La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Présentation au Sénat Contribution des projets Clime, IDOPT et VISTA

Présentations similaires


Présentation au sujet: "Présentation au Sénat Contribution des projets Clime, IDOPT et VISTA"— Transcription de la présentation:

1 Présentation au Sénat Contribution des projets Clime, IDOPT et VISTA
25 octobre 2005 Nous avons mis ici (emplacement commentaire) le texte correspondant aux transparents

2 Problématique méthodologique de la prévision géophysique
Contrib IDOPT CLIME vista juste pour indiquer un changement de partie, à enlever de la présentation finale.

3 Prévision La prévision de l’évolution de l’environnement est un problème capital du point de vue économique et social. Il est important de définir les échelles auxquelles on travaille. Echelle de temps : dans 1 heure (pour la prévision des tornades), dans 1 jour, ou la saison prochaine. Seule la deuxième échéance est bien maîtrisée actuellement.

4 Principe de la prévision
On reconstitue l’état du milieu à un instant initial. On résout le modèle mathématique qui va donner la prévision. On recommence en tenant compte des erreurs de la prévision précédente.

5 Quelles sont les informations disponibles ?
Des modèles mathématiques décrivant l’évolution du milieu. Des données d’observation « in situ » ou à distance. Des statistiques historiques. Des images. En bref : de l’information hétérogène en nature, qualité et densité. Un problème crucial est de coupler ces sources d’information pour reconstituer l’état de l’environnement.

6 Les modèles Les principes sont simples : ils sont obtenus en écrivant la conservation de masses (air, eau). La mise en œuvre est difficile, notamment en raison de l’hétérogénéité du sol, du relief et des échanges à petite échelle. La résolution des modèles nécessitent la manipulation de systèmes d’équations avec plusieurs millions de variables.

7 Difficultés Les changements de phases de l’eau (vapeur, liquide, solide et mélange des trois) introduisent un grand niveau de difficulté. On ne peut isoler une composante (atmosphère, océan, eaux continentales) des autres composantes : il y a une interaction (échange de masse et d’énergie) permanente. Les projets de prévision saisonnière demanderont la mise en œuvre de modèles énormes couplant océan et atmosphère. Les ouragans donnent une idée claire de l’interaction entre ces 2 média.

8 Futur La prévision météorologique gagne (grosso modo) un jour tous les 8 ans. La prévision océanique arrive au stade opérationnel. La prévision opérationnelles des crues (notamment les crues éclair) se met en place et nécessite un fort couplage avec une prévision météorologique très précise à l’échelle du bassin versant. Une coopération internationale est indispensable. Une très forte approche interdisciplinaire est nécessaire entre physiciens, mathématiciens, informaticiens pour rendre la prévision plus rapide et plus efficace.

9 Problématique applicative pollution atmosphérique
Contrib Clime-IDOPT Juste pour indiquer un changement de partie, à enlever de la présentation finale

10 Pollution Atmosphérique
Prévision de la qualité de l’air à petite échelle : Milieu urbain, Sorties de tunnel, Impacts de site industriel. Prévision de la qualité de l’air aux échelles régionales et continentales : Épisodes photochimiques, Transport multi-polluants (mercure, métaux lourds, pluies acides). Modélisation de la concentration en gaz (ozone, oxydes d’azote) et en aérosols. Les études menées à l’INRIA sur la pollution atmosphérique sont menées dans deux contextes principaux: À petite échelle, il s’agit d’effectuer la prévision de la qualité de l’air en milieu urbain, en tenant compte de la complexité du paysage urbain. Un exemple type est la modélisation de l’exposition à la pollution en sortie de tunnel routier. Un autre exemple est donné par les études d’impacts, où l’on envisage différents scénarii de pollution causée par un site industriel. Ces scenarii diffèrent par les conditions météorologiques, les quantités et la nature des polluants relachés. Aux échelles régionales et continentales, on s’intéresse principalement à la prévision d’épisodes photochimiques, c’est-à-dire les pollutions à l’ozone ou aux oxydes d’azote, ainsi qu’au phénomènes de transport des polluants, notamment métaux lourds, mercure, formation de pluies acides. Ces études sont menées en partenariat avec EdF, et de nombreuses collaborations ont été initiées pour la prévision régionale de la qualité de l’air, par exemple avec les régions de Berlin-Brandenburg et de Santiago du Chili. Les prévisions, à petite échelle comme aux échelles régionales et continentales, concernent les concentrations, dans les basses couches de l’atmosphère, de gaz, notamment ozone et oxydes d’azote, et d’aérosols, d’origine naturelle ou anthropique comme les particules microscopiques émises par le trafic.

11 Pollution Atmosphérique
Plate-forme de recherche Polair3D, développée et opérée par le CEREA (Centre d’Enseignement et de Recherche en Environnement Atmosphérique) : le projet Clime est un projet commun INRIA/CEREA. Exemple de prévision d’ozone à l’échelle européenne : Nous utilisons pour ces études l’outil de modélisation Polair3D, développé par le laboratoire CEREA de l’Ecole Nationale Des Ponts et Chaussées. Le projet Clime de l’INRIA, impliqué dans ces problématiques, est un projet commun CEREA/INRIA. Voici un exemple de résultat de cet outil de modélisation. Il s’agit de concentrations d’ozone, obtenue par le modèle Polair3D avec une résolution spatiale de 50km et un échantillonnage temporel d’une demi-heure. Les concentrations vont du violet (minimale) au rouge (maximale), en passant par le bleu, vert, jaune et orange. Polair3D été validé lors de campagnes de mesures (Paris, Lille, Marseille en France, EMEP en Europe). Sa principale originalité est qu’il a été développé dès le départ pour permettre l’assimilation de données. Polair3D est utilisé quotidiennement pour cette application en partenariat avec l’INERIS.

12 Pollution Atmosphérique : besoin de coupler données d’observation et modèles
Un modèle numérique sans données d’observation n’est que de peu d’utilité. Des données d’observation seules ne suffisent pas pour établir une prévision fiable. Les modèles mathématiques contiennent des paramètres inaccessibles à la mesure (exemple : paramétrisation sous-maille), mais qui peuvent être estimées à l’aide des données d’observation. Beaucoup de phénomènes géophysiques requièrent une condition initiale précise pour produire une prévision. Pour produire une prévision telle que celle montrée sur le transparent précédent, on utilise le modèle numérique de prévision Polair3D. Ce modèle réalise une implémentation informatique des équations physiques régissant le transport et la chimie des polluants. Un modèle seul a besoin d’un volume considérable de données pour être à même d’effectuer une prédiction: état de l’atmosphère au début de la simulation; nature, quantité et localisation des émissions de polluants; entrées et sorties de polluants du domaine; données météorologiques. En matière de pollution atmosphérique, les données observées disponibles sont fournies par les réseaux de surveillance au sol, comme AIRPARIF à Paris. Ces données sont insuffisantes pour mettre en œuvre une prévision numérique, et l’INRIA travaille sur les techniques dites d’assimilation de données, permettant un couplage optimal entre données disponibles et modèles. Ainsi, l’assimilation de données peut être utilisée pour fournir une estimation de paramètres normalement inaccessibles à la mesure. Par exemple les paramètres contrôlant les effets non modélisés, car présents aux échelles inférieures à la maille du modèle. L’assimilation de données est typiquement utilisée pour obtenir une meilleure estimation de la condition initiale du modèle, ce qui est crucial dans de nombreuses applications de prévision géophysique, en tout premier lieu la météorologie, en raison du comportement chaotique: une petite erreur sur l’initialisation peut causer des prédictions radicalement différentes.

13 Pollution atmosphérique : extraction de données
Disponibilité attendue de capteurs satellitaires pour la télédétection de la chimie en basse atmosphère : GOME2 et IASI sur le futur satellite MetOp (2006), Futures missions troposphère de l’ESA (2012). Mesures de concentrations de gaz (ozone, NOx, méthane, …) et d’aérosols. Complément des mesures terrestres (réseaux de surveillance de la pollution), avec : Couverture spatiale plus dense et uniforme (env 50km), mais, Mesures moins fréquentes (quotidiennes). L’utilisation de données satellitaires pour la modélisation de la pollution atmosphérique est en attente de la disponibilité proche de capteurs permettant la mesure de la composition chimique jusqu’aux plus basses couches de l’atmosphère (zone d’intérêt pour Polair3D, qui modélise typiquement les 5 premiers km de l’atmosphère). En 2006, avec le lancement du satellite MetOp, satellite météorologique de l’ESA, de nouveaux capteurs permettront des mesures de la chimie de l’atmosphère jusqu’aux basses couches de l’atmosphère. L’INRIA participera à l’expérimentation de techniques d’assimilation de ces données, dans le but d’améliorer la prévision de la qualité de l’air. L’ESA prépare actuellement les futures missions de mesure de la chimie de la troposphère, prévues en A ce titre, l’INRIA participe à un des projets soumis à l’ESA pour la définition d’un futur capteur, son rôle étant la définition de procédures d’assimilation de données (projet TRAQ coordonné par le KNMI, Centre National de Recherche et de Données pour le Climat et la Sismographie, Pays Bas). Ces données seront précieuses comme complément des réseaux de surveillance au sol, car elles apportent un couverture spatiale uniforme des territoires.

14 Problématique applicative dégradation des sols
Contrib CLIME Transparent de transition à supprimer de la version finale

15 Dégradation des sols Surveillance par satellite, sur des zones étendues, de la dégradation des sols. Dégradation considérée: perte de végétation. Erosion, Déforestation. Utilisation de données acquises quotidiennement par des satellites comme: NOAA (capteur météorologique), résolution 1km. MODIS (capteur d’observation de la terre), résolution 250m. L’INRIA est actif dans les problématiques de dégradation des sols. Il s’agit de la dégradation du couvert végétal, causée en grande partie par l’activité humaine, comme l’élevage, et les coupes sauvages dans les forêts, entrainant érosion et déforestation. Ces phénomènes sont particulièrement cruciaux dans les pays en voie de développement. Dans ce contexte, l’INRIA collabore avec plusieurs institutions brésiliennes sur le problème de la surveillance par satellite de la dégradation des sols: universités de Rio de Janeiro, organisme Embrapa dépendant du ministère de l’agriculture. Ce problème particulier a des contraintes bien spécifiques: la superficie des zones à surveiller est énorme; on a besoin de mesures fréquentes des sites; enfin, on cherche à minimiser le coût des données nécessaires. Aussi la recherche s’est-elle orientée vers l’utilisation de données satellites gratuites, issues des capteurs NOAA et MODIS, décrits sur ce transparent. Ces capteurs permettent la surveillance quotidienne de zones étendues, avec une résolution spatiale grossière.

16 Dégradation des sols Mise en œuvre de modèles heuristiques de l’observation du phénomène sur les images. En chaque point d’observation on dispose d’une courbe donnant l’évolution d’une caractéristique –calculée à partir des mesures satellite- au cours du temps. L’érosion (changement de couleur du sol) ou la déforestation (perte de la végétation) se traduisent par des courbes distinctes des courbes dites « normales ». Nous avons développé une méthodologie, visant à l’établissement d’un modèle heuristique du phénomène de dégradation des sols sur les images. Il s’agit de caractériser un comportement temporel « normal » associé aux principales classes d’occupation du sol, et d’être à même de comparer un comportement observé avec ces comportements normaux. L’utilisation de séries temporelles quotidiennes de mesures satellites permet de calculer en chaque endroit une courbe, décrivant le comportement temporel de caractéristiques, comme par exemple, des indices de végétation calculés à partir des images satellite. L’érosion se traduit par un changement de couleur du sol suite à la perte de la végétation superficielle. La déforestation se traduit par un changement de la nature de la végétation: on passe typiquement d’une savane dense à une prairie. Ces comportements spécifiques se distinguent nettement des comportements normaux.

17 Dégradation des sols: détection de la déforestation, Pantanal, Brésil.
Courbe bleue: comportement normal de savane; Courbe rouge: déforestation. Bas gauche: détection (en blanc) de déforestation. Contrôle sur images haute résolution (avant et après) Voici un exemple de détection de déforestation à l’aide du satellite MODIS. Sur la courbe du haut, on voit un comportement temporel typique de savane, en bleu, et en rouge, une chute de la végétation due à la déforestation. On utilise ces profils pour détecter la déforestation. Voici un exemple obtenu depuis une séquence d’images MODIS, acquise entre août 2000 et juillet 2001: les zones de déforestation apparaissent en blanc sur l’image en bas à gauche. On peut contrôler sur des images haute résolution, comme les deux images en bas à droite, acquises par le capteur Landsat avec une résolution de 30m. La première image est acquise en juillet 2000, la deuxième en juillet On voit au centre une parcelle verte de forêt naturelle. Un an plus tard, on voit que la parcelle a été déboisée pour faire place à des pâturages: une partie de la parcelle verte est devenue blanche. La forme de la zone déboisée correspond bien à la détection faite sur les images MODIS. Cette méthodologie est susceptible d’être appliquée pour la surveillance à coût réduit de vastes territoires.

18 Problématique applicative: incendies
Contrib de CLIME Transparent de transition à supprimer de la version finale note: 3ème partie thématique, pas dans les domaines initialement sélectionnées par M. Berthod: détection panaches de fumée d’incendies.

19 Incendies Surveillance par satellite de panaches d’incendies :
Accidents de sites industriels, Incendies de forêt. Images utilisées: capteurs météorologiques, avec mesure des rayonnements visibles et thermiques. NOAA (résolution 1km, images quotidiennes). Meteosat (résolution 2,5km, images tout les 15mn). L’INRIA développe des activités sur la surveillance des incendies, ce qui comprend les incendies de forêt mais aussi les incendies affectant des sites industriels. La détection du panache de fumée de l’incendie est un problème important: ces panaches constituent une gêne au trafic aérien comme aux brigades de pompier, et dans le cas d’incendies industriels, sont susceptibles de contenir des substances toxiques. Pour cette étude, nous utilisons des images issues de capteurs météorologiques, qui fournissent des informations dans les gammes du rayonnement visible et thermique. Les capteurs NOAA, avec des images quotidiennes à la résolution du km, ainsi que Météosat (résolution 2.5km et acquisitions tous les quart d’heure, sont particulièrement adaptés pour la surveillance de panaches d’incendies.

20 Incendies Modèle heuristique d’observation du phénomène : on calcule deux indices : CLD, mesure nouvelle combinant les mesures thermiques et visibles : un panache est plus sombre et plus chaud qu’un nuage. NDVI, indice classique utilisé pour caractériser la présence de végétation. Permet de distinguer le panache du sol. La méthodologie repose sur le développement d’un modèle heuristique d’observation des panaches d’incendies sur les images. Ce modèle est basée sur les propriétés « spectrales » des panaches, c’est-à-dire, leur caractéristiques vis-à-vis des rayonnements visible et thermique: nous modélisons le fait qu’un panache est plus chaud et plus sombre qu’un nuage, plus clair que le sol et non couvert de végétation. Ces propriétés sont formalisées par l’introduction de deux indices, l’un, CLD, combinant les mesures thermiques et visibles pour distinguer panaches et nuages, l’autre, NDVI, étant un indice classique de présence de végétation.

21 Incendies Feu de forêt, Espagne, juillet 2005.
Ces deux indices peuvent être combinés pour calculer une image où les panaches d’incendies apparaissent clairement. En voici un exemple: il s’agit d’un feu de forêt ayant fait l’actualité cet été, en Espagne entre Madrid et Saragosse. Les indices CLD et NDVI ont été calculés à partir d’une image NOAA. L’image montrée est une combinaison colorée où l’indice CLD est mis sur le canal rouge, le NDVI sur canal vert, et zéro sur le canal bleu. Les panaches apparaissent en teintes orangées. Le transparent montre une vue générale et zoom sur l’incendie. L’INRIA travaille actuellement sur une amélioration de cette méthodologie pour suivre dans le temps les panaches.

22 Problématique méthodologique: assimilation d’images
Transparent de transition à supprimer de la version finale La partie qui suit est méthodologique: assimilation d’images. Il s’agit des activités menées par Clime, IDOPT et VISTA visant à une meilleure utilisation des images satellites dans les modèles de prévision géophysique (météo, océanographie, hydrologie, pollution de l’air). A l’heure actuelle ces images sont très peu utilisées, et quand elles le sont, c’est comme une collection de mesures indépendantes, soit « manuellement ». L’enjeu est de définir des méthodologies d’assimilation permettant l’assimilation de l’information structurée dans l’espace et dans le temps, fournie par ces images.

23 Assimilation de données images dans les modèles de prévision géophysique: problèmes
Quelles images : statiques ou dynamiques. Quelle information utile pour contraindre le modèle ? Espace image : adapté à la représentation des frontières de structures, trajectoires, champ de vitesses, etc. Définition d’une norme dans l’espace des images pour calculer la distance entre les solutions du modèle et les observations. Opérateur pour passer de l’espace image à l’espace d’état. Les images acquises par satellite sont largement sous-utilisées pour la prévision géophysique: prévisions en météorologie, en océanographie, en hydrologique, en qualité de l’air. Quand elles le sont, on ne les considère pas comme des structures cohérentes dans l’espace et le temps, mais plutôt comme une collection de mesures indépendantes. L’enjeu est de définir des méthodologies permettant l’assimilation de l’information structurée, afin de pouvoir mieux exploiter l’énorme masse de données acquises par les satellites pour améliorer la prévision. Les problèmes posés sont les suivants: Quelles images? Il faut expertiser les sources d’images disponibles en regard des contraintes de résolution spatiale et temporelle, analyser si l’échantillonnage temporel permet d’analyser la dynamique des phénomènes. Quelle information peut on extraire de ces images qui présente un potentiel pour contrôler les modèles? Typiquement une image apportera une information structurée pas prise en compte par les modèles. Exemples: fronts, trajectoires En assimilation de données, la comparaison entre prévision et observation se fait dans l’espace de ces observations. Il faut donc définir un espace adapté à la représentation des structures détectées sur les images, espace dans lequel les sorties de modèle seront projetées et comparées aux observations images. La comparaison implique de doter cet espace d’une norme. La projection des sorties de modèles nécessite la définition d’opérateurs pour passer de l’espace du modèle à l’espace image.

24 Assimilation d’images en océanographie
Données image SST (Sea Surface Temperature) : estimées à partir de mesures infrarouges. Capteur NOAA/AVHRR : acquisition quotidienne, résolution 1-5km. Modèles de simulation Shallow-water : modèle bidimensionnel simplifiés. Modèles de circulation 3D, éventuellement couplés à des modèles d’activité biologique. Structures d’intérêt Champ de vitesse de circulation Trajectoires de structures Considérons un premier exemple précis: la prévision de la circulation océanique. Une source de données images potentiellement utile est la mesure de température de surface de l’océan (SST pour Sea Surface Temperature), mesurée quotidiennement par les capteur NOAA et MODIS, de 1 à 5km de résolution. On dispose de modèles numériques de prévision de différente complexité, qui calcule l’évolution de la vitesse (courant), salinité et température: les modèles dits « shallow water » résolvent des équations simplifiées bidimensionnelles, les modèles les plus complexes sont entièrement 3D et peuvent être couplés à des modèles biologiques, qui renseignent sur la concentration en plancton. Les structures, observables sur les images et présentant un intérêt pour contraindre la prévision sont les champs de vitesses, obtenus par analyse de séquence d’images de SST. Des techniques de suivi, appliquées sur ces séquences, permettent aussi de calculer des trajectoires de structures remarquables comme des tourbillons.

25 Comparaison des résultats avec et sans assimilation
Ce transparent présente un résultat d’assimilation de champ de vitesses mesurés sur des séquences de SST mesurées par le satellite NOAA. Les deux images du haut sont des acquisitions de la température de surface par le satellite NOAA, à partir desquelles on calcule la vitesse de surface. Le résultat d’estimation de la vitesse est visible sur la première image du bas: on observe des structures d’échelles variées. Par contre dans la partie est, un tourbillon présent n’est pas observable, en raison d’un important bruit d’acquisition qui perturbe l’estimation du mouvement. L’image en bas au milieu représente la prévision effectuée, à partir d’un modèle shallow water de la mer noire, développé par l’institut d’océanographie de l’académie des sciences d’Ukraine. Le résultat est trop lisse et rate des structures de petite échelle. L’image en bas à droite montre le résultat avec assimilation des vitesses estimées par satellite. La physique apportée par le modèle améliore la prévision de la vitesse, notamment dans le tourbillon le plus à l’est. Réciproquement, l’image permet au modèle de prendre en compte des structures de petite taille.

26 Assimilation de données image en météorologie
Assimilation permet une mesure temporelle cohérente des vents a partir d’images satellitaires Association d’un modèle dynamique (équations de Navier-Stokes) et d’une séquence d’images satellitaire Assimilation effectuée ici par filtrage stochastique Autorise in fine un suivi automatique et une caractérisation cinématique de phénomènes météorologiques potentiellement dangereux Considérons à présent un deuxième exemple en météorologie: il s’agit de l’estimation de vents dans un modèle météorologique, en mettant l’accent sur les phénomènes turbulents tels les cyclones. Dans cet exemple les vents ont été calculés sur des séquences d’images Meteosat, en prenant en compte les équations de Navier-Stokes qui régissent les écoulements atmosphériques. L’assimilation proprement dite s’est faite en utilisant une technique appelée filtrage stochastique, ce qui constitue un tour de force car ces techniques sont très peu adaptées aux problèmes de grande dimension comme la météorologie. La qualité des résultats obtenus permet de mettre en œuvre un suivi automatique et le calcul du déplacement de structures à fort impact comme les cyclones, comme nous allons le voir sur le transparent suivant.

27 Suivi d’un cyclone sur l’océan indien
CE SONT DES FILMS! Cliquer dessus pour les animer Le premier film montre l’observation par Meteosat d’un cyclone sur l’océan Indien. Nous observons ici les mesures dans l’infrarouge, ce qui expliquent que les nuages, froids, apparaissent en noir. Le deuxième film montre l’estimation des vents obtenue par assimilation des estimations de vitesses mesurées sur la séquence d’image.


Télécharger ppt "Présentation au Sénat Contribution des projets Clime, IDOPT et VISTA"

Présentations similaires


Annonces Google