3.1.3 Évolution et diversité des méthodes . . . 62
3.1.4 Les méthodes d’ensemble . . . 66
3.1.5 Synthèse : des avantages et des inconvénients . . . 68
3.2 ÉTAT DE L’ART . . . . 69
3.2.1 De la météorologie à la neige au sol. . . 69
3.2.1.1 Les précurseurs. . . 69
3.2.1.2 Au tour des modèles de surfaces . . . 70
3.2.1.3 L’intégration de la neige. . . 70
3.2.2 Assimilation de données "neige" in situ . . . 71
3.2.3 Assimilation de produits "neige" satellitaires . . . 75
3.2.3.1 Imageurs optiques . . . 75
3.2.3.2 Imageurs Micro-ondes . . . 81
3.2.3.3 Assimilation combinée - Imageurs optiques et micro-ondes 84
3.2.3.4 Conclusion . . . 87
3.2.4 Assimilation de luminances "neige" satellitaires . . . 87
3.2.4.1 Micro-ondes passives. . . 87
3.2.4.2 Micro-ondes actives . . . 88
3.2.4.3 Optique solaire. . . 89
3.2.5 Synthèse bibliographique sur les méthodes d’assimilation. . . 91
3.2.6 Conclusion . . . 92
3.3 MÉTHODE D’ASSIMILATION POUR CROCUS . . . . 93
3.3.1 Stratégie d’assimilation . . . 93
3.3.2 Les éléments de décision . . . 94
3.3.3 Théorie du filtre particulaire . . . 95
Dans un premier temps, ce chapitre 3 aborde les notions essentielles de l’assimilation de
données. L’objectif de la section3.1est de se munir des éléments théoriques nécessaires pour
appréhender sans difficultés la suite du chapitre.
L’état de l’art de l’assimilation en hydrologie / nivologie est présenté dans la section
3.2. Cette revue bibliographique est l’occasion de mettre en avant les différents types de
données neige assimilées. A travers cette section, nous essayons de mieux comprendre l’intérêt
d’exploiter des réflectances satellitaires optiques pour contraindre les simulations du manteau
neigeux.
Dans la dernière section3.3, nous discutons les particularités de notre système par rapport
aux conclusions de l’état de l’art. Cette section fournit ainsi la stratégie et l’ensemble des
élé-ments déterminant le choix de la technique d’assimilation choisie pour Crocus. La description
de la méthode sélectionnée arrive à la fin de cette section précédant une courte synthèse sur
les éléments-clés à retenir pour le chapitre suivant.
3.1 QUELQUES ÉLÉMENTS SUR L’ASSIMILATION DE
DONNÉES
L’étude des phénomènes naturels repose sur deux sources d’informations distinctes :
l’observation et la modélisation (section 1.2). Dans un premier temps qualitatives, les
ob-servations sont devenues également quantitatives suivant l’augmentation et la sophistication
des réseaux de mesures. La Figure 3.1 est la constatation de ce phénomène encore actif de
nos jours, ici en météorologie.
Figure 3.1: Évolution des cumuls mensuels du nombre d’observations utilisées par le modèle de
prévi-sion numérique de Météo France ARPEGE. De plus en plus, le modèle intègre une très grande
quan-tité et variété d’observations conventionnelles (stations synoptiques terrestres SYNOP/RADOME), de
bouées, de profils atmosphériques émanant de radiosondages (TEMP). On compte également des
ob-servations réalisées par des bateaux (SHIP) et des informations sur l’humidité intégrée de l’atmosphère
(GPS sol). Des profils de vents (PILOT/PRF) ainsi que des mesures issues de la télédétection (ATOVS,
SSMI/S, AIRS, IASI, CRIS, ATMS, SEVIRI, GPS satellite, SATOB, diffusiomètres (SCATT) sont
également utilisées. Depuis 2008, on peut constater une augmentation significative des données des
satellites de sondage (IASI, ATOVS et AIRS). Source Météo-France - DPREVI/COMPAS.
Rapidement, l’utilisation de modèles descriptifs a permis de rendre compte de l’aspect
dynamique des systèmes étudiés. Le développement et l’utilisation des modèles numériques
ont réellement débuté avec l’apparition des ordinateurs après la Seconde Guerre Mondiale.
Dès lors, l’utilisation conjointe des modèles numériques et des observations fit émerger les
sciences de l’assimilation de données. L’objectif principal de cette méthode est d’obtenir la
meilleure estimation de l’état d’un système physique en combinant l’ensemble des sources
d’informations disponibles (modélisation et observations). Cela inclut la prise en compte et
l’intégration des différentes sources d’incertitudes, fondement solide de cette discipline riche
et grandissante.
3.1.1 Concept de base
La procédure par laquelle est produite la représentation optimale du système étudié à un
instant donné à partir d’informations de natures différentes et possiblement incomplètes définit
l’analyse. Les sources d’informations principales sont alors attribuées aux observations et
aux simulations numériques. L’interpolation des observations irrégulièrement réparties, la
conversion de paramètres mesurés en une information physique interprétable (température,
humidité, albédo..) font également partie des tâches incluses dans l’analyse. Le résultat de
l’analyse produit ce que l’on nomme aussi "une analyse" ou "l’état analysé".
Dans le cas d’un modèle sur-déterminé en observations, l’analyse se réduit à un problème
d’interpolation. L’information contenue dans cette collection d’observations est bien assez
riche pour se satisfaire des mesures seules. Bien entendu, il est plutôt fréquent d’être confronté
à un manque d’information. Effectivement, la modélisation possède la capacité de simuler des
variables dans l’espace (et dans le temps), mais l’observation de ces mêmes variables peut
être limitée en raison d’un réseau de mesures clairsemées, d’un souci de représentativité ou
encore des incertitudes inhérentes aux observations. Le modèle est alors sous-déterminé en
observations et l’analyse n’est plus réalisable en tous points. Pour y remédier, il est donc
nécessaire d’introduire une information sur l’état préliminaire du système, laquelle pouvant
être rectifiée dès lors que des observations sont disponibles. Cette connaissance initiale du
système - soit une estimation obtenue avant l’analyse - se nomme l’a priori, l’ébauche ou
encore le background. Émanant bien souvent d’une prévision antérieure ou encore d’une
cli-matologie, l’ébauche peut être vue comme une observation "fictive" disponible à tout moment.
Comme schématisée dans la Figure3.2, l’utilisation d’une ébauche contourne les problèmes
de disponibilité des observations (e.g. densité, distance).
ébauche
Espace
x
Observations
état analysé
Espace
x
Observations
état analysé
?? ??
Figure 3.2: Exemple schématique de l’apport d’une ébauche (observation "fictive") dans l’analyse.
L’état de l’ébauche est représenté par la courbe verte, les observations par les points orange et l’état
analysé par la courbe bleue.
Si l’ébauche provient d’une prévision antérieure qui a été propagée avec le modèle de
prévi-sion, les informations délivrées par les observations s’accumulent au cours du temps dans l’état
du modèle ; on parle alors non plus d’analyse maisd’assimilation de données. Comme définie
par François Bouttier1, l’assimilation de données s’identifie comme "une séquence d’analyses
au sein d’un même système physique dont l’évolution fait intervenir un modèle numérique
d’évolution de ce système". L’assimilation de données vise donc à intégrer dans son analyse les
propriétés physiques du système sous respect des contraintes de cohérence des lois d’évolution
1
Directeur du Groupe de Modélisation et d’Assimilation pour la Prévision (CNRM/GMAP) de
Météo-France de 2003 à 2010
régissant les processus modélisés. C’est donc la prise en compte des propriétés physiques
connues du système à travers l’utilisation d’un modèle d’évolution physique (implicitement
la prise en compte de la dimension temporelle) qui distingue l’analyse de l’assimilation de
données.
Pour résumer, les composants essentiels d’une analyse de bonne facture sont donc des
observations, une première ébauche et la considération des propriétés physiques du système
(à travers un modèle physique d’évolution). Toutes ces informations sont essentielles mais
sont également soumises à certaines erreurs. La connaissance des statistiques d’erreurs et leur
représentation sont véritablement primordiales puisqu’elles déterminent le niveau de confiance
attribué aux différentes sources d’informations.
No documento
Capital de risco e financiamento bancário: custos e benefícios jurídico-económicos para as empresas portuguesas
(páginas 152-156)