L'observation adaptative (OA) est une pratique de prévision numérique du temps (PNT) qui cherche à prévoir quel jeu (ou réseau) d'observations supplémentaires à déployer et à assimiler dans le futur améliorera les prévisions. L'objectif est d'accroître la qualité des prévisions météorologiques en ajoutant des observations là où elles auront le meilleur impact (optimal). Des méthodes numériques d'OA apportent des réponses objectives mais partielles. Elles prennent en compte à la fois les aspects dynamiques de l'atmosphère à travers le modèle adjoint, et aussi le système d'assimilation de données. Le système d'assimilation de données le plus couramment utilisé pour l'OA est le 4D-Var. Ces méthodes linéaires (technologie de l'adjoint) reposent cependant sur une réalisation déterministe (ou trajectoire) unique. Cette trajectoire est entachée d'une incertitude qui affecte l'efficacité de l'OA. Le point de départ de ce travail est d'évaluer l'impact de l'incertitude associée au choix de cette trajectoire sur une technique: la KFS. Un ensemble de prévisions est utilisé pour étudier cette sensibilité. Les expériences réalisées dans un cadre simplifié montrent que les solutions de déploiement peuvent changer en fonction de la trajectoire choisie. Il est d'autant plus nécessaire de prendre cette incertitude en considération que le système d'assimilation utilisé n'est pas vraiment optimal du fait de simplifications liées à sa mise en oeuvre. Une nouvelle méthode d'observation adaptative, appelée Variance Reduction Field (VRF), a été développée dans le cadre de cette thèse. Cette méthode permet de déterminer la réduction de variance de la fonction score attendue en assimilant une pseudo-observation supplémentaire pour chaque point de grille. Deux approches de la VRF sont proposées, la première est basée sur une simulation déterministe. Et la seconde utilise un ensemble d'assimilations et de prévisions. Les deux approches de la VRF ont été implémentées et étudiées dans le modèle de Lorenz 96. Le calcul de la VRF à partir d'un ensemble est direct si l'on dispose déjà des membres de l'ensemble. Le modèle adjoint n'est pas nécessaire pour le calcul.L'implémentation de la VRF dans un système de prévision du temps de grande taille, tel qu'un système opérationnel, n'a pas pu être réalisée dans le cadre de cette thèse. Cependant, l'étude de faisabilité de la construction de la VRF dans l'environnement OOPS a été menée. Une description de OOPS (version 2013) est d'abord présentée dans le manuscrit, car cet environnement est une nouveauté en soi. Elle est suivie de la réflexion sur les développements à introduire pour l'implémentation de la VRF.

L'observation adaptative (OA) est une pratique de prévision numérique du temps (PNT) qui cherche à prévoir quel jeu (ou réseau) d'observations supplémentaires à déployer et à assimiler dans le futur améliorera les prévisions. L'objectif est d'accroître la qualité des prévisions météorologiques en ajoutant des observations là où elles auront le meilleur impact (optimal). Des méthodes numériques d'OA apportent des réponses objectives mais partielles. Elles prennent en compte à la fois les aspects dynamiques de l'atmosphère à travers le modèle adjoint, et aussi le système d'assimilation de données. Le système d'assimilation de données le plus couramment utilisé pour l'OA est le 4D-Var. Ces méthodes linéaires (technologie de l'adjoint) reposent cependant sur une réalisation déterministe (ou trajectoire) unique. Cette trajectoire est entachée d'une incertitude qui affecte l'efficacité de l'OA. Le point de départ de ce travail est d'évaluer l'impact de l'incertitude associée au choix de cette trajectoire sur une technique: la KFS. Un ensemble de prévisions est utilisé pour étudier cette sensibilité. Les expériences réalisées dans un cadre simplifié montrent que les solutions de déploiement peuvent changer en fonction de la trajectoire choisie. Il est d'autant plus nécessaire de prendre cette incertitude en considération que le système d'assimilation utilisé n'est pas vraiment optimal du fait de simplifications liées à sa mise en oeuvre. Une nouvelle méthode d'observation adaptative, appelée Variance Reduction Field (VRF), a été développée dans le cadre de cette thèse. Cette méthode permet de déterminer la réduction de variance de la fonction score attendue en assimilant une pseudo-observation supplémentaire pour chaque point de grille. Deux approches de la VRF sont proposées, la première est basée sur une simulation déterministe. Et la seconde utilise un ensemble d'assimilations et de prévisions. Les deux approches de la VRF ont été implémentées et étudiées dans le modèle de Lorenz 96. Le calcul de la VRF à partir d'un ensemble est direct si l'on dispose déjà des membres de l'ensemble. Le modèle adjoint n'est pas nécessaire pour le calcul.L'implémentation de la VRF dans un système de prévision du temps de grande taille, tel qu'un système opérationnel, n'a pas pu être réalisée dans le cadre de cette thèse. Cependant, l'étude de faisabilité de la construction de la VRF dans l'environnement OOPS a été menée. Une description de OOPS (version 2013) est d'abord présentée dans le manuscrit, car cet environnement est une nouveauté en soi. Elle est suivie de la réflexion sur les développements à introduire pour l'implémentation de la VRF. / The purpose of adaptive observation (AO) strategies is to design optimal observation networks in a prognostic way to provide guidance on how to deploy future observations. The overarching objective is to improve forecast skill. Most techniques focus on adding observations. Some AO techniques account for the dynamical aspects of the atmosphere using the adjoint model and for the data assimilation system (DAS), which is usually either a 3D or 4D-Var (ie. solved by the minimization of a cost function). But these techniques rely on a single (linearisation) trajectory. One issue is to estimate how the uncertainty related to the trajectory affects the efficiency of one technique in particular: the KFS. An ensemble-based approach is used to assess the sensitivity to the trajectory within this deterministic approach (ie. with the adjoint model). Experiments in a toy model show that the trajectory uncertainties can lead to significantly differing deployments of observations when using a deterministic AO method (with adjoint model and VDAS). This is especially true when we lack knowledge on the VDAS component. During this work a new tool for observation targeting called Variance Reduction Field (VRF)has been developed. This technique computes the expected variance reduction of a forecast Score function that quantifies forecast quality. The increase of forecast quality that is a reduction of variance of that function is linked to the location of an assimilated test probe. Each model grid point is tested as a potential location. The VRF has been implemented in a Lorenz 96 model using two approaches. The first one is based on a deterministic simulation. The second approach consists of using an ensemble data assimilation and prediction system. The ensemble approach can be easily implemented when we already have an assimilation ensemble and a forecast ensemble. It does not need the use of the adjoint model. The implementation in real NWP system of the VRF has not been conducted during this work. However a preliminary study has been done to implement the VRF within OOPS (2013 version). After a description of the different components of OOPS, the elements required for the implementation of the VRF are described.

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.<br />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. <br /><br />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. <br /><br />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.<br />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.<br /><br />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.<br /><br />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.