Vers une analyses des variables condensées dans les modèles de PNT à méso-échelle

Transcription

1 Vers une analyses des variables condensées dans les modèles de PNT à méso-échelle Thibaut Montmerle CNRM-GAME/GMAP GDR Megha-Tropiques octobre 2016, Montpellier

2 Plan 1. Motivations 2. Généralités sur l assimilation variationnelle 3. Principaux défis : - Non linéarités - Opérateurs d observation - Représentation des erreurs de prévision 4. Expériences 1D 5. Conclusions / Perspectives 2

3 Motivations Variables associées à des phénomènes météo à fort impact GPM De nombreuses observations sensibles aux nuages et aux précipitations non-utilisées : radiomètres µ-onde : NOAA (AMSU-A/ B), METOP (MHS), DMSP (SSMI/S), GPM (GMI + radar precip (DPR)), MeghaTropiques (SAPHIR) Megha-Tropique radar sol DPOL Chaînes AROME opérationnelles avec assimilation de données Représentation explicite des nuages et des précipitations : possibilité d y simuler les observations de manières réaliste 3 Échantillonnage de leurs erreurs de prévision à partir d ensembles

4 Généralités sur l assimilation variationnelle Fonction coût 3DVar : Termes liés à l ébauche, aux observations B, R matrices de covariances d erreurs d ébauche et d observations opérateurs d observation non-linéaires 4 Écriture sous forme incrémentale, résolution par moindres carrés

5 Principaux défis pour l analyse des hydrométéores Non-linéarités dans les processus microphysiques et les modèles de transfert radiatif (RT) Paramétrisations dans les modèles de PNT plus simples que dans les modèle de RT Covariances des erreurs de prévisions dépendantes du flux météo, avec des corrélations inter-variables fortes Correction de biais Coût en temps de calcul : augmentation de la variable de contrôle, simulation des radiances coûteuse (diffusion) Représentation des covariances d erreurs d observation 5

6 Principaux défis : NL Les non-linéarités et la représentation complexe des processus microphysiques ont des conséquences dans : 1. Le calcul des innovations : erreurs de positionnement, de timing erreurs de modélisation dans les modèles de PNT et dans l opérateur d observation Les pdfs des innovations sont fortement non-gaussiennes 2. Le calcul des TL/AD de : Utilisés dans la formulation incrémentale de et de son gradient 3. Le calcul des TL/AD du modèle pour un 4DVar 6 Pour rester dans un cadre quasi-linéaire : 3DVar cyclé fréquemment avec un contrôle de qualité sévère

7 Principaux défis : NL Ex. de statistiques d innovations pour IASI vs. AROME-France (Martinet et al. 2012) 7 Seuls les T b correspondant à des scènes nuageuses homogènes communes sont exploitables (~ 5% du total ici ) Utilisation des pixels AVHRR co-localisés pour diagnostiquer l homogénéité nuageuse

8 Principaux défis : En PNT, les modèles de transfert radiatif doivent être rapides et leurs versions TL/AD doivent être disponibles. Pour AROME : dans l air clair : RTTOV (Saunders et al. 1999) dans les nuages : RTTOV-SCATT (Geer and Baordo, 2014) T b restituées fortement dépendantes du type et de la distribution des hydrométéores, de la paramétrisation de la diffusion OBS 8 Tb SAPHIR (canal 6) pour différents type de particules simulées par RTTOV-SCATT depuis des profils AROME-Indien P. Chambon

9 Principaux défis : B L incrément d analyse est déduit de J = 0 (équation du BLUE) : B a un impact important sur l analyse : ses variances impactent directement le poids des observations ses correlations lissent et propagent les innovations ses covariances croisées entre variables imposent l équilibre de l analyse Les nuages et les précipitations analysés doivent être contraints dynamiquement et thermodynamiquement : 9 Indispensable pour les maintenir dans la prévision!

10 Principaux défis : B Difficultés pratiques : du fait de sa taille (~(10 8 ) 2 pour AROME), B c ( climatologique ) est modélisée par des opérateurs (Derber et Bouttier 1999) est un opérateur de balance permettant de décorréler les variables de contrôle en appliquant des relations d équilibre est une matrice bloc-diagonale constituée des covariances spatiales des variables non balancées la vérité est inconnue : ces opérateurs sont calibrés à partir d un ensemble de différences de prévision B c est bien conditionnée, mais les incréments résultants sont homogènes, isotropes et statiques 10

11 Expériences 1D z Ajout des hydrométéores dans B c Extension de la méthode présentée par Michel et al. (2011) à tous les hydrométéores représentés dans AROME : z z Profils d écarts types z z z 11 Forte dépendance à la stratification verticale de l atmosphère! Covariances verticales normalisées

12 Expériences 1D : radiances IR Covariances verticales exploitées avec succès par Martinet et al. (2012) pour assimiler dans un 1DVar des radiances IR IASI de nuages opaques réduction des erreurs pour toutes les variables de contrôle q i Nuages élevés q l q Nuages bas 12

13 Expériences 1D : radiances MW Assimilation de 6 canaux SAPHIR pour restituer des profils de (T, q, qi, ql, qr, qs) à partir de profils issus de AROME-Indien (P. Chambon) Résolution explicite en 1D du BLUE : Avec un H statistique (PCA de profils AROME et de simulations RTTOV-SCATT) (Haddad et al, 2015) 13 SAPHIR Canal 6, cyclone Bansi

14 Expériences 1D : radiances MW SAPHIR Canal 6 Réduction des erreurs d ébauche pour les 6 canaux Analyses plus proches d observations indépendantes (GPM/DPR) Incrément(qs)niv P. Chambon

15 Conclusions L assimilation d observations sensibles aux variables condensées soulève de nombreuses difficultés liées : aux non-linéarités, aux erreurs de modélisation à la représentation des erreurs de prévision Dans un cadre quasi-linéaire, avec une distribution Gaussienne des innovations et une représentation ad-hoc des covariances d erreurs de prévision, des analyses réalistes et balancées ont été obtenues en 1D 15

16 Perspectives Dans le 3DVar AROME : Analyses de profils de T et q dans les nuages et les précipitations à partir de l assimilation 1D de radiances (1DVar, 1D Bayésien), puis assimilation dans le 3DVar sous forme de pseudo-profils Assimilation directe des observations liées aux variables condensées : - mise en place d un contrôle de qualité sévère, calcul de variances d erreurs d obs dépendantes des innovations 16 - inclusion des hydrométéores dans la variable de contrôle - mise à jour fréquente de la matrice B c modélisée (point moins critique pour les tropiques) nécessite un ensemble d assimilation

17 Perspectives Dans le futur 3D-EnVar AROME : Consiste à utiliser entièrement ou partiellement, dans un cadre variationnel, des covariances d erreurs de prévision échantillonnées à partir d un ensemble de perturbations d ébauche : Pour filtrer le bruit d échantillonnage, une localisation est appliquée 17 Actuellement en cours de test à MF, en parallèle d une mise en opérationnel d un ensemble d assimilation de 25 membres pour AROME-France nécessitera d ajouter les hydrométéores dans la CV les covariances d erreurs associées (multivariées par construction) sont directement fournies par l ensemble et dépendent directement du flux météorologique

18 Perspectives Principales difficultés : localisations différentes, aspect multivarié champs non-continus : que faire dans les zones de dispersion nulle? (utilisation d un EnVar hybride?) 18 Nuage prévu par un membre vers 700 hpa Variances d erreurs associées filtrées, déduite de 25 membres

19 Merci pour votre attention

20 En3DVar for AROME : perturbations Use of an EDA based on AROME at 4 km (AEARO) with L members to compute background perturbations : Explicit obs. perturb. Implicit Bckgd perturb. (Global) Explicit obs. and LBCs perturb. Implicit bkgd perturb. Pertubed LBCs 20 Fisher 2003 ; Kucukkaraca and Fisher (2006); Berre et al 2006

21 Principaux défis : Dans les nuages et en micro-ondes, la valeurs des innovations est fortement liée aux paramétrisations microphysiques du modèle Besoin de sélectionner des conditions nuageuses similaires Tri dans les formes de particules 21 Ici les erreurs d innovations pour les canaux de SPAHIR sont minimales pour les «Bullet rosettes», mais présentent une forte dispersion P. Chambon

22 Principaux défis : B Limitations connues de B c Pour les modèles à aire limitée, forte dépendance des covariances au type de temps et aux phénomènes météorologiques représentés dans l ensemble Largement sous-optimal dans les nuages et les précipitations Exemple : pluie Coupe verticale d incréments d humidité obtenus avec des matrices B c calibrées uniquement à partir de profils pluvieux et en air clair, appliquées dans un 3DVar hétérogène (Montmerle and Berre 2010) Pluie air clair 22

23 Introduction DA in AROME is performed every hour using a 3DVar : B is modelized following Derber and Bouttier (1999) using a balance operator K p and spatial transforms B s : pros cons 1. Balanced analyses 2. Smoothness and high rank 3. Stability of the VAR 1. Static variances 2. Homogeneous and isotropic correlations 3. Sub-optimal in high impact weather situations 23

24 Introduction To improve the impact of assimilated observations in such areas, flow dependency of forecast errors is needed. In EnKF-like methods, forecast errors is sampled using a Monte-Carlo approach based on an ensemble of L forecasts pros cons 1. Flow dependency, including balances 2. Easy to compute 1. Rank deficient 2. Ensemble spread 3. Sampling noise issues 4. Empirical localization that causes imbalance 5. Computational cost of the ensemble! 24