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 thèseBernard Guillemet

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 kmImages NASA

Plan de l’exposé

• 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 l’hétérogénéité

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

• Introduction sur les problèmes liés à l’hétérogénéité dans la mesure des précipitations par satellites

Mesures des précipitations

Taux de pluie (mm/h) 31/01/2003TRMM / GDAAC / NASA

Introduction

RadarPluviomètr

e

~10 km ~100 km

Satellite

Grande échelle

Longueurs d’ondes utilisées Introduction

Visible

Infrarouge Longueur d’onde(mètre)

Micro-Ondes

• Micro-ondesActives (radar)Passives (radiomètre)

1mm – 1 m / 0.3 – 300 GHz

• Infrarouge / Visible 0.5 – 15 µm

Les radiomètres Infrarouge / Visible Introduction

• Suivi continu dans le temps d’une même zone

Orbite géostationnaire

• Réflexion visiblefonction de l’épaisseur du

nuage

• Emission infrarouge thermiquefonction de la température du sommet du

nuage

• Lien indirect entre sommets des nuages et précipitations

La radiométrie micro-onde Introduction

• Contributions

Absorption & émission atmosphérique (O2, H2O) Emission surface (océan ~ 0.5 ; terre ~ 0.7-0.9)

Nuages et précipitations ( précipitation ~ 0.8)

• Température de brillance : TB = T

T : température physique : émissivité

Micro-ondes

Absorption aux fréquences < 50 GHzDiffusion aux fréquences > 50 GHz (85

GHz)

Précipitations & micro-ondes Introduction

• faible résolution temporelle

Orbite polaire

Radiomètres micro-ondes

Continent

surface ~ 0.7-0.9

Océan

surface ~ 0.5

• Interaction micro-ondes / précipitations plus directe que pour l’IR/VIS

Radar

précipitation ~ 0.8

Des mesures globales aux mesures instantanées Introduction

Besoin d’estimations 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 instantanéesDistribution de la pluviométrie, variations spatiales et

temporelles

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 d’onde

• Des quantités physiques différentes

Infrarouge 10.8 µm

~1 km ~ µm

Micro-onde 85 GHz

~ 8 km ~ mm

Résolution spatiale

• Hypothèse d’homogénéité du champ de vision

Taux de pluie

Précipitations

Micro-ondes

Satellite

Longueurs d’ondes plus courtes (IR) :

• informations à petites échelles (hétérogénéités)

• types de nuages (classification)

hétérogénéité

classification

Par l’association de différentes longueurs d’ondes :

Caractériser l’hétérogénéité pour obtenir une meilleure estimation du taux de pluie

Objectifs

Plan de l’exposé





« Beam Filling Effect » Partie 1

8 km 1 km

BFE =TB hétérogène - TB homogène

Code numériqueMicro-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

Modèle statistiquede nuages

2D

Hypothèse de nuages homogènes

verticalement

Nuages précipitants

Hétérogénéité et couverture nuageuse

• Couverture nuageuse sous-pixelCouverture Fractionnaire (CF)% nuage ou pluie dans un pixel micro-

onde

• Paramètres d’hétérogénéité sous-pixel

Voisinage direct

• Autres paramètresRépartition à l’intérieur du champ de

visionTexture, niveaux de gris

Partie 1

BFE et Couverture Nuageuse

Précipitations stratiformes

Précipitations convectives

Partie 1

CF = Couverture Fractionnaire nuageuseCF =1 100% nuage dans un pixel micro-

onde

8-11 km : glace5-11 km : eau + glace0-5 km : précipitations

0-5 km : précipitations

BFE et paramètres d’hétérogénéité

tauxde pluieCVtaux de pluie

,

1* ( , ) /

8 i jtaux de pluie i j taux de pluie CF

Précipitations stratiformes

McCollum et Krajewski (1998)

D’après Haferman et al. (1994)

CF > 0.2

Partie 1

Coefficient de Variation

Conclusions Partie 1 Partie 1

• BFE dépend du type de nuageImportance de la diffusion

Lafont et Guillemet (2004) Atmospheric Research

• Pour une correction du biaisSéparation convectif / stratiformePrise 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

Plan de l’exposéPlan de l’exposé





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

Réseaux de Neurones

• 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

Mesures par

satellite

Réseau de neurones

Paramètresgéophysiqu

es

Entréeréseau

Sortieréseau

Taux de pluieVapeur d’eau

Vitesse du vent

Humidité

Partie 2

Paramètre de sortie :

Taux de pluie

Application aux données TRMMTropical 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)

Couplage Micro-ondes / Couverture nuageuse Partie 2

Base de données

Convective - OcéanConvective - Continent

Stratiforme - OcéanStratiforme - Continent

Séparation Océan / Continent

Convective / Stratiforme (PR)

PR4 km

TMI8 km

VIRS – 10.8 µm2 km Taux de pluie moyen

mm.h-1

PRCF

IRCF

TB 85 GHz

Couvertures sous-pixel

Precipitation Radar

8 km

réseau

1

Taux de pluie

Apprentissage / Comparaison

Réseau de neurones« TB seule »

TMITMITMITMI

Taux de pluie

TMITMITMI

Taux de pluie

TMITMITMI

PR

Taux de pluie

TMI

TB 85 GHz

TMITMI

Algorithmes d’inversion Partie 2

PR

Taux de pluie


TMITMITMITMI 2

Taux de pluie

TMI

IR thermique(canal 4)

IRCF

VIRS

Réseau de neurones« TB+IRCF »

TMITMI VIRSTMI

Taux de pluie

TMITMITMI

Taux de pluie

TMI

TB 85 GHz

TMI VIRSTMI

Taux de pluie

TMITMITMITMI

Taux de pluie

TMITMITMI

Taux de pluie

TMITMITMI

PR

Taux de pluie

TMITMITMI

PR

Taux de pluie


TMITMITMITMI

Taux de pluie

TMITMITMI3

Taux de pluie

TMI

Réseau de neurones« TB+PRCF »

PR TMIPR TMI

Taux de pluie

TMIPR

TB 85 GHz

TMI

PRCF

PR TMI

Taux de pluie

TMITMITMITMI

Taux de pluie

TMITMITMI

Taux de pluie

TMITMITMI

PR

Taux de pluie

TMITMITMI

Taux de pluie


TMITMITMITMI

Taux de pluie

TMITMITMI

Taux de pluie

TMITMITMI

PR

Taux de pluie

TMI

TB 85 GHz

TMITMI

PR

Taux de pluie

TMITMITMITMI

Taux de pluie

TMITMI

IR thermique(canal 4)

IRCF

VIRSTMI

Taux de pluie

TMIPR TMIPR TMI4

Taux de pluie

TMI

PRCF

PR TMI VIRS

Réseau de neurones« TB+IRCF+PRCF »

PR TMI

432 1

Coefficients de corrélation Partie 2

TB seule TB + IRCF TB + PRCF TB + IRCF+ PRCF

Ocean Pluie Stratiforme

0.499 0.523 0.706 0.628

Ocean Pluie Convective

0.466 0.523 0.636 0.615

Continent Pluie Stratiforme

0.316 0.369 0.833 0.816

Continent Pluie Convective

0.509 0.612 0.686 0.646

• 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

• 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

Plan de l’exposé


• 1 Etude modélisée du biais existant sur les mesures par micro- ondes et causé par l’hétérogénéité



Classification nuageuse Partie 3

OMM (1987)

Depuis l’espaceDes structures caractéristiques

10 genres de nuages

IR/VIS

Echelles 100-300 km(méso-échelle)

Les nuages à méso-échelle

• Etudes sur les structures nuageuses

Partie 3

• Lien entre les couvertures à différentes échellesLocales (10 km) et régionales (~ 100 km) Chang et Coakley

(1993)

• Lien entre hétérogénéités à différentes échelles

Echelle caractéristique 100-250 km Garand et Weinman (1986)

Hiérarchie dans les structures nuageuses

Hétérogénéité à méso-échelle Partie 3

• Indice de Shannon

nombre d’espècesnombre total d’individusnombre d’individus dans l’espèce i

• Ecologie : Caractériser la diversité des écosystèmes

2.log ( )S

i ii

H f f

iNNS

pi = fi = Ni /N

• Les méthodes existantes : plusieurs canaux, texture … classifications Garand (1988), Carvahlo et Dias (1998)

• Les indices en télédétection : regrouper l’information

• Comment caractériser les nuages à méso-échelle ?

• Théorie de l’information 2.log ( )i ii

H p p Shannon (1948)

Problèmes : perte d’information, seuil ciel clair / nuage

• 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

10

2.log ( )S

i ii

DI f f

fi = Ni /256

classe 1 | classe 2 | classe 3 | … | classe 10N1 N2 N3 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

iN

TIR

TIR

grille8 km8

km

Classification Partie 3

• Classification à partir des réseaux de neurones

Bankert (1994) ; Bankert et Aha (1996)

• Classification des nuages bas

1 Stratus2 Stratocumulus3 Cumulus4 Altocumulus5 Cumulonimbus6 Cirrus

DI

+

c

= Écart-type de la Température IR

10.8 µm

Scène entière 128 km 128 km

1 2

3 4

5 6

Images Météo France

Résultats Partie 3

Lafont et al. (2005)International Journal of Remote Sensing

ClassificationSATMOS

Météo France

ClassificationDI-Réseau de Neurones

ST : Stratus

SC : Stratocumulus

CU : Cumulus

AC : Altocumulus

CB : Cumulonimbus

CI : Cirrus

Peu de paramètres Pas de seuil ciel clair / nuage

Conclusions générales

• Effets de l’hétérogénéité 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)

Perspectives

• Prise en compte des scènes mixtes et comparaison avec des méthodes existantes

• Utilisation d’un couplage de différentes fréquences micro-ondes

• Correction des effets de l’hétérogénéitécouplage et classification

Missions spatiales dédiées à l’étude des précipitations

• Complémentarité physique micro-ondes / IR-VIS

• 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) = (2k2/c2) TLinéaire en T

• Interprétation du transfert radiatif aux fréquences micro-ondes ?

L = s B(,T) = (2k2/c2) s T

permet de définir une Température de Brillance, TB = L c2/2k2

Ainsi, TB = s T

… on peut substituer la luminance par TB et B(,T) par T

Température de brillance micro-onde Partie 1

Beam Filling Effect et Couverture Nuageuse

Nuage non précipitant

1 D 3 D

Partie 1

CF = Couverture Fractionnaire nuageuseCF =1 100% nuage dans un pixel micro-

onde

Partie 3Inversion des températures de brillance mesurées

Comparaison avec les mesures du Precipitation Radar

Continent - Convective

Taux de pluie PR mm/h Taux de pluie PR mm/h

Tau

x d

e p

l ui e

Réseau

de N

eu

r on

es

mm

/h

Tau

x d

e p

l ui e

Réseau

de N

eu

r on

es

mm

/h

TB seule

TB + PRCFR = 0.686

TB seule R = 0.509

Application climatologique

Données MODIS (Moderate Imaging Spectroradiometer System)

2 4 2 2

7 7 5 5

1 Stratus (ST)2 Stratocumulus (SC)3 Cumulus (CU)4 Altocumulus (AC)5 Cumulonimbus (CB)6 Cirrus (CI)7 Ciel clair

Partie 3

Occurence des types nuageux (%)

Infrarouge thermique 10.8 µm

Documents

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