Analysis of "Water vapor" measurements from Megha-Tropiques for the design of a retrieval method of profiles and their conditionnal probability density functions of error
Exploitation des mesures "vapeur d'eau" du satellite Megha-Tropiques pour l'élaboration d'un algorithme de restitution de profils associés aux fonctions de densité de probabilité de l'erreur conditionnelle
Résumé
Water vapor has a central role in climatic systems: in a global scope, water vapor is important to energy distribution from tropical zones to polar regions via circulation cells; at mesoscale it participates to cloud systems development, precipitating or not, and in the lowest scale wet thermodynamic laws are the kernel of the clouds microphysics. Finally, water vapor is the most abundant greenhouse gas which is the key in the positive feedback phenomenon. The Megha-Tropiques mission was conceived to ameliorate the tropical water vapor cycle documentation and also the energy budget, through its three instruments: two microwave radiometers (MADRAS, an imager and SAPHIR, a sounder) dedicated to rain (liquid and iced ones) and atmospheric water vapor observations respectively; and a multispectral radiometer (ScaRaB)dedicated to radiative flux measurements at the top of the atmosphere with the aim to tropical water vapor and energy budget to describe this tropical systems evolution, it is composed by two microwaves radiometers. The payload characteristics allow, theoretically, an enhanced resolution around 183 GHz of microwave spectra, and soundings in presence of convective clouds. With the aim to build a learning database with correlated and also representative to problem data, an important tropical clear sky radiosoundings database was built for the 1990-2008 period to be coupled to a radiative transfer model to obtain synthetic brightness temperatures of two radiometers. We designed a methodology that allows us to develop a water vapor profile restitution algorithm from SAPHIR and MADRAS observations, and specially to quantify the restitution of conditional uncertainties. The approach was oriented to purely statistic restitution methods with the aim to extract the maximum information, without complementary information of the atmosphere thermodynamic structure or a priori profiles, to focus on inverse problem restrictions. Three statistical models were optimized using this learning database to estimate seven layers tropospheric water vapor profiles, a neural network (MLP), the generalized additive model and the support vector machines, and two conditional error pdf modeling hypothesis were tested, a Gaussian hypothesis (HG) and a two mixed Gaussian model (M2G). The optimized models are shown similar behaviors, which lead us to conclude that we obtain a model-independency restitution accuracy and this accuracy is directly related to physical constraints. Also, maximal precision was achieved in mid-tropospheric layers (maximal bias: 2.2% and maximal correlation coefficient: 0.87 in errors restitutions) while extreme layers show degraded precision values (at surface and the top of the troposphere, maximal bias: 6.92 associated to a fort dispersion with correlation coefficient: 0.58), this behavior could be explained by instrumental information contents. From conditional error probability functions, knowing observed brightness temperatures, humidity confidence intervals were estimated by each layer. The two hypotheses were tested and we obtained better results from the Gaussian Hypothesis. This methodology was tested using real data from Megha-Tropiques "water vapor" validation campaign in summer 2012 at Ouagadougou, which gave us radiosoundings measurements colocalized with satellite observations. Taking into account the incidence angle, SAPHIR calibration uncertainties and in-situ associated errors from measurement, results are consistent with the learning database with better accuracy (bias: 4.55% and correlation coefficient: 0.874 for error estimations) at mid-tropospheric layers, degrading it to extreme layers (bias: -4.81% and correlation coefficient: 0.491). Systematic application to SAPHIR observations could lead to tropical water vapor variability studies using theirs associated intervals confidence.
La place de la vapeur d'eau est centrale dans le système climatique : à l'échelle globale, elle participe à la redistribution de l'excédent d'énergie des régions tropicales vers les régions polaires via les grandes cellules de circulation, à méso-échelle elle participe au développement (maturation, dissipation) des systèmes nuageux, précipitants ou non, et à plus petite échelle, ce sont les lois de la thermodynamique humide qui régissent la microphysique de ces nuages. Finalement c'est le plus abondant des gaz à effet de serre qui est au centre d'une boucle de rétroaction fortement positive. La mission satellite Megha-Tropiques a été conçue pour améliorer la documentation du cycle de l'eau et de l'énergie des régions tropicales, via notamment trois instruments : deux radiomètres microondes MADRAS (un imageur) et SAPHIR (un sondeur) respectivement dédiés à l'observation des précipitations (liquides et glacées) et de l'humidité relative atmosphérique, et un radiomètre multi-spectral ScaRaB pour la mesure des flux radiatifs au sommet de l'atmosphère dans le bilan de l'eau et l'énergie de l'atmosphère tropicale et décrire l'évolution de ces systèmes. Les caractéristiques des instruments embarqués permettraient une résolution étendue autours de la raie à 183 GHz du spectre microonde, qui permet de sonder le contenu en vapeur d'eau même en présence des nuages convectifs. Afin de construire une base d'apprentissage où les valeurs d'entrée et sortie soient parfaitement colocalisées et qui, en même temps, soit représentative du problème à modéliser, une large base de radiosondages obtenus par ciel claire et couvrant la bande tropicale (±30° en latitude) sur la période 1990-2008 a été exploitée en parallèle à un modèle de transfert radiatif pour l'obtention des températures de brillance simulées des deux radiomètres. Nous avons mis au point une méthodologie qui nous a permis de développer un algorithme de restitution des profils de vapeur d'eau à partir des observations SAPHIR et MADRAS, et surtout de quantifier l'incertitude conditionnelle d'estimation. L'approche s'est orientée vers l'exploitation des méthodes purement statistiques de restitution des profils afin d'extraire le maximum d'information issues des observations, sans utiliser d'information complémentaire sur la structure thermodynamique de l'atmosphère ou des profils a priori, pour se concentrer sur les diverses restrictions du problème inverse. Trois modèles statistiques ont été optimisés sur ces données d'apprentissage pour l'estimation des profils sur 7 couches de la troposphère, un réseaux de neurones (modèle perceptron multicouches), le modèle additif généralisé et le modèle de machines à vecteur de support (Least Square-Support Vector Machines), et deux hypothèses de modélisation de la fonction de distribution de la probabilité (pdf) de l'erreur conditionnelle sur chacune des couches ont été testées, l'hypothèse Gaussienne (HG) et le mélange de deux distributions Gaussiennes (M2G). L'effort porté sur l'optimisation des modèles statistiques a permis de démontrer que les comportements des trois modèles d'estimation sont semblables, ce qui nous permet de dire que la restitution est indépendante de l'approche utilisée et qu'elle est directement reliée aux contraintes physiques du problème posé. Ainsi, le maximum de précision pour la restitution des profils verticaux d'humidité relative est obtenu aux couches situées dans la moyenne troposphère (biais maximum de 2,2% et coefficient de corrélation minimum de 0,87 pour l'erreur d'estimation) tandis que la précision se dégrade aux extrêmes de la troposphère (à la surface et proche de la tropopause, avec toutefois un biais maximale de 6,92% associé à une forte dispersion pour un coefficient de corrélation maximum de 0,58 pour l'erreur d'estimation), ce qui est expliqué par le contenu en information des mesures simulées utilisées. A partir de la densité de probabilité de l'erreur, connaissant les températures de brillance observées, des intervalles de confiance conditionnels de l'humidité de chacune de couches de l'atmosphère ont été estimés. Les algorithmes d'inversion développés ont été appliqués sur des données réelles issues de la campagne "vapeur d'eau" de validation Megha-Tropiques de l'été 2012 à Ouagadougou qui a permis d'obtenir des mesures par radiosondages coïncidentes avec les passages du satellite. Après prise en compte de l'angle de visée, des incertitudes liées à l'étalonnage de SAPHIR et des erreurs associées à la mesure in situ, l'exploitation de ces données a révélé un comportement semblable aux données de l'apprentissage, avec une bonne performance (biais de 4,55% et coefficient de corrélation de 0,874 sur l'erreur d'estimation) en moyenne troposphère et une dégradation aux extrêmes de la colonne atmosphérique (biais de -4,81% et coefficient de corrélation de 0,419). L'application systématique sur l'ensemble des mesures réalisées par SAPHIR permettra donc mener des études de la variabilité de la vapeur d'eau tropicale en tenant compte des intervalles de confiance associés à la restitution.
Loading...