Conclusion

Tab. _{1.5 – Caract´eristiques num´eriques et techniques des familles de simulations (A)}

dynamiques ; (B) dynamiques + CFC11 et (C) coupl´ee dynamique-biog´eochimique.

PERIANT05 BIOPERIANT05 PERIANT025

Familles A B C A B

Version NEMO 3.0 // 3.1 3.2 3.2 3.1 3.2

pas de temps 30/jour 60/jour

interp. for¸cage offline online

Machine Vargas//Brodie Jade I Jade II Brodie//Jade I Jade II

Nb processeurs 131 // 8 136 528 16 // 280 280

Dur´ee calcul 50’/an // 1h10/an 1h/an 1h40/an 5h/an // 2h30/an 1h30/an

M´emoire 12Go/an 14Go/an 95Go/an 54Go/an 63Go/an

raison des 25 variables prognostiques (24 variables de PISCES + CFC11) et des 27 variables diagnostiques calcul´ees par le mod`ele. Signalons que ce stockage m´emoire est valable pour

les sorties standards des simulations. On peut en outre ajouter `a cela les diagnostics de

tendances int´egr´ees dans la couche de m´elange qui ont ´et´e activ´es notamment dans toutes

les simulations BIOPERIANT05 et qui entraˆınent un surcoˆut d’environ 1Go/an/variable24.

1.4

Conclusion

Trois configurations r´egionales DRAKKAR centr´ees sur l’oc´ean Austral (PERIANT05, PERIANT025 et BIOPERIANT05) et bas´ees sur le syst`eme de mod´elisation NEMO sont reprises ou d´evelopp´ees dans le cadre de cette th`ese. Ces configurations vont nous per-

mettre d’une part d’´etudier la dynamique de l’oc´ean Austral `a diff´erentes r´esolutions

(PERIANT05 et PERIANT025) et d’autre part la biog´eochimie de l’oc´ean Austral, et

plus particuli`erement les flux air-mer de CO2 (BIOPERIANT05).

Le syst`eme de mod´elisation pr´esent´e dans ce chapitre r´esulte d’un ensemble de choix effectu´es afin de pouvoir r´epondre au mieux aux questions scientifiques pos´ees dans ces travaux de th`ese.

Points forts de la strat´egie de mod´elisation

Certaines caract´eristiques du syst`eme de mod´elisation utilis´e ici en font un outil par- ticuli`erement adapt´e aux questions scientifiques trait´ees dans cette th`ese.

Tout d’abord, l’utilisation d’un mod`ele forc´e pr´esente l’avantage d’avoir un degr´e de

libert´e en moins dˆu `a la prescription du for¸cage atmosph´erique et d’ˆetre donc partiel-

lement contraint par les observations et ainsi moins sujet `a la d´erive. En outre, il y a

peu d’´evidence de l’existence de modes de variabilit´e coupl´es aux latitudes australes. Des r´eanalyses « r´ealistes » peuvent donc ˆetre r´ealis´ees avec de tels syst`emes, `a conditions tou- tefois de disposer d’un jeu de for¸cages atmosph´eriques de qualit´e. Par ailleurs, l’´etat moyen ´etant mieux contraint, les exp´eriences de sensibilit´e restent comparables entre elles.

24

Ce diagnostic a ´et´e la plupart du temps activ´e pour 7 variables qui sont : DIC, alcalinit´e, NO3, Si,

Les r´esolutions de 0,5˚ et de 0,25˚ sont suffisantes pour permettre une repr´esentation assez fine des fronts de l’ACC, comme nous le verrons plus loin, et ce principalement grˆace `

a une meilleure r´esolution de la bathym´etrie (Penduff et al., 2010). De plus, l’utilisation de la diff´erence des champs entre une simulation de r´esolution 0,5˚et une simulation jumelle de r´esolution 0,25˚, nous permettent de comprendre l’apport d’une meilleure r´esolution,

notamment quant au rˆole des tourbillons.

Enfin, l’utilisation d’un syst`eme forc´e et d’une configuration r´egionale r´eduit consid´era-

blement les coˆuts de calcul des simulations, permettant ainsi d’effectuer de nombreuses

exp´eriences de sensibilit´e dont nous nous servirons dans ces travaux pour mieux com-

prendre la r´eponse du syst`eme dynamique et biog´eochimiques `a des perturbations.

La strat´egie de mod´elisation choisie pr´esente toutefois un certain nombre de limites qu’il faut connaˆıtre si l’on souhaite mener des diagnostics appropri´es et une r´eflexion per- tinente.

Limites de la strat´egie de mod´elisation

Comme il a ´et´e ´evoqu´e au cours de ce chapitre, comme tout syst`eme de mod´elisation, le syst`eme NEMO pr´esente un certain nombre de d´efauts ou lacunes qui peuvent, selon les cas, limiter le champ des ´etudes ou d´egrader la repr´esentation de certains processus.

Dans OPA, la quasi-absence d’´ecoulement d’eaux denses le long des talus antarctiques influe directement sur la repr´esentation du transport de l’ACC, induisant notamment une d´erive du mod`ele (Treguier et al., 2010). Dans LIM et PISCES, les incertitudes qui existent sur la param´etrisation des processus restent importantes. Par exemple, le mod`ele PISCES

utilise un jeu de param`etres adapt´e `a l’´echelle globale et non aux sp´ecificit´es r´egionales tra-

duites par l’existence de diff´erents biomes dans l’oc´ean (Longhurst, 1995). La description des processus biog´eochimiques est par ailleurs souvent bas´ee sur des ´etudes exp´erimentales

dont les r´esultats sont extrapol´es `a des ´echelles spatiales globales et temporelles longues.

Dans le syst`eme NEMO tel que nous l’utilisons, l’oc´ean, la glace de mer ainsi que la biog´eochimie sont forc´es par l’atmosph`ere. Cette strat´egie exclut quasiment toute forme de r´etroaction entre l’atmosph`ere et le syst`eme oc´ean-biog´eochimie-glace de mer en d´epit

du rˆole majeur, et unanimement reconnu, jou´e par ces r´etroactions sur le syst`eme clima-

tique. Ce d´efaut de couplage est en partie expliqu´e par des questions techniques de coˆut

de simulations25.

La configuration utilis´ee peut ˆetre ´egalement source de lacunes dans la repr´esentation des processus physiques et biog´eochimiques. Ainsi, si elle pr´esente l’avantage d’ˆetre moins

coˆuteuse en terme de ressources de calcul et de stockage m´emoire, une configuration

r´egionale souffre g´en´eralement de la pr´esence de ses fronti`eres ouvertes. Dans notre cas,

nous avons vu que l’emplacement de la fronti`ere `a 30˚S nous garantit d’un certain nombre

de difficult´es. Cependant, il reste que les solutions dynamiques et biog´eochimiques cal-

cul´ees par le mod`ele sont sensibles `a la fois `a m´ethode utilis´ee pour calculer la condition

`

a la fronti`ere mais ´egalement aux informations ext´erieures dont on dispose pour ce calcul. Pour la dynamique, la m´ethode utilis´ee aux fronti`eres ainsi que l’utilisation des sorties de simulations dynamiques globales compatibles avec nos simulations r´eduit cette sensibilit´e. En outre, l’utilisation d’une configuration r´egionale proscrit toute possibilit´e d’une mise `

a l’´equilibre du cycle du carbone et par l`a-mˆeme la r´ealisation de simulations longues.

25

Au vu des moyens de calcul actuels, les mod`eles coupl´es climatiques tels que ceux utilis´es dans le cadre des pr´evisions de l’IPCC sont actuellement au plus des configurations globales de r´esolution 0,25˚.

1.4. Conclusion 49

Enfin, le choix des r´esolutions de nos configurations est essentiellement contraint par les ressources de calcul. Aux r´esolutions « eddy-permitting » que nous utilisons ici, le spectre

de la m´eso-´echelle n’est que partiellement r´esolu26.

Le choix de coupler mod`ele biog´eochimique et mod`eles dynamiques « online », en d´epit

du surcoˆut que cela implique, est motiv´e par le fait qu’il existe peu d’exp´eriences com-

parant approches « online » et « offline ». Les travaux de th`ese de Lachkar et al. (2007) ont montr´e que l’´ecart entre les r´esultats obtenus avec l’une ou l’autre approche dans une configuration NEMO basse r´esolution (ORCA2) restait minime. Toutefois, en allant

vers de plus haute r´esolution, on peut s’attendre `a ce que ces ´ecarts s’accroissent avec

l’intensification des fluctuations des vitesses verticales.

L’ensemble de ces conclusions r´esume les principales forces et faiblesses de la strat´egie

de mod´elisation adopt´ee dans mes travaux de th`ese. Il m’a conduit ´egalement `a entamer un

certain nombre de travaux pr´eliminaires aux ´etudes scientifiques, dont les objectifs sont la mise en place d’outils de suivi des simulations, l’am´elioration de la qualit´e des simulations et le d´eveloppement de nouvelles applications au sein du syst`eme. Ces travaux qui vont nous permettre, ce faisant, de mieux comprendre le syst`eme lui-mˆeme, sont pr´esent´es dans le chapitre suivant.

26

Les mod`eles dits « eddy-permitting » ont une r´esolution de quelques dixi`emes de degr´e au maximum et ne r´esolvent d’une partie du spectre de la m´eso-´echelle, contrairement aux mod`eles dits « eddy-resolving ».

Chapitre 2

Contribution au d´eveloppement

des simulations australes

2.1 Introduction . . . 52 2.2 Suivi continu des simulations : contributions au monitoring

DRAKKAR . . . 52 2.3 Une solution pour pallier le probl`eme de repr´esentation des

eaux de fond . . . 53 2.3.1 Contexte . . . 53 2.3.2 Identification du probl`eme . . . 53 2.3.3 M´ethode propos´ee . . . 56 2.3.4 Tests et Validation . . . 59 2.3.5 Conclusion . . . 61 2.4 Tests de sensibilit´e pour la mise en place des simulations de

r´ef´erence . . . 62 2.4.1 Param´etrisation de Gent et McWilliams (1990) . . . 62 2.4.2 Param´etrisation de Geider et al. (1998) . . . 67 2.5 Application de for¸cages synth´etiques dans le mod`ele . . . 70 2.5.1 Principe g´en´eral . . . 71 2.5.2 Impl´ementation dans NEMO . . . 72 2.5.3 Implications . . . 75 2.5.4 Validation et limites de l’approche . . . 76 2.6 Conclusion . . . 77

2.1

Introduction

La simulation n’est pas une fin en soi mais un outil nous permettant d’explorer une probl´ematique. Aussi, doit-elle r´esoudre aussi bien que possible les processus et champs qui se trouvent au centre du questionnement scientifique ou qui, du moins, ont un impact direct

sur ce questionnement. Ce chapitre est donc d´edi´e `a l’ensemble des travaux qui ont consist´e

`

a d´evelopper notre jeu de simulations afin de le rendre plus adapt´e au contexte scientifique

de cette th`ese. D’une mani`ere g´en´erale, ces travaux sont de nature `a contribuer au suivi

des simulations r´ealis´ees, `a am´eliorer leur qualit´e ainsi que leur champ d’application.