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 Thésard, METEO-FRANCE/CNRM/GMGEC/CARMA Directeurs de thèse: D. CARIOLLE et V.-H. PEUCH Financement: CNES/METEO-FRANCE ADOMOCA, TLSE, 13 Nov. 2008

2/20 Plan 1)Rôle de l’ozone (O 3 ) dans les modèles de prévision numérique du temps (NWP) 2)Assimilation de données, diagnostics d’informativité, couplage entre l’O3 et le vent en mode 4D-Var. 3)Assimilation 4D-var des profils d’ozone d’AURA/MLS dans le modèle ARPEGE

3/20  Paramétrisation du rayonnement : fort impact sur la température:  -Sassi et al., 2005; Cariolle and Morcrette Actuellement profil standard d’ozone issu d’une climatologie en moyenne zonale  Schéma de transfert radiatif utilisé dans l’assimilation des radiances satellitales (par ex. HIRS, AMSU) -Actuellement profil climatologique d’ozone 1. Ozone/NWP

4/20 1. Ozone/NWP  La colonne totale d’O 3 varie avec le passage des systèmes de temps synoptiques: Dobson et Harrison, Forte corrélation O 3 /PV au niveau de la tropopause, Danielsen 1968; Davis et al Variabilité de l’O3 dans l’UTLS dominée par les processus du transport : durée de vie de qq. semaines--> ozone bon traceur du flux Vent à partir des obs. d’O 3 dans la strat., Salby et Callaghan Vent à partir de l’assimilation 3D-Var, Filtre de Kalman, Lorenc 1989, Daley Vent à partir de l’assimilation 4D-Var des obs. d’ozone, Riishojgaard 1996.

5/20  Etude de l’impact dynamique de l’assimilation 4D-Var d’ozone (traceur passif advecté) dans ARPEGE, Peuch et al : -OSSE : intérêt potentiel des colonnes totales d’ozone TOVS -Impact positif sur les analyses et prévisions météorologiques : nécessité des observations d’ozone plus fréquentes et des ébauches d’ozone de bonne qualité. >> Continuité :  Assimilation des profils d’ozone d’AURA/MLS dans ARPEGE  Ebauche d’ozone fournie par MOCAGE >> Objectif  Evaluer l’impact sur l’analyse et la prévision météorologique. 1. Impact dynamique d’ozone en mode 4D-Var

6/20 2. Assimilation Observations y o Analyse Ebauche x b = M (x a - ) Modèle M Assimilation

7/20 2. Expression de x a Estimation Linéaire Statistique Estimation de la réalité inconnue x t --> x a = x b + dx  Régression linéaire : Ebauche : x b = x t + e b --> x t = x b - e b variable à estimer ou prédictant -e b prédicteur d = y o – H (x b ), innovation Estimation de -e b --> dx= Kd avec K= BH T (HBH T +R) -1, matrice de gain B et R, covariances des erreurs d’ébauche et d’observation.  x a = x b + dx = x b + BH T (HBH T +R) -1 d  L’erreur d’estimation e a = x a - x t est décorrélée du prédicteur d.  Matrice de covariances des erreurs d’estimation : A = B – KHB.  Tr(KHB) : Réduction de variance totale d’erreur d’estimation --> variance de e b expliquée par d.

8/20 2. Mesures impact des obs.  Réduction totale de variance d’erreur d’estimation : r = Tr(K H B)  Réduction partielle de variance due au jeu d’observations i : r i = Tr(K i H i B)  Réduction erreur projetée sur une variable du modèle: r i P = Tr(P K i H i B P T )  Réduction de variance normalisée par B : DFS = Tr(K i H i )=Tr(∂H i x a /∂y i )

9/20 2. Formulation variationnelle Formulation variationnelle  3D-Var: J(dx) = ½ dx T B -1 dx+ ½(d-Hdx) T R -1 (d-Hdx), d=y o –H (x b )  4D-Var : contrainte supplémentaire : le modèle d’évolution M. J(dx) = ½ dx T B -1 dx+ ½ (d-HMdx) T R -1 (d-HMdx) (Eq. 1) avec d=y o –HM (x b ) (Eq. 2)  3D-FGAT : approche simplifiée de 4D-Var: dans (Eq. 1) --> M=identité  Calcul de J’ : utilisation d’opérateurs adjoints H*, M*. J’(dx) = B -1 dx – M*H*R -1 (d-HMdx)  Incrément à basse résolution.

10/20 Ebauche (x b =u b,q b ), avec q b est d’erreur nulle 1 ère trajectoire qui minimise la distance aux obs. Observations (y o ) d’erreur nulle Trajectoire de l’ébauche q(t i )=f(u(t i ), q b )=f(u(t 0 ), q b ) 2 ème trajectoire de l’analyse + analyse au centre T + Ebauche T D-Var/ozone, Impact dynamique y o -q(t i )=f(u(t 0 ), q b ) 4D-Var, x=(u,q) Ebauche Analyse Ebauche T-3T-2T-1TT+1T+2T+3 t t0t0

11/20 Données opérationnelles Profils O 3 AURA/MLS 4D-Var / ARPEGE MOCAGE O3O3 ARPEGE P s, u, v,Temp., hu 3. Configuration 1) NWP: ARPEGE Grille horizontale régulière T107 (~189 km), 41 niveaux verticaux depuis le sol jusqu’à 1hPa Ozone : traceur passif advecté 2) CTM : MOCAGE 2°x2° - 47 niveaux (forçage ARPEGE) RACMOBUS 3)Données d’ozone: profils d’AURA/MLS

12/ jour j jour j+1 ARPEGE MOCAGE (O 3 ), NMC, Parrish and Derber, 1992 : Statistiques sur les différences entre des prévisions à deux échéances différentes mais valables pour une même date. Prévisions d’ozone d’ARPEGE initialisées par MOCAGE Différences 12/36h valables à 00 UTC. Analyse monovariée d’ozone, Dethof et Holm, Formulation de B pour l’ozone

13/20 3. Statistiques d’erreurs d’ébauche

14/20 MLS: Microwave Limb Sounder à bord du satellite AURA (07/2004)  3500 profils par jour  Ozone : 13 –70 km (5 -15 %)  Résolution verticale de 2.7km.  Niv. en p(hPa): 316, 215.4, 146.8, 100, 68.1, 46.4, 31.6, 21.5, 14.7, 10, 6.81, 4.64, 3.16, 2.15, 1.46, 1 --> 0.46hPa. 3. Données AURA/MLS

15/20 Obs. opér. ±MLS (ozone) Fenêtre d’assimilation (6h) Modèle adjoint Minimisation Fonction coût Gradients Mise à jour Modèle 3. Expériences: CTL/MLS JAN 23 Année 2006 CTL : Assimilation obs. opérationnelles MLS : Assimilation obs. opérationnelles + AURA/MLS AVR 22

16/20 3. Diagnostic OMA et OMF (O 3 ) 100*OMF/Y o (en rouge) avec OMF=Obs.-First guess 100*OMA/Y o (en noir) avec OMA=Obs.-Analysis

17/20 3. Diagnostic OMF(u,v): CTL/MLS

18/20 3. Diagnostic OMF(u,v): CTL/MLS UV

19/20 3. Diagnostic DFS: MLS vs. HIRS vs. AMSU

20/20 3. Réd. de la var.: MLS vs. HIRS vs. AMSU

21/ *|ARP.-MOC.|/MOC.