Validation des températures de surface

Les valeurs de SST des modèles sont comparées aux SST mesurées par satellites13

. Ces der-nières ont subi un traitement de niveau L3. Ce sont des données journalières, composites, n’ayant pas subit d’interpolation et fournies sur une grille de 0.02˚. À cause notamment de la couverture nuageuse, elles peuvent être lacunaires. Notons que les SST correspondent à des températures déduites du rayonnement infra-rouge de la surface de l’océan dans les premiers millimètres de cette couche de surface (e.g.Barth,2004) et que le premier niveau des configurations est pris à une profondeur de 50 cm pour effectuer cette comparaison. Ce type d’observation est

2.3 Validation des outils de simulation 61

lièrement intéressant car il permet d’identifier des structures dynamiques en surface (e.g. fronts de température) et de mettre en évidence des masses d’eau aux caractéristiques thermiques différentes.

Les observations de SST sont lissées spatialement en utilisant une pondération exponentielle dépendant de la distance au point de calcul et s’appliquant à toutes les observations disponibles dans un rayon de 5 km. Les SST des modèles sont interpolées linéairement sur la grille temporelle journalière puis sur la grille spatiale des observations de SST.

Les paramètres statistiques des différences entre observation et simulation, basé sur les RMSE, biais et corrélation, sont montrée sur la Fig.2.5. GLAZUR64 apparaît moins bien corrélé avec les SST, il présente un biais de 0.4˚C et un RMSE de l’ordre de 1˚C, ce qui pourrait être expliqué par un déphasage spatial et/ou temporel important dû à la haute résolution de GLAZUR64 et des champs de SST. Par ailleurs, RGLAZUR12 ne représente pas correctement les températures les plus froides avec des minima de ∼ 13.4˚C contre ∼ 11˚C pour les observations. Les simulations de PSY2V4R2 sont les plus proches des observations, mais dans une moindre mesure peuvent produire des températures plus froides.

(a) GLAZUR64 (b) RGLAZUR12 (c) PSY2V4R2

Figure2.5– Représentation des SST observées en fonction des SST simulées par GLAZUR64 (a), RGLAZUR12 (b) et PSY2V4R2 (c). Les isolignes indiquent la densité des points.

Des cartes de biais et de RMSE sont également montrées (Fig. 2.6). Pour les trois configu-rations la trace du CN est repérée par une zone de biais proche de 0 ˚C. En revanche, sur les bords du CN, les biais sont plus importants, négatifs (positifs) sur le bord Nord (Sud) indiquant une solution des modèles plus froides (chaudes). Pour GLAZUR64, ce résultat n’est pas valable en aval du GoL où les biais sont positifs. De plus, nous constatons que le centre du domaine de GLAZUR64 présente des biais dépassant les 1˚C, moins marqués sur les autres configura-tions. RGLAZUR12 présente une zone de biais supérieurs à 1 ˚C le long des côtes du GoL, qui pourraient être associés à une mauvaise représentation de la bathymétrie dans cette zone. Ces zones de biais importants sont également associées à des zones de RMSE importantes, pouvant dépasser 2 ˚C pour GLAZUR64 et PSY2V4R2, indiquant dans ce cas des zones où des erreurs systématiques sont commises.

Les biais sur les frontières des domaines de GLAZUR64 et RGLAZUR12 correspondent à des biais présents également sur PSY2V4R2. Ceci suggère que les erreurs de température aux

62 Chapitre 2. La modélisation numérique

frontières de GLAZUR64 et RGLAZUR12 se propagent dans l’intérieur des domaines. Cependant, d’autres explications relatives soit à une mauvaise prescription des flux de surface, soit à des flux de surface erronés peuvent également être avancées.

Il apparaît alors que GLAZUR64 présente les erreurs et les biais les plus importants dans la partie centrale du domaine et sur les frontières. Les erreurs et les biais de RGLAZUR12 sont plus faibles sur tout le domaine excepté le long des cˆtes du GoL. PSY2V4R2 présente des valeurs comprises entre celles de GLAZUR64 et RGLAZUR12 mais montre peu d’écart avec les observations dans le GoL.

(a) GLAZUR64 (b) GLAZUR64

(c) RGLAZUR12 (d) RGLAZUR12

(e) PSY2V4R2 (f) PSY2V4R2

Figure2.6– Représentation des biais (gauche) et RMSE (droite) moyens entre les SST observées en fonction des SST simulées par GLAZUR64 (a-b), RGLAZUR12 (c-d) et PSY2V4R2 (e-f)

2.3 Validation des outils de simulation 63

L’évolution des SST le long de la section méridienne située à 6.34˚E, utilisée également pour les vitesses radiales, est montrée sur la Fig.2.2. Nous constatons que les trois configura-tions présentent un retard pour le refroidissement des masses d’eau de surface. RGLAZUR12 et PSY2V4R2 sont en meilleur accord avec les observations de SST. GLAZUR64 simule des eaux trop chaudes en dessous de 42.8˚N comme observé sur la carte de biais (Fig.2.6(a)).

(a) Observation

(b) GLAZUR64

(c) RGLAZUR12

(d) PSY2

Figure 2.7 – Comparaison des températures de surface le long de la section Sud-Nord située à 6.34˚E (39 km de PEY) observées (a), simulées par GLAZUR64 (b), RGLAZUR12 (c) et PSY2 (d).

Notons que pour la configuration GLAZUR64, les résultats obtenus sur les comparaisons sta-tistiques de SST sont dégradés par rapport aux résultats obtenus parGuihou(2013) qui a validé les températures de surface sur une période longue (2007-2008) en les comparant avec des données in situ et satellitales de SST. Ces différences ont été attribuée au fait que notre configuration de GLAZUR64 utilise des flux de rayonnement de longues longueurs d’ondes nets tandis que

Gui-64 Chapitre 2. La modélisation numérique

hou (2013) utilise des flux de rayonnement de longues longueurs d’ondes descendants auxquels sont retranché la SST calculée par GLAZUR64. Concernant les résultats de PSY2V4R2, nous aurions pu nous attendre à un meilleur accord avec les observations de SST qui sont assimilées dans cette configuration opérationnelle. Les résultats de RGLAZUR12 indiquent une prise en compte convenable des flux de surface lors des simulations, permettant de reproduire de façon satisfaisante la distribution et l’évolution des masses d’eau de surface.

Cette étude a également été menée sur une période estivale juillet-aout 2012 (non montré) et indique des biais négatifs sur tout le domaine, plus réduits pour PSY2V4R2 qui bénéficie de l’as-similation des données de SST, indiquant que les trois configurations fournissent des simulations de température plus froides que les observations.