SuNDAE

SuNDAE
Scalable Non-linear Data Assimilation with Ensembles

Notre objectif est de développer des méthodes avancées en assimilation de données pour améliorer la prévision du temps en météorologie.

Coordinateur Yann MICHEL
CNRM/GMAP/RECYF
Type ANR JCJC
Partenariat CNRM, CEREA, IRIT
Début 2018
Durée 3 ans

 Objectifs

Le projet SuNDAE vise à développer un prototype de schéma d’assimilation non-linéaire pour le modèle à méso-échelle AROME.

Le but de cet algorithme est d’être capable de déterminer de manière optimale la structure thermodynamique tridimensionnelle de l’atmosphère à partir des observations disponibles.

Pour cela, nous avons l’intention de combiner les avantages des méthodes variationnelles avec celles des méthodes ensemblistes, tout en palliant leurs faiblesses respectives.

 Description du projet

L’algorithme de référence pour l’assimilation de données en météorologie est le schéma 4DVar, qui minimise une fonction de coût sur une fenêtre temporelle. Le 4DVar, dans sa formulation la plus avancée, permet de prendre en compte les effets non-linéaires. Il requiert le développement des modèles tangent-linéaire et adjoint, ce qui est particulièrement difficile aux échelles kilométriques compte-tenu de la complexité des processus physiques notamment nuageux. De plus, le caractère séquentiel du 4D-Var pose la question de sa scalabilité sur les futurs calculateurs haute performance.

Alternativement, les méthodes d’ensemble sont récemment devenues populaires dans la communauté, notamment sous la forme du filtre de Kalman d’Ensemble (EnKF). Ces schémas permettent l’évolution en temps et en espace des statistiques d’erreur d’analyse et de prévision, contrairement aux méthodes variationnelles standard. Cependant, les schémas EnKF souffrent de défauts algorithmiques comme une faible scalabilité par rapport au nombre d’observations ainsi qu’un comportement sous-optimal pour les observations non-locales, importantes en météorologie.

Malgré les progrès récents, la question d’un schéma d’assimilation à la fois non-linéaire, quadridimensionnel et basé sur des ensembles demeure pleinement ouverte. Le premier objectif du projet SuNDAE est d’évaluer la faisabilité scientifique d’un tel algorithme. Nous aborderons dans un deuxième temps l’application au modèle AROME.

AROME est le modèle phare de Météo-France pour la prévision du temps à fine échelle. Il rassemble les développements de la communauté française autour de sa physique, et des développements Européens pour son cœur dynamique et son schéma d’assimilation. Le développement d’un nouveau schéma d’assimilation pour AROME peut s’appuyer sur le projet OOPS (Object-Oriented Prediction System). OOPS vise à séparer les aspects assimilation et modèle, et est conçu pour être partagé entre organismes de recherches et centres opérationnels.

 Livrables ou résultats attendus

Le projet SuNDAE vise à développer un prototype de schéma d’assimilation non-linéaire pour AROME sous OOPS. Ce prototype sera comparé avec le schéma d’assimilation actuel dans des expériences numériques intensives. Le progrès attendu en qualité de prévision sera bénéfique pour la société et accompagnera le renouvellement du calculateur de Météo-France.

Il est remarquable que les questions d’augmentation du nombre d’observations et de la résolution spatiale des modèles se retrouve de manière transverse dans une communauté large de scientifiques s’intéressant à l’atmosphère, à l’océan, aux surfaces comme à la qualité de l’air. Le projet SuNDAE contribuera ainsi, en plus de ses impacts sociaux-économiques, à la question de la non-linéarités aux échelles fines des écoulements géophysiques.

1. Développement du NL-4DEnVar

1.1 Recrutement
1.2 Dérivation théorique
1.3 Prototypage

2 Amélioration du 4DEnVar AROME
2.1 Avancement général du schéma
2.2 Amélioration de la localisation 4D
2.3 Opérateurs d’observation
2.4 Lien avec les développements fais pour ARPEGE

3 Tests du NL-4DEnVar AROME
3.1 Implémentation
3.2 Validation scientifique
3.3 Expériences numériques

4 Valorisation

 Partenaires du projet et rôle

CNRM Coordinateur
CEREA Partenaire
IRIT Partenaire