Retrieval of satellite-based microphysical and dynamical properties of deep convection ˸ preparation of the C²OMODO mission

La convection profonde joue un rôle central dans la redistribution de chaleur et d'humidité dans la troposphère, dans la circulation atmosphérique tropicale et dans le bilan radiatif terrestre global. Elle est à l'origine de phénomènes extrêmes tels que les orages violents, les pluies intenses ou les cyclones tropicaux, mais demeure difficile à observer et à représenter dans les modèles climatiques et de prévision du temps. En parallèle des campagnes de terrain et des observations au sol, la télédétection spatiale est devenue essentielle pour observer les systèmes convectifs à l'échelle globale avec une fréquence de revisite élevée. Celle-ci a permis de révéler leur morphologie et d'apporter des informations sur leur structure interne, mais la documentation de leur dynamique verticale reste limitée.Dans ce contexte, la mission Convective Core Observation through MicrOwave Derivative in the trOpics (C²OMODO) vise à mieux comprendre les nuages convectifs et leurs processus de formation. Elle repose sur un tandem de radiomètres micro-ondes passifs observant successivement une même scène avec un décalage de 45 à 135 s. Cette configuration originale permet d'exploiter les mesures et leurs variations temporelles pour restituer des informations microphysiques et dynamiques. Les travaux de cette thèse visent à préparer l'exploitation de cette mission du CNES en développant des méthodes d'inversion de propriétés microphysiques et dynamiques à l'aide d'algorithmes d'apprentissage automatique et d'une approche variationnelle. Ils s'appuient sur des simulations de la convection tropicale couplées à un modèle de transfert radiatif. Ces travaux montrent que les observations présentent une sensibilité verticale suffisante pour distinguer différents niveaux d'altitude, qu'elles sont fortement influencées par la glace et sensibles à la nature des hydrométéores. L'introduction de la dimension temporelle relie directement les variations radiométriques rapides à l'évolution de la distribution de glace et offre un accès inédit aux propriétés dynamiques des systèmes convectifs.Deux approches complémentaires ont été développées. L'apprentissage automatique a d'abord été utilisé pour classifier les différentes structures nuageuses des systèmes convectifs et restituer des variables géophysiques intégrées verticalement. En parallèle, une méthode variationnelle originale, VARAND², a été conçue pour exploiter directement les mesures du tandem et restituer des propriétés dynamiques verticalement résolues. L'algorithme, fondé sur un opérateur d'observation dynamique couplant transfert radiatif et advection verticale, restitue simultanément le profil de contenu en glace ainsi que des paramètres dynamiques décrivant les ascendances convectives. Les résultats de ces deux méthodes confirment le potentiel du tandem C²OMODO pour restituer conjointement des propriétés microphysiques et des indicateurs dynamiques de la convection profonde.