Analyse statistique des séries de mesures

Présentation au sujet: "Analyse statistique des séries de mesures"— Transcription de la présentation:

1 Analyse statistique des séries de mesures
Université Paris 6 Pierre et Marie Curie Université Versailles Saint-Quentin Institut Pierre-Simon Laplace des Sciences de l’Environnement LATMOS Analyse statistique des séries de mesures Philippe Keckhut

2 Analyse de régression : tendance
T2 = R2 * Fc / S (ti-tm)2 incertitude sur la tendance variablité n d’ temps

3 Auto-correlation Fc=(1+/(1-
Décroissance exponentielle Temps caractéristique jours Fc=(1+/(1- Longues séries temporelle (plusieurs décenies) t Optimisation si la variabilité est limitée à la variabilité atmosphérique R Mesures fréquentes -> moyennes mensuelles

4 Echelle temporelle et signification statistique
Parametres région Variabilité résiduelle Tendance attendue (/décennie) Temps nécessaire (années) Température Ozone Vent Haute strato Mésosphère Basse strato 3-8 K 8-10 K 20 % 7% 5-15 m/s 1-2 K 1-3 K 5-20% 5-10% < 1m/s 8-17 15-30 7-20 5-10 20-50 Temps nécessaire pour une détection significative (2s)

5 Analyse multi-régression
Forçages naturels (solaire, volcanique) et anthropiques Ramaswamy et al, Rev. Geoph., p71, 2001

6 Erreur Méthodologique
L’erreur méthodologique dépend du bruit Après 20 ans l’erreur méthodologique est négligeable

7 Discontinuités Principaux facteurs de discontinuité :
Amélioration de la précision, sensibilité, et échantillonnage Amélioration instrumentale Changement des algorithmes Changements des protocoles et modes opératoirs Eviter les changements instrumentaux Date des changements (Metafile) Mesures redondantes Série aléatoire décalée de 1 s en

8 Changements Instrumentaux des fusées
Estimated from the time serie analyses Estimated from the aerothermic calculations

9 Regression multi-paramètres
T(t) = m + St + A•Trend + B•Solar + C•QBO + D•ENSO + E•AO + F.Step(ti) + Nt les termes A, B, C, D, E, F représente l’amplitude des tendances / les facteurs de variabilité et les résidus et biais. Les résidus (AR(1)) correspondent à la variabilité non considérée dans le modèle. Les limites de ces analyses correspondent : L’inadéquation du modèle La linéarité de la réponse atmosphérique Les biais dues au la non indépendance des forçages (méthodologie) Discontinuités

10 Marées atmosphériques
Les marées sont dues à l’absorption du rayonnement solaire par l’ozone et la vapeur d’eau Ce forçage induit des oscillations en phase avec le cycle diurne Ce forçage induit de larges amplitudes dans la haute stratosphère et dans la mésosphère Ces signatures s’observent à partir des lidars et les satellites 6K MLS/UARS 1 hPa Lidar La Réunion GSMW Les marées induisent des biais dans les comparaisons de données, les tandances et la validation satellitaire

11 Interférences dues aux marées
15:00 10:00 2:00 Time of launch Averaged temperature km Kubicki et al., submitted toJASTP , 2004.

12 Influences des marées sur la tendance
Keckhut et al., J. Geophys. Res., p447, 1999

13 Tendances en fonction de la latitude
Wallops, --- OHP Wallops US tropical °°°° OHP, _ _ Volgograd US tropical Volgograd Summer Winter Riory Riory, …. US tropical: 8°S-34°N Wallops Island: 37,5°N Ryori, Japan: 39°N OHP, France 44°N Volgograd 49°N Kubicki et al., submitted toJASTP, 2004.

14 Tendance à l’échelle globale
NCEP analyses at 1 hPa (≈50 km) Keckhut et al., J. Geophys. Res., p546, 2001

15 Evolution des forçages

16 Tendance ou variabilité naturelle
~43-57 km ?

17 Tendance ou variabilité naturelle
~43-57 km ?

18 Tendance non-linéaire
L’estimation de tendances non-linéaires est possible Dans le domaine 2 et dépend de la longueur de la série et du bruit Dans le domaine 3 dépendant uniquement du bruit résiduel

19 Résultats concernant la température
Tendances linéaires varient en fonction de la durée des séries Terme non-linéaire indique l'inflexion des tendances et stabilise la tendance générale

20 Stratégie de surveillance lors d’une variabilité importante et multiple
Transport horizontal Cycle hydrologique Transport vertical Sources Distribution des anomalies

21 Cas de la haute troposphère

22 Evolution des pics d’ozone
The stratospheric origin increases The long-term tropospheric transport was minimum in 1980’s BL origin remains constant since 1970’s Colette, et al. Atmos. Env., 2005

23 Evolution de la température à 44°N

24 Déviation standard de la température

25 EOF of T profiles – Summer (April to Oct)

26 EOF of T profiles – Winter (Dec-Jan-Feb)

27 Mesospheric inversion
Mode mésosphérique Mesospheric inversion

28 Mode Stratosphérique-mésosphérique
Stratospheric warming

29 Réponse de l’atmosphére aux cycles de 27-jours
Wavelet analyses Interferences avec les ondes planétaires MgII solar flux Lidar temperature

30 Variabilité de l’Ozone
TOMS Total Ozone Wavelet analysis Analyse par ondelettes Changements de la variabilité associés à l’établissement d’un vortex Mise en évidence de changements significatifs de la durée de l’hiver et de l’été Quantification de la variabilité

31 Résultats de l’analyse de la variabilité
1. Ozone variability is associated to the occurrence of stratospheric warmings 2. The winter variability sems to be asscociated with solar cysle

32 Observations des cirrus par lidar

33 Climatologie des cirrus
Mid-latitude (44°N) (from Goldfarb et al., GRL, 2001) Southern tropic (21°S) (from Cadet et al., GRL, 2002)

34 Cirrus à l’OHP Classe d’épaisseur optique de A à F Les cirrus sub-visibles correspondent à une épaisseur optique t < 0.03 Distribution et fréquence d’occurrences indépendant de la saison 3 classes identifiées, fonction de l’altitude et épaisseur des nuages

35 Type de cirrus

36 Distribution des anomalies

37 Altitude relative to tropopause
Classes de cirrus Class I II III Occurrence (%) 36 27 35 Height (km) 8.6 ± 0.9 9.8 ± 0.7 11.5 ± 0.9 Altitude relative to tropopause -7±8 -0.5±13 +7±16 Thickness (km) 0.9 ± 0.6 3.2 ± 0.9 Temperature (°C) -41 ± 6 -50 ± 6 -58 ± 6 Keckhut et al., J. Appl. Meteo., 2005 (in press)

38 Conclusions Analyse de la variabilité Analyse critique des données
Metadonnées Sources de biais Stationnarité des séries Analyse statistique des données Distribution des données Indépendance des données Apport de la simulation Analyse mathématique interprétable physiquement Analyse de la variabilité Sources multiples Séparation des sources Adaptation des méthodes TF et Ondelettes Classification Composantes principales

39 Le Lidar rétrodiffusion
Occurrence des nuages + diffusion moléculaire

40 Lidar Rayleigh : Profil de température
S’applique pour de la diffusion moléculaire Densité et la pression sont des mesures relatives La température est déduite à partir de la lois des gaz parfait est une estimation absolue