1 / 39

Prise en compte des hétérogénéités dans la restitution de l’eau nuageuse et des précipitations

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. Contexte. Forte hétérogénéité spatiale des nuages - rayon des gouttes, contenu en eau …

semah
Download Presentation

Prise en compte des hétérogénéités dans la restitution de l’eau nuageuse et des précipitations

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  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

  2. Contexte • Forte hétérogénéité spatiale des nuages • - rayon des gouttes, contenu en eau … • - alternance ciel clair / nuage • Problèmes pour retrouver les paramètres décrivant les nuages 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 • 3 Classification des nuages à l’échelle régionale à partir de mesures infrarouges

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

  5. Micro-Ondes • Infrarouge / Visible 0.5 – 15 µm Visible 1mm – 1 m / 0.3 – 300 GHz • Micro-ondes • Actives (radar) • Passives (radiomètre) Infrarouge Longueur d’onde (mètre) Longueurs d’ondes utilisées Introduction

  6. 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 Orbite géostationnaire • Suivi continu dans le temps • d’une même zone Les radiomètres Infrarouge / Visible Introduction

  7. La radiométrie micro-onde Micro-ondes • Température de brillance : TB = e T • T : température physique • e : émissivité Absorption aux fréquences < 50 GHz Diffusion aux fréquences > 50 GHz (85 GHz) Introduction • Contributions • Absorption & émission atmosphérique (O2, H2O) Emission surface (eocéan ~ 0.5 ; eterre ~ 0.7-0.9) Nuages et précipitations (précipitation ~ 0.8)

  8. Précipitations & micro-ondes Orbite polaire Radar Océan Continent • faible résolution temporelle esurface ~ 0.5 esurface ~ 0.7-0.9 Introduction Radiomètres micro-ondes précipitation ~ 0.8 • Interaction micro-ondes / précipitations plus directe que pour l’IR/VIS

  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 • Exemple : • Complémentarité micro-ondes / infrarouge

  10. Résolution spatiale   ~ mm  ~ µm ~ 8 km ~1 km Infrarouge 10.8 µm Micro-onde 85 GHz 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 • 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 : • Caractériser l’hétérogénéité pour obtenir une meilleure estimation du taux de pluie hétérogénéité classification Micro-ondes • Longueurs d’ondes plus courtes (IR) : • informations à • petites échelles (hétérogénéités) • types de nuages (classification) Satellite Taux de pluie Précipitations Objectifs

  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 • 3 Classification des nuages à l’échelle régionale à partir de mesures infrarouges

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

  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

  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 CF = Couverture Fractionnaire nuageuse CF =1  100% nuage dans un pixel micro-onde

  16. BFE et paramètres d’hétérogénéité CF > 0.2 Partie 1 Précipitations stratiformes Coefficient de Variation D’après Haferman et al. (1994) McCollum et Krajewski (1998)

  17. 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 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 régionaleradar & infrarouge géostationnaire (GOES) (Bellerby et al. 2000)

  20. Réseaux de Neurones Réseau de neurones Mesures par satellite Paramètres géophysiques Taux de pluie Vapeur d’eau Vitesse du vent Humidité Entrée réseau Sortie réseau Partie 2 • 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

  21. Application aux données TRMMTropical Rainfall Measuring Mission Structure horizontale Structure verticale 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 précipitations (mm/h) Partie 2

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

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

  24. 2 3 1 4 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 micro-ondes / couverture nuageuse peut améliorer les restitutions du taux de pluie  Lafont et Guillemet (2004) IEEE Transactions on Geoscience and Remote Sensing Résultats Partie 2 • Couplage optimum classification des scènes nuageuses • précipitant / non précipitant • convectif / stratiforme • Ex : indice VI (Anagnostou et Kummerow, 1997)

  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 IR/VIS Echelles 100-300 km (méso-échelle) Partie 3 Depuis l’espace Des structures caractéristiques 10 genres de nuages OMM (1987)

  28. Les nuages à méso-échelle • Lien entre hétérogénéités à différentes échelles Partie 3 • Etudes sur les structures nuageuses Echelle caractéristique 100-250 kmGarand 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)

  29. Théorie de l’information Shannon (1948) • Ecologie: Caractériser la diversité des écosystèmes • Indice de Shannon • nombre d’espèces • nombre total d’individus • nombre d’individus dans l’espèce i pi = fi = Ni /N 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

  30. Données AVHRR (Advanced Very High Resolution Radiometer) • SATMOS – Météo France Infrarouge thermique 11 µm Résolution spatiale : 1 km 128 km TIR • 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 classe 1 | classe 2 | classe 3 | … | classe 10 N1N2 N3 N10 fi = Ni /256 TIR Partie 3 Indice de Diversité

  31. Classification des nuages bas • 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 3 4 5 6 Images Météo France Classification Partie 3 • Classification à partir des réseaux de neurones • Bankert (1994) ; Bankert et Aha (1996)

  32. Partie 3 Résultats 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 • 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 meilleureestimation 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)

  34. 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 Perspectives • Utilisation d’un couplage de différentes fréquences micro-ondes • Complémentarité physique micro-ondes / IR-VIS

  35. 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 Température de brillance micro-onde Partie 1 • On travaille avec la fréquence (n) • Fréquences sont assez petites : fonction de Planckfonction linéaire : • 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 c2/2kn2Ainsi, TB = es T… on peut substituer la luminance par TBet B(n,T) par T

  36. Beam Filling Effect et Couverture Nuageuse Partie 1 Nuage non précipitant 1 D 3 D CF = Couverture Fractionnaire nuageuse CF =1  100% nuage dans un pixel micro-onde

  37. 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 Neuronesmm/h Taux de pluie Réseau de Neuronesmm/h Taux de pluie PRmm/h Taux de pluie PRmm/h

  38. Occurence des types nuageux (%) 1 Stratus (ST) 2 Stratocumulus (SC) 3 Cumulus (CU) 4 Altocumulus (AC) 5 Cumulonimbus (CB) 6 Cirrus (CI) 7 Ciel clair • 4 2 2 • 7 7 5 5 Partie 3 Application climatologique Données MODIS (Moderate Imaging Spectroradiometer System) Infrarouge thermique 10.8 µm

More Related