Analyses de données à haute fréquence dans l’environnement marin c ôtier: méthodologies

1. Analyses de données à haute fréquence dans l’environnement marin côtier: méthodologies François Schmitt DR CNRS Laboratoire d’Océanologie et de Géosciences Wimereux Atelier RNSM Haute fréquences Wimereux 22-23 octobre

2. Outline • Methodology: general considerations • MAREL data: spectra/PDF • Valvometry - shot noise • - PAR high frequency

3. Complexity of aquatic ecosystems • Different components (phyto, zoo, nutriments, viruses,…) • Many interactions/coupling (predator-prey, consommation,…) • Hydrodynamic transport (turbulence: large range of scales, mixing, lost of predictability, stochastic aspect,…) -> complex systems, nonlinear, large number of degrees of freedom-> need specific methods for the analysis

4. Consequences of nonlinearity Mean{Interactions at microscales of quantities} Large scale interactions of Mean{quantities} ≠ reality Deterministic “Models” -> The deterministic “models” (transport, biogeocemistry, …) have an intrinsic wekness-> to avoid this, try to understand microscale dynamics-> better understand dynamics before averaging

5. Objectives of high frequency measurements Better understand processes Try to extract some laws Search for universality in patterns, coupling

6. About fixed sampling In maths, two classical ways to deal with a space-time system Eulerian approach Lagrangian approach Fixed position sampling: Eulerian approach. Very useful information about the evolution of the process in time

7. Marine data: Marel system • MAREL = French acronym for Network of Automatic Measurements in the Littoral Environment • Multiparameters (T, S, pH, O2, etc.), fixed point • 10 or 20 minutes resolution • Objectives: • measurement on a scale range including long term • in the context of water quality monitoring, estimation of a « normal state »

8. Marine data: Marel system • routine maintenance • occasional failures • many gaps of variable duration • Objectives: find adequate analysis methods • adapted for a wide range of scales • and large data bases • that can work for data possessing many gaps

9. Marel system - methods • Approachs borrowed from the field of turbulence: • Power spectral density • Structure functions (statistical moments for increments) and multifractal modelling • PDFs for increments

10. Example data from MAREL Honfleur MAREL Honfleur • Estuarine buoy • Data from 1997 to 2007 • From 30,000 to 70,000 data for each series • Ex: T, S, DO, pH

11. MAREL Honfleur data T

12. Marine data: Marel Carnot MAREL Carnot Boulogne-sur-mer (France) • Coastal « buoy » • Data since 2004 • Between 10.000 and 70.000 datapoints for each series (at 20 min resolution) • Here consider only temperature data

13. The data • Hourly temperature data from 2004 to 2007. About 30,000 data points recorded in Boulogne-sur-mer (North of France) • Coastal marine temperature data recorded through the MAREL autonomous monitoring system (IFREMER) at 20 min. resolution, and averaged at 1 hour resolution • Atmospheric temperature data recorded hourly by METEO-FRANCE

14. The data T The whole series showing 3 annual cycles

15. The data T A one-year zoom showing the parallel evolution of atmospheric and marine temperature time series

16. The data T The flux Q=Ta-To showing intermittent large positive and negative values

17. The data Dissymetry Some statistics for the flux Q=Ta-To: Q>0: 28% of the values Q<0: 71% of the values Mean of flux for negative values: -2.6 °C Mean of flux for positive values: 2.3 °C T Oceanic waters are usually warmer than the atmosphere

18. PDF analysis T Pdf of the temperature data: shows that atmospheric data have a wider range of values

19. Spectral analysis T • scaling ranges and pikes associated to periodic forcing (daily cycle and tide) • Ta and To spectra are similar for time scales larger than 10 days. For smaller time scales, there is mainly a difference in slopes

20. modeling Experimental oceanic data (black) compared to modeled ones (red). Quite good superposition T

21. Variabilité des micro-fermetures des huîtres Collaboration avec JC Massabuau, G Durrieu (UMR EPOC) Stage M2 M. de Rosa (2008) Micro-electrodes • Données à haute fréquence (1.6 s) de valvométrie. • Analyse statistique des micro-fermetures à l’aide de la théorie des shot noise (bruit de grenaille). • Utilisation pour différencier les situations « normales » et perturbées par une micro-algue.

22. Variabilité des micro-fermetures des huîtres Données Données de valvométrie recueillies en 2007 à une résolution de 1.6s. Environ 900,000 points enregistrés en baie d’Arcachon Page web: acquisition en continu.

23. Variabilité des micro-fermetures des huîtres Données Deux exemples de séries temporelles montrant de nombreuses micro-fermetures à haute fréquence. On conste aussi une influence de la marée.

24. Variabilité des micro-fermetures des huîtres • Zoom sur une période de 30 minutes : on constate des micro-fermetures très rapides, avec: • des temps inter-événements aléatoires; • des amplitudes de micro-fermetures aléatoires.

25. Variabilité des micro-fermetures des huîtres Modélisation à l’aide de la théorie des « shot noise » - « bruits de grenaille » • Fermeture à haute fréquence avec des inter-événements et amplitudes aléatoires, suggère l’utilisation de la théorie des shot noise nonlinéaires. • Aproche développée à l’origine en électronique. Généralisé ensuite en physique nonlinéaire: un système bombardé aléatoirement et de façon discrète par des chocs d’amplitude aléatoire (Eliazar and Klafter 2006, 2007). • Dans ce cadre la première étape de la modélisation est de considérer: • la densité de probabilité des temps entre micro-fermetures; • la densité de probabilité de l’amplitude des micro-fermetures. amplitudes Inter-temps

26. Variabilité des micro-fermetures des huîtres Influence d’une pollution micro-algale (pseudo-nitzschia) amplitudes Inter-temps En situation de pollution: -> beaucoup moins de chocs (trois fois moins) -> influence sur les pdf de temps et amplitude: plus de gros chocs, plus d’intertemps longs

27. Variabilité des micro-fermetures des huîtres Spectres d’énergie en Fourier invariants d’échelle Spectres de la forme E() = C  avec =1.5 à 1.6, proche de 5/3 (turbulence) Influence probable de la turbulence sur la dynamique de micro-fermeture.

28. measuring device Alec Electronics

29. data Too low resolution Seems to have smooth fluctuations

30. data 21 days chosen, from 17 March 2006 to 12 May 2006 1 second sampling rate About 50,000 to 60,000 datapoints for each series Roof top of Wimereux marine station (north of France, Eatern English channel, latitude 50°43’) Variable meteorological conditions (often cloudy…)

31. data Huge intermittent fluctuations For the clear sky fit, I0 is unknown: cannot be determined from the data

32. data

33. data analysis: detrended data

34. data analysis: power spectra

35. data analysis: power spectra Scaling power spectra, slope =1.8-2.0 No characteristic scale, except change of slope at about frequency 300-1000 h-1 -> time scale 3-12 s Next step, structure function analysis

36. Publications Published. Dur, G., F. G. Schmitt, S. Souissi: Analysis of high frequency temperature time series in the Seine estuary from the Marel autonomous monitoring buoy, Hydrobiologia, 588, 59-68, 2007 Schmitt FG, G. Dur, S. Souissi, S.B. Zongo, Statistical properties of turbidity, oxygen and pH fluctuations in the Seine river estuary (France), Physica A, 387, 6613-6623, 2008 Zongo, S.B., F.G. Schmitt, A. Lefebvre, M. Repecaud, Observations biogéochimiques des eaux côtières à Boulogne-sur-mer à haute fréquence: les mesures automatiques de la bouée MAREL, in Du naturalisme à l’écologie, presses UOF, sous presse. Submitted. Zongo, S.B., F.G. Schmitt, A. Lefebvre, Multiscale dynamics of biogeochemical parameters in the English Channel waters, submitted to Progress in Oceanography Zongo, S.B., F.G. Schmitt, Scaling pH fluctuations in coastal waters of the English Channel: relations with temperature fluctuations, submitted to Journal of Marine Systems. More in preparation…