Soutenance

Lors de ce travail de thèse, nous nous sommes focalisés sur l'assimilation des observations d'ozone de surface au sein du modèle CHIMERE sur le continent Européen à l’aide d’un filtre de Kalman d'Ensemble. Une première expérience d'assimilation à été présentée et évaluée pour un épisode de pollution photochimique. La comparaison entre l'analyse et la simulation de référence montre d'excellents résultats. On note en effet une amélioration pour l'ensemble des indicateurs statistiques et pour tous les types de stations. A partir de cette expérience, différents paramètres de l'algorithme d'assimilation ont été optimisés, en particulier la variance des erreurs d'observation et la variance/covariance de l'erreur d'ébauche. Nous avons alors employé différents diagnostics a posteriori réalisés dans l'espace des observations. Ces diagnostics nous ont permis d’estimer l’erreur modèle et d’observation et de vérifier leur cohérence avec les innovations obtenues. Enfin, nous avons étudié la possibilité de prescrire les valeurs diagnostiquées de ces erreurs au cours des cycles d'analyse et de prévisions. Il apparaît que les erreurs ont un cycle diurne marqué qu’il faut prendre en compte et qu’une part importante de l'erreur est causée par la représentativité spatiale. Par ailleurs, nous avons développé une approche basée sur la perturbation des paramètres physiques du modèle, mais qui ne génère pas assez de variabilité. Finalement, nous avons pu montrer la robustesse de ce système d'assimilation et la reproductibilité des résultats par rapport à ces paramètres, pour l’épisode de pollution et pour une expérience d’assimilation sur un été.

Abstract

In this thesis, an Ensemble Kalman Filter has been coupled to the CHIMERE chemical transport model in order to assimilate ozone ground measurements at continental scale. A first assimilation experiment during a summertime photochemical pollution episode is presented and evaluated. The comparison between the analysis and the reference run shows excellent results. We note for the analysis an improvement regarding to the whole set of statistical indicators and for all stations types. Based on this experiment, different parameters of the data assimilation algorithm were optimized, in particular the observation error and the variance/covariance of the background. Then, a set of a posteriori diagnostics calculated in the observation space were employed. These diagnostics were used to estimate model and observation errors and to verify that they were consistent with obtained innovations. Finally, we investigated the application of diagnosed error values during an analysis-forecast cycle. It appears that errors have a clear diurnal cycle which needs to be taken into account and that an important part of these errors related to the spatial representativeness. We also developed an approach based on perturbations of model physical parameters but which fails in generating enough variability in the model ensemble. Finally, we demonstrate the robustness of the data assimilation system and reproducibility of the results with respect to the chosen parameters, for the specific pollution episode and for an entire summer assimilation period.