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

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

ADOMOCA 13 novembre 2008 S. Massart Assimilation des données d’ozone de SA-IASI Sébastien Massart CERFACS : A. Piacentini, D. Cariolle SA : C. Clerbaux,

Présentations similaires


Présentation au sujet: "ADOMOCA 13 novembre 2008 S. Massart Assimilation des données d’ozone de SA-IASI Sébastien Massart CERFACS : A. Piacentini, D. Cariolle SA : C. Clerbaux,"— Transcription de la présentation:

1 ADOMOCA 13 novembre 2008 S. Massart Assimilation des données d’ozone de SA-IASI Sébastien Massart CERFACS : A. Piacentini, D. Cariolle SA : C. Clerbaux, S. Turquety, J. Hadji-Lazaro Réunion ADOMOCA Toulouse, novembre 2008

2 ADOMOCA 13 novembre 2008 S. Massart Assimilation des données SA-IASI  Données :  colonnes totales d’ozone d’ozone  Défis :  répartir l’information sur la verticale  déterminer les erreurs systématiques des données  déterminer les erreurs aléatoires des données  Solutions :  ajuster les covariances d’erreur d’ébauche  combiner profils & colonnes totales  comparer à des « données » indépendantes

3 ADOMOCA 13 novembre 2008 S. Massart Ajuster les covariances d’erreur d’ébauche  modélisation :  B =  C   corrélation verticale :  C v  exp(-b [z – z 0 ] 2 )  b = 0  b constant  b fonction de la pression variancecorrélation 

4 ADOMOCA 13 novembre 2008 S. Massart Ajuster les covariances d’erreur d’ébauche  modélisation  B =  C   corrélation verticale  C v  exp(-b [z – z 0 ] 2 )  b = 0  b constant  b fonction de la pression variancecorrélation 

5 ADOMOCA 13 novembre 2008 S. Massart Ajuster les covariances d’erreur d’ébauche  modélisation  B =  C   corrélation verticale  C v  exp(-b [z – z 0 ] 2 )  b = 0  b constant  b fonction de la pression variancecorrélation  Réponse du système pour une seule donnée de type colonne totale

6 ADOMOCA 13 novembre 2008 S. Massart Ajuster les covariances d’erreur d’ébauche  modélisation  B =  C   corrélation verticale  C v  exp(-b [z – z 0 ] 2 )  b = 0  b constant  b fonction de la pression  écart-type d’erreur d’ébauche  pourcentage du champ  fonction de la pression variancecorrélation  Exemple d’écart-type (en %) pour l’ozone

7 ADOMOCA 13 novembre 2008 S. Massart Ajuster les covariances d’erreur d’ébauche  modélisation  B =  C   corrélation verticale  C v  exp(-b [z – z 0 ] 2 )  b = 0  b constant  b fonction de la pression  écart-type d’erreur d’ébauche  pourcentage du champ  fonction de la pression variancecorrélation  Réponse du système pour une seule donnée de type colonne totale

8 ADOMOCA 13 novembre 2008 S. Massart Combiner profils & colonnes totales  Profils MLS :  16 niveaux de pression entre 215 hPa et 0.5 hPa  précision inférieure à 10% au dessus de 100 hPa  environ 2 000 profiles par jour (sur une grille 2º)  Colonnes totales IASI :  réseau de neurones du SA  précision à déterminer  environ 20 000 colonnes par jour (sur une grille 2º)  Colonnes totales SCIAMACHY :  algorithme TOSOMI du KNMI  précision de l’ordre du %  environ 25 000 colonnes par jour (sur une grille 2º)

9 ADOMOCA 13 novembre 2008 S. Massart Comparer à des « données » indépendantes  les types de données  instrument : profils  instrument : colonnes partielles ou totales  modèle  comparaison à un modèle  hypothèse : le modèle représente bien le réalité  avantage : champ 4D  méthodologie  construction du champ modèle avec MLS + SCIAMACHY sur une période de 5 mois (août-décembre 2007)  validation avec des sondages et avec OMI  comparaison des données IASI avec le champ modèle

10 ADOMOCA 13 novembre 2008 S. Massart MLS + SCIAMACHY Méthodologie  Validation :  interpolation temps de l’observation  interpolation lieu de l’observation  calcul de l’écart observation-analyse  moyenne et écart- type normalisés Analyse t=0ht=3ht=1ht=2ht=0 à 3h Assimilation Validation bonne approximation Réalité ? OMISondages oui non

11 ADOMOCA 13 novembre 2008 S. Massart Validation avec des sondages  biais  écart type sans assimilation assimilation de MLS & SCIAMACHY

12 ADOMOCA 13 novembre 2008 S. Massart Validation avec OMI  biais  écart-type sans assimilation assimilation de MLS & SCIAMACHY

13 ADOMOCA 13 novembre 2008 S. Massart MLS + SCIAMACHY Méthodologie Analyse t=0ht=3ht=1ht=2ht=0 à 3h Assimilation Validation bonne approximation Réalité ? OMISondages oui non

14 ADOMOCA 13 novembre 2008 S. Massart IASI Méthodologie Analyse t=0ht=3ht=1ht=2h obs. par obs. comparaison statistiques Nombre de données IASI par maille de 2ºx2º utilisées pour réaliser les statistiques

15 ADOMOCA 13 novembre 2008 S. Massart Données SA-IASI vs modèle  biais :  principalement entre 2% et 8%  maximum dans la région équatorial  écart-type :  environ 6%  maximum dans les régions arides  maximum au dessus de la banquise

16 ADOMOCA 13 novembre 2008 S. Massart Conclusions et perspectives  Conclusions :  construction d’un modèle pour représenter la réalité  validation du modèle  évaluation des données d’ozone SA-IASI  biais faible  écart-type de l’ordre de 6%  Perspectives :  assimilation des données SA-IASI  prise en compte des averaging kernel  impact sur la troposphère  résolution plus fine du modèle


Télécharger ppt "ADOMOCA 13 novembre 2008 S. Massart Assimilation des données d’ozone de SA-IASI Sébastien Massart CERFACS : A. Piacentini, D. Cariolle SA : C. Clerbaux,"

Présentations similaires


Annonces Google