Assimilation de données d’images télédétectées en météorologie

Assimilation de données d’images télédétectées en météorologie

Relation entre image vapeur d’eau et tourbillon potentiel 

Ce chapitre s’attaque à la construction d’un modèle permettant de relier les caractéristiques des objets détectés dans l’imagerie à celles de la structure présente dans les champs météorologiques, de manière à générer des pseudo-observations. Le problème se pose de manière similaire pour les cyclones tropicaux. Les pseudoobservations de cyclones tropicaux reposent sur l’utilisation de modèles physiques (caractéristiques obtenues par un modèle physique simplifié, par exemple statique, et axisymétrique) ou statistiques (caractéristiques obtenues par statistiques sur des mesures au sein des cyclones). De nombreuses études concernent la détermination de relations statistiques permettant de lier entre eux des paramètres définissant un profil de vent dans un cyclone tropical (Willoughby et Rahn 2004, Willoughby et al. 2006, Holland 2008). La méthode de Dvorak objective, développée conjointement avec des prévisionnistes, permet d’estimer l’intensité d’un cyclone tropical à partir de l’imagerie infrarouge géostationnaire (Olander et Velden 2007). Concrètement, l’imagerie est utilisée pour évaluer un certain nombre de paramètres (position, intensité, rayon de vent maximum et vitesse pour les cyclones tropicaux), qui eux-mêmes sont utilisés par un modèle simplifié de cyclone tropical pour générer des observations (c.f. la section 5.1.2 ou Heming (1994)). Cette modélisation particulière aux cyclones tropicaux sera abordée dans le chapitre 5. Un autre point important est que cette relation, qu’elle soit basée sur un modèle statistique ou sur un modèle physique simplifié, induit une erreur qu’il faut estimer pour pouvoir la prendre en compte dans l’assimilation de données. L’erreur totale commise dépend à la fois de l’erreur effectuée dans l’analyse de l’imagerie, et de l’erreur contenue dans ces modèles simplifiés. Pour les cyclones tropicaux, ce point n’a été que très peu étudié mais il nous semble essentiel. Nous devons donc aborder dans un premier temps la description des anomalies de tropopause à partir d’un petit nombre de paramètres, et étudier le lien entre l’évolution de l’intensité de ces structures et les caractéristiques décelables dans l’image vapeur d’eau. Le premier point est complexe, et a fait l’objet d’une thèse au CNRM sur la description objective des anomalies en tourbillon potentiel à l’aide de décomposition en ondelettes (Plu 2008). Ces outils n’étant pas entièrement disponibles au moment de ce travail, nous avons choisi de décrire le plus simplement possible les structures en tourbillon potentiel, par des profils ou des recherches de maxima locaux. Le deuxième point a été discuté qualitativement par les prévisionnistes, qui constatent que des intrusions sèches vigoureuses sont associés

Relation entre vapeur d’eau et tourbillon potentiel à des cyclogenèses intenses, sans fournir de relation quantitative toutefois

 Ce chapitre cherche à éclaircir la relation entre tourbillon potentiel et image vapeur d’eau, point sur lequel reposent de nombreuses publications, et qui est indispensable à la génération des pseudo-observations.

 Lien PV-WV : un résumé des études précédentes 

L’importance du tourbillon potentiel dans la cyclogenèse (Hoskins et al. 1985), la mise en œuvre de méthodes d’inversion du tourbillon potentiel (Arbogast 1998) et le lien entre vapeur d’eau et tourbillon potentiel (Santurette et Georgiev 2005) ont conduit à initialiser les modèles à partir de différences entre champs en PV et images satellites dans le canal vapeur d’eau (Demirtas et Thorpe 1999). Pankiewicz et al. (1999) étudient la relation PV-WV à l’aide d’un réseau de neurones. Constatant comme Appenzeller et Davies (1992), Mansfield (1996), Røsting et al. (1996), Demirtas et Thorpe (1999), Georgiev (1999) que la relation est complexe, ils établissent un certain nombre de facteurs climatologiques intervenant : latitude, longitude, jour de l’année, valeur de l’imagerie dans les canaux vapeur d’eau et infrarouge. Une régression linéaire donne une corrélation de l’ordre de 0.5 entre le PV sur l’isopotentielle 315K et ces différents champs. Malgré un entraînement portant sur 17500 cas, la restitution du PV sur la surface 315K par le réseau de neurone demeure erronée, notamment pour les faibles valeurs de PV. Un cas d’étude mené par Georgiev (1999) cherche à corréler les valeurs de PV à différents niveaux isobares avec les radiances vapeur d’eau dans des zones géographiquement limitées (correspondant à deux anomalies de tropopause) avec un seuil de sélection pour le tourbillon potentiel. La corrélation est de l’ordre de 0.5 à 0.7, maximale à 500 hPa, et les coefficients de régression exhibent une dépendance avec la latitude. Swarbrick (2001) effectue plusieurs cas d’étude aux résultats jugés mitigés. Il note qu’un renforcement de l’anomalie de PV entraîne très souvent une augmentation de l’intensité du cyclone et une baisse de la pression (une augmentation de 2 à 3 PVU induirait une baisse de 5 hPa en ordre de grandeur), mais que la relation PV-WV demeure trop imprécise pour en tirer des règles qualitatives 1 . En regardant les réanalyses menées par les prévisionnistes ou les nombreux cas d’étude publiés, il nous apparaît empiriquement que deux sources distinctes d’information sont tirées de l’image vapeur d’eau. Tout d’abord, les propriétés de traceur de la dynamique d’altitude de grande échelle peuvent être utilisées pour replacer un courantjet et notamment une ondulation (Santurette et Georgiev 2005, cas d’étude pages 154 à 158). Une autre source d’information consiste à observer un maximum localisé, de petite échelle spatiale, de température de brillance, et à l’associer à un développement dépressionnaire (Santurette et Georgiev 2005, cas d’étude pages 165 à 170). C’est ce dernier genre de structures que permet de détecter Antidote. La plupart des cas d’étude mêlent des changements dans l’intensité de la structure en PV et des déformations du courant-jet, rendant difficile une interprétation fiable des résultats. Nous choisissons 1« The result of this work suggests that a methodology based on a qualitative, subjective analysis of PV-water vapour image comparisons are unlikely to improve operational forecasting of cyclonic systems»(Swarbrick 2001) d’étudier, dans un premier temps, la relation entre ces intrusions sèches localisées et la cyclogenèse. 

 Étude statistique de la relation PV-WV

 Ces études quantitatives comparent toutes les températures de brillance satellite et des champs en tourbillon potentiel issus de modèles affectés d’erreurs. La performance des modèles de transfert radiatif actuels nous permet de nous affranchir de cette faiblesse : nous comparons le tourbillon potentiel avec les températures de brillance issues des mêmes champs d’ébauche d’ARPEGE via le modèle de transfert radiatif RTTOV. La littérature souligne que la relation PV-WV n’est valable que dans les zones des intrusions sèches, ce qui n’est pas pris en compte par Pankiewicz et al. (1999). Nous restreignons la comparaison aux cellules détectées par Antidote, donc dans des zones actives d’intrusions sèches.

 Mise en œuvre 

Pour cela nous effectuons des cycles de prévisions pour obtenir des ébauches du modèle ARPEGE à fréquence horaire, puis nous appelons le modèle de transfert radiatif RTTOV. Les ébauches sont utilisées pour produire des champs de tourbillon potentiel à haute résolution ainsi que des champs de vent à 300 hPa (utilisés pour la détection des anomalies comme décrit dans la première partie). Nous appliquons ensuite le traitement d’image Antidote aux images simulées, puis effectuons l’extraction des caractéristiques des cellules et le calcul des profils de PV moyennés sous les surfaces de ces cellules pour des niveaux isobares de 100 à 800 hPa (l’enchaînement des opérations est représenté sur la figure 3.1). L’échantillon des caractéristiques du traitement d’images et des profils en tourbillon potentiel est formé de 65 trajectoires d’intrusions sèches, soit 1825 cellules. Analyses opérationnelles xa Ebauches horaires xb = M(xa) Images simulées HRTTOV(xb) Vent à 300 hPa HU,V(xb) Tourbillon potentiel HPV(xb) Traitement d’images T