Data assimilation and scale coupling for simulation of urban atmospheric dispersion
Assimilation de données et couplage d'échelles pour la simulation de la dispersion atmosphérique en milieu urbain
Résumé
Air quality monitoring is currently carried out with concentration measurements and with atmospheric dispersion modeling tools. These numerical models evaluate pollutant concentrations with a finer spatio-temporal resolution than measurements. Nevertheless, the estimates provided by these models are less accurate than measurements. In this research project, we studied multiscale coupling and data assimilation approaches to improve the estimates provided by the SIRANE atmospheric dispersion model, dedicated to the urban scale. The multiscale coupling approach consists in determining the boundary conditions of a simulation from another simulation on a larger scale. In this thesis work, we analyzed three methods for coupling the SIRANE model with the CHIMERE mesoscale model. This study shows that these methods can potentially estimate the air quality at the urban scale more satisfactorily than the mesoscale models (used alone). However, they do not necessarily improve the modeling of the boundary conditions of a simulation at the urban scale and the estimates provided by them. This is a priori due to the fact that the estimates provided by the CHIMERE model are not sufficiently good on our case study. It is possible, however, that these methods improve the results at the urban scale by using a better simulation at the regional scale. The data assimilation approach consists of combining the measurements and the modelled data to determine the best estimate of the system state. During this thesis, we studied three data assimilation methods : the unbiased method, the method that we called source apportionment modulation, and the Best Linear Unbiased Estimator method. This study indicates that these methods generally improve the estimates provided by the SIRANE model. The sensitivity study on the number of measurements used during the data assimilation indicates that, in general, higher is this number, more satisfactory are the results. Finally, the results show that the statistical performances associated with these three data assimilation methods are globally comparable on our case study.
La surveillance de la qualité de l'air est actuellement effectuée avec des mesures de concentration et à partir d'outils de modélisation de la dispersion atmosphérique. Ces modèles numériques évaluent les concentrations des polluants avec une résolution spatio-temporelle plus fine que les mesures. Néanmoins, les estimations fournies par ces modèles sont moins précises que les mesures. Dans ce projet de recherche, nous avons étudié les approches de couplage d'échelles et d'assimilation de données pour améliorer les estimations fournies par le modèle de dispersion atmosphérique SIRANE, dédié à l'échelle urbaine. L'approche de couplage d'échelles consiste à déterminer les conditions aux limites d'une simulation à partir d'une autre simulation à plus grande échelle. Au cours de ce travail de thèse, nous avons analysé trois méthodes afin de coupler le modèle urbain SIRANE et le modèle à méso-échelle CHIMERE. Cette étude montre que ces méthodes permettent potentiellement d'estimer la qualité de l'air à l'échelle urbaine de manière plus satisfaisante que les modèles à méso-échelle (utilisés seuls). Cependant, elles n'améliorent pas forcément la modélisation des conditions aux limites d'une simulation à l'échelle urbaine et les estimations fournies par celles-ci. Cela est a priori lié au fait que les estimations fournies par le modèle CHIMERE ne sont pas suffisamment satisfaisantes sur notre cas d'étude. Il est néanmoins possible que ces méthodes améliorent les résultats à l'échelle urbaine en utilisant une simulation à l'échelle régionale de meilleure qualité. L'approche d'assimilation de données consiste à combiner les mesures et les données modélisées afin de déterminer la meilleure estimation de l'état d'un système. Durant cette thèse, nous avons étudié trois méthodes d'assimilation de données : la méthode de débiaisement, la méthode que nous avons nommée modulation de la contribution des sources et la méthode Best Linear Unbiased Estimator. Cette étude indique que ces méthodes permettent globalement d'améliorer les estimations fournies par le modèle SIRANE. L'étude de sensibilité vis-à-vis du nombre de mesures utilisées lors de l'assimilation de données indique qu'en général, plus ce nombre est élevé plus les résultats sont satisfaisants. Enfin, les résultats montrent que les performances statistiques associées à ces trois méthodes d'assimilation de données sont globalement comparables entre elles sur notre cas d'étude.
Origine : Fichiers produits par l'(les) auteur(s)
Loading...