Où va MEOM ?

D'où vient MEOM ? Plus vous saurez regarder loin dans le passé, plus vous verrez loin dans le futur. [Winston Churchill] L'avenir, c'est du passé en préparation. [Pierre Dac]

Effectif des permanents MEOM CLP JV BB JMM, JB PB CLP JMB, TP AW, EC JLS

CLP JV BB JMM, JB PB CLP JMB, TP AW, EC JLS Christian Le Provost créé l’équipe MEOL/MEOM Leader Modèle des marées mondiales

CLP JV BB JMM, JB PB CLP JMB, TP AW, EC JLS Démarrage de la modélisation océanique (tourbillons, topographie) Début en France L’océan carré

CLP JV BB JMM, JB PB CLP JMB, TP AW, EC JLS L’aventure altimétrique Marées, Assimiler la SLA Topex/Poseidon Jason 1

CLP JV BB JMM, JB PB CLP JMB, TP AW, EC JLS Les grands projets de modélisation MCFTL DYNAMO CLIPPER DIADEM TOPAZ

CLP JV BB JMM, JB PB CLP JMB, TP AW, EC JLS Le lancement de l’océanographie opérationnelle SIMAN/QADRAN MERCATOR MERSEA 1 er projet pré- opérationnel à Grenoble

CLP JV BB JMM, JB PB CLP JMB, TP AW, EC JLS Le concept du SEEK est posé et opérationalisé dans SESAM et SAM2/Mercator

CLP JV BB JMM, JB PB CLP JMB, TP AW, EC JLS « Le » projet de modélisation DRAKKAR

CLP JV BB JMM, JB PB CLP JMB, TP AW, EC JLS Aujourd'hui …. Le couplage physico-biogéochimique Le lancement de SARAL/AltiKa (2011) Toujours un lien fort avec l'opérationnel (MyOcean, GMMC, GLORYS, …)

Une continuité thématique et méthodologique

Objectifs scientifiques Le rôle de l'océan dans les variations climatiques: les variabilités et leurs mécanismes, de l'échelle globale à la sous- mésoéchelle La prévision océanique à moyen terme : les circulations océaniques et de leur impact sur les écosystèmes marins, la mise en place de l’Océanographie Opérationnelle La dynamique des fluides géophysiques: comprendre les processus à l'œuvre dans l'océan/les modèles, les paramétriser Méthodes Modélisation Assimilation de données Données (surtout spatiales)

MEOM en bref …

Un niveau d'activité scientifique très significatif Un savoir faire outils modélisation/assimilation Une implication de longue date avec l’altimétrie Des avancées déterminantes Marées, Modélisation, Assimilation, Transferts vers l'opérationnel, … Un rôle collectif qui va au delà de notre importance numérique Des nouvelles forces (permanentes). Toujours un fort vivier de doc/post-doc Un axe fort de coopération avec les mathématiciens appliqués (LJK) pour: 4D-VAR océanique (NEMOVAR), Downscaling (AGRIF)

MEOM en bref … Une équipe d’océanographie de taille modeste dans un laboratoire des sciences de l'ingénieur Des fragilités institutionnelles dans un environnement peu marin Une offre de formation locale qui n'est pas optimale Des difficultés pour faire reconnaître localement nos priorités scientifiques: thèses, … Des soutiens techniques (IR) qui deviennent sous-dimensionnés par rapport aux enjeux

Des mots clés pour demain

résolution, régionalisation, couplage, …

Des mots clés pour demain résolution: vers la sous- mésoéchelle (modèle, assimilation, SARAL/AltiKa, SWOT, Ocean Color) régionalisation: vers des systèmes de modèles imbriqués et des laboratoires régionaux couplage: avec l'atmosphère, la biogéochimie, la glace

La modélisation à l'horizon SWOT En 2020 le 1km de résolution sera atteignable à l'échelle globale Mais ne résoudra pas bien les processus physiques au km Les moyens de calcul Les capacités de calcul des ordinateurs devraient être OK. Les capacités de stockage: OK mais de fortes contraintes I/O Des questions ? Aurons nous le potentiel humain pour regarder les sorties des modèles ? Où/comment faire tourner ces modèles ? Faut-il que les modèles atteignent la résolution des données ? Un plateau est peut être atteignable pour certains objectifs scientifique Même si le budget d'énergie de l'océan n'est pas clos Un modèle global HR avec des modèles régionaux ou de basin à THR peut être OK à un certain moment L'emboitement de modèles (e.g. AGRIF: Blayo & Debreu, 1999) En météorologie, les données sont plus nombreuses et à plus haute résolution que les modèles globaux

L'assimilation de données à l'horizon SWOT L'AD face à De nouvelles complexités pratiques Taille des bases de données et des vecteurs d'état des modèles Des systèmes de modélisation emboités Des complexités théoriques croissantes Accroissement des non-linéarités Statistiques non-Gaussiennes Les nouvelles pistes pour l'AD sont Ouvrir de nouvelles voies conceptuelles: Assimilation non-Gaussienne (e.g. Lauvernet et al., 2009) Assimilation d'images (e. g. Titaud et al., 2010; Verron et al. 2010) Assimilation multi-échelles Améliorer la paramétrisation des modèles et les forçages (e. g. Skandrani et al., 2009; Wirth & Verron, 2008) Utiliser des approches hybrides, i.e. 4DVAR and stochastic methods (Robert et al., 2006; Krysta et al., 2010)

Les données SWOT vs. modèle et assimilation Quelle physique dans les données SWOT ? Quel signal à très haute résolution fourniront les modèles ? Observabilité des modèles ? Connaître les erreurs associées, "réduire les incertitudes" Biais, corrélations, contrôle de qualité Redondance des données si la résolution des données est plus fine que la résolution du modèle Data thinning L'assimilation et la validation des modèles aiment les données et les nouvelles données Malheureusement les satellites n'observent (encore !) que la surface

Des mots clés pour demain résolution: vers la sous- mésoéchelle (modèle, assimilation, SARAL/AltiKa, SWOT, Ocean Color) régionalisation: vers des systèmes de modèles imbriqués et des laboratoires régionaux couplage: avec l'atmosphère, la biogéochimie, la glace Océan Indien, SOSMOD, BIOCOSM Océan Indien, SOSMOD, BIOCOSM Océan Indien, SOSMOD, BIOCOSM Océan Indien, SOSMOD, BIOCOSM