SCA-7212 Introduction à l’assimilation de données et applications à l’analyse atmosphériqueUQAM Hiver 2009Equations de l’interpolation statistiqueX X K y HX a b b1T TK BHR HBHP I KH BaMatrice de gain (ou poids statistiques): KInnovations (ou écarts aux observation: y-HXbInterpolation optimale• Résolution directe du problème 1T TX ( p ) X ( p ) BH R HBH y HX a i b i i bT X ( p ) BH wb i iK X ( p ) W wb i ik kk 1* Introduction de simplifications: sélection de données* Conduit à des problèmes de petite dimension qui peuvent être résolus* Champ analysé à différents points de grille n’utilise pas nécessairement les mêmes données X X1 2 1SCA-7212 Introduction à l’assimilation de données et applications à l’analyse atmosphériqueUQAM Hiver 2009Impact de la sélection de donnéesb. OI with data selection10• Influence d’une observation* Trait plein: 3D-Var* Tireté: interpolation optimale100* Fig. 9 de Gauthier et al. (1999)100020 30 40 50 60 70LatitudeFormulation variationnelle de l’interpolationstatistique (Lewis et al., 2006: sect. 20.2 et ch. 10 à 12))Ax b• Résolution de systèmes T T1min J (x ) x Ax x b2d’équations linéaires de J (x ) Ax bgrande taille* Méthode du gradient2pressure (hPa)SCA-7212 Introduction à l’assimilation de données et applications à l’analyse atmosphériqueUQAM Hiver 2009Le 3D-Var• Fonction “coût” T T1 1 1 1J(X) X X ...
SCA-7212 Introduction à l’assimilation de données et applications à l’analyse atmosphérique UQAM Hiver 2009
•
’ Equations de l interpolation statistique
XaXbKyHXb TT1 KBH R HBH PaIKHB
Matrice de gain (ou poids statistiques): Innovations (ou écarts aux observation:
Interpolation optimale
K y-HXb
Résolution directe du problème T T1 Xa(pi)Xb(pi) iBHRHBHyHXb X(p) BHTw b i i K Xb(pi)Wikwk k1 *Introduction de simplifications: sélection de données *Conduit à des problèmes de petite dimension qui peuvent être résolus *Champ analysé à différents points de grille n’utilise pas nécessairement les mêmes données
X 1
X2
1
SCA-7212 Introduction à l’assimilation de données et applications à l’analyse atmosphérique UQAM Hiver 2009
Impact de la sélection de données
•
Influence d une ’ observation *Trait plein: 3D-Var *Tireté: interpolation optimale *Fig. 9 de Gauthieret al. (1999)
10
100
1000 20
30
b. OI with data selection
40 50 Latitude
60
Formulation variationnelle de l interpolation ’ statistique(Lewis et al., 2006: sect. 20.2 et ch. 10 à 12))
•
Résolution de systèmes d équations linéaires de ’ grande taille *Méthode du gradient
Axb minJ(x)21xTAx J(x)Axb
xTb
70
2
SCA-7212 Introduction à l’assimilation de données et applications à l’analyse atmosphérique UQAM Hiver 2009
SCA-7212 Introduction à l’assimilation de données et applications à l’analyse atmosphérique UQAM Hiver 2009
’ Matrice hessienne et covariance d erreur d an e ’ •Matrailcyeshseisneen:J"2JB1HTR1H XiXjji
’ ’ •Covariance d erreur d analyse
Pa(IKH)BBKHB
’ •Substitue K par l expression donnée précédemment PaBB1HTR1H1HTR1HB B1HTR1H1B1HTR1H BHTR1HB B1HTR1H1IHTR1HBHTR1HB B1HTR1H1
’ Exemple pour l analyse en un point
•Analyse de température en un point sur le dernier niveau du modèle utilisant une mesure de la température à 10m TbNiveau du modèle
Tobs.
Niveau à 10 m
’ Opérateur d observation:HT =T Valeur analysée:TaTb (Tobs. Tb)
Estimé minimisant la variance d erreur d analyse: ’ ’ 2 obb2 2 2
4
SCA-7212 Introduction à l’assimilation de données et applications à l’analyse atmosphérique UQAM Hiver 2009
’ Formulation variationnelle: exemple pour l analyse en un point •Minimiser la fonction coût: J(T)21(Tb2Tb)221(To2Tobs)2 J(T) J(T2Tb) (T2Tobs) Tbo
TaT2b222(TobsTb) b o b
’ Incrément d analyse(Ta- Tb):changement apporté au champ d’essai pour s’ajuster à la valeur observée
’ Equivalent modèle de l observation(Tb): état-modèle est converti en équivalent de l’observation.
Méthode du gradient
• En partant du pointX(k),trouver un pointX(k+1)tel que J(X(k+1)) < J(X(k)) J(X)21XTQXXTbC Qpositive ce qui signifie que pour tout vecteurest définie X,XTQX> 0 Ceci nous assure qu’un minimum unique existe
1/ CalculerJ(X(k)) 2/ Direction de recherche:
3/ Fouille linéaire
4/ Nouvel itéré:
J(X(k))QX(k)b gk J(X(k)) QX(k)b
f()J(X(k) gk)J(X()) ddf()dXd()TJ(X(k) gk) gTQX(k)b Qg k k gTkQgkgTkgk0 gTg *k k gTQg k k
k X(k1)X( ) *gk
5
SCA-7212 Introduction à l’assimilation de données et applications à l’analyse atmosphérique UQAM Hiver 2009
Convergence de la minimisation et préconditionnement
•
•
Minimisation de J() =1/2(T.
Peu importe le point de départ, la minimisation converge en une seule itération.
Préconditionnement du 3D-Var par changement de variables •Formulation originale J(X)12XXb TB1XXb21HXyTR1HXy J(X)B1XXbHTR1HXy •Changement de variables B1/ 2(XXb) XXbB1/ 2 X() •Nouvelle forme: J()12T 12H(X())yTR1H(X())y J() B1/ 2THTR1H(X())y •Algorithmes de minimisation *Gradient conjugué (réf. Gollub et van Loan, 1996) *Quasi-newton (Navon et Legler, 1987:Mon. Wea. Rev.,1159741051-2), *Lewiset al.(2006): ch.10 à 12 •Minimisation comprend généralement moins d une centaine ’ d itérations ’
6
SCA-7212 Introduction à l’assimilation de données et applications à l’analyse atmosphérique UQAM Hiver 2009
Modélisation des covariances d erreur de ’ prévision •Représentation des covariances B(x1,x2) (x1)(x2) T où(x) est l’erreur de prévision au point x Propriétés
Forme matricielle des covariances: B =C où S est la matrice diagonale contenant les écarts-type. Modèles de corrélations homogène et isotropes
0 2
0
0 0 n
C(x1,x2) = f(|x1- x2|) Isotrope: fonction ne dépend que de la distance entre deux points Homogène: cette dépendance est la même en tout point (la fonction de corrélation ne change pas) ’ Corrélationshomogènesetisotropesnimpliquentpasqueles’covariances le soient puisque les écarts-type peuvent varier d un point à un autre Forme spectrale des corrélations homogènes et isotropes est une matrice diagonale
7
SCA-7212 Introduction à l’assimilation de données et applications à l’analyse atmosphérique UQAM Hiver 2009
Représentation spectrale des corrélations L m •ouFerriniumediionselnnirléeSedse~ 1L(x)eimKxdxS 0 m *où K = 2/L(x)~meimKxS1~ m * m m *rPirpo:été ’ •Forme speCct(rma,lne)dun(em)m(atrni)ce T (S)(S)TS(T)ST CT
•
Relation inverse:
CS1C(S1)T
ST
ST
•Forme spectrale:C(~m,n)L120L(x1)eimKx1dx10L(x2)einKx2dx2 12Ldx1eimKx1L(x1)(x)einKx2dx L0 0 2 2 L12L0dx1emKx L0f(|x1x2|)e dx2 i1inKx2 •Changement de variable:=x1- x2 L L C(~m,n)12dx1eimKx1()einK(x1 ) L0 0f d 1Ldx e( )1Lf e d 21i mn Kx()inK L0 0 f1Ldx e( )1 nf m i m n Kx ~n1 ~() L0n
•La forme spectrale de la matrice des corrélations conduit à une matrice diagonale dont les éléments sont obtenus des coefficients spectraux de la fonction de corrélationf()
8
SCA-7212 Introduction à l’assimilation de données et applications à l’analyse atmosphérique UQAM Hiver 2009
Remarques
•
•
•
Cas 2D sur le plan * (x,y)Passage en coordonnées polaires:(r,) *Transformée de Hankel unidimensionnelle (c.f. Daley (1991), ch.4, sect. 4.3 et Annexe G) développement en termes de fonctions de Bessel Cas 2D sur la sphère *Représentation spectrale est basée sur les harmoniques sphériques (zonales) *Fonctions de corrélations sont représentées en termes des composantes zonales seulement (Boer (1983); Gauthieret al.(9139)) *uahteirGet al.(1998):modèle de corrélation homogène et isotrope sur la sphère (utilisé dans le 3D-Var du SMC) Modèle de covariance dont la représentation est compacte (e.g., 2N coefficients au lieu de N(N+1)/2
T1 / 21 1 / 2 On a tout d’abord que:B1 / 2CSTTCS En effet, (S-1)T= S. découle du fait que S est une transformation unitaire. Ceci S1vS1vv v 1,2G1,2S ~v1T(S1)TS1~v2~v1T~v2 (S1)TS1Id’ Variation de H(X) causée par une variationX = B1/2de l état-modèleH(X0 X)H(X0)HX(X0)XH' (X0) X o’ùX0=Xb+ G0. H(X0) estla matrice jacobienne deHévaluée enX0.
’ E’xemple:assimilationdunemesured intensité de vent •Intensité de vent V et composantes horizontales du vent u et v:2 2 Vuv
Perturbation de V causée par un changementu VVu vV uv etv:u(0,0)v(0,0) u v VV u (u0,v0) (u0,v0) uv v u H' (u0,v0)H' (X0)X0 v Gradient de J0par rapport à X: XJ0(X0)H'(X0)TR1(H(X0)y) u0//u202v202u02v220Vobs. 0 0 0 v uv o
Aucune correction sur la direction
10
SCA-7212 Introduction à l’assimilation de données et applications à l’analyse atmosphérique UQAM Hiver 2009
Expression pour le gradient deJ0() •Evaluation de Jo:Jo() 21H(X())yTR1H(X())y C1/ 21S1X1XXb XHH(X)yR1R1(H(X)y)
•
Evaluation du gradient de Jo: J0(0)X/TXJo(X)(B1 / 2)TXJo(X) (B1 / 2)TH'TR1H(X)y
•Fonction coût est représentée par une composition de changements de variables et le gradient peut être obtenue en applicant la règle de dérivation en chaîne
Forme duale du 3D-Var: le 3D-PSAS
•Cohn et al., 1998; Courtier, 1997; El Akkraouiet al., 2008: XaXbBHTRHBHT1yHXb XbBHTw
où w est tel que
RHBHTwyHXb
Minimisation dans l espace des observations ’ J(w)12wTRHBHTwwT
yHXb
•Remaeuqr *que le nombre de degrés de liberté deNombre d’observations est moindre X *Formulation similaire à celle de schémas comme l’interpolation optimale ce qui facilite son implémentation *Equivalence n’est vraie qu’en autant queHsoit linéaire. *Préconditionnement de la minimisation est plus difficile. *Opérateurs sont les mêmes que pour le 3D-Var.