En dépit de progrès croissants durant la dernière décennie, la complexité des écosystèmes marins est encore imparfaitement simulée par les modèles.Les formulations des processus biogéochimiques sont en général établies de manière empirique et contraintes par une multitude de paramètres.Il est ainsi généralement admis que leurs incertitudes impactent fortement l'estimation de la production primaire, dont le rôle dans le cycle du carbone est primordial.Analyser les impacts de l'incertitude des modèles est donc nécessaire pour améliorer la représentation des caractéristiques biogéochimiques de l'océan.Dans le contexte d'assimilation de données de la couleur de l'océan, la définition des erreurs de prévision représente de plus un important verrou aux performances des systèmes.Ces points seront analysés dans cette thèse. L'objectif sera d'examiner, dans un contexte de modélisation/assimilation, la pertinence d'utiliser une approche probabiliste basée sur une simulation explicite des incertitudes biogéochimiques du modèle couplé au 1/4° NEMO/PISCES sur l'océan Atlantique Nord.A partir d'une simulation déterministe du modèle PISCES, nous proposerons une méthode pour générer des processus aléatoires, AR(1), permettant d'inclure des structures spatiales et temporelles de corrélations.A chaque pas de temps, ces perturbations aléatoires seront ensuite introduites dans le modèle par l'intermédiaire de paramétrisations stochastiques.Elles simuleront 2 différentes classes d'incertitudes: les incertitudes sur les paramètres biogéochimiques du modèle et les incertitudes dues aux échelles non résolues dans le cas d'équations non linéaires. L'utilisation de paramétrisations stochastiques permettra ainsi d'élaborer une version probabiliste du modèle PISCES, à partir de laquelle nous pourrons réaliser une simulation d'ensemble de 60 membres.La pertinence de cette simulation d'ensemble sera évaluée par comparaison avec les observations de la couleur de l'océan SeaWIFS. Nous montrerons en particulier que la simulation d'ensemble conserve les structures de grande échelle présentes dans la simulation déterministe.En utilisant les distributions de probabilité définies par les membres de l'ensemble, nous montrerons que l'ensemble capture l'information des observations avec une bonne estimation de leurs statistiques d'erreur (fiabilité statistique). L'intérêt de l'approche probabiliste sera ainsi d'abord évalué dans un contexte de modélisation biogéochimique. / In spite of recent advances, biogeochemical models are still unable to represent the full complexity of marine ecosystems.Since mathematical formulations are still based on empirical laws involving many parameters, it is now well established that the uncertainties inherent to the biogeochemical complexity strongly impact the model response.Improving model representation therefore requires to properly describe model uncertainties and their consequences.Moreover, in the context of ocean color data assimilation, one of the major issue rely on our ability to characterize the model uncertainty (or equivalently the model error) in order to maximize the efficiency of the assimilation system.This is exactly the purpose of this PhD which investigates the potential of using random processes to simulate some biogeochemical uncertaintiesof the 1/4° coupled physical–biogeochemical NEMO/PISCES model of the North Atlantic ocean.Starting from a deterministic simulation performed with the original PISCES formulation, we propose a genericmethod based on AR(1) random processes to generate perturbations with temporal and spatial correlations.These perturbations are introduced into the model formulations to simulate 2 classes of uncertainties: theuncertainties on biogeochemical parameters and the uncertainties induced by unresolved scales in the presenceof non-linear processes. Using these stochastic parameterizations, a probabilistic version of PISCES is designedand a 60-member ensemble simulation is performed.The implications of this probabilistic approach is assessed using the information of the probability distributions given of this ensemble simulationThe relevance and the impacts of the stochastic parameterizations are assessed from a comparison with SeaWIFS satellite data.In particular, it is shown that the ensemble simulation is able to produce a better estimate of the surface chlorophyll concentration than the first guess deterministic simulation.Using SeaWIFS ocean color data observations, the statistical consistency (reliability) of this prior ensemble is demonstrated using rank histograms.Finally, the relevance of our approach in the prospect of ocean color data assimilation is demonstrated by considering a 3D optimal analysis of the ensemble (one updateat one time step) performed from the statistic errors of the stochastic ensemble simulation previously stated.During this experiment, the high resolution SeaWIFS ocean color data are assimilated using a Ensemble Transform Kalman Filter (ETKF) analysis scheme and the non gaussian behaviour and non linear relationshipbetween variables are taken into account using anamorphic transformations.More specifically, we show that the analysis of SeaWIFS data improves the representation and the ensemble statistics of chlorophyll concentrations.

Ce travail porte sur la quantification d'incertitude dans la modélisation des émissions de polluants atmosphériques dues au trafic routier d'une aire urbaine. Une chaîne de modélisations des émissions de polluants atmosphériques est construite, en couplant un modèle d’affectation dynamique du trafic (ADT) avec un modèle de facteurs d’émission. Cette chaîne est appliquée à l’agglomération de Clermont-Ferrand (France) à la résolution de la rue. Un métamodèle de l’ADT est construit pour réduire le temps d’évaluation du modèle. Une analyse de sensibilité globale est ensuite effectuée sur cette chaîne, afin d’identifier les entrées les plus influentes sur les sorties. Enfin, pour la quantification d’incertitude, deux ensembles sont construits avec l’approche de Monte Carlo, l’un pour l’ADT et l’autre pour les émissions. L’ensemble d’ADT est évalué et amélioré grâce à la comparaison avec les débits du trafic observés, afin de mieux échantillonner les incertitudes / This work focuses on the uncertainty quantification in the modeling of road traffic emissions in a metropolitan area. The first step is to estimate the time-dependent traffic flow at street-resolution for a full agglomeration area, using a dynamic traffic assignment (DTA) model. Then, a metamodel is built for the DTA model set up for the agglomeration, in order to reduce the computational cost of the DTA simulation. Then the road traffic emissions of atmospheric pollutants are estimated at street resolution, based on a modeling chain that couples the DTA metamodel with an emission factor model. This modeling chain is then used to conduct a global sensitivity analysis to identify the most influential inputs in computed traffic flows, speeds and emissions. At last, the uncertainty quantification is carried out based on ensemble simulations using Monte Carlo approach. The ensemble is evaluated with observations in order to check and optimize its reliability