Assimilation des données d’ozone de SA-IASI

Réunion ADOMOCA Toulouse, novembre 2008 Assimilation des données d’ozone de SA-IASI Sébastien Massart CERFACS : A. Piacentini, D. Cariolle SA : C. Clerbaux, S. Turquety, J. Hadji-Lazaro

Assimilation des données SA-IASI • Données : • colonnes totales d’ozone d’ozone • Défis : • répartir l’information sur la verticale • déterminer les erreurs systématiques des données • déterminer les erreurs aléatoires des données • Solutions : • ajuster les covariances d’erreur d’ébauche • combiner profils & colonnes totales • comparer à des « données » indépendantes

Ajuster les covariances d’erreur d’ébauche • modélisation : • B =  C  • corrélation verticale : • Cv exp(-b[z – z0]2) • b = 0 • b constant • b fonction de la pression   variance corrélation

Ajuster les covariances d’erreur d’ébauche • modélisation • B =  C  • corrélation verticale • Cv exp(-b[z – z0]2) • b = 0 • b constant • b fonction de la pression   variance corrélation

Ajuster les covariances d’erreur d’ébauche • modélisation • B =  C  • corrélation verticale • Cv exp(-b[z – z0]2) • b = 0 • b constant • b fonction de la pression   variance corrélation Réponse du système pour une seule donnée de type colonne totale

Ajuster les covariances d’erreur d’ébauche • modélisation • B =  C  • corrélation verticale • Cv exp(-b[z – z0]2) • b = 0 • b constant • b fonction de la pression • écart-type d’erreur d’ébauche • pourcentage du champ • fonction de la pression   variance corrélation Exemple d’écart-type (en %) pour l’ozone

Ajuster les covariances d’erreur d’ébauche • modélisation • B =  C  • corrélation verticale • Cv exp(-b[z – z0]2) • b = 0 • b constant • b fonction de la pression • écart-type d’erreur d’ébauche • pourcentage du champ • fonction de la pression   variance corrélation Réponse du système pour une seule donnée de type colonne totale

Combiner profils & colonnes totales • Profils MLS : • 16 niveaux de pression entre 215 hPa et 0.5 hPa • précision inférieure à 10% au dessus de 100 hPa • environ 2 000 profiles par jour (sur une grille 2º) • Colonnes totales IASI : • réseau de neurones du SA • précision à déterminer • environ 20 000 colonnes par jour (sur une grille 2º) • Colonnes totales SCIAMACHY : • algorithme TOSOMI du KNMI • précision de l’ordre du % • environ 25 000 colonnes par jour (sur une grille 2º)

Comparer à des « données » indépendantes • les types de données • instrument : profils • instrument : colonnes partielles ou totales • modèle • comparaison à un modèle • hypothèse : le modèle représente bien le réalité • avantage : champ 4D • méthodologie • construction du champ modèle avec MLS + SCIAMACHY sur une période de 5 mois (août-décembre 2007) • validation avec des sondages et avec OMI • comparaison des données IASI avec le champ modèle

t=0h t=1h t=2h t=3h bonne approximation Réalité ? Méthodologie • Validation : • interpolation temps de l’observation • interpolation lieu de l’observation • calcul de l’écart observation-analyse • moyenne et écart-type normalisés MLS + SCIAMACHY Analyse t=0 à 3h Assimilation OMI Sondages Validation non oui

biais écart type Validation avec des sondages sans assimilation assimilation de MLS & SCIAMACHY

Validation avec OMI • biais • écart-type sans assimilation assimilation de MLS & SCIAMACHY

t=0h t=1h t=2h t=3h bonne approximation Réalité ? Méthodologie MLS + SCIAMACHY Analyse t=0 à 3h Assimilation OMI Sondages Validation non oui

t=0h t=1h t=2h t=3h Nombre de données IASI par maille de 2ºx2º utilisées pour réaliser les statistiques Méthodologie IASI Analyse obs. par obs. comparaison statistiques

Données SA-IASI vs modèle • biais : • principalement entre 2% et 8% • maximum dans la région équatorial • écart-type : • environ 6% • maximum dans les régions arides • maximum au dessus de la banquise

Conclusions et perspectives • Conclusions : • construction d’un modèle pour représenter la réalité • validation du modèle • évaluation des données d’ozone SA-IASI • biais faible • écart-type de l’ordre de 6% • Perspectives : • assimilation des données SA-IASI • prise en compte des averaging kernel • impact sur la troposphère • résolution plus fine du modèle

Assimilation des données d’ozone de SA-IASI