Les menaces qui pèsent sur l'océan (et sur nous)

10/07/2024 13:00

GIEC - Conclusions du 6e cycle et perspectives pour le 7e cycle avec Jim Skea

04/07/2024 11:00

Recherche vers le futur, cap sur 2074 !

29/06/2024 14:00

Intégration du climat et de l'eau dans les études de transition énergétique aux États-Unis

20/11/2024 14:00

Les systèmes électriques dépendent de plus en plus des énergies renouvelables et la prise en compte de la non-stationnarité des conditions aux frontières extrarégionales s’avère fondamentale. Nous avons démontré que la variabilité interannuelle de l’eau seule pouvait entraîner une variation des coûts d’exploitation du système de +/-10 %…

Managed aquifer recharge (MAR) to mitigate droughts

18/10/2024 13:00

Séminaire de l’UMR METIS-IPSL.

Changement Climatique et santé

11/10/2024 14:00

Nouvelle séance du séminaire « Changement Climatique : Sciences, Sociétés, Politique » co-organisé par le Centre Alexandre-Koyré (EHESS-CNRS) et l’ENS (CERES).

Changes in precipitation in the Mediterranean with climate change: between extreme rainfall and dry-days

14/10/2024 14:00

Climate change significantly impacts precipitation at global and regional scale, especially in the Mediterranean region, a climate change hotspot. Existing literature suggests a « water cycle paradox » in this region (decrease of mean precipitation but intensification of heavy precipitations) particularly in the Northern part of the Mediterranean, but this is not yet clear in observations.
This study investigates how the entire precipitation distribution in the Mediterranean has changed over the past and how it might evolve in the future. Using ERA5 reanalysis data (1950-2020) and Euro-CORDEX simulations (1950-2100), the study analyzes temporal trends in precipitation quantiles. We firsy study wet-days (days with more than 1 mm/day) in the past distributions, then look at how changes in dry-day frequency influence the all-days distribution. The study identifies four distinct precipitation regimes: a « U-shape » quantile trend curve (decreasing low to medium quantiles but intensifying extremes), a reversed « U-shape », and two regimes where all quantiles either consistently increase or decrease. Using a Weibull model for the wet-days distribution, the study further determines these four regimes thanks to two parameters. We find regional differences, with a significant intensification in Europe, while in the Mediterranean, changes in precipitation are actually dominated by the increase of dry-days frequency.
Future projections under the RCP5.8 scenario (high emissions) suggest robust trends, with a sharp increase in the frequency of dry-days across the Mediterranean, contrasting with a decline in dry-days and an intensification of wet-days in Northern Europe. The time of emergence of these trends is faster in Northern Europe than in the Mediterranean. This study underlines the essential role of dry-day frequency in the evolution of the precipitation distribution in the Mediterranean.

Estimation des émissions de méthane des zones humides à l’échelle mondiale à partir de la télédétection : variabilités à long terme et interannuelles

03/10/2024 14:00

Le méthane (CH₄) est un gaz à effet puissant, responsable d’un tiers du forçage radiatif actuel. Les zones humides et les eaux de surface libre sont des contributrices importantes des émissions mondiales de CH₄ (25-51 %), mais leur contribution totale et leurs variations saisonnières et interannuelles sont incertaines.

Cette thèse a permis de développer des outils pour étudier les émissions de CH₄ des zones humides à l’échelle mondiale. Le jeu de données GIEMS-Methane Centric (GIEMS-MC), basé sur des observations satellitaires, a été créé pour fournir des cartes dynamiques des surfaces émettrices de CH₄.

Un modèle simplifié d’émissions mondiales, SatWetCH₄, a été développé pour estimer les variations temporelles des émissions de CH₄, révélant une tendance modélisée positive globale d’environ +0.4% par an sur 1992-2020. Ces nouveaux outils et méthodes ouvrent des perspectives pour des études futures sur le cycle du CH₄ à l’échelle planétaire.

Apprentissage profond non-supervisé pour l'analyse de séries chronologiques d'observations spatiales : Application aux données GPM

27/09/2024 14:00

Résumé

Le cycle de l’eau joue un rôle essentiel pour toute vie sur Terre. L’observation et la quantification de ses divers composants sous la pression du changement climatique sont devenues de plus en plus importantes pour la société et la science.

Les réponses de chaque composante du cycle de l’eau au réchauffement climatique diffèrent fortement d’une région à l’autre. Par exemple, certaines régions ont connu une augmentation des précipitations, tandis que d’autres ont connu une diminution. Il est donc nécessaire d’observer le cycle de l’eau à l’échelle globale.

La télédétection a accumulé une grande quantité de données d’observation spatiale. Concernant les précipitations, la mission Global Precipitation Measurement (GPM) (2014-présent) offre une constellation de satellites équipés de radiomètres micro-ondes, ce qui permet d’obtenir une vaste base de données de température de brillance (TB). Les TB contiennent des informations implicites sur plusieurs variables géophysiques importantes, notamment l’intensité de la pluie, la vapeur d’eau, la température de surface de la mer (SST), la neige et le contenu en eau liquide et glacé dans les nuages.

Notre présente étude utilise le radiomètre (GMI) du GPM Core Observatory, qui est le satellite de référence pour unifier les satellites de la constellation. En considérant les mesures de TB comme des images non conventionnelles, nous proposons une nouvelle méthode pour observer le cycle de l’eau à partir de ces mesures. La segmentation sémantique non-supervisée est appliquée aux données GMI pour extraire des informations sans l’aide d’une annotation ou de données auxiliaires. L’avantage d’une telle approche est qu’elle peut être appliquée à n’importe quel radiomètre de la constellation. Elle est également exempte des incertitudes liées aux données auxiliaires. Des modèles de segmentation non-supervisés de différentes complexité sont explorés. Nous avons testé des approches qui s’appuient sur des réseaux entièrement convolutifs (FCN) pour extraire des cartes de caractéristiques à partir de l’entrée.

Dans cette optique, nous avons utilisé dans un premier temps un modèle FCN relativement simple composé de quelques couches de convolution 2D. Dans un second temps, afin d’augmenter la complexité du module d’extraction de caractéristiques, nous l’avons remplacé par un réseau de type U-Net. Un modèle FCN basé sur une architecture de type auto encodeur avec un mécanisme d’attention a également été développé. Enfin, une approche par pixel de type k-moyenne a été testée. Pour comparer les performances de ces différents modèles, nous proposons une évaluation externe où les variables géophysiques pertinentes sont utilisées pour le calcul des métriques de segmentation. D’abord, les classes sont attribuées aux variables géophysiques. Ensuite, en convertissant ces variables quantitatives (précipitation et SST) en catégories, elles peuvent être comparées à la segmentation à l’aide de déférentes métriques. Dans l’apprentissage non-supervisé, il est essentiel que chaque classe obtenue représente une variable géophysique ainsi que ses caractéristiques. Les classes de pluie identifiées montrent la variabilité intra-annuelles des précipitations régionales. La segmentation préserve également les structures de précipitations telles que les cyclones. À plus grande échelle, les classes de pluie montrent les zones de convergence intertropicale (ITCZ), tandis que les classes sur les océans peuvent représenter la saisonnalité de la SST. Ces résultats montrent que la segmentation non-supervisée est un outil potentiel pour extraire des informations sur le cycle de l’eau à partir des bases de données d’observation spatiales. Ainsi, l’évolution des classes de segmentation, sur des données multi-décennales, pourrait contenir des informations importantes sur les modifications du cycle de l’eau.

 

---

Abstract

The water cycle has a significant role in all life on Earth. Observing and quantifying its various components under the effects of climate change has become increasingly important to society and to advancing scientific knowledge. Responses of each component of the water cycle to the warming climate differ highly from one region to another. For instance, some regions have seen an increase in precipitation, while some have experienced a decrease. Consequently, there is an urgent need for global observation of the water cycle. Remote sensing has amassed an unprecedented amount of global observation data. Regarding precipitation, the Global Precipitation Measurement (GPM) mission (2014-present) offers a constellation of satellites with microwave radiometers operating at a similar range of frequency, resulting in a large microwave brightness temperature (TB) dataset from different instruments. The TB contains implicit information on several important geophysical variables, including rain intensity, atmospheric water vapor, sea surface temperature (SST), snowfall, and cloud liquid water.

This study experiments on the TB measurement from the GPM Microwave Imager (GMI) of the Core Observatory, which is the reference satellite for unifying the observations of the constellation. We propose a novel method for observing the water cycle from TB measurements by considering them as unconventional images. Unsupervised semantic segmentation is applied to GMI data to extract information without the help of any labeling or ancillary data. Consequently, an unsupervised approach can be applied to any microwave radiometers. It is also excluded from the uncertainties involved in obtaining the ancillary data. Unsupervised segmentation models of different levels of complexity are explored in this study.

The non-pixel-wise approaches rely on fully convolutional networks (FCN) to extract feature maps from the input. The simplest FCN-based model consists of several convolutional layers as its feature extractor. To increase the complexity, we deepen the network by using U-Net as a feature extractor. The final FCN model comprises an encoder-decoder network with an attention mechanism. Lastly, the pixel-wise approach K-means is tested. To compare the performance of the models, this study proposes an external evaluation where relevant geophysical variables are used for the calculation of segmentation metrics. First, the classes are attributed to geophysical variables.

Only classes representing precipitation and SST are used for further analysis. By converting these quantitative measurements to categorical data, they can be compared to the segmentation using traditional metrics, such as accuracy, precision, recall, and F1-score. One of the main challenges in the unsupervised approach is the validation of the resulting segmentation. Without any supervision, it is crucial that each class obtained from the segmentation represents geophysical variables and exhibits their characteristics. Identified rain classes are shown to be able to follow intra-annual regional precipitation patterns. The segmentation also preserves precipitation structures such as cyclones. On a larger scale, the rain classes show the Inter-tropical Convergence Zones (ITCZ), while the ocean classes can represent the seasonality of SST. The result of this study shows that unsupervised image segmentation is a potential tool for extracting information about the water cycle from a large dataset of remote sensing observations. On a multi-decadal TB dataset, the evolution of segmentation classes might hold important information about the changes in the water cycle.