Javascript must be enabled to continue!
Etude des effets des hétérogénéités spatiales tridimensionnelles des nuages sur les observables lidar et radar embarqués sur plateforme satellite
View through CrossRef
Les nuages montrent des variabilités tridimensionnelles complexes (3D) dans leurs propriétés géométriques, optiques et microphysiques horizontales et verticales. Généralement et pour des raisons pratiques, les nuages sont supposés être homogènes et parallèles dans les algorithmes de calcul du signal lidar/radar (problème direct) et dans les algorithmes de récupération des propriétés des nuages (problème inverse). L'objectif de ce travail est d'évaluer les effets de l'hétérogénéité des nuages et de la diffusion multiple sur des caractéristiques mesurées directement par le lidar/radar, nous ne traitons que les sources d'erreurs liées au problème direct. Nos évaluations sont basées sur l'échantillonnage aléatoire et sur la comparaison entre les profils moyens des nuages 3D et des nuages 1D équivalents plan-parallèles. Nous avons développé et validé un outil à cet effet. Le simulateur lidar/radar/radar Doppler (McRALI). Il est basé sur le modèle 3DMCPOL (Cornet et al., 2010). Les nuages 3D utilisés sont générés par le générateur de champs de nuages 3D (3DCLOUD_V2) (Szczap et al., 2014). Les comparaisons avec des publications et des codes de référence, ont montré de bonnes cohérences entre le code McRALI et les résultats publiés. On a étudié les effets de l'hétérogénéité 3D des nuages sur trois échelles 333 m, 1 km et 5 km. Les résultats obtenus ont montré que les biais sur le coefficient de rétrodiffusion β, sur le coefficient de rétrodiffusion intégré γ et sur le facteur de dépolarisation δ augmentent avec l’augmentation de l’échelle et l’épaisseur optique. L’étude sur un nuage de type cirrus de cristaux de glace plaquette ont montré que les profils moyens de β ainsi que de γ sont statistiquement égaux à l’échelle de 333 m. Au contraire, à l’échelle de 1 km les biais sont statistiquement significatifs. Le biais sur δ est statistiquement significatif pour les deux échelles. Les tests sur les mesures de radar CPR Doppler EarthCARE ont montré qu’il y a un écart sur la vitesse Doppler mesuré proche de la discontinuité dans un nuage discontinu, cet écart dépond le degré de la discontinuité, les propriétés optiques et géométriques du nuage et la géométrie du système radar. Ce travail contribue à une meilleure compréhension des effets de l'hétérogénéité des nuages sur les caractéristiques mesurées directement par le lidar / radar.
Title: Etude des effets des hétérogénéités spatiales tridimensionnelles des nuages sur les observables lidar et radar embarqués sur plateforme satellite
Description:
Les nuages montrent des variabilités tridimensionnelles complexes (3D) dans leurs propriétés géométriques, optiques et microphysiques horizontales et verticales.
Généralement et pour des raisons pratiques, les nuages sont supposés être homogènes et parallèles dans les algorithmes de calcul du signal lidar/radar (problème direct) et dans les algorithmes de récupération des propriétés des nuages (problème inverse).
L'objectif de ce travail est d'évaluer les effets de l'hétérogénéité des nuages et de la diffusion multiple sur des caractéristiques mesurées directement par le lidar/radar, nous ne traitons que les sources d'erreurs liées au problème direct.
Nos évaluations sont basées sur l'échantillonnage aléatoire et sur la comparaison entre les profils moyens des nuages 3D et des nuages 1D équivalents plan-parallèles.
Nous avons développé et validé un outil à cet effet.
Le simulateur lidar/radar/radar Doppler (McRALI).
Il est basé sur le modèle 3DMCPOL (Cornet et al.
, 2010).
Les nuages 3D utilisés sont générés par le générateur de champs de nuages 3D (3DCLOUD_V2) (Szczap et al.
, 2014).
Les comparaisons avec des publications et des codes de référence, ont montré de bonnes cohérences entre le code McRALI et les résultats publiés.
On a étudié les effets de l'hétérogénéité 3D des nuages sur trois échelles 333 m, 1 km et 5 km.
Les résultats obtenus ont montré que les biais sur le coefficient de rétrodiffusion β, sur le coefficient de rétrodiffusion intégré γ et sur le facteur de dépolarisation δ augmentent avec l’augmentation de l’échelle et l’épaisseur optique.
L’étude sur un nuage de type cirrus de cristaux de glace plaquette ont montré que les profils moyens de β ainsi que de γ sont statistiquement égaux à l’échelle de 333 m.
Au contraire, à l’échelle de 1 km les biais sont statistiquement significatifs.
Le biais sur δ est statistiquement significatif pour les deux échelles.
Les tests sur les mesures de radar CPR Doppler EarthCARE ont montré qu’il y a un écart sur la vitesse Doppler mesuré proche de la discontinuité dans un nuage discontinu, cet écart dépond le degré de la discontinuité, les propriétés optiques et géométriques du nuage et la géométrie du système radar.
Ce travail contribue à une meilleure compréhension des effets de l'hétérogénéité des nuages sur les caractéristiques mesurées directement par le lidar / radar.
Related Results
Deep learning-based Point Cloud Compression
Deep learning-based Point Cloud Compression
Compression de nuages de points par apprentissage profond
Les nuages de points deviennent essentiels dans de nombreuses applications et les progrès des technologies...
Development of a multimodal imaging system based on LIDAR
Development of a multimodal imaging system based on LIDAR
(English) Perception of the environment is an essential requirement for the fields of autonomous vehicles and robotics, that claim for high amounts of data to make reliable decisio...
Les nuages du Groenland observés par CALIPSO
Les nuages du Groenland observés par CALIPSO
Plus de 80% du Groenland est recouvert de glace. Sa fonte contribue à l’augmentation du niveau des océans. Cette fonte peut être accélérée ou ralentie par les nuages qui modulent l...
Improvement of liquid clouds short-wave optical properties parameterization
Improvement of liquid clouds short-wave optical properties parameterization
Amélioration de la paramétrisation des propriétés optiques des nuages d'eau liquide dans le spectre solaire
Représenter correctement l'impact radiatif des nuages es...
Learning Based Point Cloud Attribute Compression
Learning Based Point Cloud Attribute Compression
Compression d'attributs de nuages de points à trois dimensions basées sur l'apprentissage profond de réseaux de neurones
Au cours des dernières années, la consommat...
Caractérisation des propriétés des aérosols au-dessus des nuages et de leur effet direct avec POLDER/PARASOL
Caractérisation des propriétés des aérosols au-dessus des nuages et de leur effet direct avec POLDER/PARASOL
Les aérosols sont une composante atmosphérique dont l’impact climatique figure parmi les plus incertains (IPCC, 2013). Cette incertitude est particulièrement forte lorsque ces part...
Les nuages de glace en arctique : mécanismes de formation
Les nuages de glace en arctique : mécanismes de formation
Les mécanismes de formation des nuages de glace arctiques durant la nuit polaire sont encore mal définis en raison de l’absence d’observations et de l’éloignement de cette région. ...
Learning and using actionable Lidar representations without annotations
Learning and using actionable Lidar representations without annotations
Apprendre et utiliser des représentations Lidar exploitables sans annotations
Le développement de systèmes de conduite autonome repose largement sur des algorithmes...

