Caractériser le plus précisément possible la présence, la qualité (propriétés physiques) et la quantité (équivalent en eau de la neige ' EEN) de la neige au sol est d'un intérêt majeur pour de nombreuses activités scientifiques telles que la prévision numérique du temps, le suivi et la prévision hydrologique, la prévision du risque d'avalanches, et l'étude des rétroactions climatiques liées au manteau neigeux. Ces vingt dernières années ont vu la consolidation de modèles unidimensionnels multi-couches du bilan de masse et d'énergie du manteau neigeux et leur usage croissant dans les schémas de surface (Vionnet et al., 2012 ; Essery et al., sous presse). En parallèle, l'amélioration des modules d'analyse hydro-météorologique et des modèles météorologiques alimentant de tels schémas de surface ont amélioré la finesse des simulations numériques de l'enneigement, et, partant, augmenté les attentes de la communauté scientifique en la matière. Néanmoins, de nombreuses sources d'erreur portent sur les données de forçage et les modèles eux-mêmes, en particulier le rôle joué par des processus décrits trop imparfaitement dans ces derniers, tels que les phénomènes de transport de neige par le vent et les interactions complexes entre le manteau neigeux et la végétation. L'impossibilité de maîtriser de façon complètement déterministe la simulation numérique de l'enneigement conduit naturellement à se tourner vers l'assimilation de données comme voie d'amélioration de la représentation et l'analyse de la neige au sol.

Nous présentons ici la mise en oeuvre d'un filtre de Kalman étendu simplifié (SEKF) permettant d'assimiler dans le modèle ISBA-Crocus (au sein de SURFEX ; Vionnet et al., 2012) des données de températures de brillance micro-onde mesurées par satellite ou par des radiomètres au sol. En effet, le rayonnement micro-onde émis par la surface est sensible à la présence de neige et à aux profils de propriétés physiques telles que la température, la teneur en eau liquide, la masse volumique et la « taille des grains » de neige. Les données micro-ondes sont exploitées depuis plusieurs années par divers algorithmes d'estimation de l'EEN de la neige utilisés à l'échelle du globe (e.g. GlobSnow). Pour cette étude, l'opérateur d'observation utilisé est le modèle d'émission micro-ondes à bases physiques DMRT-ML (Picard et al., 2012) alimenté par les profils simulés par SURFEX/ISBA-Crocus. Des expériences d'assimilation ont été menées sur le site expérimental de Sodankylä (Finlande) qui dispose de jeux de données micro-ondes (TB à 19 et 37 GHz en polarisation horizontale et verticale), de données météorologiques de forçage et d'observations stratigraphiques du manteau neigeux.

Cette contribution décrit les principes du schéma d'assimilation et la configuration des modèles utilisés pour cette dernière (y compris pour l'assimilation de données de hauteur de neige et d'EEN, i.e. en faisant abstraction de la composante micro-ondes). La nature saisonnière et l'évolution dans le temps du nombre de couches de neige utilisées pour décrire le manteau neigeux sont autant de défis à résoudre pour les systèmes conventionnels d'assimilation. Les méthodes et contournements employés pour réaliser les expériences sont détaillées. Les performances du système actuel, tant du point de vue global (EEN, hauteur de neige) que de la stratification des propriétés de la neige, sont décrites en détail. Enfin, des perspectives de développement ultérieur de cette action de recherche sont proposées.

Les précipitations tropicales résultent de phénomènes météorologiques imbriqués. Les cumuls saisonniers à l'échelle régionale permettent de filtrer une partie des variations spatiales liées notamment aux échelles les plus fines et ainsi de magnifier l'action des forçages des plus vastes. La variabilité interannuelle des totaux saisonniers est partiellement prévisible à partir de l'état antérieur des températures de surface océanique. Cependant, ce total saisonnier ne constitue pas toujours l'élément le plus prévisible, notamment dans le cas où les pluies les plus abondantes en moyenne sont fortement incohérentes. La saison février-juin au Kenya et au nord de la Tanzanie montre que la prise en compte explicite de la variabilité intra-saisonnière permet d'extraire les signaux les plus cohérents, c'est-à-dire ceux qui sont potentiellement les plus prévisibles à l'échelle interannuelle.