L’adaptation aux mesures aéroportées de RALI se trouve également détaillée dans l’article. Dans cet article on évoque le fait que l’on observe une certaine confusion entre les couches d’eau surfondue (avec ou sans glace) et les couches de glace en forte concen-tration. C’est la raison qui a motivé le changement de méthode de discrimination entre ces deux types de couches décrit dans la partie III.3.4 Couches de forte rétrodiffusion lidar. Les Figures III.20, III.21 et III.22 présentent les données CALIPSO et CloudSat et la classification spatiale correspondante sur la colonne de gauche, et les données LNG, RASTA et la classification aéroportée correspondante sur la colonne de droite. En haut à droite de chaque figure, l’encadré noir indique la localisation du vol en vert, et la zone de survol de l’A-Train en rouge. Ces figures étaient déjà présentées dans l’article mais ici les résultats sont exposés avec les corrections apportées à la méthode de classification. Rappelons cependant que l’adaptation à RALI ne fait pas office de validation de l’algo-rithme de classification car n’apporte pas de moyen de comparaison à des mesures in situ. Cependant ceci permet de montrer que la méthode est facilement adaptable à d’autres instruments, c’est la raison pour laquelle obtenir les mêmes classifications spatiales et aéroportées sur des survols est encourageant quand à l’adaptabilité de l’algorithme.
Sur la Figure III.20 on remarque que la couche située à 7 km d’altitude entre 46.4◦ et 46.6◦ qui était, du temps de la publication de l’article, classée comme glace en forte concentration dans la version spatiale est dorénavant classée comme eau surfondue + glace ce qui est plus cohérent avec la classification aéroportée.
3.7 - Adaptation à RALI 83
Figure III.20 – Comparaison des observations et classifications spatiales (a, c, e) et aéroportées (b, d, f) lors du survol 36 RALI – A-train Campagne LNG 2010
Figure III.21 – Identique que la Figure III.20 pour le survol 26 RALI – A-train Cam-pagne POLARCAT
Le survol de la Figure III.21 n’avait pas été sélectionné pour imager l’adaptation à RALI lors de la rédaction de l’article faute d’espace disponible. Dans ce cas d’étude, de la même manière que dans le cas précédent, la couche de basse altitude (entre 1 km et 2
84 Détail de la méthode et évolution depuis la publication
km) entre 71.4◦ et 72◦ était classée comme glace en forte concentration avec la méthode de la version de l’article, mais est maintenant classée comme eau surfondue + glace ce qui est plus cohérent avec la version aéroportée de la classification.
Figure III.22 – Identique que la Figure III.20 pour le survol 34 RALI – A-train Cam-pagne POLARCAT
Sur le survol de la Figure III.22 qui est présenté également dans l’article le faible signal qui semble correspondre à des aérosols entre 3 km et 4 km de 70◦ à 71.5◦ et à faible altitude (inférieure à 1 km) entre 70◦ et 70.5◦ n’est plus sélectionné. N’ayant pas de méthode pour discriminer les aérosols des nuages, ce faible signal est pour l’instant laissé de coté pour n’afficher que les nuages.
Cette figure met en évidence des changements de classification suite aux modifica-tions et correcmodifica-tions de l’algorithme. En effet, aux alentours de 71.6◦ et 72◦, dans la classification spatiale, les couches étaient classées comme “glace en forte concentration” alors qu’elles semblent très nettement appartenir à des tourelles convectives. La correc-tion sur la séleccorrec-tion de tours convectives décrite précédemment a permis de corriger ce type d’erreurs.
On remarque qu’il reste tout de même des différences entre les classifications spa-tiales et aéroportées entre 71◦ et 71.5◦, mais il est important de remarquer que dans cette zone RASTA et CloudSat n’observent pas la même chose, ce qui peut être dû à un problème de collocalisation spatiale ou temporelle.
Conclusion
Nous avons montré dans cette partie que la nouvelle méthode de classification des hydrométéores DARDAR-MASK v2 présentait un certains nombre d’améliorations par rapport à la version 1. De plus, elle a l’avantage d’être assez facilement transposable à d’autres instruments donc en conséquence à EarthCARE : l’adaptation a pu être
3.7 - Adaptation à RALI 85
réalisée grâce au simulateur RALI en configuration CloudSat / CALIPSO ainsi qu’en configuration EarthCARE.
Les résultats de la catégorisation de la version 2 étant différents de ceux de DARDAR-MASK v1.1.4, les études réalisées à partir de DARDAR-DARDAR-MASK v1.1.4 pourraient être amenées à produire des résultats différents avec la nouvelle version. Cette différence a été étudiée pour l’occurrence de l’eau surfondue en arctique et est détaillée dans un article en cours de finalisation [Mioche et al., 2014]. La différence entre les deux versions aura également un impact sur les restitutions des propriétés microphysiques des nuages de glace DARDAR-CLOUD.
87
Quatrième partie
Evolution des restitutions de
propriétés microphysiques des nuages
de glace DARDAR-CLOUD
Sommaire
1 Rappel sur les problèmes inverses 88
1.1 Les problèmes inverses . . . 88 1.2 L’optimisation . . . 89 1.3 Contenu en information . . . 91
2 Le produit DARDAR-CLOUD 91
2.1 La méthode variationnelle de DARDAR-CLOUD . . . 92 2.2 Le modèle direct . . . 94 2.3 Erreur sur les restitutions . . . 98 3 Comparaison du code de transfert radiatif de DARDAR avec
RT-TOV 99
3.1 Présentation de RTTOV et paramétrisation pour les profils nuageux 99 3.2 Comparaison des températures de brillance de DARDAR et RTTOV 101
4 Evolution du produit DARDAR-CLOUD 106
4.1 Nouvelle version de DARDAR-CLOUD . . . 106 4.2 Comparaison entre DARDAR-CLOUD v2.1.1 et la nouvelle version . 108
4.2.1 Impact de la nouvelle classification DARDAR-MASK sur les restitutions d’IWC . . . 108 4.2.2 Evolution des restitutions d’IWC suite aux améliorations de
DARDAR-MASK, du modèle direct et des a priori . . . 109 4.3 Impact de la nouvelle configuration microphysique sur les restitutions 112
4.3.1 Impact de la nouvelle configuration microphysique sur le rap-port lidar . . . 112 4.3.2 Impact de la nouvelle configuration microphysique sur le
contenu en glace . . . 114 4.3.3 Impact de la nouvelle configuration microphysique sur les
si-mulations de TB . . . 116
5 Adaptation de DARDAR-CLOUD aux mesures des campagnes
88 Rappel sur les problèmes inverses
Une partie de ce travail de thèse a également consisté en l’amélioration, la validation et l’étude des restitutions des propriétés microphysiques des nuages de glace du produit DARDAR-CLOUD.
La première étape pour l’amélioration de ces restitutions a été de créer une nouvelle version pour le produit DARDAR-MASK, ce qui a été présenté dans la partie précédente. La nouvelle version a l’avantage, à la fois d’améliorer le produit, mais également de le rendre plus facilement adaptable aux données d’EarthCARE. L’utilisation de cette nouvelle classification dans l’algorithme de restitution peut augmenter la qualité de ses résultats car elle inclut moins de pixels de bruit.
De plus, outre la classification, d’autres paramètres de la méthode de restitution ont changé depuis la dernière version en ligne de DARDAR-CLOUD (version 2.1.1). Ces changements, qui sont supposés améliorer les résultats, sont présentés dans cette quatrième partie après un bref rappel sur les problèmes inverses et les bases de la mé-thode de restitution DARDAR-CLOUD. Les résultats de l’adaption de la mémé-thode de restitution aux données aéroportées RALI seront également présentés.
1 Rappel sur les problèmes inverses
1.1 Les problèmes inverses
Un problème inverse est l’inverse du problème direct consistant à déduire les effets d’un phénomène à partir des causes. Un problème inverse consiste donc à déterminer les causes en observant les effets. Les problèmes inverses sont très fréquents et présents dans de nombreux domaines scientifiques. En sciences de l’atmosphère, ils consistent à obtenir un état de l’atmosphère à partir de mesures in-situ ou de télédétection active [Delanoë and Hogan, 2008] et passive [Eyre, 1989, Watts et al., 2011, Sourdeval, 2012]. Les problèmes inverses s’écrivent sous la forme y = H(x) avec y le vecteur d’observa-tions, x le vecteur des paramètres à restituer (que l’on appelle vecteur d’état) et H le modèle direct reliant les deux vecteurs. Une bonne connaissance du modèle direct est donc une des conditions nécessaires pour pouvoir résoudre un problème inverse.
L’opérateur H n’est en général pas inversible, on ne peut donc pas obtenir directe-ment x à partir de y et H.
En physique de l’atmosphère ces problèmes sont souvent résolus avec une approche probabiliste par méthode d’estimation optimale (ou encore méthode variationnelle baye-sienne) pour obtenir le x le plus probable compte tenu des observations y. Cette méthode repose sur le théorème de Bayes sur les probabilités conditionnelles. On cherche donc à trouver le ˆx qui maximise la probabilité de x sachant y (P (x|y)) compte tenu des erreurs sur le modèle, des observations et des informations a priori que l’on peut avoir sur le vecteur d’état. Le théorème de Bayes donne l’équation IV.1 :
P (x|y) = P (y|x)P (x)
P (y) (IV.1)