English
LGGE

Accueil du site > Recherche > Thèses en cours > Modélisation des écoulements océaniques multi-échelle (MEOM) > Assimilation de données couleur de l’eau dans un modèle couplé physique/biogéochimie NEMO/PISCES au 1/4° en Atlantique Nord : Paramétrisations stochastiques des processus biogéochimiques non résolus




Rechercher

OSUG - Terre Univers Environnement OSUG

Assimilation de données couleur de l’eau dans un modèle couplé physique/biogéochimie NEMO/PISCES au 1/4° en Atlantique Nord : Paramétrisations stochastiques des processus biogéochimiques non résolus

par BRONDEX Julien - 30 mars 2015 - ( maj : 31 mars 2015 )

Florent GARNIER

Date de début et de fin : octobre 2012 - septembre 2015

Financement : projet européen SANGOMA

Directeurs : Pierre Brasseur (LGGE) et Emmanuel Cosme (LGGE)

Résumé :

Récemment, l’assimilation de données dans les modèles couplés physique/biogéochimie s’est penchée sur l’analyse des observations couleur de l’eau pour contraindre la production primaire et les flux biogéochimiques qui lui sont associée. Dans ce contexte, un système séquentiel d’assimilation de donnée a été développée en Atlantique Nord en s’appuyant sur les donnée SeaWIFS et en utilisant le modèle biogéochimique LOBSTER ([5]). Comme les formulations biogéochimiques sont principalement basées sur des lois empiriques, ces études ont mis en avant l’importance de considérer les incertitudes biogéochimiques inhérentes au degré de complexité du modèle [3] en préalable à l’assimilation de données. En effet, les performances de l’assimilation de donnée dépendent fortement de notre capacité à décrire à priori l’erreur modèle, c’est à dire la quantité d’incertitudes associées à la complexité du modèle. Dans ce but, on propose de développer dans cette thèse une approche générique pour simuler certaines sources majeures d’incertitudes et d’évaluer leurs impacts sur la solution du modèle. Cette méthode stochastique est adaptée des travaux de [2] qui utilises ce genre d’approche pour simuler explicitement les effets des échelles non résolues sur la dynamique de l’océan. A la suite de cela, les impacts de l’approche probabiliste en termes de dispersion spatio- temporelle et d’estimation de la matrice a priori de covariance d’erreur pourront être démontrés à partir des résultats d’une simulations d’ensemble à 60 membres. La pertinence de cette approche pour l’assimilation de données couleur de l’eau sera également démontrée par une analyse 3D de cette ensemble (une analyse par pas de temps du modèle), cette analyse étant réalisée à partir de l’estimation des covariance d’erreurs obtenues grâce à ce même ensemble. Pendant cette expérience, les données assimilées seront les données haute résolution SeaWIFS et le schéma d’analyse sera celui du filtre de Kalman d’ensemble (EnKF) [4]. Le caractère non gaussian et non linéaire des relations entre variables est par ailleurs pris en compte en utilisant des transformations anamorphiques décrites par [1].

Abstract :

In recent years, the assimilation of data into coupled physical-biogeochemical models of the ocean has been addressed primarily by investigating the potential of ocean colour observations to constrain the primary production and associated biogeochemical fluxes. Within this framework a sequential assimilation system was developed during the SeaWIFS period in a North Atlantic NEMO configuration at 1/4° (NATL025) coupled to Bio-GeoChemical (BGC) models of various complexity levels ([5]). Since biogeochemical formulations are still based on empirical laws, it is now well established that the uncertainties inherent to the model complexity and its associated biogeochemical fluxes strongly impact the biological response [3]. One of the major issue for oceancolour data assimilation therefore rely on our ability to properly characterize this model complexity with an appropriate description of its uncertainties (or equivalently the model error) in order to maximize the efficiency of the assimilation system. For that purpose, we propose to develop in this thesis a generic approach based on random processes to simulate some of the major biogeochemical uncertainties and evaluate their impacts on the model solution . This stochastic method is adapted from the works of [2] which uses stochastic parameterizations to explicitely simulate the effects of unresolved scales on the ocean dynamic. In this work, the implications of this probabilistic approach in terms of spatiotemporal dispersion and prior error covariance estimations are assessed from the results of a one-year ensemble simulation including 60 members. The relevance of this approach in the prospect of ocean colour data assimilation will be demonstrated by considering a 3D optimal analysis of the ensemble (one update at one time step) performed from the statistic errors of the stochastic ensemble simulation previously stated. During this experiment, the high resolution SeaWIFS ocean colour data are assimilated using a Ensemble Kalman Filter (EnKf) analysis scheme [4] and the non gaussian behaviour and non linear relationship between variables are taken into account using anamorphic transformations as described in [1].

References :

[1]Brankart J.-M., Testut C.-E., Béal D., Doron M., Fontana C. Meinvielle M. and Brasseur P., 2012 : Towards an improved description of oceanographic uncertainties : effect of local anamorphic transformations on spatial correlations, Ocean Sci., doi:10.5194/os-8-121-2012, 8, 121–142.

[2]Brankart J.-M, 2013. Impact of uncertainties in the horizontal density gradient upon low resolution global ocean modelling. Ocean Modelling vol.66, 64–76, doi:10.1016/j.ocemod.2013.02.004.

[3]Doron M, Brasseur P and Brankart J.-M, 2011 : Stochastic estimation of biogeochemical parameters of a 3D ocean coupled physical biogeochemical model : Twin experiments, J. Marine Syst., 87, 194-207.

[4]Evensen, G, 2003. The ensemble kalman filter : theoretical formulation and practical implementation. Ocean dynamics vol.53, 343–367, doi:10.1007/S10236-003-0036-9.

[5]Fontana C, Brasseur P, Brankart J.-M, 2013. Toward a multivariate reanalysis of the north atlantic biogeochemistry during 1998-2006 based on the assimilation of seawifs chlorophyll data. Ocean Science vol.9, 37–56, doi:10.5194/os-9-1-2013.

Mots-clef : NEMO, PISCES, stochastique, simulation d’ensemble, assimilation de données, biogéochimie // NEMO, PISCES, stochastic, ensemble simulation, data assimilation, biogeochemistry