Demi-journée du thème "Systèmes solaires" : retour sur Vénus

29/11/2022 13:30

Climat et Impacts

23/11/2022 09:00

Webinales de la plateforme PRAMMICS de l'OSU-EFLUVE : présentation du pôle inorganique (4e édition)

22/11/2022 10:30

Modèles de calcul rapide des propriétés radiatives des gaz

24/02/2022 10:30

Modèles de bandes pour l’absorption gazeuse : des k-moments aux c-distributions

https://www.ipsl.fr/seminaire/seminaire-de-nuria-catalan-lsce-ipsl/

22/02/2022 11:00

Second séminaire de Nuria Catalan en présentiel.

Gender & Science AIL group: Challenges & achievements to foster women in freshwater sciences

21/02/2022 11:00

Premier séminaire de Nuria Catalan en présentiel.

Couplage océan-atmosphère en Atlantique Tropical Nord-Est et impact sur les précipitations au Sénégal

22/03/2024 11:00

Dans le cadre de ma thèse, j’ai montré que le couplage océan-atmosphère dans la région de l’Atlantique Tropical Nord-Est (ATNE) influence significativement les précipitations au Sénégal.

Une analyse menée sur 40 ans de données mensuelles suggère l’existence du mécanisme régional suivant entre juillet et septembre : un ralentissement (resp. renforcement) des alizés de nord-est entraîne une anomalie chaude (froide) de la SST en ATNE, qui influence à son tour les précipitations au Sénégal via un ajustement géostrophique du jet d’ouest de basse couche, renforçant (affaiblissant) le transport d’humidité vers le continent.

Ce mécanisme, confirmé à une échelle plus fine avec des données journalières, constitue une rétroaction négative entre la SST et le vent de surface en ATNE qui influence potentiellement la variabilité intra-saisonnière à interannuelle des précipitations au Sénégal.

 

---

The research presented here demonstrates that ocean-atmosphere coupling in the Northeast Tropical Atlantic (NETA) region significantly influences precipitation in Senegal.

An analysis conducted over 40 years of monthly data suggests the existence of the following regional mechanism between July and September: a slowdown (resp. strengthening) of the northeast trade winds leads to a warm (cold) sea surface temperature (SST) anomaly in NETA, which, in turn, influences precipitation in Senegal through a geostrophic adjustment of the low-level westerly jet, reinforcing (weakening) the moisture transport towards the continent.

This mechanism, confirmed on a finer scale with daily data, constitutes a negative feedback between SST and surface wind in NETA that potentially influences intra-seasonal to interannual variability in precipitation in Senegal.

Modélisation lagrangienne de la dispersion de polluants gazeux/particulaires dans des écoulements atmosphériques stables, neutres et instables

15/03/2024 13:00

Cette thèse se concentre sur la simulation de dispersion de polluants dans des écoulements atmosphériques en utilisant des méthodes lagrangiennes stochastiques et plus précisément des méthodes hybrides moment/PDF.

Un fort intérêt a été porté à l’analyse numérique des méthodes stochastiques particules/maillage. D’une part, il en a résulté le développement d’un algorithme permettant, au sein de chaque itération, la mise à jour dynamique des champs porteurs moyens associés à chaque particule. D’autre part, une analyse poussée du traitement des écoulements pariétaux à haut Reynolds a été conduite. Ces deux études ont fait l’objet d’articles scientifiques acceptés dans un journal international et qui sont disponible en pièce jointe.

Enfin, un dernier volet a été la prise en compte des effets de stratifications thermiques qui jouent également un rôle primordial dans la dynamique des écoulements atmosphériques. A cette fin, dans le cadre de la théorie de Monin-Obukhov, une méthode permettant l’estimation de fonctions universelles pour les grandeurs moyennes et turbulentes a été proposée de façon à ce que ses fonctions soient consistantes avec le choix de modélisation considérée.

Improved observation of the global water cycle with satellite remote sensing and neural network modeling

12/01/2024 14:00

La télédétection satellite est couramment utilisée pour suivre le cycle de l’eau depuis les bassins fluviaux jusqu’à l’échelle planétaire. Pourtant, il est difficile d’obtenir un bilan d’eau à l’équilibre en utilisant ces données de télédétection, ce qui met en évidence les erreurs et incertitudes liées aux données d’observation de la Terre.

Ce travail de thèse vise à améliorer les estimations des précipitations, de l’évapotranspiration, du débit des rivières et du changement du contenu total en eau à l’échelle planétaire en utilisant une combinaison de méthodes analytiques (interpolation optimale, OI) et de méthodes de modélisation statistique, en particulier les réseaux neuronaux (NN).

Ces modèles ont été entraînés sur un ensemble de 1358 bassins fluviaux, validés sur un ensemble indépendant de 340 bassins et évalués avec des mesures in situ pour la précipitations, l’évapotranspiration et le débit des rivières. Les modèles sont ensuite utilisés pour faire des prévisions à l’échelle du pixel à la résolution de 0,5° pour une couverture quasi globale.

Les ensembles de données ainsi corrigés améliorent le bilan d’eau pour les bassins de validation : la moyenne et l’écart-type du résidu sont de 11 ± 44 mm/mois pour les données non corrigées et de 0,03 ± 24 mm/mois après calibration par les modèles NN.

En outre, cette approche nous permet de faire des estimations plus précises des composantes manquantes du cycle de l’eau, par exemple pour estimer l’évapotranspiration dans les zones non instrumentées, ou pour prédire le débit des rivières dans des bassins non jaugés.

Les résultats peuvent également indiquer aux producteurs de données là où leurs produits semblent incohérents par rapport à d’autres produits et où un étalonnage plus poussé pourrait apporter des améliorations.

Enfin, cette recherche montre le fort potentiel de l’utilisation des réseaux neuronaux et de l’apprentissage machine pour l’intégration des données satellites et l’étude du cycle de l’eau.

 

---

Abstract

Satellite remote sensing is commonly used to observe the hydrologic cycle at spatial scales ranging from river basins to the globe. Yet, it remains difficult to obtain a balanced water budget using remote sensing data, which highlights the errors and uncertainties in earth observation (EO) data.

This research aimed to improve estimates of precipitation, evapotranspiration, runoff, and total water storage change at the global scale using a combination of analytical methods (optimal interpolation, OI) and statistical modeling methods including neural networks (NN).

Models were trained on a set of 1,358 river basins and validated them on an independent set of 340 basins and in-situ observations of precipitation, evapotranspiration, and river discharge. The models are extended to make pixel-scale predictions in 0.5° grid cells for near-global coverage. Calibrated datasets result in lower water budget residuals in validation basins: the mean and standard deviation of the imbalance is 11 ± 44 mm/mo when calculated with uncorrected EO data and 0.03 ± 24 mm/mo after calibration by the NN models. The results allow us to make more accurate estimates of missing water cycle components, for example to estimate evapotranspiration in un-instrumented areas, or to predict discharge in ungaged basins.

The results can also indicate to data producers where their products seem incoherent with other datasets and where enhanced calibration could lead to improvements. Finally, this research demonstrates the use of neural networks and machine learning for the integration of satellite data and for the study of the water cycle.