" GPM, le programme Global Precipitation Measurement (NASA/JAXA) –  Fondements théoriques et accès à la base de données " href="index.php?page=backend&format=rss&ident=1374" />
Climatologie

2019

GPM, le programme Global Precipitation Measurement (NASA/JAXA) –  Fondements théoriques et accès à la base de données

The GPM global rainfall estimation product: theoretical basis and database access

Jean-Claude Berges

[Version PDF]

Résumé

Le GPM (Global Precipitation Measurement) est un programme majeur NASA/JAXA dédié à la mesure des quantités de pluie qui met librement à disposition des produits de divers niveaux. L’apport potentiel de ces produits permet l’analyse de divers phénomènes environnementaux associés au cycle de l’eau et la visée de cet article est d’introduire à leur utilisation. Dans une première partie, l’arrière-plan théorique est discuté en liaison avec les précédents programmes de ce domaine. Ensuite, les différents algorithmes intégrés dans le système de traitement sont décrits en signalant les questions scientifiques éventuellement soulevées. La troisième partie traite de la description de la base de données et des procédures d’accès. Enfin, la dernière partie compare avec d’autres sources d’information à travers deux exemples dans une perspective climatologique puis dans une perspective d’étude des risques avec l’analyse d’un événement extrême. Dans son état actuel, la base de données du GPM offre de multiples nouvelles opportunités pour les actions de recherche et s’inscrit en complément des réseaux d’observation actuels.

Abstract

The Global Precipitation Mission (GPM) is a major NASA/JAXA program dedicated to rainfall measurement. GPM freely distributes a wide range of products and thus bring a valuable contribution to water cycle studies. This paper is designed as an introduction to this database and it is organized in four parts. In a first part the theoretical background is discussed with a link to previous rainfall estimation programs. Then various algorithms embedded in the processing system are described with a focus on some scientific issues. The third part is dedicated to database description and actual access procedures. The last part focuses on two topics through application examples: climate data on one side and flash flood on the other side. The information quality on an extreme rainfall event is assessed. The present state of GPM database offers large opportunities for environmental scientists and complement the climate observation system.

Entrées d'index

Mots-clés : précipitations, méthodes de mesure, télédétection, base de données

Keywords: precipitation, measurement methods, remote sensing, data base

Texte intégral

Ce travail a bénéficié du soutien financier du LabEx DynamiTe (ANR-11-LABX-0046) dans le cadre du programme « Investissements d’avenir ». Les données satellitaires ont été fournies par le NASA/GSFC et le PPS qui développent et maintiennent la base de données au titre de leur contribution au projet GPM. Les données de réanalyse NOAA/DOE2 ont été fournies par NOAA/OAR/ESRL PSD.

Introduction

La pluie a été qualifiée de « variable rebelle à la régionalisation » (Lebel et al., 1994) du fait de sa grande variabilité spatiale. Cette variabilité associée à la difficile maintenance de réseaux étendus de pluviomètres a été une incitation forte pour ingérer dans les champs de précipitations estimés les données satellitaires dès la disponibilité de séries continues d’observations spatiales. En 1974, l’expérience GARP Atlantic Tropical Experiment (GATE) sur l’Atlantique Tropical a fourni des croisements systématiques entre données de radars et images de satellites et a ainsi joué un rôle initiateur dans ce domaine (Lovejoy et Austin, 1979). La mesure de la pluie par télédétection repose sur des propriétés radiatives de phénomènes plus ou moins directement liés à la pluviométrie. Depuis les premières procédures, la qualité des observations a considérablement évolué en relation avec l’évolution du dispositif d’observation, de la physique de l’atmosphère et des moyens de traitement et ainsi, les méthodes d’estimation actuelles permettent une restitution de la pluviométrie à des échelles beaucoup plus fines. Cette évolution s’est cependant accompagnée d’une plus grande complexité des traitements qui rend problématique la reproductivité des résultats. Actuellement, un produit de précipitations suppose la collecte et l’homogénéisation de multiples sources de données et il se compose d’une hiérarchie d’algorithmes. Alors que dans les années 90, un produit opérationnel pouvait reposer entièrement sur une petite équipe (Hielkema & Snijders, 1994), de tels produits ne peuvent maintenant être réalisés sur une base régulière que par des structures plus importantes.

Dans ce contexte, le Global precipitation Mission (GPM) qui est un programme fondé par une coopération entre deux agences spatiales, la National Aeronautic and Space Administration (NASA) et la Japan Aerospace Exploration Agency (JAXA), prend une importance particulière. Lancé en 2014, le GPM est un élément majeur de l’initiative internationale Global Energy and Water EXchange (GEWEX, 2012). Il vise à fournir des estimations globales d’intensité de précipitations, aussi bien dans une perspective climatologique que pour des évaluations immédiates comme l’assimilation dans les modèles de prévision numériques du temps. Il est le successeur immédiat du programme Tropical Rainfall Measurement Mission (TRMM) qui a opéré le premier radar de précipitations spatial. Il s’inscrit aussi dans la continuité des efforts visant à mettre à disposition des champs de précipitations mesurés par satellites qui ont été initiés dès 1981 avec le produit GOES Precipitation Index (GPI).

L’amélioration de la qualité de restitution est obtenue au prix de méthodes d’élaboration plus sophistiquées et pour cette raison, les estimations résultantes sont difficilement reproductibles à partir des données de base. Mais ceci ne signifie pas pour autant que ces estimations soient le produit d’un processus opaque. En effet, la base de données du GPM contient non seulement les synthèses des diverses sources d’information mais également les données intermédiaires qui ont contribué à leur élaboration. Cette caractéristique de la base facilite l’analyse, la validation voire l’adaptation à des thématiques spécifiques des produits GPM. L’organisation de cette base est le reflet de la complexité accrue des traitements et le présent article vise à introduire à son architecture qui ne saurait être comprise qu’en relation avec le processus de traitement. La première partie du texte rappelle les bases des méthodes de mesure des précipitations, la deuxième porte sur les algorithmes du GPM, la troisième décrit les procédures d’accès à la base et la dernière partie discute de l’apport de cette nouvelle source de données à travers deux exemples d’utilisation.

1. Les méthodes de mesure des produits globaux de précipitations

1.1. L’imagerie visible et infrarouge thermique

L’imagerie infrarouge et visible a été la première source d’informations disponibles à partir des satellites météorologiques (Tonnerre-Guérin, 1976). Déjà en 1960, Tiros-1 fournissait ses premières images qui plaçaient les météorologistes devant le défi d’une nouvelle source d’information. Il a été suivi d’autres satellites expérimentaux tant en orbite basse que géostationnaires et, avant même l’existence de séries de satellites opérationnels, la coordination des satellites météorologiques (CGMS) a été mise en place en 1972 (Eumetsat, 2009). Ce groupe de travail a contribué à ce que le globe soit couvert en continu à l’exception de rares périodes d’indisponibilité locale. Le CGMS coordonne également les opérations d’inter-calibrations des capteurs thermiques de telle sorte que les mesures fournies par les satellites soit aussi homogènes que possible. Depuis le lancement du premier géostationnaire opérationnel, GOES-4, en 1980, ces satellites constituent un outil privilégié de suivi des systèmes à méso-échelle et ils ont ainsi été utilisés pour restituer les trajectoires des cyclones tropicaux (Velden et al., 2006). Le premier indicateur opérationnel d’estimation des quantités de précipitations est le GPI (Richards et Arkin, 1981). Sa procédure de production suppose une intensité de précipitations conditionnelle constante et une détection des zones de pluie fondée sur un seuil de température de brillance fixe. Le GPI est un algorithme élémentaire fonctionnant au niveau du pixel et qui privilégie la calculabilité. L’échelle de restitution de ce produit est très grossière, les estimations sont fournies en accumulation mensuelle sur une maille de 2,5° x 2,5°. Dans la continuation du GPI, diverses méthodes ont été proposées pour réduire son échelle de résolution. Des améliorations sensibles ont été apportées en régionalisant le seuil de détection de pluie comme dans la méthode Tamsat (Milford et Dugdale, 1990) ou en prenant en compte les températures de surface restituées par satellite (Carn et al., 1989). Mais les expériences d’inter-comparaison d’algorithmes n’ont pas mis en évidence d’avantage très net d’une méthode par rapport aux autres (Snijders, 1991).

Ces difficultés sont liées au caractère très indirect de la relation entre intensité de précipitations et température de sommet de nuage (Hanna et al., 2006). Établir une telle relation statistique suppose de disposer de mesures de référence homogène avec les données satellites dans leur dimension d’agrégation spatio-temporelle. En utilisant des radars de précipitations sol puis satellitaires, des fonctions empiriques ont pu être estimées qui présentent les caractéristiques d’une loi de puissance (figure 1).

Agrandir Image 1000000000000280000001E0B9D03BDA.jpg

Figure 1. Courbes empiriques entre température (K) de sommet de nuage et intensité moyenne de précipitations (mm/h)
Empirical relationship between cloud top temperature (K) and mean precipitation rate (mm/h)

Ces courbes ont été obtenues à partir des données TRMM en combinant l’intensité de précipitations estimée par le radar (produit 2A25) avec la température de brillance mesurée par le radiomètre infrarouge (produit 1A12) et en faisant figurer le taux moyen de précipitations pour chaque température. Chaque courbe correspond à une année de données de ce satellite, soit environ 730 millions d’observations élémentaires.
The data have been extracted from TRMM database. For each 1 K bin the mean rain rate is computed. The rain rate is extracted from 2A25 product and the brightness temperature from 1A12 product. Each curve is based on a full year data, i.e. 730 million observations.

Cette figure a été obtenue en combinant les valeurs de température de brillance à 10,8 µm et les intensités de précipitations simultanées telles qu’estimées par le radar spatioporté de TRMM. L’ensemble des données disponibles a été considéré pour quatre années successives (2002 à 2005). Les données radar ont été extraites du produit 2A25 et les températures infrarouge du produit 1B11 (NASDA, 2001). De la sorte, de l’ordre de 730 millions d’observations élémentaires de couples réflectivité radar et température de brillance sont disponibles pour chaque année. Les courbes obtenues paraissent très proches les unes des autres bien que, malgré une agrégation massive, elles différent sensiblement sur les plus fortes intensités de pluies qui correspondent de fait à de très faibles effectifs malgré la taille de la base d’observations. Il peut être observé que les intensités moyennes restent modérées même pour des températures vraisemblablement plus basses que la tropopause. Ceci est lié à ce que d’une part, aucune discrimination des zones de pluie n’est effectuée sur les données, et que d’autre part, la colocalisation des zones de précipitations et des structures observées au sommet de la troposphère n’est pas immédiate à une échelle de l’ordre de quelques kilomètres. En s’appuyant sur une relation de ce type, Vincente et al. (1998) ont développé une méthode d’estimation des quantités de précipitations basée sur une approximation log-normale. Mais cette relation ne présente pas de caractère de stabilité dans l’espace et dans le temps. Par ailleurs, du fait même des propriétés des lois de puissance, l’erreur relative croit avec l’intensité des précipitations. Ces difficultés proviennent de ce que l’infrarouge thermique ne fournit qu’une température de canopée même lorsque le couvert apparaît comme semi-transparent dans le visible. Il est bien connu que les systèmes pluvio-orageux les plus intenses sont associés à des phénomènes de convection profonde et que, dans ces situations, le sommet de nuage peut dépasser la tropopause (Chuntao Liu et Zipster, 2005). La détection par l’infrarouge thermique est alors non ambiguë (Kim et al., 2017). Mais, comme cela peut être observé sur les courbes empiriques présentées, associer cette détection à une intensité de précipitations pose le problème de l’échelle spatio-temporelle de l’estimation. En effet, aux pas de temps les plus fins, les intensités de précipitations les plus importantes seront celles des cellules en voie d’expansion en front de système (Houze, 2004) dont la température est plus élevée que celle des cellules matures.

Les méthodes précitées n’utilisent qu’une faible partie de l’information fournie par les satellites géostationnaires. Pour une part, elles reposent uniquement sur un canal infrarouge thermique et d’autre part, elles fonctionnent pixel par pixel, ignorant les cohérences spatiales et temporelles des séries d’images. Il est pourtant possible par analyse visuelle de différencier les formations nuageuses et en particulier, d’identifier les zones potentiellement pluviogènes. Bien qu’un des premiers produits exploitant ces caractéristiques morphologiques, la restitution des vecteurs de vent, ait été intégré dans la chaîne opérationnelle Eumetsat très précocement (Schmetz et Nuret, 1987), les méthodes de mesure des pluies n’ont pris en compte que plus tardivement ces informations complémentaires.

Avec les séries de satellites MSG (2003) et GOES‑3G (2016), les imageurs des satellites géostationnaires fournissent une information multispectrale fine. Une évolution immédiate des méthodes d’estimation des précipitations est alors d’étendre l’adaptation d’histogrammes au cas multidimensionnel. Cette procédure consiste à discrétiser les autres canaux et à affecter à chaque n‑uplet la valeur moyenne des quantités de pluie observées. Mais alors, un problème de cardinalité apparaît : la taille de la matrice multidimensionnelle obtenue devient trop grande en regard de celle de la base de données utilisée pour l’estimation. En pareil cas, même une source de données de référence provenant d’une série pluriannuelle d’observations satellitaires ne fournirait pas suffisamment d’observations élémentaires pour faire correspondre à chaque combinaison réaliste de canaux une intensité de précipitations. Pour contourner ces limitations, il est possible de ne considérer les canaux infrarouges que comme des indicateurs de présence d’événements précipitants et de substituer à l’adaptation d’histogrammes une méthode d’estimation neuronale (Bergès et al., 2010). Une autre approche consiste à segmenter l’image et à se baser sur cette segmentation pour effectuer une néphanalyse automatique. Ce type de classification a été testé sur MSG/SEVIRI par Gonzalez et al. (2012).

Mais malgré ces avancées, du fait du volume de données et de la complexité des algorithmes, le flot de données des satellites géostationnaires n’est encore que partiellement exploité. Les méthodes d’estimation actuelles accordent un poids plus important aux informations micro-ondes où la relation entre signal et pluie est considérée comme plus directe au niveau du pixel.

1.2. Les micro-ondes passives

Les micro-ondes se situent dans la gamme de fréquence 10‑300 GHz (soit des longueurs d’onde de 3 cm à 1 mm). Ces longueurs d’onde sont très supérieures à la taille de la plupart des hydrométéores ce qui leur permet de n’être pas systématiquement perturbées par le couvert nuageux (Ferraro et al., 1998). Dans une situation de couvert continu, alors que l’infrarouge thermique ne fournit qu’une image de sommet des formations nuageuses, les micro-ondes sont susceptibles de fournir des informations sur des structures internes ou la surface terrestre. Malgré cet avantage, les instruments spatiaux mesurant dans le domaine des micro-ondes ne sont apparus que plus tardivement que les instruments infrarouges. En effet, la mise au point de ces instruments est plus difficile. Tout d’abord, parce que les quantités d’énergie émises dans le domaine micro-onde par l’ensemble terre-atmosphère est plus faible que pour les longueurs d’onde plus courtes de l’infrarouge thermique ; mais surtout, à cause de problèmes liés au pouvoir de résolution des optiques. L’astronome anglais Dawes (1799-1868) a établi une loi sur les capacités de séparation des télescopes. Selon cette loi, pour un diamètre de parabole donné, la résolution angulaire est proportionnelle à la longueur d’onde. Ainsi, pour obtenir une résolution sol de 12,5 km pour une fréquence de 89 GHz, le capteur GMI a besoin d’une antenne de 1,2 m (Draper et al., 2015) alors que le capteur infrarouge des satellites NOAA n’utilise qu’une parabole de 20 cm pour obtenir une résolution spatiale de 1,1 km et ceci, pour une altitude de la plateforme deux fois plus élevée (Eumetsat, 2011). Jusqu’à ce jour, cette limite a réservé l’usage de ces instruments aux satellites défilants. Outre leur résolution spatiale plus faible, les capteurs micro-ondes se différencient également de l’infrarouge par leur mode de balayage. Afin de maintenir un angle de visée constant par rapport à la surface, certains de ces capteurs ont un mode de balayage conique et non orthogonal à la trace (Jackson et Walton, 1985). Ce mode de balayage est associé à des fauchées plus étroite mais en contrepartie, la résolution spatiale est constante pour une fréquence donnée et il est possible de différencier le signal reçu en polarisation verticale et horizontale. En 1978, les appareils MSU (Microwave Sounding Unit) ont inauguré l’utilisation opérationnelle de cette gamme de fréquence (Christy et al., 2003). Ce radiomètre qui mesure dans quatre longueurs d’onde dans la bande d’absorption de l’oxygène, entre 50 et 60 GHz, fournit des profils verticaux de température avec une résolution horizontale de l’ordre de 150 km. Le MSU a prouvé sa stabilité et, compte tenu de la longueur des séries de données aujourd’hui disponible, est considéré comme un outil de suivi des températures troposphériques par l’IPCC (Zhang et al., 2013).

Ce n’est que dix ans plus tard qu’apparaît un nouvel instrument, le SSM/I (Special Sounder Microwave I), qui dispose des caractéristiques nécessaires à la détection des précipitations : un balayage conique, des bandes spectrales à 85, 37, 22 et 19 GHz, une mesure polarisée et une résolution spatiale plus fine de 12,5 km pour les bandes 85 GHz qui est appropriée à l’étude des phénomènes pluviogènes à méso-échelle. La détection et la mesure des pluies sont basées sur plusieurs principes physiques différents. Une première méthode (Spencer et al., 1989) utilise le canal à 85 GHz. Les cristaux de glace provoquent une rétrodiffusion dans cette longueur d’onde et ce phénomène est d’autant plus important que la taille des hydrométéores est grande. Aussi, une partie du signal thermique est renvoyée vers la surface par les noyaux de précipitations qui apparaissent donc plus froids que leur environnement. Une autre méthode (Wilheit et al., 1977) est liée à l’émissivité des surfaces d’eau libre qui est très faible vers 37 GHz, alors que celle des particules d’eau atmosphérique est plus élevée. Du fait de cette différence d’émissivité, les noyaux de condensation se caractérisent alors par des températures de brillance plus élevées. Bien évidemment, cette dernière méthode n’est facilement utilisable que sur l’espace océanique à cause de l’émissivité hétérogène des surfaces terrestre. Enfin, la différence de température de brillance entre les polarisations verticales et horizontales du canal à 85 GHz apporte des informations sur la nature stratiforme ou convective des précipitations (Anagnostou et Kummerow, 1997). La figure 2 (resp. 3) représente la température de brillance du canal 18 GHz‑H (resp. 89 GHz‑V) telle qu’enregistrée par le capteur GMI le 27 février 2017. En une journée, la couverture du globe par ce capteur n’est pas complète mais il y a des zones de croisement des orbites ascendantes et descendantes. Dans ces zones, la température maximale a été sélectionnée. Sur les deux figures le trait de côte apparaît nettement sur l’ensemble du continent africain, démontrant la capacité des micro-ondes à fournir une information sur la surface malgré un couvert nuageux. Mais l’interprétation du signal dans les deux longueurs d’onde est très différente. A 18 GHz, l’émissivité de surface est le principal facteur et les surfaces océaniques se caractérisent par une émissivité très faible qui explique les températures de brillance de l’ordre de 80 K. Sur terre, l’émissivité joue également un rôle clé avec des températures plus élevées sur les zones végétalisées que sur les zones arides. Des noyaux de précipitations sont visibles en Atlantique-sud et se caractérisent par des zones plus chaudes que leur environnement alors que sur le continent, les zones pluviogènes en Zambie et au nord de la Namibie sont plus froides.

Agrandir Image 100000000000056A00000527B11E06C1.jpg

Figure 2. Température de brillance en Kelvin pour le canal 18 GHz‑H du capteur GMI
Brightness temperature (K) of the 18 GHz‑H GMI channel

Cette image superpose l’ensemble des mesures effectuées par cet appareil sur la fenêtre de projection (40°N-40°S/40°W-40°E) le 27 février 2017. Elle diffère des images fournies par les capteurs infrarouges par deux caractéristiques : l’émissivité est très faible sur les surfaces océaniques et la majorité du couvert nuageux est transparent pour ce canal. On remarque que même pour une synthèse quotidienne, la couverture de la zone n’est pas complète, les zones non couvertes apparaissant en gris.
This image is a composite of all the satellite tracks on the February 27th 2017. GMI data are projected on a 40°N-40°S/40°W-40°E window. Two main difference from infrared images can be noticed : a weak emissivity on ocean and a quasi transparency of cloud cover. Even for a daily synthesis, the area coverage is not complete and blind area are colored in grey.

Agrandir Image 100000000000056A0000052752E8544F.jpg

Figure 3. Température de brillance en Kelvin du canal 89 GHz‑V du capteur GMI
Brightness temperature (K) of the 89 GHz‑V GMI channel

Cette image superpose l’ensemble des mesures effectuées par cet appareil sur la fenêtre de projection (40°N-40°S/40°W-40°E) le 27 février 2017. Ce canal se différencie du canal 18 GHz‑H entre autre caractéristique par une émissivité plus élevée et plus uniforme. De ce fait, les noyaux de convection paraissent plus froids que leur environnement alors qu’ils paraissaient plus chauds sur la figure 2.
This image is a composite of all the satellite tracks on the February 27th 2017. GMI data are projected on a 40°N-40°S/40°W-40°E window. This channel emissivity is higher and more homogeneous than 18 GHz‑H one. Thus convection kernels look as colder than their environment in contrast with figure 2.

L’interprétation du canal 89 GHz‑V repose plus sur les températures de surface que sur l’émissivité. Quel que soit l’état de surface, les noyaux de précipitations sont plus froids que leur environnement. Sur le continent, la délimitation de ces zones pourrait se faire sans ambiguïté par l’écart significatif de température de brillance.

Il faut remarquer que ces résultats portent sur la détection des précipitations et sur leur caractère plus ou moins intense. Ils ne permettent pas de déduire directement une intensité de précipitations à partir des températures de brillance dans le domaine des micro-ondes. La plupart des algorithmes qui effectuent ces estimations disposent d’une base de données de profils de précipitations et recherchent le plus vraisemblable compte tenu des températures de brillance observées. Ces algorithmes sont qualifiés de physiques ou statistiques selon que la base de profils provient de modélisations ou d’observations. Mais le point à souligner est que, dans les deux cas, la recherche d’une intensité de précipitations résulte d’une procédure statistique et non d’un modèle physique.

1.3. Les radars de précipitations

Les micro-ondes actives sont le seul dispositif de mesure pour lequel existe une relation explicite entre signal et intensité de précipitations. Lorsque la taille des objets observés est très inférieure à la longueur d’onde, la réflectivité obéit aux lois de la diffusion Rayleigh et le signal reçu est proportionnel à la puissance sixième du diamètre des particules (Li et al., 2015). L’équation de la réflectivité radar qui permet d’estimer une intensité de pluie dérive de cette relation. Du fait du caractère non linéaire de la loi de diffusion, en dériver une formule d’estimation impose de paramétrer la distribution de taille des gouttes de pluie. A travers cette paramétrisation intervient un processus d’approximation statistique qui lie la qualité des estimations au type de phénomène observé. Mesurer l’effet Doppler ou disposer de plusieurs fréquences d’observation permet de modérer l’effet de cette source d’incertitude.

Dès le début des années 50, des radars météorologiques, dérivés d’équipements militaires, sont installés sur les aéroports pour la sécurité aéronautique (Atlas et Ludlam, 1961). Mais il faudra attendre 1997 avec le lancement du satellite TRMM pour qu’un radar de précipitations spatial soit disponible (Simpson et al., 1996). Avec le satellite Cloudsat, un instrument complémentaire, initialement conçu pour établir une typologie des formations nuageuses mais également approprié à la détection de pluies fines, est mis en orbite en 2006 (Stephens et al., 2018). Contrairement à TRMM, le radar de Cloudsat n’effectue pas de balayage mais fournit seulement des profils verticaux le long de sa trace. Enfin, en 2014, l’instrument DPR du satellite GPM-core prend le relais du radar de TRMM (Iguchi et al., 2015). A cause de leur angle de visée, les radars spatiaux des satellites TRMM et GPM‑core sont moins perturbés que les radars sol par le phénomène d’atténuation. Ils présentent toutefois des biais instrumentaux connus : effet de réflexion du sol et insensibilité aux faibles pluies. Ce dernier effet ayant été confirmé lorsqu’une base de coïncidence Cloudsat-TRMM a pu être constituée (Yang et Nesbitt, 2014). Une comparaison avec un réseau sol de radars (Speirs et al., 2017) a par ailleurs montré une plus grande sensibilité aux précipitations en phase liquide qu’en phase solide. Mais en dépit de ces biais, ils sont considérés comme une mesure de référence (Iguchi et al., 2009). Leur limitation principale est d’ordre orbitographique. La fauchée de ces appareils est très étroite (250 km pour le radar de l’actuel GPM‑Core). Pour une orbite polaire à une altitude de 400 km, une telle valeur conduit à une fréquence de revisite d’un site tous les cinq jours. Cette périodicité est bien sûr incompatible avec un suivi des phénomènes précipitants et ces instruments sont utilisés pour des tâches de calibration. Pour cette raison, le GPM les utilise pour constituer des bases de données de profils verticaux de référence mais ne les intègre pas directement dans ses produits de précipitations.

1.4. Les réseaux de postes pluviométriques

La dernière source intégrée dans les produits globaux de précipitations est constituée par les réseaux de postes pluviométriques. Bien qu’elle ne soit pas d’origine spatiale, son rôle est important parce qu’elle est utilisée comme facteur correctif des biais d’algorithme. Par ailleurs, la méthode de mesure n’évoluant pas, le seul facteur instrumental susceptible d’influer sur les séries chronologiques est la densité des stations. Mais l’intégration de postes pluviométriques n’est pas immédiate à cause des erreurs associées à ce type de mesure. Bien que ces instruments soient sensibles à des effets aérodynamiques susceptibles de perturber les mesures (Pollock et al., 2018), la source principale d’erreur provient de la représentativité spatiale. S’agissant d’estimer la lame d’eau sur une grille, alors que le produit satellite brut présente une erreur d’échantillonnage temporel, le poste pluviométrique pour sa part est associé à une erreur d’échantillonnage spatial. Entre autres expériences, les phénomènes de décorrélation ont été évalués par un réseau dense de pluviomètres mis en place lors dans le cadre du programme Epsat-Niger à proximité de Niamey (Taupin et al., 1998). Sur leur zone d’étude, ils préconisent une densité d’une dizaine de stations par degré carré pour une estimation décadaire avec une précision de 10 %. Ce résultat dépend du régime de précipitations du site mais il est indicatif des questions de représentativité des mesures d’un poste pluviométrique à l’échelle d’un événement. Aussi, pour diminuer l’erreur relative d’estimation, les données de postes ne sont ingérées qu’après une agrégation dans l’espace et dans le temps. On trouvera dans Bell et Kundu (1996) ainsi que dans Huffman (1997) une discussion détaillée sur ces questions d’échantillonnage et sur leurs implications en termes de définition de procédures d’élaboration ou de validation des produits de précipitations.

Actuellement, trois centres produisent des synthèses des données de postes pluviométriques utilisables dans une perspective de climatologie globale : Climatic Research Unit (CRU, Université d’East Anglia), Global Historical Climatology Network (GHCN, NOAA) et Global Precipitation Climatology Center (GPCC, DWD). Le produit du CRU couvre la période 1901-2018 et est diffusé uniquement en accumulation mensuelle sur une grille du demi-degré (Harris et al., 2014). Il calcule les anomalies sur des périodes de 40 ans en ne retenant que les séries de données complètes à 75 %. Cette résolution est à mettre en rapport avec le nombre de séries de données effectivement disponibles : 5 986 pour la période 1931-1970 et 6 655 pour la période 1951-1990 (Jones et Hulme, 1996). Parmi ces trois sources de données, les produits GHCN de la NOAA (Peterson et Vose, 1997) sont les seuls à fournir les données de stations, les données en mode grille ne sont distribuées que pour les températures et avec une résolution analogue à celle du produit CRU. L’extension temporelle de cette base est remarquable : elle dispose de données historiques remontant à 1850 et est maintenue à jour avec un délai de quelques semaines pour l’intégration des données actuelles. Toutefois, compte tenu des restrictions imposées par certains pays à la diffusion de données brutes, la couverture de cette base est hétérogène. Pour mettre plus rapidement à disposition les données, la NOAA diffuse également à travers le GSOD les messages des stations synoptiques sans contrôle de qualité.

Les produits du GPCC peuvent apparaître comme complémentaires de ceux du GHCN puisqu’ils fournissent uniquement des données de synthèse agrégées sur des grilles (Schneider et al., 2014). Deux réseaux sont utilisés : un principalement fondé sur les stations synoptiques (7 000 stations) pour une distribution rapide après l’événement et un autre plus étendu (jusqu’à 53 000 stations). Les procédures de correction des biais de mesure sont maintenant appliquées aux données quotidiennes (Ungersböck et al., 2002) et les produits correspondant sont disponibles pour les périodes les plus récentes. Il faut souligner que les produits générés par ces trois centres diffèrent à la fois par leur réseau de collecte, les procédures d’ingestion de données et les algorithmes d’interpolation, ce qui explique des différences sensibles même en accumulation annuelle (Karger et al., 2017).

Il doit être signalé que la disponibilité future de ces produits globaux est problématique dans un contexte de rétractation des réseaux sol de postes pluviométriques. Concurrencés par d’autres dispositifs de collecte et produisant des données difficiles à intégrer dans les modèles de prévision numériques, le coût du maintien du réseau amène l’abandon de stations. Cette tendance est illustrée par la figure 4 qui montre, à travers trois dates, l’évolution du nombre de stations intégrées dans le produit complet du GPCC. L’analyse des séries de données fait apparaître un maximum de stations prises en compte au cours de la décade 1975-1985. Plus que ce nombre global, l’évolution de la répartition spatiale montre une régression du dispositif d’observation dans les zones déjà les moins instrumentées.

Agrandir Image 100000000000025800000352F437533F.jpg

Figure 4. Répartition des postes pluviométriques intégrés dans le GPCC, produit de précipitations élaboré par le DWD, pour les trois années 1950 (haut), 1980 (milieu) et 2010 (bas)
The GPCC is a DWD product based on rain gauges observation. Spatial gauges distribution has been plotted for the years 1950 (top), 1980 (middle) and 2010 (bottom)

En cyan, les cellules où une seule station fournit une série complète et en pourpre, celles où au moins deux stations ont été reportées.
Cyan indicates half-degree cells where only one station has reported and magenta cells where at least two stations have reported.

2. Algorithmes du GPM

2.1. Le dispositif GPM

Le programme GPM est la continuation du programme TRMM. Comme ce précédent programme, il est issu d’une collaboration entre la NASA et la JAXA. Il comporte deux volets : un satellite expérimental et un système de production et de diffusion de données de précipitations. Le satellite GPM‑core a bénéficié de l’expérience de son prédécesseur. Le radar est maintenant bi-fréquence, ce qui permet de corriger un biais du passager TRMM qui ne pouvait pas détecter les précipitations inférieures à 0,8 mm/h et pour la même raison, le radiomètre dans les micro-ondes passives dispose de nouveaux canaux à 166 et 183 GHz (Hou et al., 2014). En revanche, deux appareils n’ont pas été reconduits : le VIRS, radiomètre visible et infrarouge, jugé redondant avec les capteurs des satellites géostationnaires et le LIS, détecteur de décharges électriques dans les orages, dont les données n’avaient pas pu être pleinement exploitées. Comme TRMM, le satellite est placé sur une orbite non-héliosynchrone basse (400 km) mais l’inclinaison est portée de 35° à 65° pour permettre la couverture des latitudes moyennes.

Comme le précédent projet, le GPM délivre divers produits globaux de précipitations mais les bases de données associées sont plus étendues. Ce projet est conçu comme fédérateur et vise à concentrer l’ensemble des informations satellitaires pertinentes pour la mesure des pluies. Aussi, les données des opérateurs extérieurs partenaires du projet sont contenues dans la base. Par ailleurs, dans un souci d’ouverture, il enregistre non seulement le produit de synthèse final mais également les données intermédiaires ayant contribué à son élaboration, de manière à pouvoir garder une trace des diverses procédures de traitement.

L’archive GPM s’organise en deux bases principales : une base pour le suivi de phénomène en temps très peu différé et une base de production à visée climatologique qui est décrite dans le présent document. Le GPM maintient également une archive de données de validation sol qui est mise à jour en temps quasi réel. Cette archive comprend des radars de précipitations (environ une soixantaine), des disdromètres et des réseaux denses de pluviographes. Les données, aux formats assez hétérogènes, sont principalement collectées aux États-Unis. Elles sont accessibles sur le serveur http://gpm-gv.gsfc.nasa.gov, distinct du site principal de distribution.

2.2. L’estimation à partir des micro-ondes passives

Suivant en cela les conclusions de Ebert et Manton (1998) sur l’expérience TOGA-COARE, le GPM considère les micro-ondes passives comme la source privilégiée d’information sur les précipitations. Ce choix pose le problème de la répétitivité et il impose d’ingérer non seulement les données du satellite GPM‑Core mais aussi celles des autres satellites météorologiques défilants. L’ensemble de ces satellites est dénommé constellation GPM (Panegrossi et al., 2016). Cette constellation intègre les satellites de la série DMSP (Defence Meteorological Satellite Programm) qui disposent d’un capteur similaire à l’appareil GMI. Elle comprend également les données des capteurs AMSU‑B puis MHS, des satellites de la NOAA ou d’Eumetsat, le nouvel instrument ATMS de la série NPP ainsi que divers capteurs embarqués sur des satellites expérimentaux. Exploiter une constellation de satellites aux caractéristiques instrumentales hétérogènes impose d’inter-calibrer les données. Cette inter-calibration est d’autant plus difficile que ces satellites sont pour la plupart héliosynchrones. Seuls les satellites TRMM et GPM‑Core ont été placés sur des orbites plus inclinées de manière à pouvoir échantillonner tout le cycle diurne. Un bénéfice secondaire de ce choix est que leurs traces présentent des recouvrements avec ceux des autres satellites de la constellation, ce qui permet de rendre homogènes les données radiométriques. Berg et al. (2016) fournissent une description détaillée de ces procédures d’inter-calibration.

L’algorithme Gprof qui produit des estimations d’intensité de précipitations à partir des données micro-ondes provenant des satellites de la constellation est au cœur du processus. L’acronyme Gprof (Goddard PROFiler algorithm) désigne en fait une série d’algorithmes qui ont considérablement évolué depuis la première version (Kummerow et al., 1994). Cette version a été développée pour extraire des profils verticaux d’atmosphère au sein des systèmes précipitants et reposait alors entièrement sur un schéma bayésien. Tout d’abord, une base de types de profils verticaux selon des paramètres physiques était constituée à partir d’observations radar, complétées par une modélisation à échelle fine des nuages. Puis, pour chaque profil, un code de transfert radiatif calculait les températures de brillance observables au sommet de l’atmosphère. Enfin, une procédure statistique bayésienne sélectionnait le profil à la signature spectrale la plus proche de l’observation. Du fait des incertitudes liées à ces modèles, cette méthode a été complétée par l’introduction de masques empiriques utilisant les températures de brillance pour identifier les zones de précipitations convectives et stratiformes. La disponibilité avec le satellite TRMM de mesures coïncidentes en micro-ondes passives et radar de précipitations a permis une révision majeure de cet algorithme. Sur mer, la modélisation pure est abandonnée au profit d’une combinaison de ces observations et de paramètres issus des modèles de prévision numérique du temps. Compte tenu des incertitudes sur l’émissivité des sols, l’estimation sur les surfaces continentales est pour sa part entièrement fondée sur l’analyse statistique de la base d’observation TRMM.

Après la délimitation des zones de pluie stratiformes et convectives, des estimations de précipitations sont effectuées. Pour chaque classe de précipitations, une formule polynomiale calculée à partir de la température de brillance à 85 GHzV est appliquée. L’actuelle version de cet algorithme d’estimation (Kummerow et al., 2015) est une extension du schéma paramétrique et, pour ce faire, l’ensemble des surfaces terrestres sont classées suivant leur émissivité. Au lancement du programme GPM, cette classification reposait sur une partition en 14 éléments. Initialement, la base de données était constituée à partir des générations antérieures de radars spatioportés, TRMM pour les basses latitudes, et Cloudsat pour les hautes latitudes. Cette base s’étend progressivement avec les acquisitions GPM‑core. Un paramètre clé pour la restitution des intensités de précipitations est l’humidité totale troposphérique. Suivant que les produits sont quasi temps-réel ou climatologique, elle est fournie par les champs de réanalyse de la JMA ou de l’ECMWF. Cette nouvelle version s’appuie sur des résultats obtenus par Gsmap, la procédure d’estimation micro-onde mis en œuvre par la JAXA, qui se caractérise en particulier par l’utilisation des canaux basse-fréquences sur terre (Seto et al., 2009).

2.3. Les estimations à partir de l’infrarouge thermique

Le GPM utilise l’infrarouge thermique à travers deux algorithmes : Cmorph pour effectuer des interpolations temporelles et Persiann-CSS pour suppléer à l’absence d’estimation micro-ondes. L’objectif est de fournir des estimations de précipitations à la répétitivité temporelle des satellites géostationnaires. Pour la version actuelle du GPM, la périodicité visée est la demi-heure.

L’algorithme Cmorph (Joyce et al., 2004) vise à établir la continuité entre deux estimations fournies par les micro-ondes passives. Plusieurs algorithmes à la suite de l’AGPI (Adler et Negri, 1993) se proposent d’utiliser une relation empirique entre température de sommet de nuage déterminée sur un voisinage local et non globalement. La difficulté de ces algorithmes est qu’ils se heurtent au dilemme statistique entre robustesse et précision. Choisir un voisinage restreint rend compte de la spécificité locale mais le faible nombre d’observations produit une relation empirique instable. Accroître la taille du voisinage augmente la stabilité mais en contrepartie dilue l’information locale et est de nature à masquer les événements extrêmes. Pour contourner ce problème, Cmorph n’utilise qu’un seul canal, l’infrarouge thermique à 10,8 µm et limite son utilisation à la restitution de vecteurs de déplacements. Utilisant des procédures d’autocorrélation spatiale, proches de celles utilisées pour les produits Eumetsat d’estimation des vecteurs de déplacement atmosphériques, il obtient pour chaque pixel un vecteur de déplacement vers le créneau d’acquisition suivant et un autre vecteur vers le créneau précédent. Ces vecteurs servent à propager les estimations micro-ondes vers les pixels qui n’en disposent pas. Cette propagation s’arrête lorsqu’une nouvelle estimation micro-onde est rencontrée. Après cette étape, tous les pixels qui n’ont pas été couverts par un capteur micro-onde au cours du créneau d’acquisition sont associés à deux estimations : celle provenant d’un pixel d’un créneau précédent et celle provenant d’un pixel d’un créneau suivant. Ces deux valeurs sont ensuite agrégées par une combinaison linéaire au prorata des délais les séparant de chacune de ces estimations micro-ondes. Malgré son caractère apparemment rudimentaire, cette méthode permet d’améliorer la précision par rapport à une simple accumulation des estimations micro-ondes. Une des raisons de son succès est que la taille des pixels et la fréquence d’acquisition des géostationnaire (15 minutes pour la nouvelle génération) est faible en regard de la taille des systèmes pluviogènes et de leur vitesse. Aussi, à l’exception de phénomènes d’extension très limitée, les estimations de vecteurs de déplacement sont fiables même si le comportement en altitude peut différer de celui des couches inférieures.

La couverture fournie par la constellation GPM est irrégulière et il est possible que l’écart temporel entre deux estimations micro-ondes ne permette pas d’effectuer l’interpolation. En pareil cas, avec Persiann-CCS (Hong et al., 2004), une procédure d’estimation purement infrarouge, est employée. Cette procédure opère tout d’abord une segmentation de l’image par un algorithme proche de celui de ligne de partage des eaux. Puis les segments obtenus sont classés sur des critères morphologiques par une procédure neuronale fondée sur les cartes auto-organisatrices de Kohonen (1982). Enfin, à chacune de ces classes est associée une courbe de correspondance entre températures de brillance et intensité de précipitations. Dans la première implémentation de cet algorithme, cette courbe empirique était extraite d’une base de données constituée par une combinaison des mesures radar sol et l’imagerie des géostationnaires. Pour la version de production actuelle, les données provenant du radar de GPM‑core sont progressivement ingérées dans cette base et les estimations Persiann-CCS vont évoluer vers plus de précision, l’accroissement de la taille de la base permettant des fonctions empiriques plus stables et une classification des nuages plus fines.

2.4. Imerg : la procédure de synthèse

L’objectif affiché par le GPM est de délivrer un produit global d’estimation des pluies à la résolution spatiale du dixième de degré et à la résolution temporelle de la demi-heure. Trois lignes de produits sont annoncées qui se différencient par les délais de mise à disposition. La procédure décrite ici correspond à la version la plus complète qui demande un délai d’élaboration de plusieurs mois. Le GPM vise à fournir la meilleure estimation possible compte tenu du dispositif d’observation disponible, la qualité des produits pourra donc varier sensiblement en fonction de l’évolution de ce dispositif. Et pour permettre d’évaluer ces biais, le GPM fournit des évaluations d’erreur d’estimation. Par ailleurs, lors d’une révision majeure de la chaîne de traitement, toute l’archive est traitée à nouveau tout en maintenant les anciennes versions du produit disponibles.

Dans son état actuel, la procédure de synthèse Imerg est une chaîne de production dont la mise en œuvre incombe à plusieurs institutions. Cette procédure est décrite extensivement dans Huffman et al. (2019). La partie centrale des traitements est assurée par trois centres : le GSFC (NASA), le CPC (NOAA) et Irvine (Université de Californie). Les données micro-ondes sont transférées au GPM calibrées en température de brillance par les opérateurs des satellites. Pour leur part, les données du radar GPM‑core sont entièrement traitées par la JAXA qui fournit non seulement des réflectivités mais également les estimations de l’ensemble des paramètres aérologiques dérivés en projection du satellite ainsi que des indicateurs plus synthétiques ramenés à une grille de 0,25°.

Après ingestion de ces données, Imerg procède à une inter-calibration des mesures micro-ondes puis l’algorithme Gprof est exécuté pour chaque satellite. Ces estimations sont ramenées à la grille de base GPM puis combinées en les pondérant par un indicateur de qualité. A l’échelle d’une demi-heure, l’information contenue dans les grilles est très lacunaire. C’est pour cela que l’estimation Persiann-CCS est produite en parallèle de l’estimation Gprof. L’étape suivante consiste à compléter ces lacunes par l’algorithme Cmorph qui effectue une propagation des estimations micro-ondes. Lorsque l’écart entre deux estimations micro-ondes est inférieur à deux heures, cette estimation est conservée, sinon le résultat Cmorph est combiné avec l’estimation Persiann-CCS sur la base des erreurs d’estimation respectives. Le produit ainsi obtenu est dit non calibré. La dernière étape consiste à ingérer les données de postes pluviométriques compilées par le GPCC. Pour ce faire, les estimations GPM sont agrégées sur la grille du GPCC, accumulation mensuelle pour une maille du demi-degré, puis ajustée globalement par une transformation linéaire. Ensuite, un deuxième ajustement linéaire est opéré localement en pondérant le GPCC par le nombre de postes disponibles dans le nœud de grille. Les coefficients obtenus sont ensuite appliqués à l’ensemble des produits non calibrés pour obtenir le produit final. Bien que les principes de base de cette dernière partie de la chaîne de production soient identiques à ceux des premières versions du GPCP en 1997, l’implémentation a très profondément été modifiée et, comme il sera discuté en 4.1, les estimations GPM finales en accumulation mensuelles ne présentent pas les biais évidents de ces premiers produits qui accordent un poids prépondérant aux champs issus de l’interpolation des postes pluviométriques.

3. Organisation de la base GPM

Une documentation complète sur la base et les procédures de traitement est disponible à partir de https://pmm.nasa.gov. La présente partie discute de l’état de la base à la date de la rédaction et tente une synthèse de cette information.

3.1. Les niveaux de traitement

Utiliser la base GPM impose de savoir naviguer dans l’arborescence et de comprendre le système de dénomination de fichiers. Ce système fait référence à un code de niveaux de traitement qui, sans être tout à fait standardisé, est partagé entre les divers opérateurs de satellites. Pour la NASA et la NOAA, les deux premiers caractères situent le produit dans une hiérarchie, du plus proche de la mesure au plus élaboré.

Le niveau 0 désigne les données brutes de télémétrie. Elles constituent l’archive primaire du satellite dont dérive tous les produits et ne sont habituellement pas diffusées.

Le niveau 1 est réservé aux données des capteurs à divers degrés d’élaboration. Alors que le niveau 1A identifie des valeurs en compte numériques, le niveau 1B indique des données converties en températures de brillance suivant les procédés de calibration propres à chaque satellite. Enfin, les fichiers de niveau 1C contiennent des données de température de brillance homogénéisées pour être cohérentes avec celles du capteur GMI qui est pris comme référence. De manière atypique, le niveau 1Z désigne la superposition de réflectivité radar sur laquelle se fondent les estimations Gprof. Les données de ce niveau sont accompagnées d’information de géo-référencement. Chaque mesure est associée à ses coordonnées géographiques. Les pixels ont une taille de l’ordre de 5 km pour les capteurs à résolution la plus fine et à cette résolution, la précision avec laquelle sont connus les paramètres orbitaux permet de considérer la navigation du point central comme suffisamment précise.

Les données de niveau 2 diffèrent du niveau précédent car elles ne contiennent plus des températures de brillance mais des paramètres géophysiques comme l’intensité de précipitations. Leur élaboration repose sur un algorithme d’estimation. L’algorithme utilisé dans la base GPM est le Gprof, la JAXA pour sa part utilisant sa propre méthode d’estimation. Comme les données de niveau 1, les données de niveau 2 sont fournies par appareil et dans la projection propre à chaque satellite. Le niveau 2A désigne les données provenant d’un seul capteur, alors que le niveau 2B indique une combinaison de capteurs. Du fait des contraintes de projection liées au niveau 2, celui-ci ne peut concerner que les capteurs d’un même satellite. Et dans les faits, cette classe ne contient que les produits combinant radar et micro-onde passive du satellite GPM‑core.

La différence entre le niveau 2 et le niveau 3 réside dans la méthode de projection. Le niveau 3 est fourni sur une grille régulière en latitude et longitude. Les données sont disponibles au pas de temps de la demi-heure, de la journée ou du mois. Pour certains capteurs, le passage du niveau 2 au niveau 3 s’accompagne d’une dégradation de la résolution spatiale. Comme précédemment, les sous-niveaux 3A et 3B différencient les données issues d’un seul capteur de celles produites par une fusion de capteurs. Ainsi, les données GPROF sont préfixées en 3A alors que le préfixe des données Imerg est 3B.

3.2. Arborescence des fichiers

Après un enregistrement sur un site de la NASA, l’accès à la base se fait à travers un serveur FTP (ftp://arthurhou.pps.eosdis.nasa.gov). L’organisation de ce serveur paraît assez immédiate, les fichiers sont classés dans un système arborescent année/mois/jour. Au niveau supérieur, des répertoires contiennent des fichiers textes : documentation des algorithmes et détails des procédures d’élaboration, éphémérides des satellites et coïncidences avec le réseau des stations de validation sol.

Il faut souligner que cette arborescence n’est pas toujours complète. Alors que les produits de niveaux 2 sont disponibles en temps quasi-réel, les synthèses Imerg demandent un délai variable pour être élaborées. Le délai annoncé de quatre mois pour la fourniture de produits de synthèse n’est pas systématiquement respecté. Par ailleurs, bien que la base remonte jusqu’à juillet 1987, tous les produits ne sont pas disponibles. De juillet 1987 (lancement de DMSP-F08) à décembre 1997 (lancement de TRMM), seules les températures de brillance du capteur SSM/I sont disponibles. Puis, de décembre 1997 à mars 2014 (lancement de GPM‑core), les estimations Gprof basées sur les micro-ondes passives sont également fournies ainsi que des températures de brillance mesurées par des capteurs d’autres satellites dont les séries Metop et NOAA. Enfin, les synthèses Imerg apparaissent dans la dernière période initiée par le lancement de GPM‑core. L’ensemble des données de radars de précipitations passagers de TRMM et de GPM‑core est également disponible sur ce site.

3.3. Les champs constitutifs d’un nom de fichier

Les noms de fichiers sont constitués de plusieurs champs séparés par des points. La liste des champs dépend bien sûr du niveau du produit mais leur définition reste aussi homogène que possible. Lorsque les données proviennent d’un seul capteur, il est indiqué par deux champs : l’indicateur du satellite et celui de l’appareil. La référence temporelle consiste en trois champs : une date, une heure de début et une heure de fin. La version de la chaîne de production figure toujours en avant-dernière position.

Enfin, le dernier champ est l’indicateur du format. La base GPM utilise trois formats : texte, GeoTiff et HDF5 (Jiang et al., 2016). Le format texte est principalement utilisé pour les données annexes d’orbitographie et le format GeoTiff pour le produit Imerg intégrant le réseau sol. Ce dernier produit est fourni sur une grille de 0,1° et est agrégé sur des périodes de 30 minutes, un jour ou un mois. Les autres produits sont délivrés en HDF5, le format standard de la NASA (Boquist et Lee, 2010). Ce format HDF5 permet d’intégrer plusieurs jeux de données accompagnés de leurs métadonnées dans le même fichier. Il est beaucoup plus riche que le format GeoTiff qui ne pourrait pas supporter l’ensemble des données de la base. Mais en contrepartie, peu de logiciels d’application l’intègrent en mode natif. Par ailleurs, du fait même de l’agrégation de multiples jeux de données, il est plus exigeant en ressources informatiques.

On remarquera dans la précédente nomenclature l’absence de référentiel géographique. Ceci renvoie au problème de la granularité des données. Celles-ci sont organisées par date, puis par instrument et heure. Il n’est donc pas possible de télécharger uniquement des données correspondant à un domaine spatial sans se référer aux fichiers d’éphémérides et calculer les zones couvertes par le capteur. Cette caractéristique crée une difficulté pour traiter les données. Quelle que soit l’extension de la zone d’intérêt, il sera souvent nécessaire de transférer les données correspondant à l’ensemble du globe.

Le système de dénomination peut paraître complexe mais il assure que deux fichiers différents ne pourront porter le même nom. Par ailleurs, il permet de réorganiser automatiquement les données téléchargées sans avoir besoin d’ouvrir les fichiers. A la dénomination près, l’organisation de la base est intuitive. La plupart des produits sont classés dans une structure hiérarchique fondée sur la date puis sur le type de produit (1B, Gprof Imerg).

A titre d’exemple le nom suivant indique que le fichier correspondant contient les températures de brillance mesurées par le passager GMI de GPM-core. Les données sont fournies en projection du satellite. Elles correspondent à la tranche horaire de 17:50 à 19:23 TU le 12 août 2014 et sont codées en HDF5 :

1B.GPM.GMI.TB2016.20140812-S175028-E192301.002584.V05A.HDF5

Le nom de fichier qui suit indique encore des données codées en HDF5 mais elles sont maintenant projetées sur la grille de référence GPM d’une taille de maille du dixième de degré. Il s’agit du résultat de l’algorithme de synthèse Imerg. Ce fichier contient non seulement le produit final (désigné comme PRCP_CAL) mais également des étapes intermédiaires. Il permet ainsi d’obtenir le champ estimé (PRCP_UNCAL) avant l’ingestion des données GPCC ce qui permet d’utiliser un autre réseau sol. Les données sont accumulées sur une période d’une demi-heure commençant le 20 septembre 2017 à 23:00 TU :

3B-HHR.MS.MRG.3IMERG.20170720-S230000-E232959.1380.V05B.HDF5

Enfin, les deux fichiers suivants correspondent à des données codées en GeoTiff. Elles fournissent l’estimation finale Imerg qui fait la synthèse de toutes les sources de données du GPM. Les synthèses mensuelles ne peuvent pas être codées dans le système de datation défini pour les autres produits. C’est pour cela que le niveau 3B spécifie la durée de l’agrégation. Par convention, les synthèses mensuelles sont stockées dans l’arborescence au premier du mois :

3B-MO-GIS.MS.MRG.3IMERG.20170601-S000000-E235959.06.V05B.tif

3B-MO-GIS.MS.MRG.3IMERG.20170601-S000000-E235959.06.V05B.tfw

3.4. Méthodes d’accès

La base GPM n’est, à ce jour, accessible ni à travers les portails d’accès communs de la NASA et de l’USGS (http://earthexplorer.usgs.gov) ni, dans son intégralité, à travers le portail mirador (http://mirador.gsfc.nasa.gov). La navigation dans l’arborescence est donc incontournable et il revient à l’utilisateur d’établir une correspondance entre nom et contenu du fichier. Si l’accès aux fichiers codés en GeoTiff est immédiat, décoder les fichiers HDF5 peut être plus compliqué. Pour ces fichiers, trois méthodes sont possibles :

  1. Par la librairie HDF5 associée à un langage de bas niveau (C, C++, Fortran) ;

  2. A travers un langage de script (python, R) ;

  3. Par un logiciel d’application (ENVI, Veusz, OTB).

La deuxième méthode peut paraître la plus appropriée comme offrant un compromis entre la facilité d’utilisation et la flexibilité nécessaire au traitement de séries de données. Elle est implicitement recommandée par le groupe de support GPM qui fournit une librairie pour Python2.x, gpm.py. Cette librairie liste les blocs de données présents dans un fichier, crée des objets numpy à partir de ces blocs de données et les visualise. Spécifier des calculs élémentaires sur ces blocs est une tâche assez immédiate mais bien sûr, les procédures seront plus faciles pour les produits en mode grille (niveau 3) que pour les produits en mode balayage (niveau 2).

La base est ici présentée comme une source d’information sur les précipitations. Mais elle est également site de référence pour la télédétection en micro-onde passive. Elle permet d’accéder à une couverture globale de produits inter-calibrés à travers des procédures d’accès communes. Cette archive qui remonte jusqu’en 1987 présente un intérêt climatologique qui dépasse la restitution des intensités de précipitations. Il serait ainsi possible d’estimer des paramètres de surface même dans des zones totalement occultées par le couvert nuageux. Bien que la résolution spatiale soit grossière, 12,5 km puis 5 km, la profondeur temporelle en fait un outil précieux, bien qu’encore assez peu exploité, d’analyse des changements des états de surface. On trouvera dans Pellarin et al. (2008) un exemple d’utilisation de l’humidité du sol dérivée d’un capteur micro-onde en complément d’un produit de précipitations.

4. Exemples d’utilisation

Pour illustrer les potentialités offertes par la base de données du GPM, deux exemples d’utilisation sont présentés. Le premier vise à mettre en évidence l’amélioration apportée aux champs de précipitations estimés à une échelle planétaire dans une optique d’étude du changement global. Le second, plus détaillé, exploite l’information GPM à son échelle la plus fine et s’intéresse à la restitution d’un événement pluvio-orageux.

4.1. Cumuls de précipitations mensuels estimés en 1997 et 2017

La question de l’impact du changement climatique sur les précipitations a été un facteur suscitant la création de produits globaux d’estimation des pluies. Ceux-ci se sont considérablement améliorés tant en qualité qu’en échelle de résolution et la figure 5 illustre cette évolution. Elle présente deux produits d’estimation des précipitations cumulées pour le mois de juillet : le GPCP-1DD pour 1997 (Adler et al., 2003) et le GPM-IMERG pour 2017. Entre ces deux dates, les situations météorologiques sont différentes et ces produits n’ont pas à être identiques, mais sur des synthèses mensuelles, des structures spatiales communes devraient apparaître. En 1997, le GPCP est principalement une combinaison d’imagerie infrarouge et de postes pluviométriques. Délivré à une résolution nominale d’un degré, le GPCP situe correctement la mousson mais lisse considérablement l’information. Sur mer, les cumuls ne dépassent 300 mm que sur des zones littorales. Sur ces mêmes zones, l’effet d’interpolation des stations terrestres est prépondérant. La zone de précipitations à l’ouest de l’Inde a une extension qui ne correspond à aucune caractéristique physique ni à des observations ultérieures.

Agrandir Image 100000000000062C0000067E9F4D5EED.jpg

Figure 5. Cumuls mensuels de précipitations (mm) estimés par deux produits globaux
Monthly cumulated rainfall (mm) as estimated by two global precipitation products

En partie supérieure est figurée l’estimation GPCP‑1DD pour juillet 1997 et est en partie inférieure le produit GPM-Imerg pour juillet 2011. Ces deux produits proviennent de la NASA et le GPM-Imerg peut être considéré comme le successeur du GPCP‑1DD. Les données sont projetées en coordonnées géographiques sur la fenêtre 40°S-40°N/20°W-120°E.
The GPCP-1DD for July 1997 is plotted in the upper part and the GPM-Imerg for July 2011 in the lower part. These two estimations have been NASA produced and GPM-Imerg can be considered as a GPCP-1DD evolution. Data are plotted on a 40°S-40°N/20°W-120°E window.

En Afrique de l’Ouest où il existe peu de reports de station sol, des effets de pépites sont nettement visibles autour de Conakry et Douala. En contraste, l’estimation de 2017 présente une toute autre qualité. L’échelle de restitution du dixième de degré correspond à la précision spatiale du produit qui met en évidence des phénomènes de renforcement orographiques. Ceci est particulièrement sensible sur la zone des Ghâts occidentaux (Inde) mais également sur les contreforts du Fouta-Djalon (Guinée) et les plateaux Éthiopiens. Les cumuls de précipitations dans la partie maritime peuvent atteindre des valeurs de même ordre que celles observées sur terre et il n’apparaît pas un effet massif d’algorithme dans la discontinuité terre-mer.

4.2. Analyse d’un événement extrême (Maroc, 22-23 février 2017)

La théorie selon laquelle le réchauffement climatique induirait une accélération du cycle hydroclimatique (Giorgi et al., 2011) implique une augmentation des épisodes de très fortes précipitations. Dans ce contexte, la capacité d’un produit d’estimation des pluies à rendre compte de ces événements prend toute son importance. Or pour des raisons de stabilité statistique, les échelles fines sont les plus difficiles à restituer par des algorithmes basés sur des relations empiriques et les premières expériences de validation portaient sur des données très agrégées (Xie et Arkin, 1995). L’augmentation de la fréquence des événements extrêmes semble particulièrement sensible sur le Maghreb (Khomsi et al., 2016) et la situation du 23 février permet d’illustrer les capacités du GPM dans ce domaine. Ce jour-là, des villes de la côte marocaine ont connu des pluies intenses. Diverses sources journalistiques rapportent que Rabat et Salé ont été inondées ainsi que d’autres régions du pays (Saddiqi, 2017). Ce type d’événement n’est en rien exceptionnel dans le Maghreb mais la proximité d’agglomérations et d’infrastructures importantes a rendu cet épisode particulièrement sensible. Pour spectaculaires qu’elles aient pu être, ces précipitations sont restées localisées sur une petite zone et, à une échelle synoptique, les réanalyses NOAA/NCAR, diffusées pour 12 niveaux de pression sur une maille de 2,5°, ne montrent pas une situation très caractéristique. Il y a effectivement une dépression en surface qui se prolonge en altitude jusqu’à 250 hPa mais à aucun niveau, le gradient de pression n’est très marqué (figure 6).

Agrandir Image 10000000000002D900000216D69D06C6.jpg

Figure 6. Géopotentiel (m) à 700 hPa, le 23 février 2017 à 6h00 TU. Données extraites des champs de réanalyse NOAA/NCAR.
700 hPa geopotential (m) on the February 23th 2017 6:00 UTC. Data extracted from NOAA/NCAR reanalysis.

Le total d’eau précipitable ne présente pas non plus de maximum clair lors de cet épisode pluvieux (figure 7). Ce produit de réanalyse ne rend pas compte du phénomène qui ne correspond peut être pas à son échelle de résolution.

Agrandir Image 1000000000000290000002153D46ECB7.jpg

Figure 7. Compte intégré en eau précipitable (kg/m²) au point de coordonnée 34°N/6°W pour la période du 15 février 2017 au 28 février 2017. Données extraites des champs de réanalyse NOAA/NCAR.
Integrated water content (kg/m²) for February 15th to 28th 2017. Plotted series correspond to the grid node 34°N/6°W. Data extracted from NOAA/NCAR reanalysis.

Parmi les sources de données permettant d’évaluer l’extension de ces précipitations, deux peuvent être disponibles après quelques jours et sans restriction d’accès : les messages des stations synoptiques transmis sur le réseau de télécommunication OMM d’une part et le produit Imerg purement satellite d’autre part. Les messages provenant des stations synoptiques sont archivés par la NOAA qui les met à disposition à travers la base GSOD. Les données GSOD du 23 février pour l’ensemble du Maroc figurent en tableau 1 (colonne de droite). Ce jour-là, seule la station de Rabat a reporté un cumul pluviométrique important. Le réseau synoptique n’est évidemment pas suffisant pour cartographier cet événement par interpolation. Une telle procédure produirait un effet de pépite autour de Rabat sans fondement physique.

Tableau 1. Cumuls pluviométriques (en mm) pour le 23 février 2017 tels qu’estimés par le produit Imerg temps réel (colonne 2), le produit Imerg intégrant le réseau sol GPCC (colonne 3) et les stations synoptiques (colonne 4)
Cumulative rainfall (in mm) for February 23, 2017 as estimated by the real-time Imerg product (column 2), the Imerg product integrating the GPCC ground network (column 3) and the synoptic stations (column 4).

Stations

Imerg-Satellite

Imerg-Synthèse

Réseau synoptique

Sidi Ifni

0,00

0,00

13

Tanger/Boukhal

1,10

1,18

6

Larache

16,00

18,85

6

Chefchaouen

20,35

20,68

6

Al Hoceima

0,95

1,18

1

Oujda/Angad

0,00

0,00

0

Taza

0,05

0,08

0

Rabat/Sale

70,75

71,51

64

Fes-Sais

4,75

11,47

13

Meknes/Bassatine

11,90

16,78

2

Casablanca/Anfa

9,95

11,51

3

Nouasseur

14,60

17,94

0

Safi

4,05

6,14

6

Midlet

0,00

0,00

0

EL-Rachidia

0,00

0,00

0

Essaouira

0,00

0,00

0

Marrakech

1,70

1,82

1

Al Massira

0,00

0,00

7

Ouarzazate

0,00

0,00

0

Tan-Tan

0,00

0,00

0,5

Tetouan

2,85

4,03

2

La figure 8 présente le produit Imerg temps réel reposant uniquement sur les données satellitaires ainsi que le produit Imerg de synthèse intégrant les informations sol provenant du GPCC. Ces deux produits Imerg présentent des structures spatiales très similaires sur les précipitations au Nord-Ouest du Maroc. Deux zones de pluies intenses peuvent être identifiées : une première centrée sur Rabat et une deuxième au nord localisée entre Kénitra et Larache. Ces zones de précipitations intenses ont une extension spatiale très limitée, une dizaine de kilomètres sur la première et une trentaine sur la seconde, ce qui rend difficile leur restitution par le seul réseau synoptique.

Dans le tableau 1, les valeurs des deux produits Imerg colocalisées avec les stations synoptiques sont indiquées. Sur un seul événement pluvio-orageux, il est difficile de comparer les valeurs enregistrées par les stations avec les estimations GPM pour des questions d’échantillonnage spatial. Ainsi, la relation statistique entre ces séries de données peut paraître faible si la répartition des précipitations dans l’espace n’est pas prise en compte. Des stations comme Casablanca ou Chefchaouen enregistrent des quantités de précipitations plus faibles que le produit Imerg temps réel mais, d’après les estimations GPM, elles se situent en limite du système pluvieux en des zones de gradient pluviométrique fort. Par ailleurs, une surestimation globale des produits Imerg par rapport aux stations synoptique apparaît clairement. Mais ceci ne signifie pas qu’il puisse s’agir d’un biais d’estimation dans la mesure où ce dernier réseau sol sous-évalue manifestement l’importance du phénomène météorologique.

Agrandir Image 100000000000048A0000042A7C27CDC1.jpg

Figure 8. Cumul de précipitations estimé par Imerg pour le 23 février 2017
GPM-Imerg cumulated rainfall (mm) on the February 23th 2017

La version finale intégrant les postes pluviométriques est en haut et la version satellite pur en bas. Ces cumuls sont extraits sur la fenêtre 25°N-40°N/15°W-15°E. L’échelle est codée en mm de pluie.
The final product integrating GPCC data is plotted in high position and the satellite only version in low position. Window coordinates are 25°N-40°N/15°W-15°E.

Comparer le produit Imerg de synthèse avec celui uniquement composé à partir de satellites fait apparaître des différences subtiles. Alors que les données sur le Nord-Ouest du Maroc sont très proches, le produit de synthèse indique sur d’autres régions d’Afrique du Nord des valeurs plus faibles et est par là plus proche des données de stations synoptiques. Ainsi, en Algérie, seuls quelques postes ont enregistré des pluies avec un maximum de 5 mm à Miliana. Contrairement au produit satellite pur, le produit de synthèse restitue une structure spatiale cohérente avec ces observations.

Les produits Imerg fournissent également une information sur la trajectoire des systèmes pluviogènes. Les estimations semi-horaires (figure 9) permettent de retrouver l’heure d’intensité maximale ainsi que la durée du phénomène. Cette série d’images montre l’apparition d’une cellule de forte intensité entre Kenitra et Larache puis l’extension de la zone de pluie vers l’est en fin de nuit. Il apparaît clairement que ces précipitations sont associées à un système de méso-échelle C, catégorie difficile à observer. Les données GPM peuvent ainsi fournir des informations sur la dynamique des systèmes précipitants en l’absence de radar météorologique actif sur la zone.

Agrandir Image 10000000000003EA000003EB1DA41860.jpg

Figure 9. Estimation semi-horaires du phénomène du 23 février 2017 pour 2h00 (A), 2h30 (B), 3h00 (C), 3h30 (D), 4h00 (E) et 4h30 (F) TU. Les intensités de précipitations sont codées en mm/h et la fenêtre d’extraction est 30°N-40°N/15°W-0°.
Half hourly rainfall rate (mm/h) on the February 23th 2017 at the UTC 2:00 (A), 2:30 (B), 3:00 (C), 3:30 (D), 4:00 (E) and 4:30 (F). Window coordinates are 30°N-40°N/15°W-0°.

À travers cet exemple, l’intérêt du produit Imerg temps réel apparaît clairement. Il est capable de fournir une information spatialisée des pluies exceptionnelles, ce qui n’est pas à la portée du réseau synoptique. D’autre part, cet exemple met également en évidence l’impact positif de la dernière phase de la chaîne de production Imerg, le produit de synthèse éliminant des biais du produit temps réel. Sur ce point, le produit actuel marque un net progrès par rapport à son prédécesseur, le 3B42/TRMM où l’ingestion de ces données pouvait au contraire introduire une surestimation des intensités de précipitations (Beltrando et Bergès, 2014). Bien que le principe de l’algorithme de fusion soient resté le même, son implémentation a vraisemblablement été remaniée. Les données sol sont intégrées sous une forme agrégée en cumuls mensuels et sur une surface dont l’extension varie en fonction de la densité de stations sol mais qui sera toujours supérieure au demi-degré. Aussi, Imerg peut être présenté comme une procédure de réduction d’échelle du GPCC basée sur l’information satellitaire. Confronté au problème de la validité des champs issus du réseau pluviométrique, l’algorithme de fusion Imerg attribue à chaque pixel un indicateur de validité du réseau qui module le coefficient de correction. En figure 10, la valeur de cet indicateur est cartographiée pour le mois de février 2017. Comparé à la répartition des postes de la figure 4, cet indicateur paraît très optimiste en regard de la densité du réseau d’observation, même en supposant une extension du réseau collecté depuis 2010. Cette constatation pose deux questions : 1) un questionnement théorique tout d’abord sur les bases physiques de cette dernière opération d’ingestion ; 2) un questionnement plus pratique sur l’homogénéité spatiale de la qualité du GPCC et sur son remplacement éventuel par une autre source d’information sol localement plus précise. Et ce type de problématique montre tout l’intérêt de la base GPM qui permet d’intervenir à différents niveaux de la chaîne de traitement et d’analyser le poids respectif des différentes sources d’information.

Agrandir Image 10000000000006E200000340EEE65309.jpg

Figure 10. Poids accordés au GPCC en février 2017 dans la procédure de synthèse Imerg tels qu’indiqués dans la base GPM
GPCC weights for February 2017 extracted from GPM database

Extraction sur la fenêtre 40°S-40°N/20°W-140°E. Les poids vont de 0 (bleu) à 100 % (rouge).
Window coordinates are 40°S-40°N/20°W-140°E. Weights vary from 0 (blue) until 100 % (red).

Conclusion

Le GPM fournit beaucoup plus qu’une nouvelle méthode d’estimation des précipitations par satellites. Capitalisant sur plus d’une trentaine d’années de recherche sur la mesure des quantités de pluie depuis l’espace, ce programme a mis en place le cadre d’une collaboration internationale visant à élaborer des produits sur une base régulière. Aujourd’hui, ces produits sont librement disponibles sur le site de distribution du programme. Sa chaîne de production n’a pas la simplicité des premières méthodes d’estimation des pluies et son fonctionnement régulier demande des moyens de traitement importants ainsi qu’une équipe regroupant des expertises tant en météorologie opérationnelle qu’en algorithmie numérique. Mais ces moyens permettent de générer des champs pluviométriques au domaine de validité beaucoup plus étendu qu’auparavant. Ces champs ne se limitent plus aux études du cycle de l’eau à l’échelle planétaire mais peuvent rendre compte de phénomènes locaux dans la dimension spatiale où les activités humaines interagissent avec leur environnement.

Bien évidemment, dans certaines situations, les algorithmes mis en œuvre peuvent ne pas être optimaux et les échelles de distribution ne pas être en adéquation avec celles exigées par la problématique de recherche. Cette difficulté potentielle a vraisemblablement été reconnue par les concepteurs de la base de données qui distribue non seulement une estimation finale immédiate à ingérer dans un système d’information géographique mais également les produits intermédiaires à partir desquels la synthèse a été élaborée. Cette conception de la base permet d’intégrer des avancées méthodologiques provenant d’équipes extérieures au groupe central du GPM et par là, étend sa capacité d’innovation. En ce sens, le GPM s’intègre pleinement dans la nouvelle organisation d’une science ouverte.

Bibliographie

Adler R. F. et Negri A., 1993. Estimation of monthly rainfall over Japan and surrounding waters from a combination of low orbit microwave and geosynchronous IR data. Journal of Applied Meteorology, 32, 335-356. https://doi.org/10.1175/1520-0450(1993)032<0335:EOMROJ>2.0.CO;2

Adler R. F., Huffman G., Chang A., Ferraro R., Xie P., Janoviak J., Rudolf B., Schneider U., Curtis S., Bolvin D., Gruber A., Susskind J., Arkin P. et Nelkin E., 2003. The version 2 Global Precipitation Climatology Project (GPCP) monthly precipitation analysis (1979-present). Journal of Hydrometeorology, 4, 1147-1167. https://doi.org/10.1175/1525-7541(2003)004<1147:TVGPCP>2.0.CO;2

Anagnostou E. N. et Kummerow C., 1997. Stratiform and convective classification of rainfall using SSM/I 85-GHz brightness temperature observations. Journal of Atmospheric and Oceanic Technology, 14, 570-575. https://doi.org/10.1175/1520-0426(1997)014<0570:SACCOR>2.0.CO;2

Atlas D. et Ludlam F. H., 1961 : Multi-wavelenght radar reflectivity of hail storms. Quaterly Journal of the Royal Meteorological Society, 87, 523-534. https://doi.org/10.1002/qj.49708737407

Bell T. L. et Kundu P. K., 1996. A study of the sampling error in satellite rainfall estimates using optimal averaging of data and a stochastic model. Journal of Climate, 9, 1251-1268. https://doi.org/10.1175/1520-0442(1996)009<1251:ASOTSE>2.0.CO;2

Beltrando G. et Bergès J.-C., 2014. Water ressource assessment on Maghreb using global satellite products. Proc. International Geography Symposium GEOMED2013, Antalya, 10-13 juin 2013, 443-449. https://doi.org/10.1016/j.sbspro.2014.02.122

Berg W., Bilanow S., Chen R., Datta S., Draper D., Ebrahimi H., Farrar S., Linwood J., Kroodsma R., McKague D., Payne V., Wang J., Wilheit T. et Xun Yang J., 2016. Intercalibration of the GPM Microwave Radiometer Constellation. Journal of Atmospheric and Oceanic Technology, 33, 2639-2654. https://doi.org/10.1175/JTECH-D-16-0100.1

Bergès J.-C., Chopin F., Jobard I. et Roca R., 2010. EPSAT-SG, a satellite method for rainfall estimation ; its concepts and implementation for the AMMA experiment. Annales Geophysicae, 28(1), 289-308. https://hal.archives-ouvertes.fr/hal-01136865/

Boquist C. et Lee J., 2010. The HDF-EOS tools and information system website. The Earth Observer, 22(4), 13-15. https://support.hdfgroup.org/pubs/papers/The%20New%20HDF-EOS%20Tools%20and%20Information.pdf

Carn M., Dagorne D., Guillot B. et Lahuec J.-P, 1989. Estimation des pluies en temps réel en Afrique Soudano-Sahélienne, essai d’une calibration issue du champ de température de surface. Veille climatique satellitaire, 28, 47-54.

Christy J. R., Spencer W., Norris W., Braswell W. et Parker D., 2003. Error estimates of version 5.0 of MSU-AMSU bulk atmospheric temperatures. Journal of Atmospheric and Oceanic Technologies, 20, 613-629. https://doi.org/10.1175/1520-0426(2003)20<613:EEOVOM>2.0.CO;2

Chuntao Liu et Zipster E., 2005. Global distribution of convection of convection penetrating the tropical tropopause. Journal of Geophysical Research, 110(23104), 1-12. https://doi.org/10.1029/2005JD006063

Draper D. W., Nevell D., Wentz F., Krimchansy S. et Skofronik G., 2015. The Global Precipitation Measurement (GPM) Microwave Imager (GMI), instrument overview and early on-orbit performance. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 8(7), 3452-3462. https://doi.org/10.1109/JSTARS.2015.2403303

Ebert E. E. et M. J. Manton, 1998. Performance of satellite rainfall estimation algorithm during TOGA-COARE. Journal of Atmospheric Science, 55, 1537-1557. https://doi.org/10.1175/1520-0469(1998)055<1537:POSREA>2.0.CO;2

Eumetsat, 2009. International Data Collection System. Eumetsat Technical Document, 10(1), 11 p., http://www.eumetsat.int/website/wcm/idc/idcplg?IdcService=GET_FILE&dDocName=PDF_CGMS_02&RevisionSelectionMethod=LatestReleased&Rendition=Web

Eumetsat, 2011. AVHRR level 1B product guide. Eumetsat Technical Document, 4(29), EUM/OPS-EPS/MAN/04/0029 V3A, 98 p., http://www.eumetsat.int/website/wcm/idc/idcplg?IdcService=GET_FILE&dDocName=PDF_AVHRR_L1B_PRODUCT_GUIDE&RevisionSelectionMethod=
LatestReleased&Rendition=Web

Ferraro R. R., Kusselson S. et Colton M., 1998. An introduction to passive microwave remote sensing and its applications to meteorological analysis and forecasting. National Weather Digest, 22(3), 11-23. Document sur le site : http://www.rpoattex.com/

GEWEX, 2012. Document plan for 2013 and beyond, Imperatives. GEWEX Document series 2012-1, novembre 2012, 48 p. http://www.gewex.org/gewex-content/uploads/2015/02/GEWEX_Imperatives_final.pdf

Giorgi F., Im E. S. et Coppola E., 2011. Higher hydroclimatic intensity with global warming. Journal of Climate, 24, 5309-5324. https://doi.org/10.1175/2011JCLI3979.1

Gonzalez A., Perez J. C., Munoz J., Mendez Z. et Amat M., 2012. Watershed image segmentation and cloud classification from multispectral MSG-SEVIRI imagery. Advances in space research, 49(1), 135-142. https://doi.org/10.1016/j.asr.2011.09.023

Hanna J. W., Schultz D. et Irving A., 2006. Cloud-top temperature for precipitating winter clouds. Bulletin of the American Meteorological Society, 47, 351-359. https://doi.org/10.1175/2007JAMC1549.1

Harris I., Jones P. D., Osborn T. J. & Lister D. H., 2014. Updated high-resolution grids of monthly climatic observations – the CRU TS3.10 dataset. International Journal of Climatology, 34, 623-642. https://doi.org/10.1002/joc.3711

Hielkema J. U. et Snijders F. L., 1994. Operational use of satellite remote sensing and satellite communication technology for global food security and desert locust control by FAO - The ARTEMIS and DIANA systems. Acta Astronica, 32(9), 603-616. https://doi.org/10.1016/0094-5765(94)90071-X

Hong Y., Hsu K. L., Sorooshian S. et Gao X., 2004. Precipitation estimation from remotely sensed imagery using an artificial neural network cloud classification system. Journal of Applied Meteorology, 43, 1834-1853. https://doi.org/10.1175/JAM2173.1

Hou A., Kakar R., Neeck N., Azarbarzin A., Kummerow C., Kojima M., Oki R., Nakamura K. et Iguchi T., 2014. The Global Precipitation Measurement Mission. Bulletin of the American Meteorological Society, 95, 701-722. https://doi.org/10.1175/BAMS-D-13-00164.1

Houze R. A., 2004. Mesoscale convective systems. Review of Geophysics, 42, 1-43. http://dx.doi.org/10.1029/2004RG000150

Huffman G., 1997. Estimates of root-mean-square random errors for finite samples of estimated precipitation. Journal of Applied Meteorology, 36, 1176-1201. https://doi.org/10.1175/1520-0450(1997)036<1191:EORMSR>2.0.CO;2

Huffman G., Bolvin D., Braithwaite D., Hsu K., Joyce R., Kidd C., Nelkin E., Sorooshian S. Tan J. et Xie P., 2019. Algorithm theoretical basis document ; NASA GPM ; Integrated Multi-satellite retrievals for GPM. NASA technical document ATBD V06, 38 p., https://pmm.nasa.gov/sites/default/files/document_files/IMERG_ATBD_V06_0.pdf

Iguchi T., Kozu T., Kwiatkoski J., Meneghini R., Awaka J. et Okamoto K., 2009. Uncertainties in the rain profiling algorithm for the TRMM precipitation radar. Journal of the Meteorological Society of Japan, 87A, 1-30. https://doi.org/10.2151/jmsj.87A.1

Iguchi T., Seto S., Meneghini R., Yoshida N., Awaka J., Le M., Chandrasekar V. et Kuboto T., 2015. GPM/DPR level-2, algorithm theoretical basis document. Technical document NASA/JAXA, 72 p. https://pmm.nasa.gov/sites/default/files/document_files/ATBD_DPR_201811_with_Appendix3b_0.pdf

Jackson F. et Walton W. T., 1985. Aircraft and satellite measurement of ocean wave directional spectra using scanning-beam microwave radars. Journal of Geophysical Research, 90, 987-1004. https://doi.org/10.1029/JC090iC01p00987

Jiang Y., Sun M. et Yang C., 2016. A generic framework for using multi-dimensional earth observations in GIS. Remote Sensing, 8(5), 382-390. https://doi.org/10.3390/rs8050382

Jones P. D. et Hulme M., 1996. Calculating regional climatic time series for temperature and precipitation : methods and illustration. International Journal of Climatology, 16, 361-377. https://doi.org/10.1002/(SICI)1097-0088(199604)16:4<361::AID-JOC53>3.0.CO;2-F

Joyce R., Janowiak J., Arkin P. et Xie P., 2004. CMORPH – A method that produces global precipitation estimates from passive microwave and infrared data at high spatial and temporal resolution. Journal of Hydrometeorology, 5, 487-503. https://doi.org/10.1175/1525-7541(2004)005<0487:CAMTPG>2.0.CO;2

Karger D. K., Conrad O., Böhner J., Kawohl T., Kreft H., Soria-Auza R., Zimmerman N., Linder H. et M. Kessler, 2017. Climatologies at high resolution for the earth’s land surface aeras. Scientific Data, 4, 1-19. https://doi.org/10.1038/sdata.2017.122

Kim M., Im J., Haemi P., Seonyoung P., Myong-In L. et Myoung-Hwan A., 2017. Detection of overshooting cloud tops using Himawari‑8 imagery. Remote sensing, 9(685), 1-19. https://doi.org/10.3390/rs9070685

Khomsi K., Mahe G., Tramblay Y., Sinan M. et Snoussi M., 2016. Regional impact of climate change : seasonal trends in extreme rainfall, run-off and temperature in two contrasting regions of Morocco. Natural Hazards and Earth System Sciences, 16(5), 1079-1090. https://doi.org/10.5194/nhess-16-1079-2016

Kohonen T., 1982. Self organized formation of topologically correct feature maps. Biological Cybernetics, 43(1), 59-69. https://doi.org/10.1007/BF00337288 ; http://www.cnbc.cmu.edu/~tai/nc19journalclubs/Kohonen1982_Article_Self-organizedFormationOfTopol.pdf

Kummerow C. et Giglio L., 1994. A passive microwave technique for estimating rainfall and vertical structure information from space. Journal of applied meteorology, 33, 3-18. https://doi.org/10.1175/1520-0450(1994)033%3C0003:APMTFE%3E2.0.CO;2

Kummerow C., Randel D., Kulie M., Wang N., Ferraro R., Munchak S. et Petkovic V., 2015. The evolution of the Goddard profiling algorithm to a fully parametric scheme. Journal of atmospheric and oceanic technology, 32, 2265-2280. https://doi.org/10.1175/JTECH-D-15-0039.1

Lebel T., Amani A. et Taupin J.-D., 1994. La pluie au Sahel, une variable rebelle à la régionalisation. In : Hoeffner M., Lebel T. & Monteny B., Interactions surfaces continentales/atmosphère – L’expérience Hapex-Sahel, Paris : ORSTOM, 353-372. https://www.documentation.ird.fr/hor/fdi:010008363

Li N., Zhu Y. et Wang Z., 2015. A discussion on the applicable condition of Raleigh scattering. International Journal of Remote Sensing Applications, 5, 62-66. https://doi.org/10.14355/ijrsa.2015.05.007

Lovejoy S. et Austin G. L., 1979. The delineation of rain areas from visible and IR satellite data for GATE and mid-latitudes. Atmosphere-Ocean, 17(1), 79-92. https://doi.org/10.1080/07055900.1979.9649053

Milford J.R. et Dugdale G., 1990. Estimation of rainfall using geostationary satellite data. Butterworth. Proc. 48th spring school in Agronomic Sciences, University of Nottingham, April 1989, 16 p. https://doi.org/10.1016/B978-0-408-04767-8.50010-4

NASDA, 2001. TRMM data users handbook. NASDA technical document, Earth observation center, 211 p., https://www.eorc.jaxa.jp/TRMM/document/text/handbook_e.pdf

Panegrossi G., Casella D., Dietrich S., Marra A. C., Sano P., Baldini L., Roberto N., Benchini R., Vulpiani G., Petracca M. et Porcu F., 2016. Use of the GPM constellation for monitoring heavy precipitation events over the Mediterrean region. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(6), 1-21. https://doi.org/10.1109/JSTARS.2016.2520660

Pellarin T., Abdou A., Chopin F., Jobard I. et Bergès J.-C., 2008. Using spaceborne radar to constrain satellite precipitation estimates over West Africa. Geophysical Research Letter, AGU, 35(2), 1-5. https://doi.org/10.1029/2007GL032243

Peterson T. C. et Vose R., 1997. An overview of the Global Historical Climatology Network temperature database. Bulletin of the American Meteorological Society, 78, 2837-2849. https://doi.org/10.1175/1520-0477(1997)078%3C2837:AOOTGH%3E2.0.CO;2

Pollock D., O’Donnell G., Quinn P., Dutton M., Black A., Wilkinson M. E., Colli M., Stagnaro M., Lanza G. L., Lewis E., Kilsby C. G. & O’Connell P. E., 2018. Quantifying and mitigating wind-induced undercatch in rainfall measurements. Water Ressource Research, 54, 3863-3875. https://doi.org/10.1029/2017WR022421

Richards F. et Arkin P., 1981. On the relationship between satellite-observed cloud cover and precipitation. Monthly Weather Review, 109, 1081-1093.

Saddiqi D., 2017. Intempéries, l’axe Rabat-Salé sous l’eau. Huffington Post MG, 23/02/2017, https://www.huffpostmaghreb.com/entry/inondations-intemperies-sale_mg_14963090

Schmetz J. et Nuret M., 1987. Automatic tracking of high level clouds. ESA journal, 11, 257-286. Document en ligne

Schneider U., Becker A. Finger P, Meyer-Christopher A., Ziese M. et Rudolf B., 2014. GPCC’s new land surface precipitation climatology based on quality-controlled in situ data and its role in quantifying the global water cycle. Theoretical and Applied Climatology, 115, 15-40. https://doi.org/10.1007/s00704-013-0860-x

Seto T., Kubota T., Igushi T, Takahashi N. et Oki T., 2009. An evaluation of over-land rain rate estimates by the Gsmap and Gprof algorithms ; the role of low frequency channels. Journal of the Meteorological Society of Japan, 87A, 183-202. https://doi.org/10.2151/jmsj.87A.183

Simpson J., Kummerow C., Tao W. et Adler R. F., 1996. On the Tropical Rainfall Measurement Mission. Meteorology and Atmospheric Physics, 60(1), 19-36. https://doi.org/10.1007/BF01029783

Snijders F. L., 1991. Rainfall monitoring based on Meteosat data, a comparison of techniques applied to western Sahel. International Journal of Remote Sensing, 12(6), 1331-1347. https://doi.org/10.1080/01431169108929729

Speirs P., Gabella M. et Berne A., 2017. A comparison between the GPM dual-frequency radar and ground-based radar precipitation rate in the Swiss Alps and Plateau. Journal of Hydrometeorology, 18, 1247-1269. https://doi.org/10.1175/JHM-D-16-0085.1

Spencer R. W., Goodman H. et Hood R. E., 1989. Precipitation retrieval over land and ocean with the SSM/I : Identification and characteristics of the scattering signal. Journal of Atmospheric and Oceanic Technology, 6, 254-273. https://doi.org/10.1175/1520-0426(1989)006%3C0254:PROLAO%3E2.0.CO;2

Stephens G., Winker D., Pelon J., Trepte C., Vane D., Yuhas C., Lecuyer T. et Lensock M., 2018. Cloudsat and Calipso within the A-train, ten years of actively observing the earth system. Bulletin of the American Meteorological Society, March issue, 569-581.

Taupin J.-D., Amani A. et Lebel T., 1998. Variabilité spatiale des pluies au Sahel, une question d’échelle. Actes de la conférence Water ressources variability in Africa during the XXth century, Abidjan, Côte d’Ivoire, 143-151. https://www.documentation.ird.fr/hor/fdi:010028299

Tonnerre-Guérin M., 1976. A propos de quelques techniques d’utilisation des images satellites en météorologie. Contribution à l’analyse synoptique des latitudes moyennes de l’hémisphère Nord. Norois, 89, 5-31. https://www.persee.fr/doc/noroi_0029-182x_1976_num_89_1_3499

Ungersböck M., Rubel F., Fuchs T. et Rudolf B., 2002. Bias correction of global daily raingauge measurements. Physics and Chemistry of the Earth, 26, 411-414. https://www.vetmeduni.ac.at/fileadmin/v/oeffentliches-veterinaerwesen/RUBEL_pdf/PCE_03.pdf

Velden C., Harper B., Wells F., Beven J., Zehr R., Olander T., Mayfield M., Guard C., Lander M., Edson R., Avila L. Burton A., Turk M., Kikuchi A., Christian A., Caroff P. et McCrone P., 2006. The Dvorak tropical cyclone intensity estimation technique, a satellite‐based method that has endured for over 30 years. Bulletin of the American Meteorological Society, 87, 1195-1210. https://doi.org/10.1175/BAMS-87-9-1195

Vincente G.A., Scofield R. A. et P. Menzel, 1998. The operationnal GOES infrared rainfall estimation technique. Bulletin of the American Meteorological Society, 79(9), 1983-1998. https://doi.org/10.1175/1520-0477(1998)079%3C1883:TOGIRE%3E2.0.CO;2

Wilheit T. T., Chang A., Rao M., Rodgers E. et Theon J., 1977. A satellite technique for quantitavely mapping rainfall rates over the oceans. Journal of Applied Meteorology, 16, 551-560. https://doi.org/10.1175/1520-0450(1977)016%3C0551:ASTFQM%3E2.0.CO;2

Xie P. et Arkin P. A., 1995. An intercomparison of gauge observations and satellite estimates of monthly precipitation. Journal of Applied Meteorology, 34, 1143-1160. https://doi.org/10.1175/1520-0450(1995)034%3C1143:AIOGOA%3E2.0.CO;2

Yang S. et Nesbitt S., 2014. Statistical properties of precipitation as observed by the TRMM precipitation radar. Geophysical Research Letter, 41(15), 5636-5643. https://doi.org/10.1002/2014GL060683

Zhang X., Zheng X., Yang C. et Luo S., 2013. A new weighting function for estimating microwave sounding unit Channel 4 temperature trends simulated by CMIP5 climate models. Advances in Atmospheric Science, 30(3), 779-789. https://doi.org/10.1007/s00376-013-2152-x

Annexes

Liste des sigles et acronymes

AGPI : Ajusted GPI

AMSU : Advanced MSU

ATMS : Advanced Technology Microwave Sounder

CPC : Climate Prediction Center

CMORPH : Cpc MORPHing technique

CGMS : Coordination Group for Meteorological Satellite

CRU : Climate Research Unit

DMSP : Defence Meteorological Satellite Program

DPR : Dual-frequency Precipitation Radar

DWD : Deutscher WetterDienst

ECMWF : European Center for Medium range Weather Forecast

EPSAT : Estimation des Précipitations par SATellite

EUMETSAT : European METeorological SATellites

GATE : GEWEX Atlantic Tropical Experiment

GEWEX : Global Energy and Water cycle EXchange

GHCN : Global Historical Climatology Network

GMI : Gpm Microwave Imager

GOES : Geostationary Operational Environmental Satellite

GPCC : Global Precipitation Climatology Center

GPCP : Global Precipitation ClimatologyProgram

GPI : Goes Precipitation Index

GPM : Global Precipitation Measurement

GPROF : Goddard PROFiler

GSFC : Goddard Space Flight Center

GSOD : Global Summary Of the Day

IMERG : Integrated Multi-satellitE Retrievals for Gpm

IPCC : Intergovernmental Panel on Climate Change

LIS : Lightning Imager Sensor

JAXA : Japanese Aerospace eXploration Agency

JMA : Japanese Meteorological Agency

NASA : National Aeronautic and Space Administration

MSG : Météosat de Seconde Génération

MSU : Microwave Sounding Unit

NCDC : National Climatic Data Center

NOAA : National Oceanic and Atmspheric Administration

NPOESS : National Polar Orbiting Environmental Satellite System

NPP : Npoess Preparatoty Project

OTB : Orfeo ToolBox

PERSIAN-CSS : Precipitation Estimation from Remotely Sensed Imagery using an Artificial Neural Network-Cloud Classification System

PMM : Precipitation Measurement Missions

SEVIRI : Spinning Enhanced Visible and InfraRed Imager

SSM/I : Special Sensor Microwave I

TIROS : Television and InfraRed Observation Satellite

TOGA-COARE : Tropical Ocean Global Atmosphere – Coupled Ocean Atmosphere Response Experiment

TRMM : Tropical Rainfall Measurement Mission

VIRS : Visible InfraRed Scanner

Pour citer ce document

Référence électronique : Jean-Claude Berges « GPM, le programme Global Precipitation Measurement (NASA/JAXA) –  Fondements théoriques et accès à la base de données », Climatologie [En ligne], mis à jour le : 14/04/2020, URL : http://lodel.irevues.inist.fr/climatologie/index.php?id=1374, https://doi.org/10.4267/climatologie.1374

Auteur(s)

Jean-Claude Berges

UMR 8586 PRODIG, Université Paris 1 Panthéon-Sorbonne, Paris, France
jean-claude.berges[at]univ-paris1.fr