Utilisation des donn es altim triques pour valider les s ries temporelles des flotteurs argo
This presentation is the property of its rightful owner.
Sponsored Links
1 / 23

Utilisation des données altimétriques pour valider les séries temporelles des flotteurs Argo PowerPoint PPT Presentation


  • 62 Views
  • Uploaded on
  • Presentation posted in: General

Utilisation des données altimétriques pour valider les séries temporelles des flotteurs Argo. Stéphanie Guinehut CLS, Division d’Océanographie Spatiale. Objectifs. Contrôle des données en temps quasi-réel (boucle courte), avant le DMQC

Download Presentation

Utilisation des données altimétriques pour valider les séries temporelles des flotteurs Argo

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Utilisation des donn es altim triques pour valider les s ries temporelles des flotteurs argo

Utilisation des données altimétriques pour valider les séries temporelles des flotteurs Argo

Stéphanie Guinehut

CLS, Division d’OcéanographieSpatiale


Objectifs

Objectifs

  • Contrôle des données en temps quasi-réel (boucle courte), avant le DMQC

  • Flaguer les données dès qu’un dysfonctionnement est détecté

  •  base de données plus propre en temps réel

  •  contrôle de cohérence sur l’ensemble du jeu de données

  • Utilisation de données altimétriques contemporaines aux mesures Argo

  •  SLA / DHA corrélées

  •  SLA = activité mésoéchelle + variabilité interannuelle, meilleur qu’une climatologie

  • Analyses effectuée pour chaque flotteur Argo

  • S. Guinehut, C. Coatanoan, A.-L. Dhomps, P.-Y. Le Traon and G. Larnicol, 2009: On the use of satellite altimeter data in Argo quality control, JAOT, vol26, pp 395-402.


Reminder of the method

Reminder of the method

  • The main idea is to compare co-located :

    • Altimeter Sea Level Anomalies (SLA)

    • and Dynamic Height Anomalies (DHA) from Argo T/S profiles

      for each Argo float time series

  • Method :

    DHA = DH – Mean-DH/ SLA

    2 times series co-located in time and space

    SLA : AVISO combined maps

    DHA : Argo Coriolis-GDAC data base

    DH calculated from T/S profiles using a ref. level at 200, 400, 900, 1200 or 1900 dbar

    only data with : POSITION_QC = ‘0’, ‘1’, ‘5’, ‘8’

    JULD_QC = ‘0’, ‘1’, ‘5’, ‘8’

    PRES/TEMP/PSAL_QC = ‘1’ (DATA_MODE=‘R’)

    PRES_ADJ/TEMP_ADJ/PSAL_ADJ_QC = ‘1’ (DATA_MODE=‘A’/’D’)

    Mean-DH : contemporaneous Argo synthetic climatology


Global results very good consistency

Global results – very good consistency

  • The majority of floats !

Float : 1900586

r : 0.96

rms-diff : 12.53 %

mean-diff : -2.27 cm

samples : 90


Global results very good consistency1

Global results – very good consistency

Float : 3900133

r : 0.91

rms-diff : 20.44 %

mean-diff : -0.73 cm

samples : 147


Global results very good consistency2

Global results – very good consistency

Float : 2900138

r : 0.94

rms-diff : 6.53 %

mean-diff : 1.20 cm

samples : 112


Method

Method

  • Method :

  • DHA = DH – Mean-DH/ SLA

  • Differences between DHA and SLA can arises from :

    • Differences in the physical content of the two data sets

    • Problems in SLA (assumed to be perfect for the study)

    • Problems in the Mean-DH / Inconsistencies between Mean-DH and DH

    • Problems in DH (i.e. the Argo data set)

  • In order to minimize the problems in the Mean-DH, we use a synthetic climatology consistent with the Argo period

  • In order to take into account the differences in the physical content of the two data sets, mean representative statistics of these differences have first been computed


Mean representative statistics

Mean representative statistics

  • Computed using the same data set – questionable floats separated

  • Correlation coefficient (DHA/SLA) :

  • Rms of the differences(SLA-DHA) as % of SLA variance :

0.0 0.2 0.4 0.6 0.8 1.0

  • 30 50 70 90 110 130 150 %


Representative anomalies

Representative anomalies

  • Spike

Float : 5900155

  • Visual control needed

  • Bad salinity data at depth


Representative anomalies1

Representative anomalies

  • Offset

Float : 1900581

r : 0.61

rms-diff : 2187.00 %

mean-diff : 15 cm

samples : 69

* statistics on DHA-Real

DMQC has extracted the offset

 Salinity offset

Vertically averaged correction applied= -0.243 psu


Representative anomalies2

Representative anomalies

  • Drift

Float : 5900963

SP ~ –14 dbar

SLA-DHA ~ 6 cm

Figure : courtesy of Annie Wong

CYCLE NO ~ 119

Careful analysis by the DM operator

Evidence of a negative pressure drift

SLA

DHA (real-time)


Representative anomalies3

Representative anomalies

  • Chaotic

Float : 1900259

r : -0.2

rms-diff : 815.00 %

mean-diff : -10.3 cm

samples : 95

  • Profile to profile high variability


Global results updated every 3 months

Global results – Updated every 3 months

  • ftp://ftp.ifremer.fr/ifremer/argo/etc/argo-ast9-item13-AltimeterComparison

  • List of floats to be checked :

  • DACWMOINST-TYPETYPE OF ANOM

  • ------------------------------------------------------------------------------

  • kma2900434846spikes

  • meds4900116846offset

  • meds51886831offset

  • meds51887831offset

  • incois2900783846offset

  • coriolis1900651846spike

  • coriolis5900198842?

  • coriolis6900399841offset

  • coriolis69039842drift

  • bodc1900141842spike

  • bodc1900454842spikes

  • ………….

  • Envoi de mails ciblés pour chaque flotteur en alerte  DAC + DM-Operator

  • http://www.jcommops.org/jcommops-ptf/WebObjects/jcommops-ptf.woa/wa/PtfComponent?code=5900284&prog=Argo


Status on the anomalies detected since june 2008

Status on the anomalies detected since June 2008

Backlogs corrected

Anomalies

Feedbacks

  • Between 10 and 20 floats corrected after each run

  • ~ 40 to 60 floats corrected each year


Impact of the reference level

Impact of the reference level

  • Good data

  • Bad data

    - Impact of the salinity drift increases with the ref level


Limitations of the method in terms of pressure and salinity signals to be detected

Limitations of the method in terms of pressure and salinity signals to be detected

  • Theoretical study using WOA05 fields  salinity offset

  • Little geographical variations of the impact

  • Impact with reference level and offset

Impact of a salinity offset of +0.05 psu on a (0-900)dbar DH

-3.41 -3.38 -3.35 -3.31 -3.28 -3.25 cm


Limitations of the method in terms of pressure and salinity signals to be detected1

Limitations of the method in terms of pressure and salinity signals to be detected

  • Theoretical study using WOA05 fields  pressure offset

  • Large geographical variations of the impact + small seasonal variations

  • Impact with offset, small differences with ref level

Impact of a pressure offset of -10 dbar on a (0-900)dbar DH

-6 -4.9 -3.8 -2.7 -1.6 -0.5 cm


Limitations de la m thode

Limitations de la méthode

  • Limitations de la méthode – Climatologie Synthétique

    • Si 3 cm est le biais min qu’il est possible de détecter entre SLA et DHA

Biais min en pression – DH (0-900) dbar

Biais min en salinité

-50 -30 -25 -20 -15 -10 -5 dbar


Utilisation des donn es altim triques pour valider les s ries temporelles des flotteurs argo

Étude de l’impact des corrections de salinité appliquées en temps différé – par comparaison aux données altimétriques

  • Méthode : SLA/DHA – SLA/DHA_Adj

  • 177 802 profils SLA/DHA/DHA_Adj

  • 118 887 profils (67 %) avec PSAL(z=1) = PSAL_Adj(z=1)

  • majorité des profils (32 %) avec une correction < 0.05

  • de la cohérence SLA/DHA

  • + effet combiné des corrections appliquées sur les pressions

     analyse à effectuer pour chaque série temporelle DM


Perspectives pour d autres jeux de donn es

Perspectives pour d’autres jeux de données

  • Série temporelle des éléphants de mer

    • Biais observés pour les capteurs de salinité

année 2009


Perspectives pour d autres jeux de donn es1

Perspectives pour d’autres jeux de données

  • Série temporelle des éléphants de mer

    • Biais observés pour les capteurs de salinité

année 2009


Perspectives pour d autres jeux de donn es2

Perspectives pour d’autres jeux de données

  • Série temporelle des éléphants de mer

    • Biais observés pour les capteurs de salinité

année 2009

EN


Perspectives pour d autres jeux de donn es3

Perspectives pour d’autres jeux de données

  • XBTs  comparaisons avant/après correction eq. chute

    • Etude de la cohérence globale du jeu de données

    • ? Pas vraiment des séries temporelles

    • ? Salinité

  • .

Wijffels et al., J. of Climate, 2008


  • Login