Vous êtes ici : Accueil / Recherche / Thèses / Resume / FRANQUET

FRANQUET



Sarah Franquet 

"Contribution à l'étude du cycle hydrologique par radiométrie hyperfréquence :
algorithmes de restitution (réseaux de neurones) et validation pour la vapeur
d'eau (instruments AMSU, SAPHIR) et les précipitations (AMSU, radars au sol
BALTRAD)"

le lundi 3 mars 2003 à 9h30, dans la salle de l'IPG (Tour 24-14 2ème étage, campus de Jussieu, métro Jussieu)

devant le jury composé de

M Claude Klapisz, président
Mme Catherine Prigent, rapporteur
M David Staelin, rapporteur
Mme Laurence Eymard, examinateur
Mle Noelle Scott, directrice de thèse

Résumé :

L'étude des grands processus qui gouvernent les cycles globaux de l'énergie et
de l'eau requiert la connaissance, sur de longues séries temporelles, de la
distribution 3-D de  variables thermodynamiques telles que la température, la
vapeur d'eau et son transport, la couverture nuageuse, les précipitations, etc.

Notre travail a porté plus spécifiquement sur la restitution 3-D de la vapeur
d'eau et de la pluie à partir de mesures satellitaires (radiomètres multicanaux
en hyperfréquence AMSU/NOAA, SAPHIR/MEGHA-Tropiques).
Nous avons adopté une technique "réseaux de neurones" (perceptrons
multicouches). La méthode choisie, en "education supervisée", requiert de
connaitre les entrées (mesures radiométriques) et les sorties associées (profils
de vapeur d'eau). Des bases d'éducation ont été développées pour chacun des
radiomètres en couplant un modèle de transfert radiatif direct à une base
climatologique (base "TIGR" du LMD).
Dans cette étape, nous avons été amené à estimer puis améliorer les
capacités du modèle de transfert radiatif direct : nous avons  implanté des
modèles d'émissivité de la mer récemment développés et publiés (UK MetOffice).
Nous avons montré que l'ajout d'information a priori contribuait à la
régularisation du problème inverse et améliorait les résultats. Des validations
par comparaison à des radiosondages ou à des résultats d'algorithmes
indépendants (NOAA/NESDIS/MSSPS) sont présentées.
Pour la restitution du taux de pluie à partir de AMSU, il s'est agi de valider
l'algorithme neuronal développé au MIT en l'appliquant à des scènes geophysiques
non spécifiquement incluses dans la phase d'éducation (effectuée avec les radars
Nexrad sur les USA). Nous avons traité la zone baltique avec, en référence, les
composites Baltrad: nous avons trouvé des différences entre l'été (surestimation
des pluies) et l'hiver (sous-estimation). Nous avons proposé une
correction empirique simple : il faudrait cependant plus d'observations et sur
une plus longue période pour que cette correction soit validée et facilement
généralisable.



Abstract :

The study and understanding of relevant components of the Earth's global water
and energy cycle require the 3-D determination of geophysical parameters such as
temperature, water vapor and its transport, cloud cover, rainfall, ...
This thesis specially focuses on  the 3-D restitution of water vapor and
precipitation from satellite remote sensing (AMSU/NOAA, SAPHIR/MEGHA-Tropiques
microwave radiometers).
The retrieval technique is based on neural networks (multi-layer perceptron MLP)
for the retrieval of humidity profiles.
This is performed through a supervised  "training" of the network using a set of
examples: brightness temperatures as inputs and associated humidity profiles as
outputs. The training bases are developed for each instrument by coupling a
forward radiative transfer model and a climatological database ("TIGR" database
at the LMD).
In this process we have been brought to estimate and improve the forward model
capabilities: we have implemented a recently developed and published emissivity
model over sea (UK MetOffice).
We have shown that a priori information (auxiliary data) is a useful tool
for the regularization of the inverse problem and also improve the results.
Evaluation and validation with radiosondes or independent algorithms
(NOAA/NESDID/MSPPS) are presented.
Concerning rainfall estimates from AMSU, we have done a validation of the neural
net algorithm developed at the MIT over geophysical situations unknown to it
(outside the training database built with Nexrad radars in the US). We focused
on the Baltic region with Baltrad composites: the imagery differences are
satisfactory, the quantitative comparisons are more difficult and in particular
we have found overestimation of rain rate estimates for summer cases and
underestimation for winter cases.
Recherche