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


  • 66 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 données altimétriques pour valider les séries temporelles des flotteurs Argo

Stéphanie Guinehut

CLS, Division d’OcéanographieSpatiale


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

  • 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

  • The majority of floats !

Float : 1900586

r : 0.96

rms-diff : 12.53 %

mean-diff : -2.27 cm

samples : 90


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 consistency

Float : 2900138

r : 0.94

rms-diff : 6.53 %

mean-diff : 1.20 cm

samples : 112


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

  • 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

  • Spike

Float : 5900155

  • Visual control needed

  • Bad salinity data at depth


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 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 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

  • 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

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

  • 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

  • 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 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 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


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 données

  • Série temporelle des éléphants de mer

    • Biais observés pour les capteurs de salinité

année 2009


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 données

  • Série temporelle des éléphants de mer

    • Biais observés pour les capteurs de salinité

année 2009

EN


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