utilisation des donn es altim triques pour valider les s ries temporelles des flotteurs argo
Download
Skip this Video
Download Presentation
Utilisation des données altimétriques pour valider les séries temporelles des flotteurs Argo

Loading in 2 Seconds...

play fullscreen
1 / 23

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


  • 98 Views
  • Uploaded on

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

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Utilisation des données altimétriques pour valider les séries temporelles des flotteurs Argo' - shelly


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 :
  • DAC WMO INST-TYPE TYPE OF ANOM
  • ------------------------------------------------------------------------------
  • kma 2900434 846 spikes
  • meds 4900116 846 offset
  • meds 51886 831 offset
  • meds 51887 831 offset
  • incois 2900783 846 offset
  • coriolis 1900651 846 spike
  • coriolis 5900198 842 ?
  • coriolis 6900399 841 offset
  • coriolis 69039 842 drift
  • bodc 1900141 842 spike
  • bodc 1900454 842 spikes
  • ………….
  • 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

slide19
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

ad