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

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

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

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)

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

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

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

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

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

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

Interférences dues aux marées 15:00 10:00 2:00 Time of launch Averaged temperature 45-55 km Kubicki et al., submitted toJASTP , 2004.

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

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.

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

Evolution des forçages

Tendance ou variabilité naturelle ~43-57 km ?

Tendance ou variabilité naturelle ~43-57 km ?

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

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

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

Cas de la haute troposphère

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

Evolution de la température à 44°N

Déviation standard de la température

EOF of T profiles – Summer (April to Oct)

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

Mesospheric inversion Mode mésosphérique Mesospheric inversion

Mode Stratosphérique-mésosphérique Stratospheric warming

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

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

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

Observations des cirrus par lidar

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

Cirrus à l’OHP 1997-1999 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

Type de cirrus

Distribution des anomalies

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)

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

Le Lidar rétrodiffusion Occurrence des nuages + diffusion moléculaire

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