Étude sur l'observabilité de l'atmosphère et l'impact des observations sur les prévisions météorologiques

L'assimilation de donnees est une composante essentielle du systeme de prevision numerique du temps et consiste a trouver un etat de l'atmosphere, l'analyse, qui est compatible avec les differentes sources d'observations, la dynamique de l'atmosphere et un etat anterieur du modele. Dans ce processus, il est important de bien caracteriser l'erreur associee a chaque source d'information (observations, ebauche) afin de mieux decrire les conditions initiales. La matrice de covariance des erreurs de previsions joue un role cle dans le processus d'assimilation de donnees car elle determine la nature de la correction apportee par l'analyse. Cette matrice etant trop grande pour etre representee explicitement, elle est modelisee sous la forme d'une suite d'operateurs relativement simples. Les modeles de covariance d'erreurs de previsions utilisees dans un 3D-Var sont generalement stationnaires et ne considerent pas des variations dues a la nature de l'ecoulement. En presence d'instabilite, une petite erreur dans les conditions initiales connaitra une croissance rapide. Pour controler cette croissance d'erreur a courte echeance, il est necessaire d'apporter des corrections a l'analyse dans des regions localisees selon une structure spatiale tres particuliere. L'assimilation adaptative 3D-Var considere une formulation differente des covariances d'erreur de prevision qui permet d'inclure les fonctions de structure basees sur des fonctions de sensibilite a posteriori et a priori definissant la structure de changements aux conditions initiales qui ont le plus d'impact sur une prevision d'echeance donnee. Dans le cadre de cette these, des fonctions de sensibilite sont introduites comme fonctions de structure dans l'assimilation 3D-Var. La definition d'une fonction de structure appropriee pour un systeme d'assimilation vise a simultanement concorder aux observations disponibles et ameliorer la qualite des previsions. L'observabilite des fonctions de structure par les observations est tout d'abord presentee et analysee dans le cadre plus simple d'une analyse variationnelle 1D (1D-Var) pour etre ensuite introduite dans le 3D-Var d'Environnement Canada. L'amplitude de la correction est caracterisee par un seul parametre defini par l'ensemble des observations disponibles. Les resultats montrent que si le rapport entre l'amplitude du signal et l'erreur d'observation est tres faible, les observations ne sont pas en mesure de detecter les instabilites atmospheriques qui peuvent croitre tres rapidement. Dans cette perspective, l'assimilation pourra seulement extraire l'information contenue dans les structures atmospheriques deja evoluees. Dans un deuxieme temps, nous presentons une nouvelle methode permettant d'estimer l'impact des observations dans les analyses 3D/4D-Var base sur le Degrees of freedom for signal. Le contenu en informations des observations est calcule en employant les statistiques a posteriori, a partir des ecarts des observations a l'ebauche et a l'analyse. Les resultats montrent que le DFS estime en utilisant les statistiques a posteriori est identique avec celui obtenu a partir des statistiques a priori. Ce diagnostic permet de comparer l'importance de differents types d'observations pour les experiences d'assimilation 3D et 4D-Var incluant toutes les observations assimilees operationnellement. En particulier, cette etude s'interesse a l'evaluation du reseau canadien d'observations et il est applique aux Observing System Experiments (OSEs) effectues a Environnement Canada pour les mois de janvier et fevrier 2007. ______________________________________________________________________________ MOTS-CLES DE L’AUTEUR : Assimilation de donnees, Dependance a l'ecoulement, 3D-Var, DFS, OSEs.