18/06/07NOV-3554-SL-5249 1 Réunion ADOMOCA 21/11/2007 Contribution à l’assimilation chimique des observations METOP : IASI et GOME.

Slides:



Advertisements
Présentations similaires
Guillaume Thirel CNRM/GMME/MOSAYC Thèse encadrée par Éric Martin
Advertisements

Atelier ADOMOCA Déc 2005 : Synthèse P. Ricaud LA.
Atelier Assimilation Toulouse Décembre 2005 P. Ricaud Laboratoire dAérologie Toulouse.
Adomoca – Novembre 2008 – C. Clerbaux Spectroscopie de lAtmosphère, Université Libre de Bruxelles, Belgique Service d'Aéronomie / CNRS, IPSL, Université
Efficient Simplification of Point-Sampled Surfaces
Travail de thèse - CERFACS:
Assimilation de données océaniques pour la prévision saisonnière
Formulation d’un modèle de covariance d’erreur d’ébauche multivarié pour l’assimilation variationnelle océanique: introduction de contraintes physiques.
S. Ricci, A.T. Weaver, E. Machu, P. Rogel CERFACS J. Vialard LODYC
Initialisation du modèle ORCA à laide danalyses MERCATOR : application des outils de lassimilation variationnelle. des outils de lassimilation variationnelle.
Assimilation de données en mode opérationnel
Chapitre 6: Les procédures et les fonctions
G.Herbert, N.Ayoub, P.Marsaleix, F.Lyard, C.Maraldi, J.Lamouroux
En cliquant sur le mot classeur, on met en route le tableur.
approche interne des chaînes d'énergie et d'information (lecture)
Environnement de réalité augmentée : vers les jeux vidéos
Prévision de la Demande
Laboratoire II: Le modèle linéaire général (GLM)
Etude longitudinale d’essais multilocaux: apports du modèle mixte
Atelier ADOMOCA Nov 2007 Hervé Le Berre & Daniel Cariolle Une méthode plus robuste pour la résolution des systèmes chimiques Projet ANR SOLSTICE.
Forcalquier, 2-6 Septembre 2002 Ecole dété du GRGS – Analyse de covariances Analyses de covariances des nouvelles missions dédiées au géopotentiel Felix.
Le projet ASCOBIO: Assimilation de données in-situ et de couleur de l’océan dans le modèle de biogéochimie marine PISCES Thèse de Abdou Kane Direction: Cyril.
Projet DEPHY ( ) Laboratoires : IPSL, LSCE, LGGE, LA, LOCEAN, LATMOS, LMD, CNRM-GAME, CEA, SISYPHE Le projet DEPHY visait à regrouper et coordonner.
Inversion de données par lAdjoint Application à lacoustique sous marine M. Berrada UPMC-LOCEAN
Le système d’assimilation hybride Meso-NH/AROME
Représentation des nuages de glace dans Méso-nh V. Giraud (LaMP)
 On mesurera la durée Δt d'un nombre suffisant de périodes (par exemple Δt = 10) pour avoir une bonne précision sur le logiciel.  On pourra par exemple.
LA MAQUETTE ADOMOCA A. Piacentini, S. Massart et al. Atelier ADOMOCA – Paris novembre 2006.
Atelier ADOMOCA Déc 2005 Résumé Ph. Ricaud LA.
Implantation de MOCAGE-PALM au Laboratoire d'Aérologie
C. Clerbaux – Réunion ADOMOCA – Novembre 2006 C. Clerbaux – Réunion ADOMOCA – Novembre 2006 IASI & les travaux en cours/futurs dans LMDz-INCA et CHIMERE.
L'outil MOCAGE-PALM au Laboratoire d'Aérologie
–1–1 Assimilation d’ozone ARPEGE Noureddine SEMANE Doctorant 2ème année, CNRM/GMGEC/CARMA Réunion ADOMOCA Novembre 2007.
FORÇAGE DU MODÈLE COUPLÉ DE L'IPSL AVEC L'OZONE DE LMDz-REPROBUS POUR LES SIMULATIONS CMIP5 ¹ Slimane Bekki, ¹ David Cugnet, ² Lionel Guez, ² François.
Chimie, aérosols dans LMDZ-INCA Effet des aérosols sur le climat
Méthodes d’assimilation: Le problème du point de vue de la mesure (P. Prunet, Noveltis) Assimilation de données en zones cotières (P. De Mey, LEGOS/POC)
Laboratoire III: “Finite impulse response (FIR)”, normalisation & analyse de groupe Jean-Sébastien Provost, Ph.D Centre de Recherche, Institut Universitaire.
Modélisation du climat à l’IPSL: existant, objectifs et enjeux à 4 ans
Tâche 3.G : Vérification de prévisions d’hydrométéores Jean-Pierre CHABOUREAU Laboratoire d’Aérologie, Université de Toulouse et CNRS Réunion IODA-MED,
Toulouse Réunion des Utilisateurs Méso-NH mars 2005 Simulations LES d’une couche limite convective: variabilité de la vapeur d’eau PLAN  Objectifs de.
Journées ADOMOCA novembre 2007 S. Massart Vers une nouvelle modélisation de la matrice des covariances d’erreur de prévision Sébastien Massart (1),
Groupe Supply Chain Midi-Pyrénées Coordination d’entreprises dans la chaîne logistique au niveau du Plan Industriel et Commercial (PIC) Présenté par: Roberta.
Études scientifiques autour de IASI/MetOp
Journées ADOMOCA novembre 2007 A. Piacentini La maquette d’assimilation et son évolution Andrea Piacentini (1), Eric Le Flochmoën (2), Hervé Le Berre.
Atelier ADOMOCA-2 Les Lecques, oct Assimilation haute résolution IASI-Valentina Benjamin Pajot S. Massart, D. Cariolle, A. Piacentini CERFACS.
Assimilation à mésoéchelle des observations radar et GPS
Operateur Lidar Vapeur d’eau aéroporté
RETIC Action ZVC réunion Méso-NH 07/03/ Action RETIC zonage vents cycloniques  L’action doit répondre à la question :  Après le passage d’un cyclone.
1 Monopalme Projet 4 Info Spécifications LE LAY Olivier MAHE Jocelyn FORM Nicolas HENRY Gurvan BONNIN Thomas BASSAND Guillaume Décembre 2009 MONNIER Laurent.
  Comment calculer ce signal analytique ?
Assimilation Simultanée des mesures du monoxide de carbone (CO) troposphériques et stratosphériques L. El Amraoui, J.-L. Attié, A. Piacentini, N. Semane,
ADOMOCA, décembre 2005, Toulouse Alain Hauchecorne Service d’Aéronomie / IPSL ADOMOCA dans le paysage de l’IPSL.
HISTORIQUE ADOMOCA P. Ricaud Laboratoire d’Aérologie Toulouse.
P. Tulet A. DiMuro N. Villeneuve
MSDOL/PALM Atelier ADOMOCA - Toulouse novembre 2007 D. Cugnet.
Sensibilité aux forçages atmosphériques et assimilation de données spatiales et in situ dans un modèle à surface libre du Golfe de Gascogne et du Plateau.
II.3) Principes de bases d'un modèle de circulation générale de l'atmosphère Un Modèle de Circulation Générale de l'Atmosphère calcule l'évolution temporelle.
L’ATMOSPHERE Définition Composition air sec et vapeur aérosols
1/20 Assimilation 4D-Var d’observations d’ozone d’AURA/MLS dans ARPEGE pour un apport dynamique dans la haute troposphère/basse stratosphère N. SEMANE.
Réunion ADOMOCA, Paris Novembre 2006 L. El Amraoui et al. Assimilation des données Odin/SMR et Aura/MLS durant l’hiver.
1 ADOMOCA Assimilation de Données dans des Modèles de Chimie Atmosphérique P. Ricaud Laboratoire d’Aérologie Toulouse D. Cariolle CERFACS Toulouse.
ADOMOCA 13 novembre 2008 S. Massart Assimilation des données d’ozone de SA-IASI Sébastien Massart CERFACS : A. Piacentini, D. Cariolle SA : C. Clerbaux,
A. Hauchecorne, E. Oikonomou, S. Rharmili et S.Bekki SA - IPSL Assimilation de données d'ozone GOMOS dans un modèle de chimie- transport pour l'étude de.
1 ADOMOCA : Synthèse nov P. Ricaud Laboratoire d’Aérologie, Toulouse, France.
L’arrivée des versions parallèles des modèles de l’IPSL Adapter les codes aux architectures multiprocesseurs des futures machines afin d’améliorer les.
Partie II : Segmentation
Générateur d’applications WEB de gestion de données Maître/détails.
1 ADOMOCA : Retours des différents programmes P. Ricaud Laboratoire d’Aérologie, Toulouse, France.
Assimilation des profils d’ozone de SMR, MIPAS et GOMOS dans le système MOCAGE-PALM Sébastien Massart (1), D. Cariolle (1,2) (1) CERFACS 42 avenue Gaspard.
1 Monopalme Projet 4 Info Présentation finale LE LAY Olivier MAHE Jocelyn FORM Nicolas HENRY Gurvan BONNIN Thomas BASSAND Guillaume Décembre 2009 MONNIER.
Transcription de la présentation:

18/06/07NOV-3554-SL Réunion ADOMOCA 21/11/2007 Contribution à l’assimilation chimique des observations METOP : IASI et GOME

18/06/2007NOV-3554-SL Introduction Projet financé par le CNES dans le cadre des projets TOSCA Responsable scientifique: Cathy Clerbaux (SA) Collaborateurs scientifiques:  S.A.: Solène Turquety, Juliette Hadji-Lazaro  L.A.: Jean-Luc Attié  L.S.C.E.: Didier Hauglustaine, Sophie Szopa, Anne Cozic  N.C.A.R.: Jean-François Lamarque  CERFACS: Andrea Piacentini

18/06/2007NOV-3554-SL Introduction Rôle de NOVELTIS:  Soutien aux scientifiques dans le développement des chaînes d’assimilation de données MetOP :  expertise dans le développement des chaînes de traitement de données en quasi-temps réel ;  expertise sur l’instrument et les données IASI : simulation et traitement des données.

18/06/2007NOV-3554-SL Déroulement du projet Projet financé en 3 étapes:  :  opérateur d’observation qui s’intègre dans la logique de développement modulaire de PALM ;  génération des données synthétiques avec les colonnes intégrées de CO de IASI ;  adaptation du filtre de Kalman (NCAR) aux colonnes intégrées de CO de IASI.  :  interfaçage du filtre de Kalman avec LMDz-INCA ;  gestion de la matrice de covariance d’erreur du modèle dans LMDz-INCA ;  premiers tests d’assimilation avec les données synthétiques.  :  assimilation de données IASI (colonnes de CO du S.A.) ;  mise en place d’une chaîne d’assimilation pour POLARCAT.

18/06/2007NOV-3554-SL Tâches réalisées par NOVELITS en Interfaçage du module avec le filtre de Kalman avec LMDz- INCA :  lecture des observations ;  génération de fichiers avec les diagnostics  gestion de la matrice d’erreur du modèle.

18/06/2007NOV-3554-SL Calcul de la matrice de covariance d’erreur du modèle(B) Le formalisme du filtre de Kalman permet de décrire l’évolution de la matrice B  Après assimilation des observations :  Seuls les éléments diagonaux sont calculés ;  Les éléments non-diagonaux (corrélations entre différentes mailles horizontales et verticales) de la matrice sont paramètrés en fonction de la distance verticale et horizontale ;  L xy et L z sont les rayons d’influence horizontale et verticale.

18/06/2007NOV-3554-SL Calcul de la matrice de covariance d’erreur du modèle(B) Pour l’évolution des éléments diagonaux entre deux appels à la routine d’assimilation  où M est le modèle et q ii représente les erreurs du modèle accumulées pendant l’intégration de t à t+Δt  Le terme M(b ii (t)) est approximé en transportant b ii comme un traceur passif dans le modèle (advection, convection et le transport dans la couche limite) ;  NOVELTIS a ajouté un nouveau traceur dans LMDz-INCA pour transporter et stocker les éléments diagonaux entre deux appels au module d’assimilation.

18/06/2007NOV-3554-SL Premiers tests avec le module d’assimilation L’assimilation avec les données synthétiques de IASI  Colonnes intégrées de CO ;  Générées en utilisant les champs 3D de MOCAGE ;  Disponibles pour la période du 8 juillet au 12 juillet 2004 ;  L’erreur sur les « mesures » fixée à 15 % de la colonne intégrée. La période  Simulation de 30 jours (juillet 2004) ;  Assimilation pendant 5 jours entre le 8 et le 12 juillet. Caractéristiques de l’assimilation  Les observations sont regroupées au sein de super-observations ;  La fenêtre d’assimilation est de 30 minutes ;  L’erreur initiale du modèle est fixée à 20 % ;  Croissance d’erreur ε=0.01 par heure ;  Une seule fonction de lissage.

18/06/2007NOV-3554-SL Colonnes intégrées de CO model forecast (LMDz-INCA) « Observations » (molecules/cm2*10 18 )

18/06/2007NOV-3554-SL Colonnes intégrées de CO- Résultats de l’assimilation

18/06/2007NOV-3554-SL Résultats pour la région de la baie de Guinée Colonnes de CO moyennées spatialement dans la région : 20°S<lat<5°N, 20°W<lon<5°E

18/06/2007NOV-3554-SL Résultats pour la région de la baie de Guinée Distribution de l’erreur du modèle intégrée spatialement

18/06/2007NOV-3554-SL Fonction de lissage utilisée

18/06/2007NOV-3554-SL OmF=Observations-Forecast

18/06/2007NOV-3554-SL Résultats globaux

18/06/2007NOV-3554-SL Amélioration de l’estimation de l’évolution de la variance d’erreur du modèle Dans la méthode actuelle, la seule source de variance d’erreur du modèle vient du terme qui est proportionnel à la concentration de CO Il serait souhaitable d’ajuster la variance en fonction de notre confiance dans les valeurs simulées pour une région donnée (Lamarque et Gille, 2003)  Le principale source d’erreur pour CO provient des incertitudes sur les sources ;  La confiance est plus grande dans les régions où les sources sont bien connues (Europe) et plus incertaine dans les régions de feux de biomasse ;  α est l’estimation de l’erreur relative de la source ;  P est la source de CO.

18/06/2007NOV-3554-SL Valeur estimée de l’erreur relative des sources (Lamarque et Gille, 2003) AntropogenicBiomass burning SoilOcean North America 530 South America Africa Europe 530 Asia Rest of the world

18/06/2007NOV-3554-SL Classification des mailles du modèle LMDz-INCA

18/06/2007NOV-3554-SL Fraction des sources anthropique feux de biomasse

18/06/2007NOV-3554-SL Mise en place de la méthode Une maille peut contenir plusieurs types d’émissions  La somme est réalisée sur les 4 types de flux de CO ;  F(i) contient la fraction de chaque source pour chaque maille ;  P(z) est la source distribuée verticalement.

18/06/2007NOV-3554-SL Scripts opérationnels Objectifs  Lancer le LMDz-INCA en temps quasi-réel :  les simulations sont lancées pour une période de 24 heures ;  les champs météorologiques utilisés pour le guidage du LMDz sont les analyses NCEP à 0 :00, 6 :00, 12 :00, 18 :00, 24 :00. Une fois que ces champs et les produits L2 de IASI seront disponibles pour cette journée, l’assimilation sera lancée ;  les résultats pour le jour N seront disponibles le jour N+1 (matin).  Pas de simulations en temps-réel (l’assimilation de données IASI est menée dans l’heure après que ces données soient disponibles).

18/06/2007NOV-3554-SL Ajustement des paramètres Il y a 4 paramètres ajustables  La croissance d’erreur du modèle (ε) ;  Le rayon d’influence horizontale pour le calcul des éléments de la matrice de covariance d’erreur qui ne sont pas sur la diagonale (en km) (L xy ) ;  Le rayon d’influence verticale (L z ) ;  L’erreur de la représentativité (r) : obs.error=(O+(r*y i ) 2 )=O+R. Le test de χ 2 est utilisé (termes diagonaux seulement)

18/06/2007NOV-3554-SL Ajustement des paramètres Les règles de Khattatov et al  Tourner le modèle. Si χ2 augmente (diminue) avec le temps, alors augmente (diminue) ε ;  Répéter jusqu’à ce que χ2 ne change plus ;  Si χ2 > 1, augmenter r, si χ2 < 1, diminuer r ;  Pour les rayons d ’ influence, rechercher des rayons qui optimisent les valeurs de OmF (Obs-Forecast).

18/06/2007NOV-3554-SL Objectifs Deux objectifs principaux :  Assimilation des premières données provenant des inversions de colonnes de CO à partir de mesures IASI ;  Mise en place d’une chaîne d’assimilation et de la prévision chimique en temps quasi-réel pour la campagne de mesure POLARCAT. Tâches proposées :  interfaçage avec les données avec les colonnes intégrées de CO de IASI (données S.A.)  installation de la chaîne en temps quasi-réel  test de la méthode permettant de paramétrer les erreurs du modèle en fonction de l’incertitude des sources  ajustement des paramètres utilisés dans le calcul de la matrice de covariance d’erreur du modèle  tests avec la chaîne en mode de prévision pour la campagne POLARCAT  assistance aux scientifiques avec la chaîne pendant la campagne POLARCAT

18/06/2007NOV-3554-SL Perspectives à moyen et à long terme Interfaçage avec les produits opérationnels d’EUMETSAT ; distribution des données de niveau 4 vers la communauté scientifique française via ETHER ; extension aux autres espèces mesurées par IASI: O 3 et CH 4 et GOME ; PALM :  LMDz-INCA dans PALM ;  Données CO niveau 2 et leur caractéristiques ;  Opérateur d’observation.