Les missions spatiales: Comment s y prépare-t-on en prévision numérique du temps?

Dimension: px

Commencer à balayer dès la page:

Download "Les missions spatiales: Comment s y prépare-t-on en prévision numérique du temps?"

Marie-Anne Landry
il y a 6 ans
Total affichages :

1 Les missions spatiales: Comment s y prépare-t-on en prévision numérique du temps? J.-F. Mahfouf et de nombreux collègues CNRM/GMAP/OBS (Toulouse, France)

2 Plan de la présentation Les observations en Prévision Numérique du Temps (PNT) : lesquelles et pour faire quoi? Sur quoi s appuie-t-on pour la préparation de nouveaux instruments? Quelques exemples dans le domaine de l infra-rouge (IASI- NG, IRS) et des micro-ondes (SAPHIR, HYMS) Conclusions et quelques défis à venir pour la PNT et les agences spatiales

3 Les observations en PNT Besoin: état de l atmosphère le plus précis possible => condition initiale des modèles numériques pour effectuer des prévisions entre qq heures et qq jours

4 Les observations en PNT Besoin: état de l atmosphère le plus précis possible => condition initiale des modèles numériques pour effectuer des prévisions entre qq heures et qq jours Les variables météorologiques d intérêt: pression, température, vent, eau (vapeur), conditions en surface, eau (condensée), constituants mineurs (gaz trace, aérosols, )

Les observations en PNT Besoin: état de l atmosphère le plus précis possible => condition initiale des modèles numériques pour effectuer des prévisions entre qq heures et qq jours Les variables

5 Les observations en PNT Besoin: état de l atmosphère le plus précis possible => condition initiale des modèles numériques pour effectuer des prévisions entre qq heures et qq jours Les variables météorologiques d intérêt: pression, température, vent, eau (vapeur), conditions en surface, eau (condensée), constituants mineurs (gaz trace, aérosols, ) Assimilation de données : combinaison optimale entre les observations disponibles et leurs erreurs et une information a-priori (ébauche) fournie par une prévision antérieure et son erreur

6 Quelques principes généraux Constat :Les systèmes d assimilation dans les modèles globaux sont dominés par les observations satellitaires (beaucoup moins vrai pour les modèles régionaux aux moyennes latitudes de l hémisphère Nord) 20 M/jour mw ns iasi ARPEGE Modèle global 0,7 M/jour radar s s radar surf AROME Modèle régional

Quelques principes généraux Constat :Les systèmes d assimilation dans les modèles globaux sont dominés par les observations satellitaires (beaucoup moins

simuler assez précisément avec le modèle de PNT ü On sait spécifier leurs erreurs ü Elles ne sont pas biaisées (ou peuvent être débiaisées) ü Elles arrivent

7 Quelques principes généraux Constat :Les systèmes d assimilation dans les modèles globaux sont dominés par les observations satellitaires (beaucoup moins vrai pour les modèles régionaux aux moyennes latitudes de l hémisphère Nord) 20 M/jour mw ns iasi Les observations ne sont «utiles» que si : ü On sait les simuler assez précisément avec le modèle de PNT ü On sait spécifier leurs erreurs ü Elles ne sont pas biaisées (ou peuvent être débiaisées) ü Elles arrivent à temps ü Elles sont encodées au format OMM d échange des données météorologiques (BUFR) ARPEGE 0,7 M/jour radar radar AROME s s surf Modèle global Modèle régional

8 Sur quoi s appuie-t-on? Ø Les instruments historiques sur les défilants : TOVS (HIRS, MSU, SSU), SSM/I et ERS Ø Les vents issus de l imagerie des géostationnaires

9 Sur quoi s appuie-t-on? Ø Les instruments historiques sur les défilants : TOVS (HIRS, MSU, SSU), SSM/I et ERS Ø Les vents issus de l imagerie des géostationnaires La simulation des radiances MW et IR : le modèle de transfert radiatif rapide RTTOV L inversion des vents océaniques de surface: le modèle semi-empirique CMOD : σ 0 = f(u 10m,φ,θ)

issus de l imagerie des géostationnaires La simulation des radiances MW et IR : le modèle de

10 Sur quoi s appuie-t-on? Ø Les instruments historiques sur les défilants : TOVS (HIRS, MSU, SSU), SSM/I et ERS Ø Les vents issus de l imagerie des géostationnaires La simulation des radiances MW et IR : le modèle de transfert radiatif rapide RTTOV L inversion des vents océaniques de surface: le modèle semi-empirique CMOD : σ 0 = f(u 10m,φ,θ) L assimilation de données variationnelle quadri-dimensionnelle

11 1 er exemple : les sondeurs infra-rouge hyperspectraux (1) 1 er instrument lancé en 2002 par la NASA : AIRS/Aqua (2378 canaux) Nouvelles problématiques : 1) Compression de l information 2) Détection nuageuse 3) Spécification des erreurs

12 1 er exemple : les sondeurs infra-rouge hyperspectraux (1) 1 er instrument lancé en 2002 par la NASA : AIRS/Aqua (2378 canaux) Nouvelles problématiques : 1) Compression de l information 2) Détection nuageuse 3) Spécification des erreurs Choix à Météo-France: 1) Sélection de canaux (contenu en information : DFS) 2) Méthode de McNally et Watts (2003) + «CO 2 slicing» 3) Utilisation d une correction de biais variationnelle

1 er exemple : les sondeurs infra-rouge hyperspectraux (1) 1 er instrument lancé en 2002 par la NASA : AIRS/Aqua (2378 canaux) Nouvelles problématiques : 1) Compression de l information 2) Détection

13 1 er exemple : les sondeurs infra-rouge hyperspectraux (1) 1 er instrument lancé en 2002 par la NASA : AIRS/Aqua (2378 canaux) Nouvelles problématiques : 1) Compression de l information 2) Détection nuageuse 3) Spécification des erreurs Choix à Météo-France: 1) Sélection de canaux (contenu en information : DFS) 2) Méthode de McNally et Watts (2003) + «CO 2 slicing» 3) Utilisation d une correction de biais variationnelle Utilisation pour IASI/MetOp lancés en 2006 et 2012, et sur CrIS/Suomi-NPP en 2011, sur IASI-NG/MetOP-SG en 2021 A revisiter pour IRS/MTG-S (composantes principales, corrélations d erreurs inter-canaux)

Tr(I-AB --1 ) -> 1D-Var avec données simulées : réduction de l erreur par

14 1 er exemple : les sondeurs infra-rouge hyperspectraux (2) Contenu en information des observations : -> DFS : réduction de l erreur a priori : Tr(I-AB --1 ) -> 1D-Var avec données simulées : réduction de l erreur par rapport à la vérité IASI (Fourrié and Rabier, 2002) IASI-NG (Andrey-Andres et al., 2017)

2 ème exemple : les sondeurs micro-ondes (1) Contenu en information d un futur radiomètre micro-ondes «hyperspectral» HYMS (276 canaux entre 6,9 et 884 GHz) => Comparaison de DFS

15 2 ème exemple : les sondeurs micro-ondes (1) Contenu en information d un futur radiomètre micro-ondes «hyperspectral» HYMS (276 canaux entre 6,9 et 884 GHz) => Comparaison de DFS avec les futurs instruments microondes sur METOP-SG (MWI et ICI) Température et vapeur d eau Hydrométéores (solides/liquides) Mahfouf et al. (2015) QJRMS Birman et al. (2017) Tellus

16 2 ème exemple : les sondeurs micro-ondes (2) Observa4ons assimilées Observa4ons rejetées a priori Observa4ons rejetées a posteriori SAPHIR Canal /- 2.8 GHz Std(O- B) Mean (O- B) débiaisé ATMS Canal /- 2.8 GHz Mean(O- B)

-8 2 2-1 2 ème exemple: les sondeurs micro-ondes (3) Impact d un futur géosondeur micro-ondes («SAPHIR-like») MWGEO sur les prévisions d humidité relative dans le modèle AROME Système d observations

17 ème exemple: les sondeurs micro-ondes (3) Impact d un futur géosondeur micro-ondes («SAPHIR-like») MWGEO sur les prévisions d humidité relative dans le modèle AROME Système d observations simulées (OSSE) incluant le sondeur IRS sur MTG Pressure (hpa) b) h +03h +06h +09h +12h +15h +18h +21h +24h For ecast r ang e J L Duruisseau et al. (2017) QJRMS (CTRL) (CTRL+IRS) (CTRL+IRS+MWGEO) (CTRL+IRS)

18 Quelques conclusions Les données de télédétection spatiale représentent plus de 90 % des observations assimilées dans les modèles globaux de PNT (scores hémisphère Nord = hémisphère Sud). En particulier, IASI = 50 % des observations du modèle ARPEGE Assimilation relativement facile des données avec un héritage (TOVS, SSM/I, ERS, AIRS) Corollaire : données sans héritage => préparation plus difficile => durée de mission suffisamment longue (> 3 ans) Etudes préparatoires possibles avant le lancement avec des données simulées : caractéristiques instrumentales (fréquences, réponse spectrale, bruits instrumentaux, ) => participation aux activités de CAL/VAL (statistiques [obs modèle])

19 Quelques défis Mieux couvrir les besoins de la PNT régionale : Ø Mesures à hautes résolutions spatiale et temporelle Ø les nouveaux géostationnaires (sondeurs IR hyperspectraux, imageurs d éclairs ) Assimiler davantage d observations informatives sur la dynamique : ADM-AEOLUS, CFOSAT, (Strateole-2), WIVERN, DYSECT Disposer de davantage de données non biaisées : GNSS-RO Mieux extraire l information déjà disponible dans les données spatiales : Ø Amélioration de la modélisation (nuages, précipitations, aérosols, états du sol et de la mer) Ø Amélioration des systèmes d assimilation (nouvelles variables à initialiser, covariances d erreurs, approches 4D à mésoéchelle) S intéresser au spectre solaire (proche infra-rouge et visible)

20 Merci de votre attention!

Documents pareils

Newsletter Septembre 2013

Newsletter Septembre 2013 Newsletter Metop-B est devenu, depuis le 24 avril dernier, le satellite prime et c est maintenant IASI Metop-B qui est sur le devant de la scène et l objet de toutes les attentions. IASI Metop-A est toujours