Study of the optimization of an adaptive observation system designed to improve the forecast of meteorological lows
Etude de l'optimisation d'un système d'observation adaptatif pour l'amélioration de la prévision des dépressions météorologiques
Résumé
Forcasting severe cyclogenesis within numerical prediction systems remains a problematic issue even for short range forceasts (1 or 2 days). Observation targeting is designed to improve such cases and to cope with hard to predict situations. The predictability issue was among the scientific objectives of FASTEX which consisted in the first real-time test of such an observing strategy. Some additional observations were deployed over pre-computed sensitive areas (targets) that varied from day to day, according to the meteorological situation.
The sensitive areas of FASTEX were computed using adjoint techniques. So those unstable structures account for the dynamical properties of the atmosphere. It has been shown however, that targeting efficiency strongly depends on the data assimilation system that will process the targeted observations. In order to cope with this efficiency problem, we developped an approach called the {\textquotedblleft}sensitivity to observations{\textquotedblright}. Its computation enables us to draw up sensitivity maps that take into account all of the observations to be used within a given data assimilation system.
The formulation of the sensitivity to the observations is based on the adjoint of the assimilation operator. This linear computation combines forecast sensitivities using the adjoint forecast model and the influence of the adjoint of a variational data assimilation operator: it has been developped within a quasi-operational framework using the 3D-Var of ARPEGE (at Météo France).
In a diagnostic context, the sensitivity to the observations can be used as a critical tool to analyze the deployments of the adaptive observations that were tested during FASTEX. This technique provides us with an insight into the complex interactions of the different types of observations (conventional and targeted, at least) that intervene in the data assimilation process. The sensitivity to the observations appears to be a powerful tool to diagnose how the targeted observations individually impact the subsequent forecast. We show a case study for FASTEX IOP17.
This adjoint technique, when applied to the variational data assimilation process, is helpful to detect some unsuitable usage of the targeted data handled within such a process. We illustrate this kind of implementation on the IOP18 and isolate a few inconsitencies in the assimilation system that trigger spurious effects on the subsequent forecasts.
However, real-time is the natural context of targeting techniques; so we adapted the adjoint approach to prognosticate some suitable adaptive deployments of observations. This prognostic usage addresses the complex issue of the optimization of the targeting techniques. But its complexity makes optimization an untracktable problem for the moment. We consequently focused on some sub-optimal sampling strategies as a first step towards this prime objective and to renew the adjoint targeting techniques of FASTEX. In a simulated prognostic context, we test a real-time feasible startegy by discriminating between proposed realistic deployments. To do so, we use a statistical measure of the quality of the subsequent forecasts.
The sensitive areas of FASTEX were computed using adjoint techniques. So those unstable structures account for the dynamical properties of the atmosphere. It has been shown however, that targeting efficiency strongly depends on the data assimilation system that will process the targeted observations. In order to cope with this efficiency problem, we developped an approach called the {\textquotedblleft}sensitivity to observations{\textquotedblright}. Its computation enables us to draw up sensitivity maps that take into account all of the observations to be used within a given data assimilation system.
The formulation of the sensitivity to the observations is based on the adjoint of the assimilation operator. This linear computation combines forecast sensitivities using the adjoint forecast model and the influence of the adjoint of a variational data assimilation operator: it has been developped within a quasi-operational framework using the 3D-Var of ARPEGE (at Météo France).
In a diagnostic context, the sensitivity to the observations can be used as a critical tool to analyze the deployments of the adaptive observations that were tested during FASTEX. This technique provides us with an insight into the complex interactions of the different types of observations (conventional and targeted, at least) that intervene in the data assimilation process. The sensitivity to the observations appears to be a powerful tool to diagnose how the targeted observations individually impact the subsequent forecast. We show a case study for FASTEX IOP17.
This adjoint technique, when applied to the variational data assimilation process, is helpful to detect some unsuitable usage of the targeted data handled within such a process. We illustrate this kind of implementation on the IOP18 and isolate a few inconsitencies in the assimilation system that trigger spurious effects on the subsequent forecasts.
However, real-time is the natural context of targeting techniques; so we adapted the adjoint approach to prognosticate some suitable adaptive deployments of observations. This prognostic usage addresses the complex issue of the optimization of the targeting techniques. But its complexity makes optimization an untracktable problem for the moment. We consequently focused on some sub-optimal sampling strategies as a first step towards this prime objective and to renew the adjoint targeting techniques of FASTEX. In a simulated prognostic context, we test a real-time feasible startegy by discriminating between proposed realistic deployments. To do so, we use a statistical measure of the quality of the subsequent forecasts.
La prévision des cyclogenèses rapides par des modèles numériques reste un problème délicat, même à courte échéance (1-2 jours). Pour répondre à ce problème compté parmi les thèmes de recherche et objectifs scientifiques de la campagne FASTEX, le ciblage des observations doit améliorer la description de l'état initial des prévisions grâce au déploiement d'observations supplémentaires. La campagne FASTEX fut la première mise en £uvre expérimentale du ciblage au cours de laquelle les observations ciblées ont été déployées sur des zones géographiques dites sensibles calculées à l'avance.
Les zones sensibles de FASTEX, calculées avec les techniques issues des modèles linéaire et adjoint d'un modèle de prévision numérique, prennent en compte les propriétés dynamiques de l'atmosphère.
Cependant, l'efficacité du ciblage dépend beaucoup du système d'assimilation des données utilisé. Afin de reformuler une technique de ciblage utilisant le modèle adjoint, on a développé une approche dite de sensibilité aux observations. Ce calcul linéaire tient compte des caractéristiques de toutes les observations en présence et de la façon dont elles vont être assimilées. La formulation de la sensibilité d'un aspect de la prévision aux observations est basée sur le calcul de l'adjoint de l'opérateur d'assimilation auquel est combiné un calcul avec l'adjoint de la prévision. Cette technique a été développée dans un cadre quasi opérationnel avec l'algorithme 3D-Var d'ARPEGE.
La sensibilité aux observations permet, dans un contexte diagnostique, d'étudier de façon critique les déploiements d'observations adaptatives effectués durant la campagne FASTEX. Sur l'exemple de la POI17, l'étude de l'interaction des différents types d'observations qui interviennent dans l'assimilation (données conventionnelles et données ciblées) met en évidence des mécanismes complexes. Ces résultats éclairent le fonctionnement de l'impact des observations ciblées dans le système d'assimilation-prévision, ainsi que l'importance des valeurs observées pour l'impact final d'un jeu d'observations, qui explique l'effet parfois décevant de certains vols de FASTEX.
L'adjoint du système d'assimilation permet aussi de détecter des utilisations non optimales des observations ciblées dans le système 3D-Var. Le cas de la POI18 sert d'illustration pour une telle mise en £uvre de l'outil de la sensibilité aux observations. Cet outil révèle entre autres, la rusticité de la formulation des statistiques d'erreur de l'ébauche et d'observation modélisées pour ces données.
Ces résultats ont permis de proposer une nouvelle approche du ciblage dans un cadre pronostique. Cette approche est basée sur une simulation de la réduction de la variance d'erreur de prévision dans une direction instable. Cette technique prend en compte à la fois la dynamique de l'atmosphère, le système d'assimilation et les erreurs dans les conditions initiales (au sens statistique). Cette étude tend à définir une approche optimale du ciblage au sens où celui-ci maximise l'efficacité des observations additionnelles utilisées sous des contraintes pré-définies. Même si la vaste question de l'optimisation du ciblage reste trop ardue avec les outils d'investigation actuels, différentes techniques sub-optimales ont été proposées.
On a ainsi défini différentes stratégies de sélection de déploiements alternatifs qui ont été testées sur des situations de FASTEX. On montre ainsi la faisabilité de ces approches qui ouvrent la voie vers une formulation de techniques de ciblage plus optimales.
Les zones sensibles de FASTEX, calculées avec les techniques issues des modèles linéaire et adjoint d'un modèle de prévision numérique, prennent en compte les propriétés dynamiques de l'atmosphère.
Cependant, l'efficacité du ciblage dépend beaucoup du système d'assimilation des données utilisé. Afin de reformuler une technique de ciblage utilisant le modèle adjoint, on a développé une approche dite de sensibilité aux observations. Ce calcul linéaire tient compte des caractéristiques de toutes les observations en présence et de la façon dont elles vont être assimilées. La formulation de la sensibilité d'un aspect de la prévision aux observations est basée sur le calcul de l'adjoint de l'opérateur d'assimilation auquel est combiné un calcul avec l'adjoint de la prévision. Cette technique a été développée dans un cadre quasi opérationnel avec l'algorithme 3D-Var d'ARPEGE.
La sensibilité aux observations permet, dans un contexte diagnostique, d'étudier de façon critique les déploiements d'observations adaptatives effectués durant la campagne FASTEX. Sur l'exemple de la POI17, l'étude de l'interaction des différents types d'observations qui interviennent dans l'assimilation (données conventionnelles et données ciblées) met en évidence des mécanismes complexes. Ces résultats éclairent le fonctionnement de l'impact des observations ciblées dans le système d'assimilation-prévision, ainsi que l'importance des valeurs observées pour l'impact final d'un jeu d'observations, qui explique l'effet parfois décevant de certains vols de FASTEX.
L'adjoint du système d'assimilation permet aussi de détecter des utilisations non optimales des observations ciblées dans le système 3D-Var. Le cas de la POI18 sert d'illustration pour une telle mise en £uvre de l'outil de la sensibilité aux observations. Cet outil révèle entre autres, la rusticité de la formulation des statistiques d'erreur de l'ébauche et d'observation modélisées pour ces données.
Ces résultats ont permis de proposer une nouvelle approche du ciblage dans un cadre pronostique. Cette approche est basée sur une simulation de la réduction de la variance d'erreur de prévision dans une direction instable. Cette technique prend en compte à la fois la dynamique de l'atmosphère, le système d'assimilation et les erreurs dans les conditions initiales (au sens statistique). Cette étude tend à définir une approche optimale du ciblage au sens où celui-ci maximise l'efficacité des observations additionnelles utilisées sous des contraintes pré-définies. Même si la vaste question de l'optimisation du ciblage reste trop ardue avec les outils d'investigation actuels, différentes techniques sub-optimales ont été proposées.
On a ainsi défini différentes stratégies de sélection de déploiements alternatifs qui ont été testées sur des situations de FASTEX. On montre ainsi la faisabilité de ces approches qui ouvrent la voie vers une formulation de techniques de ciblage plus optimales.