 Ok, j'ai toujours parlé de la prediction de la rainfall locale, à moins de ce que nous pouvons prédire, même à la scale locale. Je commence par une image de l'infrared de la dernière semaine. C'était 5 ou 6 jours auparavant. Je ne vois pas. Ok, merci. C'est juste une image de la dernière semaine, donc c'est basiquement la nuit de l'année, donc vous reconnaissez l'Indonésie. Nous pouvons voir que la convection, la déconvention, est organisée par les scales. Nous pouvons trouver l'ambulance individuelle, mais nous pouvons aussi trouver un cluster de scales. Et tous ces features sont incluses, bien sûr, dans la scale la plus grande, qui est la zone de convergence intertupique. Donc, basiquement, nous pouvons regarder toute l'image de la nuit de l'année, et nous trouverons ces features, qui vont s'occuper dans l'espace, grâce au cycle annuel. Donc, basiquement, les scales locaux sont souvent de l'origine connective, comme vous le savez. Donc, c'est un cycle annuel, au moins sur la plupart des continents, et nous avons aussi une force périodique associée au cycle annuel de la radiation solaire. La convection annuelle est, bien sûr, organisée par des phénoménaux, donc, des clusters de mesoscales, des cyclones de dépression tropiques, et le dernier phénomène est l'ITCZ, qui sont plus ou moins impactés par la périodique et la variation périodique. Donc, bien sûr, si nous considérons l'événement local, il y a une limite déterminique associée à la dynamique chaotique de l'atmosphère. Sur l'autre côté, nous savons que les niveaux de saison sur les scales régionales sont plus ou moins prévus, au moins de l'SST. Cela inclut, bien sûr, les phénomènes, mais ce n'est pas limité à... Nous avons aussi des modes indiens ou des modes atlantiques, qui permettent d'avoir des prédictabilités. Et cette prédictabilité arrive, basiquement, par le lien entre la température et la température directe. Donc, comme je l'ai dit hier, cela crée un peu régional, à une scale zone, qui peut être prédictée à la température de la saison. Donc, bien sûr, par définition, quand nous essayons de prédiquer l'amount de la saison, nous travaillons sur les caractéristiques les plus compréhensibles de la saison. Parce que, par définition, nous inclusons tout l'événement de la saison entre deux à huit mois à travers les tropiques. Le problème avec l'amount de saison est que, il y a deux problèmes. Il y a un problème théorique et il y a un issue pratique. Le premier problème est que, quand nous regardons la variabilité interne de l'amount de la saison, nous ne sommes pas sûrs que ce n'est pas dominé par quelques événements. Il dépend sur l'arrière, bien sûr, d'où nous travaillons. Mais, bien sûr, le meilleur jour de la saison, typiquement, vous pouvez avoir pendant la saison, 5 ou 6 jours d'account pour entre 30 et 60 % du total rainfall. Donc, en fait, quand nous regardons l'amount de la saison, nous regardons ces 5 ou 6 jours spécifiquement. Donc, l'amount de la saison pourrait être, en fait, très contaminé par la saison. Un autre limiter, qui est plus un limiter pratique, c'est le fait que, quand nous l'applicons, la saison de l'amount n'est pas nécessairement la variabilité la plus avouée par des utilisateurs, par exemple, les farmers sont souvent plus intéressés par les dates de saison pour les propositions. Ils sont aussi intéressés par l'adaptation du crop ou de la variété de choix. Donc, nous savons que, par définition, l'amount de la saison inclut toute l'information, toute l'information de la saison. Mais nous pouvons l'assumer et nous verrons juste après que la saison de l'amount ne soit nécessairement associée avec le même scénario à travers la saison. Donc, il y a un problème sur le casquette de la compagnie législative à travers la scale locale, c'est à quoi il est translé, c'est la façon linéaire ou la façon non-linéaire et à quoi il est modulé durant la saison. Je vais vous montrer un exemple de l'intra-saisonal caractéristique, et je prends un exemple basé sur le continent maritime mais je vais dire quelques mots sur l'arrière. Donc, juste une outline. Donc, nous verrons qu'est-ce que la saison typique de la saison et possible d'un scénario. Donc, bien sûr, il y a le milieu d'un scénario, mais nous pouvons juste summariser ce scénario sur les possibilités. Ensuite, nous allons aller au sujet de la composition analytique de la saison. Donc, nous verrons qu'il y a deux possibilités et c'est une approche complémentaire. Une, c'est la composition analytique de la saison intra-saisonale caractéristique. Et l'autre, c'est de construire un scénario typique qui start from the daily series, time series, to extract the most typical especially consistent scénario. And the two example will be applied to the maritime continent. So basically, it is a typical rainy season in the tropics, so we have a season lasting between 3 to 6 months, could be a little bit shorter but also longer. But it is a typical season which is of course fixed by the solar radiation. So we have a start, an onset and the end, a peak of the season but at daytime scale it is not always well marked. We have wet spell, sequence of wet spell and of course dry spells. We can have also false onset that is a short wet spell well behind the real onset and followed by a dry spell which could be detrimental to too early sowing for example. Then we can imagine our negative anomaly at seasonal time scale could be translated into the daily scenario. And of course it is not trivial and we can imagine that there are more than one possibility. It could be a systematic frequency a reduction of the frequency of wet days so we have longer dry spell in mean. It could be a reduction of daily mean intensity of wet day without any impact on the frequency of the rain. It could be also an anomalous delay of the onset, an anomalous advance of the end so in both cases we have a shorter rainy season than in usual and it could be of course any combination of the above anomaly so we can have a different change in the property of the rainy season and as shown by Andy yesterday it could have of course a very different impact for example on crops. The fact is we can summarize the situation by these pyramids that is we start from the instantaneous local scale rainfall where we know that of course by definition the internal or the sub seasonal predictability is quite limited. And then we go further into time scale and into space scale to consider the regional scale a rainfall amount. So basically when we consider the current seasonal prediction I should add the base of the pyramid and we know that at this base at this time and special scale we have various periodic forcing or quasi periodic forcing acting to influence this time and space time scale and then when we move to the local scale rainfall of course we found other quasi periodic or periodic forcing as a journal cycle but it's not well established how these for example intracisonal oscillation impact the intracisonal characteristic of the rainy season or even how these for example internal time scale impact directly these intracisonal characteristics. The problem of course is that we have two two movements on expect, we can assume that when we move to instantaneous local scale rainfall to regional scale rainfall amount we increase the predictability but the fact is that from the practical point of view we decrease the usefulness of the prediction but it is not well established if these two arrows act in a linear way or in a non linear way if there are threshold limiting the predictability of several characteristics or in the other way perhaps we have still some characteristics at very local scale which could be predictable at very long time scale so basically we can try to analyze this pyramid with two complementary approach One approach is to consider at first the regional scale rainfall amount as the object that convey the predictability a priori and then we can move towards the local scale rainfall by decomposing the seasonal amount into intracisonal characteristics that is considering the onset, the end of the season frequency of wet spell saturation of dry spell etc Another approach is an up-bottom approach that is we start from the daily time scale rainfall local and then we construct some data adaptive sub-seasonal scenario to go to the regional scale rainfall amount so it's quite different approach but I will show you that they lead to the same result so the first approach it's just to very simple analytical decomposition of the seasonal amount so the first and the most basic decomposition it is just to consider the number of wet day and the delimine intensity of rainfall so we have just the seasonal amount equal to the by-product between the frequency and intensity of the rain so of course the delimine intensity is not the rain rate which is quite different because of course we know that the tropical rainfall they rarely last just a whole day but it is just a fact that it could be related to seasonal amount in that way so of course as I said before we have the frequency of the seasonal amount so S will be mostly related to the wetters day inside the season and of course this effect will be diluted if you have a long rainy season or if you have a number of wet day or moderate wet day which can dilute the effect of the delimine intensity of rainfall from a dynamical point of view or physical point of view we can consider that the frequency of the rain of course it's a binary variable it indicates that the most moist convection is triggered or not if we assume of course that most of the rainfall are convective in nature while the delimine intensity could be viewed as an empirical estimate of the intensity of moist convection so as I said before I assume that most of the rainfall are convective so we can further decompose the frequency of wet days which is the inverse of the frequency of dry days of course by considering the temporal phase of the monsoon on set end duration as well as mean length, frequency of dry and wet spares so we can see that as this flow chart so here and here you have the component so the basic decomposition it is between the frequency of wet days and the delimine intensity and here you have the product to give the above or the parent variable so here it is the basic decomposition but then you can decompose the frequency component into for example things of the rainy season which depends on the onset and the end of the season and the probability of wet day and dry day inside the season so from this line you can of course go upward to the seasonal amount but you have analytical relationship between this component and the seasonal amount basically it works through the decomposition of the frequency of the rain so in that panel you have different variable and some of them document the phase of the season the most important are the onset and the end of the season and some of them document the wet spell or the dry spell and for the dry spell and the wet spell you have always the frequency of the spell and also the duration of the spell and when you consider the wet spell of course you have the delimine intensity of these spells so I will show you an example of Indonesia and I choose almost a perfect example because as said by Andy yesterday Borneo at least the southern part of Borneo is perhaps the area where the seasonal prediction is best all over the world so I choose a very local scale so I didn't take the rain gauge because there are 2 missing data but I took here the daily GPCP data set and I took a grid point Sous-East of Borneo around the city of Bad Jarmassin which is the main city of the Sousson of Borneo so here it is just the annual cycle we have wet conditions all year round but we have a strong decrease of rainfall between April-May and September-October and we will see first what is the special coherence through just the correlation map of the rainfall just by decomposing into the seasonal amount into the frequency and daily mean intensity around the start of the season that is in the month of September and during the core of the season that is the month of January because we assume that to get a prediction we need to get some special coherence of anomaly we assume that a specific wet event or dry event very specific would not be predictable at internal or sub-seasonal timescale so here it's a correlation with the GPCP dataset so I have only 18 years of data so we need to consider this feature that is quite short but anyway so here are the correlations for the seasonal amount not the seasonal amount, the monthly amount of September sorry, the frequency of wet day so I took a threshold of 1 mm per day and the daily mean intensity of rainfall so we can see that the pattern for the monthly amount and the frequency is very large and it is typical of course as expected as an ENSO teleconnection pattern when we have more rainfall here we have less rainfall here less rainfall here and we see that the frequency pattern is match well with the monthly amount it is basically the same map but we have larger correlation that is we can assume that the signal to noise ratio is better when we look at the frequency than when we look at the seasonal amount and we can understand that because when we look at the daily mean intensity you can see that the correlation vanishes almost everywhere and we didn't have a very large scale pattern of course the grid point of banjarmacine is here so you see that even closer to banjarmacine there are no positive correlation around this grid point so we can consider that in that month that during the start of the rainy season the local scale information that we have at this station is in fact included in a zonal scale pattern which is connected to ENSO so we should expect a quite large predictability even if we consider a local scale feature and in that month the daily mean intensity add a noisy pattern to the amount which is not of course present when we look at the frequency when we look at the same map for January amount, frequency and daily mean intensity we can see that two features the zonal pattern almost vanishes for any variable that we have nothing on the ENSO the core of the ENSO area and we see also that the three pattern the pattern of intensity is closer to the pattern of the amount than the pattern of the frequency at least if you consider the eastern Indian Ocean and the western Pacific Ocean so it suggests that the predictability at least the predictability linked to ENSO is very poor at Banjambasi in January while it was quite large at the beginning of the season so we can then take a look at a very local scale features and it is an important feature for farmers it is the onset so here it was a paper we published with Andy and Rizaldibour from Bogor Centre of Research so we look at local rain gauge so you see that we have not a lot of local rain gauge but we look also at the same map data set the Pantat same map data set and we define just the onset it's an agronomic definition the first wet day of the first 5 days serving at least 40mm without 10 days receiving less than 10mm in the following 30 days just to avoid short way spell to define the real onset so here you have the climatological map so you can see that there is a shift which can be associated with the shift of the ITCC from north west to Seuss est so from it is a quite slow phenomenon so it lasts from the beginning of September to the late November and even to the early December if we consider l'Australie et ici vous avez l'UF de la date local scale donc vous pouvez voir qu'il y a un mod régional de variation c'est-à-dire quand l'onset est délégué sur le Sumatra il y a une bonne chance d'être délégué 2 ou 3 mois plus tard sur le terrain de Timor donc on a quelque chose qui synchronise l'onset local à travers l'arrière bien sûr ce n'est pas un grand surprise il est bien établi mais juste pour comprendre comment un régional ou l'onset local peut influencer j'ai juste ploté les conditions de septembre et novembre c'est la saison l'onset occu de l'onset du Sumatra de Timor et de l'Isle de Sousa donc ici vous avez le vent à 10 mètres et les couleurs sont de la vitesse verticale donc la valeur négative ça signifie la tendance et la valeur positive signifie la subsidence dans le milieu troposphère donc nous pouvons voir le vent du nord sur le nord de l'équateur mais il y a encore le vent sous-souce sous-souce de l'équateur donc encore un traitement assez rapide sous-souce de l'équateur quand on regarde la corrélation avec Enso index donc j'ai utilisé juste Nino 3.4 la corrélation synchronise la pattern de la corrélation ajoute le même component dans le vent c'est l'anomalie donc basiquement quand on a un vent enso on délaie l'onset parce que le traitement est plus long que l'usule parce que le main d'anomalie associé à Enso est le même que le climatologique basique donc on a tendance à créer la condition que cette situation sera plus longue que l'usule cette situation signifie aussi la couleur, c'est l'anomalie de la subsidence donc on voit que c'est très clair le sous-souce de l'équateur cette situation de plus vite que l'usule parce qu'on ajoute un anomalie comme le state basique signifie que nous allons couler l'usule donc il y aura aussi un rôle d'inhibiter la convection du niveau basique dans cette zone c'est le changement de l'itcz qui est inhibité et vous avez coulé l'usule dans l'intérieur par les plus vite les plus vite dans l'Indonais c'est un type qui est juste pour faire une réunion d'aujourd'hui donc on analyse aussi le type de l'usule dans l'Indonais et l'onset ici on a fait les composites de l'usule fréquence durant des événements et quand on regarde la période de l'onset c'est la différence entre le type 2 qui est ici et le type 3 qui est ici, c'est le curve bleu et le type 2 de l'onset c'est le curve bleu donc on voit que le type 2 est toujours une situation atmosphérique c'est qu'on a toujours des trades et l'itcz est bloquée sur le Sumatra à la latitude subéquatorie et aussi, bien sûr, le nord-ouest équatorial Pacifique mais on voit que en plus de l'Indonais sous-sur-équatorie dans l'Indonais on est toujours dans la circulation de trades et avec l'anomalus la subsidence avec la valeur mais le type 3 ici, on voit que le nord-ouest le nord-ouest le nord-ouest est bien établi sous-sur-équatorie et puis on a une très négative valeur de OLR qui signifie « deep convection » dans l'Indonais donc, dans l'anomalus on reste dans un type de l'onset trop long et dans l'anomalus qui est de ce type de l'onset à ce type le corps du Mansoun ici type 3 donc, c'est un phénomène large mais ce phénomène large contrôle le l'onset local l'onset donc, dans ce cas on peut predicter un événement local d'un processus large mais bien sûr, on a besoin d'une certaine condition pour obtenir cette prediction donc, basiquement la surface de l'onset est induite d'un nombre de sujets en milieu surtout sous-sur-équatorie et de l'espoir de l'espoir correspond à un type 2 dans ma classification et cette situation augmente le trade habituel et la vitesse de l'onset est墊 et comme nous savons il est déjà établi dans le Sommet Boréal donc, avant l'onset across Indonesia nous avons la condition pour obtenir une prediction une précision d'une prediction d'un événement local donc, ici, je vais vous montrer un exemple très simple en utilisant l'analyse linéaire qui est une corrélation canonique de l'analyse donc, comme vous le savez il peut être fait avec des outils disponibles à l'IRI donc, ici, c'est le 1er mode de la corrélation canonique entre la july SSD donc, bien derrière l'onset dans l'Indonésie et l'onset dans l'Indonésie donc, nous verrons qu'il y a une synchronisation de l'onset local et donc, il faut ajouter un anomaly négatif qui délaie l'onset systématiquement vers l'Indonésie et, bien sûr avec cette méthode nous pouvons obtenir un skill de l'onset local très haut de Borneo pour l'exemple donc comme je l'ai dit avant cette approche où nous décomposons l'amont de l'intra-saison l'amont de l'intra-saison c'est très facile de le faire parce que c'est une méthode analytique l'advantage c'est que, en tant que l'amont de l'intra-saison l'amont de l'intra-saison de l'intra-saison de l'intra-saison mais nous verrons que pour l'Indonésie nous pouvons obtenir un skill même pour l'onset local mais bien sûr c'est un résultat triviel et nous devons regarder cette décomposition dans d'autres zones et regarder précisément à quel component c'est disponible ou convainc la plupart de l'intra-saison mais ça pourrait être une famille d'intra-saison que l'intra-saison pourrait être dispatchée sur des caractéristiques il n'y a pas un résultat triviel sur cela donc je vous présenterai maintenant un autre approche qui commence à la scale de la journée c'est-à-dire nous commençons à la scale de la journée et l'idée de cette approche est de regarder les variations qui sont spécialement consistantes et aussi temporairement consistantes à travers la saison donc je vous présenterai un exemple sur l'Indonésie donc j'utilise la data set de Renfort donc j'ai une première avantage à traverser une windows de 31 jours donc c'est un paramètre nous pouvons changer cette windows puis j'ai square root c'est M1 pour réduire la skewness puis j'anomalise cette anomalie et puis je construis une timelight EOS la variation dans l'espace mais aussi dans chaque saison donc je considère la systématique co-variation dans l'espace mais aussi dans chaque saison puis j'utilise une technique qui est une chemise physique donc c'est la même chose que les chemises hardes d'exception que nous avons un critère physique et c'est très important parce que dans cette situation j'utilise seulement 47 ans donc c'est très bas donc je dois ne constater trop beaucoup la membership 0 à 1 et c'est mieux en ce cas en ce cas je vous présente l'hôtel plus de 1000 jours donc ce n'est pas une issue mais en tant que je vous jetez les records de l'hôtel c'est mieux d'utiliser l'hôtel physique donc le scénario sub-saison excuse-moi je vais introduire un autre acronyme SSS c'est un scénario typique de l'anomalie de l'hôtel avec l'amplitude grande records quand l'anomalie est large mais quand vous avez une pattern noisie il va diminuer la co-variance et puis il va filtrer dans un format adaptatif le plus spécifiquement renseigné d'un scénario donc ici sont les 5 scénarios donc je vais retourner à cette issue en conclusion donc si il y a un cluster vous devez choisir le nombre de clusters mais en tant que type la conclusion finale n'est pas très sensible pour le nombre de clusters c'est juste une matière d'interprétation et d'un très état statistique donc ici vous avez 5 scénarios donc ici vous avez l'anomalie où le scénario de l'amplitude est sur 0,5 le scénario est entre 0 et 1 donc on peut dire que cette année est typiquement l'anomalie pour ce scénario donc ici vous avez les dates qui sont le centre de la période de 31 jours et ici vous avez la dégagement standard de renseignement donc vous avez un premier scénario qui est très sain au début de l'année puis vous venez près de 0 ou même d'anomalie positive à la fin de la période si vous regardez le autre scénario vous pouvez voir que le scénario 3 est le revers c'est-à-dire que vous avez un anomalie positive au début de l'année et puis vous venez près de 0 ou même d'anomalie negative à la fin de l'année quand vous regardez le autre scénario ces deux deux sont presque opposés qui sont définis par la construction parce qu'on regarde l'anomalie relativement à un sens qui est assez expectant que l'on va trouver un scénario assez opposé donc le premier scénario 2 c'est nul anomalie au début plus positive à la fin de l'anomalie le scénario 5 c'est nul anomalie à la fin de l'anomalie et un grand anomalie negative l'interstant fact c'est que ce scénario c'est quasiment avant le 90 et ce scénario est toujours après le 90 donc ce scénario pourrait être une indication d'un trend dans la saison de rainfall across Indonesia et le dernier scénario c'est le 4e et on peut voir que ce scénario c'est quasiment positive et on voit que le spread, le spread spatial je n'ai pas indiqué excuse-moi donc la saison de rainfall c'est juste le spread across le espace par la technique je l'ai dit avant c'est-à-dire j'utilise cette technique donc j'utilise j'enconconnais toutes les séries de temps en espace et j'enconconnais cette séries de temps aussi en temps donc j'ai une matrice dans le roi j'ai l'air et dans le colon j'ai l'espace le point grand de la station mais j'ai aussi l'intra-saisonale donc en ce cas on dit que nous utilisons un temps comme l'EOS parce que dans la variable j'ai aussi le temps j'utilise tous les lags parce que j'utilise toute la saison dans la variable donc potentiellement si vous avez une saison en plus de 6 mois vous considérez les lags de 0 à 6 mois ok, donc on peut placer l'anomalie bien sûr dans un plus d'habitude donc je l'utilise juste ici l'anomalie du mois pour les 5 scénarios pour l'anomalie du mois ok donc ici j'ai les deux scénarios opposés scénario 1, scénario 3 donc scénario 1 est lancé du début puis plus de 0 scénario 3 c'est lancé du début plus de 0 et après mais on peut voir qu'il y a des anomalies par exemple en Sulawesi nous avons un anomalie positif dans ce anomalie négative excuse-moi dans ce scénario en mars et après on voit aussi que scénario 2 scénario 5 sont basiquement en face et puis les anomalies les plus fortes sont dans le corps pour le scénario 5 et à la fin de l'anomalie dans le scénario 2 dans le scénario 4 nous sommes close à la mince mais c'est plus positif à l'anomalie donc c'est juste une matière c'est juste un moyen excuse-moi pour extraire la évolution sub-saisonnale de l'anomalie mais c'est plus inspiré au scénario S2S parce que nous allons regarder l'évolution de l'anomalie durant un an ici c'est juste l'anomalie de la température de l'anomalie en august donc c'est avant l'anomalie bien sûr donc vous pouvez voir ce n'est pas un grand surprise que le premier scénario c'est l'anomalie le troisième scénario c'est l'anomalie comme nous le savons ce n'est pas un grand surprise le scénario 2 et le scénario 5 qui sont à l'extérieur donc le scénario 2 c'est plus lourd le scénario 5 c'est plus lourd on peut voir que aussi l'opposition est dans le fil de l'anomalie donc je vous montre seulement l'anomalie qui est signifiant d'une approche de Monte Carlo et on peut créer des problèmes que peut-être ce scénario pourrait être un fingerprint de l'anomalie parce que on voit que le signal est le plus fort où l'anomalie est le plus fort dans les tropiques et c'est important parce que pour ce scénario je vous remercie que c'est le plus lourd dans l'Indonaisie bien sûr les scénarios ne sont pas de l'anomalie de l'anomalie de l'anomalie c'est le premier scénario c'est un délai mais après l'anomalie tend à être plus ou moins sur l'île quand on regarde l'anomalie associée avec le scénario en janvier et april ce que c'est durant ce scénario on peut voir que on rétrie bien sûr l'évolution de le scénario d'anomalie sur l'inertie d'Indonais parce que si vous vous rappelez que le premier scénario d'Auguste est lourd dans l'Indonaisie mais ensuite vous voyez que en janvier et april c'est lourd parce que nous savons que l'anomalie associée avec l'Anso c'est l'anomalie à l'Indonaisie c'est lourd le scénario quand on est avant l'anomalie parce que il augmente mais ensuite il interacte l'anomalie de l'anomalie donc en tant que on a moved de l'anomalie du régime au régime de l'anomalie il y a une inversion de l'anomalie dans l'inertie ok donc ça peut expliquer en itself la modulation subsidonale du signal qu'on a parce au début dans l'Indonaisie nous avons plus de l'anomalie que d'habitude donc ça peut augmenter l'anomalie de l'anomalie mais ensuite nous avons l'anomalie dans l'anomalie et nous savons d'une perspective de l'anomalie que ça correspond à un type spécifique où les ventes sont très weakes et quand les ventes sont très weakes nous augmentons l'anomalie donc nous avons quelque chose qui est le fait que nous avons une évolution consistante durant la saison avec un phénomène couplé de l'inertie qui pourrait expliquer le fait que l'anomalie est en fait modulée à l'anomalie subsidonale donc nous pouvons essayer d'utiliser pour prédiquer c'est très préminaire mais j'ai déjà essayé pour l'arrière donc c'est un approche d'amélioration bien sûr donc j'ai donc ma décision de scénario subsidonale dans la validation donc je m'envoie une année de la sample et puis je compute le scénario subsidonale puis la T1 donc c'est une technique de 2 T donc 1 T c'est la construction de le modèle statistique donc je link le scénario subsidonale et les membres de la T1 et les 3 PC de la T1 dans l'Auguste donc je prends le scénario subsidonale avant le scénario subsidonale donc j'utilise la régression logistique durant la période de travail donc c'est la même technique que j'ai utilisé dans ma décision avec le type donc c'est la même que la régression linéaire que vous prédique la catégorie multinomiale donc donc j'ai j'ai la prédiction de la régression pour le scénario que j'ai dans le set de travail ok donc j'utilise le SSD pour la régression et le type la T2 c'est juste resomper la observe la séquence des jours donc c'est c'est un moyen de juste resomper la séquence des jours donc on peut obtenir d'informations de la séquence des jours parce qu'on commence de la séquence des jours et la séquence c'est une manière à résemper les séquences des gaz donc j'ai la séquence des séquences vs symbolism dans le set de travail donc je peux faire une approche en fréquence sur les thứ בו contre la counselors les séquences dans le set de travail de l'observation du set de train à l'année décédée. Je vous montre quelques années pour la scale locale. C'est un point de vue de Banjarmasin de l'Aphrodite data set. Les deux principaux scénarios sont les ans et les ans. Ici, vous avez le terrain, le terrain de mouvement across the running 31 days, so it varies, of course. The dots are the prediction, so I made a 500 simulation. So the dots are the mean of the prediction. And the black curve, it is the observed rainfall anomaly. So what is interesting is that in the two and so year here, so the first scenario, the first observed scenario, is, you see, very clear for the first scenario, but it's not one, it is never one, of course. So it's very clear example of ensayer, it's not surprise, of course, but you have very close scenario. And you see that we capture quite well the transition between dry to normal or even positive anomaly. There are some error, of course. You see that at the end of the 82, 83, we are not able to capture the decrease of rainfall in March, April, 80, 83. It's not a big surprise, of course, because we tend to have a larger skill at the beginning till the middle of the season. Then we know that in the middle of the season, we have less spatial coherence. And in the late season, of course, we can imagine that considering only the regional scale pieces of topical SSD in Auguste is not enough to have the skill, if any. But what is said by the scenario is that probably the most skillful period is at the beginning of the season because the scenario has well defined during that season and the spread is less than at the end of the season. Just two other figures where in 75, 76, you see the membership is close to scenario three, that is a cold and so, but you see that there are other scenarios in that year, so it's not so typical. And the last year, it is 84, 85, when we see that the membership to scenario three, which is a larger for this year, is only 0.5. So of course, the fuziness allow to have a quite a flexible approach of the evolution of the rainfall anomaly. But in 75, you see still that we capture quite well the transition from very positive to zero or negative anomaly in late November in that case. So we can play the game to the four, the upcoming season. So I do the exercise with using the August SST of 2015. Here is the prediction. And in the lower panel, in the right, I put the observation I took yesterday from CPC. So by chance, Banjarmasin is one of the rare station available in Indonesia in real time. So we can see that there are some false onset in Banjarmasin. You see, you have one event in the beginning of October, one event in late October, but the two times, we have a dry spell then after. There is one also, we didn't see it, but also in the end of August. But if we follow the prediction, we know, we know, we expect that this are false onset because the prediction is that the anomaly will turn from very negative to zero around the late November. And you see that in fact, it seems still with an interrogation, but we think that the onset is on at Banjarmasin and the actual date of the onset, it is the 11th of November of this year. And you can see, perhaps I am lucky here, but the tendency change around the 11th of November in my prediction. You can see of course that the uncertainty which is the red and black dots increase till the end of the season. And we are of course, far less confident for what will happen at the end of the season. So it is just a prediction of the monthly rainfall using this technique. So you see that the negative anomaly follow the shift of the ITCC. So we have negative anomaly almost on the Western part in September. Then all the Indonesia is negative in October. Then it shift, it tend to shift to Easterly Indonesia, so Sulawesi and Sondha Island in December. But you have still negative anomaly in December for the East Indonesia, but in the remaining part of Indonesia, it should be close to normal or positive anomaly in December. Of course, it's difficult to trust the anomaly in May because if we look at the uncertainty, it's larger of course, after from March basically. But we have still some signal of low uncertainty. So it's standard deviation of the prediction. So we have still some signal in March in central Borneo and southern Sumatra. So you can of course, as indicated by Yondi yesterday, we can of course generate a probabilistic map. So here I just use a counting frequency in a tercile and I do not use a parametric approach. So it's very basic. So here I just show you the probability of monthly rainfall below the first tercile. For the same month. So we can see it's not different from the previous math, but just in a probabilistic format. We see that the shift of negative anomaly from western and central Indonesia, all Indonesia almost in October, then it shift towards the sous-suis, S correspond to the shift, the normal shift of the IT season. So to conclude, of course, local scale rainfall, when we say towards the prediction of local scale rainfall, we do not consider, of course, instantaneous rainfall because by definition, they are unpredictable at internal time scale, but we consider the property of local scale which could be predicted. So how it works physically, it could work through two types of synchronization. The synchronization of first scan, it is basically the integration of individual convective system into larger system. So you can consider that any thunderstorm will be included or not, but it could be included into larger system, instantaneous larger system from mesoscale cluster to ITCC, which is the larger scale. And you have a second synchronization which work at anomalous property, which I call the synchronization of second kind, which is related to systematic modulation of property, phase, frequency, sequenzality and mean intensity of the rainfall through the scale of motion. So this synchronization could work, in fact, on the larger scale. Well, we can expect that it will work on the larger scale, but if, of course, we have an event, even a local scale one which is related with the large scale phenomenon, we can get the synchronization of second kind even at local scale. So the idea is to go behind the seasonal amount. So I present some technique, but you can imagine, I think a lot of technique to do that. Of course, when we look at the current seasonal forecast, we are mostly dealing mostly with the synchronization of second kind. So seasonal amount have many advantage to include all the rainier events, but these advantage could be a default from the predictable point of view because of the weight, which could be large, of the extreme event. So basically looking at inter-seasonal characteristic or sub-seasonal scenario, target the same goal that is analyzing the potential predictability beyond the seasonal amount. So the advantage is we go clearly to targeted information for end users. The second advantage is to consider the possible inter-seasonal modulation of potential predictability. But of course, there is also a side effect. The inconvenience is that as soon as we go towards the local scale, we go to the unpredictable component. But we saw that, in fact, the decrease of the relationship between the predictability and scale is not linear. Basically, it's non-linear and sometimes we still have predictability even at local scale. But to get predictability at local scale, we need some condition, of course. We need to set the local scale event even if it's synchronization of first kind is small, it does not matter, okay? It is not a matter of the synchronization of first kind. It is mostly a synchronization of second kind of any event, okay? So we saw that for the Indonesia, it is a case because the ITCC is shifted, it is delayed in its shift, it is usual shift by the ENSO large scale anomaly. So we already analyzed other areas in the tropics, for example, with Andy. And we found other quite promising signals. For example, in Philippine in May, we still found that the onset seems to be quite predictable. We found also an example in March over East Africa. As said yesterday by Fredrick, the March to May seasonal amount of East Africa is not predictable from SST. But in fact, it seems to be linked to the fact that the seasonal amount is dominated by the amount in the months of April and May. And in April and May, it's largely inconsistent across space. If you look specifically at the amount in February-March, it is more spatially consistent and more predictable. And in fact, it is where the East Africa is where we develop the approach of a sub-seasonal scenario initially. So the message is that it is not trivial across the tropical zone. You need to, if you are interested in this issue, you need to look precisely to your area, to your season, and see how it works. And sub-seasonal scenario in that context could be just a way, a tool to see how it works. So for example, the onset unfortunately is not predictable for other tropical regions. For example, for Sahel or India, it seems not so predictable. And for India, it seems that the spatial coherence speaks at the end of the season, inside also, but not in the core of the season. A general result, it is that the frequency of wet day is far more spatially consistent that delimine intensity of rainfall. So a good thing to do at first, it is to consider the frequency of rainfall rather than the amount of rainfall if you are interested in prediction or predictability issue. It is far more difficult to predict the rainfall amount, but when we look at the frequency, it is usually far better. So the two techniques, they are complementary, I think. The analytical decomposition is very easy to implement. It does not need any technical sophistication. The only parameter at beginning, at start, which is important, it's to define a wet day. Well, I take usually a millimeter. You can test other thresholds. It's not very important. It's better to not take a zero threshold because it's subject to error. So it's better to take at least one millimeter path. It's better for some region to take even higher. But one millimeter, I think it's a good compromise at the beginning. There is another issue which is not solved. That is the choice of the parameter to define the onset and the withdrawal. It's an important issue. And it is important because it will fix the duration of the season. It's quite important. There are many solutions to define the onset. You have agronomical definition, which is very close to what is weighted by farmers. Or you have more climatic definition as the Liebman definition, where I look at the cumulative anomaly. I think it has other purpose where you have a parameter. It needs to be tested to see what's going on for your area. And there are some solutions to increase the signal-to-noise ratio. So it's a piper of PhD doctorate in Dijon who tried to test systematically many parameters and to find the most robust signal. So there are always solutions. For sub-seasonal scenario, you have two parameters, the fuziness parameter, which is the parameter which is important to scale the fuziness. And the number of clusters. As for the clustering for weather type, I think it's not a real issue at the end. Of course, it is always an issue because if you define a four sub-seasonal scenario or five, you will have different solutions. But when you interpret the scenario, I think it's the most important part. And we know that in theory, it does not exist. I think it does not exist, a real number that is the goal number of the number of clusters or the fuziness parameter. So this parameter, I do some experiment, for example, for the skill of rainfall across Indonesia. Basically, it does not change the result. That is, at the end, we got the same skill. If we take four to seven clusters, of course, it's always a matter of robustness. And we have the same result if we decrease a little bit the fuzzy parameter or we increase a little bit the parameter. For the fuzzy parameter, of course, there is a limit because at some point, the fuziness is too strong and then you have the same membership for all the year. So in that case, you distribute the fuziness. In that case, it does not mean anything. So the last message is that there is a sense, of course, to consider that there are some intracisonal source of modulation because in fact, the internal feature, like and so, we know that they are modulated at intra-annual timescale. So we can think that they are source of potential predictability which are different across the season. It could be like in Indonesia where the local scale coupling between ocean and atmosphere changed during the season. But it could be also between the continental surface and the atmosphere during the season. We know at least for Sahel and I think that the same feature could occur for India or other continental monsoon areas that there is a build-up of a feedback between the continental surface and the atmosphere during the season because the track, even if it's stochastic during the season of the wet event will homogenize the moisture content of the soil and then it could create positive feedback to the end of the season. And of course, for example, for Sahel and for India, when you have the season from May to June to September or October, we know that during that season, the end-sode change a lot and it could change, of course, the potential predictability of the amount of the frequency of rainfall during the season. So the idea is to get into the season, to not stop at the seasonal amount, which is very attractive from a certain point of view, but perhaps it is interesting to go into the season to see if the seasonal amount does not blur some signal which are hidden in the season and which could be useful for end-users. Donc c'est juste, si vous voulez aller plus loin des documents que j'ai utilisé pour préparer cette lecture. Merci.