La surface terrestre, de part sa topographie, son humidité, sa température ou encore l’évolution de sa végétation, impacte l’atmosphère à différentes échelles temporelles. De récentes études ont mis en avant l’importance du couplage surface-atmosphère dans les modèles météorologiques et climatiques et ont montré que la modélisation des flux de surface est la seconde source d’erreur la plus importante dans ces mêmes modèles. Pour réduire ces erreurs, une évaluation précise et une représentation correcte des échanges surface-atmosphère sont essentielles. Le projet MOSAI (Models and Observations for Surface-Atmosphere Interactions) cherche à contribuer à cet effort.
L’objectif de cette thèse reprend le premier objectif scientifique du projet MOSAI. Celui-ci concerne l’étude des incertitudes et de la représentativité des flux de surface mesurés dans des paysages hétérogènes. Cette thèse se base sur des mesures long-termes autour de sites de mesure permanents afin d’estimer (1) l’évolution des erreurs de mesure de flux avec l’hétérogénéité de surface et (2) la représentativité d’une mesure locale dans un paysage hétérogène. Ceci est une étape nécessaire afin d'opérer une évaluation juste des modèles.
Une première série d’indicateurs quantifient l’hétérogénéité de surface à l’échelle locale et à l’échelle du paysage. Ces indicateurs sont étudiés en fonction des erreurs de mesure des flux pour mettre en avant l’influence des hétérogénéités sur les mesures des échanges surface-atmosphère. Deux erreurs sont étudiées : la non-fermeture du bilan de surface et l’erreur aléatoire. Alors que la non-fermeture est une erreur propre au site étudié, excédant 20% du rayonnement net, l’erreur aléatoire est elle relativement homogène avec une moyenne annuelle d'environ 10% des flux de surface. Nous montrons que l'hétérogénéité de surface est faiblement corrélée à la non-fermeture et moyennement corrélée à l'erreur aléatoire pour des hétérogénéités à l’échelle du paysage. Cette conclusion met en avant la contribution de divers facteurs à ces deux erreurs.
Un second indicateur est défini pour quantifier la représentativité horizontale des mesures de surface dans un paysage hétérogène. En combinant des cartes d’occupation du sol et des mesures de flux de surface, des flux moyens agrégés sont calculés pour les résolutions spatiales de deux modèles. L'indicateur définit alors la représentativité de la station permanente par rapport au flux moyen agrégé. En se concentrant sur les 10% des cas où la station permanente est la moins représentative du flux moyen agrégé, nous trouvons que des conditions extrêmes (sèches et chaudes pour le flux de chaleur latente et froides et humides pour le flux de chaleur sensible) contribuent à une représentativité plus faible. Cependant, ces conclusions sont nécessaires et non suffisantes.
Une dernière partie de cette thèse est consacrée à l’intensification des mesures des échanges surface-atmosphère pour surveiller l’évolution des flux dans un paysage hétérogène. Une méthode plus abordable permettant d’estimer des flux de surface à partir de réseaux de neurones est testée. Les résultats de cette étude sont convaincants et encourageants. Les flux ainsi estimés ne sont pas parfaitement corrélés aux observations, mais ils permettent une surveillance de l’évolution mensuelle des sites instrumentés à moindre coût.
Ce travail de thèse représente une première étape vers des mesures de flux de surface mieux documentées, prenant en compte leurs erreurs et leur représentativité. En quantifiant ces erreurs de mesure de flux en surface et en développant un indicateur concernant la représentativité horizontale d’une mesure permanente, ces recherches aident à une évaluation plus juste des modèles. De plus, les résultats concernant l’utilisation des réseaux de neurones mettent en avant les prémices d’une technique novatrice permettant la gestion et la surveillance de l’évolution des couverts à moindre coût. |
The land surface, through its topography, soil moisture, temperature or vegetation activity, impacts the atmosphere from daily to seasonal time scale. Recent studies have pointed out the importance of the land-atmosphere coupling for weather and climate models and that outstanding errors in the modelling of surface fluxes of momentum, sensible and latent heat is the second most important issue in these models. To reduce these biases, an accurate assessment of the land-atmosphere exchanges and their correct representation are essential for weather and climate forecasts. The Models and Observations for Surface-Atmosphere Interactions (MOSAI) project aims at contributing to this effort.
The main objective of this PhD corresponds to the first scientific objective of this project. It deals with investigating and determining the uncertainty and representativity of surface fluxes measured over heterogeneous landscapes. The PhD takes advantage of long-term measurements around permanent reference sites to estimate (1) the evolution of measurement uncertainties with surface heterogeneity and (2) the representativeness of the local measurements in the heterogeneous landscape. This is a necessary step towards a fair evaluation of the models in order to avoid blaming the numerical models for wrong reasons.
A first set of indicators quantifies the surface heterogenity at a local and landscape scale. These indicators are compared to surface fluxes errors to investigate how surface heterogeneity can impact the land-atmosphere interactions measurements. Two errors are studied: the Surface Energy Balance non-closure and the random error. While the non-closure is site-dependent, exceeding 20% of the net radiation, the random error is rather homogeneous with a yearly average value evolving around 10% of the surface flux. We found the surface heterogeneity to be weakly correlated to the Surface Energy Balance non-closure and moderately correlated to the random error when considering landscape scale surface heterogeneities. This suggests that surface heterogeneity is a contributing factor but other variables come into play.
A second indicator addresses the horizontal representativity of the surface fluxes measurement in a heterogeneous landscape. Combining land-use maps with measured land-atmosphere exchanges, area averaged fluxes are estimated for two model grid-mesh scales. The Representativity Indicator quantifies in what extent the permanent station represents the aggregated flux. Focusing on the 10% least representative cases, we have found extreme conditions (dry and warm for the latent heat flux and humid and cold for the sensible heat flux) to contribute to the lack of representativeness. However, caution is necessary: the conditions found are necessary but not sufficient.
A final part of the PhD is dedicated to intensifying land-atmosphere exchanges measurements to monitor surface heterogeneity. A more affordable method, based on Artifical Neural Networks, is tested to estimate surface fluxes. The results of these studies are convincing. The estimated fluxes are not, on a half-hourly basis, strictly identical to te measured surface fluxes, but they will allow for monitoring of the instrumented covers to adequately study their evolution throughout the year.
In conclusion, this work represents an important first step toward better documenting surface flux measurements, their associated errors, and their representativity within heterogeneous landscapes. By providing a comprehensive analysis of measurement uncertainties and developing new indicators for flux representativity and surface heterogeneity, this research aims to help with model-observation comparisons. Furthermore, the results from Artificial Neural Networks suggest a promising approach for monitoring a broader range of surfaces at a lower cost. |