Assimilation de données pour la prévision numérique du temps

Transcription

1 Assimilation de données pour la prévision numérique du temps Cliquez pour modifier le style du titre Jean-François Mahfouf Cliquez pour Météo-France/CNRS modifier le style des Centre sous-titres National du de masque Recherches Météorologiques (UMR 3589) Toulouse 1

2 Plan de l exposé La prévision numérique du temps Le principe de l assimilation de données L importance des observations satellitaires Quelques illustrations dans un contexte opérationnel Les évolutions planifiées 2

3 La prévision numérique du temps Résolution numérique des équations de la mécanique des fluides (code informatique) pour prévoir l évolution de l atmosphère à partir de la connaissance d un état initial Etat Initial Modèle numérique Etat Prévu processeurs 1 Pflops

4 Estimation d un état initial pour les modèles Les observations Δx Δt irréguliers vs. Δx Δt réguliers Une prévision numérique à courte échéance Système d assimilation Un état initial ou Analyse 4

5 Assimilation de données : généralités Assimilation de données : techniques permettant une combinaison optimale (statistique) entre les observations et une prévision à courte échéance (ébauche) Optimalité => connaissance des erreurs aléatoires et systématiques (biais) Importance des contrôles de qualité et de la capacité du modèle à simuler l observations (opérateur d observation) => savoir rejeter les observations «inutiles» Paramètres atmosphériques d intérêt : le champ de masse (Ps), de température (T), de vent (U,V) et de vapeur d eau (q,rh) A l avenir intérêt pour les autres phases de l eau (nuages, pluie, eau du sol) et les constituants mineurs (CO2, O3, ) 5

6 Le formalisme mathématique Estimation probabiliste : probabilité qu un état x a (analyse) soit l état vrai connaissant des observations y o, ainsi qu une information a priori x b Théorème de Bayes : P(x = x t y = y o ) P(y = y o x = x b )P(x = x b ) Opérateur d observations : y = H(x ) Lois de probabilités gaussiennes : P(y = y o x = x b ) exp( 0.5(y o H(x )) T R 1 (y o H(x ))) P(x = x b ) exp( 0.5(x x b ) T B 1 (x x b )) Maximum de vraisemblance : x a = min( log(p(x )) 6

7 L assimilation variationnelle Fonction coût à minimiser : J(x ) = 1 2 (x x b )T B 1 (x x b ) + 1 [ 2 y H(x ) ] T R 1 [ y H(x )] x = état à analyser (température, composantes du vent, pression de surface, contenu en vapeur d eau) x b = ébauche (prévision courte échéance) y = observations disponibles H = operateur d observations B = matrice de covariances d erreurs de l ébauche R = matrice de covariances d erreurs d observations

8 D un point de vue pratique Contraintes temps réel obligent à produire très rapidement l analyse pour réaliser les prévisions numériques (35 min temps elapse) Minimisation d une fonction coût quadratique dans un espace de dimension réduite (approche incrémentale) - dim(δx) =100 x10 6 Utilisation des versions linéarisées du modèle de prévision et des opérateurs d observation pour une estimation efficace du gradient de la fonction coût : 8 J = B 1 δx +H T R 1 (y o H(x b ) Hδx ) Algorithmes de minimisation classiques : gradient conjugué avec préconditionnement par la matrice B 1/2 ou B Modélisation de la matrice B (approche spectrale ou en ondelettes) et utilisation d ensembles de prévisions Matrice R supposée diagonale : écrémage des observations pour éviter les corrélations d erreurs Autres approches : filtres de Kalman

9 9 Le système global d observations

10 10 La constellation des satellites météorologiques

11 Les observations Volume journalier utilisé à Météo-France : 6.5 Go pour le modèle global ARPEGE Canaux de diffusion : Coordination par l OMM, définition des formats d encodage (BUFR) et de transmission des données (entêtes) sur le système mondial de télécommunications (GTS) Coordination par EUMETSAT pour retransmission des données des satellites européens et autres (USA, Chine, Inde) Antennes de réception locale EUMETCAST Coordination européenne par EUMETNET pour la diffusion des données autres que satellites (GPS-Sol, profileurs, avions, données océaniques, radars) Réseaux nationaux (radars, stations automatiques de surface) 11

12 Contraintes sur les observations Le modèle doit être capable de simuler assez précisément l observation : observation trop loin du modèle => problème avec l observation ou le modèle Les observations doivent être suffisamment précises et suffisamment nombreuses (dans le temps et/ou dans l espace) Les observations doivent être complémentaires d autres systèmes d observation (mais la redondance reste utile) Les observations doivent être disponibles en temps quasi-réel (< 2h après la mesure) Les observations ne doivent pas être biaisées, ou doivent être débiaisées avant assimilation Les erreurs d observations sont supposées décorrélées

13 Les systèmes d assimilation à Météo-France ARPEGE : 4D-Var 6 heures (domaine global) + assimilation d ensemble 4D-Var «basse résolution» (25 membres) Observations : satellites (radiances MW + IR, vents, angle de réfraction GNSS-RO) + conventionnelles (surface, radiosondages, profileurs, avions) + GPS-Sol AROME : 3D-Var 1 heure (domaine Europe) Observations = observations ARPEGE - données GPS-RO + données RADAR (Z+Vr) + radiances brutes SEVIRI/MSG (5 canaux) ALADIN-OM : 3D-Var 6 heures (domaines Outre-Mer) Observations = observations ARPEGE + données de bogus de vent pour les cyclones 13

14 Evolution du nb d observations dans ARPEGE Nombre d obs --- Données satellite disponibles Données satellite utilisées --- Données conv. disponibles Données conv. utilisées Sat. / Toutes obs. Sat. utilisées / Satellite dispo Conv utilisées / Conv dispo. Sat. utilisées / obs. utilisées Pourcentages 14 Besoin de codes de transfert radiatif rapides et précis (MW +IR)

15 Répartition des observations par types Nombre total d observations assimilées (4 analyses sur une journée) : 17.6 millions Sondeurs imageurs MW : 14 % Sondeurs IR -> IASI 49 % + AIRS 11 % + CrIS 12 % => 72 % GPS- RO : 6 % Vents SCAT : 5 % Vents SATOB : 5 % Modèle ARPEGE Données d avions : 16 % TEMP+PILOT : 10 % 15

16 Contenu en information : DFS DFS : fonction du nombre d observations, de la précision des observations et de leur «projection» sur les variables à analyser (T,q,U,V,Ps) Sondeurs imageurs MW : 27 % Sondeur IR IASI : 22 % Données d avions : 16 % TEMP+PILOT : 10 % GPS- RO : 6 % Vents SCAT : 5 % Vents SATOB : 5 % 16 DFS (Degree of Freedom for Signal) : capacité d un système d observation à réduire l erreur a priori

17 17 Le cyclage des prévisions - analyses

18 Forecast error anomaly correlation in percent, w.r.t. own analysis Northern Hemisphere SouthernHemisphere Evolution des scores de prévision Correlation d anomalie du géopotentiel à 500 hpa au CEPMMT 4DVAR A. Simmons

19 Capacité des observations à réduire une erreur de prévision (24h) Pourcentage de réduction d erreur par type d observation Importance du sondeur micro-ondes de température AMSU-A

20 Evolutions envisagées en PNT à Météo-France Les modèles : augmentation des résolutions horizontale et verticale prévisions déterministes -> prévisions probabilistes Les systèmes d assimilation : utilisation d une approche de type «En-Var» combinant le 4D-Var (minimisation d une fonction coût) et les ensembles (covariances d erreurs de l ébauche dynamiques) Les observations : davantage d instruments infra-rouges hyperspectraux => compression d information (composantes principales) prise en comptes des corrélations d erreurs introduction des effets d échelle dans les opérateurs d observations; davantage de mesures d opportunité (e.g. GNSS) Vers des modélisations et assimilations couplées : couplages envisagés avec les surfaces continentales, océaniques et la chimie atmosphérique => nouvelles variables à initialiser 20

21 Cliquez pour modifier le style du titre Merci de votre attention! Cliquez pour modifier le style des sous-titres du masque 21