In this thesis, I apply the adjoint for the Community Multiscale Air Quality model (hereafter CMAQ-ADJ) in a high spatial resolution study of the sensitivity of ozone to several of its precursors in the regions surrounding the Great Lakes. CMAQ-ADJ was originally developed for low spatial resolution applications. In order to use it in high spatial resolution (12 km) studies, it was necessary to resolve a conflict between the pre-set fixed output time step interval in CMAQ-ADJ and the CMAQ-calculated irregular synchronization time-step and also to modify the meteorological interface for the backward model integrations. To increase computation efficiency, the chemistry time-step in the modified CMAQ-ADJ is checkpointed instead of being re-calculated in the backward part of the model as before. I used the modified model to analyze the sensitivity of ozone to precursor species for cases of assumed high ozone episode in two target locations in southwestern and east-central Ontario. The studies examined the influence of pre-existing ozone, NO, CO, anthropogenic volatile organic compounds (VOCs) and isoprene on ozone level changes for the 69 hours immediately preceding the assumed high ozone event. The results are dominated by the long-distance advection, local meteorology (lake breezes), air temperature, the underlying surface features, and emissions in the pollutant pathway. Both production and titration of ozone by NOx is evident at different times and locations in the simulations. The industrial Midwest U.S. and Ohio Valley have been shown to be an important source of anthropogenic emission of NO and most VOCs that contribute to high ozone events in southwestern and east-central Ontario. Isoprene from the northern forest suppresses ozone in both target regions, with a greater magnitude in east-central Ontario. The response of ozone level in the two selected receptor regions in Ontario to different VOCs depends on the type of VOC, the time and location they are emitted, and the air temperature. Increasing VOC emissions in urban areas such as Toronto and Ottawa in the morning can enhance the ozone level by late afternoon. Increasing VOCs except ethylene and formaldehyde in regions with large VOC/NOx ratio in the morning tends to suppress the ozone level by late afternoon. Among all the species examined, NO has the largest impact on the target ozone level changes. CO is very unlikely to significantly influence the ozone level changes in southwestern or east-central Ontario.

Cette thèse traite de l'estimation du mouvement à partir d'une séquence d'images par des méthodes d'assimilation de données. Les travaux ont porté sur la prise en compte des objets dans les processus d'estimation, afin de corréler en espace les résultats obtenus. Les deux composantes méthodologiques que sont approche variationnelle et approche séquentielle sont traitées. L'algorithme variationnel repose sur une équation d'évolution, une équation d'ébauche et une équation d'observation. L'estimation s'obtient comme le minimum d'une fonction de coût. Dans une première étape, l'objet est décrit par sa courbe frontière. Le modèle dynamique caractérise l'évolution des images et déplace les objets afin que leurs positions correspondent à celles observées dans les acquisitions image. Cette approche impacte fortement les temps de calculs, mais permet une amélioration de l'estimation du mouvement. Deuxièmement, les valeurs de la matrice de covariance des erreurs d'ébauche sont modifiées afin de corréler, à moindre coût, les pixels de l'image. L'algorithme séquentiel présenté repose sur la création d'un ensemble de vecteurs d'état ainsi que sur des approches de localisation. Pour modéliser les objets, un nouveau critère de localisation portant sur l'intensité de niveau de gris des pixels a été défini. Cependant, la localisation, si elle est appliquée directement sur la matrice de covariance d'erreur, rend la méthode inutilisable pour de grandes images. Une approche consistant à découper le domaine global en sous-domaines indépendants, avant d'estimer le mouvement, a été mise au point. La prise en compte des objets intervient lors du découpage du domaine d'analyse global. / This thesis describes approaches estimating motion from image sequences with data assimilation methods. A particular attention is given to include representations of the displayed objects in the estimation process. Variational and sequential implementations are discussed in the document.The variational methods rely on an evolution equation, a background equation and an observation equation, which characterize the studied system and the observations. The motion estimation is obtained as the minimum of a cost function. In a first approach, the structures are modeled by their boundaries. The image model describes both the evolution of the gray level function and the displacement of the structures. The resulting motion field should allow the position of the structures in the model to match their observed position. The use of structures betters the result. A second approach, less expensive regarding the computational costs, is designed, where the structures are modeled by the values of the background error covariance matrix.The sequential approach, described in the thesis, relies on the creation of an ensemble of state vectors and on the use of localization methods. In order to model the structures, a new localization criteria based on the gray level values is defined. However, the localization method, if directly applied on the background error covariance matrix, renders the approach inoperable on large images. Therefore, another localization method is designed, which consists to decompose the image domain into independent subdomains before the estimation. Here, the structures representation intervenes while decomposing the global domain.

Les modèles emboîtés sont largement utilisés en météorologie et en océanographie. Ils permettent un accroissement local de la résolution, dans les zones où cela semble nécessaire, via l'intégration d'un même modèle sur une hiérarchie de grilles. Dans le cas d'interaction one-way, les conditions aux frontières pour la grille fine proviennent d'une interpolation de la solution obtenue sur la grille à plus faible résolution. Dans le cas d'interaction two-way, une rétroaction de la grille fine vers la grille grossière est ajoutée. Toutefois, le problème de l'assimilation variationnelle de données dans de tels systèmes n'a pas, ou peu, été étudié à ce jour. Ces classes de méthodes, notamment l'algorithme 4D-Var, permettent d'améliorer la solution d'un modèle, jusqu'ici mono-grille, en minimisant une fonctionnelle mesurant l'écart de ce modèle aux observations présentes sur une fenêtre temporelle. Le travail présenté ici vise donc à formuler un algorithme d'assimilation 4D-Var localement multi-grille. Pour le cas général d'une grille haute résolution emboîtée localement dans une autre à plus faible résolution, nous posons les équations du système adjoint dans les deux cas d'interactions one-way et two-way. Nous montrons ainsi que la formulation adjointe fait naturellement apparaître de nouvelles interactions entre les grilles, dans le sens opposé de celles existant dans la formulation directe. De plus, nous proposons différentes variantes à ces algorithmes, réalisant un couplage faible entre les solutions des différents modèles via l'ajout d'un terme de contrôle au niveau des transferts inter-grilles. Nous présentons également l'application d'une méthode multi-grille, le Full Approximation Scheme, à l'assimilation variationnelle de données. Cette approche permet d'obtenir un algorithme d'assimilation multi-grille potentiellement très efficace. Enfin, ces méthodes sont testées sur le cas d'un modèle Saint Venant 2D. Nous constatons une réduction importante des erreurs des solutions multi-grilles, ainsi qu'une accélération de la convergence de ces algorithmes.

Data assimilation in geophysical sciences aims at optimally estimating the state of the system or some parameters of the system's physical model. To do so, data assimilation needs three types of information: observations and background information, a physical/numerical model, and some statistical description that prescribes uncertainties to each componenent of the system.In my dissertation, new methodologies of data assimilation are used in atmospheric chemistry and physics: the joint use of a 4D-Var with a subgrid statistical model to consistently account for representativeness errors, accounting for multiple scale in the BLUE estimation principle, and a better estimation of prior errors using objective estimation of hyperparameters. These three approaches will be specifically applied to inverse modelling problems focussing on the emission fields of tracers or pollutants. First, in order to estimate the emission inventories of carbon monoxide over France, in-situ stations which are impacted by the representativeness errors are used. A subgrid model is introduced and coupled with a 4D-Var to reduce the representativeness error. Indeed, the results of inverse modelling showed that the 4D-Var routine was not fit to handle the representativeness issues. The coupled data assimilation system led to a much better representation of theCO concentration variability, with a significant improvement of statistical indicators, and more consistent estimation of the CO emission inventory. Second, the evaluation of the potential of the IMS (International Monitoring System) radionuclide network is performed for the inversion of an accidental source. In order to assess the performance of the global network, a multiscale adaptive grid is optimised using a criterion based on degrees of freedom for the signal (DFS). The results show that several specific regions remain poorly observed by the IMS network. Finally, the inversion of the surface fluxes of Volatile Organic Compounds (VOC) are carried out over Western Europe using EMEP stations. The uncertainties of the background values of the emissions, as well as the covariance matrix of the observation errors, are estimated according to the maximum likelihood principle. The prior probability density function of the control parameters is chosen to be Gaussian or semi-normal distributed. Grid-size emission inventories are inverted under these two statistical assumptions. The two kinds of approaches are compared. With the Gaussian assumption, the departure between the posterior and the prior emission inventories is higher than when using the semi-normal assumption, but that method does not provide better scores than the semi-normal in a forecast experiment.