ASSIMILATION DE LA TEMPERATURE DE SURFACE DANS LE

ASSIMILATION DE LA TEMPERATURE DE SURFACE DANS LE MODELE HYDRODYNAMIQUE MARS-3 D PAR FILTRE DE KALMAN D’ENSEMBLE AVEC APPLICATION A L’ENVIRONNEMENT CÔTIER (1) P. Craneguy (1) , C. Heyraud P. Lazure (2) , P. Garreau (2) , V. Monbet , H. Pineau (3) (1) Actimar, (2) Ifremer, (3) Université Bretagne Sud Contexte: AD en hydrodynamique côtière Golfe de Gascogne: estimation combinée de l’état et de paramètre modèle Journée statistiques spatio-temporelles – 14 fév. 2008 - Brest

Contexte AD en environnement côtier • Données • Dynamique multi-échelle, non stationnaire • Filtre de Kalman d’ensemble (En. KF)

Observations Grande Diversité marégraphes, ADCP, radar HF, bouées dérivantes, …, profileurs T-S Données synoptiques • Altimétrie • imprécise près des côtes, résolution spatio-temp • Température de surface • couche superficielle • disponibilité couverture nuageuse ( infra-rouge) zones frontales (traitement) composite (MERSEA) : multi-capteurs (L 3 P) opérationnel : T 0 + 24 h

Observations SST SEVIRI : Infra-rouge, Nuit (niv. conf. >= 3) SST assimilée G. Gascogne 15 mai 1 er juin Zones frontales

Hydrodynamique côtière Multi-échelle & non stationnaire Non stationnaire (ex : upwelling ) Multiéchelle ( ex : marée + structure barocline ) Méthodes d’assimilation évoluées

Filtre de Kalman d’Ensemble (En. KF) Méthode de Monte Carlo (Evensen, 2003) schéma muti-varié, non stationnaire résoud les non linéarités (étape de prévision) peu intrusif dans le code NL integration Initial Ensemble Analysis NL integration model errors N members t 0 observation Applications : océanographie opérationnelle (TOPAZ), météorologie (Met. no et centre canadien), estimation de paramètres

AD en côtier Exploitation En. KF pour océanographie côtière : 100 membres Vecteur d’état ~106 (Attracteur peu connu) Exploitation loin des conditions asymptotiques Sous-espace des erreurs de prévision = très réduit Travaux existants : encore peu nombreux Assimilation SST : Larsen 06, Barth 07 G. de Gascogne : Huret et al. 07, Broquet 07

Assimilation de la SST dans le G. de Gascogne Objectif Evaluer l’apport de l’assimilation de la SST dans le Golfe de Gascogne Variables : Température & Salinité Zone d’intérêt : Plateau Continental Périodes Test : Printemps (Avril – Mai 2006) & Eté (Juin - Juillet 2006)

Assimilation de la SST dans le G. de Gascogne • Modèle, données, performances prévision de référence • Expériences d’assimilation de la SST • Apport de l’assimilation de la SST ?

Configuration Modèle de Référence MARS Equations PE, sigma, bancs découvrants, … Configuration opérationnelle PREVIMER-Phase 1 ~ 4 km, fleuves, ARPEGE CL : T-S climatologie + z

Données assimilées SST SEVIRI (0 h) Données utilisées pour la validation Profils T-S sur le plateau PELGAS (Mai 2006) HABIT (6 -12 Juillet 2006)

Prévision de référence: performances Stratification moyenne en densité Déficit d’Energie Potentielle Epaisseur de la Couche de Mélange Campagne PELGAS Campagne HABIT Prévision de référence

Prévision de Référence : performances Ecarts RMS en SST Printemps (Avril 2006) Eté ( Juillet 2006) Front Upwelling Front Panaches Marées internes Erreurs saisonnières

Sources d’erreur de prévision Uniquement sur plateau Ensemble initial perturbation du champ initial de T, S Paramètres modèle y = y. REF + d y avec pdf [ d y ] = N (0, sy) Turbulence (Gaspar et al. , 90) dck, d. Prt, demin Coefficient d’extinction d. K (x , t) Rugosité de fond dz 0 Vitesse du Vent (z 0 0) d (U 10, V 10) d U 10, d V 10 ~ EOF de la variance d’erreur ARPEGE avec e. ARPEGE = U 10 forecast – U 10 Nowcast

Expériences d’assimilation Vecteur d’état X = ( T 3 D, S 3 D, y) Etape d’analyse Cycle 3 jours Localisation = F(profondeur) avec y : paramètre modèle [ X ] = 1. 4 106 Erreur d’observation R = matrice diagonale ei = (1 + a) x ( 0. 5 °C )² er= (1 + b) x ei Ensemble : NRENS = 30 Coût calcul (Nymphea, OMP, pa 4) Analyse + Forecast (3 j) ~ 5 h cpu

Résultats • Statistiques globales (printemps & été) • Performances détaillées : Assimilation au printemps • Bilan et perspectives

Résultats Statistiques globales Température de surface Ecarts RMS (Moyenne d’ensemble, Plateau) Printps APPORT Forecast Analyse 21% 35% Eté 9% 33% Prévi Référence < Ens Forecast> < Ens Analysé >

Résultats Statistiques globales Consistence statistique en SST <eobs 2> = < ( ym - d )2 > - < em 2 > avec eobs ~ (0. 5 deg C)2 Printemps Eté < ( ym – d ) 2 > < em=forecast 2> < em=analysé 2>

Résultats Statistiques globales Ecarts RMS en densité Printemps Eté

Résultats • Statistiques globales (printemps & été) • Performances détaillées : Assimilation au printemps • Bilan et perspectives

Résultats Run de contrôle Printemps SST Prévision moyenne

Résultats Run de contrôle Printemps SST Prévision moyenne 12 - 27 mai

Résultats Printemps T & S

Résultats Printemps T & S LOIRE

Résultats Printemps T & S GIRONDE

Résultats Printemps T & S BASQUE

Résultats Printemps Consistence stat Température de surface

Résultats Printemps Consistence stat Profils de température

Résultats • Statistiques globales (printemps & été) • Performances détaillées : Assimilation au printemps • Bilan et perspectives

Bilan & Perspectives Apport assimilation SST: état moyen ? SST Apport prévision moyenne = 9 à 21 % Printemps : apport = panaches, mi avril à mi mai pas d’apport en Iroise & Nord Finistère Source(s) d’erreur de prévision à trouver Profils Apport prévision moyenne = 20 à 10 % (Couche Superficielle) Printemps : apport = Loire + Gironde (ECM peut être sous-estimée) pas ou peu d’apport Basque & Talus

Bilan & Perspectives Apport assimilation SST: Dispersion ? SST & Profils Dispersion d’ensemble insuffisante Perspectives envisagées • facteur d’amplification des cov d’erreur de prévision • augmenter la taille de l’ensemble (100) • Sources d’erreur de prévision - difficulté (nrens) : combinaison des sources d’erreur éviter le « vilain petit canard »

Merci pour votre attention