Journée scientifique du groupe SAMA-IPSL

11/04/2022 08:45

Histoire de l'énergie et de la transition énergétique

29/03/2022 18:00

33e Journées Scientifiques de l’Environnement (JSE)

21/03/2022 18:30

The relation between atmospheric chemistry and transport, its application to reduce aviation's climate impact and the relation to the Paris Agreement

29/11/2023 11:00

Aviation emissions are not included in the Paris Agreement and it is legitimate to ask how much aviation can contribute to achieve overall climate targets. This requires a detailed analysis of aviation’s climate impact that results from CO2, NOx and aerosol emissions and contrail-cirrus effects.

La littératie scientifique sauvera-t-elle le monde ?

28/11/2023 17:00

Séminaire du cycle « Partager & Agir »

There is no such thing as natural disaster – Risques et sociétés à l’ère des changements environnementaux globaux

28/11/2023 11:00

Séminaire du département de Géosciences de l’ENS-PSL

Détection des évènements exceptionnels à partir des observation IASI

14/12/2022 10:00

Les instruments IASI (Interféromètre Atmosphérique de Sondage dans l’Infrarouge) à bord des satellites Metop-A, -B et -C mesurent le rayonnement infrarouge (IR) émis par le système Terre-atmosphère depuis 2006. Chaque jour plusieurs millions de spectres sont enregistrés par IASI, ce qui constitue un volume important de données. Une des problématiques inhérentes à cette quantité de données réside dans la recherche d’évènements extrêmes. En effet, il est possible d’observer des évènements extrêmes à partir des données chimiques de niveau 2 (L2), c’est-à-dire les concentrations de gaz mais l’inversion n’est généralement possible que pour des conditions de ciel clair. De plus il est difficile de rechercher ces évènements à partir des données L2 et de les caractériser en temps réel. Ce travail de thèse répond à la nécessité de mettre en place un algorithme de détection innovant et opérationnel afin de traiter directement les spectres de radiances (données de niveau 1 – L1C).

Une méthode optimisée pour la détection d’évènements extrêmes a été développée à partir de la méthode d’analyse en composantes principales (ACP ou en anglais PCA pour principal component analysis) sur les luminances IASI qui permet à la fois la compression des données mais aussi la réduction du bruit instrumental. Cette méthode repose sur la création d’une base d’apprentissage représentative de la variabilité atmosphérique permettant alors de conserver toute l’information lors de la compression/reconstruction des luminances IASI. Les évènements extrêmes sortant de la variabilité atmosphérique normale sont caractérisés par une mauvaise reconstruction. En prenant en compte les valeurs extrêmes issues de la mauvaise reconstruction des spectres IASI on peut alors étudier le signal atmosphérique anormal. Les données IASI L1C étant disponibles toutes les 3 minutes sous forme de granule, il est naturel d’appliquer la méthode directement sur les granules IASI pour permettre une détection en temps réel. De plus, la caractérisation des espèces traces absorbantes est réalisée à partir de différentes combinaisons de raies intenses ou de bandes d’absorption (appelés « indicateurs » spectraux) qui ont été définies à partir de simulations de transfert radiatif et de bases de données spectroscopiques. Cette méthode de détection, appelée IASI-PCA-GE (GE pour granule extrema), permet alors de détecter en quasi temps réel (NRT) les anomalies atmosphériques associées à des évènements extrêmes comme les feux, éruptions volcaniques ou les épisodes de pollution anthropique.

Une première partie de ce travail de thèse a consisté à analyser différents événements extrêmes passés et documentés pendant la période IASI. Ensuite la méthode IASI-PCA-GE a été appliquée aux données IASI pour plusieurs cas d’étude, et les résultats ont été comparés avec les données L2 existantes. Par ailleurs, une archive d’événements extrêmes d’éruptions volcaniques et d’épisodes de feux a été générée à partir des résultats de cette méthode qui a été appliquée à la série temporelle IASI-B complète (2013-2022). La méthode est capable de détecter la présence de nombreuses molécules et la comparaison avec les données L2 montre un bon accord entre les deux jeux de données. Cependant certaines limitations subsistent et sont discutées.

La méthode développée pendant cette thèse pourra par ailleurs être appliquée à des futures missions, telles que la mission IASI-NG/Metop-SG et la mission géostationnaire MTG-IRS dont les lancements sont prévus en 2024.

Amélioration de l'estimation de la distribution spatiale des aérosols atmosphériques à l'aide des observation satellitaires et de l'apprentissage automatique

12/12/2022 13:00

Les particules de matière en suspension dans l’air appelées aérosols atmosphériques sont connues pour leurs effets nocifs sur la santé et l’environnement en plus de la perturbation du système climatique. Afin de connaitre le cycle de vie des aérosols il faut étudier leurs origines, leurs réactivités, et leurs transports par le vent. Différentes méthodes plus ou moins précises existent pour estimer l’abondance des particules de matière. Les approches satellitaires fournissent classiquement des observations en 2D, c’est-à-dire la distribution horizontale ou en ligne de profils verticaux (transects). Les modèles de chimie-transport simulent la distribution 3D des particules, mais une grande incertitude est liée à ces simulations, surtout en régions qui manquent d’instruments de mesures in situ pour contraindre la modélisation.

L’objectif de ma thèse est d’améliorer les estimations existantes de la distribution spatiale des aérosols en exploitant les données satellitaires, les modèles de chimie-transport et l’apprentissage automatique. La première partie de mes travaux a permis le développement de la première méthode capable d’observer la distribution 3D des particules fines. L’algorithme appelé AEROS5P utilise les parties du spectre de réflectance terrestre visible et proche infrarouge mesuré par l’instrument satellitaire TROPOMI afin de déduire des profils d’extinction des aérosols. Ces deniers sont comparables avec des mesures indépendantes de haute résolution verticale issues de la télédétection active de lidar.

Dans une deuxième partie, j’ai développé une méthode combinant les avantages du modèle chimie-transport CHIMERE et des observations satellitaires de l’instrument MODIS pour réduire les biais des champs simulés de l’épaisseur optique des aérosols. Cette correction est appliquée a posteriori à l’aide de modèles d’apprentissage automatique supervisé. Les nouvelles estimations de l’épaisseur optique ont moins de biais et elles sont comparables aux mesures des stations d’observations au sols AERONET.

Prévisions météorologiques infra-saisonnières pour le secteur de l'énergie en Europe : évaluation quantitative, amélioration et application

12/12/2022 14:00

Dans le cadre de la transition énergétique, la part des énergies renouvelables dans le mix énergétique est de plus en plus importante, rendant le système électrique plus sensible aux conditions météorologiques. En conséquence, le secteur de l’énergie est continuellement à la recherche de prévisions les plus précises possibles des variables climatiques sur un ensemble d’échelles de temps. Les prévisions météorologiques déterministes à court et moyen terme (de quelques minutes à deux semaines maximum) sont fiables, et leur utilisation opérationnelle dans le secteur de l’énergie est donc bien établie. Cependant, sur des échelles de temps infra-saisonnières, c’est à dire au-delà de deux semaines et jusqu’à deux mois, les prévisions sont nécessairement probabilistes, et leur fiabilité reste limitée. Par conséquent, l’utilisation opérationnelle des prévisions infra-saisonnières dans le secteur de l’énergie en est encore à ses débuts.

Disposer d’informations précises sur la production d’énergie renouvelable et la consommation d’électricité attendues sur des échelles de temps infra-saisonnières peut apporter une vraie valeur ajoutée au secteur de l’énergie. De ce fait, l’objectif principal de cette thèse est d’évaluer en premier temps et d’améliorer ensuite les prévisions infra saisonnières par rapport à la climatologie, afin d’apporter des informations utiles et fiables au secteur de l’énergie. Nous nous concentrons dans ce travail sur la vitesse du vent à 100 m et la température à 2 m sur l’Europe.

Dans un premier temps, nous avons évalué les prévisions dynamiques infra-saisonnières en termes de vent et de température afin de quantifier leurs performances telles qu’elles sont fournies par le modèle de prévision. Nous avons montré que les prévisions de la température moyenne hebdomadaire sont plus fiables que la climatologie jusqu’à six semaines, et que celles de la vitesse du vent le sont jusqu’à trois semaines. Dans un deuxième temps, nous avons développé une technique de descente d’échelle statistique pour reconstruire des prévisions infra-saisonnières de la vitesse du vent et de la température en utilisant les prévisions de variables climatiques de grande échelle. Pour ce faire, nous avons utilisé des données historiques observées pour estimer la relation entre la circulation atmosphérique à grande échelle et nos variables d’intérêt. Nous avons appliqué par la suite cette relation sur les prévisions infra-saisonnières de la circulation à grande échelle, qui sont plus fiables que celles des variables de surface, pour en déduire des prévisions de nos variables d’intérêt. Cette méthode nous a permis de produire, à partir des prévisions infra-saisonnières de la circulation à grande échelle, un nouvel ensemble de prévisions statistiques de température et de vent. Nous avons démontré que l’ensemble dit « hybride » combinant à la fois les nouvelles prévisions statistiques et les prévisions dynamiques de nos variables d’intérêt est plus fiable que les prévisions dynamiques seules. Pour la dernière partie de la thèse, nous avons développé une étude de cas sur les épisodes de faible vent en Europe, en raison de leur importance pour le secteur de l’énergie. Nous nous sommes intéressés à l’épisode de vents faibles de juillet 2018 et les prévisions associées. Pour cet événement, ni les prévisions dynamiques ni les prévisions statistiques n’ont réussi à le prévoir et ce en raison de la difficulté que les modèles de prévisions météorologiques ont à prévoir correctement les situations de blocage très souvent à l’origine de ces faibles vents.