"Non je n'ai pas cassé ton pot. Ce n'est même pas moi qui l'ai pris. D'ailleurs il était déjà cassé."
Allez, fin de nos échanges.![]()
Encore une remarque non pertinente, il n'y a aucune contradiction dans ce que je t'ai dit : je t'ai dit que
a) les modèles de montée des eaux étaient très incertains (ce qui est vrai)
b) si les modèles qui prévoient une montée des eaux très supérieures à l'extrapolation linéaire actuelle (de 30 cm par siècle) sont vrais, ce qui est possible, ils impliquent aussi que cette montée est inéluctable car dus à des phénomènes de constante de temps longue, et donc qu'on ne peut pas vraiment l'éviter (ce qui est vrai aussi).
a) et b) étant vrais, ils sont non contradictoires, donc je ne vois pas l'utilité de ta blague.
Suis je le seul à trouver cette phrase surréaliste?les extrapolations très supérieures proviennent de modèles hasardeux non confirmés par l'expérience
Dix secondes pour écrire une bêtise, parfois des heures pour montrer à tous que c'en est une...
désolé mais je ne vois pas ce que ça a de surréaliste ...
Pour les messages d'avant, on pense se contredire mais je pense qu'on ne parle pas de la même chose. Je n'ai pas lu l'article, j'ai juste vu le lien donné par Archi3, je relirai.
Sinon, dans un ensemble comme le CMIP5, il y a des modèles "crédibles", ce qui ne veut pas du tout dire "hasardeux".
Ce sont des modèles qui inspirent confiance. L'expérience scientifique, de longue date, nous dit que parmi les modèles crédibles, il y en a toujours quelques uns qui sont proches de la réalité.
De plus, les modèles climatiques sont des outils pour la recherche actuelle et permettent de cibler les choses à surveiller.
ah ben ça fait plaisir d'entendre un peu de vraie science sur ce forum ...Sinon, dans un ensemble comme le CMIP5, il y a des modèles "crédibles", ce qui ne veut pas du tout dire "hasardeux".
Ce sont des modèles qui inspirent confiance. L'expérience scientifique, de longue date, nous dit que parmi les modèles crédibles, il y en a toujours quelques uns qui sont proches de la réalité.
A propos de la variabilité interne des modèles et des prévisions régionales, cet article qui concerne l'Ouest des USA et une énorme quantité de simulations :
La figure jointe permet de voir l'intérêt des moyennes d'ensemble et donne aussi une idée du nombre de réalisations individuelles nécessaireComputing resources donated by volunteers have generated the first superensemble of regional climate model results, in which the Hadley Centre Regional Model, version 3P (HadRM3P), and Hadley Centre Atmosphere Model, version 3P (HadAM3P), were implemented for the western United States at 25-km resolution. Over 136,000 valid and complete 1-yr runs have been generated to date: about 126,000 for 1960–2009 using observed sea surface temperatures (SSTs) and 10,000 for 2030–49 using projected SSTs from a global model simulation.
Il s'agit de la prévision des précipitations annuelles moyennes sur la zone géographique en utilisant des moyennes d'ensemble réalisées sur 1 seul run qui est alors considéré à l'égal d'une moyenne (la barre donne alors la dispersion des "ensemble" de 1 élément), moyenne sur 4 runs etc jusqu'à des ensembles de 256 runs.
Dix secondes pour écrire une bêtise, parfois des heures pour montrer à tous que c'en est une...
Je me doutais que mon propos ferait sourire, mais il se passe que hors du milieu scientifique, on accorde trop d'importance à l'idée que la science se juge sur le succès ou l'échec d'une prévision. On n'a pas construit des modèles climatiques pour annoncer 100 ans à l'avance le bon scénario.ah ben ça fait plaisir d'entendre un peu de vraie science sur ce forum ...
L'idée que la réalité se cache parmi un panel de scénarios est importante dans la stratégie de suivi et de prévision à court terme. C'est le minimum d'une stratégie prévisionnelle face à un événement inédit. Il faut juste être sûr d'avoir le panel de scénarios suffisant. Comprendre la réaction des modèles face à différentes perturbations ou vérifier que les modèles sont capables de reproduire le passé va dans ce sens. Etc. etc.
j'ai pas compris ce que tu voulais montrer la : que quand on fait des moyennes sur un plus grand nombre d'éléments, l'écart type diminue ?La figure jointe permet de voir l'intérêt des moyennes d'ensemble et donne aussi une idée du nombre de réalisations individuelles nécessaire
Il s'agit de la prévision des précipitations annuelles moyennes sur la zone géographique en utilisant des moyennes d'ensemble réalisées sur 1 seul run qui est alors considéré à l'égal d'une moyenne (la barre donne alors la dispersion des "ensemble" de 1 élément), moyenne sur 4 runs etc jusqu'à des ensembles de 256 runs.
ah ben non les modèles ne sont pas là pour ça, c'est sur.
ah mais tu sais si tu veux un panel de scénarios suffisant pour être sur que la réalité se cache dedans, je peux t'en fournir un en 5 minutes pour pas cher du tout ....L'idée que la réalité se cache parmi un panel de scénarios est importante dans la stratégie de suivi et de prévision à court terme. C'est le minimum d'une stratégie prévisionnelle face à un événement inédit. Il faut juste être sûr d'avoir le panel de scénarios suffisant. Comprendre la réaction des modèles face à différentes perturbations ou vérifier que les modèles sont capables de reproduire le passé va dans ce sens. Etc. etc.
Oui si tu veux mais ton message 109 souligne une sorte d'effet papillon qui ressemble beaucoup à la sensibilité des modèles météo au nombre de bits du calculateur mais il s'agit des réalisations individuelles cependant il existe un espace de solutions plus probables que les autres au sens où ce sont celles qu'on retrouve le plus souvent. Ca se vérifie bien justement fans le fait que lorsque les moyennes d'ensemble sont effectuées sur un grand nombre de simulations individuelles toutes indépendantes , ces moyennes sont alors très proches et la prévisibilité des modèles et même des modèles régionaux est considérablement améliorée.
Lorsqu'on se réfère aux simulations de CMIP5, les moyennes d'ensemble sont faites sur la totalité des modèles, ça présente qq avantages en ce sens que tous les modèles ne traitent pas tous les processus de la même manière mais ça mélange des modèles plus ou moins bons .
Dix secondes pour écrire une bêtise, parfois des heures pour montrer à tous que c'en est une...
bonjour,
quelle est la signification de l'expression "moyenne d'ensemble" ?
Tout bête: la moyenne des modèles qui constituent l'ensemble. Dans le cas présent, on a 500 simulations et on constitue des ensembles de 1 , 4,16,64 ou 256 runs tirés au hasard dans les 500. Pour chaque cas, la fourchette donne la dispersion des moyennes des ensembles correspondants.
Dix secondes pour écrire une bêtise, parfois des heures pour montrer à tous que c'en est une...
ah ok, merci.
tu augmentes la précision sur la moyenne prédite certes, mais :Oui si tu veux mais ton message 109 souligne une sorte d'effet papillon qui ressemble beaucoup à la sensibilité des modèles météo au nombre de bits du calculateur mais il s'agit des réalisations individuelles cependant il existe un espace de solutions plus probables que les autres au sens où ce sont celles qu'on retrouve le plus souvent. Ca se vérifie bien justement fans le fait que lorsque les moyennes d'ensemble sont effectuées sur un grand nombre de simulations individuelles toutes indépendantes , ces moyennes sont alors très proches et la prévisibilité des modèles et même des modèles régionaux est considérablement améliorée.
Lorsqu'on se réfère aux simulations de CMIP5, les moyennes d'ensemble sont faites sur la totalité des modèles, ça présente qq avantages en ce sens que tous les modèles ne traitent pas tous les processus de la même manière mais ça mélange des modèles plus ou moins bons .
a) ça ne veut bien sur pas dire que tes prévisions sont plus justes, la moyenne de simulations fausses donne ... une moyenne fausse.
b) l'écart type n'est pas forcément sans signification car il peut représenter (si le modèle est juste) réellement l'écart type des fluctuations réelles : le faire disparaitre artificiellement en prenant des moyennes sur un grand nombre d'ensemble (comme prendre la "moyenne des mois de janvier" ) te fait perdre l'information sur l'écart type, qui peut être aussi intéressant par exemple pour prédire la probabilité des extrêmes.
Mais bon surtout pour en revenir en a), ce n'est pas en accumulant les simulations que tu rends les prédictions plus justes , c'est d'abord et avant tout en comparant les prévisions aux données !
Merci Monsieur de la Palice mais tu m'as déjà fourni la réponse
La prévision d'ensemble est une méthode largement suivie en météorologie opérationnelle et elle a fait ses preuves.b) l'écart type n'est pas forcément sans signification car il peut représenter (si le modèle est juste) réellement l'écart type des fluctuations réelles : le faire disparaitre artificiellement en prenant des moyennes sur un grand nombre d'ensemble (comme prendre la "moyenne des mois de janvier" ) te fait perdre l'information sur l'écart type, qui peut être aussi intéressant par exemple pour prédire la probabilité des extrêmes.
!
Dix secondes pour écrire une bêtise, parfois des heures pour montrer à tous que c'en est une...
OK mais si je comprends bien ce qui est dit ici par exemple, la prévision d'ensemble consiste précisément à estimer l'incertitude en comparant plusieurs états initiaux de valeur légèrement différente : il ne s'agit donc pas de réduire l'écart type en faisant des moyennes sur un grand nombre, mais de l'estimer au mieux ! dans le graphique que tu as montré, l'intérêt principal est de montrer que les modèles sont plutot d'accord entre eux en moyenne et que l'écart entre un run d'un modèle et un autre run d'un autre modèle est plutot dominé par la variabilité intra-modèle (de run à run) que par la différence entre les modèles.
Tant mieux, mais cela ne doit pas laisser croire
a) que parce que les modèles sont d'accord entre eux, ils sont forcément fiables (c'est par exemple ce que montre la figure du #23, il peut y avoir accord entre les modèles dans un certain intervalle et que les données sortent de cet intervalle !!)
b) que la prédiction moyenne , même juste, est plus "fiable" si il y a une grande variabilité, puisque la variabilité de run à run peut montrer simplement le caractère chaotique et imprédictible de la réalité : si la variation future est dominée par cette variabilité, la moyenne ne t'apporte aucune information vraiment utile. C'est précisément le cas quand les prédictions météo sont assortis d'un indice de confiance faible (de 1) : en pratique ça ne t'apprend pas grand chose.
Ce serait intéressant d'ailleurs d'estimer avec ces méthodes "l'indice de confiance" de prédictions climatiques à long terme ....
Dernière modification par Archi3 ; 15/10/2016 à 06h26.
Estimer précisément ?
La prévision d'ensemble est un domaine où la validité théorique se comprend uniquement sur des exemples simplifiés. En pratique, pour simuler un système hyper complexe, soit :
1) on calibre l'ensemble pour qu'il s'adapte à l'historique. C'est fait en météorologie, car on a des milliers de cas et parce qu'on sait que les statistiques du futur seront en grande partie les statistiques du passé.
2) on réalise la prévision d'ensemble et on l'utilise, parce qu'elle porte la marque "rationnelle".
Fondamentalement, ne pas savoir le futur nous empêche d'imaginer que la prévision d'ensemble sache le futur.
Ceci revient à dire que la modélisation, dans son ensemble, est un outil pour comprendre et améliorer la science. Face à un événement inédit, il faut surtout être capable de surveiller en temps réel pour anticiper le plus tôt possible des éventuelles bifurcations brutales.
Se concentrer sur des points précis du climat et oublier l'idée de tout prévoir d'un coup, c'est sans doute la meilleure solution. Les modèles ne sont pas là pour tout prévoir. Cela va contre l'idée moderne d'avoir des énormes bases de données qui alimentent des applications très diverses. La modélisation n'est pas une base de données, elle s'adapte à l'objectif.
bon enfin chacun jugera selon ses critères, mais moi j'appelle ça du blabla ....
Oui, enfin, on ne se contente pas de l'estimation de l'incertitude, on choisit également la prévi la plus probable et c'est évidemment celle qui est la plus fréquemment rencontrée dans les diverses simulations. On ne choisit évidemment pas une de celles qui se situeraient au delà des 2 sigmas par exemple. Ce qu'on recherche avec cette méthode ce sont les prévisions les plus robustes , cad celles qui sont le moins dépendantes des fluctuations des conditions initiales. Ca ne signifie pas qu'une évolution extrême est impossible, c'est évident mais c'est le plus probable et ça suffit pour la grande majorité des aides à la décision et si nécessaire on raffine avec les prévis plus rapprochées.OK mais si je comprends bien ce qui est dit ici par exemple, la prévision d'ensemble consiste précisément à estimer l'incertitude en comparant plusieurs états initiaux de valeur légèrement différente : il ne s'agit donc pas de réduire l'écart type en faisant des moyennes sur un grand nombre,
Là je pense que tu interprètes de travers mais c'est à approfondir.l'intérêt principal est de montrer que les modèles sont plutot d'accord entre eux en moyenne et que l'écart entre un run d'un modèle et un autre run d'un autre modèle est plutot dominé par la variabilité intra-modèle (de run à run) que par la différence entre les modèles.
Là encore ce sont des Lapalissadesmais cela ne doit pas laisser croire
a) que parce que les modèles sont d'accord entre eux, ils sont forcément fiables (c'est par exemple ce que montre la figure du #23, il peut y avoir accord entre les modèles dans un certain intervalle et que les données sortent de cet intervalle !!)
b) que la prédiction moyenne , même juste, est plus "fiable" si il y a une grande variabilité, puisque la variabilité de run à run peut montrer simplement le caractère chaotique et imprédictible de la réalité : si la variation future est dominée par cette variabilité, la moyenne ne t'apporte aucune information vraiment utile. C'est précisément le cas quand les prédictions météo sont assortis d'un indice de confiance faible (de 1) : en pratique ça ne t'apprend pas grand chose..
Dix secondes pour écrire une bêtise, parfois des heures pour montrer à tous que c'en est une...
C'est du blabla pour celui qui attend une justification précise avec critère de robustesse statistique.
Mais il faut sans doute éviter de parler de "prévision grâce" aux modèles climatiques. La recherche n'est pas à ce stade d'avoir des modèles qui ont la vérité. Les liens donnés précédemment nous disent qu'on tâte le terrain, c'est cette actualité qu'il faut suivre.
Je pense qu'on a trop souvent parlé de la météo dans les messages précédents, c'est pourquoi j'ai dérivé sur cette nécessité de dire "on n'est pas du tout au même stade pour la climatologie moderne".
Je reviendrai plus aux discussions techniques, maintenant.
Archi disait
Comme les qq messages qui précèdent le montrent, ça a l'air dêtre du bon sens et ça ne l'est pas vraiment. Si il y a une variabilité interne aux modèles, alors, il faut trouver les trajectoires les plus probables et ça exige précisément de multiplier les runs ., ce n'est pas en accumulant les simulations que tu rends les prédictions plus justes , c'est d'abord et avant tout en comparant les prévisions aux données !
Ca marche d'ailleurs pas si mal: la prévi régionale est plus difficile et pourtant, le modèle régional alimenté aux limites du domaine par les champs d'un modèle climatique global donne des résultats plutôt encourageants si on prend la moyenne d'ensemble (ici 100 runs ) (voir figure jointe).
A gauche la prévi simulée, au centre la réanalyse, à droite les différences
Dix secondes pour écrire une bêtise, parfois des heures pour montrer à tous que c'en est une...
bon je vais faire encore mon pénible mais on compare ici à des données passées, ce n'est pas une "prévision", à la limite un résultat du modèle : mais comme on a déjà dit souvent, les modèles sont forcément "travaillés" pour coller le mieux qu'on peut aux données passées (c'est à dire qu'on a tendance quand on voit des différences à en comprendre l'origine et à les corriger, et quand ça va bien on s'arrête ...)Ca marche d'ailleurs pas si mal: la prévi régionale est plus difficile et pourtant, le modèle régional alimenté aux limites du domaine par les champs d'un modèle climatique global donne des résultats plutôt encourageants si on prend la moyenne d'ensemble (ici 100 runs ) (voir figure jointe).
A gauche la prévi simulée, au centre la réanalyse, à droite les différences
oui ca devient pénible car à t'entendre, de toute manière toute validation est impossible puisqu'on ne peut pas utiliser les données passées et qu'=e l'avenir n'est pas encore là .
Dans ce cas, je me demande bien ce que tu viens faire ici. Pour toi, ça n'a aucun sens. Bon eh bien, c'est dit.
On parlait de variabilité interne, de prévision d'ensemble.
Ce qui est montré dans ce papier c'est que la prévision d'ensemble colle plutôt bien à la réalité même si de nombreuses prévi individuelles sortainet des clouis.
C'était ça l'objet des derniers messages .
Dix secondes pour écrire une bêtise, parfois des heures pour montrer à tous que c'en est une...
Bien sur que si c'est possible, il suffit de comparer à des données postérieures au modèle au lieu de comparer à des données antérieures aux modèles. C'est précisément ce qui est fait sur la courbe de Christy :
et quand on le fait, on voit que les modèles ne marchent pas encore bien. Ca n'a rien d'humiliant, c'est même très courant en recherche, qu'on ait encore une situation mal modélisée : c'est précisément pour ça qu'on fait de la recherche non ?
ce qui est lassant, c'est l'impression qu'en climatologie il y a discours obstructeur dont la seule fonction est de tenter de masquer ce fait par des tas de digressions hors de propos ...
On va pas recommencer, si? Cette figure tu l'as déjà présentée ...ah oui un tout petit peu diffrénte y vait pas les spaghettis.
On a déjà amplement discuté de la validité très discutable des mesures statelltes présentées par Christy.
On peut aussi reproduire les comparaisons CMIP3 par exemple et recommencer toute la discussion qui a déjà eu lieu maintes fois
Tu as changé de sujet en fait: nous en étions à la régionalisation et à l'intérêt des previsions d'ensemble.
Quant au discours obstructeur , tu veux rire? Qui a changé de sujet pour remettre ça sur le tapis?
Dernière modification par yves25 ; 16/10/2016 à 08h57.
Dix secondes pour écrire une bêtise, parfois des heures pour montrer à tous que c'en est une...
La moyenne d'ensemble est un scénario crédible, mais c'est un parmi d'autres.Ce n'est pas clair, en tout cas pour moi. Cette variabilité simulée donne une idée de la variabilité dans les projections mais ça n'empêche en rien que la moyenne d'ensemble (surtout la moyenne d'ensemble d'un modèle ) ne puisse pas être crédible comme l'est la moyenne d'ensemble d'un modèle météo.
Comme je disais, sur un modèle simplifié des incertitudes et d'évolution, on a des arguments pour dire que la moyenne d'ensemble est un bon estimateur. Sur un système complexe, c'est la phase de test qui nous dit si c'est toujours vrai.
Pour le climat, on est dans l'inédit, donc la phase de test ne peut rien dire en terme de robustesse statistique.
Néanmoins, il faut être optimiste sur le fait que la Terre a peut-être un fonctionnement assez linéaire. On a souvent raison en visant une réaction linéaire, soit dans le tendance brute, soit dans les statistiques, même si les équations de base sont non-linéaires. On a souvent tort en donnant du poids au chaos de la non-linéarité. Pourtant, on arrive à identifier dans les modèles des potentiels points de non-retour, des rétroactions catastrophiques.
Avec le principe de précaution, les scénarios à +6°C en 100 ans font peur, la moyenne d'ensemble n'a aucun intérêt. C'est le domaine paranoïaque, que certains appellent "catastrophiste".
Avec la moyenne d'ensemble, on se rapproche d'une réponse linéaire, on a l'impression de ne pas être catastrophiste et d'être dans la raison. La moyenne d'ensemble a énormément de succès dans la prise de responsabilité. Mais n'importe quel statisticien pourra faire remarquer qu'il n'y aucune robustesse statistique pour une application en conditions réelles.
Ce qui est important pour les modèles climatiques, c'est qu'ils arrivent à reproduire du domaine connu. Il faut être optimiste sur le fait que cela augmente la capacité prédictive, mais les modèles ne sont pas que prévision.
Dans le langage de la prévision, un modèle donne un signal. Il alerte le prévisionniste sur ce qui peut se passer.
Mais pour un physicien, le modèle ne sert pas à cela. Le modèle permet de comprendre le présent et le passé.
Pour discuter des modèles climatiques, il faut en priorité voir le présent et le passé. Le signal du futur, tout le monde l'a vu et a été alerté. Que dire de plus sur le futur ?
ce que je veux dire par discours obstructeur c'est précisément ça :On peut aussi reproduire les comparaisons CMIP3 par exemple et recommencer toute la discussion qui a déjà eu lieu maintes fois
Tu as changé de sujet en fait: nous en étions à la régionalisation et à l'intérêt des previsions d'ensemble.
Quant au discours obstructeur , tu veux rire? Qui a changé de sujet pour remettre ça sur le tapis?
en réalité il n'y a aucune discussion sérieuse qui conclut à une "validité très discutable" des mesures satellites : c'est juste une affirmation visant à décrédibiliser une simple comparaison entre données et modèles, pour se dispenser d'en discuter les conséquences.On a déjà amplement discuté de la validité très discutable des mesures statelltes présentées par Christy.
sous-entends tu qu'une moyenne d'ensemble est toujours un bon estimateur, indépendamment de la qualité des modèles de l'ensembleLa moyenne d'ensemble est un scénario crédible, mais c'est un parmi d'autres.
Comme je disais, sur un modèle simplifié des incertitudes et d'évolution, on a des arguments pour dire que la moyenne d'ensemble est un bon estimateur. Sur un système complexe, c'est la phase de test qui nous dit si c'est toujours vrai.?