Estimation et validation a posteriori des statistiques d'erreur pour une assimilation à aire limitée

par Wafaa Sadiki

Thèse de doctorat en Météorologie

Sous la direction de Claude Fischer.

Soutenue en 2005

à Toulouse 3 .

mots clés

• Aladin
• Assimilation variationnelle
• Covariances d'erreur de prévision
• Méso-échelle
• Diagnostics a posteriori
• Ergodicité
• Méthode de Monte Carlo
• Aladin
• Variational assimilation
• Background error covariances
• Mesoscale
• A posteriori diagnostics
• Ergodicity
• Monte Carlo method
• Analyse de covariance
• Prévision, Théorie de la
• Monte-Carlo, Méthode de
• Théorie ergodique
• Incertitude de mesure

Résumé

Les méthodes d'assimilation réalisent une combinaison entre une ébauche de l'état de l'atmosphère et des données d'observation. Il est nécessaire de fournir à l'algorithme assimilateur une estimation des erreurs affectant les différentes sources d'information. Nous nous intéressons surtout au schéma variationnel 3d dans le modèle à aire limitée ALADIN. L'objectif est d'étudier d'une part les propriétés des covariances d'erreur de prévision dans un modèle à aire limitée et, d'autre part, de tester dans un cadre de données d'observation réelles, des méthodes de réglage a posteriori des écarts-types d'erreur (prévision, observation). Nous avons d'abord constaté qu'aux grandes échelles les erreurs de prévision dans ALADIN sont contrôlées par le modèle coupleur ARPEGE. Par la validation a posteriori, nous avons mis en évidence une sous-estimation de la variance d'erreur de prévision, et une surestimation de la variance d'erreur d'observation. Nous avons également adapté ces diagnostics au cadre d'un système au nombre d'observations éventuellement faible, en faisant appel à des propriétés d'ergodicité dans les signaux.

Titre traduit

Estimation and a posteriori validation of error statistics for a limited area assimilation

Résumé

Data assimilation methods perform a combination between a background state of the atmosphere and observations. The formulation of any assimilation system requires the knowledge of the weights attributed to each source of information. The system of interest is the limited area 3d-Var analysis of ALADIN. The aim is, on the one hand, to study the properties of background error covariances in a limited area model and, on the other hand, to apply the a posteriori diagnostics in a real data observation environment, in order to calibrate the background and observational error standard deviations. Firstly, we show that, for the large scales, the background errors are controlled by the ARP\`EGE global model. Secondly, through a posteriori validation, we have found an underestimation of the background error variance, and an overestimation of the observational error variance. Moreover, we have adapted these diagnostics to the frame of a limited amount of observations using ergodic properties of the signals.