Bien que les Grands Lacs soient appelés lacs, en raison de leur taille, ce sont vraiment des mers intérieures. Ils affectent les conditions météorologiques régionales, fournissent de l'eau potable à des millions de personnes et stimulent les économies de plusieurs États.

Prévision des niveaux d'eau, les températures et les courants des lacs sont très importants en raison de la myriade de façons dont les conditions des lacs affectent le commerce, loisirs et bien-être communautaire. Ces prévisions comprennent le Great Lakes Operational Forecast System (GLOFS), un système de prédiction automatisé basé sur un modèle exploité par la National Oceanic and Atmospheric Administration (NOAA).

"Les informations du système permettent aux décideurs de prendre des décisions éclairées et les produits de prévision ont été utilisés régulièrement par une grande variété d'utilisateurs, " dit Philippe Chu, chercheur en physique superviseur de la branche de modélisation et de prévision physiques et écologiques intégrées du Laboratoire de recherche environnementale des Grands Lacs (GLERL) de la NOAA.

Construire un meilleur système de prévision des Grands Lacs

« Les niveaux d'eau sont utilisés par les autorités électriques ; les conditions des vagues et des courants sont utilisées par la Garde côtière américaine pour les missions de recherche et de sauvetage et les profils de température ont été utilisés par les plaisanciers et les pêcheurs, ", a-t-il déclaré. "L'information a également été utilisée pour prédire les proliférations d'algues nuisibles ainsi que les conditions d'hypoxie (faible teneur en oxygène dissous) dans les Grands Lacs."

Alors que la NOAA exploite sa propre équipe de modélisation pour maintenir le système, l'agence travaille également avec des chercheurs universitaires pour améliorer continuellement GLOFS. À l'Université technologique du Michigan, Pengfei Xue, professeur agrégé de génie civil et environnemental et directeur du Laboratoire de dynamique des fluides géophysiques numériques au Centre de recherche des Grands Lacs, aide la NOAA en ajoutant une composante d'assimilation de données.

Xue a noté qu'un système de prévision opérationnelle typique devrait inclure trois composants :la modélisation, un réseau d'observation et d'analyse des données.

« La région des Grands Lacs dispose de données d'observation relativement denses et à long terme, mais comment utilisons-nous les données pour améliorer les prévisions ?" Posa Xue. "Ces données ont été utilisées pour l'initialisation et la vérification du modèle, mais il peut y avoir un lien beaucoup plus fort entre les observations sur le terrain et la modélisation numérique. L'intégration de données d'observation dans le modèle peut améliorer les prévisions à court terme. Cette technique, appelée assimilation de données, est l'une des approches les plus efficaces pour combiner statistiquement les données d'observation et la dynamique du modèle afin de fournir la meilleure estimation de l'état du système des Grands Lacs. »

Qu'est-ce que l'assimilation de données ?

Pour expliquer l'assimilation de données, Xue a donné l'exemple de la prise de température d'un lac. Un modèle informatique pourrait prédire que la température d'un site du lac est de 68 degrés Fahrenheit (20 degrés Celsius). Mais une mesure physique sur le site montre que la température est de 70 degrés Fahrenheit (21,1 degrés Celsius).

"Tous les modèles contiennent des incertitudes et l'observation a aussi du bruit, qui peut être grand ou petit dans le travail sur le terrain, selon les cas, " dit Xue. " Lequel devriez-vous croire ? Votre meilleur pari est quelque chose entre les deux. Lorsque l'on quantifie le modèle et les incertitudes d'observation en évaluant leurs performances historiques, nous pouvons combiner quantitativement les données d'observation et les résultats du modèle numérique avec différents poids et donner une estimation plus précise."

La modélisation informatique est beaucoup plus compliquée que cet exemple, Xue a noté. Un avantage clé d'un modèle, surtout dans un environnement vaste et complexe comme les Grands Lacs, est qu'il peut produire des champs continus dans l'espace 3-D, prédire, à tout moment et en tout lieu, la température, niveaux d'eau, et courants. D'autre part, les observations in situ fournissent « la vérité terrain, " mais ils sont souvent limités dans le temps et dans l'espace.

« La quantification du modèle et des incertitudes d'observation est au cœur des techniques d'assimilation de données, " Xue a expliqué. " La beauté de l'assimilation de données est d'utiliser les informations des écarts entre les résultats du modèle et les observations, qui ne sont connus que dans des lieux d'observation limités, pour corriger le biais du modèle dans un espace 3-D au-delà des emplacements d'observation. D'où, il améliore la précision du modèle pour l'ensemble des champs de simulation."

Plus qu'un modèle

Une autre limite des observations sur le terrain est le coût même de leur réalisation. Les données d'observation sont intrinsèquement plus précises qu'un modèle seul, et la vérification au sol de la sortie d'un modèle est nécessaire. En introduisant des données d'observation dans un modèle, puis utiliser le modèle pour prédire de meilleurs emplacements pour la future collecte de données in situ, Le travail de Xue aide la modélisation GLOFS à s'améliorer, et aide les scientifiques à choisir efficacement les sites de recherche.

« Les Grands Lacs ont une vaste superficie et une grande profondeur. Typiquement, où les gens choisissent d'échantillonner est basé sur l'expérience empirique d'experts et leurs intérêts de recherche, " dit Xue. " Observations in situ, en particulier les mesures du sous-sol, restent limités en raison des coûts élevés de construction et d'entretien des réseaux d'observation. L'utilisation de l'assimilation de données pour guider la conception de l'emplacement et de la fréquence d'échantillonnage des données et optimiser un réseau d'observation est l'un des principaux sujets de recherche d'un système intégré d'observation et de prévision."

Les résultats préliminaires de Xue montrent que l'assimilation des données est capable de réduire les efforts d'échantillonnage et d'augmenter la précision des prévisions en optimisant les emplacements d'échantillonnage.

"La contribution du professeur Xue s'aligne parfaitement sur l'objectif à court terme et la mission à long terme de la NOAA et GLERL sur la construction d'un système intégré de modélisation environnementale et d'une nation prête pour les conditions météorologiques, des océans et des côtes sains, « Sa contribution à la recherche et sa collaboration avec les scientifiques de la NOAA font progresser notre compréhension globale du système dynamique complexe des Grands Lacs et accélèrent le rythme de développement de la NOAA. améliorer et faire passer le système de prévision opérationnelle des Grands Lacs de nouvelle génération aux opérations. »

Le travail de Xue utilise le Supérieur, une infrastructure de calcul haute performance à Michigan Tech, pour construire des modèles haute-fidélité. Les résultats du modèle sont utilisés pour construire un base de données sur la température d'assimilation des données pour le lac Érié à l'intention des gestionnaires de ressources et des chercheurs de la communauté des Grands Lacs. La simulation du lac Érié est une preuve de concept avant que GLOFS ne soit entièrement réaménagé à l'aide de l'assimilation de données. Le projet de Xue appliquera également l'apprentissage automatique pour améliorer encore les performances du modèle et l'échantillonnage in situ adaptatif, dans le but d'étendre la méthode aux cinq Grands Lacs.

« Nous voulons démontrer le potentiel de cette approche. Le lac Érié a connu des problèmes environnementaux importants pendant des décennies et a été étudié de manière plus approfondie, et les gens réalisent mieux les lacunes de la modélisation, ", a déclaré Xue. "La structure thermique et la circulation du lac Érié ont un impact considérable sur les proliférations d'algues nuisibles et les événements d'hypoxie. Notre plan est d'étendre progressivement et de construire un système de prévision entièrement opérationnel avec des capacités d'assimilation de données pour améliorer la précision des prévisions à court terme et affiner le travail d'observation."