Estimation par satellite de l'humidité spécifique au dessus de l'océan par radiométrie hyperfréquence

par Abdou Aziz Mbengue

Thèse de doctorat en Météorologie

Sous la direction de Serge Janicot.

Soutenue en 2009

à Versailles-St Quentin en Yvelines .

mots clés

• Humidité -- Mesure
• Radiométrie
• Télédétection hyperfréquence
• Météorologie par satellite
• Réseaux neuronaux (informatique)
• Analyse de régression

Résumé

L’océan joue un rôle très important dans la régulation du climat de la terre à travers les échanges de chaleur avec l’atmosphère, qui se font en grande partie sous forme de Flux de Chaleur Latente (FCL). Ce dernier dépend notamment de l’humidité spécifique à quelques mètres au-dessus de la surface. Cette dernière variable est encore mal maîtrisée dans les modèles météorologiques, et trop peu d’observations sont disponibles à l’échelle du globe pour calculer des champs d’humidité et de flux de chaleur latente, pourtant nécessaires pour forcer les modèles océaniques, par exemple. Dans ce travail, on analyse le potentiel des données de télédétection spatiale pour estimer l’humidité de surface. L’intérêt majeur des satellites est qu’ils nous permettent d’observer l’ensemble des océans à une échelle temporelle de quelques jours seulement. Afin de restituer l’humidité spécifique, nous nous servons des données de températures de brillance mesurées par les radiomètres hyperfréquences AMSU-A (Advanced Microwave Sounding Unit - A) et AMSU-B embarqués à bord des satellites NOAA 15, 16 et 17. AMSU-A comporte 15 canaux entre 23. 8 GHz et 89 GHz, avec une résolution de 48 Km, et AMSU-B comporte 5 canaux entre 89 GHz et 183. 31 GHz, et a une résolution de 16 Km. Nous utilisons les radiomètres AMSU parce qu’ils possèdent un nombre important de canaux (20 canaux au total), dont certains sont sensibles à la vapeur d’eau. Malgré leur potentiel intéressant, les radiomètres AMSU ont jusqu’ici été peu exploités pour la restitution de l’humidité de surface. Deux approches sont utilisées pour faire cette restitution : la régression linéaire multiple et les réseaux de neurones artificiels. Grâce à cette dernière méthode, nous avons pu restituer l’humidité de surface avec une amélioration de 21. 8% par rapport à l’algorithme de référence. Ceci se traduit par un écart rms de 0. 86 g/kg, par rapport aux données de validation, qui sont les observations horaires des mouillages TAO et PIRATA. L’ensemble des résultats trouvés au cours de cette étude indique clairement que le satellite apporte un point de vue complémentaire par rapport aux modèles opérationnels et par rapport aux observations, vis-à-vis de l’humidité de surface

Titre traduit

Satellite estimate of specific humidity over the ocean using microwave radiometry

Résumé

Ocean plays a very important role in earth climate regulation through heat exchanges with atmosphere, which are done for most part in the form of latent heat flux (LHF). LHF depends on specific humidity some meters over the ocean surface. This variable isn’t well controlled in meteorological models and too few observations are available in global scale for calculating humidity fields and LHF, though necessary for forcing oceanic models for example. In this work, we analyse potential of spatial remote sensing data to estimate near surface humidity. Major interest of satellite is they enable observations of all the ocean at temporal scale of some days only. In order to estimate specific humidity, we use brightness temperatures data measured by microwave radiometers AMSU-A (Advanced Microwave Sounding Unit-A) and AMSU-B on board NOAA 15, 16 and 17 satellites. AMSU-A has 15 channels between 23. 8 GHz and 89 GHz, with a spatial resolution approximately of 48 Km, and AMSU-B has 5 channels between 89 GHz and 183. 31 GHz, with a spatial resolution of 16 Km. We use AMSU radiometer because they have important number of channels (20 channels), whose some are sensitive to water vapour. Despite their interesting potential, AMSU radiometers are until then unused about surface specific humidity retrieval. Two methods are used for doing retrieval: multiple linear regression and artificial neural networks. Using neural networks approach, we improve specific humidity retrieval of 21. 8% in comparison to reference algorithm. This is equivalent to a rms error of 0. 86g/kg in comparison to data validation hourly observations of TAO and PIRATA buoys. All the results found in this study show clearly that satellite supply a complementary point of view in comparison to operational models, and observations, in relation to surface humidity.