L'eau atmosphérique antarctique : observation, processus et modélisation dans le cadre du projet AWACA

Antarctic atmospheric water: observation, processes and modelling as part of the AWACA project

• Auteur / Autrice : Justine Charrel
• Direction : Christophe Genthon, Jean-Baptiste Madeleine, Thomas Dubos
• Type : Projet de thèse
• Discipline(s) : Sciences du climat, de l'atmosphère et des océans, terrestres et planétaire
• Date : Inscription en doctorat le 01/11/2024
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale des sciences de l'environnement d'Île-de-France
• Partenaire(s) de recherche : Laboratoire : LMD - Laboratoire de Météorologie Dynamique
• Partenaire(s) de recherche : Equipe de recherche : EMC3

Mots clés

Mots clés libres

Antarctique

Eau atmosphérique

Observation météorologique

Modélisation climatique

Awaca

Paramétrisations physiques

Antarctica

Atmospheric water

Meteorological observation

Climate modeling

Awaca

Physical parameterizations

Résumé

Les données satellite de l'A-Train ont permis une avancée spectaculaire dans notre connaissance du cycle de l'eau atmosphérique au-dessus du continent Antarctique. Par ailleurs, les campagnes de terrain réalisées dans le cadre du projet ANR APRES3 et actuellement en déploiement dans le cadre du projet ERC AWACA permettent une compréhension du cycle de l'eau depuis le manteau neigeux jusqu'au sommet de la troposphère sur le transect français de la terre Adélie. Ces observations permettent de construire un bilan intégré du cycle de l'eau Antarctique en suivant l'eau sous ses différentes phases depuis les échanges à l'interface jusqu'à la dynamique de couche limite et le transport à grande échelle. Les grandeurs mesurées incluent par exemple les vents de proche surface, les paramètres de turbulence et la quantité de neige soufflée, l'humidité, l'isotopie de la vapeur et de la neige, l'abondance d'hydrométéores par radar et lidar et le taux de chute de neige par mesures radar. Ces mesures constituent une opportunité unique de comprendre les processus physiques à l'œuvre, notamment par modélisation avec LMDZ des environnements étudiés. Pour ce faire, le modèle est confronté aux observations par le biais de métriques. Ces métriques mesurent une « distance » entre le simulé et l'observé par le biais de diagnostics les plus efficaces et pertinents possibles. L'objectif de ce projet doctoral est de construire les meilleures métriques observationnelles pour le cycle de l'eau Antarctique en se reposant sur l'ensemble des données disponibles dans le cadre des projets APRES3 et AWACA ainsi que des données satellite de niveau 3 directement comparables aux modèles. Pour ce faire, le projet commencera par revisiter les données in-situ et radar satellite pour la précipitation neigeuse et par définir les métriques associées. Ces données seront utilisées pour évaluer la version de développement du modèle LMDZ, dont le schéma de conversion en précipitation est en réécriture. Après cette première phase, le projet s'intéressera aux métriques de dynamique de la couche limite en bas de la colonne atmosphérique grâce à l'instrumentation in situ, aux métriques nuageuses plus haut par l'emploi des données GOCCP et des données lidar/radar depuis la surface. Sur ce point cela passera par la construction de métriques satellites à l'échelle du continent Antarctique, mais aussi régionales sur le transect des campagnes d'observation. Le travail inclura ici la réalisation des simulations adaptées aux métriques définies et à leur échantillonnage temporel et spatial. La thèse aboutira à la définition d'une stratégie d'évaluation du cycle de l'eau des modèles climatiques dans cette région, notamment en incluant les métriques dans les chaînes de réglage par apprentissage machine du modèle opérationnel.

Satellite data from the A-Train have enabled a spectacular advance in our knowledge of the atmospheric water cycle over the Antarctic continent. In addition, field campaigns carried out as part of the ANR APRES3 project, and currently being deployed as part of the ERC AWACA project, have enabled us to understand the water cycle from the snow cover to the top of the troposphere on the French transect of Adélie Land. These observations enable us to build up an integrated balance sheet of the Antarctic water cycle by tracking water in its various phases, from exchange at the interface to boundary layer dynamics and large-scale transport. Quantities measured include near-surface winds, turbulence parameters and snow blow-off, humidity, vapour and snow isotopy, hydrometeor abundance by radar and lidar, and snowfall rate by radar. These measurements provide a unique opportunity to understand the physical processes at work, in particular through LMDZ modeling of the environments studied. To do this, the model is compared with observations using metrics. These metrics measure a “distance” between the simulated and the observed through the most efficient and relevant diagnostics possible. The aim of this PhD project is to build the best observational metrics for the Antarctic water cycle based on the data set available from the APRES3 and AWACA projects, as well as level 3 satellite data directly comparable with the models. To this end, the project will begin by revisiting in-situ and satellite radar data for snow precipitation and defining associated metrics. These data will be used to evaluate the development version of the LMDZ model, whose precipitation conversion scheme is currently being rewritten. After this first phase, the project will focus on boundary layer dynamics metrics at the bottom of the atmospheric column, using in situ instrumentation, and cloud metrics higher up, using GOCCP and lidar/radar data from the surface. This will involve the construction of satellite metrics on the scale of the Antarctic continent, but also regionally on the transect of the observation campaigns. The work will include simulations adapted to the defined metrics and their temporal and spatial sampling. The thesis will lead to the definition of a strategy for evaluating the water cycle of climate models in this region, in particular by including the metrics in the machine-learning tuning chains of the operational model.