Assimilation de données

L'assimilation de données est la manière dont un modèle de prévision apprend le présent : elle combine des millions d'observations dispersées et imparfaites avec une courte prévision antérieure pour produire la meilleure estimation de l'état actuel de l'atmosphère.

Definition

L'assimilation de données est le processus qui consiste à combiner des observations avec une estimation préalable basée sur un modèle, pondérées par leurs incertitudes respectives, afin de produire une analyse optimale de l'état atmosphérique utilisée pour initialiser une prévision.

Scope

Ce sujet couvre les méthodes utilisées pour estimer l'état initial atmosphérique en vue de la prévision, y compris l'interpolation optimale, l'assimilation variationnelle tridimensionnelle et quadridimensionnelle, le filtre de Kalman et le filtre de Kalman d'ensemble, le traitement des erreurs d'observation et de fond, ainsi que l'assimilation des observations satellitaires et autres observations indirectes.

Core questions

• Comment les observations et une prévision de modèle antérieure sont-elles combinées pour former la meilleure estimation ?
• Quels rôles jouent l'erreur d'observation et l'erreur de fond ?
• En quoi les méthodes variationnelles et les méthodes de filtre de Kalman d'ensemble diffèrent-elles ?
• Comment les observations indirectes telles que les radiances satellitaires sont-elles assimilées ?

Key theories

Estimation d'état bayésienne

L'assimilation de données formule l'analyse comme un problème d'estimation bayésienne, combinant une prévision antérieure et de nouvelles observations pondérées par leurs covariances d'erreur afin de minimiser l'erreur attendue dans l'estimation d'état résultante.

Filtrage de Kalman d'ensemble

Un ensemble de prévisions est utilisé pour estimer les covariances d'erreur de fond dépendantes du flux, permettant au filtre de mettre à jour l'analyse d'une manière qui reflète l'incertitude du jour plutôt qu'un modèle statistique fixe.

Mechanisms

L'assimilation part d'un fond (background), une courte prévision valide au moment de l'analyse, et la corrige en fonction des observations entrantes. La correction pondère les observations par rapport au fond selon leurs covariances d'erreur, de sorte que les données plus précises et les régions incertaines du fond reçoivent plus d'influence. Les méthodes variationnelles minimisent une fonction de coût mesurant les écarts par rapport au fond et aux observations, éventuellement sur une fenêtre temporelle, tandis que les méthodes d'ensemble estiment les statistiques d'erreur de fond à partir de la dispersion d'un ensemble de prévisions. Les opérateurs d'observation (observation operators) transforment les variables du modèle en quantités observées telles que les radiances satellitaires.

Clinical relevance

Étant donné que la qualité des prévisions dépend de manière critique des conditions initiales, l'assimilation de données est essentielle à la prévision opérationnelle ; les avancées dans l'assimilation des observations satellitaires sont largement considérées comme un moteur principal de l'amélioration constante de la performance des prévisions mondiales au cours des dernières décennies.

History

Les premières analyses objectives utilisaient l'interpolation manuelle et statistique des observations sur des grilles ; l'interpolation optimale a formalisé l'utilisation des statistiques d'erreur dans les années 1960 et 1970. Les méthodes variationnelles, s'appuyant sur la théorie du filtrage de Kalman, ont commencé à dominer les centres opérationnels dans les années 1990, et les filtres de Kalman d'ensemble introduits par Evensen et d'autres ont ajouté des estimations d'erreur dépendantes du flux qui sous-tendent désormais de nombreux systèmes d'assimilation hybrides.

Key figures

• Rudolf Kalman
• Geir Evensen
• Andrew Lorenc
• Eugenia Kalnay

Seminal works

• kalnay2003
• evensen1994

Frequently asked questions

Pourquoi ne pas simplement démarrer une prévision à partir des observations elles-mêmes ?

Les observations sont dispersées, inégalement espacées et bruitées, et elles ne mesurent pas toutes les variables du modèle partout ; l'assimilation diffuse leur information de manière judicieuse sur la grille en les combinant avec une prévision antérieure physiquement cohérente.

Qu'est-ce que le fond (background) en assimilation de données ?

Le fond, ou première ébauche, est une prévision à courte échéance valide au moment de l'analyse ; l'assimilation l'ajuste en fonction des nouvelles observations, de sorte que chaque analyse transmet des informations des analyses précédentes.