Commentaires article

➢ https://www.overleaf.com/3636858279nwjyrnhtnytq
➢
➢ Données utilisées (satellite, période étudiée, prétraitements,bandes
utilisées,instrument(SEVERI),Only clear-sky observations…)

satellite : geostationary Meteosat Second Generation (MSG-8) (= nom du programme) - >

Meteosat-8 (= nom du satellite), fréquence temporelle de prise d’image = 15min, résolution
spatiale 3km au nadir, haute résolution spatiale et temporelle pour un sat géo -> adapté pour
l’étude des systèmes météo évoluant rapidement.

périodes d’étude:

Les observations de Juin, Juillet et Août sont utilisées afin de déterminer les erreurs de
calcul pour l’ébauche. La période d’août est utilisé pour la détermination des coefficients de
correction de biais et pour la sélection des bandes.

Période d’étude : Juin, Juillet, Août : observation des données et comparaison avec les
données d’ébauche, avec sur le mois d’août calcul des biais de correction et choix des
bandes de fréquences utilisée

période très instable d’un point de vue météo (fortes précipitations convectives)

Période de vérification: du 1er au 20 septembre, météo stable et chaude avec peu de

précipitations

pré-traitements des obs:

Avant l’utilisation des données observées, plusieurs prétraitements leur sont appliqués.

Tout d’abord, pour éviter le suréchantillonnage la résolution des observations est diminuée :
seul un pixel sur quatre (dans le sens des latitudes et des longitudes) est considéré,
amenant la résolution à 12km au lieu de 3.

Ensuite, puisque seule les données “ciel clair” sont utilisées, un cloud mask leur est
appliqué. Ce mask est fourni par la NWCSAF et se base sur la comparaison des valeurs des
pixels à des seuils. De plus, un contrôle de qualité sur ces données est fait en utilisant le
modèle COSMO. En particulier, les pixels qui possèdent des valeurs saturées et une
température de brillance à 10,8 µm simulée plus chaude de plus de 3 K que celles
observées sont rejetés.

Enfin, une correction de biais leur est appliquée. En effet, le modèle est supposé nonbiaisé.
Cette étape est donc nécessaire afin d’avoir une analyse pertinente.
Des prétraitements sont également appliqués aux données du modèle afin de leur donner
une forme correspondant aux observations. En particulier, un contrôle de qualité est
appliqué afin de rejeter les données qui seraient hors du domaine d’application de RTTOV-8.

bandes utilisées:

Huit bandes spectrales sont disponibles pour l’observation grâce à l’instrument SEVIRI. Une
étude a été menée par les auteurs afin de sélectionner la meilleure combinaison possible de
bandes, i.e. la combinaison qui maximise la quantité d’information tout en assurant la qualité
et la facilité de l’implémentation.

Pour déterminer la “qualité” des bandes, des métriques ont été introduites : DFS (Degrees of
Freedom of the Signal) et DRM (data resolution matrix). Le premier quantifie la contribution
d’une bande à la qualité globale de l’analyse. Le second permet de déterminer quelle bande
parmi toutes les autres bandes est la plus utile à l’analyse.

A partir de cette étude préliminaire, ils ont déterminé que les deux bandes de vapeur d’eau
(6.2 et 7.3 µm) sont celles qui réduisent le plus les erreurs d’ébauche et ont le plus gros
impact dans la qualité de l’analyse. Elles seront donc d’office intégrées à l’assimilation. Les
deux bandes d’étude du gaz (9.7 et 13.4 µm) dépendent fortement de la quantité de CO2 et
de O3 qui ne sont pas modélisées par COSMO. Inclure ces bandes ajouterait des erreurs
dans l’analyse, elles ne seront donc pas considérées.

Pour le reste des bandes, une étude additionnelle est menée : un ensemble de bandes est
sélectionné en additionnant progressivement (selon leurs scores de DFS et DRM ) des
bandes aux deux bandes deux vapeur d’eau. La qualité de l’ensemble est déterminée en
étudiant l’écart relatif des erreurs d'analyse et la résolution du profil après analyse.
Finalement, un ensemble de 5 bandes est retenu ( 6.2, 7.3, 8.7, 10.8 et 12.0 µm).

instrument: infrared Spinning Enhanced Visible and Infrared Imager (SEVIRI), 12 bandes
spectrales du visible à l’infrarouge

données ébauche:

ébauche xb qui représente état de l’atm, données du modèle COSMO, modèle de points en
grille régional non hydrostatique en grille, avec modèle explicite eulérien d’advection
horizontale paramétrisations pour la condensation à grande échelle convection (Tiedtke,
1989), rayonnement et les processus de surface

COSMO sur Italie, mer méditerranée et Alpes, échelle de 7km, 40 niveaux horizontaux
entre la surface et le haut de la troposphère
 ➢ Méthode utilisée (BLUE écrire le th et montrer que les hypothèses sont
vérifiées + définir K, A etc…, Optimisation itérative d'une fonction J)

theorie 1Dvar: on cherche à minimiser l’écart entre l’ébauche et les observations

Hypothèses à vérifier:

● Les biais d'erreur d'ébauche xb-xt et d'observation y-H(xt) sont nuls (càd:
toutes les erreurs sont, en moyenne, nulles) ?
● Vérifiée: Les erreurs d'observation ne sont pas corrélées aux erreurs d'ébauche
(càd: ne pas utiliser l'ébauche pour préparer les obs)

pas d’utilisation des données d’ébauche pour préparer les obs sauf pixels exclus sur la
détection de nuage

utilisation des données d’ébauche pour vérifier le ratio de saturation des pixels et vérifier
s’ils doivent être observés

● Vérifiée : dans K, H est linéarisé par rapport aux variations de x : H(x) ~ H(x )+H'
b

(x-x ) avec H' opérateur linéaire

b

H suit le modèle de transfert radiatif RTTOV-8, donc linéarisable

● Vérifiée : B et R sont connus (pas exactement, mais on peut les approximer)

R: erreur d’observation -> matrice diagonale estimée: erreur de 0.2k pour l’observation +
0.8K et 1.5K(vapeur d’eau) selon les bandes de fréquences, sans corrélation entre les
bandes de fréquence

B: matrice des erreurs de modèle

erreurs de prévision : utilisation d’une technique standard de comparaison des profils

d’humidité et de température. une analyse des prévisions sur 12h et 36h fournit les l’état et
les incertitudes sur le modèle. error Tém= 0,9K, error q2m=0,5g/kg, error SST= 0,75K

cependant B, influencé par les régimes méteo a l’echelle regionale (limite?)

➢ Objectif de l’article :

amélioration de la prédiction des évènements météorologiques extrêmes et régimes de

fortes précipitations localisés. En effet, besoin de modèles hautement résolus (de l’ordre du
kilomètre) pour des prédictions pertinentes. Une analyse à une telle résolution demande des
observations denses et fréquentes. Cependant les méthodes d’assimilations variationnelles
typiques, telles que 4Dvar, ne peuvent être appliquées à cette résolution (la linéarité de
l’opérateur d’observation et la validité des équilibres imposés par le flux à grande échelle ne
sont plus vérifiés). Les auteurs proposent donc de procéder en deux étapes. Tout d’abord un
algorithme d’analyse 1Dvar est appliqué aux données observées pour trouver des variables
de modèles optimales. Les données ainsi analysées sont ensuite ingérées en tant que
“pseudo-observations” dans une méthode variationnelle. Ainsi le problème de linéarité est
surmonté et une méthode variationnelle peut être appliquée.

the aim of improving the spatial and temporal resolution of available observations to feed
analysis systems designed for high-resolution regional-scale numerical weather prediction
(NWP) models. Application ? -> The requirement to improve the prediction of severe weather
events and localized heavy precipitation regimes

therefore to study the potential for a 1Dvar retrieval of temperature and humidity profiles
derived from clear-sky SEVIRI observations for assimilation into the nudging scheme of the
highresolution regional model COSMO

➢ Les problèmes rencontrés :

On the one hand, analysis at 1 km resolution requires dense and frequent observations to
capture spatially incoherent and quickly evolving structures typical of the meso-γ scales. On
the other hand, the applicability of variational techniques such as 4Dvar imposes the linearity
of the observation operator and the validity of balances imposed by the large-scale flow
(Rabier et al., 1998), which are violated at high resolutions. The impact of the use of SEVIRI
data in improving forecast errors

+ problème de diff méteorologique entre les deux périodes étudiées

➢ Résultats et principales conclusions

La qualité de l’analyse est d’abord étudiée en comparant la différence entre la température

de brillance prédite par le modèle et celle observée avec la différence entre la température
de brillance observée et celle issue de l’analyse. Les données utilisées pour cette
vérification sont les données SEVIRI sur la période du 1er au 20 septembre. Cette étude
montre que l’analyse permet de réduire les biais et les variances des modèles. En
particulier, elle a peu d’impact sur la température et l’humidité à 2m mais améliore l’erreur de
la température de surface. On peut également remarquer que l’analyse peut mener à des
états sursaturés donc à des résultats qui ne doivent pas être pris en compte. Les auteurs
attribuent cela à la présence de nuages qui n'auraient pas été détectés par le cloud mask ou
à une mauvaise estimation de la température de surface.

Le modèle est ensuite validé avec des données indépendantes ce qui assure une validation
pertinente. Il s’agit de données issues de trois radiosondes envoyées dans le domaine
d’étude de COSMO durant la période de validation (1-20 septembre) ce qui correspond à
100 sondages. Ces données sont indépendantes car non utilisées dans la procédure
d’assimilation. Cette étude montre à nouveau une réduction significative dans le biais moyen
et l’écart type mais que le profil de température. L’amélioration est moins visible pour le profl
d’humidité. En fait, il semble que le modèle introduit un biais positif dans le calcul de
l’humidité. Mais ces résultats sont à nuancer car les sondes sont connues pour ajouter un
biais d’environ 10% de l’humidité lorsque les mesures sont prises en journée.

Avec bandes choisies: réduction de l’écart type au max de 11% en temp et 20% en humidité

résolution verticale ds troposphère: autour de 10km et pire au dessus

pas d'amélioration de l’erreur sur la 2m temp et humidité mais amélioration sur l’erreur sst

la méthodologie 1Dvar dans la configuration choisie s'est avéré être une technique robuste
pour extraire informations de température et d'humidité à partir de la radiance mesurée par
satellite

ccl sur les biais j’ai toujours pas compris

biais liés au modèle sur les obseravations à 2m réduits significativement par l’analyse

résultat 80% de correlation avec les données observées sur le profil de temp et 40% sur le
profil humidité

perspectives:

erreur réduction surtout applicable aux zones de mer où le modèle est défini??

étendre cette méthode aux zones terrestres pour améliorer la réduction d’erreur spatiale

➢ Les limites

Toutes les hypothèses de BLUE ne sont pas vérifiées -> la solution trouvée est en réalité
éloignée de la solution optimale

Création de corrélation entre les “observations” et le modèle, erreur d’observation dans le

cas des pseudo sont définis de manière empirique.

Période JJA : période très instable d’un point de vue météo(fortes précipitations convectives)
Période de vérification: du 1er au 20 septembre, météo stable et chaude avec peu de
précipitations -> résultats à prendre avec des pincettes

➢ Pertinence de la validation

validation avec les statistiques du modèle de départ + comparaison de l’analyse finale avec
des observations indépendantes

diminution de l’erreur entre les données d’ébauche, les données fournies par l’analyse et
des données indépendantes d’observation

En conclusion, nous allons parler des limites de l’article.

Tout d’abord, nous avons vu en partie 2 que toutes les hypothèses de la méthode BLUE ne
sont pas forcément vérifiées : le résultat de l’analyse est donc éloigné du résultat optimal.
Ensuite, les auteurs indiquent considérer ici constante la matrice B alors que celles-ci
dépendent en fait grandement des conditions météo et devrait donc être mise à jour selon la
période étudiée.

De plus, la période utilisée pour l’assimilation est très différente météorologiquement parlant
de celle utilisée pour la vérification. En effet, la période de Juin Juillet Août est très instable
(fortes précipitations convectives) alors que celle de Septembre est stable, chaude avec peu de
précipitation. Les résultats sont donc à nuancer.

Enfin, la méthode proposée d’utiliser une méthode 1Dvar avant d’incorporer les résultats
dans une méthode 4Dvar a le désavantage d’induire des corrélations entre les “observations”
et le modèle. De plus, les erreurs d’observation sont alors définies de manière empirique.

Il reste cependant important de noter que les auteurs ont proposés une méthode qui pourrait
être efficace afin de prédire des évènements météorologiques extrêmes et des régimes de
fortes précipitations localisés tout en surpassant le problème de linéarité dans la méthode
4Dvar.