Evaluation of all-sky reconstructed radiance assimilation for hyperspectral infrared sounders

Les prévisions météorologiques sur lesquelles nous comptons chaque matin reposent sur un fondement de données collectées depuis l'espace. Orbitant haut au-dessus de la Terre, les satellites transportent des instruments qui agissent comme des yeux géants et sensibles, mesurant l'énergie thermique rayonnée par la surface et l'atmosphère de la planète. Ces instruments, connus sous le nom de sondeurs infrarouges hyperspectraux, ne se contentent pas de prendre une simple photo ; ils décomposent la lumière en des milliers de minuscules bandes de couleurs, créant une empreinte chimique détaillée de l'air en dessous. Cette information est cruciale pour prédire les tempêtes, suivre l'humidité et comprendre les changements de température à différentes altitudes. Cependant, le volume colossal de données que ces satellites génèrent est accablant. Pour donner un sens à tout cela, les scientifiques utilisent des ordinateurs puissants pour traduire ces mesures brutes en modèles météorologiques. Un défi majeur a toujours été de savoir comment gérer ce flux massif de données sans perdre d'informations importantes ou ralentir les ordinateurs qui exécutent les prévisions.

Pendant des années, les scientifiques ont utilisé avec succès ces mesures satellitaires, mais principalement lorsque le ciel était dégagé. Les nuages ont traditionnellement constitué une barrière, diffusant la lumière et rendant les données difficiles à interpréter. Ces dernières années, des chercheurs ont fait des progrès significatifs dans l'utilisation des données même en présence de nuages, une technique appelée assimilation « ciel couvert » (all-sky). Cela a amélioré les prévisions, mais reposait sur l'utilisation des données brutes originales des satellites. Comme ces données brutes sont très volumineuses, il est devenu nécessaire de les compresser en une forme plus petite et plus gérable sans perdre l'information essentielle. C'est ici qu'intervient une méthode appelée « radiance reconstruite ». Au lieu d'envoyer chaque mesure brute individuelle, les scientifiques peuvent utiliser un processus mathématique pour reconstruire les données à partir d'un ensemble plus restreint de composants clés. La grande question pour les prévisionnistes était de savoir si ces données reconstruites et compressées fonctionneraient aussi bien que les données originales, surtout lorsqu'on regarde à travers les nuages.

Une équipe de chercheurs de l'Agence météorologique du Japon et de l'Université de Tokyo s'est donné pour mission de répondre à cette question. Ils voulaient savoir s'ils pouvaient utiliser ces données reconstruites pour améliorer les prévisions météorologiques dans toutes les conditions, y compris par temps nuageux, sans avoir à modifier les systèmes informatiques complexes qu'ils utilisent déjà. Ils se sont concentrés sur les données de l'Interféromètre de sondage atmosphérique infrarouge, un instrument sophistiqué présent sur les satellites à orbite polaire qui mesure la chaleur à travers des milliers de canaux. L'équipe a mené une série d'expériences utilisant un système de prévision météorologique mondiale, comparant les prévisions réalisées avec les données brutes originales à celles réalisées avec les données reconstruites. Ils ont testé ces méthodes dans deux scénarios : d'abord, en observant uniquement les ciels dégagés, et ensuite, en observant l'atmosphère à travers les nuages.

Lorsqu'ils ont examiné les résultats par ciel clair, les données reconstruites ont montré un avantage distinct dans un domaine spécifique : elles étaient beaucoup plus propres. Les données brutes des satellites contiennent une certaine quantité de bruit aléatoire, semblable aux parasites sur une radio, ce qui peut rendre les mesures de température et d'humidité légèrement instables. Le processus de reconstruction lisse efficacement ce bruit. Les chercheurs ont constaté que la différence entre ce que le satellite voyait et ce que le modèle informatique prédisait devenait beaucoup plus faible pour la plupart des canaux. Cela signifiait que les données étaient plus cohérentes. Cependant, lorsqu'ils ont réellement utilisé ces données plus propres pour exécuter des prévisions météorologiques, les résultats ont été étonnamment neutres. Les prévisions n'étaient pas nettement meilleures ou pires par rapport à l'utilisation des données brutes originales. Cela suggère que, bien que les données reconstruites soient plus propres, les modèles informatiques géraient déjà assez bien le bruit des données brutes pour que ce nettoyage supplémentaire ne change pas beaucoup la prévision météo finale.

L'histoire a légèrement changé lorsque les chercheurs ont porté leur attention sur les ciels nuageux. Dans le monde réel, les nuages sont désordonnés et imprévisibles, et ils introduisent un type d'incertitude différent qui n'a rien à voir avec le bruit de l'instrument. Lorsque l'équipe a testé les données reconstruites dans des conditions de ciel couvert, elle a constaté que la réduction du bruit observée par ciel clair disparaissait. La différence entre le satellite et le modèle restait sensiblement la même qu'avec les données originales. Cela est logique, car la principale source d'erreur dans les conditions nuageuses est la difficulté à modéliser les nuages eux-mêmes, et non le bruit de l'instrument. Crucialement, les chercheurs ont découvert qu'ils pouvaient utiliser exactement les mêmes paramètres informatiques et les mêmes règles de gestion des erreurs que pour les données originales. Ils n'ont pas eu besoin d'inventer de nouvelles méthodes ou d'ajouter des composants supplémentaires pour faire fonctionner le système.

Le résultat le plus prometteur est venu lorsqu'ils se sont concentrés sur des canaux spécifiques qui mesurent la vapeur d'eau dans la moyenne et la haute atmosphère. Lorsqu'ils ont assimilé les données reconstruites pour ces canaux spécifiques dans des conditions de ciel couvert, les prévisions météorologiques se sont considérablement améliorées. Les résultats ont montré un impact positif clair, particulièrement pour la prédiction de l'humidité dans la moyenne troposphère, une couche de l'atmosphère critique pour le développement des tempêtes. L'amélioration était aussi forte que celle observée lors de l'utilisation des données brutes originales pour ces mêmes canaux. Cela suggère que les données reconstruites sont un substitut viable aux données originales, même dans les conditions météorologiques les plus difficiles.

L'étude conclut que les techniques actuellement utilisées pour injecter les données satellitaires brutes dans les modèles météorologiques peuvent être appliquées directement à ces données reconstruites. Il s'agit d'une découverte vitale pour l'avenir de la prévision météorologique. À mesure que les satellites deviennent plus avancés et génèrent des quantités de données encore plus importantes, la capacité de compresser ces données sans perdre leur valeur deviendra essentielle. Les chercheurs ont découvert qu'ils n'avaient pas besoin d'utiliser des versions plus complexes du processus de reconstruction pour les ciels nuageux que pour les ciels clairs. Bien qu'il reste quelques petites questions techniques à résoudre, comme la meilleure façon d'ajuster la confiance de l'ordinateur dans les données pour obtenir les meilleures prévisions à court terme, le message central est clair. Les données compressées fonctionnent. Elles offrent un moyen de rendre le flux massif d'informations satellitaires gérable tout en maintenant la haute qualité nécessaire pour prédire la météo avec précision, garantissant ainsi que les prévisionnistes puissent continuer à compter sur ces outils puissants même à mesure que les volumes de données augmentent.