquées. / This thesis is focused on the use of satellite observations within cloudy and rainy areas for assimilation in numerical weather prediction models. The activities have been undertaken in the context of tropical cyclone forecasting. They have taken advantage of the recent satellite mission MEGHA-TROPIQUES covering tropical regions with an unprecedented temporal revisit with a focus on the humidity sounder SAPHIR at 183 GHz. We have used the numerical weather prediction model ALADIN-Réunion that is operational at Météo-France since 2006 and covers a large fraction of the Indian ocean with a 8 km horizontal resolution. The radiative transfer model RTTOV-SCATT has also been considered, since it provides a good compromise between its accuracy to simulate scattering atmospheres and its computational cost. In a first step, the choice of the radiative properties for solid precipitating particles has been optimized in order to improve the simulation of SAPHIR brightness temperatures with ALADIN-Réunion and RTTOV-SCATT models. Then, an inversion method of cloudy SAPHIR brightness temperatures based on the bayesian technique has been chosen in order to retrieve improved atmospheric profiles. The retrieved profiles have been validated for a case study corresponding to the tropical cyclone Benilde (December 2011). Profiles of specific humidity have been introduced as new observations in the tridimensional variational assimilation (3D-Var) system of the ALADIN-Réunion model. The capacity of the 3D-Var system to constrain the humidity analysis towards the retrieved profiles is demonstrated, together with improved short-range precipitation forecasts. On the other hand, the prediction of the tropical cyclone Benilde is degraded with these additional observations. A number of reasons are provided to explain and improve these first results. Finally, a study has been done to prepare future evolutions of numerical weather prediction models. We have examined the skill of a version of the ALADIN-Réunion model with a prognostic deep moist convection scheme to simulate the life cycle of tropical cyclone Bejisa (December 2013 - January 2014). Significant improvements have been noticed on the trajectory and on the intensification of this tropical system. Consistently, the simulation of SAPHIR brightness temperatures is in better agreement with observations. A fine scale model (AROME) describing explicitly deep moist convection is planned to replace the ALADIN-Réunion model. Its ability to describe the cyclone Bejisa is demonstrated. However, it appears that the optimal choice of the solid particle made for ALADIN-Réunion is not suited for the simulation of SAPHIR brightness temperatures with AROME and RTTOV-SCATT. Explanations are given of such inconsistency.

Le suivi et la représentation de la variabilité du manteau neigeux en montagne sont des enjeux écologiques et sociétaux majeurs. Le récent développement de modèles météorologiques à échelle kilométrique offre un potentiel nouveau pour améliorer les simulations d'enneigement en montagne. Dans cette thèse, nous avons évalué l'apport des prévisions météorologiques du modèle de prévision numérique du temps AROME à 2.5 km de résolution horizontale pour alimenter le modèle détaillé de manteau neigeux Crocus. Les simulations AROME-Crocus distribuées ont d'abord été évaluées sur les Pyrénées de 2010 à 2014, montrant un apport en termes de représentation de la variabilité spatio-temporelle du manteau neigeux par rapport à l'approche par massif du système opérationnel actuel SAFRAN-Crocus, malgré une surestimation des hauteurs de neige. Par la suite, la valeur ajoutée de produits satellitaires de rayonnements incidents a été étudiée pour des simulations d'enneigement dans les massifs alpins et pyrénéens, soulignant leur bonne qualité en montagne mais un impact mitigé sur le couvert neigeux simulé. Enfin, on a montré comment le schéma de microphysique nuageuse d'AROME associé à Crocus permet de mieux prévoir la formation de glace en surface du manteau neigeux par précipitations verglaçantes dans les Pyrénées. Ces travaux ouvrent la voie à une prévision nivologique distribuée à haute résolution en montagne. / Monitoring and representing the snowpack variability in mountains are crucial ecological and societal issues. The recent development of meteorological models at kilometric scale offers a new potential to improve snowpack simulations in mountains. In this thesis, we assessed the potential of forecasts from the numerical weather prediction model AROME at 2.5 km horizontal resolution to drive the detailed snowpack model Crocus. AROME-Crocus distributed simulations were first evaluated over the Pyrenees from 2010 to 2014. They showed benefits in representing the snowpack spatio-temporal variability as compared to the massif-based approach of the current operational system SAFRAN-Crocus, despite an overestimation of snow depth. Then, we studied the potential added value of satellite-derived products of incoming radiations for simulating the snow cover in the French Alps and Pyrenees. These products were found of good quality in mountains but their impact on the simulated snow cover is questionable. Finally, we showed how the cloud microphysics scheme of AROME associated with Crocus enables to better predict ice formation on top of the snowpack due to freezing precipitation in the Pyrenees. These works pave the way for high-resolution distributed snowpack forecasting in mountains.

L'énergie éolienne est aujourd'hui la source d'énergie renouvelable en plus forte expansion. Le caractère variable et partiellement contrôlable de sa production complexifie la gestion du système électrique. L'utilisation dans divers processus de décision, de prédictions du niveau de production à des horizons de 2-3 jours, permet une meilleure intégration de cette ressource. Certaines situations donnent néanmoins lieu à des performances de prédiction insatisfaisantes. Des erreurs dans la prédiction de l'instant d'apparition de variations brusques et importantes de la production, peuvent être responsables d'importants déséquilibres énergétiques, et avoir un impact négatif sur la gestion du système électrique. L'objectif de cette thèse est de proposer des approches permettant d'une part de caractériser ces variations, et d'autre part de prédire et d'estimer l'incertitude dans l'instant de leur apparition. Dans un premier temps, nous étudions différentes formes de caractérisation de ces variations. Nous proposons un modèle de rupture permettant de représenter le caractère aléatoire dans la proximité des ruptures d'un signal, tout en tenant compte des aspects borné et non-stationnaire du processus de production. A partir de simulations issues de ce modèle, nous réalisons une étude paramétrique destinée à évaluer et comparer les performances de différents filtres et approches multi-échelles de détection. Dans un deuxième temps, nous proposons une approche de prédiction probabiliste de l'instant d'apparition d'une rupture, reposant sur l'utilisation de prévisions météorologiques ensemblistes. Leur conversion en puissance fournit différents scénarii de la production, à partir desquels sont agrégées les prédictions de l'instant d'apparition d'une rupture. L'incertitude associée est représentée à l'aide d'intervalles de confiance temporels et de probabilités estimées conditionnellement. Nous évaluons la fiabilité et la finesse de ces estimations sur la base de mesures de production provenant de différentes fermes éoliennes. / Today, wind energy is the fastest growing renewable energy source. The variable and partially controllable nature of wind power production causes difficulties in the management of power systems. Forecasts of wind power production 2-3 days ahead can facilitate its integration. Though, particular situations result in unsatisfactory prediction accuracy. Errors in forecasting the timing of large and sharp variations of wind power can result in large energy imbalances, with a negative impact on the management of a power system. The objective of this thesis is to propose approaches to characterize such variations, to forecast their timing, and to estimate the associated uncertainty. First, we study different alternatives in the characterization of wind power variations. We propose an edge model to represent the random nature of edge occurrence, along with representing appropriately the bounded and non-stationary aspects of the wind power production process. From simulations, we make a parametric study to evaluate and compare the performances of different filters and multi-scale edge detection approaches. Then, we propose a probabilistic forecasting approach of edge occurrence and timing, based on numerical weather prediction ensembles. Their conversion into power provides an ensemble of wind power scenarios from which the different forecast timings of an edge are combined. The associated uncertainty is represented through temporal confidence intervals with conditionally estimated probabilities of occurrence. We evaluate the reliability and resolution of those estimations based on power measurements from various real world case studies.

Deep artificial neural networks is a type of machine learning which can be used to find and utilize patterns in data. One of their many applications is as method for regression analysis. In this thesis deep artificial neural networks were implemented in the application of estimating the error of surface temperature forecasts as produced by a numerical weather prediction model. An ability to estimate the error of forecasts is synonymous with the ability to reduce forecast errors as the estimated error can be offset from the actual forecast. Six years of forecast data from the period 2010--2015 produced by the European Centre for Medium-Range Weather Forecasts' (ECMWF) numerical weather prediction model together with data from fourteen meteorological observational stations were used to train and evaluate error-predicting deep neural networks. The neural networks were able to reduce the forecast errors for all the locations that were tested to a varying extent. The largest reduction in error was by 83.0\% of the original error or a 16.7\degcs decrease in the mean-square error. The performance of the neural networks' error reduction ability was compared with that of a contemporary Kalman filter as implemented by the Swedish Meteorological and Hydrological Institute (SMHI). It was shown that the neural network implementation had superior performance for six out of seven of the evaluated stations where the Kalman filter had marginally better performance at one station.

Les modèles de prévision opérationnelle du temps résolvent numériquement les équations de la mécanique des fluides en calculant l'évolution de champs (pression, température, humidité, vitesses) définis comme moyennes horizontales à l'échelle des mailles d'une grille (et à différents niveaux verticaux).<p><p>Les processus d'échelle inférieure à la maille jouent néanmoins un rôle essentiel dans les transferts et les bilans de chaleur, humidité et quantité de mouvement. Les paramétrisations physiques visent à évaluer les termes de source correspondant à ces phénomènes, et apparaissant dans les équations des champs moyens aux points de grille.<p><p>Lorsque l'on diminue la taille des mailles afin de représenter plus finement l'évolution des phénomènes atmosphériques, certaines hypothèses utilisées dans ces paramétrisations perdent leur validité. Le problème se pose surtout quand la taille des mailles passe en dessous d'une dizaine de kilomètres, se rapprochant de la taille des grands systèmes de nuages convectifs (systèmes orageux, lignes de grain).<p><p>Ce travail s'inscrit dans le cadre des développements du modèle à mailles fines ARPÈGE ALADIN, utilisé par une douzaine de pays pour l'élaboration de prévisions à courte échéance (jusque 48 heures).<p><p>Nous décrivons d'abord l'ensemble des paramétrisations physiques du modèle.<p>Suit une analyse détaillée de la paramétrisation actuelle de la convection profonde. Nous présentons également notre contribution personnelle à celle ci, concernant l'entraînement de la quantité de mouvement horizontale dans le nuage convectif.<p>Nous faisons ressortir les principaux points faibles ou hypothèses nécessitant des mailles de grandes dimensions, et dégageons les voies pour de nouveaux développements.<p>Nous approfondissons ensuite deux des aspects sortis de cette discussion: l'usage de variables pronostiques de l'activité convective, et la prise en compte de différences entre l'environnement immédiat du nuage et les valeurs des champs à grande échelle. Ceci nous conduit à la réalisation et la mise en œuvre d'un schéma pronostique de la convection profonde.<p>A ce schéma devraient encore s'ajouter une paramétrisation pronostique des phases condensées suspendues (actuellement en cours de développement par d'autres personnes) et quelques autres améliorations que nous proposons.<p>Des tests de validation et de comportement du schéma pronostique ont été effectués en modèle à aire limitée à différentes résolutions et en modèle global. Dans ce dernier cas l'effet du nouveau schéma sur les bilans globaux est également examiné.<p>Ces expériences apportent un éclairage supplémentaire sur le comportement du schéma convectif et les problèmes de partage entre la schéma de convection profonde et le schéma de précipitation de grande échelle.<p><p>La présente étude fait donc le point sur le statut actuel des différentes paramétrisations du modèle, et propose des solutions pratiques pour améliorer la qualité de la représentation des phénomènes convectifs.<p><p>L'utilisation de mailles plus petites que 5 km nécessite enfin de lever l'hypothèse hydrostatique dans les équations de grande échelle, et nous esquissons les raffinements supplémentaires de la paramétrisation possibles dans ce cas.<p><p> / Doctorat en sciences appliquées / info:eu-repo/semantics/nonPublished

This diploma thesis deals with the comparison of the results of simulations of the numerical model WRF in the prediction mode for 9 schemes of boundary layer parameterization and in the climatic mode for 4 selected schemes. The first part of the work is devoted to the WRF model and especially its options for model physics with a focus on boundary layer schemes. The second part describes the experimental setup of the performed simulations. The third part then compares the obtained results for the prediction and climate mode with the measured data.