Seminaire Marina Duran Moro
Partie 1. Reconstruction 3D de la circulation océanique à partir d’images satellites à haute résolution
Partie 2. Étude de l’upwelling dans la région de Cassis à partir de données et de simulations numériques
Résumé de la partie 1:
La mission future SWOT collectera de données d’élévation de surface (SSH) à très haute résolution spatiale : une partie de la dynamique à petites longueurs d’onde, c’est-à-dire, de la sousméso-échelle, sera représentée dans ces observations. Les observations satellitaires servent à réaliser la reconstruction spatiale en surface et aussi à la projeter vers l’intérieur de l’océan et vers des autres variables. La question posée est donc quelles méthodes peuvent fournir ces estimés 3D et multivariés avec une bonne précision à des échelles proches de la sousméso-échelle. Nous nous situons dans ce travail de thèse dans un cadre d’assimilation de données et d’images : l’objectif du travail étant la reconstruction de façon précise de la dynamique dans la couche de surface de l’océan à partir d’observations satellitaires. Pour ce faire, nous implémentons une méthode qui utilise différentes observations en surface à deux étapes d’analyse séparées. Elle consiste d’abord d’une première étape d’assimilation de données qui réalise une correction linéaire de l’écoulement. La deuxième étape se base dans une méthode d’assimilation d’images (Gaultier et al, 2012) dont l’objectif est de bien localiser les structures lagrangiennes obtenues par le calcul des exposants de Lyapunov. Dans le but de fournir des incertitudes associées aux estimés, nous disposons d’une distribution de probabilité d’ébauche qui sera corrigé par notre méthode : (i) la première étape effectue une analyse SEEK pour corriger cette distribution d’ébauche en utilisant une observation d’élévation de SSH; (ii) la deuxième étape minimise une fonction coût en utilisant l’observation d’une image structure et nous obtenons ainsi une distribution de probabilité finale. Les estimés sont projetés dans la dimension verticale en utilisant des EOFs (Empirical Orthogonal Functions) 3D multivariées, de cette sorte nous avons des estimés de variables observées et des variables non-observées (Duran-Moro et al, 2017). La méthode est testée en utilisant des données synthétiques produites par deux configurations du modèle numérique NEMO.
