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.

Présentation au sujet: "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."— Transcription de la présentation:

1 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 Moulin (LSCE) Co-direction : Sylvie Thiria (LOCEAN) et Laurent Bopp (LSCE) Postdoctorat de Mohamed Berrada Direction: Sylvie Thiria (LOCEAN) Thèse de Luigi Nardi Direction: Fouad Badran (CNAM) et Sylvie Thiria (LOCEAN) Lsce- 2007

2 PISCES : le modèle de biogéochimie marine de l’IPSL utilisé pour étudier les relations entre la variabilité du climat et la biogéochimie marine à l’échelle globale La représentation du cycle du Carbone océanique est complexe et repose sur des paramétrisations liées à la physiologie du phytoplancton.

3 PISCES : Un modèle du cycle du carbone océanique de complexité intermédiaire, incluant les paramétrisations de deux compartiments de phytoplancton Croissance Broutage Mortalité 2 types de données sont disponibles pour valider et améliorer le modèle PISCES

4 Moyenne annuelle de la chlorophylle Données de couleur de l’océan
Apports: Bonne couverture spatiale, échantillonnage temporel bon (~5jours en moyenne), PHYSAT Limites: Information seulement en surface SEAWIFS Moyenne annuelle de la chlorophylle PISCES

5 Données in situ : Stations JGOFS
Apports: Information sur la colonne d’eau, grande variété des données Limites: Information 1D, fréquence mensuelle Profondeur ( m ) CHL ug/l

6 Schéma d’assimilation adoptée
Objectif : Utiliser au mieux ces deux types de données disponibles pour optimiser les paramètres physiologiques du modèle PISCES Assimilation : Logiciel Yao (LOCEAN,Thiria et al) Schéma d’assimilation adoptée xb Ebauche Observations yo variable de contrôle Fonction de coût J = Jb + Jobs initialisation x0 Modèle direct y=M(x0) Optimisation des paramètres M1QN3 ( J(x0) & x0J ) Modèle adjoint x0J Dérivation yJ → Fonction de coût : J(x0) = (x0 - xb)T B-1 (x0 - xb) + (M(x0) – y°)T R-1 (M(x0) - y°) → Modèle adjoint M* : M*(yJ) = x0J |  YaO

7 Architecture d’une application YAO
ORGANISATION d’UNE APPLICATION YAO Tâches de l’utilisateur Tâches de YAO description du modèle générateur code standard de Yao - fonctions - Interpréteur - … sources des modules + Main sources générés flot d’instructions (std. ou spécif) Dire : les algo génériques (test, run, minimisation, RN,…) sont codés dans le « code standard de Yao » Exécutable de l’application résultats

8 Travaux réalisés depuis 2007
Plan de la thèse Travaux réalisés depuis 2007 - Codage d’une version 1D de PISCES sous le formalisme Yao - Réalisation d’expériences jumelles pour identifier les paramètres (mortalité, croissance, broutage,…) que l’on peut espérer optimiser > fonction de coût - Application de la méthode 1D aux données réelles de la station BATS, et extrapolation aux stations HOTS et KERFIX > résultats principaux - Mise au point d’une version pseudo-3D pour assimiler les données de toutes les stations JGOFS > résultats préliminaires - Développement en cours de la version 3D

9 Paramètres à optimiser
Croissance Broutage Mortalité Paramètres à optimiser Observations : -Chlorophylle -Silicates -Nitrates - Tests de sensibilité à travers des expériences jumelles - Application aux données BATS

10 Résultats des expériences jumelles
-Les performances du système d’assimilation se dégradent très vite avec l’augmentation du taux de perturbation des vrais paramètres. -La diversité des observations accroît les performances . Par contre l’introduction de données non pertinentes peut détériorer la convexité de la fonction de coût. > NECESSITE D’UN BON TERME D’EBAUCHE meilleure solution a priori en l’absence de toutes observations > NECESSITE D’INTRODUIRE DES PONDERATIONS SUR LES OBSERVATIONS matrice de variance covariance d’erreurs aux observations R

11 Résultats de l’optimisation 1D à la station BATS

12 Comparaison des profils mensuels climatologiques à BATS pour les jeux de paramètres standard et optimisé NETTE AMELIORATION DES SIMULATIONS INTERANNUELLES ET CLIMATOLOGIQUES SUR LA STATION OLIGOTROPHE BATS

13 Application du jeu de paramètres optimisé pour BATS à deux autres stations (HOT et KERFIX)

14 Data Vs Pisces and in PISCES-assim(BATS)
HOTS (station oligotrophe) Data Vs Pisces and in PISCES-assim(BATS) BONNE GENERALISATION DE LA PARAMETRISATION A LA STATION HOTS

15 Application du jeu de paramètres optimisé pour BATS à deux autres stations (HOT et KERFIX)

16 Data Vs Pisces and PISCES-assim(BATS)
KERFIX (station eutrophe) Data Vs Pisces and PISCES-assim(BATS) MAUVAISE GENERALISATION A LA STATION HOTS EN PERIODE DE PRODUCTION

17 Résultats préliminaires de l’optimisation pseudo-3D
L’assimilation simultanée des données de plusieurs stations doit permettre de prendre en compte la variabilité de la structure des écosystèmes ( Diatomées / Nanophyto)

18 BATS

19 HOTS

20 NABE

21 KERFIX

22 DYFAMED

23 Développements futurs
- Validation des paramètres au travers d’une simulation 3D globale - Prise en compte qualité de la mesure : Biais physique - Introduction des données satellites : Apports des données de surface à haute fréquence - Transition vers la version 3D en collaboration avec le LOCEAN (postdoc M. Berrada)

24 Annexes Broutage=1 Broutage=0.96 Broutage= 1.3