Atelier national sur les nuages polaires

24/06/2025 09:00

SIRTA / ICEO : Journée Scientifique 2025

24/06/2025 09:00

Evénement de clôture projet FAIR-EASE

12/06/2025 09:00

Climat, notebook et données SIRTA

22/11/2023 14:00

Dans le cours « Hydrologie et ressources en eau » de l’École Polytechnique, nous sommes passés pour les travaux pratiques à des Jupyther Notebook. Ils permettent d’illustrer pour les étudiants un certain nombre de notions du climat et de l’hydrologie.

Sortir de notre impuissance

21/11/2023 17:00

Séminaire du cycle « Partager & Agir »

COP28 : Is this COP held in Dubai doomed to be a failure ?

21/11/2023 11:00

Séminaire du LOCEAN.

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.

Les cycles de Titan avec un Modèle de Climat Global. Des observations de Cassini à l’exploration de Dragonfly

01/10/2024 14:00

L’atmosphère de Titan possède l’une des chimies les plus complexes du système solaire. Ses principaux composés – l’azote et le méthane – sont dissociés à haute altitude, produisant un ensemble de molécules
complexes qui génère une couche de brume photochimique enveloppant intégralement Titan. En outre, Titan possède un cycle du méthane similaire au cycle hydrologique établi sur Terre (évaporation, condensation, précipitations). La brume, le méthane, et les nuages sont soumis à des cycles couplés dont les mécanismes ne sont pas encore complètement compris. La mission Cassini-Huygens (2004-2017) a révélé un système climatique complexe et des structures de surface variées sur Titan. Les instruments ont suivi le basculement de la circulation atmosphérique à l’équinoxe et ses effets sur le climat. Aussi, les mesures in situ ont déterminé un rapport de mélange du méthane de 1,4 % au-dessus de la tropopause, augmentant jusqu’à 5,5 % à 5 km, et restant constant jusqu’au sol. Une nouvelle mission de la NASA, Dragonfly, prévue pour 2028, devrait poser un drone sur Titan en 2034 pour étudier en détail la région équatoriale.

Cette thèse s’inscrit dans la continuité des recherches précédentes sur le climat de Titan et se concentre sur la caractérisation du cycle du méthane dans la troposphère, en utilisant un Modèle de Climat Global (GCM) adapté à Titan. Le méthane contrôle le climat de Titan, entre autres par le biais du transfert radiatif ou de la formation des brumes et des nuages, et conditionne l’environnement de la région où se dérouleront les observations de la mission Dragonfly. Il est donc fondamental pour les recherches futures sur Titan de comprendre le cycle du méthane dans l’atmosphère (sources, puits, et flux).

La première partie de cette thèse se concentre sur le développement du GCM de Titan, développé depuis les années 1990 au Laboratoire de Météorologie Dynamique, et renommé Modèle de Climat Planétaire de Titan (PCM de Titan) au cours de cette thèse. Un nouveau modèle microphysique de nuages adapté à Titan y a été intégré. Il prend en compte les phénomènes de nucléation et de condensation des espèces chimiques présentes dans l’atmosphère de Titan. De plus, des processus d’interaction entre la surface et l’atmosphère ont été ajoutés, permettant de traiter les échanges entre les différents réservoirs. Cela permet de déterminer les flux des différentes phases du méthane (solide, liquide, gaz), qui contrôlent le cycle du méthane dans la troposphère, et d’interpréter les structures observées (distribution et composition des lacs, nuages et précipitations). Ce modèle est également capable de fournir des prédictions climatiques pour la saison et la région ciblées par la mission Dragonfly.

Après les développements microphysiques et l’intégration des processus
liés au cycle du méthane, la seconde partie de cette étude exploite les résultats du modèle pour analyser les processus saisonniers de l’atmosphère de Titan. Le modèle peut désormais prédire la cartographie des brumes et des nuages dans l’atmosphère, ainsi que caractériser ces nuages en termes d’opacité, de taille des gouttes et de composition. Nous sommes capables d’expliquer les flux de méthane, ses sources (évaporation à la surface), ses puits (précipitations), ainsi que les bilans nets.

 

Ce travail a démontré que la troposphère de Titan est dominée par l’interaction complexe entre le méthane, les espèces photochimiques, les nuages, le brouillard de condensats, et les réservoirs liquides à la surface. Dans la stratosphère, le climat est principalement dominé par la brume et par une forte rétroaction avec la circulation atmosphérique. L’organisation des cycles climatiques sur Titan a également été étudiée. Une analyse des processus saisonniers, en particulier aux pôles, a également été effectuée, et a permis d’expliquer la structure thermique de l’atmosphère au pôle d’hiver, initiant la formation de nuages de HCN à très haute altitude (> 250 km).

Modélisation numérique multi-échelle de la qualité de l’air pour le milieu urbain

04/10/2024 13:30

La pollution atmosphérique représente un risque environnemental et sanitaire majeur, notamment en milieu urbain, où de nombreuses personnes vivent à proximité de sources de pollution telles que le trafic routier. La distribution spatiale du trafic et la morphologie spécifique des rues influencent fortement les niveaux de concentration locaux, avec des configurations où les polluants tels que les particules et le dioxyde d’azote (NO₂) peuvent s’accumuler en raison d’une dispersion limitée. Le temps de résidence atmosphérique de ces polluants rend également significative la contribution des sources plus éloignées. La concentration locale étant influencée à la fois par la pollution de fond et les sources locales, une modélisation à ces différentes échelles est nécessaire afin de comprendre au mieux les échanges complexes de pollution en milieu urbain. Les simulations numériques réalisées dans le cadre de cette thèse intègrent une modélisation météorologique avec le modèle WRF, l’estimation des concentrations régionales à l’aide du modèle de chimie-transport eulérien 3D CHIMERE, l’évaluation des concentrations locales par le biais du modèle de réseau de rue MUNICH, et enfin, la représentation de la formation des composés secondaires avec le module chimique SSH-aerosol couplé au schéma gazeux MELCHIOR2.

La mise en place de données précises d’occupation des sols s’est avérée cruciale dans les simulations météorologiques effectuées en milieu urbain. La distinction de plusieurs types de tissus urbains et une représentation affinée de la densité urbaine dans le domaine régional étudié permet une modulation appropriée des flux de chaleur anthropique. Une augmentation du flux de chaleur anthropique par un facteur 3 entraîne en moyenne une diminution de 19% des concentrations d’oxydes d’azote (NOx) dans les rues.

Deux méthodes capables d’estimer les concentrations à l’échelle locale ont été comparées : MUNICH et la méthode sous-maille intégrée à CHIMERE. Cette méthode consiste en une approche statistique capable de désagréger les émissions provenant de divers secteurs, notamment le trafic routier. Pour ce faire, des simulations ont été menées sur la période de février à mars 2014. Les polluants étudiés incluent les NOx, le NO2 et les particules fines. Les concentrations générées par la méthode statistique ne sont pas suffisamment précises sur les zones présentant une forte hétérogénéité urbaine. On note un biais de concentrations entre les deux approches pouvant atteindre 58% dans ces zones. MUNICH intègre mieux les hétérogénéités d’émissions et de morphologie dans ces contextes particuliers. La morphologie de la rue, information que connaît MUNICH contrairement à la méthode sous-maille, se révèle être un facteur moins influent que les émissions.

Afin d’approfondir la compréhension des échanges de flux de pollution entre les niveaux local et régional et d’affiner leur représentation, CHIMERE a été couplé de manière dynamique avec MUNICH. Par rapport au chaînage séquentiel mis en oeuvre précédemment, cela permet d’intégrer une influence du modèle local sur les concentrations de fond. Ce couplage prévient également la double présence des émissions qui sont utilisées à la fois dans le modèle régional et dans le modèle local, dans le cas séquentiel. Sur une période de simulation d’un mois (février 2014), les estimations du système couplé multi-échelle par rapport à celles du chaînage séquentiel montrent des performances très similaires à l’échelle régionale avec une très légère diminution des concentrations des NOx, NO₂ et PM2,5. À l’échelle locale, le couplage améliore légèrement les performances des estimations de NO₂, d’après les mesures disponibles. Tandis que les concentrations moyennes des NOx sont équivalentes à l’échelle de la ville avec les deux méthodes, on note une augmentation d’environ 5% des concentrations de NO, de 4% des concentrations de PM2,5, ainsi qu’une diminution d’environ 8,5% de NO₂ dans le cas du couplage.