Le contexte politique et scientifique international met l'accent sur les risques potentiels graves liés aux problèmes d'environnement et sur le rôle que doivent jouer les modèles et les systèmes d'observation pour la prévision et l'évaluation de ces risques. Sur un plan politique, des accords tel que celui de Kyoto, des directives européennes sur la qualité de l'air et les risques accidentels pour les substances dangereuses et des sommets tel que le Grenelle de l'Environnement établissent des objectifs sur la diminution des risques environnementaux. Ces objectifs sont soutenus, sur le plan scientifique, par des initiatives internationales, tel que le programme européen GMES (Global Monitoring of Environment and Security), ou nationales, tel que le programme sur la chimie atmosphérique, qui structurent, sur le long terme, la recherche en environnement. Ces initiatives soulignent toute l'importance des données d'observation pour la prévision et le potentiel important de la mesure satellitaire.
La complexité des phénomènes environnementaux, liée à la nécessité d'un contexte opérationnel, conditionnent le besoin croissant d'un couplage entre les modèles physiques, le traitement des données, la simulation et les bases de données.
Cette situation est particulièrement cruciale pour la pollution atmosphérique, domaine environnemental d'importance croissante, que ce soit aux petites échelles (qualité de l'air), à l'échelle régionale (pollution transfontière) ou globale (effet de serre). Les systèmes de simulation sont ainsi utilisés pour les prédictions opérationnelles (à court et long terme), les études de cas, les études d'impact pour les sites industriels, mais aussi pour les modélisations couplées (par exemple pollution et santé, pollution et économie). Ces sujets fondamentaux nécessitent de lier les modèles avec toutes les données disponibles, qu'elles soient d'origine physique (par exemple les sorties de modèle), des observations (information mesurée in situ par un réseau d'observation ou acquisition satellite), ou encore le résultat du traitement et de l'analyse de ces observations (par exemple concentrations chimiques obtenues par inversion d'un modèle de transfert radiatif).
Clime a été créé en regroupant, dans une même équipe, des chercheurs en assimilation de données et en traitement d'image, afin de se donner les moyens de répondre aux problématiques précédentes.
Ceci passe par la construction et l'utilisation de modèles appropriés. Dans le cas de la modélisation atmosphérique, l'interaction des phénomènes sous-jacents (météo, chimie atmosphérique dans les différentes phases de la matière, transfert radiatif), qui est un enjeu scientifique en soi (notamment pour la description des aérosols), conduit à des modèles particulièrement complexes, pour lesquels la problématique de la paramétrisation (changement d'échelle, représentation des phénomènes «sous-maille») est cruciale. Dans le même temps, une réflexion sur la représentativité des modèles doit être menée: comment construire des modèles à faible nombre de degrés de liberté à partir de ces modèles de processus, qui soient de plus «utilisables» pour des études d'impact et capable d'assimiler les données observées ?
Les modèles seuls ne sont généralement pas suffisants car ils nécessitent des entrées inconnues (conditions initiales, conditions aux limites, paramètres,..), qui requièrent l'utilisation de données complémentaires.
En conséquence, on assiste à présent à une imbrication
croissante des modèles avec des chaînes d'observation (de fourniture
de données), au premier rang desquelles les données satellitaires
vont à court terme jouer un rôle majeur, via l'utilisation des
acquisitions des missions spatiales initiées ces dernières
années. Les procédures d'assimilation de données, quelle
que soit leur nature méthodologique, permettent de coupler modèles
et données.
Dans ce contexte, c'est en réalité toute la chaîne données/modèles/sorties, qui doit être considérée avec de nombreuses problématiques résultantes :
La donnée satellitaire se présente sous différentes formes (statique, dynamique ou multispectrale). Les objets présents ont des caractéristiques particulières en terme de mouvement, d'évolution temporelle (changement de topologie, fragmentation,...) et de géométrie (vortex,....), qui nécessitent des modélisations mathématiques adaptées pour résoudre les problèmes posés par l'analyse de ces données. Par ailleurs, la mesure satellitaire est obtenue par un processus physique connu, modélisé par le transfert radiatif, et il est possible d'utiliser l'information disponible sur l'obtention de la donnée dans le traitement, afin de mettre en oeuvre une algorithmique de traitement d'image prenant en compte les modèles physiques. Par exemple, dans le cadre de l'estimation du mouvement pour des images météorologiques, on peut écrire des hypothèses de conservation temporelle portant sur un paramètre physique de l'atmosphère, et non pas sur le niveau de gris observé sur l'image.