Vers une estimation à haute résolution spatiale de la température de l’air en montagne

Stage de M2 de 5 à 6 mois, démarrage entre Jan et Mars-Avril 2025

La température de l’air proche de la surface, communément mesurée entre 1.5 et 2m au dessus du sol, est une variable clé pour une grande diversité d’enjeux allant du suivi climatique à la prévision des canicules. En montagne, cette variable joue également un rôle fondamental pour la prévision du risque d’avalanche, par son importance pour la phase des précipitations et pour la transformation saisonnière des manteaux neigeux. Aussi, une estimation spatialisée, à résolution hectométrique, de la température à 2m en montagne est nécessaire pour répondre aux besoins actuels de modélisation du manteau neigeux, en support à la prévision du risque d’avalanche.

Or, cette estimation est difficile dans les régions de topographie complexe. D’une part, les réseaux d’observation au sol sont très insuffisants pour permettre une caractérisation adéquate de la très forte variabilité spatiale de la température en terrain complexe (Thornton et al., 2022 ; Vernay et al., 2022 ). D’autre part, les estimations issues des modèles de Prévision Numérique du Temps (PNT), comme le modèle haute résolution AROME de Météo-France, sont disponibles à des résolutions kilométriques trop grossières et sont fortement biaisées en montagne (Gouttevin et al., 2022). Des produits de fusion de ces deux sources d’information et des adaptations statistiques ont été développés (e.g. Taillardat et al., 2020), toujours à des résolutions kilométriques, mais ces produits n’ont pas été spécifiquement évalués en zone de montagne. Par ailleurs, pour être en mesure d’utiliser de tels produits disponibles à résolution kilométrique en entrée de simulations du manteaux neigeux à résolution hectométrique, une étape de descente d’échelle prenant en compte les effets de la topographie est nécessaire.

Le premier objectif de ce stage sera d’implémenter numériquement la méthode de descente d’échelle proposée par Arnould et al. (2021), en vue de son utilisation sur différents produits de température existants. Cette méthode repose sur l’exploitation des gradients altitudinaux locaux présents dans les produits ; elle pourra être raffinée, par exemple pour une meilleure prise en compte des évènements d’inversion de température qui peuvent impacter la limite pluie neige et le manteau neigeux de façon significative.
Une fois cette implémentation effectuée, il s’agira d’appliquer la méthode de descente d’échelle retenue à différents produits d’estimation spatialisée de la température à 2m (sorties brutes de modèles de PNT, produits de fusion de données, adaptations statistiques,...) dans le but d’évaluer les nouvelles estimations obtenues à résolution hectométrique. Cette évaluation s’appuiera sur des observations indépendantes couvrant l’ensemble des montagnes françaises et pourra se décliner par saison ou par type de temps.

Pour s’affranchir des biais important à prévoir dans les estimations de température à 2m, il est également envisagé d’explorer l’impact de la descente d’échelle sur des températures à des hauteurs plus élevées au dessus du sol (à 10m par exemple), disponibles dans les sorties des modèles de PNT.

Les qualités requises pour ce stage sont un intérêt pour la modélisation météorologique et du manteau neigeux en montagne, ainsi que des compétences en programmation informatique. Les développements se feront en langage python. La capacité à travailler en équipe, la bonne maîtrise de l’anglais technique ou scientifique, l’autonomie et l’esprit d’initiative seront aussi très appréciés.

Gouttevin, I., V. Vionnet, Y. Seity, A. Boone, M. Lafaysse, Y. Deliot, and H. Merzisen, 2022 : To the Origin of a Wintertime Screen-Level Temperature Bias at High Altitude in a Kilometric NWP Model. J. Hydrometeor., 24, 53–71, https://doi.org/10.1175/JHM-D-21-0200.1.

Taillardat, M. and Mestre, O. : From research to applications – examples of operational ensemble post-processing in France using machine learning, Nonlin. Processes Geophys., 27, 329–347, https://doi.org/10.5194/npg-27-329-2020, 2020.

Thornton, J. M., Pepin, N., Shahgedanova, M., and Adler, C. : Coverage of In Situ Climatolog-
ical Observations in the World’s Mountains, Frontiers in Climate, 4, doi:10.3389/fclim.2022.
814181, 2022.

Gabriel Arnould, Ingrid Dombrowski-Etchevers, Isabelle Gouttevin, Yann Seity. Améliorer la prévision de température en montagne par des descentes d’échelle. La Météorologie, 2021, 115, pp.037. 10.37053/lameteorologie-2021-0091. Hal-03511842