La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Prise en compte des hétérogénéités dans la restitution de leau nuageuse et des précipitations par radiométrie micro-onde passive Damien Lafont Directeur.

Présentations similaires


Présentation au sujet: "Prise en compte des hétérogénéités dans la restitution de leau nuageuse et des précipitations par radiométrie micro-onde passive Damien Lafont Directeur."— Transcription de la présentation:

1 Prise en compte des hétérogénéités dans la restitution de leau nuageuse et des précipitations par radiométrie micro-onde passive Damien Lafont Directeur de thèse Bernard Guillemet

2 Contexte Problèmes pour retrouver les paramètres décrivant les nuages Forte hétérogénéité spatiale des nuages - rayon des gouttes, contenu en eau … - alternance ciel clair / nuage Image de nuages de pluie Altitude de 600 km Images NASA

3 Plan de lexposé 2 Apport de la couverture nuageuse sur la restitution des précipitations à partir de données micro-ondes 1 Etude modélisée du biais existant sur les mesures par micro-ondes et causé par lhétérogénéité 3 Classification des nuages à léchelle régionale à partir de mesures infrarouges Introduction sur les problèmes liés à lhétérogénéité dans la mesure des précipitations par satellites

4 Mesures des précipitations Taux de pluie (mm/h) 31/01/2003 TRMM / GDAAC / NASA Introduction RadarPluviomètre ~10 km~100 km Satellite Grande échelle

5 Longueurs dondes utilisées Introduction VisibleInfrarouge Longueur donde (mètre) Micro-Ondes Micro-ondes Actives (radar) Passives (radiomètre) 1mm – 1 m / 0.3 – 300 GHz Infrarouge / Visible 0.5 – 15 µm

6 Les radiomètres Infrarouge / Visible Introduction Suivi continu dans le temps dune même zone Orbite géostationnaire Réflexion visible fonction de lépaisseur du nuage Emission infrarouge thermique fonction de la température du sommet du nuage Lien indirect entre sommets des nuages et précipitations

7 La radiométrie micro-onde Introduction Contributions Absorption & émission atmosphérique (O 2, H 2 O) Emission surface ( océan ~ 0.5 ; terre ~ ) Nuages et précipitations ( précipitation ~ 0.8) Température de brillance : TB = T T : température physique : émissivité Micro-ondes Absorption aux fréquences < 50 GHz Diffusion aux fréquences > 50 GHz (85 GHz)

8 Précipitations & micro-ondes Introduction faible résolution temporelle Orbite polaire Radiomètres micro-ondes Continent surface ~ Océan surface ~ 0.5 Interaction micro-ondes / précipitations plus directe que pour lIR/VIS Radar précipitation ~ 0.8

9 Des mesures globales aux mesures instantanées Introduction Besoin destimations précises des taux de pluie instantanés pour de plus petites échelles Exemple : Complémentarité micro-ondes / infrarouge Etudes climatologiques Les techniques par infrarouge et micro-ondes donnent des estimations satisfaisantes des précipitations à grandes échelles Mesures instantanées Distribution de la pluviométrie, variations spatiales et temporelles

10 Contraintes Biais dû au remplissage partiel des pixels micro-ondes « Beam Filling Effect » (BFE) Kummerow (1998) Introduction Des résolutions spatiales différentes pour une même image La dimension du champ de vision (= pixel) est proportionnelle à la longueur donde Des quantités physiques différentes Infrarouge 10.8 µm ~1 km ~ µm Micro-onde 85 GHz ~ 8 km ~ mm Résolution spatiale Hypothèse dhomogénéité du champ de vision

11 Taux de pluie Précipitations Micro-ondes Satellite Longueurs dondes plus courtes (IR) : informations à petites échelles (hétérogénéités) types de nuages (classification) hétérogénéité classification Par lassociation de différentes longueurs dondes : Caractériser lhétérogénéité pour obtenir une meilleure estimation du taux de pluie Objectifs

12 Plan de lexposé 2 Apport de la couverture nuageuse sur la restitution des précipitations à partir de données micro-ondes 1 Etude modélisée du biais existant sur les mesures par micro-ondes et causé par lhétérogénéité 3 Classification des nuages à léchelle régionale à partir de mesures infrarouges Introduction sur les problèmes liés à lhétérogénéité dans la mesure des précipitations par satellites

13 « Beam Filling Effect » Partie 1 8 km1 km BFE =TB hétérogène - TB homogène Code numérique Micro-onde 3D Roberti et Kummerow (1994) 85 GHz = 0° Calcul des TB en considérant les pixels micro-ondes homogènes 8 km Calcul des TB à partir de pixels « hétérogènes » 1 km 8 km On ramène à léchelle des observations micro-ondes Modèle statistique de nuages 2D Hypothèse de nuages homogènes verticalement Nuages précipitants

14 Hétérogénéité et couverture nuageuse Couverture nuageuse sous-pixel Couverture Fractionnaire (CF) % nuage ou pluie dans un pixel micro-onde Paramètres dhétérogénéité sous-pixel Voisinage direct Autres paramètres Répartition à lintérieur du champ de vision Texture, niveaux de gris Partie 1

15 BFE et Couverture Nuageuse Précipitations stratiformes Précipitations convectives Partie 1 CF = Couverture Fractionnaire nuageuse CF =1 100% nuage dans un pixel micro-onde 8-11 km : glace 5-11 km : eau + glace 0-5 km : précipitations

16 BFE et paramètres dhétérogénéité Précipitations stratiformes McCollum et Krajewski (1998) Daprès Haferman et al. (1994) CF > 0.2 Partie 1 Coefficient de Variation

17 Conclusions Partie 1 Partie 1 BFE dépend du type de nuage Importance de la diffusion Lafont et Guillemet (2004) Atmospheric Research Pour une correction du biais Séparation convectif / stratiforme Prise en compte de la couverture sous-pixel Couplage des micro-ondes avec des capteurs offrant une meilleure résolution spatiale Lien entre BFE et la couverture nuageuse sous-pixel

18 Plan de lexposé 2 Apport de la couverture nuageuse sur la restitution des précipitations à partir de données micro-ondes 1 Etude modélisée du biais existant sur les mesures par micro-ondes et causé par lhétérogénéité 3 Classification des nuages à léchelle régionale à partir de mesures infrarouges Introduction sur les problèmes liés à lhétérogénéité dans la mesure des précipitations par satellites

19 Restitution multi-échelles des précipitations Partie 2 Exemples : MIRA (Microwave Infrared Algorithm) échelle : 1°-2.5° micro-onde passive & infrarouge géostationnaire (GOES) (Todd et al. 2001) Approche par réseaux de neurones échelle régionale radar & infrarouge géostationnaire (GOES) (Bellerby et al. 2000) Association de différentes caractéristiques physiques et spatiales issues de différents capteurs

20 Réseaux de Neurones Permettent de prendre en compte plusieurs paramètres simultanément Entrée de données auxiliaires (Faure et al. 2001) Paramètres dentrée : TB micro-onde Couverture sous-pixel Mesures par satellite Réseau de neurones Paramètres géophysiques Entrée réseau Sortie réseau Taux de pluie Vapeur deau Vitesse du vent Humidité Partie 2 Paramètre de sortie : Taux de pluie

21 Application aux données TRMM Tropical Rainfall Measuring Mission Partie 2 TMI : 10.7, 19.4, 21.3, 37, 85.5 GHz VIRS : 0.63, 1.6, 3.75, 10.8, 12 µm PR : 13.8 GHz Structure horizontale Structure verticale précipitations (mm/h)

22 Couplage Micro-ondes / Couverture nuageuse Partie 2 Base de données Convective - Océan Convective - Continent Stratiforme - Océan Stratiforme - Continent Séparation Océan / Continent Convective / Stratiforme (PR) PR 4 km TMI 8 km VIRS – 10.8 µm 2 km Taux de pluie moyen mm.h -1 PRCF IRCF TB 85 GHz Couvertures sous-pixel Precipitation Radar 8 km réseau

23 1 Taux de pluie Apprentissage / Comparaison Réseau de neurones « TB seule » TMI Taux de pluie TMI Taux de pluie TMI PR Taux de pluie TMI TB 85 GHz TMI Algorithmes dinversion Partie 2 PR Taux de pluie Apprentissage / Comparaison TMI 2 Taux de pluie TMI IR thermique (canal 4) IRCF VIRS Réseau de neurones « TB+IRCF » TMI VIRS TMI Taux de pluie TMI Taux de pluie TMI TB 85 GHz TMI VIRS TMI Taux de pluie TMI Taux de pluie TMI Taux de pluie TMI PR Taux de pluie TMI PR Taux de pluie Apprentissage / Comparaison TMI Taux de pluie TMI 3 Taux de pluie TMI Réseau de neurones « TB+PRCF » PR TMI PR TMI Taux de pluie TMI PR TB 85 GHz TMI PRCF PR TMI Taux de pluie TMI Taux de pluie TMI Taux de pluie TMI PR Taux de pluie TMI Taux de pluie Apprentissage / Comparaison TMI Taux de pluie TMI Taux de pluie TMI PR Taux de pluie TMI TB 85 GHz TMI PR Taux de pluie TMI Taux de pluie TMI IR thermique (canal 4) IRCF VIRS TMI Taux de pluie TMI PR TMI PR TMI 4 Taux de pluie TMI PRCF PR TMI VIRS Réseau de neurones « TB+IRCF+PRCF » PR TMI

24 Coefficients de corrélation Partie 2 Corrélation entre les taux de pluie du réseau et du radar PR Prise en compte de la couverture nuageuse meilleure estimation du taux de pluie

25 Couplage optimum classification des scènes nuageuses précipitant / non précipitant convectif / stratiforme Ex : indice VI (Anagnostou et Kummerow, 1997) Résultats Couplage micro-ondes / couverture nuageuse peut améliorer les restitutions du taux de pluie Lafont et Guillemet (2004) IEEE Transactions on Geoscience and Remote Sensing Partie 2

26 Plan de lexposé 2 Apport de la couverture nuageuse sur la restitution des précipitations à partir de données micro-ondes 1 Etude modélisée du biais existant sur les mesures par micro-ondes et causé par lhétérogénéité 3 Classification des nuages à léchelle régionale à partir de mesures infrarouges Introduction sur les problèmes liés à lhétérogénéité dans la mesure des précipitations par satellites

27 Classification nuageuse Partie 3 OMM (1987) Depuis lespace Des structures caractéristiques 10 genres de nuages IR/VIS Echelles km (méso-échelle)

28 Les nuages à méso-échelle Etudes sur les structures nuageuses Partie 3 Lien entre les couvertures à différentes échelles Locales (10 km) et régionales (~ 100 km) Chang et Coakley (1993) Lien entre hétérogénéités à différentes échelles Echelle caractéristique km Garand et Weinman (1986) Hiérarchie dans les structures nuageuses

29 Hétérogénéité à méso-échelle Partie 3 Indice de Shannon nombre despèces nombre total dindividus nombre dindividus dans lespèce i Ecologie : Caractériser la diversité des écosystèmes p i = f i = N i /N Les méthodes existantes : plusieurs canaux, texture … classifications Garand (1988), Carvahlo et Dias (1998) Les indices en télédétection : regrouper linformation Comment caractériser les nuages à méso-échelle ? Théorie de linformation Shannon (1948) Problèmes : perte dinformation, seuil ciel clair / nuage

30 Données AVHRR (Advanced Very High Resolution Radiometer) SATMOS – Météo France Infrarouge thermique 11 µm Résolution spatiale : 1 km 128 km Indice de Diversité Partie 3 f i = N i /256 classe 1 | classe 2 | classe 3 | … | classe 10 N 1 N 2 N 3 N 10 Indice de Diversité TIR : écart-type de la T infrarouge dans une grille 8 km x 8km Classes : intervalles des valeurs de TIR Nombre de classes : 10 Dimension de la i ème classe : Nombre total déléments : 256 TIR grille 8 km

31 Classification Partie 3 Classification à partir des réseaux de neurones Bankert (1994) ; Bankert et Aha (1996) Classification des nuages bas 1Stratus 2Stratocumulus 3Cumulus 4Altocumulus 5Cumulonimbus 6Cirrus DI + c = Écart-type de la Température IR 10.8 µm Scène entière 128 km 128 km Images Météo France

32 Résultats Partie 3 Lafont et al. (2005) International Journal of Remote Sensing Classification SATMOS Météo France Classification DI-Réseau de Neurones ST : Stratus SC : Stratocumulus CU : Cumulus AC : Altocumulus CB : Cumulonimbus CI : Cirrus Peu de paramètres Pas de seuil ciel clair / nuage

33 Conclusions générales Effets de lhétérogénéité horizontale sur les TB micro-ondes Type de nuages, couverture nuageuse La nécessité de spécialiser le traitement suivant le type de nuage (stratiforme / convectif …) Une solution de classification nuageuse à méso-échelle obtenue à partir de mesures IR (indice) La prise en compte de la couverture nuageuse permet une meilleure estimation du taux de pluie (à partir des données TRMM)

34 Perspectives Prise en compte des scènes mixtes et comparaison avec des méthodes existantes Utilisation dun couplage de différentes fréquences micro-ondes Correction des effets de lhétérogénéité couplage et classification Missions spatiales dédiées à létude des précipitations Complémentarité physique micro-ondes / IR-VIS

35

36 On travaille avec la fréquence ( ) Fréquences sont assez petites : fonction de Planck fonction linéaire : si hc/ kT << 1 On obtient : B(,T) ~ (2ck/ 4 ) T B(,T) = c/ 2 B(,T) = (2k 2 /c 2 ) T Linéaire en T Interprétation du transfert radiatif aux fréquences micro-ondes ? L = s B(,T) = (2k 2 /c 2 ) s T permet de définir une Température de Brillance, T B = L c 2 /2k 2 Ainsi, T B = s T … on peut substituer la luminance par T B et B(,T) par T Température de brillance micro-onde Partie 1

37 Beam Filling Effect et Couverture Nuageuse Nuage non précipitant 1 D3 D Partie 1 CF = Couverture Fractionnaire nuageuse CF =1 100% nuage dans un pixel micro-onde

38 Partie 3 Inversion des températures de brillance mesurées Comparaison avec les mesures du Precipitation Radar Continent - Convective Taux de pluie PR mm/h Taux de pluie Réseau de Neurones mm/h TB seule TB + PRCF R = TB seule R = 0.509

39 Application climatologique Données MODIS (Moderate Imaging Spectroradiometer System) Stratus (ST) 2Stratocumulus (SC) 3Cumulus (CU) 4Altocumulus (AC) 5Cumulonimbus (CB) 6Cirrus (CI) 7Ciel clair Partie 3 Occurence des types nuageux (%) Infrarouge thermique 10.8 µm


Télécharger ppt "Prise en compte des hétérogénéités dans la restitution de leau nuageuse et des précipitations par radiométrie micro-onde passive Damien Lafont Directeur."

Présentations similaires


Annonces Google