Thèse soutenue

Assimilation de données pour des applications micro-météorologiques avec le modèle de mécanique des fluides Code_Saturne
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Cécile Defforge
Direction : Bertrand CarissimoMarc Bocquet
Type : Thèse de doctorat
Discipline(s) : Sciences de l'Univers et Environnement
Date : Soutenance le 14/10/2019
Etablissement(s) : Paris Est
Ecole(s) doctorale(s) : École doctorale Sciences, Ingénierie et Environnement (Champs-sur-Marne, Seine-et-Marne ; 2015-....)
Partenaire(s) de recherche : Laboratoire : Centre d'Enseignement et de Recherche en Environnement Atmosphérique (Champs-sur-Marne, Seine-et-Marne) - Centre d'Enseignement et de Recherche en Environnement Atmosphérique / CEREA
Jury : Président / Présidente : Chantal Staquet
Examinateurs / Examinatrices : Bertrand Carissimo, Marc Bocquet, Sophie Ricci, Alberto Martilli, Olivier Talagrand
Rapporteurs / Rapporteuses : Sophie Ricci, Alberto Martilli

Résumé

FR  |  
EN

La qualité de l’air est un enjeu sanitaire et environnemental majeur. Par ailleurs, l'estimation précise des potentiels éoliens est la source d’importantes retombées économiques et environnementales. Pour étudier ces deux sujets, il est nécessaire de reconstituer précisément les champs de vent locaux grâce à des modèles numériques de micrométéorologie. Ces simulations sont extrêmement sensibles aux conditions météorologiques aux limites du domaine d’étude. Jusqu’à présent, les conditions aux limites (CL) étaient estimées à partir de simulations à plus grande échelle, qui fournissent des informations peu adaptées à l’utilisation à l'échelle locale car imprécises, voire incomplètes. Par conséquent, la méconnaissance des CL représente une source majeure d’erreur et d’incertitude dans les études micrométéorologiques.Les sites susceptibles d’accueillir un parc éolien et les environnements bâtis (quartiers urbains ou sites industriels) peuvent être équipés d’instruments de mesures météorologiques ou de concentration de polluants. Les observations qu’ils fournissent constituent une seconde source d’information, jusqu’à ce jour peu exploitée pour les études micrométéorologiques. En effet, les mesures in situ sont perturbées par la géométrie complexe des sites étudiés. Afin d'améliorer la précision des CL et donc des simulations atmosphériques à l'échelle locale, des méthodes d'assimilation de données (AD) adaptées à cette problématique pourraient permettre de mettre à profit les observations disponibles.Jusqu’à présent, les méthodes d’AD ont été principalement développées pour la météorologie à grande échelle et ont donc surtout été utilisées pour corriger les conditions initiales (CI). Afin d'élargir le champ d'application de l’AD à la micrométéorologie, il faut adapter les méthodes existantes pour qu'elles permettent de corriger les CL plutôt que les CI.Deux méthodes d’AD semblent compatibles avec les modèles de mécanique des fluides (CFD) utilisés pour la micrométéorologie en géométrie complexe : l’algorithme de nudging direct et rétrograde (BFN) et le lisseur de Kalman d’ensemble itératif (IEnKS). Nous avons adapté ces deux méthodes d’un point de vue théorique pour inclure les CL dans les variables de contrôle. Les performances des versions adaptées du BFN et de l'IEnKS ont tout d'abord été étudiées avec un modèle simplifié d’écoulement atmosphérique à deux couches en 1D, basé sur les équations de Saint-Venant. Le BFN et l’IEnKS ont ensuite été testés en 2D puis 3D avec le module atmosphérique du modèle open-source de CFD Code_Saturne.Le premier cas d’étude avec Code_Saturne correspond à une application réelle d’estimation de potentiel éolien dans une région montagneuse au relief très accidenté où trois mâts de mesure fournissent des observations de vent. Le second cas correspond à une étude de dispersion de polluants en milieu urbain, basé sur les mesures de vent et de concentration provenant de la campagne « Mock Urban Setting Test » aux États-Unis. Dans ce second cas, la turbulence est également incluse dans les CL. Dans les deux études, une partie des observations est utilisée pour l’assimilation et le reste pour la validation des résultats.Les expériences menées sur le premier cas ont révélé que les modèles de CFD présentent des non-linéarités trop fortes (recirculations derrière les obstacles) pour l’algorithme de BFN, fondé sur une hypothèse de linéarité. L'étude de cette méthode n'a donc pas été poursuivie. En revanche, les deux études ont montré la capacité de l'IEnKS à réduire l'erreur et l'incertitude sur les CL grâce à l'assimilation d'une petite dizaine d'observations, en un nombre raisonnable de calculs. Par suite, les champs de vent simulés sont également plus proches des observations de validation et les intervalles de confiance sont réduits. Finalement, l'IEnKS permet d'estimer le potentiel éolien, dans un cas, et les concentrations en polluant, dans l'autre, avec beaucoup plus de précision et d'exactitude.