Guider les paramétrisations des modèles de climat par le triptyque Observations – IA – Simulations
Guider les paramétrisations des modèles de climat par le triptyque Observations – IA – Simulations
Guider les paramétri-sations des modèles de climat par le triptyque Observations – IA – Simulations
Les modèles pour la simulation climatique ont une résolution de l’ordre d’une centaine de kilomètres. Certains processus de plus petite échelle ne sont pas explicitement décrits dans les modèles de climat et les modèles météorologiques. Des modèles simplifiés ad hoc, ou paramétrisations, sont par conséquent utilisés pour décrire ces phénomènes d’échelle spatiale plus fine que le maillage du modèle, et constituent des sources d’incertitude pour les projections climatiques. L’objectif du projet est d’améliorer ces modélisations en s’appuyant sur des observations et des méthodes statistiques.
Trajectoires des huit ballons de la première campagne du projet Stratéole 2 menée entre octobre 2019 et février 2020. Chaque ballon a dérivé au gré des vents à des altitudes comprises entre 18 et 20 km dans la bande tropicale pendant 2 à 3 mois. La nature quasi-lagrangienne des ballons en fait une observation de choix pour quantifier les ondes de gravité atmosphériques. Leur dérive au gré des vents fournit une couverture spatiale inégalée dans une région de l’atmosphère difficile d’accès et peu observée.
Questions et outils mathématiques
Parmi les phénomènes dynamiques requérant des paramétrisations se trouvent les processus nuageux ou la convection, ainsi que les ondes internes de gravité. Les ondes de gravité résultent de la gravitation et du contraste de densité sur la verticale, lorsque le fluide est plus dense en-dessous qu’au-dessus. Une discontinuité de densité donne lieu à des ondes de gravité de surface, comme les vagues, alors que les ondes internes de gravité sont dues à une décroissance continue de la densité.
Les ondes de gravité influencent de manière cruciale la circulation de l’atmosphère moyenne, comprenant la stratosphère et la mésosphère, couches atmosphériques situées environ entre 10 et 100 km d’altitude. Par rapport aux processus nuageux, les ondes de gravité ont l’avantage de ne faire intervenir en première approximation « que » de la dynamique des fluides, sans microphysique, changements de phase ou connaissance requise sur les aérosols. Ceci rend plus stable et robuste un processus d’apprentissage à partir de simulations haute résolution. Les ondes de gravité constituent en ce sens une opportunité pour une utilisation efficace des méthodes d’apprentissage statistique.
En outre, les chercheurs disposent d’observations qui proviennent de ballons de longue durée, dérivant au gré des vents de la basse stratosphère pendant 2 à 3 mois. Les ballons fournissent un échantillonnage haute résolution de l’écoulement avec une couverture spatiale très vaste sur la quantification des ondes de gravité, et notamment des flux de quantité de mouvement. La nature de ces observations (description quasi-lagrangienne de l’écoulement) en fait une référence pour les études sur les ondes de gravité atmosphériques.
L’utilisation de méthodes d’apprentissage statistique ne conduit pas nécessairement directement à la construction de paramétrisations. Elles constituent néanmoins un outil très intéressant pour explorer l’écoulement et relier l’écoulement à grande échelle et les processus de fine échelle. Elles fournissent ainsi des lignes directrices (variables de grande échelle apportant de l’information) et des bornes (partie stochastique des ondes de gravité) qui guident le développement des paramétrisations.
Premiers résultats et perspectives
La première étape du projet a consisté à extraire différentes variables provenant de modèles numériques, mis à disposition par le Centre européen de prévisions météorologiques à moyen terme (ECMWF). Ces variables décrivent l’écoulement à grande échelle autour des observations.
Pour exploiter ces observations provenant des ballons des différentes campagnes de Stratéole 2, une étape préliminaire de préparation des données est nécessaire. Il faut notamment prêter attention à faire correspondre précisément ces observations et les données du modèle numérique (temps, altitude…). Une fois cette étape réalisée, plusieurs procédures statistiques pourront être employées pour essayer de prédire au mieux les valeurs observées à partir des données du modèle. L’objectif est de concilier une bonne performance prédictive avec une certaine interprétabilité.
Le projet réunit des chercheurs en mathématiques appliquées et en physique du climat. Il implique également un chercheur post-doctorant en mathématiques appliquées, Sothea Has, dont le post-doctorat est financé par l’iMPT.