Upload
joel-foster
View
39
Download
0
Embed Size (px)
DESCRIPTION
Assimilation de données dans le modèle MIMOSA-ASSI. Saad Rharmili, Slimane Bekki Service d’Aéronomie - IPSL. MIMOSA: Modélisation Isentrope du transport Mésoéchelle de l’Ozone Stratosphérique par Advection. High resolution isentropic advection Model - PowerPoint PPT Presentation
Citation preview
Assimilation de données dans le modèle MIMOSA-ASSI
Saad Rharmili, Slimane BekkiService d’Aéronomie - IPSL
MIMOSA: Modélisation Isentrope du transport Mésoéchelle de l’Ozone Stratosphérique par Advection High resolution isentropic advection Model
(Hauchecorne et al., 2001)
Assimilation of long-lived species observations
No exchange between isentropic levels
Meterological analysis (ECMWF ou NCEP)
Semi-Lagrangien advection scheme
Assimilation window (6h): observations advected forward and backward to the assimilation time.
Initial state Analysis Analysismodel
Observations Observations
model
0x fx
fx
ax
ax
0t 1t 2t
MIMOSA
Assimilation Scheme : MIMOSA-ASSI
Assimilation: suboptimal Kalman Filter
)x(yxx bt
bt
at HK −+=
O)H B (HH BK 1Tt
Tt
−+=
M : Model operatorQ : covariance matrix of model errors
at
bdtt xMx =+
Analysis:
QM B MB Tatdtt +=+
tat B )(B HK I −=
Time evolution of state vector and background errors
InnovationForecast
H : interpolation operator K : gain matrixBt : covariance matrix of the background errorsO : covariance matrix of observation errors
Analysis phase
Analysis error:
Parametrisation of model error growth and representativeness error
t] Ät)(t i
x [t(t)ii
q avec
(t)ii
q(t)ii
b Mt)(t ii
b
20 Δ⋅+⋅=
+=Δ+
QM B MB Tattt +=Δ+
bii: diagonal elements of B
1T
t
T
t O)H B (HH BK −+=
Covariance matrix of observation errors (assumed diagonal)
nobservatio:iy 2
02 )
iy r ()
i(yerr
iio +=
° Time evolution of model error:
° Gain matrix:
Parameter 1 : t0 (model error growth)
Parameter : r0 (representativeness error)
Parametrisation of correlation function
Off-diagonal elements of B:
ijf jj
bii
bijb ⋅=
Formulation of fij and associated parameters : Flow-dependent and/or distance correlation function
86400Nlon 1lat1 x =× °°
jet i points entre distanceet PV de différence : ij
det ij
pv
expexp fexp f PV
ijÄPV
d
ijÄdor
d
ijÄd
00ij
0ij
ΔΔ
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛=⎟
⎟⎠
⎞⎜⎜⎝
⎛= −−−
fij correlation function between grid point i and observation j
Parameter 4 : pv0 (potential vorticity length scale)
Parameter 3 : d0 (distance length scale)
Assimilation Diagnostics
Best agreement (in a least-square sense) with observations : minimum of RmS of OmF (innovations)
mean arithmetic: H(x))-(y (OmF) RMS 2=
( ) ( ) ( ) n)observatio of(number NH(x)yOH B HH(x)y y
1TT2 =−+−=−χ
Internal consistency: covariance of the OmF residuals = a priori Kalman filter covariances
RMS des innovations=f(temps) pour le 1er et le 2 déc. 1992 pour les trois champs initiaux : (◊) la climatologie de Fortuin et Kelder (1998), (△) état initial obtenu aprés 10 jours d'advection de la climatologie, (0) état initial reconstitué à l'aide des latitudes équivalentes.
Influence du type d’initialisation sur RMS(OmF)(test avec l’assimilation de données bien caractérisées, MLS O3)
Mise en évidence de la croissance de l’erreur modèle
RMS(OmF) = f(temps) à 500 K et 550 K: (bleu) modèle libre, (rouge) 10 jours d'assimilation puis libre (trait rouge), 'A' indique l'instant l'assimilation cesse (noir) assimilation avec prise en compte de l'erreur modèle.
Paramétrisation de la croissance de l’erreur modèle
-1 -1V V Vf a qk k k k= +M
2V ( x ( ) )q q fk kt iα= Δ
taux de croissance relatif de l'erreur modèleqα
prévision du modèle au point ix fk
Variance de l’erreur modèle
Variance de l’erreur de prévision
Vak
Variance de l’erreur d’analyse
-1kM Opérateur modèle
Paramétrisation de l’erreur initiale
20 0( , ) ( x ( ))i i iγ=P
paramètre de l'erreur initiale relative.
0 ( , )i iP i ème élément de la diagonale de la matrice
γ
0x ( )i i ème élément de l’état initial
Influence de l’erreur initiale et de la croissance de l’erreur
CHI2=f(temps) à 500 K et 600 K avec erreur sur champ initial variant de 5% à 200%, longueur de corrélation et erreur de représentativité relative sont fixés: (haut) assimilations sans la prise en compte de la croissance de l'erreur modèle (bas) avec prise en compte de la croissance de l'erreur modèle.
Paramétrisation de l’erreur de représentativité
o rk k k= +R R R
2( , ) ( y ( ))r r ok i i iα=R
( , )rk i iR i ème élément diagonal
rα paramètre de l'erreur de représentativité relative
y ( )o i i ème observation
X2 and RMS (OmF) sensitive to values of parameters
d0=100km,..,4000km pv0=0.5PVU,….,20PVUt0=1e-4% (6h),….,30% (6h) r0=0%,…,30%
Estimation of parameters by minimising RMS(OmF) [best agreement with obs]
and (X2 /Nobs -1) [self-consistency]
)H(x)
H(x)-y()d,(pvg
H(x))-(y (OmF) RMS
2001
2
=⇒
=
1N/ y2 =χ
1)N2 ( )
or,
o(tg 2
y2 −=⇒
χ
Testing of the assimilation system with well characterised data (MLS O3)
After spin-up, start computing RmS (OmF) and Chi2 during the first assimilation, then minimise RmS (OmF) and Chi2 by varying assimilation parameters (representativity error, growth rate of model error, correlation length)
Online optimisation of the Rms OmF: g1
After 53 model iterations the optimum is reached at g1=246.4 (ppbv) for d0=899.7km and pv0=14.4PVU
inputs parameters
Model Run
Calcul RMS(OmF) and/or CHI
Termination criterion
Minimisation g1 or g2
Minimisation sous contrainte
- A 450 K, la minimisation a atteint le critère de terminaison alors que la moyenne du χ2 est restée inférieure à 1 (0.91).- La procédure de minimisation ne converge pas sur le niveau isentrope 500 K et 550 K.- Longueur de corrélation semble très faible à 100 km- Erreur de représentativité relative semble très faible
Moyenne zonale de O3 en latitude équivalente à 500, 550, 600 et 650 K:(points) déviation moyenne, (trait) absolue déviation standard, (trait gras) incertitudes sur les mesures.
Reformulation des erreurs d’observation / représentativité:
2( , ) ( y ( ))r or ok i i iα=R
orα Paramètre qui contrôle l’erreur de mesure et l’erreur de représentativité
2( , ) ( y ( ))r r ok i i iα=Ro r
k k k= +R R R
Dépendance sur l'échantillonnage des observations
Assimilation 10% des observations Assimilation 5% des observations
On fixe l’erreur de représentativité et le taux de croissance de l’erreur modèle et on réduit artificiellement la fréquence des observations
° Comparison on three different days between O3 measured by aircraft (blue), O3 assimilated (red) and O3 from transport model (green). The correlation coefficients between the aircraft observations and the assimilation and transport models are also given.
° The agreement is good, taking into account the error of MLS data in the lower stratosphere and the errors in the wind field.
Comparison with independent data : ER2
Critères de cohérence interne (quantités scalaires)
a fx - xH H
OmF ( observation minus forecast)
OmA (Observation minus analysis)
AmF (analysis minus forecast)
o fy - xHo ay - xH
0OmF OmA AmF< >=< >=< >=
( ) ( ) ( ) n)observatio of(number NH(x)yOH B HH(x)y y
1TT2 =−+−=−χ
Autres tests de cohérence interne (Desrozier et al.)
Tests de cohérence interne qui séparent les covariances d’erreur de prévision, les covariances d’erreur d’observation et les covariances d’erreur d’analyse dans l’espace des observations (en cours de réalisation).
Tests sur quantités matricielles, et non pas scalaires comme précédemment
Nouvelle version du système MIMOSA-ASSI:• Chi2 (normalisé) moyen=1 sur tous les niveaux. • Amélioration très substantielle de la RMS(OmF) par optimisation
des paramètres (p/r aux autres méthodes). => assimilation avec cohérence interne, donc analyse et erreurs d’analyse plus fiables
Cas des données MLS:• Erreur de mesure+représentativité est inférierreur de mesure MLS
sur certains niveaux, erreur modèle croit avec l’altitude/longueurs de corrélation pas raisonnables.
• Erreur de mesure variable: résultats raisonnables (Chi2 normalisé = 1, amélioration de la RMS (OmF)), mais souvent erreur d’obs. (= mesure+représentativité) < mesure MLS => surestimation de l’erreur de mesure MLS Nouvelle version du système (en cours):• Utiliser aussi d’autres critères de cohérence interne (R variable) directe estimation de l’erreur d’obs(= mesure + représentativité) Validation de la mesure et de l’erreur de mesure.
Conclusions
Conclusions
Automatisation of the assimialtion system MIMOSA-ASSIThe use of Potential Vorticity as a correlation parameter improves globally the analysis, especially near and inside the vortex parameters values is sensitive to the data resolution (MIPAS data represent a good case study)Correlation lenght scales different beteween surf zone and vortex edge.Good agreement is found between analysis ozone and independent data (HALOE, SAGE II and Aircraft). We focus on the ability of the model to reproduce the vortex edges and small scale structures in the lower stratosphere
Correlation Function
We use the online method to compare two correlation functions and to validate assimialtion scheme :-distance correaltion function (DCF)-Disatnce and PV correlation function (DPVCF) (Flow dependent)
Results: online optimisation of Rms (Omf)
° The use of Potential Vorticity with distance as a correlation parameter improves globally the RMS of the OmF° Vertical dependency of potential vorticity parameter.
Diagnostic Correlation
parmameters Teta levels (K)
Minimum (ppbv) Distance (km) and/or PV(UPV)
RMS d0 450 274.6 331.2
RMS d0
475
255.4 391.5
RMS d0 525 276.1 410.5
RMS d0
550
251.4 432.8
RMS d0 & pv0 450 273.4 499.5 & 4.4
RMS d0 & pv0 475 253.6 559.9 & 8.2
RMS d0 & pv0 525 272.6 685.1 & 11.
RMS D0 & pv0 550 246.7 793.2 & 11.6
Assimilation diagnostics between 15 and 25/08/1993 at 550 Klocal comparison
Distance Correlation function (DCF)Potential Vorticity and distance correlation function (PVDCF)
Assimilation diagnostics between 15 and 25/08/1993 at 550 KGlobal comparison
Distance Correlation function (DCF)
Potential Vorticity and distance correlation function (PVDCF)
Assimilation diagnostics between 15 and 25/08/1993 at 550 Klocal comparison
Distance Correlation function (DCF)
Potential Vorticity and distance correlation function (PVDCF)
Impact of observations resolution
Only 1/10 observations (100 profiles/day) are used
Only 1/20 observations (50 profiles/day) are used
° Improvement of the RMS (OmF) by ~10 % can be seen
° Improvement of the RMS (OmF) by ~15 % can be seen
Diagnostic Correlation
parmameters Teta levels (K)
Minimum (ppbv) Distance (km) and/or PV(UPV)
RMS d0 575 340.5 438.6
RMS d0 & pv0 575 307.4 645.2 & 17.6
Diagnostic Correlation
parmameters Teta levels (K)
Minimum (ppbv) Distance (km) and/or PV(UPV)
RMS D0 575 367.3 497.3
RMS d0 & pv0 575 313.7 1148.6 & 23.6
MIPAS : 15-18 profils per day
(a)(b)
(c)
(a) 6-hours MLS data (Version 5) for 18/08/1993 on 600K
(b) Free running model MIMOSA
(c) Ozone mixing ratio from MIMOSA assimilation.
Assimilation fields and free running Model