Le brouillard - une réduction de la visibilité à la surface due à la présence de gouttelettes d'eau liquide ou de cristaux de glace - peut causer d'importantes perturbations dans les transports entraînant de fortes répercussions humaines et économiques. Cependant, le brouillard est encore mal prévu, même par les modèles modernes de prévision numérique du temps (PNT) à haute résolution. L'une des façons d'améliorer la prévision du brouillard est de disposer de conditions initiales de l’état de l’atmosphère plus précises dans les modèles de PNT. Une nouvelle génération de radars à nuages à 95 GHz offre la possibilité de mieux observer les propriétés microphysiques du brouillard et leurs données pourraient être assimilées pour améliorer les conditions initiales des modèles de PNT. Une méthode répandue d’assimilation de données de nouveaux instruments consiste à effectuer une étape intermédiaire permettant d’inverser les variables atmosphériques d’intérêt à partir des observations, avant d'assimiler les profils restitués directement dans le modèle. L’inversion de profils de contenu en eau liquide (LWC) à partir des réflectivités radar est toutefois un problème sous-contraint. Cependant, les observations complémentaires de radiomètres micro-ondes au sol peuvent aider à mieux contraindre cette étape de restitution. En effet, ces instruments sont sensibles au contenu intégré en eau liquide sur toute la colonne atmosphérique mais informent aussi sur les profils de température et d'humidité, qui sont également des variables clés pour déterminer la capacité de saturation de la couche de brouillard. L'objectif principal de cette thèse est donc de tirer profit de la synergie instrumentale des deux capteurs en combinant de manière optimale les observations de radars à nuages et de radiomètres micro-ondes dans un même algorithme d’inversion, afin d'obtenir des profils équilibrés de température, d'humidité et de LWC en conditions de brouillard qui, si assimilés dans un modèle de PNT, pourraient permettre d'améliorer à terme les prévisions de brouillard. Pour cela, un schéma d'assimilation de données variationnel unidimensionnel (1D-Var) a été choisi pour combiner les observations du radar à nuages et du radiomètre micro-onde avec les prévisions à court terme du modèle de PNT AROME. Tout d'abord, pour préparer les inversions 1D-Var, une analyse d'erreur est menée sur le modèle AROME pendant des événements de brouillard observés sur le site instrumental du SIRTA près de Paris. De fortes erreurs spatio-temporelles ont été observées dans les prévisions de brouillard du modèle AROME ce qui a conduit à appliquer une méthode de correction, appelée méthode du profil le plus ressemblant (MRP), permettant la sélection de profils AROME plus proches de l’observation afin de mieux contraindre les inversions 1D-Var. Ensuite, les développements effectués pour la mise en place de l'algorithme d’inversion 1D-Var qui permet de restituer les profils de température, humidité et d’eau liquide sont présentés. L'algorithme est d'abord testé sur un ensemble de données synthétiques afin d'évaluer les restitutions dans des conditions idéales puis est ensuite appliqué aux données réelles provenant de la récente campagne de terrain SOFOG-3D, en utilisant des mesures sous ballon captif de LWC comme moyen validation. La capacité de l'algorithme à restituer les profils de LWC, de température et d'humidité dans des conditions de brouillard avec une bonne précision est ainsi démontrée. Les améliorations potentielles des prévisions de brouillard grâce à une meilleure initialisation des modèles de PNT sont ensuite discutées, ainsi que les futurs développements qui pourraient amener à une amélioration des restitutions proposées. |
Fog- the reduction in visibility at the surface due to water droplets or ice crystals- can cause significant disruption to transportation, resulting in both human and economic costs. However, fog is badly predicted by even modern high resolution numerical weather prediction (NWP) models. One way in which fog forecasting may be improved is through more accurate initial model conditions. A new generation of 95 GHz cloud radars, presents the possibility of observing fog properties that could be assimilated to improve initial conditions of NWP models. A common data assimilation strategy for new instruments is to perform an intermediate step by making a retrieval of the atmospheric variables from the observations, before then attempting to assimilate these retrieved variables into a NWP model. The retrieval of liquid LWC profiles from radar reflectivity alone is an under-determined problem, something which ground-based microwave radiometer observations can help to constrain. In fact, ground-based microwave radiometers are sensitive to the integrated liquid water contentthrough the whole atmosphere but also to temperature and humidity profiles, which are also key variables to determine the saturation capability of the fog layer. The main aim of this thesis is thus to optimally combine cloud radar and microwave radiometer observations in a synergistic retrieval algorithm, in order to obtain physically consistent retrievals of temperature, humidity and LWC profiles during fog conditions, which, when assimilated into a NWP model, could result in improved fog forecasts. To that end, a one dimensional variational data assimilation scheme (1D-Var) has been chosen to combine the cloud radar and microwave radiometer observations with short-term-forecasts from the NWP model AROME. Firstly, to prepare for the 1D-Var retrievals, an error analysis is conducted on the AROME model during fog events at the SIRTA observation site near Paris. Significant spatio-temporal fog prediction errors were found, which led to a correction method, termed the most resembling profile (MRP) method, for the selection of more appropriate model profiles to be constrain the 1D-Var retrievals. Secondly, developments to the 1D-Var algorithm which allow the retrieval of temperature, humidity and LWC together are presented. The algorithm is firstly tested on a synthetic dataset in order to evaluate the developed algorithm in idealised conditions. It is then evaluated with real data from the recent field campaign SOFOG-3D, where LWC measurements made from a tethered balloon platform were used for validation. The capability of the algorithm to retrieve LWC, temperature and humidity profiles during fog conditions with a good accuracy is demonstrated. The potential benefit to fog forecasts through improved initial model conditions is then discussed alongside future developments which could further improve the retrieval accuracy of the developed algorithm. |