Data assimilation for micrometeorological applications with the fluid dynamics model Code_Saturne

Air quality is a major health and environmental issue worldwide. Similarly, the accuracy of wind resource assessment triggers significant economic and environmental repercussions. In order to study these two topics, it is necessary to accurately determine local wind fields using numerical models of micrometeorology. Such simulations are extremely sensitive to meteorological conditions at the domain borders. Up to present, the boundary conditions (BC) were estimated based on the results of larger scale simulations, which provide information that is not accurate enough, or even incomplete, for local scale purposes. As a matter of fact, the lack of knowledge about the BC represents a major source of error and uncertainty for micrometeorological studies.The potential sites for wind farm installation as well as built environments (urban areas or industrial sites) can be equipped with instruments measuring meteorological variables or pollutant concentration. The observations provided by these instruments represent a second source of information, insufficiently exploited for micrometeorological studies. Indeed, the in situ measurements are perturbed by the complex geometrical features on sites and might be difficult to exploit. In order to improve the exactitude and the accuracy of the BC, and consequently of the locale-scale atmospheric simulations, data assimilation (DA) methods, suited to this micrometeorological problem, could be applied to take benefit from the available observations.So far, DA methods have been mainly developed for large-scale meteorology and employed to correct the initial conditions (IC). In order to broaden the application scope of DA to micrometeorology, existing DA methods must be adapted to be able to correct the BC instead of IC.Two of the existing DA methods seem compatible with computational fluid dynamics (CFD) models used for micrometeorology over complex geometries: the back and forth nudging (BFN) algorithm and the iterative ensemble Kalman smoother (IEnKS). We have adapted these two methods, from a theoretical perspective, so as to include the BC in the control variables. The performances of the adapted versions of the BFN algorithm and the IEnKS have first been assessed with a simplified, 1D model of atmospheric flow with two layers, based on the shallow-water equations. The BFN algorithm and the IEnKS have then been tested in 2D and 3D with the atmospheric module of the open-source CFD model Code_Saturne.The first study case with Code_Saturne corresponds to a real application of wind resource assessment in a mountainous region with steep topography where three meteorological masts have been installed during a few months and provided in situ wind observations. The second case is a study of pollutant dispersion in an urban area, based on the measurements of wind and pollutant concentration coming from the ``Mock Urban Setting Test'' field campaign carried out in the USA. In this second case, the turbulence is also included in the BC and thus in the control variables. For both studies, some observations are assimilated and the remaining ones are used to validate the results.The experiences performed for the wind resource assessment study have revealed that the CFD models present too strong nonlinearities (flow recirculation after obstacles) for the BFN algorithm, which is based on a linearity assumption. However, both cases have shown the ability of the IEnKS to reduce the error and the uncertainty of the BC by assimilating a few observations, with operationally affordable computational costs. Consequently, the simulated wind fields with Code_Saturne are also closer to the validation observations and the confidence intervals are reduced. Eventually, the IEnKS allows, in one case to estimate the wind potential, and in the other case to build the pollution maps, with much more exactitude and accuracy.La qualité de l’air est un enjeu sanitaire et environnemental majeur. Par ailleurs, l'estimation précise des potentiels éoliens est la source d’importantes retombées économiques et environnementales. Pour étudier ces deux sujets, il est nécessaire de reconstituer précisément les champs de vent locaux grâce à des modèles numériques de micro-météorologie. Ces simulations sont extrêmement sensibles aux conditions météorologiques aux limites du domaine d’étude. Jusqu’à présent, les conditions aux limites (CL) étaient estimées à partir de simulations à plus grande échelle, qui fournissent des informations imprécises, voire incomplètes pour l’utilisation à micro-échelle. Par conséquent, la méconnaissance des CL représente une source majeure d’erreur et d’incertitude dans les études micro-météorologiques. Les sites susceptibles d’accueillir un parc éolien et les environnements bâtis (quartiers urbains ou sites industriels) peuvent être équipés d’instruments de mesures météorologiques et de concentration de polluants. Les observations fournies par ces instruments constituent une seconde source d’information, jusqu’à ce jour peu exploitée pour les études micro-météorologiques. En effet, étant à l’intérieur du domaine, les observations sont perturbées par la géométrie complexe des sites étudiés. Afin d'améliorer la précision des CL et donc des simulations atmosphériques à l'échelle locale, des méthodes d'assimilation de données (AD) adaptées à cette problématique pourraient permettre de mettre à profit les observations disponibles. Jusqu’à présent, les méthodes d’AD ont été principalement développées pour répondre aux besoins de la météorologie à grande échelle et donc utilisées pour corriger les conditions initiales (CI). Afin d'élargir le champ d'application de l’assimilation de données aux simulations à l’échelle locale, il faut adapter les méthodes d'AD pour qu'elles permettent de corriger les CL plutôt que les CI. Parmi les méthodes d'assimilation de données existantes, deux semblent compatibles avec les modèles de mécanique des fluides atmosphérique (CFD) utilisés pour la micro-météorologie en géométrie complexe : l’algorithme de nudging direct et rétrograde (BFN) et le lisseur de Kalman d’ensemble itératif (IEnKS). Nous avons adapté ces deux méthodes d’un point de vue théorique pour inclure les CL dans les variables de contrôle. Les performances des versions adaptées du BFN et de l'IEnKS ont tout d'abord été étudiées avec un modèle simplifié d’écoulement atmosphérique à deux couches en 1D, basé sur les équations de Saint-Venant. Le BFN et l’IEnKS ont ensuite été testés en deux puis trois dimensions avec le module atmosphérique du modèle open-source de CFD Code_Saturne. Le premier cas d’étude avec Code_Saturne correspond à une application réelle d’estimation de potentiel éolien dans une région montagneuse au relief très accidenté où trois mâts de mesure fournissent des observations de vent. Le second cas d’étude correspond à une étude de dispersion de polluants en milieu urbain, basé sur les observations de vent et de concentration, provenant de la campagne de mesures « Mock Urban Setting Test » aux USA. Dans ce second cas, la turbulence est également incluse dans les conditions aux limites. Dans les deux cas, une partie des observations est utilisée pour l’assimilation et le reste pour la validation des résultats. Les expériences menées sur le premier cas ont révélé que les modèles de CFD présentent des non-linéarités trop fortes (recirculations derrière les obstacles) pour l’algorithme de BFN, fondé sur une hypothèse de linéarité. Les études avec cette méthode n'ont donc pas été poursuivies. En revanche, les deux cas d'étude ont montré la capacité de l'IEnKS à réduire l'erreur et l'incertitude sur les CL grâce à l'assimilation d'une petite dizaine d'observations, en un nombre raisonnable de calculs. Par suite, l'écart entre les champs de vent simulés et les observations de validation est également réduit. De même, l'incertitudesur les simulations est plus faible. Finalement, l'IEnKS permet d'estimer le potentiel éolien dans un cas et les concentrations en polluant dans l'autre, avec beaucoup plus de précision