Prise en compte des hétérogénéités

Présentation au sujet: "Prise en compte des hétérogénéités"— Transcription de la présentation:

1 Prise en compte des hétérogénéités
dans la restitution de l’eau nuageuse et des précipitations par radiométrie micro-onde passive Damien Lafont Directeur de thèse Bernard Guillemet Je vais vous présenter mes travaux de recherche effectués au Laboratoire de Météorologie Physique

2 Forte hétérogénéité spatiale des nuages
Contexte Forte hétérogénéité spatiale des nuages - rayon des gouttes, contenu en eau … - alternance ciel clair / nuage Problèmes pour retrouver les paramètres décrivant les nuages Que ce soit depuis l’espace ou de puis la surface, lorsqu’on observe les nuages on remarque une forte héréro spatiale, c’est-à-dire la présence de zones de ciels clairs … Cette hétéro, cause des difficultés dans l’estimations des paramètres qui décrivent les nuages … comme le rayon des gouttes, le contenu en eau, ou le taux de pluie Mon travail de thèse s’intègre dans les recherches actuelles visent à prendre en compte cette hétéro, en particulier pour les précipitations qui montre de très forte variations spatiales. Image de nuages de pluie Altitude de 600 km Images NASA

3 Plan de l’exposé Introduction sur les problèmes liés à l’hétérogénéité dans la mesure des précipitations par satellites 1 Etude modélisée du biais existant sur les mesures par micro-ondes et causé par l’hétérogénéité 2 Apport de la couverture nuageuse sur la restitution des précipitations à partir de données micro-ondes Voici le plan de mon exposé, Je présenterai tout d’abord les problèmes liés … Nous verrons ensuite une méthode de restitution des précipitations faisant appel au couplage des MW avec une information sur la couverture nuageuse sous-pixel Enfin, Aux échelles concernées ici, un problème essentiel pour l’étude des précipitations est celui de la reconnaissance des types de nuages, c’est à dire le plus souvent savoir si l’on a affaire à des pluies de type stratiforme ou convectif, qui agissent différemment sur le bilan radiatif. Dans cette perspective, nous verrons dans la dernière partie une classification des scènes nuageuses à partir des données IR 3 Classification des nuages à l’échelle régionale à partir de mesures infrarouges

4 Mesures des précipitations
Introduction Radar Pluviomètre ~10 km ~100 km Satellite Grande échelle Taux de pluie (mm/h) 31/01/2003 TRMM / GDAAC / NASA Les mesures conventionnelles, comme les pluviomètres Les mesures indirectes,comme les radars, sont utilisées localement afin d’explorer la structure des nuages, donnant ainsi accès à l’extension des zones de pluie particulièrement utiles dans l’étude des fronts et le suivi des trajets des orages Ces méthodes basées sur les mesures au sol conduisent à des estimations satisfaisantes, mais seulement de façon locale et sans suivi temporel des systèmes précipitants De plus, les mesures au-dessus des océans, qui représentent à eux seuls 70% de la surface du globe, ne sont pas accessibles La distribution irrégulière des pluviomètres et des radars basés au sol, ainsi que le manque de mesures au-dessus des océans ont limité l’utilisation de ces données de pluie Les satellites météo ont permis l’amélioration de l’identification et de la quantification des précipitations à des échelles de temps compatibles avec la nature et le développement des nuages de pluie Les satellites ont étendu la couverture spatiale et temporelle des données de pluie conventionnelles basées au sol Et présentent l’avantage sur les méthodes d’observation classiques : des infos continues et à grande échelle Le premier objectif de la surveillance satellite des précipitations est de fournir des infos sur la fréquence des pluies, la quantité et la distribution autour du globe, ceci pour des météo à toutes les échelles, des climato Elle est maintenant l’outil indispensable pour l’étude de l’atmosphère, et dans de nombreux cas l’unique source d’information

5 Longueurs d’ondes utilisées
Introduction Visible Infrarouge Longueur d’onde (mètre) Micro-Ondes Micro-ondes Actives (radar) Passives (radiomètre) 1mm – 1 m / 0.3 – 300 GHz Infrarouge / Visible 0.5 – 15 µm Les techniques IR/VIS ont été les premières à être mis en place, car relativement simple d’application Dans cette gamme, les MW, qui correspondent à des les longueurs d’onde de l’ordre du mm au m (ou des fréquences de 0.3 à 300 GHz) Plus grandes longueurs d’ondes donc pas d’influence sur le bilan radiatif … Micro-ondes actives Micro-ondes passives

6 Les radiomètres Infrarouge / Visible
Introduction Réflexion visible fonction de l’épaisseur du nuage Emission infrarouge thermique fonction de la température du sommet du nuage Lien indirect entre sommets des nuages et précipitations Suivi continu dans le temps d’une même zone Orbite géostationnaire Principes de l’IR VIS et thermique Les radiomètres IR/VIS détectent l’émission des parties supérieures du nuages VIS : reflexion du VIS solaire en fonction de l’épaisseur du nuage TIR : Emission de TIR est fonction de la température du sommet du nuage Les nuages sont opaques dans le VIS et l’IR et les précipitations sont déduites des structures de sommet Dans ces techniques, la couverture fractionnaire est l’indicateur du taux de pluie : CF associée avec des sommet froids est reliée aux précipitations de surface Cette méthode est basée sur le fait que la TB IR du sommet du nuage est statistiquement corrélée avec la couverture des nuages froids Lien indirect entre température du sommet du nuage et les précipitations Bien qu’il existe des satellites orbites polaire, on préfère utiliser le suivi en continu des sat. géostationnaires Princialement utilisés sur des Orbites géostationnaires, notamment pour des études climato VIS et IR donnent une vue rapide nécessaire pour capturer à la fois la croissance et la dissipation des nuages précipitants Cependant, ces applications opérationnelles requirent une détermination quantitative des précipitations à partir d’une variété de systèmes précipitant, qui diffèrent à la fois sur le plan dynamique et sur le plan micro-physique Ce qui nous laisse entrevoir, des solutions différentes suivant les applications souhaitées Les perspectives varient en effet énormément, allant de méthodes relativement simples utilisées pour des études climatiques, jusqu’à des estimations instantanées plus élaborées plus axées vers les prévisions Il est donc difficile de voir les estimations des précipitations par satellites de façon unifiée, c’est à dire englobant toutes les applications possibles

7 La radiométrie micro-onde
Introduction Température de brillance : TB = e T T : température physique e : émissivité Micro-ondes Contributions Absorption & émission atmosphérique (O2, H2O) Emission surface (e océan ~ 0.5 ; e terre ~ ) Nuages et précipitations ( précipitation ~ 0.8) Ce rayonnement EM est émis et transmis sous forme d’ondes, suivant les caractéristiques … Ce qui permet de distinguer les caractéristiques du rayonnement en fonction de la longueur d’onde, ou de la fréquence Plus la fréquence est élevée et plus la longueur d’onde est courte, plus l’énergie du rayonnement est importante Caractéristiques Physico-Chimique des Molécules les molécules gazeuses absorbent et émettent le rayonnement Chaque molécule a un spectre unique, qui est fonction des types d’atomes et de leur configuration à l’intérieur de la molécule Pour certaines molécules, une certaine longueur d’onde va exciter les atomes et les électrons Ceux-ci entreront en mode de vibration et/ou de rotation, libérant ainsi de l’énergie dans des longueurs d’ondes spécifiques à chaque molécule Si on regarde le spectre d’absorption dans les MW On voit qu’elles sont très peu énergétiques Absorption (émission) résonante par la vapeur d’eau (21 GHz, 183 GHz) Absorption (émission) résonante par l’oxygène (60 GHz et 120 GHz) Entre ces bandes : fenêtres utilisées par les capteurs satellites Il existe plusieurs contraintes qui limitent la précision et l’application des restitutions de pluie à partir des MW passives L’un des problèmes les plus importants concerne la définition des caractéristiques de la surface La plupart des études se concentrent sur l’amélioration de la physique de leur algorithme, mais on oublie que ‘incapacité à identifier et éliminer les régions clair, ou inversement à identifier toutes les régions précipitantes, peut conduire aussi à des erreurs importantes Ainsi, les pixels mal identifiés créent des erreurs de premier ordre dans la comparaison statistique des algo avec les mesures au sol. Bien que la plupart des algo physiques les plus complexes peuvent inclure cette étape de filtrage, comme partie intégrante, les algo les plus courants ont 2 étapes distinctes, particulièrement ceux opérant au-dessus des terres La première étape est donc la détection de la pluie, La seconde, la transformation des TB en taux de pluie (=étape de conversion) De plus, la détection de la pluie fine et la question du seuil de détection est un pb urgent Enfin, certains travaux, et malgré l’aspect intégré des mesures MW, ont montré l’importance du profil vertical des hydrométéores (Kummerow, 1998; Viltard, 2000). Absorption aux fréquences < 50 GHz Diffusion aux fréquences > 50 GHz (85 GHz)

8 Précipitations & micro-ondes
Introduction Radiomètres micro-ondes Radar Océan e surface ~ 0.5 Continent e surface ~  précipitation ~ 0.8 Interaction micro-ondes / précipitations plus directe que pour l’IR/VIS faible résolution temporelle Orbite polaire Principes des restitutions des précipitations par micro-ondes passives L’atmosphère libre de pluie est relativement transparent; Les précipitations interagissent directement avec le rayonnement MW Les TB enregistrées par les radiomètre MW dépendent à la fois de l’émission et de la diffusion et donc du type de nuage en présence QUANTITE INTEGREES Aux fréquences MW, les précipitations sont la principale source d’atténuation du rayonnement Au-dessus de 60 GHz, la diffusion domine et on détecte surtout la glace ; Entre 19 et 85 GHz, le rayonnement intéragit avec tous les types d’hydrométéores (gouttes d’eau, glace, …), La diffusion et l’émission ont lieu en même temps. Ainsi, à différentes fréquences, les radiomètres observent différentes parties de la colonne de pluie Tout ceci, compliqué en plus par des caractéristiques radiatives différentes pour les mers et les terres En effet, la surface de la mer a une émissivité cte et basse (environ 0.4) ; Le rayonnement émis est donc faible et les précipitations (0.8) augmente la quantité de rayonnement par émission Les surfaces terrestres, de leur côté, ont une forte et relativement variable émissivité ( ), proche de celle des précipitations, l’émissivité dépend alors des carac de surface (sol, végétation) Les précipitations à la fois émettent et absorbent le rayonnement MW, ce qui introduit des difficultés considérables pour l’identification des zones de pluie La diffusion est ainsi la clé des techniques MW au dessus des terres Ils existent donc différents algorithmes, qui font, suivant le contexte, une utilisation variable des canaux disponibles Bien qu’on ait une relation plus directe,… les satellites à orbites polaires, Instruments MW : des restrictions techniques et physiques, pour l’instant, limitent les capteurs MW à des orbites polaires basses Des estimations plus précises du taux de pluie instantané Les instruments actifs (radar) et passif (radiomètres) permettent maintenant le suivi de l’eau atmosphérique en 3D, et celui des paramètres de surface important pour les échanges surface-atmosphère Une faible résolution temporelle L’observation par satellites des précipitations et du contenu en eau des nuages par les radiomètres MW constitue une des bases de l’étude du climat

9 Des mesures globales aux mesures instantanées
Introduction 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  Besoin d’estimations précises des taux de pluie instantanés pour de plus petites échelles Les techniques par IR et MW passives produisent donc des estimations raisonables pour les précipitations à grandes échelles Car ces estimations offrent toujours une qualité suffisante lorsqu’elles sont moyennées sur des échelles de temps et d’espace suffisante Cependant, elles souffrent généralement de performances contradictoires lorsqu’on s’intéresse à des taux de pluie instantanés Pourquoi un taux instantané ? Deux directions de recherche convergent actuellement pour améliorer les estimations et comparaisons régionales et permettre la prévision des changements futurs La première relève des études climatologiques traditionnelles : on sait que les précipitations sont discontinues et ont des intensités locales dictées par la topographie et les contrastes géographiques Seule une densité suffisante du réseau peut les capter : les réseau pluviométriques existants sont améliorés par des stations permanente automatiques Les vides étant alors comblés par le recours à des méthodes types télédétection La seconde direction repose sur la focalisation régionale, c’est à dire l’amplification temporelle et spatiale de la modélisation Elle est calculée à partir de quelques mailles d’un modèle global qui fournissent les conditions limites au-dessus d’une région avec une résolution grossière Ces conditions servent de guide à un modèle régional dont la résolution spatiale est de l’ordre de qq 10 de km Pour cette technique qui joue sur l’emboîtement des échelles, le temps de calcul augmente exponentiellement avec l’intensité de la focalisation, cette procédure est actuellement limitée dans l’espace et l’accent est davantage mis sur l’amélioration des paramètres et surtout de l’ajustement aux données observées. Il existe donc un besoin d’estimations précises du taux de pluie instantané aux plus petites échelles Pour cela, on peut inclure des données sols, ou bien mettre en synergie des données de longueurs d’onde différentes C’est cette dernière approche qui est suivie dans la suite. Exemple : Complémentarité micro-ondes / infrarouge

10 Des quantités physiques différentes
Contraintes Introduction Des quantités physiques différentes Des résolutions spatiales différentes pour une même image La dimension du champ de vision (= pixel) est proportionnelle à la longueur d’onde Infrarouge 10.8 µm ~1 km  ~ µm Micro-onde 85 GHz ~ 8 km  ~ mm  Résolution spatiale L’inconvénient le plus important est la mauvaise résolution spatiale, due à la diffraction, qui limite la résolution qu sol pour une antenne MW, Ces deux images, issues des capteurs IR et MW illustrent l’aspect hétérogène que l’on peut rencontrer et la différence dans la perception de l’hétérogénéité des champs nuageux en fonction de la longueur d’onde et de la résolution La dimension du champ de vision, superficie à partir de laquelle un capteur compose un unique signal dont la valeur est constituée par l’intégrale des valeurs élémentaires de la surface, En fonction de la fréquence utilisée, l’intensité du signal disponible et les propriétés des antennes réceptrices imposent des champs de vision (FOV) d’autant plus grands que la fréquence est basse Compte tenu des plus grandes dimensions des FOVs des radiomètres MW, le remplissage partiel par les nuages est fréquent et a des conséquences directes sur les TB observées Car, comme on vient de le voir l’émission dans ces grandes longueurs d’onde est directement liée à la température des corps émetteurs Les hétérogénéités des nuages ont des conséquences à l’échelle de ces observations par MW Les échelles usuelles de la répartition nuageuse et de l’hétérogénéité des nuages impliquent la nécessité de prendre en compte les effets de cette répartition à la fois dans le problème du transfert radiatif direct (des paramètres nuageux vers les luminances), et dans les aspects inverses. Effets de l’hétérogénéité des nuages est un problème d’échelles Ces différences sont exprimées dans la littérature sous le terme de BFE pour désigner cet effet du remplissage partiel du champ de vision La télédétection des nuages par MW passives est donc limitée physiquement par la nature hétérogène des champs nuageux, Perte d’info ... Hypothèse d’homogénéité du champ de vision Biais dû au remplissage partiel des pixels micro-ondes « Beam Filling Effect » (BFE) Kummerow (1998)

11 Par l’association de différentes longueurs d’ondes :
Objectifs hétérogénéité classification Par l’association de différentes longueurs d’ondes : Caractériser l’hétérogénéité pour obtenir une meilleure estimation du taux de pluie Longueurs d’ondes plus courtes (IR) : informations à petites échelles (hétérogénéités) types de nuages (classification) Micro-ondes Satellite Pour éviter le problème de l’hétérogénéité interne on peut améliorer les techniques IR/VIS Cependant par nature, ces longueurs d’ondes ne permettront jamais d’obtenir une information intégrée directe C’est pourquoi les techniques faisant appel aux méthodes combinées MW/IR/VIS se sont développées La complémentarité des informations en courtes et grandes longueurs d’ondes peut alors être envisagée sous deux aspects : Une complémentarité physique, La première consiste à introduire une info de + haute résolution spatiale sur la microphysique des nuages Ce couplage physique est cependant limité, comme on l’a vu, par la profondeur réduite de la source de rayonnement, limitée à la partie supérieure du nuage Une complémentarité sur l’information spatiale de la couverture nuageuse, qui demande d’amener les informations de résolutions spatiales différentes à une même échelle Par exemple, les canaux IR avec un FOV + petit, peuvent révéler la variabilité à l’intérieur des pixel MW Le couplage spatial concerne donc généralement l’apport de la fraction de pluie ou de nuage Cependant, toutes les techniques combinées sont compliquées par les différentes échelles qui entrent en jeu Et aussi par le fait que différents capteurs mesures des quantités physiques différentes C’est ce couplage spatial qui est l’objet de ce travail Taux de pluie Précipitations

12 Plan de l’exposé Introduction sur les problèmes liés à l’hétérogénéité dans la mesure des précipitations par satellites 1 Etude modélisée du biais existant sur les mesures par micro-ondes et causé par l’hétérogénéité 2 Apport de la couverture nuageuse sur la restitution des précipitations à partir de données micro-ondes Passons maintenant à l’étude du biais … 3 Classification des nuages à l’échelle régionale à partir de mesures infrarouges

13 « Beam Filling Effect » BFE =TB hétérogène - TB homogène
Partie 1 Modèle statistique de nuages 2D Hypothèse de nuages homogènes verticalement Nuages précipitants 8 km 1 km 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 l’échelle des observations micro-ondes BFE =TB hétérogène - TB homogène

14 Hétérogénéité et couverture nuageuse
Partie 1 Couverture nuageuse sous-pixel Couverture Fractionnaire (CF) % nuage ou pluie dans un pixel micro-onde Paramètres d’hétérogénéité sous-pixel Voisinage direct Autres paramètres Répartition à l’intérieur du champ de vision Texture, niveaux de gris Il est clair que la variabilité spatiale des nuages, et plus spécialement celle des précipitations, conditionne les TB enregistrées par les radiomètres Pour étudier ce biais, il faut définir des paramètres donnant accès à la variabilité interne des pixels MW, Qui vont permettre d’établir le lien entre les fluctuations du contenu en eau et les hétérogénéités du champ de TB La première caractéristique évidente que l’on peut déterminer est la couverture nuageuse sous-pixel, que l’on notera CF par la suite, pour Couverture fractionnaire Cette fraction nuageuse définie par le nombre de pixels nuageux divisé par le nombre de pixels total d’une région donnée, ou d’un pixel donné Dans le cas où le nuage n’occupe pas totalement le pixel MW, ce taux de couverture peut être estimé par des capteurs de plus haute résolution; c’est à dire dans le cas des MW par IR/VIS ou même radar Autres paramètres Paramètres décrivant l’hétéro (travaux antérieurs)

15 BFE et Couverture Nuageuse
Partie 1 Précipitations stratiformes Précipitations convectives 8-11 km : glace 5-11 km : eau + glace 0-5 km : précipitations 0-5 km : précipitations On étudie ici le comportement du biais sir les TB mesurées Sur la 1ère figure on voit le BFE à 85 GHz en fonction de la CF Pour un nuage précipitant, de type stratiforme, entre la surface et 5 km d’altitude le minimum se produit pour une couverture d’environ 10% et peut être supérieure à –30K La variation est régulière avec une valeur maximum d’environ 30 K pour une couverture fractionnaire de 0.1 Pour les faibles valeurs de CF BFE décroît, puis augmente à partir de 0.1 Traduit ls influences du sol et des nuages sur les TB Saturation du signal par émission et début de la diffusion L’écart entre TB hom et het est max, les TB het commencent à diminuer La deuxième figure correspond … On retrouve les mêmes caractéristiques que précédemment, excepté pour … Dans le cas convectif, c’est à dire un nuage précipitant constitué de trois couches avec au sommet, de la glace, une couche mixte et des précipitations liquides Pour les valeurs de CF inférieures à 0.5 on observe le même comportement que précédemment Le point important est le changement de signe du BFE pour une CF comprise entre 50 et 80% Ces valeurs positives correspondent à des TB observées plus grandes que les TB homogènes Il semble que se soit la glace qui affecte la relation BFE-CF A 85 GHz, la TB augmente avec le taux de pluie, puis sature et diminue A cette fréquence, la diffusion et l’émission contribuent au rayonnement et les effets d’émission des cotés chaud du nuage, la réflexion de surface et le nuage lui-même, peuvent approcher les valeurs de l’océan D’après ces premiers résultats, le BFE maximum apparaît pour des CF différentes, et ceci suivant le type de nuage En particulier, ces résultats montrent le BFE affecte différemment les précipitations convective et stratiforme, et montre la nécessité de séparer les types de nuages pour une éventuelle correction Cependant, CF ne contient pas d’information directe sur la forme ou l’arrangement, de la position ou de la forme du nuage à l’intérieur du FOV Nous allons voir maintenant la variation du BFE en fonction de deux autres paramètres qui prennent en compte cette variabilité de façon plus fine CF = Couverture Fractionnaire nuageuse CF =1  100% nuage dans un pixel micro-onde

16 BFE et paramètres d’hétérogénéité
Partie 1 Précipitations stratiformes CF > 0.2 Coefficient de Variation D’après Haferman et al. (1994) Les résultats précédents laisse supposer que la distribution du nuage dans le FOV ou encore les effets des zones de transitions sur le bord des nuages doivent être pris en compte Lorsqu’on s’intéresse à une couverture nuageuse continue, CF est proche ou égale à 100%, ne donne pas accès à l’hétérogénéité que l’on pourrait qualifier de secondaire Il faut donc faire appel à des paramètres plus complexes impliquant des paramètres statistiques comme la variance ou l’écart-type, ou le voisinage direct des pixels étudiés Pour tenir compte de l’hétéro du champ, on peut estimer la différence entre la valeur locale d’un paramètre et la valeur moyenne Cette figure montre la variation de notre biais avec le coefficient de variation défini par l’écart-type sur le taux de pluie moyen dans le champ de vision Les valeurs importantes (> 5) de ce coefficient de variation apparaissent pour de CF< Pour les valeurs inférieures à 0.2, BFE augmente en valeur absolue, jusqu’à 30 K Pour les faibles valeurs de CF, il n’y a plus de relation entre BFE et CF J’ai également défini un paramètre, défini à partir des travaux de Haferman Sur un voisinage de 3 par 3 pixels, à partir du taux de pluie Où RR barre est calculé pour chaque pixel haute-résolution, puis ensuite moyenné à la résolution MW (8 km par 8 km) Sur la figure, le BFE montre le même type de variation avec ce paramètre, qu’avec CV Cependant, et à cause des effets de lissage indirects du calcul de gamma, ce paramètre apparaît moins sensible à la couverture fractionnaire, et a une décroissance plus lente que pour CV McCollum et Krajewski (1998)

17 Lien entre BFE et la couverture nuageuse sous-pixel
Conclusions Partie 1 Partie 1 Lien entre BFE et la couverture nuageuse sous-pixel 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 Conclusion BFE dépend manifestement, et comme différentes études le suggéraient, du type de nuage, et de précipitation Une correction de ce biais, dans le cas précipitant, passera donc par une séparation C/S Quoi qu’il en soit, CF apparaît comme, Le variable sous-pixel principale à prendre en compte Nous allons tenter de corriger en partie ce biais dans le cas des restitutions des précipitations On va donc tenter de l’apporter en info additionnelle des TB en vue de retrouver la pluie  Couplage des micro-ondes avec des capteurs offrant une meilleure résolution spatiale

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

19 Restitution multi-échelles des précipitations
Partie 2 Association de différentes caractéristiques physiques et spatiales issues de différents capteurs 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) On se dirige donc de plus en plus vers une restitutions multi-échelle des précipitations C’est à dire à partir des données de différentes caractéristiques spatiales, temporelles et physique Différentes approches suivant les échelles considérées, et les instruments Avec la venue des radiomètres MW, les techniques IR/VIS ont été ré-examinées, vers une synergie avec les MW, qui pourrait aider à surmonter les pb vus précédemment Exemples : MIRA – globale (Todd et al. 2000) : principes : Les données MW en orbites basses combinées aux données géostationnaires des luminances IR Calibrer seuil IR et taux de pluie en utilisant des données MW coïncidentes, puis appliquer la calibration optimale à toutes les mesures IR Enfin, comme l’étude des relations TB-taux de pluie à ces fréquences est principalement celle de relation non-linéaire, l’utilisation d’ algo basés sur les NN est apparue intéressante Des travaux récents, ont montré l’intérêt de cette approche pour les précipitations Par exemple, dans une étude régionale Bellerby et al. (2000), utilisent l’Imagerie multispectrale GOES + données Radar satellite Les réseaux utilisent plusieurs entrées donnant des informations sur la texture, les variations temporelles et les luminances des nuages, Pour des estimations du taux de pluie données à 4 km de résolution C’est cette approche par NN que j’ai suivi dans la suite de ce travail ...

20 Permettent de prendre en compte plusieurs paramètres simultanément
Réseaux de Neurones Partie 2 Mesures par satellite Réseau de neurones Paramètres géophysiques Entrée réseau Sortie Taux de pluie Vapeur d’eau Vitesse du vent Humidité Permettent de prendre en compte plusieurs paramètres simultanément Entrée de données auxiliaires (Faure et al. 2001) Paramètres d’entrée : TB micro-onde Couverture sous-pixel Paramètre de sortie :  Taux de pluie Les TB que nous livrent les capteurs satellites nous renseignent seulement de façon indirecte sur la nature physique des scènes nuageuses, Il faut ensuite, à partir d’hypothèses physiques mettre en place un processus d’inversion. C’est cet aspect que j’aborde maintenant à travers les réseaux de neurones qui ont différentes propriétés qui les rendent attractifs pour résoudre des problèmes inverses en télédétection D’abord, ils sont capables de détecter et d’approcher des corrélations non-linéaires et multiples sans informations a priori sur le problème considéré Deuxièmement, ils sont capables d’approcher des relations en utilisant seulement les données présentes, C’est à dire qu’ils ne dépendent pas d’équations modélisées comme les techniques de régression, et une fois l’apprentissage effectué, Les réseaux de neurones permettent d’approcher une fonction complexe à plusieurs variables : La faisabilité dans le cas IR/VIS pour des paramètres comme la couverture nuageuse ou le rayon effectif a été testée par Faure et al. 2001, qui a montré aussi une intégration facile de données auxiliaires J’ai opté pour un algo basé sur le canal 85 GHz, donc utilsant principalement la signature de diffusion (et émission ?) L’une des difficulté pour retrouver ce taux de pluie va être, comme on l’a vu, le BFE, qui conduit à des sous-estimations des quantités retrouvées L’objectif est ici d’étudier les effets des hétérogénéités sur les restitutions des précipitations à partir des MW passives et de corriger la part du BFE présentée précédemment, et donc d’améliorer les restitutions, pour ceci on va tenir compte de la couverture nuageuse ou précipitante sous-pixel Tandis qu’il est possible de minimiser le BFE par une approche multicanal, nous avons choisi une approche basée sur le canal 85 GHz La première raison est que l’utilisation du canal 85 GHz permet d’éviter les problèmes de résolution différentes, ainsi que la redondance des informations entre les canaux Mais aussi, parce qu’en s’affranchissant du pb de la redondance des informations entre différents canaux, on peut se concentrer uniquement sur les effet de l’apport d’une info spatiale sous-pixel, facilitant ainsi l’interprétation des résultats Des considérations physiques renforcent ce choix. En effet,à 85 GHz, en présence de glace, la part de la diffusion est importante, et abaisse les TB au sommet. Dans des conditions de diffusion, il n’est pas d’une grande utilité d’utiliser plusieurs canaux, car la signature des canaux basses fréquences est comprise dans le bruit des mesures De plus, la dépression des TB produite par la diffusion présente l’avantage de pouvoir servir à la fois au-dessus des océan et au-dessus des terres Enfin, au-dessus des terres, l’utilisation de 85 GHz permet de minimiser la variations de l’émissivité de la surface, Le canal 85 GHz s’est avéré intéressant car il permet, grâce à la signature caractéristique de la diffusion, une utilisation au-dessus des terres où l’émissivité est forte, en minimisant ses variations

21 Application aux données TRMM Tropical Rainfall Measuring Mission
Partie 2 Structure horizontale Structure verticale précipitations (mm/h) 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 Les données utilisées ici, proviennent du satellite TRMM, lancé en 1997 Qui fourni des observations en continu des précipitations tropicales Parmi les 5 instruments j’ai utilisé seulement trois d’entre eux TMI, avec des canaux entre 10 et 85 GHz Le VIRS est un radiomètre 5 canaux qui opère entre 0.6 et 12 µm avec une résolution spatiale d’environ 2 km Ici j’ai seulement utiliser le canal 4 VIRS, Visible and Infrared Scanner Le PR est le premier radar satellite dédié au précipitations Il opère à 13.8 GHz avec une résolution de 4 km Il permet de déduire le taux de pluie en surface Le PR par sa présence va permettre d’étalonner notre méthode, car le radar n’est pas toujours couplé avec des données radar. Ces deux derniers instruments présentent des résolutions spatiales plus fines que celle du TMI Ils pourront donc nous servir à apporter l’info manquante concernant la couverture interne des pixels TMI

22 Couplage Micro-ondes / Couverture nuageuse
Partie 2 Base de données Séparation  Océan / Continent  Convective / Stratiforme (PR) Stratiforme - Continent Stratiforme - Océan Convective - Océan Convective - Continent 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 réseau Application aux données TRMM d’un algo de restitution des précipitations en utilisant une méthode par réseau de neurones L’objectif principal est ici de développer une méthode permettant d’intégrer la couverture nuageuse sous-pixel – ou de pluie – présente à l’intérieur des pixels MW pour produire des taux de pluie plus précis qu’avec les TB seules. L’approche suivie ici est donc basée sur le couplage entre une information MW, physiquement bien corrélée au contenu en eau, mais spatialement grossière et une info offrant une meilleur résolution, donc une certaine description de l’hétérogénéité du champ de vision MW En co-localisant les trois types de données, j’ai crée une base de donnée avec TB TMI, couverture VIRS ou PR et taux de pluie en surface ramené à la résolution du TMI ; Une fois les pixels VIRS et PR co-localisés avec TMI, et les CF calculées, la procédure de restitution consiste simplement à insérer ces données dans l’algo par NN Ici, deux CF différentes sont calculées dans chaque pixel MW, IRCF, et PRCF Le premier à partir de l’info à IR à 2 km de résolution, IRCF; Le deuxième à partir des données radar à 4 km, PRCF Les données radar sont donc utilisées à la fois pour obtenir la couverture sous-pixel, mais aussi à titre de comparaison avec les sorties du réseau Le critère pour la présence de nuage est défini dans l’IR par une température + basse que celle du sol ; Nous appliquons donc une méthode de seuil pour délimiter les zones de pluie IRCF est ainsi calculée comme le rapport du nb de pixel nuageux + frroid qu’un seuil IR sur le nombre total de pixel IR dans le champ de vision MW ; Le succès de cette méthode dépend de la sélection du seuil : Un seuil trop bas par exemple conduit à sous-estimer l’étendue des précipitations D’un autre coté, le PRCF est définie comme le nb de pixels pluvieux par rapport au nombre total de pixel PR dans le champ MW ; Ainsi, un pixel MW englobe, 16 pixel VIRS et 4 pixels PR les résultats seront présentés séparément pour les nuages de convectif et stratiformes, Pour cette séparation C/S nous avons utilisé les données du radar PR Si on suppose que la couverture est reliée au taux de pluie en surface, et si l’on tient compte des résultats précédents qui nous disent que le BFE dépend de cette CF. Ici, un pixel sera considéré comme convectif si + de la moitié des pixel PR sont déterminé comme convectifs dans les produits 2A-25, sinon stratiforme De plus, à cause des différences d’émission, j’ai séparé les restitutions au-dessus des océans et des terres J’ai donc construit 4 bases de données différentes à la base de 4 algo par NN différents, mais identique du point de vue de l’architecture

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

24 Coefficients de corrélation
Partie 2 Corrélation entre les taux de pluie du réseau et du radar PR 1 2 3 4 Ce tableau donne les coefficients de corrélation à 8 km de résolution avec et sans la couverture sous-pixel Dans tous les cas, les sorties du réseau sont comparées avec les données du radar PR à l’intérieur du champ de vision MW Les coefficients de corrélation varient suivant le type de pluie et de surface Avec IRCF, la corrélation est meilleur qu’avec la TB seule Mais, les estimations basées sur l’apport de IRCF souffrent ici vraisemblablement d’une mauvaise corrélation entre température de sommet et zones de pluie, probablement due à la sensibilité de l’IR à la glace au sommet Ceci, met en évidence le besoin d’une détermination plus précise de CF à partir des données courtes longueurs d’onde (autre méthodes …) Ce tableau montre aussi l’apport de PRCF avec l’impact le plus significatif sur R En appliquant les deux en même temps, on a aussi une amélioration mais moins sensible Si on regarde de plus près les résultats pour PRCF Dans le cas convectif, on a une nette amélioration, La dispersion est réduite, mais R reste plus bas que dans le cas stratiforme De plus le réseau a en fait, du mal avec les fort taux, un effet pbablement du à la base de données pas assez fournie quand aux scènes concernant les évènements de fortes pluie Au-dessus des terres Dans le cas stratiforme, La forte émissivité des surfaces terrestres, rend le signal des précipitations difficile à détecter, et seule la diffusion qui réduit les TB peut être utilisée Pour les TB seules, il existe un désaccord significatif entre taux de pluie observés et ceux du réseau Par contre avec l’apport de PRCF, on obtient une nette amélioration, et R est même plus élevé que pour les restitutions au-dessus de l’océan Dans le cas convectif, R reste plus bas que dans le cas stratiforme, La dispersion est réduite CONCLU : Les résultats sont ici moins bons dans le cas convectif que dans le cas stratiforme, Car la glace au sommet donne de moins bonne corrélation entre TB et PRCF Ces pb de restitution, en particulier pour IRCF, peuvent survenir lorsque de grandes régions de pluies stratiformes et modérée, sont imbriquées avec des zones convectives Quoiqu’il en soit, l’utilisation d’une info sur la CF, donne de bon résultats Différentes limites : Nous avons aussi besoin d’une meilleur classification C/S Et d’une meilleur détermination de CF, seuil un peu primaire/basique Prise en compte de la couverture nuageuse  meilleure estimation du taux de pluie

25 Couplage optimum  classification des scènes nuageuses
Résultats Partie 2 Couplage micro-ondes / couverture nuageuse peut améliorer les restitutions du taux de pluie  Lafont et Guillemet (2004) IEEE Transactions on Geoscience and Remote Sensing Couplage optimum  classification des scènes nuageuses précipitant / non précipitant convectif / stratiforme Ex : indice VI (Anagnostou et Kummerow, 1997) Etude du BFE : rôle de CF : publi Amos. Res. Couplage MW / CF sous-pixel peut permettre d’obtenir des taux de pluie instantanés plus précis Les canaux haute-résolution ont été utilisés pour obtenir la couverture nuageuse sous-pixel Toutefois, dans un processus complet de restitution, pour garantir l’utilisation de l’algo adéquat, on doit disposer d’une info plus précise sur le type de nuage en présence Les données du PR, nous ont éviter d’affronter ce pb de front, Mais, si on s’intéresse, non plus seulement aux précipitations pour lesquels on aura une réponse radar, mais plus largement aux nuages, il faudra trouver une autre solution (les MW donnent aussi accès au LWP) Il faut donc faire le lien entre classification nuageuse par IR/VIS et restitution MW Je me suis donc intéressé à cette partie classification, en gardant à l’esprit cette intégration potentielle dans une restitution par MW passive Cet aspect classification est revenu souvent dans les points précédents : à travers la séparation des scènes suivant le type de nuage, et en particulier le type de précipitation De plus, une classification intégrée dans le processus de restitution apparaît nécessaire pour des estimations plus précises, en particulier pour les mesures instantanées J’aborde ici, la classification, directement à l’échelle régionale, c’est à dire l’échelle des scènes … Pour d’explorer, d’étudier tout les aspects du processus de restituion Je me suis concentré ensuite sur cet aspect de classification

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

27 Classification nuageuse
Partie 3 Depuis l’espace Des structures caractéristiques IR/VIS Echelles km (méso-échelle) Types de nuages Les nuages sont classés d’après leurs caractéristiques de forme, de brillance Une classification de référence, établie par l’OMM, range les nuages suivant leur altitude et leur apparence générale On distingue 4 familles principales 1 – Les nuages inférieurs, en dessous de 2000 m. SC apparaissent en couches accidentées, ou en nappes comme les ST 2 – Les nuages moyens, de sommet > 2 km. AC (nappes fractionnées), AS (masses + continues) qui s’épaississent en Ns de pluie ou de neige 3 – Les nuages des étages supérieurs de la troposphère, formés de cristaux de glace (CI), 5 à m) 4 – Enfin, les nuages à développement vertical, liés aux phénomènes d’instabilité, CU et CB A partir des satellites, si on s’intéresse plus particulièrement à l’échelle régionale (méso-échelle), on peut voir que l’hétéro nuageuse montre des structures caractéristiques Ces formes, révèlent en fait des infos sur l’état physique de l’atmosphère ST: Les champs de ST sont reconnaissables par leur texture lisse CU: sont des nuages éparpillés, typiquement formés de nuages de qq km, avec des rues … CB: pour les régions convectives, on a des zones soit hétéro avec gde surface de ciel clair, compact, ou ciel plein CI : nuages fibreux, voiles transparents 10 genres de nuages OMM (1987)

28 Les nuages à méso-échelle
Partie 3 Etudes sur les structures nuageuses Echelle caractéristique km Garand et Weinman (1986) Hiérarchie dans les structures nuageuses Lien entre les couvertures à différentes échelles Locales (10 km) et régionales (~ 100 km) Chang et Coakley (1993) Lien entre hétérogénéités à différentes échelles Peu de classification se sont intéressées directement à la méso-échelle (Garand …) Pour identifier ces structures, Garand et Weinman (1986) ont montré qu’il faut opérer à une échelle adéquat cette échelle est comprise entre 100 et 250 km = échelle caractéristique ? Cette échelle est assez grande pour rendre reconnaissable les types de nuages, et assez petite pour avoir des scène relativement homogènes A l’échelle du groupe de nuages, le problème de l’hétéro se pose d’une manière différente de l’échelle du pixel Il faut en effet tenir compte de l’alternance et de la présence ciel-clair / ciel nuageux, pb qui n’existe pas à l’échelle locale ? A partir de l’hypothèse de Chang & Coakley, sur un lien possible entre couverture à l’échelle locale et régionale, J’ai recherché une loi, sous forme d’une expression math. quantitative, permettant de traduire ce lien.

29 Hétérogénéité à méso-échelle
Partie 3 Comment caractériser les nuages à méso-échelle ? Les méthodes existantes : plusieurs canaux, texture … classifications Garand (1988), Carvahlo et Dias (1998) Les indices en télédétection : regrouper l’information  Problèmes : perte d’information, seuil ciel clair / nuage Théorie de l’information Shannon (1948) Indice de Shannon nombre d’espèces nombre total d’individus nombre d’individus dans l’espèce i Ecologie : Caractériser la diversité des écosystèmes pi = fi = Ni /N Les méthodes existantes … Comment caractériser ces structures horizontales ? Habituellement, on tire avantage des radiomètres multispectraux Cependant, la plupart de ces méthodes, travaillant à l’échelle du pixel ne peuvent pas détecter des structures de plus grande échelle La difficulté fréquente est de relier des propriétés d’un système donné, à celle des échelles inférieures En général, on sépare les échelles en moyennant la grandeur sur les échelles inférieures et en traitant comme cte les grandeurs variant sur des échelles supérieures Il existe d’autre méthode, comme l’utilisation d’indices, Pour réduire la somme d’info, ou mettre en évidence des thèmes particuliers (…) Ces indices sont généralement utilisés dans un contexte d’analyse multivariées c’est à dire pour des traitement élaboré à partir de plusieurs canaux Par exemple l’indice de végétation NDVI (qui consiste à soustraire au canal IR le canal rouge D’autres disciplines se sont interrogés aux pb d’hétéro en utilisant les résultats de la théorie de l’info L’objectif principal de cette théo est d’établir un lien entre la proba des évènements observés dans un signal et l’info fournie par le signal lui même Une idée naturelle consiste à utiliser l’entropie définie par Shannon, afin d’évaluer la quantité d’info En écologie, il existe de nombreux indices ; Chacun cherchant à caractériser la diversité d’un échantillon ou d’une communauté par un seul nombre. La diversité écologique, ou la variété et l’abondance des espèces dans différents habitats, est l’un des thèmes centraux de l’écologie. Divers indices basés sur la théorie de l’information sont utilisés en écologie pour mesurer la diversité : indice de Simpson (1949), indice de McIntosh (1967)… Indice de Shannon : Ces indices sont basés sur l’hypothèse que la diversité, ou l’information, dans un système naturel peut être mesurée de façon similaire à l’information contenue dans un message ou un code. L’application de la théo de l’info à la mesure de la diversité résulte alors de ce que l’entropie possède les qualités que l’on souhaite d’un indice de diversité Quantité positive prenant sa valeur minimale quand un seul élément est représenté, en plus d’1 exemplaire Et sa valeur max quand tous les éléments ont même fréquence Plus précisément on emploie l’indice de diversité de Shannon, basé sur H, l’entropie d’info Avec N éléments, et S classes Pi=fi=Ni/N, La quantité pi est la proportion d’individus trouvée dans l’espèce i ; avec Ni la taille de la ième classe de l’échantillon, et N le nombre total d’éléments Dans un échantillon la valeur réelle de pi est inconnue, mais est estimée par ni/N (estimateur de vraissemblance maximum). En rassemblant dans un indice globale, l’estimation de la richesse en espèce et celle de la plus ou moins grande régularité de la répartition des individus entre espèce Ceci semble bien, mais il faut définir un tel indice à partir de paramètre (pertinent du point de vue de l’analyse des nuages).

30 Données AVHRR (Advanced Very High Resolution Radiometer)
Indice de Diversité Partie 3 Données AVHRR (Advanced Very High Resolution Radiometer) SATMOS – Météo France Infrarouge thermique 11 µm Résolution spatiale : 1 km 128 km classe 1 | classe 2 | classe 3 | … | classe 10 N N N N10 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 ième classe : Nombre total d’éléments : 256 grille 8 km8 km TIR L’IR thermique a été choisi car il est à la base de nombreux travaux de classification et qu’il permet une application de jour comme de nuit Les données utilisées sont celles du radiomètre IR/VIS AVHRR SATMOS : analyse visuelle et masque nuageux Pour adapter cet indice à l’analyse des nuages, nous devons définir des fréquences et des classes pertinentes J’ai proposé donc un nouvel indice, DI, adapté de l’indice de diversité de Shannon Pour définir, un indice à notre échelle, il faut trouver une ou des variables, utilisable et significative pour décrire le couvert nuageux (et disponibles) A partir de la formule précédente, on définit 10 classes des valeurs de sigma TB Nb de classes correspond au bon compromis entre la résolution, la taille des groupes utilisés, et de la gamme de variation de DI Pour obtenir cet indice, 2 étapes sont nécessaires : 1 superposer à la scène étudiée un maillage de 8 km par 8 km, 2 calculer l’écart type des luminances IR à 11 µm dans chaque maille L’image sélectionnée de 128 par 128 km est subdivisée en carré de 8 par 8 pour lesquels les nuages sont fréquemment discontinus On obtient ainsi 256 sous-scènes Le niveau d’organisation élémentaire retenu est donc celui du groupe de pixels Avec fi la fréquence de la ième classe de sigma TB A partir des fréquences d’apparition de ces différentes classes, on peut calculer notre indice qui dépend seulement de sigma DI= …, fi=Ni/N Ni le nombre total de zones de 8 par 8 (256), N le nombre d’éléments dans une classe Indice basé sur l’abondance relative des différentes classes A travers DI, nous étendons l’hypothèse d’un lien entre couverture nuageuse locale et régionale (Chang et Coakley, 1993), à celle d’un lien entre hétéro horizontale Cette classification relie la varia à deux échelles différentes : La première à l’échelle du groupe de pixel (= échelle du nuage), La deuxième à l’échelle régionale ( = échelle des structure nuageuse méso) DI est compris entre 0.5 et 3, Il est max lorsque toutes les classes sont représentées avec la même fréquence Ici, le principal avantage dans l’utilisation de sigma est d’éviter l’utilisation d’un seuil pour séparer ciel clair et nuageux fi = Ni /256

31 = Écart-type de la Température IR 10.8 µm
Classification Partie 3 Classification des nuages bas Classification à partir des réseaux de neurones Bankert (1994) ; Bankert et Aha (1996) 1 Stratus 2 Stratocumulus 3 Cumulus 4 Altocumulus Cumulonimbus 6 Cirrus DI + c = Écart-type de la Température IR 10.8 µm Scène entière 128 km 128 km 2 Images Météo France En supposant connue l’altitude du nuage, DI peut être appliqué à leur séparation en différents types ST tend vers des faibles valeurs de DI Tandis que les CU montrent des valeurs max, qui s’expliquent par une répartition homogènes des différentes classes définies précédemment Si l’on veut obtenir une classification plus complète, DI seul ne permet pas de séparer les différents niveaux Il faut ajouter au moins un deuxième paramètre Pour généraliser, on pourrait utiliser la TB moyenne Cependant, à cette échelle la présence de ciel clair, rend parfois la signature du sol prépondérante, et l’utilisation d’une moyenne spatiale peu utile J’ai préféré utiliser la variation de cette TB IR, à travers l’écart-type sur toue la scène J’ai donc relié DI et ce deuxième paramètre, avec l’aide une nouvelle fois des NN Suivant la possibilité d’une classification nuageuse par NN (bankert, 1994; Bankert et Aha, 1996) DI, ainsi que l’écart type de la TB 11 µm, mais cette fois pour la scène entière de 128 km, servent ensemble d’entrées pour un algo de classification basé sur les NN 2 couches de 5 et 6 neurones Les entrées sont l’écart-type de la TB sur tout la scène Les sorties sont les six types de nuages obtenus par les experts SATMOS La base de données entière est composées de scènes de 128 km issues d’images d’origine 300 et 500 km de coté Pour le NN, une base de donnée de 250 images issues de scènes nuageuses classées par une méthode de référence (analyse d’expert en classification)

32 Pas de seuil ciel clair / nuage
Résultats Partie 3 Classification DI-Réseau de Neurones Classification SATMOS Météo France  Lafont et al. (2005) International Journal of Remote Sensing ST : Stratus SC : Stratocumulus CU : Cumulus AC : Altocumulus CB : Cumulonimbus CI : Cirrus Les résultats sont exprimés en terme de comparaison entre les sorties du NN et une classification de référence Cette classification nous montre de bons résultats pour ST et CU SC a la plus basse précision 63.8% Pb pour les CB et CI CI et SC : explication, structure floue proche L’un des points à améliorer est celui de la détermination du nb optimal de classes pour la calcul de DI Ce nb, ici 10 est obtenu de façon empirique, il permet d’avoir une assez bonne sensibilité aux différents types de nuages Ces classes sont déterminées ici simplement à partir de la gamme de variation de sigma Une fois fixée, cette plage de valeur est divisée en 10 intervalles Ce qu’on peut dire simplement, c’est qu’il faut un nb suffisamment gd pour que DI lui-même ait un domaine de variation assez large Le nb d’intervalles est donc relié à la résolution et à la taille de la scène qui vont fixer le nombre de sous-grilles utilisées pour sigma Conclusion sur DI S’il est vrai que cette approche va un peu à contre courant des diverses méthodes actuelles multi-canal et/ou multi-spectrales Elle se différencie surtout par le rôle important que joue l’échelle d’étude et grâce au fait que l’organisation spatiale des nuages est déduite à partir d’un indice unique Elle présente également un avantage considérable en évitant le choix difficile d’un seuil pour séparer ciel clair et nuageux Peu de paramètres Pas de seuil ciel clair / nuage

33 Conclusions générales
Effets de l’hétérogénéité horizontale sur les TB micro-ondes  Type de nuages, couverture nuageuse La prise en compte de la couverture nuageuse permet une meilleure estimation du taux de pluie (à partir des données TRMM) 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) Cette thèse apporte plusieurs contributions à l’étude de l’hétérogénéité nuageuse vue par satellites Tout d’abord la mise en évidence quantitative des effets de l’hétérogénéité sur les TB MW On a vu l’intérêt de la modélisation pour mieux interpréter et exploiter les mesures. L’analyse, conduite dans un premier temps à partir de simulations du transfert radiatif visait à déterminer la dépendance du biais du au remplissage partiel du champ de vision MW, en fonction des divers paramètres, et en particulier la CF. Cette étude, de modélisation, dans un contexte il est vrai simplifié, a permis de quantifier le biais en fonction du type de nuage, en particulier, on a mis en relation biais et couverture nuageuse La 2ème partie a tenté de montré que la combinaison de plusieurs approches était la plus constructive Ensuite la démonstration que l’apport d’une info spatiale sous-pixel telle que la CF peut améliorer la qualité des restitutions instantanées des précipitations Ce gain en précision peut être obtenu en estimant l’hétérogénéité à l’échelle inférieure à celle des MW Enfin, qu’il est possible de caractériser les champs nuageux, de façon relativement rapide, par l’intermédiaire d’un indice basé sur l’IR 3: Dans la perspective d’une classification des scènes nuageuse, j’ai utilisé à nouveau l’info spatiale du signal IR, mais cette fois à l’échelle régionale En effet, si l’on veut utiliser le bon algo, c’est a dire celui dont l’apprentissage a été effectué avec un type particulier, il est nécessaire de connaître le type de nuage en présence. Cette classification pourrait trouver sa place en amont du processus de restitution par MW, en permettant la séparation C/S par exemple Reste à relier ces deux points de façon effective

34 Utilisation d’un couplage de différentes fréquences micro-ondes
Perspectives Utilisation d’un couplage de différentes fréquences micro-ondes Complémentarité physique micro-ondes / IR-VIS Prise en compte des scènes mixtes et comparaison avec des méthodes existantes Correction des effets de l’hétérogénéité couplage et classification Missions spatiales dédiées à l’étude des précipitations Les résultats obtenus permettent de définir quelques perspectives , surtout si l’on tient compte des développements récents de la radiométrie MW passive Les prochaines missions, comme GPM … basé sur les réalisations de TRMM, va permettre d’observer les précipitations plus fréquemment et de façon véritablement globale En s’appuyant sur un satellite principal de type TRMM, et une constellation de 8 satellites MW

35

36 Température de brillance micro-onde
Partie 1 On travaille avec la fréquence (n) Fréquences sont assez petites : fonction de Planck  fonction linéaire : si hc/lkT << 1 On obtient : B(l,T) ~ (2ck/l4) T B(n,T) = c/n2 B(l,T) = (2kn2/c2) T Linéaire en T Interprétation du transfert radiatif aux fréquences micro-ondes ? L = es B(n,T) = (2kn2/c2) es T permet de définir une Température de Brillance, TB = L c2/2kn2 Ainsi, TB = es T … on peut substituer la luminance par TB et B(n,T) par T Enchaînement TB … d’où ça vient …?

37 Beam Filling Effect et Couverture Nuageuse
Partie 1 Nuage non précipitant 1 D 3 D On étudie ici le comportement du biais sir les TB mesurées Pour un nuage non-précipitant, de 1 km d’épaisseur, entre 1.5 et 2.5 km Sur la 1ère figure on voit le BFE à 85 GHz en fonction de la CF La variation est régulière avec une valeur maximum d’environ 20 K pour une couverture fractionnaire de 0.5 Pour les faibles valeurs de CF BFE décroît, puis augmente à partir de 0.5 La deuxième figure correspond au même nuage mais pour une modélisation 3D du transfert radiatif On retrouve les mêmes caractéristiques que précédemment, excepté pour la valeur maximum qui est inférieure au cas 1D Ainsi qu’une dispersion moindre (raisons …) CF = Couverture Fractionnaire nuageuse CF =1  100% nuage dans un pixel micro-onde

38 Inversion des températures de brillance mesurées
Partie 3 Inversion des températures de brillance mesurées Comparaison avec les mesures du Precipitation Radar Continent - Convective TB seule TB seule R = 0.509 TB + PRCF R = 0.686 Taux de pluie Réseau de Neurones mm/h Taux de pluie Réseau de Neurones mm/h Dans le cas convectif, R reste plus bas que dans le cas stratiforme La dispersion est réduite CONCLU Les résultats sont ici moins bons dans le cas convectif que dans le cas stratiforme Car la glace qu sommet donne de moins bonne corrélation entre TB et PRCF Ces pb de restitution, en particulier pour IRCF, surviennent lorsque de grande région de pluie stratiformes, modérée, sont imbriquées avec des zones convectives Quoiqu’il en soit, l’utilisation d’une info sur la CF, donne de bon résultats Différentes limites : CF, ne prend pas en compte la distribution des nuages dans le champ de vision TMI On pourrait s’acheminer vers l’apport de paramètres d’hétéro ou de texture comme ceux présentés précédemment Nous avons aussi besoin d’une meilleur classification C/S Et d’une meilleur détermination de CF Taux de pluie PR mm/h Taux de pluie PR mm/h

39 Application climatologique
Partie 3 Données MODIS (Moderate Imaging Spectroradiometer System) Infrarouge thermique 10.8 µm Occurence des types nuageux (%) La climatologie est l’étude des échanges énergétiques et hydriques entre la surface de la Terre et l’atmosphère, combinée avec la fréquence et la succession d’événement météorologiques Les études climatiques font appel à différentes méthodes statistiques, appliqués à des éléments isolés et à leur regroupement sous formes d’indices L’identification des nuages et de leur organisation reste encore le but de l’utilisation des images satellites en météo et climato Dans cette perspective de climato, la classification basée sur DI, est appliquée ici à la fréquence d’apparition, l’occurrence des différents types de nuages, durant deux conditions climatiques distinctes, associée à ENSO Au début de 2003, El Nino est dans une phase active, tandis qu’en 2004, les conditions dans le Pacifique équatorial sont proches de la moyenne, situation neutre Notre capacité à prévoir El Nino, et les changements climatiques dépend de notre compréhension globale des interactions océan-atmos au-dessus du Pacifique, et par conséquent de notre compréhension la fréquence et de la dynamique des nuages La classification présentée est appliquée cette fois aux images satellites IR au-dessus d’une zone du Pacifique proche de l’équateur, par le satellite TERRA portant le capteur MODIS présentant la même résolution que l’AVHRR, c’est à dire environ 1 km Notre région comprend 8 zones de 128 par 128 km ; Chaque grille est classée en l’un des 6 types de nuages plus le ciel clair La fréquence, l’occurrence de chaque type nuageux est établie pour avoir avoir les conditions de ciel prédominantes Ce tableau donne les occurrences pour fev et fev. 2004, en 6 classes, permet une rapide comparaison des scènes nuages mensuelles On trouve + de ST en 2003, A contratrio, fev montre des scènes plus complexes Un examen des scènes de fev révèle que ce mois est caractérisé par plusieurs événement convectifs, les CB sont + fréquents durant période On passe de 5 à 23% de nuages convectifs type CB Comme les types de nuages ont des rôles radiatifs différents … Une géographie des types de ciels serait ainsi intéressantes … 1 Stratus (ST) 2 Stratocumulus (SC) 3 Cumulus (CU) 4 Altocumulus (AC) 5 Cumulonimbus (CB) 6 Cirrus (CI) 7 Ciel clair