Upload
semah
View
19
Download
0
Embed Size (px)
DESCRIPTION
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 … - PowerPoint PPT Presentation
Citation preview
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
• 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
« 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
• 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
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
Apprentissage / Comparaison
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
Apprentissage / Comparaison
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
Apprentissage / Comparaison
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
• 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
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