Enfin, nous avons pu estimer la proportion d’erreurs de mesure, de représentativité et de modélisation de la qualité de l’air. Le chapitre 2 traite d'une méthode originale de génération automatique d'ensembles de simulations numériques de la qualité de l'air.
Phénomènes physiques et chimie de l’atmosphère
La durée de vie d'une espèce peut aller de quelques secondes à plusieurs mois. Dans le cycle de production d'ozone par exemple, l'oxygène O impliqué dans la réaction R 1.1 provient de la réaction photolytique R 1.2,.
Modèles de chimie-transport
Il est également intéressant de noter que la concentration d'ozone à proximité des zones urbaines est plus faible en raison du titrage de l'ozone avec le monoxyde d'azote libéré - voir réaction R 1.3. Dans les premiers mètres de l’atmosphère, le profil vertical de la concentration d’ozone augmente avec l’altitude.
Incertitudes
FIGURE 1.4 – Cartes de prévision de l'ozone (µgm−3) pour le 4 juillet 2001 à 14 h. UTC avec deux paramètres physiques Kz différents : Louis(a) et Troen&Mahrt(b). On peut citer par exemple les paramètres de calcul de l'atténuation des nuages ou le taux de dépôt de chaque espèce.
Ensemble de prévisions
Construction d’ensemble
Cela permet une estimation de la distribution de probabilité des concentrations de polluants en sortie, ainsi qu'une étude de sensibilité des incertitudes associées aux données d'entrée. Une autre solution pour construire un ensemble multi-modèle consiste à générer un grand nombre de simulations à partir d’une même plateforme de développement.
Prévision d’ensemble
D'autres méthodes plus efficaces utilisent des observations pour attribuer des poids à chacun des modèles de l'ensemble. En pratique, cette méthode permet d'améliorer les performances des prévisions par rapport à la moyenne d'ensemble ou à la prévision du meilleur modèle, que ce soit en concentration horaire ou en pics d'ozone.
Approche probabiliste
Il est donc nécessaire de « calibrer » l’ensemble pour obtenir une représentation fixe de l’incertitude. Dans le cadre de la qualité de l’air, il est très important de prévoir les dépassements des seuils légaux.
Évaluation d’ensemble
- Fiabilité
- Résolution
- Diagramme de fiabilité
- Diagramme d’acuité
- Diagramme de rang
- Score de Brier
- Discrete Ranked Probability Score
Le score de Brier, Brier[1950] et Wilks[2005], est une mesure de la performance d'un système de prévision quant à la probabilité qu'un événement se produise. FIGURE 1.13 – Exemple de diagramme de fiabilité avec le terme de résolution (en vert) issu de la décomposition du score de Brier.
Conclusions
Uncertainty estimates have been carried out, for example, with Monte Carlo simulations, i.e. with disturbances in the input data of a given model [Hanna et al.,1998;Beekmann et Derognat,2003], and with different models built on the same platform [Mallet and Sportisse, 2006b]. From a technical point of view, building an ensemble of simulations is quite simple in the case of Monte Carlo simulations: one simply applies random perturbations to the input data of a single model.
Building One Model
Physical Formulation (Parameterizations and Input Data)
The mechanism involves species that may or may not exist as such, because many (real) chemical species are lumped into a few (model) species (for example, the terminal alkenes in RACM are lumped into “OLT”). A choice is possible for the vertical distribution of the volume emissions; here we consider two options: a low distribution and a medium distribution – the former distribution assumes that the pollutants are released closer to the ground than the latter distribution.
Numerical Issues
Other Options
Vertical application of minimumKz Yes (0.8) No (0.2) If no, the lower threshold is applied only to the top of the first layer, otherwise it is applied to all levels.
Ensemble Generation
Input Data Perturbation
Each disturbance in the input data (table 2.2) is uniformly chosen from three possible values (section 2.3.1). For example, a time step equal to 600 s is supposed to give more accurate results than 1200 s—the numerical solution converges to the exact solution as the time step tends to 0.
Technical Aspects
If one option is to be more accurate (a priori quality of parameterization, finer grid resolution. In particular, when a new formulation is developed (e.g. more accurate chemistry), the previous formulation should remain available to the user.
An Example of 101-Member Ensemble
Experiment Setup
The frequency of occurrence (in percent) of each parameterization, numerical option, and field perturbation in the 101-member ensemble is shown in Table 2.3. They are built with the parameters we trust the most and without any concern in the input field.
Evaluation of the Ensemble Members
The models are built according to these probabilities, but the actual frequency of an option in the 101-member ensemble may differ slightly due to the random sampling. Table 2.5 shows the performance of the six reference models for ozone and of the best model in the ensemble.
Ensemble Variability
The best model is selected with respect to the RMSE for the considered network and target (ozone peaks or ozone hour concentrations). Figure 2.3 shows the performance of the 101 models, sorted by mean, bias factor, correlation and RMSE.
Conclusions
The model that results in the concentration closest to the observed concentration is considered the best model in the grid cell. The best model often changes from one grid cell to another and from one date to another.
Appendix
Emissions from EMEP
The input fields and parameters of the chemical transport model are viewed as random vectors or random variables. The scores of the full ensemble and the optimized sub-ensemble (i.e. the calibrated ensemble) are studied based on observations at ground stations.
Calibration Method
Generation of a Large Ensemble
From a large ensemble, a combinatorial optimization algorithm extracts a sub-ensemble that minimizes (or maximizes) a given score such as the variance of a rank diagram. This is applied in Section 3.3 to a 101-member ensemble of soil ozone simulations with full chemistry transport models run over Europe during the year 2001.
Automatic Selection
Thus, the frequency distribution of pk is given by nMk with M the total number of dates considered, i.e., the total number of observations. At the end of the process, the best state encountered in all iterations, i.e., the best subset, is taken as the calibrated ensemble.
Application to a 101-Member Ensemble
Evaluation of the Ensemble
The climatological forecast is given by the relative (observed) frequency of occurrence throughout the year of the event. The large number of observations on the left means that there are many observations below the lower envelope of the ensemble.
Calibration
It is interesting to note that the “best” model is always the same for all results and corresponds to the model with the smallest RMSE (20.5 µgm−3). For example, more than 77% of models have a negative Brier skill score for exceeding the 120 µgm-3 threshold.
Uncertainty Estimation
These two subnetworks are used to assess the spatial robustness of the ensemble calibration method. Figure 3.13 shows two rank histograms of the full ensemble with approximately 32,500 observations and approximately 10,100 observations.
Risk Assessment and Probabilistic Forecast
The first is the uncertainty estimate during the learning period (from 3 to 9 April 2001), the second is the uncertainty forecast (10 to 16 April 2001), and the last (bottom) is the posterior uncertainty. The Brier skill scores in the same forecast period are and 0.25 for the full ensemble, the a posteriori subensemble, and the a priori subensemble, respectively.
Conclusion
This approach can be easily combined with Monte Carlo simulations since the input data of the members of a multimodel ensemble can be randomly perturbed. In Section 4.3, we identify which inputs and parameters are the main sources of uncertainties in output concentrations.
Comparison of Monte Carlo and Multimodel Ensembles
- Generation of the Ensembles
- Comparison of the Non-Calibrated Ensembles
- Comparison of the Calibrated Ensembles
- Uncertainty and Covariance Estimation
In the Monte Carlo case, all the simulations have a standard deviation less than the standard deviation of the observations. The mean of the ensemble standard deviations (at observation stations) is 22.3µgm−3 for the multimodel ensemble and 19.9µgm−3 for the Monte Carlo ensemble.
Uncertainty Due To Input Data
Correlation and Regression
The correlation threshold is taken so that the confidence interval in the correlation between the regressor and the ozone concentration does not include zero. The coefficient of determination depends on the number K of regressors and on the number N of samples.
Results
The impact of the uncertainty due to the ozone boundary conditions therefore varies approximately in µgm−3. Regardless of the assembly, the part of uncertainty due to the ozone boundary conditions is large.
Error Decomposition
Measure Error
The uncertainty and the relative uncertainty (i.e. the uncertainty divided by the concentration) are shown in table 4.5 and in figure 4.8. The relative uncertainty can be higher than 50% when the measured ozone concentration is approximately 8 µgm−3.
Modeling and Representativeness Errors
Therefore, the estimate of the variance of the modeling errors is overestimated and the representativeness errors are underestimated. According to this method, the standard deviation of the error of representativeness is likely to be greater than 12.5 µgm-3, which is consistent with the first method giving 12.9 µgm-3.
Discussion and Conclusions
The variance of the differences between hourly ground-level ozone observations and the mean of the calibrated sub-ensemble is 489µg2m−6. The representation error appears to be quite high, as it explains about 34% (in terms of variance) of the discrepancy with the observations.
Contexte
Ce chapitre traite de l’application de l’estimation de l’incertitude et de la prévision des dépassements de seuil autour des centrales thermiques Électriqué de France (EDF). L'étude réalisée dans ce chapitre ne concerne plus l'échelle continentale, puisque nous souhaitons générer une série de simulations photochimiques autour des centrales thermiques de Porcheville et Cordemais, situées dans les régions Île-de-France et Pays de la Loire. respectivement.
Performances des modèles
Porcheville
Les performances des simulations pour les autres espèces sont généralement moins bonnes que pour l'ozone. En revanche, toutes les simulations de SO2 ont des écarts types bien supérieurs à l’écart type des observations.
Cordemais
En étudiant de plus près le type de stations d'observation mesurant les concentrations de SO2 dans la région Pays de la Loire, 8 stations sur 9 disponibles sont des stations de type « industrielles » tandis que la dernière est une station de type « industrielle ». La figure 5.4 présente les neuf stations BDQA pour le SO2 autour de la centrale de Cordemais.
Score d’ensemble
Estimation de l’incertitude
Le résultat global utilisé pour calibrer un ensemble d’incertitudes représentatif reste le diagramme de classement. Ainsi, la figure 5.12 montre le diagramme de classement de l'ensemble NO2 sans biais.
Prévision des risques
Pour l'événement [NO2]≥60µgm−3, le diagramme d'ensemble complet est généralement en dessous de la diagonale. En revanche, le diagramme de fiabilité de l'ensemble complet reste globalement bien en dessous de la diagonale.
Étude d’impact
Porcheville
La figure 5.24 montre les différences moyennes absolues et relatives dans le domaine du NO2 avec et sans émissions des usines. On constate une augmentation de 3,6% de la concentration de NO2 en moyenne à proximité de la centrale.
Cordemais
Concernant l'incertitude liée aux différences de SO2, l'écart type est de 2,3 µgm−3 à proximité de la centrale, avec une moyenne de 0,46 µgm−3. FIGURE 5.30 – Incertitude estimée de l’ensemble des différences pour les trois polluants de la région Pays de la Loire, moyenne sur l’ensemble de la période, en µgm−3.
Robustesse spatiale
Ozone
La figure 5.33 montre deux tracés de rang de l'ensemble complet pour les sous-réseaux A et B. Ces derniers ont essentiellement la même forme de cloche et restent similaires au tracé de rang calculé à partir de toutes les observations. La figure 5.35 présente les diagrammes de rangs des mêmes sous-ensembles, mais calculés à partir des observations de la grille A.
Dioxyde d’azote
La figure 5.39 montre les deux diagrammes de rang d'ensemble complet pour le NO2 dans chacun des sous-réseaux d'observation A et B. En calibrant le diagramme de rang d'ensemble du NO2, l'estimation de l'incertitude apparaît alors assez stable spatialement.
Prévision
Incertitudes
Les moyennes des champs d'incertitude sur le premier jour de prévision sont assez proches. Enfin, la moyenne temporelle des champs d'incertitude a posteriori et de prévision est calculée pour chaque jour de prévision J+i suivant la période d'apprentissage.
Risques de dépassement de seuil
Les champs de probabilité de l'ensemble complet et du sous-ensemble aléatoire sont supérieurs aux champs des sous-ensembles calibrés. Cependant, les tracés de fiabilité des ensembles calibrés sont plus proches de la diagonale que ceux de l’ensemble complet.
Conclusion
Simulation numérique pour la qualité de l’air
La figure 5.5 montre trois diagrammes de classement de l'ensemble complet pour chaque polluant. Le diagramme est assez proche de la diagonale, tout en étant meilleur que le diagramme de groupe complet.
