Les modèles numériques utilisent des observations conjointement aux informations provenant du modèle pour pouvoir décrire l’atmosphère servant de point de départ à une prévision. Ces observations sont de différentes nature comme l’illustre la figure montrant le nombre d’observations par mois utilisé par le modèle global ARPEGE.

 Observations conventionnelles et données satellitaires

Les données météorologiques conventionnelles sont utilisées de longue date. Il s’agit de données de surface provenant de stations synoptiques (SYNOP) et de bouées, de profils atmosphériques émanant de radio sondages (TEMP) et de bateaux (SHIP). Cet ensemble constitue l’épine dorsale du système d’observation global. Les avions de ligne fournissent des informations de température et de vent à leur niveau de vol (AVIONS). Des profils de vents sont également mesurés par des capteurs (profileurs) en divers endroits (PILOT/PRF).

L’assimilation utilise de façon importante les données satellitaires : mouvements atmosphériques à partir d’instruments à bord de plate-formes géostationnaires ainsi que d’appareils de télédétection (imageurs) embarquées sur des satellites en orbite polaire (SATOB), des radiances depuis les sondeurs ATOVS, AIRS, IASI, SSMIS, ATMS, CRIS et SEVIRI, des données issues de diffusiomètres (SCAT), et obtenues par radio-occultation du signal GPS (GPS sat). Les efforts de recherche récents ont porté sur une utilisation accrue des données satellitaires au dessus des continents et dans les zones nuageuses.

Les données en temps réel échangées entre centres météorologiques et fournies par les agences spatiales sont assimilées pour permettre d’effectuer des prévisions météorologiques très rapidement. D’autres données non opérationnelles sont utilisées pour valider les modèles. Le CNRM collabore étroitement avec des agences spatiales telles que le CNES, ESA et EUMETSAT et met en réseau des services tel que le Numerical Weather Prediction Satellite Application Facility d’EUMETSAT, et avec le CEPMMT.

 A mésoéchelle

Un effort soutenu est consacré au développement de l’assimilation de données pour les modèles méso-échelle ALADIN et AROME. Des données aux échelles fines sur l’Europe de l’Ouest constituées des données géostationnaires de METEOSAT, des données aux échelles fines des stations automatiques, des données radar et des données de surface GPS s’ajoutent aux autres observations utilisées également à grande échelle. Le tout est accompli en conservant la philosophie ARPEGE/IFS qui consiste à utiliser des données les plus proches possibles de la mesure à l’aide d’opérateurs d’observation physiques. Voir par exemple les réflectivités radar fournies en entrée du modèle AROME.

  Principales références

• Montmerle, T., F. Rabier and C. Fischer, 2007 : Respective impact of polar-orbiting and geostationary satellites observations in the Aladin/France numerical weather prediction system. Quart. J. Roy. Meteor. Soc., 133, 655-671.
• Poli, P., P. Moll, F. Rabier, G. Desroziers, B. Chapnik, L. Berre, S.B. Healy, E. Andersson, F.-Z. El Guelai, 2007 : Forecast Impact Studies of Zenith Total Delay Data from European Near Real-Time GPS Stations in Meteo France 4DVAR, J. Geophys. Res., 112, D06114, doi :10.1029/2006JD007430.
• Pangaud T., N. Fourrié, V. Guidard, M. Dahoui, F. Rabier, 2009 : Assimilation of AIRS radiances affected by mid to low-level clouds. Mon. Wea. Rev., 137, 4276-4292
• Montmerle, T. and C. Faccani, 2009 : Mesoscale assimilation of radial velocities from Doppler radars in a preoperational framework, Mon. Wea. Rev., 137, 1939-1953
• Karbou, F., E. Gérard and F. Rabier, 2010 : Global 4D-Var assimilation and forecast experiments using land surface emissivities from AMSU-A and AMSU-B observations. Part I : Impact on sounding channels. Weather and Forecasting, 25, 5-19.
• Karbou, F., F. Rabier, J-P Lafore, J-L Redelsperger, and O. Bock, 2010 : Global 4D-Var assimilation and forecast experiments using land surface emissivities from AMSU-A and AMSU-B observations. Part II : Impact of adding surface channels on the African monsoon during AMMA. Weather and Forecasting, 25, 20-36.
• Guidard, V., Fourrié, N., Brousseau, P. and Rabier, F. 2011 : Impact of IASI assimilation at global and convective scales and challenges for the assimilation of cloudy scenes. Q.J.R. Meteorol. Soc., 137 : 1975–1987. doi : 10.1002/qj.928
• Guedj, S., F. Karbou, and F. Rabier, 2011 : Land surface temperature estimation to improve the assimilation of SEVIRI radiances over land. J. Geophys. Res., 116, D14107, doi:10.1029/2011JD015776
• Wattrelot, E., O. Caumont and J.-F. Mahfouf, 2014 : Operational implementation of the 1D+3D-Var assimilation method of radar reflectivity data in the AROME model. Mon. Wea. Rev., 142, 1852-1873
• Karbou, F., F. Rabier, and C. Prigent, 2014 : The assimilation of observations from the Advanced Microwave Sounding Unit over sea ice in the French global numerical weather prediction system. Mon. Wea. Rev., 142, 125-140