Détection des évènements exceptionnels à partir des observations IASI

Detection of exceptional events from IASI observations

• Auteur / Autrice : Adrien Vu Van
• Direction : Cathy Clerbaux, Anne Boynard
• Type : Thèse de doctorat
• Discipline(s) : Instrumentation, télédétection, observation et techniques spatiales pour l'océan, l'atmosphère et le climat
• Date : Soutenance le 14/12/2022
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Sciences de l'environnement d'Île-de-France (Paris ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Atmosphères, observations spatiales (Guyancourt, Yvelines ; 2009-....)
• Jury : Président / Présidente : Solène Turquety
• Jury : Examinateurs / Examinatrices : Sophie Bauduin
• Jury : Rapporteurs / Rapporteuses : Vincent Guidard, Valérie Thouret

Mots clés

Mots clés contrôlés

Transfert radiatif

Atmosphère -- Recherche

Évènements climatiques extrêmes

Satellites artificiels en télédétection

Mots clés libres

Détection

IASI

Extrême

Évènements

Satellites

Observations

Detection

Extreme

Atmospheric

IASI

Satelites

Observations

Résumé

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 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 des plusieurs cas d’étude, et les résultats ont été comparés avec les données L2 existants. 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.

The IASI (Infrared Atmospheric Sounding Interferometer) instruments aboard the Metop-A, -B and -C satellites have been measuring the infrared radiation (IR) emitted by the Earth-atmosphere system since 2006. Every day, several million spectra are recorded by IASI, which constitutes a large volume of data. One of the problems inherent to this amount of data is the search for extreme events. Indeed, it is possible to observe extreme events from level 2 data (L2), i.e. gas concentrations, but the retrieval is generally only possible under clear sky conditions. Moreover, it is difficult to search for these events from L2 data and to characterize them in real time. This thesis work addresses the need to implement an innovative detection algorithm to directly process the radiance spectra (level 1 data – L1C). An optimized method for the detection of extreme events has been developed from PCA (Principal Component Analysis) on IASI radiances, which allows both the compression of the data but also the reduction of instrumental noise. This method relies on the creation of a training database representative of the atmospheric variability, allowing to keep all the information during the compression/reconstruction of IASI radiances. However, extreme events are outside the normal atmospheric variability and will be ill-reconstructed. By taking into account the extreme values resulting from the ill-reconstructed IASI spectra, we can study the anomalous atmospheric signal. In order to allow a systematic, automatic and accurate analysis allowing the detection and characterization of anomalies, the analysis is performed on sets of radiance spectra observed during 3 min time steps (IASI granule). In addition, the characterization of absorbing trace species is performed using different thresholds and fine spectral indicators defined from radiative transfer simulations and spectroscopic database. This method called IASI-PCA-GE (GE for granule extrema) allows then to detect and characterize in quasi real time the atmospheric anomalies associated with extreme events such as fires, volcanic eruptions or anthropic pollution episodes. A first part of this thesis work consisted in analyzing different past extreme events documented during the IASI period. Then the IASI-PCA-GE method was applied to IASI data for several study cases and the results were compared with existing L2 data. Furthermore, extreme event archives of volcanic eruptions and fire episodes were generated from the results of this method, which was applied to the complete IASI-B time series (2013-2022). The method is able to detect the presence of numerous molecules and the comparison with the L2 data shows a good agreement between the two datasets. However, some limitations remain and are discussed. The method developed during this thesis can also be applied to future missions, such as the IASI-NG/Metop-SG mission and the MTG-IRS geostationary mission, which are scheduled to be launched in 2024.