Innovative methods for retrieving cloud properties from the BASTA radar

Les nuages sont essentiels à de nombreux aspects de l'existence humaine sur terre. Ils ont également un impact significatif sur le bilan énergétique de la Terre. Bien que l'effet des nuages sur le climat soit complexe et ne soit pas entièrement compris, une grande partie de l'incertitude concernant le réchauffement climatique est liée aux mécanismes de rétroaction des nuages sur le climat. Des études ont montré que la représentation des nuages de basse altitude est encore sous-estimée dans divers modèles climatiques. La nécessité d'examiner les propriétés des nuages à différents niveaux est devenue une priorité dans l'observation de la terre. Des observations continues et détaillées des nuages sont nécessaires pour caractériser les propriétés des nuages à l'échelle locale et mondiale. Les instruments de télédétection active et passive tels que les radars de nuages, les lidars, les radiomètres dans le visible et les micro-ondes, etc. ont l'avantage de permettre une observation continue pendant de longues périodes depuis le sol ou l'espace. Ces capteurs fournissent des observations de l'état de l'atmosphère à plusieurs longueurs d'onde du spectre électromagnétique à différentes résolutions temporelles et spatiales.Un des paramètres fondamentaux pour caractériser les propriétés microphysiques de ces nuages de basse altitude est le contenu en eau liquide (LWC). Cette thèse vise à développer un algorithme d'estimation du LWC dans les nuages de basse altitude en utilisant de manière synergique le radar de nuage et le radiomètre micro-ondes (MWR). Un radar de nuages à 95GHz mesure l'énergie rétrodiffusée par les gouttelettes nuageuses et est représentée par le facteur de réflectivité radar (Z).. Pour retrouver le LWC des nuages liquides de basse altitude, on utilise traditionnellement des relations empiriques qui suivent une loi de puissance telle que Z=aLWCb. Cependant, ces relations ne représentent pas toujours la variabilité de la distribution en taille des gouttes dans un système nuageux hétérogène et ne tiennent pas compte de l’atténuation des nuages liquides. Dans cette thèse, je propose de réutiliser le même concept, mais la contrainte sur la pré-facteur 'a' de la loi de puissance est relachée en ajoutant des informations supplémentaires telles que le contenu intégré en eau liquide (LWP).Mon algorithme de restitution est basé sur une théorie d'estimation probabiliste appelée approche variationnelle. Grâce à ce cadre flexible, lorsque l’information sur le contenu en eau liquide intégré provenant du MWR est assimilée, le pré-facteur « a » peut également être restitué. Pour tester le comportement de l'algorithme, un test de sensibilité est réalisé en utilisant des profils de brouillard synthétiques issus d’une simulation AROME. L'analyse a montré que l'algorithme est très sensible au biais appliqué à LWP car il s'agit d'une information intégrée verticalement qui va impacter l’ensemble du profil. D'autres paramètres, tels que l’exposant 'b' et des relations d'atténuation alternatives, ont moins d'impact sur les résultats de l'algorithme.Comme le test de sensibilité ne permet pas de valider les hypothèses microphysiques de la méthode, le LWC restitué est comparé aux observations in-situ recueillies pendant la campagne SOFOG-3D. Les observations d'un radar nuage et d'un radiomètre micro-ondes co-localisés sont utilisées pour restituer LWC, et la comparaison a montré une meilleure concordance avec les observations in-situ pour les stratus que pour le brouillard.. Enfin, l'algorithme est appliqué à 39 cas de nuages et de brouillard de novembre 2018 à mai 2019 à l'observatoire SIRTA afin de construire une climatologie de LWC et de valeurs de pré-facteur « a ». Puisque la méthode de restitution doit être utilisable même sans information du radiomètre, nous proposons d'utiliser cette climatologie comme connaissance a priori des valeurs du pré-facteur « a » ce dernier n’étant contraint par le LWP.Clouds are critical to the majority of aspects of human existence on earth. They also have a significant impact on the earth's energy balance. Although the effect of clouds on the climate is complex and not fully understood, much of the uncertainty about global warming is related to the cloud-climate feedback problem. Studies have shown that the representation of low-level clouds is still underestimated in various climate models. The necessity to examine the cloud properties at different levels has emerged as a priority in earth observation. Continuous and detailed observations of clouds are needed to characterize the cloud properties on a local and global scale. Active remote and passive sensing instruments like cloud radars, lidars, visible and microwave radiometers, etc., have the advantage of continuous observation for long periods from the ground or space.One of the fundamental parameters to characterize the microphysical properties of these low-level clouds is the liquid water content (LWC). This thesis aims at developing an algorithm estimating LWC in low-level clouds using cloud radar and microwave radiometer (MWR) synergy when the latter is available. A 95GHz cloud radar measures the backscattered energy from cloud droplets in terms of radar reflectivity factor (Z). In the Rayleigh regime, Z is considered proportional to the sixth moment of droplet size. Traditionally, empirical relations following a power law such as Z=aLWCb are used to retrieve the LWC of low-level liquid clouds. However, such relationships do not always represent the variability of drop size distribution in a heterogeneous cloud system and do not account for liquid cloud attenuation. In this thesis, I propose using the same concept, but the constraint on ‘a’ from the power law is released by adding extra information such as the liquid water path (LWP). Studies have shown that the accuracy of LWC estimates can be increased by incorporating additional information from an independent remote sensing instrument like a microwave radiometer (MWR) in the retrieval method.My retrieval algorithm is based on probabilistic estimation theory called the variational approach. Thanks to this flexible framework, when liquid water path (LWP) information from MWR is assimilated, the LWC in the profile is scaled by LWP information, and the scaling factor (lna) can also be retrieved for each profile. To test the behavior of the retrieval algorithm, a sensitivity analysis for perturbations in key parameters using synthetic fog profiles from AROME simulation is conducted. The analysis has shown that the algorithm is very sensitive to the bias in LWP because it is a vertically integrated information and thus plays a critical role in the retrieval. Other parameters, such as 'b' and alternative attenuation relationships, have less implications on the stability of the algorithm.Because the sensitivity test is not validating the microphysical assumptions of the method,the validation of such an algorithm is challenging, as we need reference measurements of LWC co-located with the retrieved values.During the SOFOG-3D campaign (South-West of France, October 2019 to March 2020), in-situ measurements of LWC were collected in the vicinity of a cloud radar and a microwave radiometer, allowing comparison against my retrieved LWC. The comparison showed better agreement with in-situ observations for stratus clouds than fog. The comparison also demonstrated that cloud-fog heterogeneity is an important factor in the assessment. Finally, the retrieval algorithm is employed to build a climatology of LWC and lna for 39 cloud and fog cases from November 2018 to May 2019 at the SIRTA observatory. Since the retrieval method must be usable without radiometer information, we propose using this climatology as a priori knowledge for the scaling factor, which is no longer constrained by LWP