L`assimilation des données satellite dans les

Transcription

Stage "Eléments de télédétection depuis l'espace"
Rennes, 22 - 26 novembre 2010
L’assimilation des données satellite dans
les modèles de Prévision Numérique du
Temps
Lydie Lavanant
MF/DP/CMS/R&D
PLAN
 Les modèles de Prévision numérique du temps
– La modélisation de l’atmosphère
– Les principaux modèles opérationnels de Prévision Numérique à MétéoFrance
 Assimilation de données satellite en météorologie
 Traitements au CMS
 Impact des observations sur la performance des prévisions
L’assimilation des données satellite dans les modèles de Prévision Numérique
1
Principe de la Prévision Numérique
assimilation
analyse de
l’atmosphère sur
toute la terre à l’aide
des observations
météorologiques.
Initalise les variables
du modèle
numérique
Modèle Physique
Équations de la
thermodynamique
décrivant les
processus physiques
Modèle
dynamique
description de l'état
futur de l'atmosphère
=> prévision
Imaginé dans les années 1920
Réalisé depuis les années 1950
avec des progrès qui suivent ceux de l'informatique
Modèle dynamique
Partie du modèle qui décrit l’évolution d’un fluide laminaire (pas de
turbulence), isolé de l’extérieur (évolution adiabatique).
Dépend :
1. Equations
Sources dynamiques : Coriolis, gravité …
2. Hypothèses du modèle : Non-hydrostatique ; anélastique
Variables pronostiques du modèle
3 Méthodes numériques : Points de grille,
3.
grille Eulérien,
Eulérien semi
semi-lagrangien
lagrangien
4. Géométrie horizontale et Coordonnée verticale
5. Caractéristiques du relief
2
Modélisation dynamique de l’atmosphère
1. Conservation du mouvement (équations Navier-Stokes):
2. Conservation de la matière:
3. Bilan énergétique (1ière loi de la thermodynamique):
4. Loi des gaz parfaits: p 
5. Conservation de l’eau:
 RT
ddq
 Evaporation - Précipitation
dt
t : temps
;
v (u,v,w) : vitesse eulérienne de la particule
p : pression
;
T : température
 : masse volumique du fluide
;
e : énergie totale par unité de masse
 : tenseur des contraintes visqueuses ;
q : concentration en vapeur d’eau
f : résultante des forces massiques
;
R : perte de chaleur due au rayonnement
q•: flux de chaleur
perdu
par dans
conduction
thermique
L’assimilation
des données
satellite
les modèles
de Prévision Numérique
Simplication des équations dynamiques
 Résolution mathématique des équations de Navier-Stokes
extrêmement difficile: fait partie des problèmes du prix du millénaire
 Résolution analytique possible mais extrêmement coûteuse en temps
calcul
 Equations plus ou moins simplifiées appliquées
– Années 1960-70: modèles quasi-géostrophiques surtout
– Années 80-90: modèles hydrostatiques (équations primitives)
Arpège , IFS (ECMWF), Aladin
– Depuis 2000 environ: relâchement de l’hypothèse hydrostatique.
Arôme, Aladin-NH
3
Modèles hydrostatiques (Arpège, IFS, Aladin)
 Pellicule mince (épaisseur de l’atmosphère << rayon de la terre)
 Équilibre hydrostatique (phénomènes d’échelles > à 10 km) : on néglige
l’accélération verticale (mais non le mouvement vertical)
 équations primitives
Equation du mouvement en coordonnée z: (dw/dt) = -g - (1/ )(p/z)
Approximation: accélérations verticales faibles: (dw/ dt)<<g =>Remplace par 0
p/z = -g
dw/dt n’apparaît plus dans le système (similaire à une approximation linéaire)
Vitesse verticale w est calculée à partir des autres champs
w peut changer dans le temps et donc (dw/dt)>0 =>il faut vérifier que (dw/dt)<<g
 Variables pronostiques d’évolution temporelle pour :
- le vent horizontal (deux composantes u et v) sur les niveaux du modèle
- la température de l'air T sur les niveaux du modèle
- l'humidité spécifique q sur les niveaux du modèle
- la pression de surface ps
Modèles Non-Hydrostatiques (Arome, Aladin-NH)
 Modèles orientés vers les phénomènes de méso-échelle
– Modélisation urbaine
– Traitement physique sophistiqué des hydrométéores. nuages
– Etude de la prévision des phénomènes extrêmes à petite échelle
 Pour représenter les processus qui génèrent des accélérations verticales
(dw/ dt) non négligeables:
– Flux au-dessus de l’orographie. Fortes pentes
– Dans les zones convectives . nuages
 Nécessaire dans les modèles numériques pour des résolutions x à partir
de 2.5km
 Utilisation des observations sur la France à échelle fine (radars..)
4
Modèles Non-Hydrostatiques (Arome, Aladin-NH)
5.0
5.5
6.0
6.5
70
7.0
7.5
8.0
8.5
9.0
9.5
10.
On considère un terme de flottabilité qui à
petite échelle est souvent prépondérent
Représente un terme d’accélération de la
particule en fonction de sa légèreté par
rapport à son environnement
g/kg
On rajoute l’hypothèse que
ll’air
air est élastique et
compressible
Shéma numérique de discrétisation spatiale
Les équations aux dérivées partielles non linéaires ne peuvent être résolues de façon
exacte. On utilise les méthodes du calcul numérique qui permettent d'approcher la
solution pour évaluer des dérivées partielles dans l'espace et dans le temps :
la méthode des différences finies sur les points de grille:
x
x i-2
x i-1
xi
x i+1
Z Z(x  x)  Z(x  Δx)

x
2 x
la méthode spectrale:
Décomposition des champs en fonctions calculables et dérivables (séries de Fourier).
n=m= troncature (Arpege:triangulaire) du modèle (T358=23km de résolution)
Z(φ,λ) = Σ Σ anm(t)Ynm(φ,λ)
n m
Ynm(φ,λ)= Pnm(sinφ). eimλ
φ: latitude,λ:longitude (coordonnées sphériques de x, y)
anm(t) ne dépend que du temps
Ynm(φ,λ) harmoniques sphériques (Legendre/Fourier)
=> ΔYnm = knmYnm
Dans un même modèle : méthode spectrale pour l'horizontale, et différences finies
dérivées temporelles.
L’assimilation
des données
dans
les modèles
de Prévision
Numérique
pour la verticale,
lessatellite
termes
non
linéaires
et le calcul
des
5
Schéma numérique d’avance temporelle
Schéma eulérien:
L’évolution des variables pronostiques est traité en chaque point n de la grille en
exprimant la dérivée particulaire sous forme de la tendance locale et d’avection.
La résolution des équations
q
ne nécessite la connaissance des divers champs
p q
qu’au
point de grille: le shéma est purement local.
Problème:
Pour réaliser une économie en temps calcul, on veut utiliser un t le plus long
possible.
Le shéma eulérien est instable lorsque le pas de temps est trop grand pour une grille
donnée (t >k.x).
Shéma semi
semi-Lagrangien:
Lagrangien:
L’évolution des variables pronostiques est traitée de manière globale en conservant la
forme particulaire des équations. La condition d’instabilité est beaucoup moins
contraignante, le pas de temps limite est imposé par la variation spatiale du vent :
t = 1/V
Permet d’utiliser des pas de temps 4 à 5 fois plus long.
Algorithme itératif supposant une forme déterminée pour les trajectoires des particules
Modèle physique
Partie du modèle qui décrit à un instant donné les processus diabatiques, les
changements d’état de l’eau, les processus non résolus à l’échelle de la
maille, les interactions avec la surface.
6
Processus physiques
Phénomènes décrits sous forme de paramétrisation:
 relief, végétation
 rayonnement (solaire, tellurique)
 changements d'états
d états de l'eau
l eau
 flux à l'interface sol atmosphère (chaleur sensible, chaleur latente,
frottement…)
 couplage océan-atmosphère
 nuages et précipitations
 gaz et aérosols
Variables décrivant l’état du modèle:
 Composantes horizontales du vent sur niveaux
 température et humidité sur quelques dizaines de niveaux jusque vers
50km d’altitude
 Paramètres de surface
 Concentrations d’autres constituants: eau liquide ou glace, ozone, etc…
 Pour modèles NH: w et p (par rapport à une référence p) sur niveaux
Modèles Non-Hydrostatiques
Représentation plus détaillée de







Microphysique des hydrométéores
Convection-diffusion
T b l
Turbulence
Cycle diurne
Rayonnement-aérosols
Surface
chimie
Mixed
phase
Ice crystals
Snow flakes
Graupel
Cloud droplets
Hail
0°C
Warm phase
Cloud droplets
Raindrops
Microphysique des nuages
Convection
7
Observations météorologiques et modèles
Les variables pronostiques du modèle
sont des valeurs moyennes sur la grille de
la boîte
Les observations météorologiques ‘utiles’
au modèle dépendent du modèle.
Conséquence pour l’assimilation des
observations satellites:
 Modèle synoptique
 environ une mesure de sondage
g tous les 50-100km
 filtrage des données affectées par les nuages, …
 Modèles méso-échelle:
des observations fréquentes dans la couche limite
Une bonne résolution spatiale
-> géostationnaires pleine résolution
-> sondages pleine résolution
L’assimilation
des données satellite
dans les modèles de Prévision Numérique
Production
‘temps-réel’
Le modèle IFS du CEPMMT
(Centre Européen de Prévisions Météorologiques à Moyen Terme)






Modèle spectral global TL799, 91 niveaux (jusqu’à 0.01 hPa).
Grille « linéaire » ((lat/lon)) 25km
Intégration temporelle « semi-lagrangienne, semi-implicite »
pas de temps de 12 minutes
Jusqu’à 10 jours d’échéance, à partir de 12hUTC chaque jour
Assimilation 4D-VAR sur fenêtre 12h avec 2 minimisations à T255
(résolution des incréments)
 Prévision d’ensemble (EPS - Ensemble Prediction System)
g
du même modèle
51 intégrations
à résolution T399 / 62 niveaux
8
Le modèle global ARPEGE
Modèle spectral global
TL538 C2.4, 60 niveaux
Grille du modèle ARPEGE
4D-Var
Maille associée:
15 km (France)  90 km (antipode)
Pas de temps 16mn
Représentation sur une sphère avec
étirement C2.4 et basculement du pôle
sur la
l zone d’intérêt
d’i é ê
Collaboration avec le CEPMMT
Chaîne en double depuis cet été:
TL798C2.4 (10km France) ; 70 niveaux
Le modèle global ARPEGE
pôle lat. 46,5° lon. 2,6°
Résolution verticale: 60 niveaux
9
Niveaux sur la verticale
3 modèles couvrant la métropole

ARPEGE (résolution 15km)

ALADIN-France
carré de 2740 km de côté
C t é sur lle point
Centré
i td
de résolution
é l ti maximale
i l d’A
d’Arpège
è
Niveaux verticaux d’Arpège
Résolution horizontale 9.5 km (7.5km chaîne double)
3D-Var : couplage appliqué toutes les trois heures à Arpège
AROME (opérationnel décembre 2008)
Simulation des phénomènes de méso-échelle
de durée de vie entre 1/4h et la journée
d’é h ll spatiale
d’échelle
ti l entre
t quelques
l
kkms ett 100 km
k
– Résolution horizontale 2.5km. Pas de temps 60s
– 41 niveaux (60 fin 2009) ; 3D-Var couplage horaire avec Aladin
– résout explicitement les processus caractéristiques de la méso-échelle (convection
profonde, précipitations,…), effets locaux
– Assimilation de données les plus fréquentes et de résolution fine (ex: classification
nuageuse MSG, radars pluie)
L’assimilation
des données
satellite dans les
modèles de Prévision
Numérique
– Importance
de l’observation
‘temps-réel’
(ex: données
sondage locales)
10
La coopération et ALADIN
Domaines utilisés dans différents pays
Genève
Lyon
Genève
Meilleure description
de la surface avec
Arome
Lyon
Grenoble
Grenoble
Prévision des
températures et
des vents
ex : zoom sur le
relief Rhône-Alpes
Aladin
Arome
11
Simulation d’une structure orageuse par AROME
2,5 km / dt=15s / domaine 144 * 144 / analyse Diagpack + bogus d’humidité
Prévision des précipitations locales
Pour ce type de phénomènes convectifs dangereux, Arome améliore la
prévision précise de la localisation et de l’intensité du phénomène
Observations radar
MESO-NH (2.5km)
+
Prévision avec analyse
globale basse résolution
+
Nîmes
Prévision Arome
12
Prévision du brouillard par AROME
Pour aller plus loin
www.cnrm.meteo.fr/gmap/
www.cnrm.meteo.fr/arome/
www.ecmwf/products/forecast/guide/
www.cnrm.meteo.fr/gmapdoc/meshtml/guide_ARP/arpege.html
http://mesonh.aero.obs-mip.fr/mesonh/
13
PLAN
 Les modèles de prévision numérique
– Rôle de l’observation
– Assimilation variationnelle dans les centres de prévision
– Cycle d’assimilation et cut-off
Rôle de l’observation: les sources d’incertitude
 Différences entre analyse et
réalité
– Imperfection
p
du système
y
d’assimilation
– Manque d’observations
 Erreurs de modélisation (effet papillon de Lorentz)
14
Le rôle de l’observation
valeur du paramètre prrévu
à cette
échéance:
zone de plus
forte probabilité
prévision
é i i
déterministe
échéance
instant initial
Panache dû à l’incertitude de l’état initial: croissance des erreurs
Évolution sur 10 jours de différents paramètres de temps sensible
Nébulosité
Précipitations
Force du vent
Température à 2m
15
Rôle de l’observation: zones de sensibilité
Sensitivity computations using “moist SVs” for TREC 007 (observation time: 28
October 2003 18UTC , verification time 30 October 12 UTC).
Exemple du développement des tempêtes
La prévision des tempêtes nécessite l’observation et la modélisation de
phénomènes tels qu’un jet avec un très fort vent d’ouest, ainsi que sa mise en
pphase avec un tourbillon de basse couche.
16
Observations utilisables pour décrire l’état du modèle

OBSERVATIONS CONVENTIONNELLES:
–
–
–
–
–

Stations « SYNOP »:Ps, u,v et T près de la surface.
SHIP, bouées: Ps, u,v et T près de la surface.
Mesures d’avion:
d avion: u,
u v et T
Radiosondages: profils u, v, T, q
Radars vent (wind profiler)
OBSERVATIONS SATELLITAIRES:
–
–
–
–
–
Images satellites géostationnaires: u,v
Radiances sondeurs IR et micro-ondes: pseudo-profils (T,q)
GPS sol et embarqués: q troposphérique
Diff i èt ventt de
Diffusiomètre:
d surface
f
mer
etc…
Observations utilisables en modélisation
accumulées sur une fenêtre temporelle de 6h (centrée sur 00 ou 12 h )
SYNOP / SHIP (surface)
Radiosondages (581 obs)
Bouées dérivantes
AIREP/ASDAR (avions)
17
Observations utilisables en modélisation
accumulées sur une fenêtre temporelle de 6h (centrée sur 00 ou 12 h )
SATOB (vent par satellite)
QuickScat (diffusiomètre)
ATOVS (profils T,q)
SSM/I (vent surface,wv totale)
COMMENT LES OBSERVATIONS METEO SATISFONT LES
BESOINS DES MODELES
 OBSERVATIONS DE SURFACE: très bonne couverture sur terre, moins
bonne sur mer; observations pas très utiles pour définir les champs
d’altitude.
d
altitude. Important pour définir Ps
 OBSERVATIONS D’AVION: bonne précision, mais données peu utiles
pour définir l’état atmosphérique dans ses 3 dimensions
 RADIOSONDAGE: bonne précision, bonne résolution verticale, mais
mauvaise couverture horizontale du globe terrestre
système clé sur l’Hémisphère Nord
 DONNEES DE SATELLITE: bonne couverture horizontale du g
globe
terrestre, mais mauvaise/médiocre résolution verticale
1 niveau d’obs. pour vents satellite
~5-6 niveaux de température dans la troposhère
Système clé sur l’Hémisphère sud
Peu de données de vent sur les tropiques
18
Les mesures des satellites
Toutes les techniques mesurent le rayonnement électromagnétique
Méthodes actives :utilisent des sources artificielles (diffusiomètre, lidar,..)
Méthodes passives : mesurent le rayonnement naturel (reçues au CMS)
Satellites géostationnaires
Couverture spatiale (disque complet)
Haute résolution temporelle (quelques minutes)
Adapté à la prévision à courte échéance et la prévision immédiate
Adapté pour le suivi de structures (Vents à partir de l’imagerie)
Adapté pour les applications où le cycle diurne est crucial
Besoin d’une constellation pour couverture globale
Non adapté aux régions polaires
Satellites polaires (à défilement)
Couverture globale
Plus adapté pour sonder l’atmosphère dans le spectre de micro-ondes
Résolution temporelle (quelques heures avant de survoler le même point)
Constellation nécessaire pour une couverture temporelle adaptée
Les observations du futur
 Radar (petites échelles). Radar pluie déjà assimilé dans Arome
 Futurs satellites météo géostationnaires (MTG en 2015)
(
)
 Futurs satellites météo à orbite polaire (Post-EPS)
 Mission Lidar Doppler Vent
 Observation de l’ozone atmosphérique
 …
19
L’assimilation des données
 Analyse: résultat de l’assimilation des données
- image précise de l’état réel de l’atmosphère
- Diagnostique self-consistent de l’atmosphère
- Le meilleur point de départ de la prévision et fait en temps réel (le + vite
possible)
- Référence pour la vérification ultérieure des prévisions
Le principe de l’analyse variationnelle
Screening/thinning des données
Monitoring des données
Correction de biais
4dVar
Cycle d’assimilation et cut-off
Principe de l’Analyse Variationnelle
MINIMISATION GLOBALE D’UNE « FONCTION COUT »
J(X) =
Jo(x)
distance (gaussienne) aux obs
= [y - H(x)]t R-1[y- H(x)]
+
Jb(x)
distance gaussienne à ll’ébauche
ébauche
+ (xb - x)t B-1 (xb - x)
x= vecteur paramètre recherché ex: profil de température
y= vecteur des observations (ex: spectre IASI)
La variable d’entrée xb représente l’information passée propagée par le modèle de
prévision (ébauche)
R et B: matrices de covariance des erreurs des observations et de l’ébauche
La fonction y=H(x) représente le modèle qui simule les observations:
 appliquée à tous types d’observations, directes (ex: Radiosondages) ou indirectes
(données satellitaires)
 permet d’utiliser une grande variété de données même pour des observations à
opérateur compliqué
20
Minimisation de la « fonction de coût »
Suppose que les données sont
gaussiennes et non biaisées
Conditions d’une bonne minimisation:
– ébauche la plus près de la solution
– matrices d’erreur représentatives des données
– modèle H qui simule correctement l’observation
Analyse Variationnelle dans les modèles de prévision
modèle Y=H(X) est subdivisé en une séquence d’opérateurs:
Conversions des variables de contrôle aux variables du modèle
Transformation spectrales inverses -> g
grille du modèle
Interpolation horizontale aux points d’observation
Intégration verticale si nécessaire
Nécessaire pour calculer les radiances des sondeurs
Partie commune avec une « inversion » 1D-Var comme au CMS
Interpolation verticale sur les niveaux d’observation du modèle Arpège
Solution de ll’analyse
analyse variationelle: Minimisation de J(X) => J(Xa)=0
J(X)= 2B-1(X-Xb) –2Ht R-1 (Y-H[Xb])
H est l’adjoint (tangeant linéaire de l’opérateur d’observation H)
21
Les matrices de covariance des erreurs
 Matrices définies positives (inversables)
Corrélation horizontale
B du cep
 R= O+F : matrice d
d’erreur
erreur des observations +
matrice d’erreur du modèle H
En général supposée diagonale par blocs de
données avec variance so
 B= matrice d’erreur de l’ébauche = prévision à 6h
–Corrélations
Corrélations spatiales (3D-Var)
(3D Var) essentielles pour:
• Diffusion de l’information dans les régions pauvres en observations
• Lissage de l’information dans les régions denses en observations
• Contraintes statistique pour tenir compte de la simplification du modèle / réalité
(ex: hypothèse hydrostatique)
–Corrélations verticales: Conserve la forme du profil
Le screening des données
Vérification préliminaire avant l’assimilation
But:
- Éliminer les observations de mauvaises qualité
- Faire un choix dans le jeu de données disponibles
considérées comme acceptables pour l’assimilation
- Contrôle des données : calcul d’écart à l’ébauche
- Possibilité de filtrage (thinning) si données trop
denses:
les données sont supposées non-corrélées horizontalement
La densité dépend de la résolution du modèle
Différentes étapes (code Arpège):
1.Consistence des données (ex: verticale pour les Rs)
TOVS
2.Vérifier si les données ne sont pas blacklistées
3.Contrôle de qualité / ébauche
4.Éliminer les données dupliquées ou redondantes
5.Thinning horizontal et vertical avec une distance seul (ex: TOVS=120km)
6.Sondeurs IR: éliminer les données affectées par les nuages
7...
22
Le monitoring des données
De la qualité des observations dépend la qualité
des prévisions
But:
- Blacklister certaines sources de données
- Feedback aux producteurs de données
- Échange des résultats avec les autres centres
- Calculer les biais (Obs-ébauche) -> appliqués
aux données assimilées suivantes
Statistiques journalières et mensuelles des (obsprévision à 6h)
Ex sites:
www.ecmwf.int/products/forecast/d/charts/monitoring/sat
ellite/
http://controle.meteo.fr
Correction de biais des radiances
L’assimilation variationnelle suppose les modèles et les données non-biaisés
Des biais dans les modèles et/ou les données peuvent introduire des tendances
erronées dans l’assimilation
scan
air
obs
Erreur du modèle pour les tempés de brillance: y  h ( x )  b  b ( x )  e
b scan  b scan (latitude,angle de visée)
b air   0   i 1  i p i ( x )
N
e obs  erreur d’observation aléatoire
Erreur de l’ébauche:
y  h ( x b )  b scan  b air ( x )
pi(x): Prédicteurs
• épaisseur 1000-300 hPa
• épaisseur 200-50 hPa
• Température de surface
• contenu total en eau précipitable
Les coefficients i sont estimés périodiquement (~ toutes les 2 semaines )
23
Correction de biais variationnelle
(appliquée au CEPMMT et Arpège)
Le biais pour un instrument / canal est décrit par un petit nombre de paramètres
typiquement fonctions de la masse d’air, la position et la visée (prédicteurs)
L’analyse
y variationnelle ‘standard’ minimise
J(x)  (xb  x)T B x 1 (x b x) 
 y  h(x) T R1  y  h(x) 
~
~
On modifie l’opérateur d’observation pour tenir compteo du biais: h ( z )  h ( x ,  )
T
T
T
On inclut les paramètres de biais dans la variable de contrôle: z  [ x β ]
J () : contrainte sur l’ébauche pour 
Jb(x)
J(x, β)  (x b  x)T B x 1 (x b  x)  (β b  β) T B β1 (β b  β)
 y  b o (x, β)  h(x) R  1 y  b o (x, β)  h(x)
T
Coefficient estimé à
partir de l’analyse précédente
Jo(x) : contrainte sur l’observation corrigée du biais
Correction de biais variationnelle
Corr. de biais variationnelle
Gère le changement
abrupte du biais:
évite de rejeter par le QC
la plus part des données
de ce canal
pas de choc violent dans
le système!
Radiosondages:
O-B ‘standard’
O-B VarBC
O-A ‘standard’
O-A VarBC
24
Principe de l’assimilation 4D-VAR
Trouver une TRAJECTOIRE DU
MODELE qui minimise sa distance à
toutes les informations disponibles dans
la fenêtre
obs
Jo
ancienne
prévision
analyse
Jo
obs
xb
Jb
xa
9h
obs
prévision
corrigée
Jo
Fenêtre d’assimilation 12h
15h
L'assimilation des données dans Arpège
X1
X2
A
X3
X4
interpolation optimale
interpolation spatiale avec fonctions statistiques
Toujours utilisée pour assimiler des données de
surface (Ts
(Ts, T2m
T2m, q2m
q2m,.))
Ne répond pas au problème des données satellite:
nécessite des conversions externes entre radiances
et variables d’état => dégrade la qualité de la
donnée
25
Approche incrémentale
pour diminuer les temps de calcul et ‘optimiser’ la forme de la fonction de
coût, 2 boucles:
Boucle externe non-linéaire à haute résolution + trajectroire
calcul des incréments x= y – H(x)
Boucle(s) interne(s) :
Minimisations linéaires à basse
résolution (T224) avec x
+
Physique simplifiée
Incéments rajoutés à la boucle
externe
Cycles d’assimilation et
cut-off
Arpège: 4 runs par jour
 00TU ->102h
Cut-off court: 1h50 long: 8h10
 06TU ->48h
 12TU ->72h
 18TU ->36h
1h50 : compromis entre le plus d’observations (ok pour les radiosondages) et une
organisation optimale des runs des prévisions
Conditions initiales = 4dVar
– Fenêtres de 6 heures centrées sur 00, 06, 12, 18TU
– Assimilation des données par pas de 1h
– Challenge pour les données satellite
26
Heure d’arrivée des données
Radiosondages
AMSU
A Noaa via UKMO
AMSU-A
Le délai des données globales pour Metop via EumetCast est de environ
2h00
Projet d’installer une station en Antartique -> délai ~1h00
Données satellite: EARS / RARS
Données EARS (HN) / RARS (HS)
(Eumetsat ATOVS Retransmission Service)
But: mise à disposition avec un délai de 30mn
des données avant le cut
cut-off
off court et pour les
applications régionales (AVHRR)
– Noaa: AMSU-A, AMSU-B, HIRS, AVHRR
– Metop: ATOVS
– Metop: bientôt IASI
Reçues et retraitées au CMS via le service
d’EumetCast
Données reçues
à Toulouse avant
le cut-off de 1h50
(2005)
27
Test d’impact EARS + données Lannion sur Arpège (2005)
Température à 250hPa
Données ATOVS:
Globales
Globales+EARS+Lannion
Géopotentiel / Rs (2 semaines)
Négatif
positif
Pour Arome, la disponibilité des données en moins de 30
minutes est crutiale
PLAN
– Production de radiances locales
– Restitution des profils atmosphériques avec 1dVar pour METOP
28
Réception des données des défilants au CMS
Canal IASI vapeur d’eau 1367 cm-1
01/12/2008
Réception locale
HRPT au CMS
Réception globale
EUMETCAST
Réception EARS au
CMS
Prétraitement et mise à disposition des radiances locales
EARS toutes stations HRPT:
•Noaa: orbites longues niveau 1c
reconstruites à partir du niveau1a
•Évite
É i lles d
doublons
bl
d
de réception.
é
i
•Mise à disposition à Toulouse
HRPT:
•Réception Noaa + Metop
•Prétraitement -> niveau 1c
•Mise
Mise à disposition <30mn
30mn pour
Toulouse et EARS
29
Restitution des profils T,Q dans
la troposphère avec METOP
Spectres radiances
IASI + micro-ondes
 Granules 3mn extraits
sur l’Europe -Atlantique
délai de 2h entre mesure
et prétraitement
 Réception HRPT CMS
temps-réel (matin)
Restitution
‘opérationnelle’ des
profils T,Q
Utilise uniquement l’info
des prévisions + METOP
‘Efforts’ :
Profils de vapeur d’eau
Instabilité de ll’air
air
Nuages
Intérêt:
Problématique similaire à
l’assimilation :
analyse variationnelle,
screening, monitoring
Différence:
1 seul capteur, 1DVar, pas
d’interpolation horizontale
Mise à disposition
quasi-réelle des
profils
Délai de :
~2h Europe -Atlantique
~15mn pour HRPT
=>
>
Site web visible par
les prévisonnistes
 Mettre à disposition de profils atmosphériques avant sortie du modèle
Chaîne souple pour tester de nouvelles méthodes. ex: fluctuations de vapeur d’eau,
émissivités de surface…
Metop
GRAS
AVHRR-3
 Sondage Atmosphérique
(température, humidité,
O3/gases traces):
 IR/MW sondeurs:
HIRS-4/IASI, AMSU-A/MHS
 UV/VIS sondeur:
GOME-2
 Vue au limbe sondeur
occulation radio: GRAS
 Images Globales VIS/IR: AVHRR/3
GOME 2
GOME-2
HIRS-4
Metop 1/2 seulement
IASI
AMSU-A1
MHS
ASCAT
AMSU-A2
 Champ de vents au-dessus de
l’océan: ASCAT
 Localisation et Collection des
données:
Terminal ARGOS
 Accès aux Données Globales et
Locales:
solid state recorder (mémoire à
bord)
/HRPT/LRPT
 Search & Rescue Terminal
30
IASI
Infrared Atmospheric Sounding
Interfemeter
Interféromètre de Michelson
sur satellites MetOp 1,2,3
lancement: octobre 2006
programme conjoint CNES/EUMETSAT
Caractéristiques:
– 30 visées à la surface distantes de 48 km (nadir) avec 2x2 sous-fovs de 12 km (nadir)
– Synchronisation avec AMSU-A
– Inclut un imageur intégré (10.5-12.5 m) pour co-registration AVHRR
– Spectral range: 645 à 2760 cm-1 (15.5m à 3.6m)
– Echantillonnage spectral : 0.25 cm-1 (0.5 cm-1 après apodisation) -> 8461canaux
Interféromètre IASI
La résolution spectrale dépend du
déplacement maximal du miroir
IASI=2 cm -> résolution de 0.25 cm-1
(0.5 cm-1 après apodisation)
L’interférogramme mesuré est la somme
des interférogrammes résultant de
chacune des ondes élémentaires suivant
la formule:
I(x) = ( b() (1+cos(2 x))d  )/4.
x: déplacement du miroir
31
IASI températures de brillance
IASI – 945cm-1
Premiers spectres IASI: 29/11/2006, 13:42:11
Temp
(CO2)
Surface
Clouds
Surface
Clouds
Surface
Clouds
CO
O3
N2O,
Temp
(CO2)
(
)
Temp
(CO2)
H2O, CH4
N2O
Résolution spectrale 0.5 cm-1 après apodisation
-1
1 raie ~ tous
les 1 cm
L’assimilation
des données
satellite dans les modèles de Prévision Numérique
32
Problématique
Choix des variables restituées (T et q dans la troposphère,
Ts, s, Tn, n)
Tenir compte du temps réel
– Sélection de canaux
– Modèle de transfert radiatif (direct et adjoint) rapide
– Nombre d’itérations le + petit possible (près de la solution)
Nombre de degré de liberté < nombre de paramètres à
restituer (43 + 25)
– se donner une ébauche près de la solution (prévision à 6-12h)
Modèle de transfert radiatif représentatif des observations
– Monitorer (Obs-Cal) et débiaiser
– Choix des canaux
– Minimisation de la fonction de coût
Connaître au mieux les matrices de covariance d’erreur
– Répartition des erreurs entre G et F si mal connues
– Comment gérer les termes non-diagonaux
Nombre de degrés
de liberté pour IASI
Sondeur IR: problème des nuages et de la surface (sur terre)
Méthodologie utilisée au CMS pour restituer les profils
Actuellement , très conservatrice / centres NWP

Méthode 1dVar (minimisation non-linéaire itérative de Levenberg-Marquardt)

Initialisation: prévision 12h ou18h ECMWF ou Arpège (paramétré)

Matrices de covariance d’erreur de ECMWF

Canaux: 114 canaux (dans la tropopause) parmi 366 sélectionnés par ECMWF
mêmes canaux vapeur d’eau que ECMWF

Modèle de transfert radiatif: RTTOV9.3 sur 43 niveaux (100 niveaux test)

Détection/caractérisation des nuages dans le spot IASI avec clusters AVHRR
– Suivant le type de nuage
nuage, 4 classes/méthodes possibles: Clair ; Opaque
plusieurs couches ; Semi-transparents homogènes ; Nuages 'complexes‘
– Ts et Tnuage (nuages opaques) calculés avec l'AVHRR

Sélection des canaux ‘clairs’ par méthode ECMWF (sécurité)
Temps de traitement: ~5 mn pour un granule de 3mn
33
Transfert radiatif: émission d’une couche atmosphérique
Les molécules atmosphériques émettent suivant des fréquences (raies)
définies:
• absorption/émission par ‘quantum’ d’énergie.
• niveaux de transition dépendant de la complexité de la molécule
• interaction entre rotation et vibration
L’émission d’un volume d’air est déterminée par:
* sa température
* sa densité (nombre de molécules du gaz
émetteur)
L’énergie reçue dépend de la transmittance entre
la parcelle d’air
d air et le satellite
Pour une fréquence (un gaz particulier) la radiation
vient principalement de couches d’altitude définies
Illustration avec IASI
Corrélation entre le spectre d’absorption dans le CO2 et le profil
atmosphérique de température
34
IASI: exemples de fonctions de poids et Jacobiens
Fcp: fonction de poids Fw/p
Jacobien T : Fw/T
Jacobien_T
Jacobien_q : Fw/q
Jacobiens: informations données par
l’adjoint
Modèle de transfert radiatif: équation de transfert radiatif
•Radiance montante au sommet de l’atmosphère:  nombre d’ondes (cm-1)
 sécante de l’angle zénithal
 température
R(,) = (1-N) Rclr(,) + NRn(,)
•Radiance nuageuse, nuage opaque sur un niveau:
Rn(,) = n(,) B(,Tn) + n ->1B (,Tn) d
•Radiance claire:
1
Rclr(,) = s(,) s(,) B(,Ts) +
, ) d
 s((,))
, )) ((s((,))
, ))2  ->1
, ) 2) dterme solaire
 ->1
>1B ((,T)
>1((B ((,T)/
s
s
2
1.
2.
3.
3
émission de la surface
émission montante de l’atmosphère
émission descendante de l’atmosphère réfléchie à la surface
35
Transfert radiatif: le modèle RTTOV
Modèle rapide basé sur des régressions pour des niveaux fixes de pression (43
ou 100 niveaux).
L’ é
épaisseur
i
optique
i
dj de
d lla couche
h j est paramétrisée
é i é par une combinaison
bi i
linéaire de variables “prédicteurs” X dépendant du profil et du gaz (CO2, H2O,
O3,..).
M
d j =  ak , j X k , j
k 1
l = e

l n _ gaz
 dg, j
j 1 g 1
Les coefficients ak,j des prédicteurs sont calculés en référence à partir des
transmissions d’un modèle de transfert radiatif « line by line » convoluées sur les
filtres du capteur IASI pour une base de profils représentatifs de l’atmosphère
Line by line (GENLN2, kCARTA, LBLRTM): modèle précis mais très lent utilisant la
spectroscopie (HITRAN, GEISA)
Estimation de l’erreur de RTTOV ramenée à 280K
Bruit
instrumental
36
IASI: sélection de canaux les plus informatifs
Canaux sélectionnés dans la bande de CO2
Fonctions de poids des canaux
sélectionnés dans la bande de CO2
(sensible à la température)
Les 10 canaux vapeur d’eau choisis comme dans
l’assimilation par le CEP
Canaux choisis:
•Pas de composantes dans la
stratosphère
•‘Faibles’ (Obs-Cal) ~1.5-2K
Gris: les 120 canaux H2O
distribués via le GTS
La valeur de 2K est reporté sur la
matrice Rmat
Considéré comme causé par la
spectroscopie
37
Matrice d’erreur d’observation (bleu) et bruit de l’instrument
Les nuages
Sondeur IR: affecté par les nuages (~75-80% globe)
1. Uniquement les situations claires (HIRS)
2. Sélectionner les canaux au-dessus des nuages (CEP, Arpège,UKMO pour IASI)
3. Déterminer
i
les
l paramètres nuageux:
Inverser jeu de radiances nuageuses (RTTOV nuageux) avec Tn et n fixes
Tests faits avec AIRS dans Arpège, CEP
Inverser tous les canaux avec Tn et n variables de contrôle
Connaître les matrices d’erreur
1.Décontamination nuageuse avec AVHRR
Spots IASI
Pixels AVHRR
Positif
négatif
{srf [ R (  ) ] –R (  ) }2  
c
j
c
j
L’assimilation des données satellite
dans les
modèles
38
IASI: influence du type
de nuage sur le spectre
Clusters AVHRR
Résultat du pré-traitement. Info dans les fichiers IASI niveau ‘1c’
Description de la distribution spatiale des radiances AVHRR dans l’ ellipse de
IASI en terme de
d ‘clusters’.
‘ l
’
Nombre de classes homogènes présentes dans l’ellipse IASI (max 7)
Pour chaque classe:
 % couverture dans l’ ifov IASI
 Radiances moyennes pour les 5 canaux
 Ecart-type associé -> information sur la variabilité et représentativité du cluster
Adaptation du masque nuageux pleine résolution du CMS:
•Permet la détection nuageuse très rapide sans colocalisation AVHRR/IASI
•Nbre de couches dans spot IASI . Couverture et type de nuage pour chaque
couche
•Ts ou/et
si opaque
L’assimilation
desTn
données
satellite dans les modèles de Prévision Numérique
39
Classification nuageuse du spot IASI
AVHRR
type
nuageux
AVHRR VIS1
20080417
06h46 – 16h55
Un processed
Cloudfree land
Cloudfree sea
Snow covered
Sea ice
Very low clouds
Low clouds
Medium level clouds
High clouds
Very high clouds
Very thin cirrus
Thin cirrus
Thick cirrus
Cirrus above low/medium
Fractional clouds
Unclassified
IASI ifov classif:
Clear
Opaque
Semi tr homogène
Semi-tr
Complexe
IASI
cluster
principal
‘principal’
type
nuageux
Sélection des canaux clairs au-dessus du nuage.
Méthode ECMWF
Méthode IASI seul
Permet une inversion ‘claire’ des
situations nuageuses
g
complexes
p
Méthode de base mais qui pert
l’information au niveau et juste audessus du nuage
Méthode utilisée à ECMWF
40
Monitoring / correction de biais
BIAS
Clair/mer
ECMWF
STD
20080417. Day
SST à partir de la split-window AVHRR
C
Comparaison
i
des
d températures
t
é t
de
d brillance
b ill
observées
b
é ett calculées
l lé
Bonne simulation et un bon débiaisage sont importants pour la qualité de l'inversion
Débiaisage: régression multi-paramètres (T, Q, , ..).
CMS: coefficients calculés périodiquement sur la zone d’intérêt ->re-injectés ensuite
Monitoring. Nuages opaques /mer
AVHRR Pcld (opaque) + Ps (clear)
Pression de sommet du nuage calculée à partir
des clusters AVHRR
BIAS
STD
20080417. Day
41
Sites web des champs restitués
site interne en temps réel (Prévi/Labo):
http://dune.cms.meteo.fr/projets/retmetop/index.php
site externe en temps légèrement différé (veille):
http://retmetop.meteo-spatiale.fr (en construction)
Ex de traitement avec Eumetcast sur zone Europe Atlantique.
Disponibilité
granules 3mn ~2h
L’assimilation des données satellite
dans les modèles
42
Exemples de produits disponibles
Validation aux analyses ECMWF
Ex:situations claires sur les 7 derniers jours
Validation aux radiosondages
Ex: situations claires mer
43
Tester de nouvelles méthodes:
Exemple comparaison aux radiosondages de la campagne
Jaivex. 29/04/2007. Situations mer
Dropsonde 2
2
t =20mn
1
t =10mn
Dropsonde 1
Influence des paramètres du 1dVar sur la
restitution du profil d’humidité. Ex: dropsonde 1
A: méthode oper
• les 178 canaux du CEP
• Rmat = valeurs cstes
B,C: Rmat = NeDt IASI + 0.2K
Sélection dynamique de 150
canaux dans:
B: les 366 du GTS
C: 1700 canaux sensibles à T,q
C t ib ti de
d
Contribution
IASI / prévi dans
la restitution du
profil
44
problèmes liés à la LST / S
S :



Peut être relativement plus petit que 1
Mal connu pour de nombreuses surfaces
Grande variabilité
ariabilité spectrale et spatiale
due à l’inhomogénéité des surfaces
LST:


Grande variabilité spatiale problème
pour validation cibles in-situ
T2m-Tskin grand (ex: désert)
Couplage complexe entre LST et S
Restitution séparée de LST et S :

Problème sous-dimensionné  nécessite
d’une information extérieure, contrainte
comparaison entre radiance
observée et calculée HIRS8
ATOVS: pas d’inversion des canaux
basse troposphère sur terre
Test d’atlas d’émissivité de
surface
Atlas d’ s IR de la CIMSS (E. Borbas)
A la résolution spatiale de MODIS
Canaux: 699., 826., 926., 1075., 1206.,
1316., 1724., 2000., 2325., 2703.
Logiciel
d’interpolation
L i i l d’i
t
l ti sur lle spectre
t IASI
fourni avec l’atlas
45
PLAN
Impact satellite: scores 20 ans HN/HS du CEPMMT
Document CEPMMT
46
Changements ARPEGE depuis octobre 2004
•10-2004: ajout de AMSU-B, données Lannion, QUIKSCAT, nouveau Jb, ……
•03-2005: assimilation AMSU-A d’AQUA + nouvelles longueurs de mélange
•01-2006: vent satellite (SATOB) japonais + nouvelles climatologies
•06-2006: nouvelle physique+46 niv+VARQC + NOAA18+ vents MSAT8
•09-2006 : ajoût SSMI ; profileurs; modif assim (nbres d’iter+ sigma_b variable)
•08-2007 : ajout de GPS, METOP AMSU-A, MHS, ERS-2 AMI
•02-2008: 46 ->60 niveaux ; TL358 ->TL538 ; variational bias correction; assimilation
canaux AIRS d’AQUA
•06-2008: 50 canaux IASI sur mer. 1 observation boîte de 250km
•12-2009 : Arome opérationnel
•02-2009: 64 canaux IASI sur mer, 50 sur terre, 32 sur glace de mer. 1 observation
boîte de 125km
•En test: IASI dans Arome ; radiances nuageuses dans Arpège
Evolution du nombre
d’observations dans Arpège
Couverture typique pour une
fenêtre d’assimilation de 6h
Boîte de 250km
Boîte de 125km
ATOVS
AIRS
IASI
47
Erreur moyenne de Arpège depuis 20 ans sur l’Europe
1987
1997
2007
Amsu B
Amsu-B
+Phys AQUA
+Turb
NOAA18 Obs
+Phys
+ Assim
48
Impact de différentes observations (Canada 2002)
rouge = satellite
% d’impact
noir = radiosondages
bleu = avions
vert = surface
Z 500
V 250
→ importance des satellites sur HS, tropiques
Impact (DFS) fonction de l’altitude dans Arpège
ATOVS+SSMI+SEVIRI
AIRS + IASI
>16km
9km - 16km
< 9km
49
Degrée de liberté (DFS) et DFS/Nbobs
DFS (x1000)
05/01/2005 – 00 UTC
05/01/2005 – 06 UTC
Variation de 25% de DFS/Nbobs avec l’inclusion du Amsu-A NOAA18
Impact en prévision de l’assimilation de IASI au CEP
Northern Hemisphere
Southern Hemisphere
Mean 500hPa anomaly correlation
scores
IASI (blue) and CONTROL (red)
Population size = 70 cases
Europe
Courtesy ECMWF, 2007
50
Impact des sondeurs au CEP
Impact des données IASI sur la prévision Arpège
Réduction RMSE du geopotentiel / analyse indépendante
Prévision @ 4 jours, 3 semaines de test (mars 2009)
Améliore la prévision
Dégrade
g
la prévision
125km / no IASI
125km / 250km
51
Premiers tests d’ impact des radiances
nuageuses
Tests dans différents centres :
 CEP: assimilation des radiances nuageuses IASI 100% nuages opaques >900hpa
 Arpège: assimilation des radiances nuageuses AIRS (oper) et IASI (test) en utilisant la
méthode CO2-slicing pour détecter/caractériser les nuages
Ex du CEP
NH
en noir: radiances nuageuses
SH
Merci de votre attention
52

L`assimilation des données satellite dans les

Transcription

Documents pareils

ce sujet

STA107 - Séries chronologiques

SHERPA_Fiche_FR - Caribriskcluster

Station météorologique avec une prévision du

lifestyle - Marc Baroud

comment recevoir france 24

Previsions consomation éléctrique

- 1 - Campus Spatial Satellite Etudiant Pratham Pierdavide Coïsson

Répétition 6

DM6 15-16