La convection profonde joue un rôle central dans la redistribution de chaleur et d’humidité dans la troposphère, dans la circulation atmosphérique tropicale et dans le bilan radiatif terrestre global. Elle est à l’origine de phénomènes extrêmes tels que les orages violents, les pluies intenses ou les cyclones tropicaux, mais demeure difficile à observer et à représenter dans les modèles climatiques et de prévision du temps. En parallèle des campagnes de terrain et des observations au sol, la télédétection spatiale est devenue essentielle pour observer les systèmes convectifs à l’échelle globale avec une fréquence de revisite élevée. Celle-ci a permis de révéler leur morphologie et d’apporter des informations sur leur structure interne, mais la documentation de leur dynamique verticale reste limitée.

Dans ce contexte, la mission Convective Core Observation through MicrOwave Derivative in the trOpics (C²OMODO) vise à mieux comprendre les nuages convectifs et leurs processus de formation. Elle repose sur un tandem de radiomètres micro-ondes passifs observant successivement une même scène avec un décalage de 45 à 135s. Cette configuration originale permet d’exploiter les mesures et leurs variations temporelles pour restituer des informations microphysiques et dynamiques.

Les travaux de cette thèse visent à préparer l’exploitation de cette mission du CNES en développant des méthodes d’inversion de propriétés microphysiques et dynamiques à l’aide d’algorithmes d’apprentissage automatique et d’une approche variationnelle. Ils s’appuient sur des simulations de la convection tropicale couplées à un modèle de transfert radiatif. Ces travaux montrent que les observations présentent une sensibilité verticale suffisante pour distinguer différents niveaux d’altitude, qu’elles sont fortement influencées par la glace et sensibles à la nature des hydrométéores. L’introduction de la dimension temporelle relie directement les variations radiométriques rapides à l’évolution de la distribution de glace et offre un accès inédit aux propriétés dynamiques des systèmes convectifs.

Deux approches complémentaires ont été développées. L’apprentissage automatique a d’abord été utilisé pour classifier les différentes structures nuageuses des systèmes convectifs et restituer des variables géophysiques intégrées verticalement. En parallèle, une méthode variationnelle originale, VARAND², a été conçue pour exploiter directement les mesures du tandem et restituer des propriétés dynamiques verticalement résolues. L’algorithme, fondé sur un opérateur d’observation dynamique couplant transfert radiatif et advection verticale, restitue simultanément le profil de contenu en glace ainsi que des paramètres dynamiques décrivant les ascendances convectives. Les résultats de ces deux méthodes confirment le potentiel du tandem C²OMODO pour restituer conjointement des propriétés microphysiques et des indicateurs dynamiques de la convection profonde.

— English Version —

Deep convection plays a central role in the redistribution of heat and moisture in the troposphere, tropical atmospheric circulation, and the Earth’s global radiation budget. It is responsible for extreme phenomena such as severe thunderstorms, heavy rainfall, and tropical cyclones, yet it remains difficult to observe and represent in weather and climate models. Alongside field campaigns and ground-based observations, satellite remote sensing has become essential for observing these systems at the global scale with a high revisit frequency. It has revealed the morphology of convective systems and provided information on their internal structure, but documentation of their vertical dynamics remains limited.

In this context, the Convective Core Observation through MicrOwave Derivative in the trOpics (C²OMODO) mission aims to improve our understanding of convective clouds and their formation processes. It relies on a tandem of passive microwave radiometers that successively observe the same scene, separated by 45 to 135s. This novel configuration makes it possible to exploit the measurements and their temporal variations to retrieve microphysical and dynamical information.

This thesis aims to prepare the scientific exploitation of this CNES mission by developing inversion methods for microphysical and dynamical properties using machine-learning algorithms and a variational approach. It builds on simulations of tropical convection coupled with a radiative transfer model. The results show that the observations exhibit sufficient vertical sensitivity to distinguish different altitude levels, that they are strongly influenced by ice, and that they are sensitive to hydrometeor types. Introducing the temporal dimension directly links rapid radiometric variations to the evolution of the ice distribution and provides unprecedented access to the dynamical properties of convective systems.

Two complementary approaches have been developed. Machine learning was first used to classify cloud structures within convective systems and to retrieve vertically integrated geophysical variables such as IWP. In parallel, a novel variational method, VARAND², was designed to exploit the tandem measurements directly and to retrieve vertically resolved dynamical properties. The algorithm, based on a dynamic observation operator coupling radiative transfer and vertical advection, simultaneously retrieves the ice water content profile along with dynamical parameters describing convective updrafts. The results of these two methods confirm the potential of the C²OMODO tandem to jointly retrieve microphysical properties and dynamical indicators of deep convection.

Lieu
Amphi G. Mégie, OVSQ, Guyancourt

Visio
https://uvsq-fr.zoom.us/j/92672637289?pwd=07XrgITVGRR5uIapj5OZnY6mynAuXw.1

Composition du jury

• Céline CORNET (Rapportrice) – Professeure, Laboratoire d’Optique Atmosphérique, Université de Lille
• Jérôme VIDOT (Rapporteur) – Directeur de recherche, CNRM/Météo-France/CNRS
• Philippe CHAMBON (Examinateur) – Directeur de recherche, CNRM/Météo-France/CNRS
• Ziad HADDAD (Examinateur) – Directeur de recherche émérite, Jet Propulsion Laboratory

Encadrement

• Hélène Brogniez (Directrice de thèse) – Professeure, Laboratoire des Sciences du Climat et de l’Environnement, UVSQ
• Laura Hermozo (Co-directrice) – Ingénieure, CNES.
• Frédéric Chevallier (co-encadrant) – Ingénieur-chercheur, Laboratoire des Sciences du Climat et de l’Environnement, CEA.