Amélioration des prévisions météorologiques au Sénégal avec le modèle WRF
- Post by: SOAPHYS-KZ
- 27 décembre 2025
- Comments off
http://dx.doi.org/10.46411/jpsoaphys.2021.C25.13
Section de la parution: Informations de publication
J. P. Soaphys, Vol 5, N°2 (2025) C25A15
Pages : C23A13-1 à C25A13-13
Informations sur les auteurs et affiliations
Massara DIAKHATE1*, Samo DIATTA1, Youssouph SANE2, Habib SENGHOR2, Emmanuel D POAN3, Abdou Aziz COLY 4
1Laboratoire d’Océanographie, des Sciences de l’Environnement et du Climat (LOSEC), Ziguinchor, Senegal
2 Agence National Aviation Civil et la Météorologie (ANACIM), Dakar Yoff, Dakar BP 8184, Senegal
3Agence Nationale de la Météorologie, Avenue de la Paix, Somgandé, 01, Ouagadougou BP 576, Burkina Faso
4 Laboratoire d’Environnement, Informatique, Télécommunications et Energies Renouvelables,Université Gaston Berger de Saint Louis, Saint Louis, Senegal
Corresponding author e-mail : *massdiakhate16@gmail.com
RESUME
La prévision des précipitations joue un rôle essentiel pour des secteurs clés tels que l’agriculture, l’élevage et la pêche. Cependant, la complexité de la mousson ouest-africaine, marquée par une forte variabilité spatio-temporelle, rend sa modélisation particulièrement difficile. Cette étude évalue huit configurations du modèle WRF, combinant différents schémas de paramétrisation tels que la convection des cumulus, la microphysique, le rayonnement, la couche limite planétaire et de surface, afin d’identifier la configuration optimale pour simuler les précipitations au Sénégal. Le modèle WRF, forcé par les données du GFS, est utilisé pour simuler deux épisodes de fortes pluies (les 5 septembre 2020 et 2 août 2021) avec une échéance de 24 h (de 06 TU à 06 TU le lendemain). Une approche à trois domaines imbriqués a été adoptée : 36 km pour l’Afrique de l’Ouest, 12 km pour une zone intermédiaire et 4 km pour le Sénégal. Les résultats sont évalués à partir des données ENACTS et de 66 stations pluviométriques. Ils montrent que toutes les configurations reproduisent globalement bien les précipitations observées, malgré certains biais. Toutefois, la sensibilité du modèle demeure fortement influencée par le choix du schéma de cumulus, tandis que la microphysique et le schéma de surface exercent un effet plus limité. La combinaison du schéma de cumulus G3D, de la microphysique Thompson et du schéma de surface Noah-MPLS apparaît comme la plus performante pour la simulation des précipitations. Ces résultats soulignent l’importance du choix des paramétrisations physiques pour améliorer la prévision des précipitations avec WRF, notamment lors d’événements météorologiques extrêmes au Sénégal
Mots-Clés : ENACTS, prévisions météorologiques, modèle régional (WRF), skill des prévisions, Mousson Ouest-Africaine, schéma de paramétrisations, précipitations, GFS
ABSTRACT
Precipitation forecasting plays a key role in vital sectors such as agriculture, livestock, and fisheries. However, the complexity of the West African monsoon, characterized by strong spatio-temporal variability, makes its modeling particularly challenging. This study evaluates eight configurations of the WRF model, combining different physical parameterization schemes such as cumulus convection, microphysics, radiation, planetary boundary layer, and land surface processes, in order to identify the optimal setup for predicting precipitation over Senegal. The WRF model, forced by GFS data, is used to simulate two rainfall events (5 September 2020 and 2 August 2021) with a 24-hour forecast lead time (from 06 UTC to 06 UTC the following day). A three-domain nested approach are adopted: 36 km for West Africa, 12 km for an intermediate domain, and 4 km for Senegal. The results are evaluated using ENACTS data and observations from 66 raingauge stations. All configurations generally reproduce the observed precipitation patterns, despite some biases. However, model sensitivity remains strongly influenced by the choice of the cumulus scheme, while the microphysics and land surface schemes have a more limited effect. The combination of the G3D cumulus scheme, Thompson microphysics, and Noah-MPLS land surface scheme seem to be the most effective for predicting precipitation. These findings highlight the importance of selecting appropriate physical parameterizations to improve precipitation forecasting in Senegal with the WRF model, particularly during extreme weather events
Keywords : ENACTS, weather forecasting, regional model (WRF), forecast skill, West African Monsoon, parameterization scheme, precipitation, GFS
REFERENCES
Augustin, D., Kouadio, G., & Tchinda, R. (2023). Impact assessment of the West African monsoon on convective precipitations over the far north region of Cameroon. Advances in Space Research, 72(4), 666–679.
Chai, T., & Draxler, R. R. (2014). Root mean square error (RMSE) or mean absolute error (MAE)?–Arguments against avoiding RMSE in the literature. Geoscientific model development, 7(3), 1247-1250.
Chen, Y., SRH Rizvi, X.-Y. Huang, J. Min et X. Zhang, 2013: Caractéristiques de l’équilibre des covariances d’erreur de fond multivariées et de leur impact sur les analyses et les prévisions dans les régions tropicales et arctiques. Météore. Atmos. Phys., 121, 79–98.
Cretat, J., Pohl, B., & Richard, Y. (2011). Les modèles climatiques régionaux outils de décomposition des échelles spatio-temporelles. Dixièmes Rencontres de Théo Quant, Besançon (France), 11.
Coly, A. A., Poan, E. D., Sane, Y., Senghor, H., Diouf, S., Ndiaye, O., … & Gueye, D. (2025). Optimizing WRF Configurations for Improved Precipitation Forecasting in West Africa: Sensitivity to Cumulus and PBL Schemes in a Senegal Case Study. Climate, 13(9), 181.
Diedhiou, S., Rauch, M., Lahat Dieng, A., Bliefernicht, J., Sy, S., Sall, S. M., & Kunstmann, H. (2024). Extreme rainfall in Dakar (Senegal): a case study for September 5, 2020. Frontiers in Water, 6, 1439404.
Faniriantsoa, R., & Hansen, J. (2022). Enhancing ANACIM high-resolution merged historical datasets by generating additional meteorological parameters.
Djakouré, S., Koffi, B., & Coulibaly, M. (2024). Mesoscale convective systems and extreme precipitation along the northern coast of the Gulf of Guinea. Atmosphere, 15(2), 194. https://www.mdpi.com/2073-4433/15/2/194
Drigeard, E. (2014). Microphysique glacée des systèmes convectifs observés dans le cadre de Megha-Tropiques en Afrique de l’Ouest: comparaison des mesures aéroportées avec des radars sol et un modèle numérique (Doctoral dissertation, Université Blaise Pascal-Clermont-Ferrand II) 219pp.
Flaounas, E., Bastin, S., & Janicot, S. (2011). Regional climate modelling of the 2006 West African monsoon: sensitivity to convection and planetary boundary layer parametrisation using WRF. Climates Dynamics, 36(5-6), 1083-1105. doi:10.1007/s00382-010-0785-3
Grell, GA, & Dévényi, D. (2002). Une approche généralisée du paramétrage de la convection combinant des techniques d’ensemble et d’assimilation de données. Lettres de recherche géophysique , 29 (14), 38-1.
Groupe d’experts intergouvernemental sur l’évolution du climat (GIEC). (2022). Fiche régionale : Afrique de l’Ouest.https://cdkn.org/sites/default/files/2022-04/IPCC%20Regional%20Factsheet%202_West%20Africa%E2%80%93FR_web.pdf
Hong, S.-Y., and H.-L. Pan, 1996: Nonlocal boundary layer vertical diffusion in a medium-range forecast model. Monthly Weather Review, 124(10), 2322–2339. https://doi.org/10.1175/1520-0493(1996)124
Iacono, MJ, JS Delamere, EJ Mlawer, MW Shephard, SA Clough et WD Collins, 2008: Forçage radiatif par les gaz à effet de serre à vie longue: calculs avec les modèles de transfert radiatif de l’ARE. J. Geophys. Rés., 113, D13103
Igri, P., Tanessong, RS, Vondou, DA, Panda, J., Garba, A., Mkankam, FK et Kamga, A. (2018). Évaluation de la performance du modèle WRF dans la prévision des conditions météorologiques à fort impact sur l’Afrique centrale et occidentale : une approche basée sur les ensembles. Risques naturels, 93 (3), 1565-1587.
IFRC (2022). Senegal: Floods in Dakar, Thiès, and Matam Emergency Plan of Action (EPoA) DREF Operation n° MDRSN019—Senegal. ReliefWeb. Available at:
Karbou, F., Beucher, F., Bock, O., Lafore, J.-P., Mumba, Z., Ngamini, J.-B., . . . Redelsperger, J.-L. (2012). Prévision et météorologie opérationnelles. La météorologie.
Lafore, J. P. (2007). Premiers résultats de la campagne AMMA : mieux prévoir les précipitations en Afrique de l’ouest. Météo-France. Consulté le 07 10, 2020, sur http://www.meteofrance.fr/actualites/206886.
Lebel, T., Diedhiou, A., & Laurent, H. (2003). Seasonal cycle and interannual variability of the Megha-Tropiques en Afrique de l’Ouest: comparaison des mesures aéroportées avec des radars sol et un modèle numérique », 219.
Maidment, R. I., Grimes, D., Black, E., Tarnavsky, E., Young, M., Greatrex, H., … & Alcántara, E. M. U. (2017). A new, long-term daily satellite-based rainfall dataset for operational monitoring in Africa. Scientific data, 4(1), 1-19.
Mathon, V. L., & Lebel, T. (2002). Mesoscale convective system rainfall in the Sahel. Journal of Applied Meteorology, 1081-1092.
Noble E, Druyan L. M, Fulakeza M. (2017). The sensitivity of WRF daily summertime simulations over West Africa to alternative parameterisations. Part II : Precipitation. Mon. Wea. Rev., 145(1), 215-233
Nkrumah, F., Mensah, E., & Adomako, K. (2023). Classification of large-scale environments that drive the formation of mesoscale convective systems over southern West Africa. Weather and Climate Dynamics, 4(3),773–788.https://wcd.copernicus.org/articles/4/773/2023/
Parker, D. J., Diop-Kane, M., & Lafore, J. P. (2020). Météorologie de l’Afrique de l’Ouest tropicale: Le manuel du prévisionniste.
Reuters (2020). Senegal Activates Emergency Floods Aid Plan After Downpour. London: Reuters.
Sagna, A., Fall, M., & Ndiaye, P. (2023). Diurnal variability of mesoscale convective systems in the Sahel region. Journal of Climate, 36(5), 2145–2162. https://doi.org/10.1175/JCLI-D-22-0567.1
Skamarock, W., Klemp, J., Dudhia, J., Gill, D., Liu, Z., Berner, J., et al. (2019). A description of the Advanced Research WRF Model Version 4. NCAR Technical NoteNCAR/TN-556+STR.https://doi.org/10.5065/1dfh-6p97
Smirnova, TG, JM Brown, SG Benjamin et D. Kim, 2000: Paramétrage du froid processus saisonnier dans le schéma MAPS de surface terrestre. J. Geophys. Rés., 105 ( D3), 4077–4086
Solano-Farias, F., Ojeda, M. G. V., Donaire-Montaño, D., Rosa-Cánovas, J. J., Castro-Diez, Y., Esteban-Parra, M. J., & Gamiz-Fortis, S. R. (2024). Assessment of physical schemes for WRF model in convection-permitting mode over southern Iberian Peninsula. Atmospheric Research, 299, 107175.
Pohl, B., Crétat, J., & Camberlin, P. (2011). Testing WRF capability in simulating the atmospheric water cycle over Equatorial East Africa. Climate Dynamics, 37(7), 1357-1379.
Powers J. G , Klemp J. B, Skamarock W. C, Davis C. A, Dudhia J, Gill D. O, Coen J. L, Gochis D. J, Ahmadov R, Peckham S. E, Grell G. A, Michalakes J, Trahan S, Wang W, Schwartz C. S, Romine G. S, Liu Z.-Q, Snyder C, Chen F, Barlage M. J, Yu W, Duda M. G. (2017). The Weather Research and Forecasting (WRF) Model : Overview, system efforts, and future directions. Bull. Amer. Meteor. Soc.,98, 1717–1737
Thompson, G., RM Rasmussen et K. Manning, 2004: prévisions explicites des précipitations hivernales utilisant un schéma de microphysique en vrac amélioré. Partie I: Description et analyse de sensibilité. Lun. Wea. Tour., 132, 519–542
Tiedtke, M., 1989: Un schéma complet de flux de masse pour les paramètres du cumulus isation dans les modèles à grande échelle. Lun. Wea. Tour., 117, 17791800. doi: 10.1175 / 1520- 0493 (1989) 117¡1779: ACMFSF¿ 2.0
Traoré, A., Diop, M., & Coulibaly, B. (2022). Diurnal cycle of precipitation over West Africa: Observations and model evaluation. Atmospheric Research, 275, 106302. https://doi.org/10.1016/j.atmosres.2022.106302
Wang, J. A., Sardeshmukh, P. D., Compo, G. P., Whitaker, J. S., Slivinski, L. C., McColl, C. M., & Pegion, P. J. (2019). Sensitivities of the NCEP Global Forecast System. Monthly Weather Review, 147(4), 1237-1256. https://doi.org/10.1175/MWR-D-18-0239.1
Willmott, C. J. (1982). Some comments on the evaluation of model performance. Bulletin of the American Meteorological Society, 63(11), 1309-1313.
Willmott, C. J., & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate research, 30(1), 79-82.
Wilks, D. S. (2011). Statistical methods in the atmospheric sciences (Vol. 100). Academic press
