LES OBSERVATIONS METEOROLOGIQUES Club des argonautes – 5/1/ Présentation des observations disponibles opérationnellement un jour donné sur 6h de temps… …Classées en une dizaine de « grands types » représentant quelques dizaines d’instruments et de systèmes d’observation (zoom sur obs océaniques). Chaque système d’observation ne représente qu’une petite quantité d’information par rapport à l’ensemble des besoins. … Exemple de la modélisation atmosphérique globale, plus spécifiquement du modèle du CEPMMT. Impact (bénéfice) apporté par les obs. Importance du monitoring opérationnel au quotidien et des séries temporelles qui en découlent (pour bien utiliser les observations).
MONITORING DES OBSERVATIONS Principe Toute variable observée est comparée à son homologue modélisée (en pratique dernière prévision numérique disponible, à 3, 6 ou 12h d’échéance = guess ou background) y : vecteur colonne contenant toutes les variables élémentaires observées. Dim y ~ 10 7 pour mod. CEPMMT X: vecteur colonne contenant toutes les variables (historiques) du modèle. Dim X ~ 10 9 pour mod. CEPMMT y se compare à HX par l’intermédiaire d’un opérateur d’observation H: « y-HX » est le vecteur colonne des innovations = écarts entre quantité observée et modélisée H peut être très simple… proche de l’identité (rare), le plus souvent complexe car les mesures instrumentales ne se comparent pas aisément aux variables du modèle. Le calcul des « y-HX » (pour X = Xb = background) est un préalable à toute assimilation de données. Ce calcul sert aussi au monitoring des obs: suivi disponibilité et qualité.
MONITORING DES OBSERVATIONS Utilisation des « Y-HX » y-HX b = O – B = (O – T) – (B – T) = ε o - ε b Statistiques sur les innovations par observation individuelle (série chronologique), par moyenne spatiale et temporelle Var ( ε o – ε b ) = Var (ε o ) + Var(ε b ) L’opérateur H est lui-même affecté d’une erreur appelée « erreur de représentativité », souvent combinée à l’erreur instrumentale et incluse dans ε o pour les calculs statistiques. Analyse = X a = X b + K(y-HX)…. … permet de faire les mêmes stats sur « y-HX a »
SURFACE OBSERVATIONS
RETRIEVAL OF A VERTICAL TEMPERATURE PROFILE 1 2 Z ou p T Radiances(weight functions) Radiative transfer INVERSION R i = B i [T(p 0 )].τ i (p0) – ƒ p B i [T(p)].dτ i (p)
DIRECT AND ADJOINT OBSERVATION OPERATORS H1 HnH2 H1 * H2 * Hn * …..….. …………. X (model var.) y mod X y Jo Chain of direct operators Chain of adjoint operators
Radio occultation geometry = the path of the ray perigee through the atmosphere
Processus d’inversion des mesures d’occultation radio GPS 1.Raw phase measurements 3. Bending angles (atmos.&ionos.) 4. Bending angles (atmos.) Ionospheric correction Smoothing & differentiation Doppler inversion Abel inversion 1DVAR retrieval 2. Doppler frequency shifts 5. Refractivity (atmos.) 6. Temperature and/or humidity retrievals Peut être modélisé à partir d’un modèle météo Pour une séquence d’enregistrements d’occultation radio
Principe de la mesure GPS-sol Station GPS sol Mesure du délai induit par l’atmosphère, ramené à la verticale –Délai (zénithal) total Hautes fréquences dans le signal: Variations du contenu intégré en vapeur d’eau Haute résolution temporelle (typiquement 15 minutes), mais observations corrélées dans le temps En fonction des modes de résolution utilisés par les producteurs de données (solutions de type réseau ou de type Precise Point Positioning): observations corrélées entre les stations récepteur GPS rayon
NB: dans le 4DVAR ARPEGE il s’agit de « super-observations », qui résultent de la moyenne de 4 obs. par heure soit environ 1000 observations utilisées toutes les 6 heures Utilisation du GPS sol dans le 4DVAR ARPEGE global DPREVI/COMPAS
Utilisation du GPS sol dans le 3DVAR-3h AROME
Assimilation Case of 23 June 2005 near Paris Thunderstorm cells in the afternoon, not seen by AROME and ALADIN models without RUC (Rapid Update Cycle) assimilation.
ADM-AEOLUS (space lidar )
ADM-AEOLUS (lidar spatial)
Impact of various obs systems on NWP forecasts in different assimilation systems