Mercator Ocean newsletter 15

La lettre trimestrielle Mercator Océan N°15 – Octobre 2004 – Page 1

GIP Mercator Océan

La lettre trimestrielle

Editorial

Chers mercatoriens,

Les stagiaires de Mercator sont à l'honneur dans cette lettre trimestrielle! Leur travail a permis d'apporter des réponses à trois interrogations clefs qui ne manqueront pas de vous intéresser:

Quid de l'impact du réseau PIRATA assimilé dans la configuration opérationnelle PSY1v2? Une comparaison avec des données hydrographiques mais aussi avec des données indépendantes de vitesse issues d'ADCP nous offre plusieurs éléments de réponse. Ce premier article permet d'appréhender l'importance des données in situ assimilées pour les modèles opérationnels : un appel réitéré pour ce besoin crucial d'information de terrain!

Et si on jouait à mettre des boîtes dans des boîtes? Cette question pourrait être le sous-titre du deuxième article. L'imbrication d'un modèle haute résolution régional dans un modèle basse résolution global demeure un enjeu de taille pour l'océanographie. Il s'agit, par exemple, de pouvoir offrir des conditions aux limites satisfaisantes à un modèle côtier mais aussi de pouvoir affiner la grille localement pour fournir des modèles régionaux ponctuels en fonction des besoins exprimés. Mercator commence à plancher sur la question! Le troisième article nous plonge dans les eaux troubles. Ce sont en effet les risques de pollution marine qui sont passés au crible. Dans ce cadre, l’utilité des modèles de prévisions de courants marins est apparue ces dernières années. Mercator offre aujourd’hui cette gamme de produits. Afin d’améliorer le service rendu aux agences en charge de la lutte contre les pollutions marines, notamment Météo-France, ce travail analyse la faisabilité d’un outil qui contribuerait à quantifier les risques d’arrivée de marées noires sur les côtes européennes atlantiques. Une lettre trimestrielle variée donc et un grand merci aux stagiaires ! Bonne lecture à tous.

Sommaire Apport du réseau de mouillages météo-océaniques PIRATA pour l’océanographie opérationnelle Par Rémi Cousin, Fabrice Hernandez, Yves du Penhoat

page 2

Raffinement de maillage dans le cadre des prévisions Mercator Par Olivier Le Galloudec, Romain Bourdalle-Badie, Yann Drillet

page 9

Estimation des risques de pollution par marée noire sur les côtes atlantiques à l’aide du système Mercator Par Sophie Besnard et Eric Dombrowsky

page 14


Apport du réseau de mouillages météo-océaniques PIRATA pour l’océanographie opérationnelle


Par Rémi Cousin, Fabrice Hernandez, Yves du Penhoat

Introduction

Le réseau de mouillages météo-océaniques PIRATA (figure 1), situé dans l'océan Atlantique tropical, fournit des informations précieuses de cette partie de l'océan sur la dynamique rapide et sensible. Leurs données, tant atmosphériques qu’océaniques maintenant exploitées en opérationnel, doivent permettre d'améliorer le système Mercator de description et prévision océanique, d'autant que c'est dans la région tropicale que la variance expliquée du modèle est la moins performante. PIRATA apporterait un complément d'observations permettant de réduire ce défaut, ce qui justifierait pour l’océanographie opérationnelle son utilité et pérenniserait son existence.

Figure 1 Réseau de mouillages météo-océaniques PIRATA

(Pilot Research Moored Array in the tropical Atlantic)

PIRATA en bref

Au sein du projet PIRATA, il est proposé de maintenir, de 1997 à 2005, un réseau de bouées de type ATLAS (Automated Temperature Line Acquisition System) dans l’Atlantique tropical avec pour objectif principal de décrire et de comprendre l'évolution de la température de surface, la structure thermique superficielle et les transferts entre l'océan et l'atmosphère de quantité de mouvement, chaleur et eau douce. Les observations océaniques sont notamment des profils de température (10 relevés entre la surface et 500 mètres) et de salinité (4 relevés entre la surface et 120 mètres). Les observations océaniques, complétées par des observations météorologiques, sont transmises par satellite via Argos et sont disponibles en temps quasi réel sur Internet (http://www.brest.ird.fr/pirata/piratafr.html).

Procédure suivie

Pour répondre aux questions sur l’impact de PIRATA pour l’océanographie opérationnelle, deux simulations ont été menées en parallèle avec le système PSY1V2 (1/3 de degré). La première assimile toutes les données hydrographiques disponibles, la deuxième assimile toutes les données hydrographiques sauf celles issues des mouillages PIRATA (figure 2). Ces deux expériences se déroulent sur l’ensemble de l’année 2003 et l’assimilation procède de la même façon que pour les configurations opérationnelles Mercator (assimilation tous les sept jours). La température et la salinité du modèle sont initialisées à la climatologie Reynaud du mois de janvier. Les variables U et V sont initialisées à 0 (océan au repos). Pour ces deux variables, le temps d’ajustement sera donc plus long que pour T et S. L'évolution des deux expériences lors de cet ajustement est illustrée par la figure 3. Cette coupe équatoriale de la température montre l'impact très positif là où il y a des données PIRATA. Au bout d'un mois, la structure thermique de l'océan rend compte des fines structures océaniques, horizontalement et verticalement, encore absentes dans l'expérience sans PIRATA.



Figure 2 Jeu de données

hydrographiques préparées par CORIOLIS pour cette

étude. Mouillages PIRATA en rouge. Le mouillage MOVE en bleu. XBT et CTD sont en vert

(on reconnaît des lignes de bateaux marchands). Les

profils des flotteurs profonds ARGO sont en jaune.

source : CORIOLIS

Figure 3 Section équatoriale de température moyennée sur le mois de janvier ; à gauche : sortie d'expérience de la

simulation avec PIRATA ; à droite : sortie d'expérience de la simulation sans PIRATA

Comparaison statistique des champs de température et de salinité

Comparaison T, S aux mouillages PIRATA

D’une part, des écarts quadratiques moyens (RMS) et des corrélations ont été calculés sur toute l'année 2003 entre les sorties journalières modèle interpolées aux observations PIRATA (x, y, z et t) et les données PIRATA (tableau 1). Ces statistiques englobent les écarts aux analyses et aux prévisions sur toute la semaine, ce qui explique en partie les écarts aux données PIRATA, même quand on les assimile.

Avec PIRATA Sans PIRATA Ecart en température 2.20°C 2.78°C Corrélation (T) 0.98 0.94 Ecart en salinité 0.41 0.50 Corrélation (S) 0.69 0.49

Tableau 1 Ecarts RMS et corrélation en T et S entre les données interpolées du modèle et les observations PIRATA.

D’autre part, pour chaque mouillage et pour chaque simulation, on a tracé les séries temporelles pour T et S, sur l'année 2003, jusqu'à 500 mètres de profondeur, des différences entre les sorties modèle interpolées aux données et ces données. Les



figures 4 et 5 illustrent les principaux résultats obtenus. Les principaux biais atteignant 3°C et plus de 0.5 psu sont réduits. On observe cependant, une fois les données PIRATA assimilées, des écarts qui persistent de façon cohérente, indiquant des défauts du modèle ou de l’assimilation multivariée. On remarque aussi le bruit et les sauts associés à l’assimilation séquentielle.

Ces analyses montrent que l'impact de PIRATA est bien présent et positif au niveau de ses mouillages pour les variables concernées par l'assimilation, ie température et salinité. Les écarts aux observations sont sensiblement réduits tandis que les corrélations sont améliorées, aussi bien en T qu'en S. En terme de structure de la température, les séries temporelles montrent une thermocline moins diffuse, défaut connu de ce type de modèle. En salinité, on remarque de nombreuses absences de données, notamment pour le premier semestre.

Figure 4 Séries temporelles des différences modèle-

données au mouillage PIRATA (6°W,10°S) en température pour le run complet (en haut) et sans

PIRATA (en bas)

Figure 5 Séries temporelles des différences modèle-données au mouillage PIRATA (0°, 0°) en

salinité pour le run complet (en haut) et sans PIRATA (en bas)

Comparaisons régionales en T et S

Afin d'analyser l'apport plus global des données PIRATA, les deux simulations sont comparées entre 30°N et 15°S à toutes les mesures T et S, qui restent les seules observations disponibles de la réalité océanique. Les écarts de chaque simulation à ces observations ont été systématiquement calculés à partir des sorties modèle par couche de profondeur (couche 1 : 0-30 m ; couche 2 : 30-50 m ; couche 3 : 50-100 m ; couche 4 : 100-300 m ; couche 5 : 300-700 m), puis moyennés par mois, en température et en salinité.



Cette première analyse statistique globale (tableau 2) met en évidence un impact positif de l'assimilation des données PIRATA. Cet impact affecte la température dans les longitudes et latitudes de présence du réseau (ie 15°S-15°N) et dans les profondeurs à la portée des mouillages. Cependant, on ne note pas d'impact positif significatif au-delà de ces domaines, aussi bien en longitude et latitude qu'en profondeur. Le gain en salinité est très marginal : il y a un nombre moindre de données PIRATA assimilées durant le premier semestre, de plus ces données se limitent aux parties superficielles des mouillages (figure 5). En température, la couche de surface est dégradée en moyenne sur la zone par l’apport des données PIRATA. C’est la couche la plus soumise aux contraintes : forçages, mais aussi présence majoritaire des autres observations assimilées. Ces écarts témoignent possiblement de conflits avec les forçages et/ou d’incohérences dans l’assimilation multivariée (SLA, SST, T, S) qui demandent une analyse plus poussée. Au regard du nombre d’observations en surface, cela montre que les données PIRATA y ont un impact sur toute la bande tropicale. Par ailleurs, l'absence d'améliorations dans la cinquième couche (300-700 m) peut être également due au faible nombre de données PIRATA dans cette couche. Les capteurs étant placés au plus bas à 500m sur les mouillages, cela illustre que l'assimilation de PIRATA a peu d'impact aux profondeurs en deçà.

RMS Température (°C) Salinité (psu) Couches Complet Sans Complet Sans 0-30m 1.65 1.60 0.45 0.48 30-50m 2.75 2.91 0.37 0.38 50-100m 3.33 3.65 0.51 0.50 100-300m 2.99 3.18 0.56 0.58 300-700m 2.30 2.26 0.32 0.30

Tableau 2 RMS modèles/observations annuelles en T et S pour chacune des 2 simulations et pour chaque couche. En

rouge les couches pour lesquelles l’assimilation des données PIRATA réduit les écarts.

Impact sur les courants

Comparaison de sections



Figure 6 Moyenne en septembre 2003. Sections

verticales de courant zonal issues du run sans PIRATA : zonale équatoriale (haut) et

méridiennes à 10°W (milieu) et 35°W (bas

Figure 7 Moyenne en septembre 2003. Sections

verticales de courant zonal issues du run avec PIRATA : zonale équatoriale (haut) et

méridiennes à 10°W (milieu) et 35°W (bas)

L’analyse de plusieurs coupes verticales du champ de vitesse montre que l'assimilation des données PIRATA entraîne une amélioration de la structure des courants. La figure 4 montrait une restratification de la thermocline. Les moyennes mensuelles du mois de septembre (figures 6 et 7) nous montrent qu’elle s’associe à un meilleur cisaillement des courants: le Sous Courant Equatorial (SCE) vers 100 m de fond à 35°W et 75m à 5°W est plus structuré dans sa longueur. Il apparaît cependant ponctuellement moins intense (~60 cm/s au lieu de ~70 cm/s) que dans le run sans PIRATA, et ne pénètre pas suffisamment dans le Golfe de Guinée. Les sections méridiennes montrent que le SCE est plus cohérent à 35°W comme à 10°W. On observe aussi qu’en surface, le Courant Equatorial Sud (CES) est plus présent et plus intense. Le Contre Courant Nord Equatorial est aussi bien marqué à 35°W dans le run avec PIRATA.

L’assimilation des températures et salinités PIRATA rectifie donc la structure océanique, et ce jusqu’à 500 mètres de fond et plus, tant en courant qu’en température, même si les statistiques présentées (tableau 2) n’en rendent pas complètement compte.

Comparaison avec un ADCP

Près d'un mouillage PIRATA (0°N, 10°W), une ligne courantométrique a aussi été mouillée. Elle est composée d'un courantomètre à effet Doppler (ADCP qui mesure la structure des courants sur les 300 premiers mètres) et d’autres courantomètres classiques plus en profondeur. Ce mouillage a été relevé puis redéployé en février 2004. L'exploitation de ses observations est en cours et nous n'avons pu bénéficier que d'une série temporelle allant de mai 2003 à décembre 2003 à 26 mètres de profondeur. Les données bi-horaires ont été moyennées à la journée pour être comparées aux vitesses des deux simulations. Il s’agit d’une comparaison particulièrement intéressante car a) ces vitesses sont indépendantes de nos simulations, et b) cela permet de mesurer l’impact sur les courants d’une rectification du champ de masse par l’assimilation des données PIRATA. Pour chaque niveau du modèle encadrant les 26 mètres (i.e. niveau 2 autour de 18 mètres et niveau 3 autour de 30 mètres), les corrélations de vitesse zonale (U) et méridienne (V) ont été calculées, ainsi que la corrélation vectorielle et l'angle moyen entre les vecteurs vitesse modèle et les vecteurs vitesse observés (figure 8, attention, les courbes correspondent aux séries temporelles filtrées à 5 jours pour faire apparaître les principales variations entre les champs). On observe de fortes fluctuations des vitesses modèle, causées par les sauts d’analyse, avec des variations qui peuvent dépasser les 50 cm/s. A 10°W, le sous-courant observé est dirigé vers l’est de mai à octobre, puis se renverse. Jusqu’en Août, le sous-courant est à l’envers dans les deux modèles, la situation s’améliore ensuite, mais la renverse observée reste déphasée de quelques semaines.

Les corrélations suivant U et les corrélations vectorielles avec angle moyen indiquent l’amélioration qu’apporte l'assimilation des données PIRATA. Les comparaisons en V montrent une tendance générale bonne, mais plus bruitées, associées aux fluctuations méridiennes à plus haute fréquence du sous courant. Les corrélations sont significativement plus élevées à partir de juillet. Avant ce mois, vitesses modèle et ADCP diffèrent : il semble que les modèles, initialisés sans courant ne s’ajustent qu’au bout de six mois. De plus, une grande partie des données de salinité ne sont assimilées qu’à partir de l’été.



Cette comparaison confirme donc l'impact des données PIRATA dans sa zone d'influence : le champ de courant, ici observé par des mesures ADCP a été rectifié par l’assimilation d’observations quotidiennes de température et salinité. Des comparaisons avec des bouées dérivantes ont aussi été menées dans le cadre de cette étude, mais n’apportent pas des conclusions aussi claires qu’avec les données ADCP. Ces bouées caractérisent les courants de surface, qui dans PSY1v2 restent bruités, plus perturbés par les sauts d’analyse et dépendent plus fortement de la qualité des forçages atmosphériques.

Figure 8 Vitesses zonales ADCP bi-horaires (violet) filtrées sur 5 jours (bleu) comparées aux vitesses modèle sans (points

verts) et avec (points rouges) assimilation des données PIRATA (les courbes sont aussi filtrées sur 5 jours).

Conclusion

L'assimilation des données de température et de salinité du réseau PIRATA dans le système d'assimilation multivarié de Mercator a un impact tant sur les structures thermiques que les structures des courants, au niveau des mouillages, et jusqu'à 15° au-delà de l'équateur. Aux points de mouillages, jusqu'à 500 mètres de profondeur, les écarts en température et salinité entre observations et modèle indiquent que PIRATA améliore le système là où il se trouve : résultat attendu. Dans la zone équatoriale (15°S-15°N) et dans les profondeurs de portée du réseau, l'impact de PIRATA est à nouveau notable mais cette fois plus en température, qu’en salinité, et dans aucun cas au-delà de cette zone (i.e., au-delà de 15°N, ou à des profondeurs supérieures à 500 mètres). Les couches proches de la surface ne semblent pas non plus profiter de l’apport des données PIRATA : il y a là un champ d’investigation ouvert pour mieux comprendre le rôle et les conflits entre assimilation de SLA et SST, et les forçages dans et sous la couche de mélange.

Cette première étude montre cependant que les données du réseau PIRATA permettent une rectification de toute la structure des courants du système tropical : cette apport se fait essentiellement le long de l’équateur, mais semble marquer toute la zone. Rappelons que la dynamique tropicale est très réactive, et que toute modification entraîne un ajustement rapide améliorant (ou dégradant) tout le système. Rappelons aussi que c’est dans l’Atlantique tropical que SAM1v2 corrige le moins bien la dynamique.



Bien qu’apportant des améliorations, l’assimilation du volume important de données qu’apportent les observations quotidiennes du réseau PIRATA ne permet pas de réduire des écarts de 1 à 2°C sur toute la zone. Cette étude doit être poursuivie selon deux axes : d’une part analyser les conflits d’assimilation possibles entre les différents types d’observations dans SAM1v2 ; d’autre part continuer l’étude conjointe de différentes simulations : libre, avec/sans assimilation pour établir plus complètement l’apport du réseau PIRATA (en mode analyse et surtout en prévision à 7 et 14 jours), mais aussi proposer des sites d’extension de ce réseau qui amélioreraient d’autant les systèmes d’océanographie opérationnelle.


Raffinement de maillage dans le cadre des prévisions Mercator


Par Olivier Le Galloudec, Romain Bourdalle-Badie, Yann Drillet

Introduction

La question de l’imbrication et du couplage de modèles est un point important dans de nombreux domaines d’applications, et particulièrement dans les domaines de la géophysique. La problématique consiste par exemple à coupler un modèle à haute résolution, sur une zone d’intérêt particulier, avec un modèle souvent à plus basse résolution, présentant éventuellement une physique moins complète, et couvrant un plus large domaine. Suivant les cas, on arrive d’un point de vue des méthodes numériques à une problématique de type décomposition de domaine, raffinement de maillage, ou couplage d’équations.

Les applications potentielles en modélisation océanique sont nombreuses. La plus immédiate est bien entendu le classique problème de « frontière ouverte », c’est à dire par exemple l’emboîtement d’un modèle côtier dans un modèle de circulation générale. L’objectif premier est alors que le modèle global fournisse des conditions aux limites au modèle côtier, la rétroaction du modèle local vers le modèle global étant sans doute relativement peu importante. Toutefois, de nombreuses autres applications sont envisageables, où l’objectif est aussi d’améliorer la circulation à grande échelle grâce au couplage avec un modèle local dans une région où les paramétrisations du modèle global sont déficientes.

Procédure suivie

Dans cette étude, nous avons testé le raffinement de maillage. Le modèle de circulation générale repose sur la configuration opérationnelle Mercator PSY1v2 (1/3° sur l’Atlantique Nord (MNATL) avec assimilation d’anomalies de niveau de mer (SLA) et de données in situ). Le modèle régional (BABY15, [Cailleau et al., 2003] ) couvre le golfe de Gascogne et le plateau celtique (9W/0E et 43.3N/52N). L’utilisation du package AGRIF (Adaptatif Grid Rafinement In Fortran, [Debreu, 2000]), développé par l’IMAG (Institut d’Informatique et Mathématiques Appliqués de Grenoble), permet de raffiner localement des modèles d'océan sans développer de nouvelles configurations. La physique présente dans le modèle global et le modèle imbriqué doit dans ce cas présenter les mêmes caractéristiques. Le développement d’AGRIF est depuis longtemps soutenu par Mercator dans le cadre des projets financé par le GMMC. Cette année une collaboration supplémentaire a été mise en place avec un réseau bleu affecté à l'amélioration de AGRIF afin de faciliter son utilisation dans les configurations actuelles et futures de Mercator. L’utilisation de ce package peut être intéressante pour Mercator afin de réaliser rapidement des prévisions à haute résolution sur un domaine limité.

Actuellement, nous n’avons pas la possibilité d’assimiler des données dans une configuration emboîtée ; on a donc limité le cadre de l’étude aux prévisions Mercator sur 14 jours. Pour cela, le modèle à haute résolution (BABY15) est initialisé à partir d’une analyse faite avec PSY1V2. A partir de cet état, les deux modèles fonctionnent en mode couplé pendant 14 jours. Le modèle emboîté haute résolution (BABY 1/15°) est alors forcé aux frontières à chaque pas de temps par les prévisions issues de PSY1V2 (Figure 1). Le forçage atmosphérique est commun aux deux modèles, il est réactualisé pour BABY15 au pas de temps du modèle global (Figure 1).



Figure 1 Intégration temporelle de PSY1 et du modèle imbriqué BABY15

Notre étude, centrée sur la sensibilité des résultats à différents paramètres du package AGRIF, est basée sur un jeu de 4 simulations (Tableau 1). La première simulation se caractérise par une interpolation linéaire du restart (fichier de démarrage = champs analysés) de PSY1V2 sur la grille au 1/15° (simulation rl_fl1). La deuxième utilise quant à elle une interpolation spline (simulation rs_fl1). Dans la troisième simulation (rs_fs1), les forçages atmosphériques ainsi que le restart ont été interpolés avec une méthode spline. La dernière simulation (rs_fs2) permet de quantifier l’apport du « two ways » pour nos prévisions.

Caractéristiques des simulations Nom des simulations

Restart Forçages One Way / Two Way

rl_fl1 Linéaire Linéaire One Way

rs_fl1 Spline Linéaire One Way

rs_fs1 Spline Spline One Way

rs_fs2 Spline Spline Two Way

Tableau 1 Caractéristiques des différentes simulations

Interpolation du restart

La qualité de l’interpolation des champs de redémarrage (température, salinité, vitesse et fonction de courant barotrope) a un impact très fort sur le début de la simulation réalisée à haute résolution. Après interpolation linéaire, même si le champ de vitesse semble correct, on peut voir un champ de vorticité constant par morceaux (Figure 2). Ce défaut persiste plusieurs jours dans le modèle à haute résolution. Ce problème disparaît dans le cas d’une interpolation spline. Dans ce dernier cas, nous observons par ailleurs que la méso-échelle se met plus rapidement en place que dans le cas de l’interpolation linéaire.



Figure 2 Vorticité du champ de vitesse après un jour de simulation (interpolation linéaire du fichier de redémarrage basse résolution à gauche et interpolation spline à droite). La dérivée du champ de vitesse est constante par pas de 1/3°

après interpolation linéaire sur une grille au 1/15°.

L’interpolation d’un restart basse résolution pourra nous servir ultérieurement pour diminuer la durée du spin up. Par exemple, lors de la mise en place d’une configuration au 1/12°, on pourra se servir d’un restart global au 1/4°. Dans cette étude, le raffinement de maillage est d’un facteur 5, dans le cas d’un facteur 3 nous pensons que cette phase de spin up du modèle sera encore raccourcie.

Interpolation des forçages

La méthode d’interpolation a également un impact sur la qualité des forçages que l’on utilise pour les modèles. La vorticité du champ de vent (Figure 3) montre un forçage constant par morceau avec l’interpolation linéaire alors qu’il est beaucoup plus lisse dans le cas de l’interpolation spline. Sur des simulations à 14 jours, l’impact est très faible et très localisé ; la différence de vitesse de surface de l’océan entre les deux méthodes peut aller jusqu’à 6 cm.s-1. Ce défaut s’amplifiera sur des grilles encore plus fines.

Figure 3 Vorticité du champ de vent (interpolation linéaire des forçages basse résolution à gauche

et interpolation spline à droite).

De même que pour l’interpolation du restart, nous pourrons nous servir de l’interpolation spline des forçages au 1/4° pour forcer un modèle opérationnel au 1/12°. Dans le cadre de simulations beaucoup plus longues, l’impact d’un forçage constant par morceau sera plus marqué, le surcoût de calcul d’une interpolation spline étant très faible (de l’ordre de 3%) celle-ci sera systématiquement utilisée dans les futurs systèmes.



Two Way

Le raffinement de maillage en « two ways » consiste à faire bénéficier la grille basse résolution de la solution obtenue à haute résolution.

Pour cela on ré-interpole les résultats de la grille fine sur la grille grossière à chaque pas de temps de la grille grossière (tableau 1).

Sur la Figure 4, on peut observer la différence des modules des vitesses entre les deux simulations one-way et two-way (rs_fs1 et rs_fs2) au bout d’une semaine. On voit clairement que l’impact se fait sur les bords du domaine. Cependant, l’effet reste assez faible, de l’ordre du mm.s-1. On peut espérer cependant une meilleure robustesse du modèle avec des conditions aux bords plus continues, ce qui s’avère essentiel, en particulier dans le cadre de l’opérationnel.

Figure 4

Différence des modules des vitesses entre les simulations rs_fs1 et rs_fs2 au bout d’une semaine

Conclusion

L’intérêt du raffinement de maillage dans le cadre des prévisions Mercator à 2 semaines est bien réel mais les résultats sont très sensibles aux méthodes d’interpolation utilisées pour les champs océaniques aussi bien que pour les forçages atmosphériques. Comme on peut le voir Figure 5, le champ de vitesse en surface prévu sur la grille raffinée est sensiblement différent de la prévision PSY1. Même si la structure générale du champ de vitesse semble conservée, on peut en effet remarquer l’intensification de certains courants et l’apparition de structures méso-échelles (courants côtiers ou tourbillons). Une simulation plus longue (2 mois avec forçages et restart interpolés linéairement) nous a permis de conclure qu’après deux semaines la simulation sur la grille fine n’était pas stabilisée et c’est seulement après un mois de simulation que les principales améliorations physiques sont visibles comme le resserrement de la thermocline, des vitesses verticales plus fines et prenant mieux en compte le gradient de topographie ou la formation de tourbillons bien connues (Meddies et Swoddies).

Figure 5 Champ de vitesses après une semaine de simulation tracé sur la grille MNATL (à gauche BABY et à droite

MNATL )



Références

Cailleau, S., B. Barnier, J. Chanut, and J.-M. Molines, Open boundary condition and embedded ocean model method, EGS, Nice, 2003.

Debreu, L., Raffinement adaptatif de maillage et méthodes de zoom application aux modèles d'océan, Université Joseph Fourier-Grenoble 1, Grenoble, 2000.


Estimations de risques de pollution par marée noire sur les côtes atlantiques européennes à l’aide du système Mercator

Estimations des risques de pollution par marée noire sur les côtes atlantiques européennes à l’aide du système MERCATOR

Par Sophie Besnard et Eric Dombrowsky

Introduction

La fréquence des pollutions marines est croissante. Les récents naufrages de l’Erika (12 décembre 1999) ou du Prestige (14 novembre 2002), pour ne citer que ceux-là, et les pollutions dramatiques qu’ils ont entraînées sur les côtes françaises et espagnoles justifient la motivation des gouvernements et des centres de recherches et d’applications dédiés à l’océan à agir.

Les gouvernements ont renforcé la réglementation des transports maritimes à risques, le Bureau Enquêtes Accidents/mer a été créé en décembre 1997. Les CROSS (Centres Régionaux Opérationnels de Surveillance et de Sauvetage), au nombre de cinq en France Métropolitaine, sont chargés de la recherche et du sauvetage maritimes, de la surveillance de la navigation, des pollutions marines et des pêches. Le Cèdre, organisme placé sous tutelle du Ministère de l’Environnement est chargé de conseiller et d’assister les autorités françaises responsables de la lutte contre les pollutions accidentelles des eaux (eaux marines et eaux intérieures). Il fait partie, depuis 1987, de la Force d’Intervention de l’Union Européenne chargée d’assister les autorités étrangères dans la lutte contre les pollutions accidentelles par hydrocarbures et autres substances dangereuses. Il participe, également, à des expertises dans le cadre de pollutions accidentelles au plan international, à la demande d’autres partenaires publics ou privés. Météo-France, Service Météorologique National Français, intervient au niveau national dans le cadre du plan POLMAR-MER et au niveau international dans le cadre du Système d’Intervention d’Urgence en cas de Pollution de la Mer (S.I.U.P.M.), coordonné par l’Organisation Météorologique Mondiale (OMM). Afin de mieux répondre à ces engagements, Météo-France a développé des modèles de dérive de polluants. Tous ces organismes de réglementation, et ces organismes de surveillance et d’action travaillent de concert.

En amont de leur action, l’utilité des modèles de prévisions de courants marins pour faire de la simulation de dérive de particules sur l’océan est également apparue ces dernières années. Mercator offre aujourd’hui cette gamme de produits. Dans ce cadre et afin d’améliorer le service que Mercator propose à ces différents organismes et notamment à Météo-France, l’objectif du stage était d’étudier la faisabilité d’un outil opérationnel fiable qui contribuerait à l'estimation des risques d’arrivée de marées noires sur les côtes européennes atlantiques, en prenant en compte, d’une part, les lieux potentiels de déclenchement de pollution sur les routes principales des navires pétroliers et d’autre part, les courants de surface Mercator et conditions météorologiques.

Présentation des caractéristiques du modèle de dérive de particules pseudo-lagrangiennes

Pour atteindre ces objectifs, il fallait créer un algorithme souple et robuste permettant de simuler la dérive de particule en mer.

Le schéma d’advection implémenté dans le modèle de dérive est un schéma implicite accompagné d’une interpolation spatio-temporelle des données de vitesses de courant issues du premier niveau de la configuration opérationnelle PSY2v1 (prototype Mercator haute résolution Atlantique Nord et Méditerranée). Ce schéma est limité aux seules dimensions horizontales.

Le schéma implicite confère au modèle une meilleure stabilité puisqu’il s’apparente à une correction de la trajectoire à partir de la connaissance de la vitesse au point d’arrivée, soit au pas de temps suivant.



Figure 1 Vecteurs vitesses et topographie dynamique

La stabilité a été constatée en traçant les trajectoires des particules issues du modèle de dérive (via les vecteurs vitesses) sur la topographie dynamique (proportionnelle aux champs des lignes de courants dans le cas stationnaire et à une latitude donnée), voir figure 1.

Cette étude de stabilité a permis également d’ajuster la valeur du pas de temps du schéma d’advection du modèle. En effet, en choisissant un pas de temps de 6h, nous avons un bon compromis stabilité/temps de calculs (F. Hernandez, 1995).

Pour valider sur des cas réels, il faut tenir compte des effets de surface et cela passe principalement par l’intégration du vent dans le schéma d’advection. En effet, les données de courant sont celles du premier niveau, soit la moyenne de la vitesse des courants des six premiers mètres de profondeurs, ce qui n’est pas représentatif des courants de surface puisque la vitesse des courants perd énormément en intensité entre la surface et les premiers mètres de profondeur. Pour palier à ce déficit de vitesse de courant de surface, une bonne approche consiste à intégrer en entrée du modèle les valeurs de vitesses issues d’une combinaison linéaire de 100% de la vitesse du courant avec un β% de la vitesse du vent à dix mètres (M. Hontarrède, 2003). Pour notre étude, β a été fixé à 1,5% au regard de différentes simulations de validations sur le cas du Prestige et du projet ROSES.

Observations Simulation (100% courants + 1,5% vents)

Figure 2 Evolution de la marée noire consécutive au naufrage du Prestige.

Ce choix s’est révélé difficile car s’il faut tenir compte des aspects spatio-temporels, on ne peut néanmoins oublier l’influence du pas de temps choisi préalablement, la présence du plateau continental et la proximité des côtes, la représentation tout à fait aléatoire du pétrole par une cinquantaine de particules seulement. Il suffit de constater la re-circulation trop importante au niveau des côtes atlantiques françaises sur l’image de droite de la figure 2 pour comprendre le caractère complexe de la



modélisation en zone littorale. Il faudrait, à terme, réaliser plus de simulations en pleine mer et près des côtes avec des pourcentages de vent différents, quitte à distinguer la dérive de particule en mer et près du littoral.

N’oublions pas également, que les valeurs des vents intégrées sont des moyennes quotidiennes. C'est-à-dire que la sensibilité du modèle de dérive au cycle diurne des vents et des courants est nulle, ce qui peut engendrer des différences importantes entre la réalité et les sorties du modèle de dérive.

Au final, l’exemple de la figure 2 atteste d’une relative adéquation entre observations et simulations qui, si elle n’est pas optimale, pourra être améliorée essentiellement par l’augmentation de la fréquence et de la précision des données de vent et de courant passées en entrée du modèle.

Implémentation des routes maritimes

Le déclenchement d’une marée noire n’a pas une répartition équiprobable sur l’ensemble de la surface de l’océan. On a donc fait l’hypothèse que les marées noires étaient générées à partir des zones de navigation du trafic maritime (accident de navigation, dégazage sauvage…).

Les routes maritimes ont été implémentées à partir des positions des Dispositifs de Séparation du Trafic1 en considérant des trajectoires loxodromiques entre ces derniers. Les positions des DST nous ont été fournies par les CROSS (figure 3, les DST sont symbolisés par des étoiles rouges).

Figure 3 Routes maritimes numérisées

Premiers pas vers l’estimation des risques de pollutions par marées noires

L’étude sur les risques d’échouage de marée noire sur les côtes commence à ce stade.

Aux moyens de nombreuses simulations sur la zone européenne et sur plusieurs années (un peu plus de deux ans d’archives de fichiers issus de PSY2v1), deux types d’informations ont été dégagés.

Le premier permet d’estimer la densité trimestrielle des particules, issues des routes maritimes, échouées par boîte de un degré sur un degré. Trois seuils de gravité ont été fixés afin de rendre les informations fournies par ces cartes facilement lisibles. Ainsi, on peut identifier les côtes les plus exposées au risque de pollutions marines suivant la saison. Typiquement, figure 4, on observe nettement la différence de pollution sur les côtes en été et en hiver.

1 DST : Dispositif de Séparation du Trafic. Rails virtuels séparants le trafic maritime montant de celui descendant. Passage obligatoire pour les navires pour contrôle d’identité.



Eté 2002

Hiver 2002-2003

Figure 4 Quantification des risques de marées noires sur les côtes

Grâce au stockage des données des simulations, on dispose des origines spatio-temporelles des particules échouées, ce qui permet d’identifier les tronçons de route dont elles sont issues. En leur attribuant la même couleur que celle qu’elles avaient lors de l’échouage, on obtient une estimation des portions de routes présentant un risque de pollution par marées noires plus ou moins importante à la côte par trimestre.

Eté 2002

Hiver 2002

Figure 5 Tronçons de route présentant des risques de pollutions à la côte

Ces deux applications mettent en avant une forte variabilité saisonnière. Globalement, on peut considérer que les dégâts engendrés par une marée noire en hiver sont plus importants qu’en été car les pollutions sont alors plus étalées et évoluent plus rapidement, ce qui nécessite de pouvoir endiguer le problème rapidement sur une multitude de littoraux.

On peut imaginer que les renseignements fournis par ces cartes pourraient être une aide à l’organisation et la surveillance du trafic maritime à risque suivant les saisons, une sorte d’indicateur de prévention aux risques de marées noires…



Les bémols

A l’heure actuelle les faiblesses du modèle de dérive sont directement imputables aux qualités des données fournies en entrée. Ainsi avec un raffinement de la vitesse du courant à la surface, avec une intégration du vent à haute fréquence et avec une modélisation côtière plus performante, on augmenterait la précision des résultats fournis en sortie du modèle de dérive.

Les progrès iront de pair avec le couplage éventuel d’un modèle de climatologie prenant en compte les effets des marées, de la houle…

Dans un futur proche, des tests de robustesses avec les données de courants issues d’autres modèles d’océanographie opérationnelle seront effectués, ainsi que des tests sur la sensibilité des résultats obtenus.

Conclusion

A l’issue de ce travail préliminaire, deux nouveaux produits Mercator ont été créés - deux cartes saisonnières indiquant, pour l’une, les portions de routes maritimes présentant des risques de pollution accrus, et, pour l’autre, les zones côtières les plus touchées en cas de marée noire. Ceci illustre un nouveau type de contributions qu'un service généraliste de prévision océanique comme Mercator pourrait fournir à l'avenir aux équipes spécialisées dans la lutte contre les pollutions marines : une information de synthèse renseignant sur les tendances générales fournies par Mercator, avant, le cas échéant, qu'un modèle de dérive spécialisé comme MOTHY ne soit couplé en aval pour affiner celles-ci et aider aux décisions opérationnelles.

Les résultats obtenus ici concèdent une place importante à la variabilité saisonnière sur la dérive de particule en mer.

Nous avons vu cependant qu’un travail important restait à réaliser pour éprouver le modèle, et l'affiner en fonction des besoins. Ne fait-on que de l’analyse ou fait-on aussi de la prévision? L’échelle saisonnière est-elle perspicace? A quelle échelle de temps et d'espace une information généraliste et limitée à l'environnement physique (excluant les transformations physico-chimiques d’un hydrocarbure entre son largage et son échouage) peut-elle contribuer utilement ?

Nul doute que cette nouvelle génération de produits est amenée à se développer, sous la double poussée d'une complexification constante de l'offre océanique en amont (satellites, in situ, modèles, ...), et d'une forte exigence de spécialisation en aval (modèle physico-chimique, petites échelles, ...) des systèmes utilisés dans l'aide à la décision. Abordés ici de façon forcément rapide lors de ce stage, ces travaux se poursuivront ainsi en réponse aux besoins des organismes référents et contribuer ainsi efficacement à la lutte contre les pollutions marines.

Références

Hernandez, F., 1995. Comparaison et combinaison de données altimétriques et lagrangiennes. Application à la campagne SEMAPHORE-93, UMR39/GRGS/OMP, Université Paul Sabatier (Toulouse III), 276

Hontarrède M., 2003, Pollutions en mer, Observer et prévoir leur dérive. MET MAR n°200, Météo-France, sept. 2003.



- Bloc Notes -

Rédaction en chef :

Nathalie Verbrugge

Secrétariat de rédaction :

Sophie Baudel

Articles :

Apport du réseau de mouillages météo-océaniques PIRATA pour l’océanographie opérationnelle Rémi Cousin, Fabrice Hernandez, Yves du Penhoat


Olivier Le Galloudec, Romain Bourdalle-Badie, Yann Drillet

Estimation des risques de pollution par marée noire sur les côtes atlantiques à l’aide du système Mercator

Sophie Besnard, Eric Dombrowsky

Adresse :

N’hésitez pas à nous faire part de vos remarques à l’adresse : [email protected]

Prochaine édition : Janvier 2005

Environment

Mercator Ocean newsletter 15