Couplage avec le modèle d’émission micro-onde DMRT-ML

SURFEX-CROCUS, mais aussi sur les sorties du modèle DMRT-ML après couplage avec celui-ci. La

finalité du couplage avec DMRT-ML est d’apporter une contrainte«de volume» dans le

processus d’optimisation. En effet, l’utilisation des données MODIS (albédo et température

de surface) ne permettent pas d’avoir directement d’information sur le type et le volume

de neige présent. Or, la mise en place de ce processus d’optimisation a justement pour

but de corriger les paramètres atmosphériques de forçage, température et précipitations

(ainsi que l’albédo estival prescrit). Un autre intérêt fort à l’utilisation des sorties du

modèle DMRT-ML est d’apporter une contrainte temporelle sur les durées de fonte dans

Chapitre 4 : Modélisation et analyse des processus d’évolution de la calotte

Barnes : accumulation, fonte et bilan de masse de surface

(a) Forçage modifié en température

(b) Forçage modifié en précipitations

Figure4.8 – Évolution temporelle du bilan de masse de surface (quantifié en terme

d’équi-valent en eau, EEN) au sommet de la calotte Barnes. Simulations réalisées avec le modèle

SURFEX-CROCUS sur la période 2009-2011 en modifiant les forçages atmosphériques en

température (a) et précipitations (b) des données de réanalyses NARR.

le processus d’optimisation. En effet, comme pour les mesures micro-ondes, les sorties du

modèle présentent très nettement un brusque saut de température de brillance lors des

transitions entre un manteau neigeux sec et humide (Chapitre 2, section 2.2). Afin de

maximiser l’information de volume contenue dans les données micro-onde, il a été décidé

d’utiliser un indice, ∆TB, défini comme une combinaison entre deux fréquences (19 et 37

4.3 Couplage réanalyses NARR modèle de neige SURFEXCROCUS

-modèle électromagnétique DMRT-ML

GHz) tel que :

∆T_B=T_B−19V −T_B−37V. (4.3)

Cet indice est largement utilisé pour l’étude de l’équivalent en eau de la neige

(Derk-sen et al., 2003, 2010) et est donc approprié pour l’utilisation qui en est faite ici, à savoir

apporter une contrainte temporelle « de volume » dans le processus d’optimisation. De

plus, l’utilisation de cette combinaison de bandes permet de s’affranchir dans une certaine

mesure des perturbations induites par d’éventuelles structures particulières à la surface de

la calotte car la polarisation verticale est la moins sensible à la stratification du manteau.

Les profils de neige obtenus en sortie du modèle SURFEX-CROCUS piloté par les

réanalyses NARR sont donc utilisés pour forcer le modèle DMRT-ML adapté pour la

glace bulleuse pour simuler les températures de brillance. Afin de réaliser ce couplage,

il est nécessaire de convertir certaines variables. SURFEX-CROCUS fournit par exemple

une teneur en eau liquide (TEL) exprimée en kg m−3 correspondant à la quantité d’eau

liquide dans un volume donné de neige. DMRT-ML considère une TEL exprimée en m3m−3

correspondant au volume d’eau liquide par rapport au volume de neige. Ces deux variables

n’étant pas strictement identiques, la relation de conversion s’écrit donc :

T EL_DMRT−ML= ^{T EL} SURFEX−CROCUS/ρ_eau

(ρ neige−T ELSURFEX₋CROCUS)/ρglace₋pure

(4.4)

Au chapitre 3 de ce manuscrit a été déterminé un coefficient empirique permettant de

réaliser la conversion entre les mesures in-situ de rayon optique réalisées avec l’instrument

POSSSUM et la SSA du manteau neigeux utilisée pour piloter le modèle DMRT-ML. Ce

coefficient, dont la valeur a été fixée à 3,5, n’est pas réutilisé dans cette partie du travail

pour la conversion entre la SSA issue du modèle SURFEX-CROCUS et la SSA donnée

en entrée du modèle DMRT-ML. En effet, ce facteur de conversion entre rayon mesuré et

rayon utilisé dans DMRT-ML provient très certainement de la différence entre

l’interac-tion de la neige et du rayonnement électromagnétique dans le domaine des micro-ondes

et dans celui de l’optique dans lequel les mesures de SSA sont réalisées. Si un tel facteur

était nécessaire sur les sorties de SURFEX-CROCUS, son origine serait différente et il

serait donc nécessaire de le déterminer indépendamment des résultats du travail présenté

au chapitre 3 de ce manuscrit car il n’y a aucune raison qu’il soit identique à celui obtenu

après optimisation dans les travaux de Roy et al. (2013) ou de Dupont et al. (2014). Les

travaux de Brucker (2009) ont montré qu’un tel facteur peut être nécessaire pour

corri-ger les données issues des modèles de neige afin de les utiliser pour piloter des modèles

électromagnétiques d’émission micro-onde. Cependant, dans ce travail, nous avons choisi

d’utiliser un coefficient égal à 1, ce qui constitue une première approximation d’autant

plus acceptable que l’indice ∆TB sera utilisé par la suite. Les autres variables permettant

de caractériser la neige (masse volumique et épaisseur des couches) sont fournies en entrée

du modèle DMRT-ML sans traitements particuliers.

En revanche, concernant la partie « glace bulleuse », si le profil de température

dé-terminé en sortie de SURFEX-CROCUS est directement utilisé dans DMRT-ML, ce n’est

pas le cas pour les profils des autres variables. Tout d’abord, la masse volumique des

couches de glace calculée par le modèle SURFEX-CROCUS est remplacée par la masse

volumique optimisée obtenue à la section 3.3 du chapitre 3 de ce manuscrit (Table II de

Chapitre 4 : Modélisation et analyse des processus d’évolution de la calotte

Barnes : accumulation, fonte et bilan de masse de surface

l’article Dupont et al. (2014)). De même, la taille des grains dans les couches de glace n’a

pas réellement de sens physique, et cette variable est donc remplacée par la taille de bulle

optimale déterminée elle aussi à la section 3.3 du chapitre 3. Ainsi, les profils de masse

volumique et de rayon des bulles sont constants en fonction de la profondeur, au contraire

du profil de température, directement issu des simulations SURFEX-CROCUS.

(a) 19 GHz V-pol

(b) 19 GHz H-pol

Figure4.9 – Comparaison entre les résultats de simulations réalisées sur la période

2009-2011 avec DMRT-ML à 19 GHz en polarisation verticale (a) et horizontale (b) et les

don-nées AMSR-E. Ces simulations sont pilotées par les sorties du modèle SURFEX-CROCUS.

Du fait de la formation particulière des premières couches de neige sur la calotte Barnes,

lors de la période de regel, il a été observé sur le terrain que la transition entre la glace de

regel et la neige n’est pas toujours très nette, et que la toute première couche de neige a une

structure particulière, incorporant de gros grains arrondis en plus de grains de type givre

de profondeur. Il en résulte que cette couche ayant une forte influence sur le signal

micro-onde, la température de brillance mesurée en surface peine à être modélisée à partir des

sorties du modèle SURFEX-CROCUS issues des premiers tests de couplage (section 4.3).

4.3 Couplage réanalyses NARR modèle de neige SURFEXCROCUS

-modèle électromagnétique DMRT-ML

(a) 37 GHz V-pol

(b) 37 GHz H-pol

Figure 4.10 – Comparaison entre les résultats de simulations réalisées sur la période

2009-2011 avec DMRT-ML à 37 GHz en polarisation verticale (a) et horizontale (b) et

les données AMSR-E. Ces simulations sont pilotées par les sorties du modèle

SURFEX-CROCUS.

En effet, les figures 4.9 et 4.10 montrent que les simulations, effectuées à partir de

don-nées SURFEX-CROCUS ajustées manuellement à partir des observations de terrain, ne

permettent pas de reproduire convenablement les observations satellites. En revanche, si

le niveau de base n’est pas correctement simulé, les variations saisonnières, en particulier

à 37 GHz aux deux polarisations, ainsi que les dates de début et fin de fonte présentent

de bonnes similitudes. Comme les simulations SURFEX-CROCUS, ces modélisations

pré-sentent des artefacts dans les premiers mois de simulation (visible en particulier à 19 GHz

en polarisation verticale) qui mettent à nouveau en évidence la nécessité de l’utilisation

d’unspin-up pour les simulations du processus d’optimisation.

Par contre, la figure 4.11, qui présente le résultat de simulations du ∆TB effectuées

sur les mêmes sorties de SURFEX-CROCUS que les figures 4.9 et 4.10, offre une meilleure

Chapitre 4 : Modélisation et analyse des processus d’évolution de la calotte

Barnes : accumulation, fonte et bilan de masse de surface

correspondance entre les données observées et modélisées. Cela renforce l’hypothèse selon

laquelle l’utilisation de cet indice est particulièrement indiqué car il permet, en plus de

maximiser l’information de volume, de s’affranchir de la nécessité de modéliser

parfaite-ment la valeur absolue de la température de brillance. En effet, ce sont les variations

tem-porelles de la température de brillance, lesquelles se répercutent sur le ∆TB, qui rendent

compte de l’évolution de l’EEN du manteau neigeux.

Figure4.11 – Comparaison entre les résultats de simulations réalisées sur la période

2009-2011 avec DMRT-ML pour le calcul de l’indice ∆TB et le ∆TBissu des données AMSR-E.

Ces simulations sont pilotées par les sorties du modèle SURFEX-CROCUS.

4.4 Processus d’optimisation : méthode Quasi-Monte-Carlo

Dans le document Télédétection micro-onde de surfaces enneigées en milieu arctique : étude des processus de surface de la calotte glaciaire Barnes, Nunavut, Canada (Page 118-123)