Vers l'assimilation de données estimées par radar Haute Fréquence en mer macrotidale

Towards data assimilation with High Frequency Radar currents in macrotidal sea

• Auteur / Autrice : Solène Jousset
• Direction : Nicolas Seube, Franck Dumas
• Type : Thèse de doctorat
• Discipline(s) : Océanographie physique
• Date : Soutenance le 01/07/2016
• Etablissement(s) : Brest
• Ecole(s) doctorale(s) : École doctorale Sciences de la mer (Plouzané, Finistère)
• Partenaire(s) de recherche : Laboratoire : DYNECO/DHYSED Laboratoire Dynamique Hydro-sédimentaire (Ifremer)
• Jury : Président / Présidente : Xavier Carton
• Jury : Examinateurs / Examinatrices : Nicolas Seube, Franck Dumas, Xavier Carton, Jérôme Monnier, Pierre De Mey, Guillaume Charria
• Jury : Rapporteurs / Rapporteuses : Jérôme Monnier, Pierre De Mey

Mots clés

Mots clés contrôlés

Radar

Iroise, Mer d' (France)

France

Courants de marée

Mots clés libres

Mer d’Iroise

Front de marée

Assimilation de données

Courants estimés par radar HF

Modélisation d’ensemble

Identification de paramètre

Rugosité de fond

Iroise Sea

Tidal front

Data assimilation

Estimated currents by HF Radar

Ensemble Forecast

Parameter identification

Bottom friction

Résumé

La Mer d’Iroise est observée depuis 2006, par des radars à haute fréquence (HF) qui estiment les courants de surface. Ces mesures ont une finesse temporelle et spatiale pour permettre de capturer la dynamique fine du domaine côtier. Ce travail de thèse vise à la conception et l’application d’une méthode d’assimilation de ces données dans un modèle numérique réaliste pour optimiser le frottement sur le fond et corriger l’état du modèle afin de mieux représenter la circulation résiduelle de marée et les positions des fronts d’Ouessant en mer d’Iroise. La méthode d’assimilation de données utilisée est le Filtre de Kalman d’Ensemble dont l’originalité est l’utilisation d’une modélisation stochastique pour estimer l’erreur du modèle. Premièrement, des simulations d’ensemble ont été réalisées à partir de la perturbation de différents paramètres du modèle considérés comme sources d’erreur : le forçage météo, la rugosité de fond, la fermeture turbulente horizontale et la rugosité de surface. Ces ensembles ont été explorés en termes de dispersion et de corrélation d’ensemble. Un Lisseur de Kalman d’Ensemble a ensuite été utilisé pour optimiser la rugosité de fond (z0) à partir des données de courant de surface et d’un ensemble modèle réalisé à partir d’un z0 perturbé et spatialisé. La méthode a d’abord été testée en expérience jumelle puis avec des observations réelles. Les cartes du paramètre z0, optimisés, réalisées avec des observations réelles, ont ensuite été utilisées dans le modèle sur une autre période et les résultats ont été comparés avec des observations sur la zone. Enfin, des expériences jumelles ont été mises en place pour corriger l’état modèle. Deux méthodes ont été comparées, une prenant en compte la basse fréquence en filtrant la marée des données et du modèle pour réaliser l’analyse ; l’autre prenant en compte tout le signal. Avec ces expériences, on a tenté d’évaluer la capacité du filtre à contrôler à la fois la partie observée du vecteur d’état (courant de surface) et la partie non-observée du système (température de surface).

The Iroise Sea has been observed since 2006 by High Frequency (HF) radars, which estimate surface currents. These measurements offer high resolution and high frequency to capture the dynamics of the coastal domain. This thesis aims at designing and applying a method of assimilation of these data in a realistic numerical model to optimize the bottom friction and to correct the model state in order to improve the representation of the residual tidal circulation and the positions of the Ushant fronts in the Iroise Sea. The method of data assimilation used is the Ensemble Kalman Filter. The originality of this method is the use of a stochastic modeling to estimate the model error. First, ensemble simulations were carried out from the perturbation of various model parameters which are the model error sources: meteorological forcing, bottom friction, horizontal turbulent closure and surface roughness. These ensembles have been explored in terms of dispersion and correlation. An Ensemble Kalman smoother was used to optimize the bottom friction (z0) from the surface current data and from an ensemble produced from a perturbed and spatialized z0. The method is tested with a twin experiment and then with real observations. The optimized maps of parameter z0, produced with the real currents, were used in the model over another period and the results were compared with independent observations. Finally, twin experiments were conducted to test the model state correction. Two approaches were compared; first, only the low frequency, by filtering the tide in the data and in the model, is used to perform the analysis. The other approach takes the whole signal into account. With these experiments, we assess the filter's ability to control both the observed part of the state vector (currents) and the unobserved part of the system (Sea surface Temperature).