Estimation of dynamics from multiscale image assimilation : application to Rain nowcasting from ground radar images
Estimation de la dynamique à partir de l'assimilation d'images radars multi-échelles : application à la prévision des taux de précipitation à courte échéance, à partir des images radars
Résumé
The forecast of precipitation takes a special place, in view of their direct economic impact. These forecasts allow, on the one hand, to anticipate environmental constraints and optimise, for example, the management of water resources, and, on the other hand, to anticipate flood risks. The aim of this study is to improve the nowcasting of precipitation rate of the Rain Nowcast (RN) algorithm that previously provides relevant forecasts for a time horizon of 30 minutes. A multi-scale approach is suggested to merge two types of radar data, with different spatial resolutions, in order to increase the time horizon of the forecast while ensuring a forecast of quality in terms of both location and quantity of precipitation. We propose two multi-scales algorithms, the first one is sequential "Sequential Motion RN" : a globale estimation with regional data to guide a local estimation with local data. The second is parallel "Parallel Motion RN": using both local and regional data simultaneously. Two other methods dedicated to forecast have been proposed: geostrophic wind hypothesis, which involves correcting the underestimation motion intensity for low contrast structures in radar images. The second method: histogram correction, which involves correcting the smoothing effect caused by the numerical scheme by using a widely described technique in literature, to correct raingauge measurements estimated from radar images.
La prévision du taux de précipitations occupe une place particulière, compte tenu de leur impact direct sur l'économie. Ces prévisions permettent, d’une part, d’anticiper les contraintes environnementales et d’optimiser par exemple la gestion des ressources en eau, et, d’autre part, d'anticiper les risques d’inondations. L'objectif de ces travaux est d'améliorer la prévision à court terme de taux de précipitation de l'algorithme Rain Nowcast (RN) qui fournissait auparavant des prévisions pertinentes pour un horizon temporel de 30 minutes. Une approche multi-échelle a été proposée qui permet de fusionner deux types de données radars, de résolutions spatiales différentes afin d'augmenter l'horizon temporel de prévision tout en garantissant une prévision de qualité en terme de localisation et quantité de précipitation. Nous proposons deux algorithmes multi-échelles , le premier est séquentiel «Sequential Motion RN» : une estimation globale avec les données régionales pour guider une estimation locale avec des données locales. Le second est parallèle «Parallel Motion RN»: utilisation simultanée des données locales et régionales. Deux autres méthodes dédiées à la prévision sont proposées : l'hypothèse de vent géostrophique, consiste à corriger la sous-estimation de l'intensité du mouvement pour les structures peu contrastées dans les images radars. La deuxième méthode : la correction d’histogramme, consiste à corriger l’effet de lissage causé par le schéma numérique en utilisant une technique largement décrite dans la littérature, pour corriger les mesures de pluviométrie estimées à partir d’images radar.
Origine : Version validée par le jury (STAR)