Contenu

Microphysique de la neige (3/3) : comment mesurer dans les nuages ?

25 février 2022, 1 Commentaire

Pour finir la saison hivernale, nous proposons un dernier blog sur la microphysique de la neige. Dans le précédent blog de cette série, nous avons décrit comment un cristal de glace se forme dans un nuage et grandit en flocon de neige. Nous avons notamment expliqué les processus de croissance par déposition de vapeur, agrégation et givrage. Dans ce troisième et dernier épisode, nous verrons comment on peut identifier ces processus grâce aux radars météorologiques et aux instruments in-situ.

Radar météorologique de la Pointe de la Plaine Morte 2’937 m d’altitude. Mis en fonction en 2014. Copyright : MétéoSuisse
Radar météorologique de la Pointe de la Plaine Morte 2’937 m d’altitude. Mis en fonction en 2014. Copyright : MétéoSuisse

Lien vers les épisodes précédents sur la microphysique de la neige : aperçu historique (1/3) et processus principaux (2/3).

Radars météorologiques

Le terme radar est parfois utilisé comme « fourre-tout » pour simplement désigner une animation de précipitations. On entend souvent dire des phrases du type « le radar de MétéoSuisse s’est trompé, il prévoyait de la pluie sur ma région, mais il n’a pas plu ». Il est utile de rappeler qu’un radar ne fait pas de prévision, il s’agit d'un appareil de mesure. Dans l’animation de précipitations de notre App, les données du passé correspondent aux mesures du radar, les données dans le futur correspondent aux prévisions de nos différents modèles. Il est vrai que les prévisions dans l’avenir proche (jusqu’à +6 h) sont fortement influencées par les mesures du radar, mais le radar lui-même ne fait pas de prévision.

Un peu d’histoire

Mais que se cache-t-il donc derrière le mot fourre-tout « radar » ? Radar est un acronyme de « Radio Detection and Ranging » utilisé durant la Seconde Guerre mondiale pour désigner un instrument émettant des ondes radio (fréquence < 1 GHz) pour détecter des avions et mesurer leur distance (d’où le « ranging »). Aux fréquences radio, les précipitations n’étaient pas visibles. Rapidement, des radars émettant des micro-ondes (1 – 100 GHz) ont été construits, car ils étaient plus petits que ceux émettant des ondes radio. À ces fréquences plus élevées, non seulement les avions étaient visibles, mais également des échos de plus grande échelle, initialement considéré comme du bruit. Il a été rapidement réalisé que ces échos correspondaient à des précipitations. Ainsi est né le domaine de la météorologie radar, à l’interface entre science atmosphérique et ingénierie électromagnétique. Cette découverte allait remplir un réel trou d’observations entre la micro-échelle (< 1 km) et l’échelle synoptique (> 1000 km). En effet, les mesures au sol permettaient des observations à la micro-échelle et en regroupant toutes ces mesures à l’échelle continentale, on pouvait avoir une idée de la situation météorologique à l’échelle synoptique. Par contre, le réseau n’était pas assez dense pour capturer la structure des systèmes à la méso-échelle (1 – 1000 km). Les radars ont justement rendu possible les premières observations à la méso-échelle, ce qui a permis d’étudier la structure des systèmes précipitants, en particulier des orages.

Fonctionnement d’un radar

Mais comment fonctionne donc un radar ? Un radar émet des ondes électromagnétiques dans l’atmosphère (Figure 1) et mesure la puissance « réfléchie » (plus exactement rétrodiffusée) par les hydrométéores (c.-à-d. les particules d’eau dans l’atmosphère : gouttes de pluie, flocons de neige, grêlons…). Connaissant la puissance émise par le radar et celle reçue en retour par la rétrodiffusion des hydrométéores, on peut déduire avec l’équation radar une variable qui est directement liée à la taille et à la concentration des hydrométéores : la réflectivité. C’est à partir de la réflectivité qu’on estime l’intensité des précipitations en mm/h visible sur les mesures radar de notre App. C’est bien beau tout ça, mais nous vous avons promis en début d’article que les radars pouvaient identifier des processus de croissance des flocons de neige, or, jusqu’ici nous avons juste parlé d’intensité de précipitations. Nous y venons. La Figure 1 montre que notre radar émet et reçoit des ondes sur une polarisation horizontale (en bleu), ce qui nous permet d’en déduire la réflectivité horizontale. Si ce même radar émet en plus sur une polarisation verticale, on peut calculer la réflectivité verticale, qui est liée à la dimension verticale des hydrométéores. C’est le principe de la double polarisation. Nous avons donc maintenant une information sur la dimension verticale et horizontale des hydrométéores, ce qui nous permet d’en déduire leur forme. La variable la plus simple à comprendre est la réflectivité différentielle : il s’agit de la différence entre la réflectivité horizontale et verticale (Figure 1). Par exemple pour les gouttes de pluie, plus elles sont grosses, plus elles sont oblongues (« plates ») : leur dimension horizontale est plus élevée que leur dimension verticale et donc la réflectivité différentielle augmente. Ceci est également valable pour les cristaux de glace grandissant par déposition de vapeur : ils deviennent de plus en plus allongés (Figure 1). Au contraire, les processus d’agrégation et de givrage ont tendance à rendre les particules plus sphériques (voir Figure 5 du deuxième épisode) et donc à diminuer leur réflectivité différentielle.

Affichage aggrandi: Figure 1 : Fonctionnement d’un radar à double polarisation. L’onde bleue représente la polarisation horizontale et rouge la verticale. ZH représente la réflectivité à polarisation horizontale et ZV celle à polarisation verticale. À mesure que la taille des gouttes de pluie ou des cristaux de glace augmentent, ils deviennent plus allongés et donc leur réflectivité différentielle augmente (leur extension horizontale devient de plus en plus grande que leur extension verticale). À noter qu’une goutte de pluie n’a pas la forme d’une larme comme souvent dessinée, mais plutôt d’un « smarties ».
Figure 1 : Fonctionnement d’un radar à double polarisation. L’onde bleue représente la polarisation horizontale et rouge la verticale. ZH représente la réflectivité à polarisation horizontale et ZV celle à polarisation verticale. À mesure que la taille des gouttes de pluie ou des cristaux de glace augmentent, ils deviennent plus allongés et donc leur réflectivité différentielle augmente (leur extension horizontale devient de plus en plus grande que leur extension verticale). À noter qu’une goutte de pluie n’a pas la forme d’une larme comme souvent dessinée, mais plutôt d’un « smarties ».
Copyright : J. Gehring, MétéoSuisse. Les images du cristal en croissance viennent de snowcrystals.com, les gouttes de pluie de www.usgs.gov.

Grâce à la double polarisation, on peut calculer une multitude de variables qui nous donnent toutes des informations légèrement différentes sur la forme, la densité, la taille et la concentration des hydrométéores. Cela permet notamment d’identifier le type d’hydrométéores dominants dans les mesures radar. D’ailleurs à MétéoSuisse, un algorithme de classification d’hydrométéores a été développé (Besic et al. 2016) grâce à une collaboration étroite avec l’EPFL. Un exemple d’utilisation de cet algorithme sur le front froid qui est passé lundi 21 février est présenté dans les Figures 2 et 3. La Figure 2 montre le champ de réflectivité. On voit bien la zone de précipitations intenses associée au front froid sur le Jura français. À partir de cette image et de trois autres correspondant à d’autres variables radar (notamment la réflectivité différentielle), l’algorithme est capable d’identifier les hydrométéores dominants, tels que représenté dans la Figure 3. On voit donc que le système est dominé par des agrégats (en bleu foncé) et que la zone de précipitations la plus intense contient des particules givrées (en vert) et même du graupel (en orange), aussi appelé neige roulée. Comme expliqué dans l’épisode précédent, l’agrégation et le givrage sont nécessaires pour des précipitations intenses. Il n’est donc pas étonnant d’observer des agrégats et des particules fortement givrées dans ce front froid très actif.

Affichage aggrandi: Figure 2 : Réflectivité mesurée par le radar de la Dôle à 05:25 CET le 21 février 2022. Le radar se trouve au centre de l’image et le cône qui s’étend au nord-est représente la zone aveugle du radar, dû au radar de Skyguide installé juste à côté de celui de MétéoSuisse et qui bloque sa visibilité en direction du nord-est.
Figure 2 : Réflectivité mesurée par le radar de la Dôle à 05:25 CET le 21 février 2022. Le radar se trouve au centre de l’image et le cône qui s’étend au nord-est représente la zone aveugle du radar, dû au radar de Skyguide installé juste à côté de celui de MétéoSuisse et qui bloque sa visibilité en direction du nord-est.
Source : MétéoSuisse.

Instruments in situ

Les radars nous permettent de mesurer à distance des propriétés physiques des hydrométéores, mais il s’agit d’une mesure indirecte. Pour mesurer directement les propriétés des hydrométéores, il faut faire des mesures in situ, soit au sol, soit directement dans les nuages. Pour cela, différents instruments d’imagerie permettent d’observer directement les hydrométéores. Nous présentons ici un instrument nommé « multi-angle snowflake camera » ou caméra à flocons de neige. MétéoSuisse utilise cet instrument pour différentes campagnes de mesures (SPICE, ICE-POP 2018, ICE-GENESIS). Son fonctionnement est illustré dans la Figure 4. Lorsqu’un flocon de neige tombe à l’intérieur de l’instrument, des capteurs à infrarouge déclenchent trois caméras et trois flashs qui prennent des photos à haute résolution du flocon depuis trois angles différents. Cela permet d’avoir une vision tridimensionnelle du flocon et de le classifier selon sa forme et son degré de givrage (Figure 4). Cette classification se fait grâce à un algorithme d’apprentissage automatique (Praz et al. 2016) élaboré à travers une collaboration entre MétéoSuisse et l’EPFL.

De telles observations in situ permettent non seulement de vérifier nos interprétations des données radar, mais aussi d’obtenir des informations individuelles sur les hydrométéores (p.ex. leur dimension et vitesse de chute), alors que les données radars nous donnent des informations moyennes sur un volume d’environ 1 million de m3 pouvant contenir 1 milliard d’hydrométéores !

Affichage aggrandi: Figure 4 : Illustration du fonctionnement du « multi-angle snowflake camera » ou caméra à flocons de neige. La classification nous donne notamment le type de flocons : cristaux individuels de différentes formes (CC, PC, CPC), agrégats (AG) et graupel (GR).
Figure 4 : Illustration du fonctionnement du « multi-angle snowflake camera » ou caméra à flocons de neige. La classification nous donne notamment le type de flocons : cristaux individuels de différentes formes (CC, PC, CPC), agrégats (AG) et graupel (GR).
Copyright : image du MASC, J. Gehring; images des flocons, Praz et al. 2016.

À quoi tout cela peut-il servir ?

Vous vous demandez peut-être : c’est bien beau d’observer la forme des flocons de neige dans les nuages, mais à quoi cela peut-il bien servir ? Et bien tous les processus microphysiques décrits dans l’épisode 2 (déposition de vapeur, agrégation, givrage et sublimation) sont représentés dans les modèles de prévision météorologique, afin de modéliser correctement l’intensité des précipitations. Il est donc primordial que ces processus soient correctement pris en compte dans les modèles, afin d’avoir une bonne prévision des quantités de précipitations. Il faut donc être capable de les observer, non seulement pour vérifier les modèles, mais également pour améliorer notre compréhension de ces processus et la manière dont ils sont représentés dans les modèles.

Pour plus de lecture

En plus des liens intégrés dans cet article, vous trouverez plus d’informations sur les sujets abordés dans ce blog dans les références suivantes :

Et pour les plus aguerri·e·s, quelques références scientifiques en anglais :

  • Germann U.; Boscacci M.; Clementi L.; Gabella M.; Hering A.; Sartori M.; Sideris IV; Calpini B. 2022: Weather Radar in Complex Orography. Remote Sens. 2022, 14, 503. https://doi.org/10.3390/rs14030503
  • Besic N., Gehring J., Praz C., Figueras J., Grazioli J., Gabella M., Germann U., and A. Berne, 2018: Unraveling hydrometeor mixtures in polarimetric radar measurements, Atmos. Meas. Tech., 11, 4847-4866. https://doi.org/10.5194/amt-11-4847-2018
  • Besic N., Figueras J., Grazioli J., Gabella M., Germann U., Berne A., 2016: Hydrometeor classification through statistical clustering of polarimetric radar measurements: a semi-supervised approach, Atmos. Meas. Tech., 9, 4425-4445. doi: 10.5194/amt-2016-105
  • Praz C., Roulet Y.A., and A. Berne, 2017: Solid hydrometeor classification and riming degree estimation from pictures collected with a Multi-Angle Snowflake Camera, Atmos. Meas. Tech., 10, 1335-1357. doi: 10.5194/amt-10-1335-2017

Commentaires (1)

  1. Muriel MP, 01.03.2022, 06:53

    Excellent article de vulgarisation, comme d’habitude ! Merci pour ces éclairages sur une science complexe et fascinante.