Soutenance

Nous avons mis au point une méthodologie qui nous a permis de développer un algorithme purement statistique de restitution des profils de vapeur d'eau à partir des observations fournies par les instruments SAPHIR et MADRAS du satellite Megha-Tropiques, et aussi de quantifier l'incertitude conditionnelle d'estimation. Trois modèles ont été optimisés pour l'estimation des profils sur 7 couches de la troposphère et de la fonction de distribution de la probabilité (pdf) de l'erreur conditionnelle sur chacune des couches. L'effort porté sur l'optimisation des modèles statistiques a permis de démontrer que la précision de la restitution est indépendante de l'approche et qu'elle est directement reliée aux contraintes physiques du problème posé. Ainsi, le maximum de précision est obtenu aux couches situées dans la moyenne troposphère  (biais maximum de 2,2%) tandis que la précision se dégrade aux extrêmes de la troposphère, ce qui est expliqué par le contenu en information des deux instruments. A partir de la densité de probabilité de l'erreur conditionnelle, des intervalles de confiance conditionnels de l'humidité ont été estimés. On observe sur les données synthétiques que l'hypothèse Gaussienne est plus performante. Cette méthode a été appliquée sur des données réelles et l'exploitation des ces données a révélé un comportement semblable aux données de l'apprentissage, avec une bonne performance (biais de -5,77% et coefficient de corrélation de 0,86) en moyenne troposphère et une dégradation aux extrêmes de la colonne atmosphérique.

Abstract:

We designed a methodology that allows us to develop a purely statistic water vapor profile restitution algorithm from Megha-Tropiques SAPHIR and MADRAS instruments with synthetic observations, and specially to quantify the restitution of conditional uncertainties. Three statistical models were optimized using this learning database to estimate seven layers tropospheric water vapor profiles and their conditional error probability density function (pdf). The optimized models lead us to conclude 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) 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 lack. 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 and results are consistent with the learning database with better accuracy (bias: -5.77%) at mid-tropospheric layers, degrading it to extreme layers.