Etude et développement d'algorithmes d'assimilation de données variationnelle adaptés aux modèles couplés océan-atmosphère

Overview & Synopsis

La qualité des prévisions météorologiques repose principalement sur la qualité du modèle utilisé et de son état initial. Cet état initial est reconstitué en combinant les informations provenant du modèle et des observations disponibles en utilisant des techniques d'assimilation de données. Historiquement, les prévisions et l'assimilation sont réalisées dans l'atmosphère et l'océan de manière découplée. Cependant, les centres opérationnels développent et utilisent de plus en plus des modèles couplés océan-atmosphère. Or, assimiler des données de manière découplée n'est pas satisfaisant pour des systèmes couplés. En effet, l'état initial ainsi obtenu présente des inconsistances de flux à l'interface entre les milieux, engendrant des erreurs de prévision. Il y a donc besoin d'adapter les méthodes d'assimilation aux systèmes couplés. Ces travaux de thèse s'inscrivent dans ce contexte et ont été effectués dans le cadre du projet FP7 ERA-Clim2, visant à produire une réanalyse globale du système terrestre.Dans une première partie, nous introduisons les notions d'assimilation de données, de couplage et les différentes méthodologies existantes appliquées au problème de l'assimilation couplée. Ces méthodologies n’étant pas satisfaisantes en terme de qualité de couplage ou de coût de calcul, nous proposons, dans une seconde partie, des méthodes alternatives. Nous faisons le choix de méthodes d'assimilation basées sur la théorie du contrôle optimal. Ces alternatives se distinguent alors par le choix de la fonction coût à minimiser, des variables contrôlées et de l’algorithme de couplage utilisé. Une étude théorique de ces algorithmes a permis de déterminer un critère nécessaire et suffisant de convergence dans un cadre linéaire. Pour conclure cette seconde partie, les performances des différentes méthodes introduites sont évaluées en terme de qualité de l’analyse produite et de coût de calcul à l’aide d’un modèle couplé linéaire 1D. Dans une troisième et dernière partie, un modèle couplé non-linéaire 1D incluant des paramétrisations physique a été développé et implémenté dans OOPS (textit{Object-Oriented Prediction System}) qui est une surcouche logicielle permettant la mise en œuvre d’un ensemble d’algorithmes d’assimilation de données. Nous avons alors pu évaluer la robustesse de nos algorithmes dans un cadre plus réaliste, et conclure sur leurs performances vis à vis de méthodes existantes. Le fait d’avoir développé nos méthodes dans le cadre de OOPS devrait permettre à l’avenir de les appliquer aisément à des modèles réalistes de prévision. Nous exposons enfin quelques perspectives d'amélioration de ces algorithmes.