Homogenization and trend estimation of GNSS water vapour observations and atmospheric reanalyses. Application to climate change analysis. - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Homogenization and trend estimation of GNSS water vapour observations and atmospheric reanalyses. Application to climate change analysis.

Homogénéisation et estimation des tendances des observations GNSS de la vapeur d’eau et des réanalyses atmosphériques. Application à l’analyse du changement climatique.

Résumé

Water vapour plays an important role in the Earth’s energy balance and hydrological cycle. As the climate warms, water vapour in the atmosphere tends to increase, but the geographical distribution of water vapour trends in climate model simulations and observations remains quite uncertain. Global Navigation Satellite Sys- tem (GNSS) estimates of Integrated Water Vapor (IWV) are a new data source that may serve for the verification of observed and simulated water vapour trends. Previous studies have reported inhomogeneities in the GNSS IWV records due to changes in the station instrumentation and in data processing methods, and recommended their homogenization for climate applications. Following modern approaches to climate data homogenization, this study uses a statistical segmentation method to detect abrupt changes, called change-points, in the mean (or jumps) of IWV differences series between GNSS and reanalysis data. Difference series are used to mitigate the strong temporal variability inherent in the IWV series which makes the detection of small jumps difficult on the raw series. This study employs the GNSSseg R package developed by Quarello (2020). The first objective of this thesis was to investigate the sensitivity of the segmentation results and trend estimates to the input data properties. Two specific GNSS datasets were considered as inputs (IGS repro1 and CODE REPRO2015) and two different reanalysis products (ERA-Interim and ERA5). It is found that only 45-50% similar change-points are detected when the input data are altered. Altering the series length or the auxiliary data used in the processing of GNSS IWV data has a smaller impact, with 70-80% similar detections. Segmentation results are sensitive to the noise magnitude and the presence of a periodic bias in the input data, mainly due to representativeness differences between the GNSS observations and reanalysis. More recent GNSS and reanaly- sis products have smaller differences and allow the detection of smaller jumps. The subsequent trend estimates are sensitive to the number and position of change-points. Therefore, validation of detected change-points is a crucial step before trend estimation. It is found that changes in GNSS instrumentation available as metadata can explain 35% of change-points, leaving 65% as either undocumented GNSS changes or changes in the reanalysis data. The second objective of this thesis was to develop an automatic classification method, operated as a post- processing step, to distinguish GNSS and reanalysis change-points. The proposed "attribution" method combines GNSS and reanalysis data from a main station with similar data from nearby stations. Each main-nearby pair comprises four base series from which six series of differences are formed. Then, for each detected change-point in the main series, a significance test is applied to the mean before and after the change-point, and a classifier or a statistical predictive rule is constructed to attribute the tested change-point to GNSS or reanalysis. When several nearby stations are available, a combined solution is proposed. The original aspect of the developed attribution method is the use of a generalized least-squares inference method, to account for heteroscedasticity and autocorrelation in the data, and a machine learning classifier. The main novelty is the way in which the predictive rule is constructed, using test results obtained from the real data with a resampling procedure. Sensitivity analysis shows that the prediction results depend somehow on the resampling strategy, using balanced or imbalanced samples, on the test significance level, and also on the magnitude of the noise in the data. A limiting factor in spare networks is the large noise with long distance between the main and nearby stations. When applied to the CODE REPRO2015 GNSS data and ERA5 reanalysis, 62% of the tested change-points are attributed to GNSS, 19% to the reanalysis, and 10% to changes in both GNSS and reanalysis.
La vapeur d’eau joue un rôle important dans le bilan énergétique et le cycle hydrologique de la Terre. Avec le réchauffement climatique, la vapeur d’eau dans l’atmosphère a tendance à augmenter, mais la répartition géographique des tendances de la vapeur d’eau dans les modèles climatiques et dans les observations reste assez incertaine. Les estimations de la vapeur d’eau intégrée (IWV) fournies par le système mondial de navigation par satellite (GNSS) constituent une nouvelle source de données qui peut servir à confirmer les tendances observées et simulées de la vapeur d’eau. Des études précédentes ont montré l’existence d’inhomogénéités dans les enregistrements IWV du GNSS dues aux changements des instruments de mesures des stations et dans les méthodes de traitement des données, et ont recommandé leur homogénéisation pour les applications climatiques. Comme les approches récentes d’homogénéisation de données climatiques, cette étude utilise une méthode statistique de segmentation pour détecter les changements abrupts appelées ruptures dans la moyenne des séries de différences IWV entre les données GNSS et les données de réanalyse. Les séries de différences sont utilisées pour atténuer la forte variabilité temporelle inhérente aux séries IWV, rendant difficile la détection de petits sauts sur les séries brutes. Cette étude utilise le package R GNSSseg développé par Quarello (2020). Le premier objectif de cette thèse était d’étudier la sensibilité des résultats de la segmentation et des estimations de tendances aux propriétés des données d’entrée. Deux jeux de données GNSS spécifiques ont été consid- érés (IGS repro1 et CODE REPRO2015) ainsi que deux réanalyses différentes (ERA-Interim et ERA5). Il s’avère que seuls 45 à 50% de ruptures communes sont détectées entre les deux jeux de données GNSS. La longueur de la série ou l’utilisation de données auxiliaires dans le traitement des données GNSS IWV a un impact plus faible, avec 70 − 80% de détections similaires. Les résultats de la segmentation sont sensibles au niveau de bruit et à la présence d’un biais périodique dans les données, qui sont principalement dus à des différences de représentativité entre les observations GNSS et les réanalyses. Les données récentes de GNSS et de réanalyses présentent des différences moins importantes et permettent la détection de sauts plus faibles. Les estimations des tendances résultantes sont sensibles au nombre et à la position des ruptures. C’est pourquoi la validation des ruptures détectées est une étape cruciale avant l’estimation des tendances. Il a été constaté que les changements d’instruments GNSS disponibles sous forme de métadonnées peuvent expliquer 35% des ruptures, en laissant 65% non documentés ou correspondants à des inhomogénéités dans les réanalyses. Le deuxième objectif de cette thèse était de développer une méthode de classification automatique de post- détection pour distinguer les ruptures du GNSS de la réanalyse. La méthode "d’attribution" proposée combine les données GNSS et de réanalyse d’une station principale avec des données similaires de stations voisines. Chaque paire "station principale-station voisine" comprend quatre séries de base à partir desquelles six séries de différences sont formées. Ensuite, pour chaque rupture détectée dans la série principale, un test de significativité du saut de moyenne à cet instant est effectué, et une règle statistique de prédiction est construite pour attribuer la rupture testée au GNSS ou à la réanalyse. Lorsque plusieurs stations proches sont disponibles, une solution combinée est proposée. L’aspect original de la méthode d’attribution développée est l’utilisation d’une méthode d’inférence généralisée des moindres carrés, pour tenir compte de l’hétéroscédasticité et de l’autocorrélation dans les données, et d’une méthode d’apprentissage automatique. La principale nouveauté réside dans la manière dont la règle de prédiction est construite, en utilisant les résultats des tests obtenus à partir des données réelles avec une procédure de rééchantillonnage. Une analyse de sensibilité montre que les prédictions dépendent d’une manière ou d’une autre de la stratégie de rééchantillonnage, en utilisant des échantillons équilibrés ou déséquilibrés, du niveau de significativité du test et également du niveau de bruit dans les données. Un facteur limitant dans les réseaux éparses est le bruit élevé quand les séries sont très éloignées. Lorsque la méthode est appliquée aux données GNSS CODE REPRO2015 et à la réanalyse ERA5, 62% des ruptures testées sont attribuées au GNSS, 19% à la réanalyse et 10% à des changements à la fois dans le GNSS et la réanalyse.
Fichier principal
Vignette du fichier
Ninh_thesis_final.pdf (60.61 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-04354790 , version 1 (19-12-2023)

Licence

Domaine public

Identifiants

  • HAL Id : tel-04354790 , version 1

Citer

Khanh-Ninh Par. Homogenization and trend estimation of GNSS water vapour observations and atmospheric reanalyses. Application to climate change analysis.. Environmental Sciences. IPGP, Université Paris Cité, 2023. English. ⟨NNT : ⟩. ⟨tel-04354790⟩
48 Consultations
4 Téléchargements

Partager

Gmail Facebook X LinkedIn More