L`assimilation des données satellite dans les
Transcription
L`assimilation des données satellite dans les
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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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..) L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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. L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique Le modèle global ARPEGE pôle lat. 46,5° lon. 2,6° Résolution verticale: 60 niveaux L’assimilation des données satellite dans les modèles de Prévision Numérique 9 Niveaux sur la verticale L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique Aladin Arome 11 Simulation d’une structure orageuse par AROME 2,5 km / dt=15s / domaine 144 * 144 / analyse Diagpack + bogus d’humidité L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 12 Prévision du brouillard par AROME L’assimilation des données satellite dans les modèles de Prévision Numérique 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/ L’assimilation des données satellite dans les modèles de Prévision Numérique 13 PLAN Les modèles de prévision numérique Assimilation de données satellite en météorologie – Rôle de l’observation – Assimilation variationnelle dans les centres de prévision – Cycle d’assimilation et cut-off Traitements au CMS Impact des observations sur la performance des prévisions L’assimilation des données satellite dans les modèles de Prévision Numérique 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) L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique Évolution sur 10 jours de différents paramètres de temps sensible Nébulosité Précipitations Force du vent Température à 2m L’assimilation des données satellite dans les modèles de Prévision Numérique 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). L’assimilation des données satellite dans les modèles de Prévision Numérique 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. L’assimilation des données satellite dans les modèles de Prévision Numérique 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… L’assimilation des données satellite dans les modèles de Prévision Numérique 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) L’assimilation des données satellite dans les modèles de Prévision Numérique 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) L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 … L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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) L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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... L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 ) L’assimilation des données satellite dans les modèles de Prévision Numérique 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 R1 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 β1 (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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique Cycles d’assimilation et cut-off Arpège: 4 runs par jour 00TU ->102h Cut-off court: 1h50 long: 8h10 06TU ->48h Cut-off court: 3h00 long: 6h10 12TU ->72h Cut-off court: 1h50 long: 8h10 18TU ->36h Cut-off court: 3h50 long: 6h50 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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) L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique PLAN Les modèles de prévision numérique Assimilation de données satellite en météorologie Traitements au CMS – Production de radiances locales – Restitution des profils atmosphériques avec 1dVar pour METOP Impact des observations sur la performance des prévisions L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 (15.5m à 3.6m) – Echantillonnage spectral : 0.25 cm-1 (0.5 cm-1 après apodisation) -> 8461canaux L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 31 IASI températures de brillance IASI – 945cm-1 L’assimilation des données satellite dans les modèles de Prévision Numérique 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) L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique Illustration avec IASI Corrélation entre le spectre d’absorption dans le CO2 et le profil atmosphérique de température L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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) dterme 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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) L’assimilation des données satellite dans les modèles de Prévision Numérique Estimation de l’erreur de RTTOV ramenée à 280K Bruit instrumental L’assimilation des données satellite dans les modèles de Prévision Numérique 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) L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 37 Matrice d’erreur d’observation (bleu) et bruit de l’instrument L’assimilation des données satellite dans les modèles de Prévision Numérique 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 de Prévision Numérique 38 IASI: influence du type de nuage sur le spectre L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique Monitoring. Nuages opaques /mer AVHRR Pcld (opaque) + Ps (clear) Pression de sommet du nuage calculée à partir des clusters AVHRR BIAS STD 20080417. Day L’assimilation des données satellite dans les modèles de Prévision Numérique 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) L’assimilation des données satellite dans les modèles de Prévision Numérique Ex de traitement avec Eumetcast sur zone Europe Atlantique. Disponibilité granules 3mn ~2h L’assimilation des données satellite dans les modèles de Prévision Numérique 42 Exemples de produits disponibles L’assimilation des données satellite dans les modèles de Prévision Numérique Validation aux analyses ECMWF Ex:situations claires sur les 7 derniers jours Validation aux radiosondages Ex: situations claires mer L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 45 PLAN Les modèles de prévision numérique 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 Impact satellite: scores 20 ans HN/HS du CEPMMT Document CEPMMT L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 47 Erreur moyenne de Arpège depuis 20 ans sur l’Europe 1987 1997 2007 L’assimilation des données satellite dans les modèles de Prévision Numérique Amsu B Amsu-B +Phys AQUA +Turb NOAA18 Obs +Phys + Assim L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique Impact (DFS) fonction de l’altitude dans Arpège ATOVS+SSMI+SEVIRI AIRS + IASI >16km 9km - 16km < 9km L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 50 Impact des sondeurs au CEP L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique 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 L’assimilation des données satellite dans les modèles de Prévision Numérique Merci de votre attention L’assimilation des données satellite dans les modèles de Prévision Numérique 52