1
Présentation au SénatContribution des projets Clime, IDOPT et VISTA
25 octobre 2005
2
Problématique méthodologique de la prévision géophysique
3
Prévision
• La prévision de l’évolution de l’environnement est un problème capital du point de vue économique et social.
• Il est important de définir les échelles auxquelles on travaille. Echelle de temps : dans 1 heure (pour la prévision des tornades), dans 1 jour, ou la saison prochaine.
Seule la deuxième échéance est bien maîtrisée actuellement.
4
Principe de la prévision
• On reconstitue l’état du milieu à un instant initial.
• On résout le modèle mathématique qui va donner la prévision.
• On recommence en tenant compte des erreurs de la prévision précédente.
5
Quelles sont les informations disponibles ?
• Des modèles mathématiques décrivant l’évolution du milieu.
• Des données d’observation « in situ » ou à distance.
• Des statistiques historiques.
• Des images.
• En bref : de l’information hétérogène en nature, qualité et densité.
• Un problème crucial est de coupler ces sources d’information pour reconstituer l’état de l’environnement.
6
Les modèles
• Les principes sont simples : ils sont obtenus en écrivant la conservation de masses (air, eau).
• La mise en œuvre est difficile, notamment en raison de l’hétérogénéité du sol, du relief et des échanges à petite échelle.
• La résolution des modèles nécessitent la manipulation de systèmes d’équations avec plusieurs millions de variables.
7
Difficultés
• Les changements de phases de l’eau (vapeur, liquide, solide et mélange des trois) introduisent un grand niveau de difficulté.
• On ne peut isoler une composante (atmosphère, océan, eaux continentales) des autres composantes : il y a une interaction (échange de masse et d’énergie) permanente.
• Les projets de prévision saisonnière demanderont la mise en œuvre de modèles énormes couplant océan et atmosphère. Les ouragans donnent une idée claire de l’interaction entre ces 2 média.
8
Futur
• La prévision météorologique gagne (grosso modo) un jour tous les 8 ans.
• La prévision océanique arrive au stade opérationnel.
• La prévision opérationnelles des crues (notamment les crues éclair) se met en place et nécessite un fort couplage avec une prévision météorologique très précise à l’échelle du bassin versant.
• Une coopération internationale est indispensable.
• Une très forte approche interdisciplinaire est nécessaire entre physiciens, mathématiciens, informaticiens pour rendre la prévision plus rapide et plus efficace.
9
Problématique applicative pollution atmosphérique
10
Pollution Atmosphérique
•Prévision de la qualité de l’air à petite échelle :• Milieu urbain,
• Sorties de tunnel,
• Impacts de site industriel.
•Prévision de la qualité de l’air aux échelles régionales et continentales :
• Épisodes photochimiques,
• Transport multi-polluants (mercure, métaux lourds, pluies acides).
•Modélisation de la concentration en gaz (ozone, oxydes d’azote) et en aérosols.
11
Pollution Atmosphérique
•Plate-forme de recherche Polair3D, développée et opérée par le CEREA (Centre d’Enseignement et de Recherche en Environnement Atmosphérique) : le projet Clime est un projet commun INRIA/CEREA.
•Exemple de prévision d’ozone à l’échelle européenne :
12
Pollution Atmosphérique : besoin de coupler données d’observation et modèles
•Un modèle numérique sans données d’observation n’est que de peu d’utilité.
• Des données d’observation seules ne suffisent pas pour établir une prévision fiable.
• Les modèles mathématiques contiennent des paramètres inaccessibles à la mesure (exemple : paramétrisation sous-maille), mais qui peuvent être estimées à l’aide des données d’observation.
• Beaucoup de phénomènes géophysiques requièrent une condition initiale précise pour produire une prévision.
13
Pollution atmosphérique : extraction de données
•Disponibilité attendue de capteurs satellitaires pour la télédétection de la chimie en basse atmosphère :
• GOME2 et IASI sur le futur satellite MetOp (2006),
• Futures missions troposphère de l’ESA (2012).
•Mesures de concentrations de gaz (ozone, NOx, méthane, …) et d’aérosols.
•Complément des mesures terrestres (réseaux de surveillance de la pollution), avec :
• Couverture spatiale plus dense et uniforme (env 50km), mais,
• Mesures moins fréquentes (quotidiennes).
14
Problématique applicative dégradation des sols
15
Dégradation des sols
•Surveillance par satellite, sur des zones étendues, de la dégradation des sols.
•Dégradation considérée: perte de végétation.• Erosion,
• Déforestation.
•Utilisation de données acquises quotidiennement par des satellites comme:
• NOAA (capteur météorologique), résolution 1km.
• MODIS (capteur d’observation de la terre), résolution 250m.
16
Dégradation des sols
•Mise en œuvre de modèles heuristiques de l’observation du phénomène sur les images.
•En chaque point d’observation on dispose d’une courbe donnant l’évolution d’une caractéristique –calculée à partir des mesures satellite- au cours du temps.
•L’érosion (changement de couleur du sol) ou la déforestation (perte de la végétation) se traduisent par des courbes distinctes des courbes dites « normales ».
17
Dégradation des sols: détection de la déforestation, Pantanal, Brésil.•Courbe bleue: comportement normal de savane;
•Courbe rouge: déforestation.
•Bas gauche: détection (en blanc) de déforestation.
•Contrôle sur images haute résolution (avant et après)
18
Problématique applicative: incendies
19
Incendies
•Surveillance par satellite de panaches d’incendies :• Accidents de sites industriels,
• Incendies de forêt.
•Images utilisées: capteurs météorologiques, avec mesure des rayonnements visibles et thermiques.
• NOAA (résolution 1km, images quotidiennes).
• Meteosat (résolution 2,5km, images tout les 15mn).
20
Incendies
•Modèle heuristique d’observation du phénomène : on calcule deux indices :
• CLD, mesure nouvelle combinant les mesures thermiques et visibles : un panache est plus sombre et plus chaud qu’un nuage.
• NDVI, indice classique utilisé pour caractériser la présence de végétation. Permet de distinguer le panache du sol.
21
Incendies
Feu de forêt, Espagne, juillet 2005.
22
Problématique méthodologique: assimilation d’images
23
Assimilation de données images dans les modèles de prévision géophysique: problèmes
•Quelles images : statiques ou dynamiques.
• Quelle information utile pour contraindre le modèle ?
• Espace image : adapté à la représentation des frontières de structures, trajectoires, champ de vitesses, etc.
• Définition d’une norme dans l’espace des images pour calculer la distance entre les solutions du modèle et les observations.
• Opérateur pour passer de l’espace image à l’espace d’état.
24
Assimilation d’images en océanographie
• Données image• SST (Sea Surface Temperature) : estimées à partir de mesures
infrarouges.
• Capteur NOAA/AVHRR : acquisition quotidienne, résolution 1-5km.
• Modèles de simulation• Shallow-water : modèle bidimensionnel simplifiés.
• Modèles de circulation 3D, éventuellement couplés à des modèles d’activité biologique.
• Structures d’intérêt • Champ de vitesse de circulation
• Trajectoires de structures
25Comparaison des résultats avec et sans assimilation
26
Assimilation de données image en météorologie
•Assimilation permet une mesure temporelle cohérente des vents a partir d’images satellitaires
• Association d’un modèle dynamique (équations de Navier-Stokes) et d’une séquence d’images satellitaire
• Assimilation effectuée ici par filtrage stochastique
• Autorise in fine un suivi automatique et une caractérisation cinématique de phénomènes météorologiques potentiellement dangereux
27
Suivi d’un cyclone sur l’océan indien