Développement d'une méthode d'assimilation de données pour l'amélioration des prévisions saisonnières des ressources en eau souterraine

Development of a data assimilation scheme to improve groundwater seasonal forecasts

• Auteur / Autrice : Adrien Manlay
• Direction : Florence Habets
• Type : Projet de thèse
• Discipline(s) : Sciences de la Terre et de l'environnement
• Date : Inscription en doctorat le 01/09/2023
• Etablissement(s) : Université Paris sciences et lettres
• Ecole(s) doctorale(s) : École doctorale Sciences de la terre et de l'environnement et physique de l'univers
• Partenaire(s) de recherche : Laboratoire : École normale supérieure (Paris ; 1985-....). Laboratoire de géologie
• Partenaire(s) de recherche : Equipe de recherche : Surface & Réservoir
• Partenaire(s) de recherche : établissement opérateur d'inscription : Ecole normale supérieure

Mots clés

Mots clés libres

Assimilation de données

Hydrogéologie

Prévisions saisonnières

Modélisation hydrodynamique

Hydrométéorologie

Data assimilation

Groundwater

Seasonal forecast

Hydrodynamic modeling

Hydrometeorology

Résumé

Les eaux souterraines représentent une ressource importante pour l'eau potable, l'agriculture et l'industrie. Cette ressource est néanmoins de plus en plus vulnérable face à l'intensification des évènements extrêmes météorologiques liés au changement climatique, en particulier l'augmentation des fréquences et des durées des sécheresses hydrologiques. Dans ce contexte, une chaîne de prévision saisonnière a été développée avec la plate-forme de modélisation hydrogéologique Aqui-FR, couvrant environ 30% du territoire national. Néanmoins, ces prévisions restent perfectibles et partent d'un état initial erroné, engendrant des biais et une mauvaise estimation de certains évènements. Le développement et l'implémentation d'une méthode d'assimilation de données constitue donc une piste pour l'amélioration des prévisions saisonnières des ressources en eau souterraine. Il s'agit alors de corriger, à l'aide d'observations, l'état du modèle au fur et à mesure de l'avancement d'une simulation dans le temps et de la disponibilité des données. La méthode développée sera testée sur un des modèles hydrogéologiques spatialisés d'Aqui-FR (bassin versant de la Somme), avec le code de calcul MARTHE, afin d'évaluer les gains apportés à l'estimation de l'état piézométrique initial. Puis un rejeu de prévisions passées (hindcast) permettra d'évaluer l'impact de l'assimilation sur les prévisions.

Groundwater is an important resource for drinking water, agriculture and industry. However, this resource is increasingly vulnerable to the intensification of extreme weather events linked to climate change, in particular the increase in the frequency and duration of hydrological droughts. In this context, a seasonal forecasting chain has been developed with the Aqui-FR hydrogeological modelling platform, gathering regional hydrogeological models and covering around 30% of the French national territory. However, these forecasts are based on an erroneous initial state, leading to biases and poor estimates of certain events. The development and implementation of a data assimilation scheme is therefore one way of improving seasonal forecasts of groundwater resources. The goal of the data assimilation is to correct the state of the model, using observations, as a simulation progresses over time and as data becomes available. The method developed will be tested on one of Aqui-FR's spatial hydrogeological models (Somme catchment), using the MARTHE computation code, in order to assess the improvements made on the estimation of the initial piezometric state. A hindcast analysis will then be used to assess the impact of assimilation on forecasts.