La variabilité intrasaisonnière tropicale dans les GCMs: évalua8on et sources d'améliora8on J.P. Duvel, H. Bellenger, G. Bellon, F. Lo4, P. Maury, M. Remaud Laboratoire de Météorologie Dynamique (LMD), Paris, France Centre NaFonal de Recherches Météorologiques (CNRM), Toulouse, France Laboratoire d Océanographie et du Climat: ExpérimentaFon et Approches Numériques (LOCEAN), Paris, France
Sources physiques de la variabilité intrasaisonnière? Convec8on organisée à grande échelle nécessaire pour ini8er des perturba8ons IS Pas de TISV dans les modèles «secs». Une certaine inhibi8on de la convec8on est nécessaire pour augmenter la variabilité dans les tropiques Ar8cles assez anciens Tokioka et al (1988), Wang & Schlesinger (1999), mais aussi liuérature récente Kim et al (212), Benedict et al (213). L augmenta8on de la variabilité IS est souvent associée à une dégrada8on de l état moyen. Les caractéris8ques de ceue variabilité (dispersion, structure, ) n est pas forcément correcte! Quelle doit être la source physique de ceue inhibi8on de la convec8on (déclenchement, fermeture, entraînement,?) Faible ISV dans les A- GCM due: Problème d ini8a8on? Capacité à engendrer des perturba8ons convec8ves à gd échelle? Problème d interac8on onde- convec8on à différentes échelles? Mauvaise ISV associée à une mauvaise représenta8on de la variabilité synop8qe.
Moyens d évalua8on des GCMs L ISV est très intermiuente Il est intéressant de tester la reproduc8bilité des structures des différentes perturba8ons IS Il est intéressant d extraire les perturba8ons IS les plus représenta8ves pour des études de cas Aspects physiques Analyse des sources d instabilité à grande échelle Couche limite & interac8on océan- atmosphère Divergence ou advec8on horizontale (lien avec les tests 1D, w comme source d instabilité) «précondi8onnement» par la convec8on peu profonde Interac8on avec les perturba8ons synop8ques Forme des profils de chauffage («top» ou «bouom heavy») (Lappen & Schumacher, 212) et réponse dynamique
Average IS amplitude Rainfall CMIP5 JFM JAS OBS CNRM IPSL -2-1 1 2 2 15 1 5-2 -1 1 2 2 15 1 5-2 -1 1 2 2 15 1 5-2 -1 1 2 2 15 1 5-2 -1 1 2 2 15 1 5-2 -1 1 2 2 15 1 5
-2-1 1 2 2 15 1 5-2 -1 1 2 2 15 1 5 Average IS amplitude U 85 hpa CMIP5 JFM JAS OBS CNRM IPSL -2-1 1 2 2 15 1 5-2 -1 1 2 2 15 1 5-2 -1 1 2 2 15 1 5-2 -1 1 2 2 15 1 5
Reproducibility of the perturba8on pauerns JFM and JAS: results from LMA Distance from the average pattern: Obs CNRM IPSL JFM Nb of ISE 16 12 8 4 (a) Iden8cal 46% 21% 41% Orthogonal (b) 4% 17% 41% (c) 52% 23% 67% (d) 45% 18% 66% JAS..2.4.6.8..2.4.6.8..2.4.6.8..2 OLR Rainfall U85 Distance from the average pattern: Obs CNRM IPSL.4 U25.6.8 1. Nb of ISE 16 12 8 (a) Iden8cal 42% 16% 37% Orthogonal (b) 42% 13% 38% (c) 46% 19% 55% (d) 34% 11% 43% 4..2.4 OLR.6.8..2.4.6 Rainfall.8 Lack of reproducibility of the perturba8on pauerns in the IPSL model (and CNRM in JAS) Too large reproducibility of the wind perturba8on in the CNRM model in JFM..2.4 U85.6.8..2.4 U25.6.8 1.
Sizes of Basin- scale Anomalies OBS 21 events, T~41 days IPSL 11 events, T~35 days CNRM 14 events, T~43 days The LMA gives an ensemble of events relevant to build composites (avoid possible red- noise false events ) Selec8on of events with posi8ve rainfall IS anomaly > 4 mmd - 1 over the eastern IO Small size of the rainfall anomaly in the IPSL model associated with a smaller wind response Too large rainfall and wind perturba8on in the CNRM model OLR size distribu8on not consistent with wind results Anomalies over the Pacific related to the propaga8on of the perturba8on Typical size of the perturbations in the Indian Ocean % of Occurrences.5.4.3.2.1 (a) SMALL LARGE (b) (c) (d) DJFM OBS CNRM IPSL. 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 Radius ( ) OLR Radius ( ) PRECIPITATION Radius ( ) U85 Radius ( ) U25
ERA CNRM IPSL Zonal Wind Rela8ve Humidity Temperature West East
Sensibilité des simula8ons 1D au changement d entrainement Modifica8on de le taux d entrainement de grande échelle ε u dans le schema de convec8on de Tiedtke. On remplace la propor8onalité avec le convergence d humidité par: ( ) ε u =1.75e 3 1.3 RH e " $ # q s base q s Le taux d entrainement augmente quand l humidité de l environnement diminue Le taux d entrainement est maximale à la base du nuage et diminue rapidement au dessus Premiers tests: Simula8ons avec ou sans la modifica8on de l entrainement % ' & + Simula8on avec un «bug» intéressant (très forte inhibi8on) 3 M u z = M u ( ε turb δ turb +ε u δ u )
Précipita8on moyenne : 1 an SST saisonnière climato MOYENNE AR4 + Tiedtke AR4 + Tiedtke + Entrainement Bechtold
STD Précipita8on : 1 an SST saisonnière climato ECART TYPE AR4 + Tiedtke AR4 + Tiedtke + Entrainement Bechtold
U85 MOY (AR4+Tie+EntB) (AR4 + Tie) [1 an] MOYENNE U85 STD (AR4+Tie+EntB) (AR4 + Tie) [1 an] ECART TYPE
Forte inhibi8on (AR4+Tie+ bug forte inhibi8on ) (AR4 + Tie) [1 ans] MOYENNE (AR4+Tie+ bug forte inhibi8on ) (AR4 + Tie) [1 ans] ECART TYPE
(AR4+Tie+EntB) (AR4 + Tie) [1 an] MOYENNE (AR4+Tie+EntB) (AR4 + Tie) [1 an] ECART TYPE
(AR4 + Tie + EntB) (AR4 + Tie) 9-1 E ; 1-2 N (Baie du Bengal)
Forte inhibi8on (version avec «bug»)!!! 1 N 1 S : Plul + Pluc P. Maury
Conclusions Approche LMA u8le pour analyser les caractéris8ques des structures des perturba8ons intrasaisonnières: Organisa8on des perturba8ons (taille des perturba8ons organisées, etc) Reproduc8bilité des structures de perturba8on. Iden8fica8on de perturba8ons pour des études de cas. Evalua8on des simula8ons CMIP5 (CNRM et IPSL): Réponse dynamique trop grande en JFM pour le CNRM. L IPSL ne réussi pas à ini8er un couplage entre la perturba8on convec8ve et la réponse dynamique à l échelle du bassin Indien. Différences dues au schéma de convec8on (fermeture, ) uniquement? Premiers tests de modifica8on de l entrainement du schéma de Tiedtke: Augmenta8on de la variabilité dans la région Indo- Pacifique (vers 15 de la8tude) Donne une modifica8on de la circula8on moyenne (i.e. Bellenger et al, 29) Différences très grandes suivant la source d inhibi8on Forte inhibi8on générale - > pas vraiment d effet sur la forme du spectre days/5 3 2 1-1 4 5 6 7 8 9 1 11 12 13 14 burst- like 15 16 17 18 19 2 21 Observations IPSL CNRM 3 5 1 inf -1 22 23 24 m/s
Campagne Cindy- Dynamo!! Projet de modélisaon Cindy- Dynamo: CNRM: G. Bellon, J. Guerbe4e, J.F. Mahfouf LA: F. Roux LACy: D. Barbary, C. Barthe, M. Plu. LEGOS: N. Hall LMD: J.P. Duvel, M. Remaud, C. Rio, C. Risi LOCEAN: J. Vialard, S. Pous