Benchmarking Turbulence Models to Represent Cloud-Edge Mixing

Cette étude compare plusieurs modèles statistiques de turbulence à des simulations numériques directes du mélange au bord des nuages, révélant que, bien que tous les modèles capturent avec succès l'évolution thermodynamique, ils varient dans leur capacité à représenter avec précision les changements de microphysique des nuages.

L'essentiel

La Vue d'Ensemble : Pourquoi les Nuages sont Difficiles à Prévoir

Imaginez essayer de prévoir la météo. Les nuages en sont une partie énorme, mais ils sont délicats. Ils sont composés de minuscules gouttelettes d'eau mélangées à l'air. Pour comprendre comment les nuages se forment, grandissent ou disparaissent, nous devons comprendre comment ils se mélangent à l'air sec qui les entoure.

Le problème est que ce mélange se produit à deux échelles très différentes :

1. La Vue d'Ensemble : Les nuages s'étendent sur des kilomètres.
2. Les Détails Infimes : Le mélange de l'air et des gouttelettes d'eau se produit au niveau du millimètre.

Les modèles informatiques utilisés pour les prévisions météorologiques sont comme des caméras à faible résolution. Ils peuvent voir les grands nuages, mais ils sont trop « flous » pour voir les tourbillons d'air chaotiques et minuscules (turbulence) qui se produisent aux bords des nuages. Parce qu'ils ne peuvent pas voir ces minuscules tourbillons, les scientifiques doivent utiliser des « raccourcis » (modèles simplifiés) pour deviner ce qui se passe aux bords.

Ce document pose une question simple : Lequel de ces raccourcis fonctionne réellement ?

L'Expérience : Le « Filament Nuageux »

Pour tester cela, les chercheurs ont créé une expérience numérique. Imaginez un long ruban fin d'air humide et nuageux flottant dans une pièce remplie d'air sec. C'est ce qu'on appelle un « filament nuageux ».

Ils voulaient voir ce qui se passe lorsque ce ruban humide se mélange à l'air sec. L'eau s'évapore-t-elle uniformément ? Certaines gouttelettes disparaissent-elles tandis que d'autres restent ?

Ils ont utilisé cinq méthodes différentes pour simuler ce mélange :

1. La « Référence Or » (DNS) : Il s'agit d'une simulation ultra-détaillée qui résout chaque équation physique pour chaque minuscule tourbillon d'air. C'est comme filmer le processus de mélange avec une caméra 4K. Elle est incroyablement précise mais nécessite un supercalculateur et prend beaucoup de temps.
2. Les Quatre « Raccourcis » (Modèles Statistiques) : Ce sont les modèles plus simples que les scientifiques utilisent réellement dans les prévisions météorologiques. Ils tentent de deviner le résultat sans faire tous les calculs complexes. Le document a testé quatre modèles spécifiques :
   • LEM (Linear Eddy Model / Modèle de Tourbillon Linéaire) : Utilise une carte unidimensionnelle pour étirer et plier l'air.
   • EHM (Eddy-Hopping Model / Modèle de Sauts de Tourbillons) : Suppose que l'air saute de manière aléatoire, mais traite toute la zone comme si elle était identique.
   • RMM (Relaxation-to-Mean Model / Modèle de Relaxation vers la Moyenne) : Suppose que l'air tente de revenir à un état moyen.
   • MCM (Mapping-Closure Model / Modèle de Fermeture par Cartographie) : Utilise une astuce mathématique complexe pour prédire comment l'air se mélange en se basant sur la probabilité.

Les Résultats : Ce qui a Fonctionné et Ce qui n'a Pas Fonctionné ?

Les chercheurs ont comparé les quatre « raccourcis » à la « Référence Or » (DNS) pour voir lequel disait la vérité.

1. L'Histoire de la Température (Thermodynamique)

Le Verdict : Les quatre raccourcis étaient bons.
L'Analogie : Imaginez que vous mélangez du café chaud avec du lait froid. Si vous voulez simplement connaître la température moyenne de la tasse, les quatre modèles l'ont obtenue juste. Ils pouvaient prédire comment la chaleur et l'humidité changeaient au fil du temps aussi bien que la simulation ultra-détaillée.

2. L'Histoire des Gouttelettes (Microphysique des Nuages)

Le Verdict : Seuls certains raccourcis étaient bons.
L'Analogie : Maintenant, imaginez que vous voulez savoir ce qui arrive aux cristaux de sucre individuels dans ce café.

• Le Problème : Lorsque l'air nuageux se mélange à l'air sec, ce n'est pas un mélange lisse. Certaines parties du nuage sont touchées par l'air sec et les gouttelettes s'évaporent complètement (disparaissent). D'autres parties restent humides, et les gouttelettes conservent leur taille. C'est ce qu'on appelle le mélange hétérogène.
• Les Gagnants (LEM, MCM et partiellement RMM) : Ces modèles ont compris que l'air est désordonné. Ils ont réalisé que certaines gouttelettes se trouvent dans des « poches sèches » et d'autres dans des « poches humides ». Ils ont correctement prédit que certaines gouttelettes disparaîtraient tandis que d'autres survivraient.
• Le Perdant (EHM) : Ce modèle supposait que tout était lisse et uniforme. Il pensait que toutes les gouttelettes se trouvaient dans le même environnement. Ainsi, il a prédit que toutes les gouttelettes rétréciraient un peu en même temps, mais qu'aucune ne disparaîtrait. C'est ce qu'on appelle le mélange homogène, et le document a constaté que ce modèle était faux pour cette situation spécifique.

La Conclusion Clé : Tout se Joue dans l'« Espace »

La raison principale pour laquelle les modèles ont échoué ou réussi se résume à une chose : la Variabilité Spatiale.

• L'Échec : Le Modèle de Sauts de Tourbillons (EHM) traitait le nuage entier comme un seul blob uniforme. Il ne prenait pas en compte le fait que l'air sec pourrait toucher un côté d'une gouttelette mais pas l'autre.
• Le Succès : Les modèles qui ont fonctionné (comme LEM et MCM) ont gardé une trace de l'endroit où se trouvaient les gouttelettes et de la façon dont l'humidité variait d'un endroit à l'autre.

Le document conclut que si vous voulez savoir combien de gouttelettes nuageuses survivent à un événement de mélange (ce qui modifie la façon dont les nuages réfléchissent la lumière du soleil), vous devez utiliser un modèle qui comprend que l'humidité n'est pas la même partout. Vous ne pouvez pas simplement utiliser une « moyenne ».

Résumé

• Objectif : Trouver le meilleur modèle simple pour représenter comment les nuages se mélangent à l'air sec.
• Méthode : Comparer quatre modèles simples à une simulation de « vérité » ultra-détaillée.
• Résultat : Tous les modèles sont bons pour prédire les moyennes de température et d'humidité. Cependant, seuls les modèles qui prennent en compte les différences locales (variabilité spatiale) peuvent correctement prédire comment les gouttelettes nuageuses grandissent ou rétrécissent.
• Implication : Pour améliorer les modèles météorologiques et climatiques, nous devons utiliser les raccourcis « intelligents » qui se souviennent que l'air n'est pas parfaitement mélangé, plutôt que les raccourcis « stupides » qui supposent que tout est identique.

Résumé technique

Résumé technique : Évaluation comparative des modèles de turbulence pour représenter le mélange au bord des nuages

Énoncé du problème
Comprendre le développement des nuages nécessite de résoudre des processus multi-échelles, allant des champs nuageux à grande échelle (100 km) aux plus petites échelles de turbulence (1 mm) où les aérosols et les gouttelettes interagissent. Bien que les simulations numériques directes (DNS) puissent résoudre avec précision ces processus de mélange turbulent à petite échelle, elles sont computationnellement prohibitives pour de grands domaines, étant généralement limitées à des échelles allant jusqu'à un mètre. Par conséquent, les modèles atmosphériques opérant à des échelles plus grandes (par exemple, les simulations des grands tourbillons ou les modèles climatiques globaux) doivent paramétrer le mélange sous-maille. Un défi critique réside dans la représentation du mélange des filaments nuageux avec de l'air sec et sous-saturé, ce qui altère la microphysique des nuages (concentration en nombre de gouttelettes et distribution de taille) et la thermodynamique. La nature de ce mélange — qu'il soit « homogène » (réduisant la taille des gouttelettes mais pas leur nombre) ou « inhomogène » (évaporant complètement certaines gouttelettes tout en laissant les autres intactes) — impacte considérablement les propriétés radiatives des nuages. Cependant, il a manqué une comparaison systématique entre différents modèles statistiques de turbulence concernant leur capacité à capturer ces réponses microphysiques.

Méthodologie
Cette étude évalue quatre modèles statistiques de turbulence par rapport à un ensemble de nouvelles simulations numériques directes (DNS) servant de « vérité terrain » de référence. Les DNS résolvent les équations de Navier-Stokes incompressibles, approchées par Oberbeck-Boussinesq, couplées à des équations thermodynamiques pour la température et la vapeur d'eau, ainsi qu'à des équations lagrangiennes pour la dynamique des gouttelettes nuageuses.

Les quatre modèles statistiques comparés sont :

1. Modèle à tourbillon linéaire (LEM) : Un modèle statistique unidimensionnel qui imite l'étirement et le plissement turbulents via une approche de cartographie pour relocaliser les scalaires, tout en résolvant la diffusion moléculaire et la condensation/évaporation.
2. Modèle de saut de tourbillon (EHM) : Un modèle statistique traitant les fluctuations de sursaturation comme un processus d'Ornstein-Uhlenbeck. Il suppose une homogénéité spatiale, où tous les éléments fluides subissent une dynamique de mélange similaire.
3. Modèle de relaxation vers la moyenne (RMM) : Un modèle unidimensionnel qui suit les éléments fluides lagrangiens et relaxe leur sursaturation vers une moyenne d'ensemble, permettant une certaine variabilité spatiale.
4. Modèle à fermeture par cartographie (MCM) : Un modèle basé sur des approximations de fermeture par cartographie qui prédit l'évolution non gaussienne de la sursaturation à partir de statistiques gaussiennes, utilisant une fonction de cartographie dérivée de données DNS.

Tous les modèles utilisent une représentation lagrangienne comparable de la microphysique des nuages. L'étude simule le mélange d'un filament nuageux avec de l'air sec à travers diverses intensités de turbulence (taux de dissipation d'énergie $\epsilon$ de 1 à 1000 cm² s⁻³) et humidités ambiantes (cas n0 à n3). Les modèles sont initialisés avec des profils spécifiques pour le rapport de mélange de la vapeur d'eau et la température, et les résultats sont analysés pour les grandeurs thermodynamiques moyennées sur le domaine, la concentration en nombre de gouttelettes ($N_c$), le rayon moyen des gouttelettes ($r_m$) et la largeur spectrale des distributions de taille des gouttelettes.

Résultats clés

• Thermodynamique : Les quatre modèles statistiques capturent avec succès l'évolution des grandeurs thermodynamiques (rapport de mélange de la vapeur d'eau, température et sursaturation moyennée sur le domaine) durant le processus de mélange, quelle que soit l'intensité de la turbulence ou l'humidité ambiante. De légères discordances dans les taux de mélange ont été observées mais étaient négligeables par rapport aux variations causées par le changement des paramètres de turbulence.
• Microphysique des nuages : Des différences significatives sont apparues dans la représentation des propriétés microphysiques des nuages.
  • Mélange inhomogène : Les DNS, le LEM et le MCM ont réussi à capturer la diminution progressive de la concentration en nombre de gouttelettes ($N_c$), indiquant un mélange inhomogène où certaines gouttelettes s'évaporent complètement tandis que d'autres subsistent.
  • Biais homogène : L'EHM n'a pas réussi à capturer ce comportement, prédisant une $N_c$ constante jusqu'à ce que toutes les gouttelettes s'évaporent simultanément. Cela suggère un biais vers un mélange homogène.
  • Succès partiel : Le RMM a montré un succès partiel dans la représentation du mélange inhomogène mais avait tendance à évaporer les plus grosses gouttelettes trop rapidement par rapport aux DNS.
• Spectres de sursaturation : La capacité à représenter le mélange inhomogène était directement liée à la capacité des modèles à reproduire la distribution large et asymétrique de la sursaturation lagrangienne expérimentée par les gouttelettes.
  • Les DNS et le LEM ont reproduit les spectres larges et asymétriques résultant du mélange d'air nuageux à haute sursaturation avec de l'air ambiant à faible sursaturation.
  • Le MCM concordait bien avec les DNS pour une turbulence élevée ($\epsilon = 1000$ cm² s⁻³) mais peinait avec une turbulence faible ($\epsilon = 1$ cm² s⁻³) en raison de sa conception visant à relaxer vers une distribution gaussienne.
  • L'EHM et le RMM n'ont pas réussi à représenter l'élargissement complet de la distribution de sursaturation, l'EHM supposant une distribution très étroite.
• Sensibilité à la résolution : L'étude a mis en évidence que la capacité du LEM à représenter le mélange inhomogène dépend de la résolution. Des résolutions plus grossières dans le LEM ont décéléré la condensation initiale et l'évaporation subséquente, humidifiant artificiellement l'air ambiant et réduisant la fragmentation des nuages.

Signification et affirmations
L'article affirme que, bien que des modèles statistiques plus simples puissent représenter efficacement l'évolution thermodynamique du mélange au bord des nuages, ils ne capturent pas tous de manière égale les changements microphysiques résultants. L'étude démontre que représenter avec précision la variabilité spatiale de la sursaturation est une condition nécessaire pour que les modèles simulent correctement le mélange inhomogène et les changements associés de concentration en nombre de gouttelettes et de largeur spectrale.

Les auteurs concluent que le LEM et le MCM (avec des fermetures appropriées) sont mieux adaptés que l'EHM pour représenter ces processus microphysiques en tant que schémas sous-maille dans des modèles à plus grande échelle. Cependant, le MCM nécessite des données externes (par exemple, issues de DNS ou de l'apprentissage automatique) pour générer des fermetures spécifiques aux scénarios pour la fonction de cartographie. L'EHM nécessite des paramètres de réglage qui peuvent varier avec les conditions environnementales, posant un défi pour son application en tant que modèle sous-maille. En fin de compte, ces modèles statistiques offrent un moyen pratique de combler le fossé entre la turbulence à petite échelle et la physique des nuages, bien que les DNS restent essentielles pour résoudre les processus physiques complexes que ces modèles approximent.