Academic literature on the topic 'Météorologie – Observations – Laboratoires'

L'assimilation de données à méso-échelle permet d'initialiser les modèles régionaux de prévision numérique du temps, en combinant une ébauche du modèle avec les observations disponibles notamment à cette échelle. L'émergence de stations météorologiques connectées fournit une source d'observations d'opportunité permettant de densifier le réseau d'observation de surface. Ces nouvelles stations permettent d'observer à fine échelle la convection profonde près de la surface (Mandement, 2020). Cette thèse propose ainsi d’explorer la capacité de ces observations d'opportunité de température, d’humidité relative et de pression à améliorer la prévision de phénomènes météorologiques de méso-échelle, en les assimilant dans le modèle régional AROME-France.L'étape de pré-traitement de ces observations est nécessaire pour corriger et filtrer les observations considérées anormales vis-à-vis de l'ébauche du modèle, et d'écrémer les observations spatialement proches. Ce pré-traitement permet d'apporter à l'assimilation près de 129 fois plus d'observations au sol de pression, 3 fois plus d'observations de température et 6 fois plus d'observations d'humidité relative que dans le cas où seules les observations standards de surface sont utilisées. Des expériences avec et sans les observations d'opportunité ont été menées (méthode OSE) sur une période d'un mois. Ces OSE ont d'abord été réalisées en assimilant de manière indépendante les trois types d'observations d'opportunité susmentionnés, puis de manière conjointe. Les résultats de l'assimilation des observations d'opportunité de pression montrent une diminution de l'écart quadratique moyen entre la prévision à 1 h d'échéance et les observations standards de pression de 10.3 % en France, avec le schéma 3DEnVar. Il en est de même pour l'assimilation des observations d'opportunité de température et d'humidité relative, qui permettent une diminution de 0.9 % et de 1 % respectivement par rapport aux observations standards de la même grandeur. Avec le réglage actuel du schéma 3DEnVar, il apparaît que les observations de surface disposent d'un poids moindre à l'analyse par rapport aux autres observations et par rapport à l'ébauche. L'assimilation de nombreuses observations d'opportunité de surface contribue à compenser cet effet.Le type de schéma d'assimilation et son réglage jouent un rôle important dans l'assimilation de ces nouvelles observations. Le schéma d'assimilation 3DVar n'est ainsi pas capable de tirer profit des observations d'opportunité, du fait de la création d'incréments à la fois isotropes et de grandes dimensions horizontales. Des études de cas ont été menées, dans un premier temps sur des situations comportant de forts gradients de pression de surface — comme dans le cas d'un système convectif de méso-échelle, d'un front, d'une dépression de méso-échelle ou d'un mascaret atmosphérique ; puis dans des cas comportant de forts gradients de température ou d'humidité relative près de la surface — dans des cas de brise de mer, de brouillard, d'îlot de chaleur urbain ou de ligne orageuse. Ces études de cas ont permis de mettre en évidence la capacité des observations d'opportunité à améliorer la représentation de ces phénomènes, en contraignant l'analyse près de la surface<br>Mesoscale data assimilation is used to initialise regional numerical weather prediction models, by combining a first guess with the available observations particularly at this scale.The emergence of personal weather stations (PWS) is a source of observations that can be used to densify the surface observation network. These new observations have demonstrated their ability to observe deep convection near the surface at fine scales. This thesis proposes to explore the capacity of these temperature, relative humidity and pressure observations to improve the forecasting of mesoscale meteorological phenomena, by assimilating them in the AROME-France regional model.These observations need to be pre-processed in order to correct and filter out observations that are considered anomalous in relation to the first model guess, and to be thinned out to remove close observations in space.This pre-processing makes it possible to assimilate almost 129 times more pressure observations, 3 times more temperature observations and 6 times more relative humidity observations than in the case where only standard surface observations are used.Experiments with and without the PWS observations were carried out (OSE method) over a period of one month. These OSEs were first carried out by assimilating the three types of PWS observations mentioned above independently, and then jointly. The results of the assimilation of PWS pressure observations show a reduction in the mean square deviation between the 1 h forecast and the standard pressure observations of 10.3 % in France, using the 3DEnVar scheme. The same applies to the assimilation of PWS temperature and relative humidity observations, which result in a reduction of 0.9 % and 1 % respectively compared to standard observations of the same parameter. With the current setting of the 3DEnVar scheme, it appears that surface observations are given less weight in the analysis than both other observations and the first guess. The assimilation of many PWS surface observations helps to compensate for this effect.The type of assimilation scheme and its adjustment play an important role in the assimilation of these new observations. The use of the 3DVar assimilation scheme is thus unable to take advantage of dense PWS observations, due to the creation of increments that are both isotropic and of large horizontal dimensions.Case studies were carried out, firstly on situations involving strong gradients in surface pressure - as in the case of a mesoscale convective system, a front, a mesoscale low pressure system or an atmospheric bore; then on cases involving strong gradients in surface temperature or relative humidity - in the case of a sea breeze, a fog, an urban heat island or a squall line. These case studies highlighted the ability of PWS observations to improve the representation of these phenomena, by constraining the surface analysis