Modélisation des couches limites stables en Antarctique : calibration et analyse de sensibilité de la paramétrisation de la turbulence du modèle ARPEGE-Climat - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Modeling stable boundary layers in Antarctica : calibration and sensitivity analysis of the parameterization of turbulence in the ARPEGE-Climate model

Modélisation des couches limites stables en Antarctique : calibration et analyse de sensibilité de la paramétrisation de la turbulence du modèle ARPEGE-Climat

Résumé

Climate modeling is a key tool for understanding the climate system and for making projections of its future evolution. Yet numerical climate models have multiple sources of uncertainty. Among these, the representation of stable boundary layer processes remains one of the main points on which numerical models must make progress. The most extreme stable boundary layers are observed on the Antarctic plateau. A good modeling of Antarctica in numerical models is based on a good representation of energy exchanges within the boundary layer and in particular of turbulent fluxes. However, in a climate model, turbulent processes, as well as any other small-scale processes (not resolved by the dynamical part of the model), or processes not related to fluid mechanics (e.g. radiation), are based on a set of sub-models called physical parameterizations. These parameterizations introduce a certain number of parameters whose values are more or less well documented and which can be considered as the adjustment levers of the model. The model tuning step is the choice of the values of these different parameters and is considered as a crucial step in the development of the models. The classical approach is to look for an optimal model setting based on a set of metrics. This is a long and tedious work, in which one or two parameters are varied one at a time and which does not allow the exploration of all the possibilities of model adjustment. Moreover, the sources of uncertainty are not always taken into account and the whole procedure is not very reproducible. An approach inspired by History Matching has recently been proposed to calibrate the physics of atmospheric models. This approach proposes not to look for a potential optimal setting of the parameters, but to identify a region of the parameter space in which the model « performs well ». Associated with the use of statistical emulators mimicking the climate model behaviour, it allows to answer part of the problems posed by a more classical approach (exhaustive exploration of the parameter space, taking into account uncertainties, reproducibility). The work carried out during this thesis proposes to document through a hierarchy of configurations the performance of the numerical model ARPEGE-Climate over Antarctica. These simulations highlight a cold bias on the continental shelf. An empirical modification of the albedo computation is proposed that partially corrects the temperature bias during the austral summer period. A focus on Dome C (East Antarctica) shows biases regularly highlighted in the literature on the representation of stable boundary layers in numerical models. A History Matching approach is then applied to understand to what extent the biases highlighted on Dome C are due to a choice of model tuning or to intrinsic limits of the model physics. This approach, applied to a 1D version of the model, is based on an extreme stable boundary layer case (GABLS4) and a moderate boundary layer case (GABLS1). It is thus shown that the ARPEGE-Climat model contains sufficient physics to represent a range of stable boundary layers. This work was also an opportunity to contribute to the development of a tool based on these History Matching techniques and made available to the climate modeling community and to discuss the relevance of these new approaches.
La modélisation numérique du climat est un outil essentiel pour comprendre le fonctionnement du système climatique et pour réaliser des projections de son évolution future. Pourtant les modèles numériques de climat comportent de multiples sources d’incertitude. Parmi celles-ci, la représentation des phénomènes de couches limites stables reste un point sur lequel les modèles numériques doivent progresser. Les couches limites stables les plus extrêmes sont observées sur le plateau Antarctique. Une bonne modélisation de cette région dans les modèles numériques repose sur une bonne représentation des échanges d’énergie au sein de la couche limite et en particulier des flux turbulents. Or dans un modèle de climat, les processus turbulents, ainsi que tout phénomène non résolu par la composante dynamique du modèle reposent sur un ensemble de « sous-modèles » appelés paramétrisations physiques. Ces para-métrisations, en simplifiant les processus physiques en jeu, introduisent des paramètres dont les valeurs sont plus ou moins bien documentées et qui peuvent être considérés comme les leviers de réglage du modèle. L’étape cruciale de la calibration du modèle vise à choisir les valeurs de ces paramètres. L’approche classique consiste à chercher un réglage du modèle optimal sur la base d’un jeu de métriques. C’est un travail long et fastidieux, dans lequel on fait varier un ou deux paramètres à la fois et qui ne permet pas d’explorer l’ensemble des possibilités de réglage du modèle. De plus les sources d’incertitudes ne sont pas toujours prises en compte et l’ensemble de la procédure est peu documentée, peu formalisée, et peu reproductible. Une approche inspirée de l’History Matching a été récemment proposée pour calibrer la physique des modèles atmosphériques. Cette approche propose non pas de chercher un réglage optimal des paramètres, mais de déterminer une région de l’espace des paramètres dans lequel le modèle se « comporte bien ». Associée à l’utilisation d’émulateurs statistiques simulant le comportement du modèle de climat, elle permet de répondre à une partie des problèmes posés par une approche plus classique. Le travail réalisé au cours de cette thèse se propose de documenter à travers une hiérarchie de configurations le comportement du modèle numérique ARPEGE-Climat sur l’Antarctique. Ces simulations mettent en évidence un biais froid sur le plateau continental. Une modification empirique du calcul de l’albédo de la neige corrige partiellement ce biais durant la période de l’été austral, soulignant l’importance de sa paramétrisation pour la représentation du climat antarctique. Une étude plus détaillée sur Dôme C indique que le modèle ARPEGE-Climat peine à représenter les couches limites stables. Le modèle reproduit ce type d’erreur sur le cas de couche limite stable GABLS4 et dans une moindre mesure sur le cas GABLS1. Une approche de type History Matching est appliquée à une version 1D du modèle pour comprendre dans quelle mesure ces erreurs relèvent d’un choix de réglage du modèle ou de limites intrinsèques de sa physique. On montre ainsi que le modèle ARPEGE-Climat contient la physique suffisante pour représenter toute une gamme de couches limites stables. De plus la force de cette méthode est de pouvoir utiliser l’information obtenue dans le cadre 1D pour calibrer le modèle 3D, tout en garantissant un comportement satisfaisant sur les couches limites stables. Ce travail a également été l’occasion de contribuer au développement d’un outil basé sur ces techniques d’History Matching et mis à la disposition de la communauté de la modélisation du climat, et de discuter la pertinence de ces nouvelles approches.
Fichier principal
Vignette du fichier
AUDOUIN__-_Olivier.pdf (32.52 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04170839 , version 1 (25-07-2023)

Identifiants

  • HAL Id : tel-04170839 , version 1

Citer

Olivier Audouin. Modélisation des couches limites stables en Antarctique : calibration et analyse de sensibilité de la paramétrisation de la turbulence du modèle ARPEGE-Climat. Sciences de la Terre. Institut National Polytechnique de Toulouse - INPT, 2021. Français. ⟨NNT : 2021INPT0056⟩. ⟨tel-04170839⟩
30 Consultations
3 Téléchargements

Partager

Gmail Facebook X LinkedIn More