A Multi-Parameter Empirical Ocean Algorithm for SSM/I Retrievals

Abstract

RÉSUMÉUn nouvel algorithme empirique multiparamétrique d'extraction de SSM/I (Special Sensor Microwave/Imager) basé sur l'approche par réseau de neurones est présenté. Cet algorithme permet d'extraire simultanément la vitesse du vent, la vapeur d'eau intégrée sur la colonne, l'eau liquide intégrée sur la colonne et les valeurs de SST (Sea Surface Temperature) en utilisant seulement les températures de brillance de SSM/I. Ce nouvel algorithme est comparé à six algorithmes existants d'extraction de la vitesse du vent SSM/I à l'échelle du globe. En termes de précision d'extraction de la vitesse du vent, le nouvel algorithme présente systématiquement une meilleure performance que les six algorithmes dans toutes les conditions de température où il est possible d'effectuer des extractions avec une erreur rms de 1.0 m/s dans des conditions de ciel clair et de 1.3 m/s dans des conditions de ciel clair et nuageux. L'algorithme génère aussi des données de vitesse de vent élevée avec une précision acceptable. Cette amélioration de la précision s'accompagne d'un accroissement de la couverture spatiale, un avantage marqué pour les applications opérationnelles. En termes de vapeur d'eau intégrée sur la colonne et d'eau liquide intégrée sur la colonne, le nouvel algorithme reproduit de près les résultats des algorithmes existants. Les extractions de SST sont moins précises et ont une résolution spatiale faible; toutefois, en incluant les valeurs de SST comme extrant supplémentaire, on observe un accroissement de la précision de l'extraction de la vitesse du vent particulièrement dans les cas de vitesse de vent élevée. En avril 1998, le nouvel algorithme fut implanté de façon opérationnelle dans le système global d'assimilation des données des National Centers for Environmental Prediction. Enfin, cet algorithme d'extraction de SSM/I, représente une nouvelle approche générique dans le développement d'un algorithme d'extraction empirique multiparamétrique basé sur les réseaux de neurones. En raison de sa généralité, cette approche pourrait également s'appliquer à d'autres domaines de la télédétection.