Analyse par télédétection de phénomènes dynamiques à petite échelle dans la couche limite atmosphérique

Remote sensing analysis of small scale dynamic phenomena in the Atmospheric Boundary Layer

• Auteur / Autrice : Ioannis Cheliotis
• Direction : Hervé Delbarre
• Type : Thèse de doctorat
• Discipline(s) : Physique, milieux dilués et optique fondamentale
• Date : Soutenance le 17/02/2021
• Etablissement(s) : Littoral
• Ecole(s) doctorale(s) : École doctorale Sciences, technologie et santé (Amiens)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de physico-chimie de l'atmosphère (Dunkerque, Nord) - Laboratoire de Physico-Chimie de l'Atmosphère
• Partenaire(s) de recherche : Région : Hauts-de-France. Conseil régional
• Jury : Président / Présidente : Philippe Dubuisson
• Jury : Examinateurs / Examinatrices : Fabienne Lohou, Richard Wilson, Elsa Dieudonné, Gilles Roussel
• Jury : Rapporteurs / Rapporteuses : Fabienne Lohou, Richard Wilson

Mots clés

Mots clés contrôlés

Couche limite (météorologie)

Météorologie

Atmosphère

Troposphère

Mots clés libres

Turbulence atmosphérique

Structures cohérentes

Météorologie de la couche limite

Analyse de texture

Apprentissage supervisé

Classification d’images

Atmospheric turbulence

Coherent structures

Boundary layer meteorology

Texture analysis

Supervised machine learning

Image classification

Résumé

Le but de ce projet de thèse était d’étudier les structures turbulentes cohérentes (rouleaux de convection et traînées) et plus généralement les fluctuations de taille moyenne à grande dans la couche limite atmosphérique en utilisant les observations recueillies par un unique lidar Doppler (lidar vent) pendant une campagne de deux mois à Paris (France). Une méthode innovante a été développée pour classer de façon automatisée les motifs visibles sur les balayages quasi-horizontaux du lidar, basée sur des paramètres de texture et des algorithmes d’apprentissage supervisé. Un ensemble d’entrainement de 150 cas a été construit en utilisant des informations auxiliaires (images satellite, observations météorologiques) pour vérifier la classification établie manuellement entre quatre types : rouleaux, thermiques, trainées et « autres ». La performance du processus de classification a été évaluée par la méthode de validation croisée à 10 blocs. Une erreur très satisfaisante de 9% a été obtenue avec un algorithme d’analyse discriminante quadratique et en utilisant seulement 5 paramètres de texture comme classificateurs. Ce processus a ensuite été appliqué à l’ensemble des données (4577 balayages lidar). Dans la classification obtenue, les type de structures suivent un cycle diurne plausible et sont associées avec les paramètres météorologiques d’une façon logique au regard des considérations théoriques. La taille des structures cohérentes dans la direction perpendiculaire au vent dominant a été estimée en utilisant les spectres du vent pour un cas d’étude de quatre jours. Elle allait de 400 à 800 m pour les cas classés comme traînées, et de 1,3 à 2,0 km pour cas classés comme rouleaux. Ces résultats ouvrent la voie à de futures études de long terme qui fourniront une vision statistique de la fréquence d’occurrence des différents types de structures, de leurs propriétés et de leur impact sur les concentrations de polluants.

The aim of this thesis project was to study the coherent turbulent structures (convective rolls & streaks) and more generally the medium to large fluctuations in the atmospheric boundary layer using the observations recorded by a single Doppler (wind) lidar during a 2-month campaign in Paris, France. An innovative method was developed in order to classify automatically the radial wind speed patterns visible on the quasi-horizontal lidar scans, based on texture analysis parameters and supervised machine learning algorithms. A 150-case training ensemble was built using ancillary data (satellite pictures and weather observations) to ascertain the manual classification into four types: rolls, thermals, streaks and “others”. The performance of the classification process was assessed on the training ensemble using the 10-fold cross-validation method. A very satisfying 9% error was obtained for the Quadratic Discriminant Analysis algorithm, using only 5 texture analysis parameters classifiers. This process was then applied to classify the whole dataset (4577 lidar scans) and the results showed that the classified structures respected a plausible diurnal cycle and were associated with the meteorological parameters as expected by the theoretical knowledge. The size of the coherent structures in the direction transverse to the mean wind were estimated from the wind spectrums on a four-day case study. They ranged from 400 to 800 m for the cases classified as streaks, and from 1.3 to 2.0 km for the cases classified as rolls. These results pave the way for future long-term studies providing statistical insight on the frequency of occurrence of the different structure types, their physical properties, and their impact on pollutants’ concentrations.