2018 TOU30325 A

Validation et amélioration du schéma microphysique à
deux moments LIMA à partir des observations de la

campagne de mesures HyMeX
Marie Taufour
To cite this version:

Marie Taufour. Validation et amélioration du schéma microphysique à deux moments LIMA à partir
des observations de la campagne de mesures HyMeX. Météorologie. Université Paul Sabatier - Toulouse
III, 2018. Français. �NNT : 2018TOU30325�. �tel-02458971�
HAL Id: tel-02458971

https://tel.archives-ouvertes.fr/tel-02458971
Submitted on 29 Jan 2020
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
Remerciements
Mes premiers mots vont à Benoı̂t, Christine et Véronique qui, en me faisant
confiance, m’ont permis de me plonger (ou de rester...) dans les nuages. Je vous en
remercie, ainsi que pour votre encadrement attentif et bienveillant qui m’a permis de
réaliser cette these dans les meilleures conditions.
Merci aussi à Gaëlle, sans toi mes premiers pas avec Méso NH auraient été
beaucoup moins évidents ! Merci pour ta disponibilité et ton immense patience. Merci
également à Jean-Pierre pour tes réponses, et parfois les questionnements sur mon
travail que tu as su me suggérer.
Merci aussi à Clotilde Augros, Julien Delanoë, Brice Boudevillain, Wolfram

Wobrock, Alfons Schwarzenboöck, Frédéric Tridon, Jean-Marie Donier et Laurent
Labatut, sans qui l’exploitation des données aurait été plus périlleuse ! Je remercie
également Yann Seity et Francois Bouyssel pour leur participation à mon comité de
these.
Je tiens à remercier l’ensemble des membres de mon jury : Christelle Barthe

et Joel Van Baelen, pour avoir accepté de rapporter ce travail, Yvon Lemaıtre et
Frank Roux pour l’intéret qu’ils ont porté à mes travaux et pour leurs remarques
enrichissantes.
Plus généralement, je remercie l’ensemble du couloir PRECIP/PHYNH pour

cet accueil sympathique : c’est en votre compagnie que j’ai découvert la recherche
scientifique ! Je remercie les membres de l’équipe PHYNH, en particulier Didier,
Sébastien et Jeanine pour leur aide technique et scientifique, Renaud pour avoir
toujours pris le temps d’apporter des réponses précises à mes questions et Quentin,
qui a repris le poste de Gaelle en faisant déjà preuve d’autant de disponibilité et de
patience ! Je remercie également Olivier C., Olivier N., Fanny et Cindy de l’équipe
PRECIP pour leurs aides spontanées et leur bienveillance.
Je remercie également les thésards Mary, Alexane et César sans qui Barcelone
aurait été beaucoup moins drole. Je remercie Léo et Aurélien qui ont égayé cette
derniere année de theèse et mis un peu d’ambiance dans le bureau. Je vous souhaite
à tous bon courage pour la suite !
J’aimerais aussi remercier les personnes qui nous font gagner du temps au
quotidien : toute l’équipe de CTI, ainsi que l’équipe administrative Ouria, Régine et
Anita, qui n’ont cessé de répondre aux sollicitations, parfois nombreuses.
De même, je tiens à remercier celles et ceux qui ont participé à ma these via les
soirées et week-end de décompressions : Raph, Anaı̈s, Domi, Fred, Pascal et Frédérike.
Et bien sur, ma famille et Maxime, sans qui tout cela aurait été impossible...
Résumé
La formation des systèmes convectifs est un processus complexe qui s’étend de
l’échelle synoptique, avec la mise en place de circulations favorisant la convection, à la
micro-échelle, avec les processus de formation et de croissance des hydrométéores. C’est
aux échelles les plus fines que se concentre cette thèse dont l’objectif est d’étudier l’ap-
port d’une microphysique complexe sur l’occurrence et la morphologie d’évènements
fortement précipitants. La microphysique évaluée est celle du schéma LIMA, de type
bulk à deux moments, capable de prendre en compte l’évolution d’une population
d’aérosols multimodale et le traitement pronostique de son interaction avec les nuages
et les précipitations.
Dans un premier temps, l’apport de la microphysique de LIMA est évalué en com-
paraison à la microphysique bulk à un moment du schéma ICE3, moins sophistiqué et
actuellement opérationnel à Météo-France dans le modèle AROME. Afin de mesurer
l’apport de ce nouveau schéma sur la simulation de cas fortement précipitants tels que
ceux qui touchent régulièrement le sud-est de la France à l’automne, deux cas d’étude
de la campagne HyMeX ont été simulés avec Meso-NH et comparés aux nombreuses
observations disponibles. Si l’évaluation des cumuls de précipitations montre un im-
pact modéré de l’un ou l’autre des schémas microphysiques, l’écart est plus marqué
en terme de composition et de structure des systèmes convectifs : la microphysique à
2 moments développe une structure verticale plus réaliste et introduit plus de varia-
bilité sur les champs microphysiques. L’évaluation a aussi identifié des biais dans le
schéma, notamment une surestimation des diamètres de gouttes de pluie. Des pistes
d’amélioration de la microphysique de LIMA ont alors été proposées et évaluées sur
les mêmes cas.
Des tests de sensibilité à l’initialisation de la population d’aérosols ont ensuite
été menés. Il s’avère que les aérosols n’affectent pas uniquement les hydrométéores
primaires (gouttelettes d’eau nuageuse et cristaux de glace) mais aussi les autres hy-
drométéores, engendrant des impacts sur le développement des systèmes convectifs
simulés, en termes de composition nuageuse et de précipitations. Les simulations avec
une population d’aérosols réaliste initialisée à partir des analyses CAMS ont montré un
impact modéré sur les cumuls de précipitations mais une amélioration plus significative
de l’évolution temporelle du système (intensification, dissipation) et de la composition
nuageuse, réduisant le diamètre des gouttes de pluie sur les cas d’étude.
Abstract
The triggering and growth of Convective systems is a complex process that extends
from the synoptic scale, with the establishment of atmospheric circulations promoting
convection, to the microscale, with the formation and growth processes of hydrome-
teors. This PhD focuses on these finest scales and investigates the contribution of
complex cloud-microphysics to the occurrence and morphology of heavy precipitation
events. The two-moment microphysical scheme LIMA evaluated in this study takes
into account the evolution of a multimodal aerosol population and the prognostic
treatment of its interaction with liquid and ice clouds and precipitation.
First, the contribution of LIMA is evaluated in comparison to the ICE3 one-moment
bulk microphysical scheme, which is less sophisticated and currently operational in
the AROME model at Météo-France. In order to measure the performance of this new
scheme, two case studies of the HyMeX campaign were simulated with the Meso-NH
model and compared to a wide variety of available measurements. The assessment
of cumulative precipitation shows a moderate impact of each of these microphysical
schemes, but the difference is more pronounced in terms of convective systems compo-
sition and structure : the two moment microphysics develops a more realistic vertical
structure and introduces more microphysical variability. The evaluation also identified
biases in the scheme (such as an overestimation of rain drop diameters). Some impro-
vements to the implementation of LIMA were proposed and evaluated on the same
cases.
Then, the scheme is used to perform a sensitivity test to the aerosol population on
the same case studies. Tests on the concentration of idealized populations have shown
that aerosols do not only affect primary production of cloud droplets and ice crystals
but also precipitating hydrometeors, causing impacts on the development of simulated
convective systems in terms of cloud composition and generated precipitation. Simu-
lations based on a realistic aerosol population initialized from CAMS analyses also
showed a moderate impact on cumulative precipitation, but a more significant impro-
vement on the temporal evolution of the system (intensification, dissipation) and cloud
composition, leading to a reduction of rain drop diameters in the studied cases.
Table des matières
Introduction générale 1
1 Microphysique nuageuse 5
1.1 Rôle des aérosols et interactions avec les nuages . . . . . . . . . . . . . 6
1.1.1 Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.2 Origines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.3 Impact des aérosols sur les nuages . . . . . . . . . . . . . . . . . 8
1.2 Les nuages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.1 La microphysique nuageuse . . . . . . . . . . . . . . . . . . . . 10
1.2.2 La microphysique nuageuse dans les modèles . . . . . . . . . . . 13
1.2.3 Les aérosols dans les modèles . . . . . . . . . . . . . . . . . . . 18
2 Microphysique nuageuse dans Méso-NH 19

2.1 Généralités sur le modèle Méso-NH . . . . . . . . . . . . . . . . . . . . 20
2.2 Schéma à un moment ICE3 . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3 Schéma à deux moments LIMA . . . . . . . . . . . . . . . . . . . . . . 22
2.3.1 Représentation des hydrométéores . . . . . . . . . . . . . . . . . 22
2.3.2 Représentation des aérosols . . . . . . . . . . . . . . . . . . . . 23
2.4 Les processus microphysiques . . . . . . . . . . . . . . . . . . . . . . . 27
2.4.1 Processus de la microphysique chaude . . . . . . . . . . . . . . . 30
2.4.2 Processus de la microphysique froide . . . . . . . . . . . . . . . 31
2.4.3 Processus de la microphysique en phase mixte . . . . . . . . . . 31
2.5 Méthode d’évaluation des simulations . . . . . . . . . . . . . . . . . . . 33
2.5.1 Opérateurs d’observations de Méso-NH . . . . . . . . . . . . . . 33
2.5.2 Scores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 Les cas d’étude de la campagne HyMeX 35

3.1 La campagne de mesures HyMeX . . . . . . . . . . . . . . . . . . . . . 36
3.1.1 Contexte et objectifs . . . . . . . . . . . . . . . . . . . . . . . . 36
3.1.2 Instruments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2 Description des événements précipitants . . . . . . . . . . . . . . . . . 43
3.2.1 24 septembre 2012 : POI 6 . . . . . . . . . . . . . . . . . . . . . 43
3.2.2 26 Octobre 2012 : POI 16a . . . . . . . . . . . . . . . . . . . . . 48
4 Évaluation du schéma LIMA à partir d’observations microphysiques 53

4.1 Motivations de l’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.2 Article . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.3 Compléments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.3.1 Évaluation objective des cumuls de pluie . . . . . . . . . . . . . 58
4.3.2 Variabilité entre les POI . . . . . . . . . . . . . . . . . . . . . . 59
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5 Tests de sensibilité aux paramètres du schéma LIMA 63

5.1 Estimation de la concentration des agrégats . . . . . . . . . . . . . . . 64
5.1.1 Paramétrisation de Caniaux (1993) . . . . . . . . . . . . . . . . 64
5.1.2 Tests proposés . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.1.3 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.2 Paramètres contrôlant le diamètre moyen des gouttes de pluie . . . . . 70
5.2.1 Analyse de la simulation de référence . . . . . . . . . . . . . . . 70
5.2.2 Les tests réalisés . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.2.3 Paramètre de forme de la PSD de la pluie . . . . . . . . . . . . 76
5.2.4 Processus de fonte du graupel . . . . . . . . . . . . . . . . . . . 79
5.2.5 Évaluation globale . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6 Impact de la population d’aérosols 87

6.1 Présentation de l’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
6.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2.1 Impact de la concentration en CCN . . . . . . . . . . . . . . . . 91
6.2.2 Impact de la concentration en IFN . . . . . . . . . . . . . . . . 96
6.2.3 Simulations utilisant une population d’aérosols réaliste . . . . . 97
6.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
6.3.1 Sensibilité des POI 6 et 16 . . . . . . . . . . . . . . . . . . . . . 100
6.3.2 Impact sur le diamètre des gouttes de pluie . . . . . . . . . . . . 101
6.3.3 Scores de précipitations . . . . . . . . . . . . . . . . . . . . . . . 101
6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Conclusion générale 105
Annexes 111
A Sensibilité de la POI 16a à différentes valeurs de (Cs , xs ) . . . . . . . . 111
Bibliographie 113
Introduction
Contexte de l’étude
Les épisodes méditerranéens sont des phénomènes caractérisés par de fortes pluies
provoquant des crues rapides. Plus fréquents en automne (Ricard et al., 2012), ils
mettent en danger les populations et peuvent occasionner des dommages matériels
très importants. Chaque année ou presque, des bulletins météorologiques alertent les
populations locales du risque d’apparition de phénomènes orageux, accompagnés de
forts cumuls de précipitations induisant des crues souvent inévitables.
Ces phénomènes intenses et destructeurs marquent les esprits, dans un contexte
climatique laissant présager une augmentation de leur fréquence et/ou de leur inten-
sité. Nous savons que ces épisodes ne sont pas nouveaux. Des écrits anciens, comme Le
petit Thalamus de Montpellier (manuscrit des archives municipales de Montpellier de-
puis 1260 ; http://thalamus.huma-num.fr/), relatent des événements qui s’apparentent
aux épisodes méditerranéens. Par exemple, en 1374, les signes d’une crue éclair sont
mentionnés : ≪ La nuit du 3 octobre, la crue du Lez fut si forte qu’il noya quantité de
blé à moudre et de farine dans les moulins, démolit des murs, noya des personnes et
des troupeaux de bêtes à laine enfermées dans des claies près de la berge du Lez ; il
emporta dans les étangs et dans la mer plusieurs grandes pièces de bois de Quillan qui
se trouvaient au port de Lattes ≫.
Ces récits sont indicatifs et ne fournissent pas de données permettant de décrire
précisément la situation météorologique et les cumuls de précipitations observés. Les
impacts directs laissent néanmoins penser que des cumuls tels qu’observés sur des cas
plus récents ont dû se produire : Nı̂mes (octobre 1988) où des cumuls de 300 mm en
24 heures ont été enregistrés, Vaison-la-Romaine (septembre 1992) avec plus de 300
mm en moins de 24 heures, les départements allant des Bouches-du-Rhône à l’Ardèche
(septembre 2002, Figure 1a) avec 600 mm en 2 jours ou encore les Alpes-Maritimes (3
octobre 2015, Figure 1b) avec des précipitations allant jusqu’à 175 mm en 2 heures à
Cannes.
Les questions scientifiques sont nombreuses autour de ces phénomènes tant au
niveau des mécanismes de formation qu’au niveau de leur réponse aux changements
climatiques annoncés.
Les archives de Météo-France permettent de remonter jusqu’en 1900 (premières
mesures datant de 1896 au Mont Aigoual). L’étude chronologique de Jacques (2016)
à partir des récits anciens et d’observations météorologiques régulières montre une
augmentation du nombre d’événements répertoriés. Cependant, il ne conclut pas à
une augmentation de l’occurrence de ces événements en accord avec Vautard et al.
(2015), mais attribue ce résultat à certaines considérations techniques : premièrement,
le développement du réseau de mesures au cours du siècle dernier permet d’observer et
de documenter un plus grand nombre de cas. Secondement, l’extension des villes vers
1
(a) (b)
Figure 1 – (a) Titre et photo parus le 10/09/2002 dans le journal ©MidiLibre

lors de l’épisode méditerranéen de septembre 2002 et (b) infographie parue
dans ©LeFigaro concernant l’évènement du 3 octobre 2015.
des zones inondables augmente les risques liés aux crues éclairs qui ne deviennent pas
plus nombreuses mais plus dangereuses pour les populations. Cependant, les études
statistiques de Ribes et al. (2018) indiquent systématiquement une intensification des
événements les plus extrêmes (cumuls supérieurs à 200 mm) au cours des dernières
décennies et soutiennent qu’il est difficile d’expliquer les tendances diagnostiquées sans
invoquer l’influence anthropique sur le climat.
La mise en place de campagnes expérimentales et d’un réseau de mesures fiable

et complet sur ces zones particulièrement vulnérables a permis de progresser dans
la connaissance des épisodes fortement précipitants (HPE pour Heavy Precipitation
Event), comme le programme MAP (Mesoscale Alpine Programme, Bougeault et al.,
2001) sur les Alpes et HyMeX (Hydrological cycle in the Mediterranean eXperiment :
Drobinski et al., 2014) sur le pourtour méditerranéen. Ces campagnes fournissent des
données essentielles à la compréhension de ces phénomènes, permettant d’améliorer
leur prévision afin de limiter les risques associés.
De nombreuses études menées sur des HPE (Lascaux et al., 2006; Ducrocq et al.,
2008; Nuissier et al., 2008; Miglietta and Rotunno, 2010; Hally, 2013) ont mis en
évidence des facteurs influençant leur cycle de vie. Parmi ces facteurs, la microphy-
sique nuageuse est apparue à différents stades du cycle de vie des HPE : initiation,
développement et quasi-stationnarité des systèmes convectifs (MCS pour Mesoscale
Convective System) associés aux HPE. L’impact des aérosols sur les systèmes nuageux
a lui aussi été largement documenté (Rosenfeld et al., 2008; Tao et al., 2012; Thompson
and Eidhammer, 2014, par exemple).
Le travail de thèse décrit dans ce manuscrit porte sur l’exploitation des observations
de la campagne de mesures HyMeX dédiée à la documentation des HPE pour évaluer
et améliorer la nouvelle paramétrisation microphysique LIMA (Liquid, Ice, Multiple
Aerosols ; Vié et al., 2016) à partir du modèle Méso-NH (modèle de MÉSO-échelle Non
Hydrostatique ; Lac et al., 2018).
2
Objectifs de la thèse
La première période d’observation spéciale (du 5 septembre au 6 novembre 2012)
de la campagne de mesures HyMeX (first Special Observation Period : SOP1 ; Ducrocq
et al., 2014) fournit des observations variées qui me permettront d’étudier l’apport du
schéma microphysique LIMA pour la représentation des HPE par les modèles. La thèse
prend part au processus d’intégration de ce schéma microphysique dans le modèle de
prévision numérique du temps à maille fine exploité en opérationnel à Météo-France
AROME (Application of Research to Operations at MEsoscale ; Seity et al., 2011) et
dont le premier objectif est la prévision des évènements à fort impact. La microphysique
actuellement opérationnelle dans AROME est celle du schéma ICE3 (Caniaux et al.,
1994; Pinty and Jabouille, 1998).
Cette thèse tente de répondre aux questions suivantes :
1. Quels sont les apports de la microphysique de LIMA par rapport au schéma

actuellement opérationnel ICE3 dans la représentation des systèmes convectifs ?
Le schéma LIMA permet-il d’améliorer la représentation des processus micro-
physiques, la composition nuageuse, les caractéristiques des systèmes convectifs
et les pluies au sol associées ?
2. Quels sont les impacts de la population d’aérosols sur le cycle de vie des systèmes
convectifs ? Une population d’aérosols réaliste permet-elle de mieux représenter
ces événements ?
Avant de pouvoir répondre à ces questions il est nécessaire de présenter une intro-
duction à la microphysique et sa représentation dans différents modèles (chapitre 1).
Ensuite le schéma microphysique LIMA et le schéma ICE3 actuellement opérationnel
dans AROME seront détaillés dans le chapitre 2 et enfin la campagne HyMeX, les ob-
servations utilisées et les deux systèmes convectifs qui ont servi de cas d’étude seront
présentés au chapitre 3.
Afin d’apporter des éléments de réponse à la problématique, les résultats de
l’évaluation de la microphysique des modèles à partir des nombreuses observations
microphysiques de la campagne HyMeX feront l’objet du chapitre 4. Après avoir mis
en évidence des écarts entre les paramètres microphysiques des schémas et leur es-
timation par les observations, le chapitre 5 présentera des tests de sensibilité à ces
paramètres. Et enfin, les impacts de la population d’aérosols sur la simulation du
cycle de vie des deux systèmes convectifs seront présentés au chapitre 6.
3
4
Chapitre 1
Microphysique nuageuse
Sommaire
1.1 Rôle des aérosols et interactions avec les nuages . . . . . . 6
1.1.1 Caractéristiques . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1.2 Origines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.3 Impact des aérosols sur les nuages . . . . . . . . . . . . . . 8
1.2 Les nuages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.1 La microphysique nuageuse . . . . . . . . . . . . . . . . . . 10
1.2.2 La microphysique nuageuse dans les modèles . . . . . . . . 13
1.2.3 Les aérosols dans les modèles . . . . . . . . . . . . . . . . . 18
5
CHAPITRE 1. MICROPHYSIQUE NUAGEUSE
1.1 Rôle des aérosols et interactions avec les nuages

1.1.1 Caractéristiques
Les aérosols sont des particules en suspension dans l’atmosphère. Ils sont classés en
deux catégories selon qu’ils sont émis directement dans l’atmosphère (on parle alors de
particules primaires) ou issus de conversion à partir de gaz présents dans l’atmosphère
(on parle alors de particules secondaires). Leur dimension est très variable : de 0.002
µm à environ 100 µm de diamètre. Whitby (1978) définit trois modes de répartition en
taille des aérosols : le mode de nucléation, le mode d’accumulation et le mode grossier
(Figure 1.1). Hoppel and Frick (1990) ont mis en évidence un quatrième mode : le
mode Aitken.
Figure 1.1 – Schéma idéalisé et simplifié illustrant les aérosols at-

mosphériques, comprenant les sources, les transformations et les puits, ainsi
que les gammes de taille des différents modes issue de Dupuy (2003)
• Les particules de nucléation sont des particules ultra-fines (de diamètre d < 10
nm). Elles sont produites par nucléation de vapeur chaude (particules primaires)
ou par nucléation de vapeur chimiquement transformée (particules secondaires).
Les particules de suie provenant de combustions incomplètes sont un cas par-
ticulier de nucléation de vapeur chaude. Ces particules ultra-fines ont un fort
impact radiatif.
• Les particules du mode Aitken (10 nm < d < 100 nm) sont principalement
le produit de la coagulation de particules ultra-fines. Il s’agit d’un mode de
croissance rapide des particules d’aérosols de l’ordre de la seconde à la minute.
• Les particules du mode d’accumulation (100 nm < d < 1 µm) proviennent des
processus physicochimiques hétérogènes dans les nuages non précipitants. Les
gaz solubles réagissent à l’intérieur des gouttelettes d’eau nuageuse et une fois
l’eau évaporée, il peut en résulter une particule plus grosse par assimilation des
produits des transformations chimiques. Ce mode de croissance est plus lent
6
1.1. RÔLE DES AÉROSOLS ET INTERACTIONS AVEC LES NUAGES
que le mode précédent. Le terme ≪ accumulation ≫ vient du fait que ces parti-
cules ne sont pas assez grosses pour sédimenter mais elles ne sont pas non plus
assez petites pour diffuser (phénomène de transport de particules sans mouve-
ment macroscopique), ainsi elles s’accumulent et il n’y a qu’après le passage de
précipitations qu’une diminution de leur concentration est observée : on parle
alors de lessivage des aérosols par les précipitations.
• Enfin le dernier mode est celui des particules supermicroniques (> 1 µm). Ces
particules sont issues de processus mécaniques (érosion, volcans, ...) et ne su-
bissent que très peu de modifications.
1.1.2 Origines
Les aérosols présents dans l’atmosphère peuvent être d’origine naturelle : ils pro-
viennent alors de feux de biomasse (Figure 1.2a), ou peuvent être mis en suspension
par l’intermédiaire du vent (poussières, embruns), ou encore être issus de réactions
chimiques dans l’atmosphère. Les aérosols atmosphériques peuvent également être
d’origine anthropique : le soufre émis sous forme de dioxyde de soufre (SO2 ) suite
à la combustion d’énergies fossiles s’oxyde en acide sulfurique (H2 SO4 ) en présence
d’hydroxyde et de la vapeur d’eau atmosphérique, formant de minuscules gouttelettes
(d ≈ 10 µm). Ces aérosols ont une durée de vie de l’ordre d’une quinzaine de jours,
moment où ils sont lessivés par les précipitations. Du fait de leur faible temps de
résidence dans l’atmosphère, leur répartition est très hétérogène, les concentrations les
plus importantes résidant près des sources d’émission. Les aérosols d’origine désertique
sont ceux qui se répandent le plus. Par flux de sud, des poussières sahariennes peuvent
être advectées jusqu’au sud de la France, dont les dépôts en surface sont souvent ob-
servés (Figure 1.2b). Plus récemment, Yu et al. (2015) ont montré que ces poussières
participent par exemple à la fertilisation de la forêt amazonienne après avoir traversé
l’océan Atlantique, emportées par les ondes d’est africaines. Dans cette étude, l’impact
des aérosols sur la biosphère est mis en avant, mais c’est son rôle fondamental à la
formation des nuages qui va nous intéresser ici.
(b)
(a)
Figure 1.2 – (a) Image satellite du 16 octobre 2018 montrant les panaches de
fumée issus des feux de forêts au Canana et en Californie s’enroulant autour
du cyclone Ernesto (©Colorado State University/RAMMB/CIRA). (b) Image
prise par la webcam de la station de ski Piau-Engaly le 23 février 2018 illustrant
un dépôt sec de poussières désertiques dans les Pyrénées.
7
1.1.3 Impact des aérosols sur les nuages

Un peu d’histoire...
L’étude des interactions aérosols-nuages a commencé dès 1946 dans le domaine de
l’énergie électrique avec les travaux de Schaefer (1946) dont l’objectif était de tenter
de réduire les dégâts des brouillards givrants qui causaient un affaissement des lignes
à haute tension. Un matin chaud et humide de juillet, en voulant refroidir la chambre
froide, trop chaude pour mener à bien ses expériences sur la formation de brouillards
givrants, il a eu l’idée d’utiliser de la glace carbonique. En soufflant à l’intérieur de
la chambre, il s’est aperçu que les gouttelettes de condensation provoquées par son
souffle sont soudainement devenues cristaux de glace formant un brouillard bleuâtre.
Ce ”serendipity” (heureux hasard) est à l’origine du premier ensemencement de nuage
le 13 novembre 1946 et c’est ainsi que VJ. Schaefer est devenu ≪ l’homme qui a inventé
l’ensemencement des nuages ≫. À partir de 1967 cette technique a été utilisée durant
la guerre du Vietnam avec la célèbre opération ≪ Popeye ≫ qui avait pour objectif de
prolonger la saison de la mousson afin d’appuyer les efforts de guerre au sol en blo-
quant le réapprovisionnement des ennemis. Les techniques de modifications du temps,
comme l’ensemencement des nuages, sont discutées par les scientifiques tant du point
de vue de leur efficacité que de leurs effets sur l’environnement, mais certains domaines
privés en font usage sans preuves de leur efficacité. C’est le cas par exemple d’entre-
prises spécialisées au service des agriculteurs qui l’utilisent afin d’éviter ou diminuer
la dimension des grêlons pouvant endommager les cultures. Aux Émirats Arabe Unis
l’ensemencement est également à l’étude afin d’intensifier les précipitations dans cette
région où la ressource en eau est une denrée rare. Plus récemment ces techniques sont
de nouveaux évoquées parmi celles de la géo-ingénierie.
Figure 1.3 – Figure 7 de l’article de Tao et al. (2012) résumant les interactions
entre les aérosols et les nuages mentionnées dans différents articles scientifiques.
Effets des aérosols

Les effets des aérosols sur le bilan radiatif de la planète, et donc le climat, sont
reconnus et subdivisés en trois catégories illustrées sur la Figure 1.3 extraite de Tao
et al. (2012) :
• effet direct : les aérosols sont des particules fines qui diffusent la lumière. Ils
ont un pouvoir de diffusion généralement faible pour le rayonnement tellurique
8
1.1. RÔLE DES AÉROSOLS ET INTERACTIONS AVEC LES NUAGES
et maximal pour les longueurs d’onde du rayonnement solaire. Ils peuvent aussi
absorber le rayonnement en fonction de leur composition et de leur taille.
• effet semi-direct : les aérosols absorbent de l’énergie, provoquant un

réchauffement local qui peut être à l’origine de la dissipation des éventuels nuages
ou limiter leur extension à cet endroit (Ackerman et al., 2000).
• effets indirects : la formation d’une gouttelette d’eau nuageuse ou d’un

cristal de glace requiert un support particulaire appelé noyau : cette étape de
changement de phase de l’eau sur un noyau est la nucléation et sera décrite au
paragraphe suivant. Ces noyaux sont organisés en deux classes : CCN (Cloud
Condensation Nuclei) favorisant la formation des gouttelettes et IFN (Ice Free-
zing Nuclei) pour les cristaux de glace. La répartition des aérosols dans ces deux
catégories est fonction de leur composition chimique et de leur taille. Le premier
effet indirect ou ≪ effet Twomey ≫ fait référence aux résultats de Twomey (1977)
qui montre que pour un contenu en eau liquide identique, une augmentation du
nombre d’aérosols provoque une augmentation de la concentration de goutte-
lettes. Les gouttelettes ainsi formées sont plus petites et ont un impact radiatif
plus fort. Cela peut entraı̂ner le deuxième effet indirect : une augmentation du
temps de résidence des nuages et des développements verticaux plus intenses
(Albrecht, 1989).
Sensibilité des nuages à la population d’aérosols.

Alors que les impacts des aérosols sur les nuages chauds semblent plus faciles à exa-
miner (Twomey, 1977; Albrecht, 1989), leurs impacts sur les nuages en phase mixte
sont plus difficiliment quantifiables. En modifiant la population globale et/ou la taille
des gouttelettes Bigg (1953) a montré un impact sur les processus de congélation, Sa-
leeby et al. (2009) sur celui de fonte des hydrométéores, alors que Khain et al. (2008)
montrent une sensibilité du profil vertical du bilan de chaleur. Morrison and Pinto
(2005) ont aussi mis en évidence une rétroaction de la nature des aérosols considérés
dans le processus de formation des cristaux sur l’évolution et les caractéristiques
des nuages stratiformes en phase mixte (en particulier sur la répartition entre hy-
drométéores liquides et solides). D’autres études de modélisation des systèmes convec-
tifs ont révélé des modifications (hausse et baisse) de précipitations attribuables aux
aérosols, allant de quelques pour cent à plusieurs centaines de pour cent (rapport de
Tao et al., 2012). Cependant, les conclusions sont dépendantes des conditions environ-
nementales : par exemple, les études de Khain et al. (2008, 2009); Teller and Levin
(2006); Cui et al. (2011) montrent des réponses différentes entre les nuages convectifs
continentaux et les nuages convectifs maritimes, et Fan et al. (2009); Lee et al. (2012);
Lebo and Morrison (2013) introduisent le rôle du cisaillement du vent dans la façon
dont les aérosols affectent les précipitations. Une étude récente d’inter-comparaison de
différents schémas microphysiques montre des réponses contrastées aux modifications
de la concentration en nombre d’aérosols (Heikenfeld et al., 2018). Cette étude souligne
tout de même l’importance de l’interaction aérosols-nuages et de sa représentation dans
les modèles.
Storer et al. (2014) ont réalisé une étude statistique sur les nuages convectifs tropi-
caux profonds de l’Atlantique Est, basée sur 4 années d’observations Cloudsat et des
données d’aérosols du projet GEMS (Global and regional Earth-system Monitoring
using Satellite and in situ data project, Hollingsworth et al., 2008) et ont trouvé un
9
renforcement des systèmes convectifs pour les cas où la concentration en aérosols est
élevée.
Ainsi, les différentes études menées sur la sensibilité des nuages à la population
d’aérosols à partir d’observations ou de simulations incitent les concepteurs de schémas
microphysiques à prendre en compte les aérosols dans la modélisation des nuages même
si de grandes incertitudes demeurent, en particulier pour l’initiation des cristaux de
glace.
1.2 Les nuages

Les nuages sont formés d’hydrométéores, particules aqueuses sous différentes
formes : gouttes, cristaux de glace, neige, grêle, graupel pouvant cohabiter comme le
montre une représentation schématique produite sur la Figure 1.4. La microphysique
nuageuse s’attache à décrire l’évolution physique (nucléation, croissance, changement
de phase) de ces hydrométéores.
Figure 1.4 – Représentation schématique de la composition d’un nuage.
1.2.1 La microphysique nuageuse

Nous avons vu que la présence d’aérosols dans l’atmosphère permet d’initier la
condensation de la vapeur d’eau, principalement d’origine océanique.
L’étape de la formation des hydrométéores primaires est distinguée en deux sous-
catégories :
• La formation de gouttelettes d’eau nuageuse. En théorie, il est possible d’ini-

tier la formation de gouttelettes d’eau sans support, par nulcéation homogène, mais
ce processus nécessite une sursaturation de l’environnement telle qu’elle n’est jamais
atteinte dans l’atmosphère (Pruppacher and Klett, 1978), où il est admis que les
gouttelettes sont initiées par nucléation hétérogène sur un noyau de condensation
(CCN). Les CCN sont caractérisés par une hygroscopicité (Pruppacher and Klett,
10
1.2. LES NUAGES
1978) et une tension de surface (Saxena et al., 1995) qui déterminent l’humidité re-
lative pour laquelle ils passent d’un état sec à un état humide, puis sont activés sous
forme de solution saturée. La croissance du CCN par absorption de la vapeur am-
biante, est initiée à des humidités relatives inférieures à la saturation. Ce processus
se poursuit jusqu’à atteindre un diamètre critique où le CCN est maintenant assi-
milé à une gouttelette absorbant la vapeur d’eau à sa disposition afin de réduire son
énergie de surface. La théorie de Köhler (1936) prévoit l’évolution de la sursatura-
tion à l’interface entre l’air et le CCN, en fonction des propriétés physico-chimiques
de l’aérosol sec, et de l’aérosol humide correspondant. La Figure 1.5 illustre cette
théorie, montrant que la sursaturation nécessaire à l’activation varie en fonction
des propriétés physico-chimique de la particule et de sa dimension initiale.
Figure 1.5 – Évolution de la sursaturation en fonction du diamètre à

T=293K : cas d’une solution de N aCl ou d’une solution de (N H4 )2 SO4 , pour
trois diamètres secs initiaux, 0.05 µm, 0.1 µm et 0.5 µm. (Source : Seinfeld and
Pandis, 1998).
Une source supplémentaire de gouttelettes complètes la nucléation hétérogène : la

fonte de particules glacées.
• La formation de glace primaire. La formation de cristaux de glace est un

processus plus complexe qui peut se diviser en trois mécanismes distincts, deux
mécanismes de formation primaire, suivant l’intervention ou non de noyaux de
condensation et un mécanisme de formation secondaire :
1. la nucléation homogène : la formation de cristaux de glace peut se produire

sans l’intervention d’un IFN. Khvorostyanov and Curry (2004) estiment que
les gouttelettes d’eau surfondues ou des noyaux humides congèlent pour des
températures très froides, inférieures à −38˚C, observées uniquement pour les
nuages les plus froids.
11
2. la nucléation hétérogène : l’intervention d’un noyaux de condensation per-

met de réduire la température à laquelle les cristaux se forment. Les quatre
mécanismes de nucléation hétérogène les plus couramment cités sont :
(a) la nucléation par dépôt de vapeur, dès que l’environnement est sursaturé
par rapport à la glace, et que la température est négative, la vapeur se
dépose sous forme solide à la surface d’un IFN.
(b) la nucléation par condensation concerne les particules qui ont une double
aptitude de nucléation (CCN et IFN) : on parle de noyaux enrobés (CIFN
pour Coated IFN). Dans la partie froide des nuages et lorsque l’envi-
ronnement atteint la sursaturation par rapport à l’eau liquide, la vapeur
va d’abord condenser autour du noyaux puis au cours du processus de
condensation, la gouttelette ainsi formée va congeler.
(c) la nucléation par immersion se produit lorsqu’une gouttelette contenant
un IFN préalablement immergé atteint une température négative, l’IFN
entraı̂ne le gel de la gouttelette qui le contient.
(d) la nucléation par contact, qui se produit lorsque la surface d’une gout-
telette rencontre un IFN, qu’il soit à l’extérieur ou à l’intérieur de la
gouttelette.
3. la production secondaire : ensemble de processus de multiplication des cristaux
de glace sans intervention d’un IFN. Le plus utilisé est décrit par Hallett
and Mossop (1974) qui ont expliqué de manière expérimentale le fait que les
concentrations en cristaux de glace mesurées dépassaient souvent de plusieurs
ordres de grandeur les concentrations en IFN. Ils expliquent alors que pour
une gamme de température entre −3˚C et −8˚C, des éclats de cristaux sont
éjectés lors de l’accrétion de gouttes sur une particule glacée, multipliant la
concentration en cristaux de glaces. D’autre processus de multiplication de
cristaux à des gammes de températures plus froides (Pruppacher and Klett,
1978) ou par collision entre hydrométéores glacés (Yano and Phillips, 2011)
peuvent également se produire.
La Figure 1.6 issue Kanji et al. (2017) offre une vision schématique l’ensemble
des processus de formation des cristaux de glace primaire connus à ce jour. Tous
ces processus sont difficilement observables et leur mise en équation peu aisée.
Néanmoins, des paramétrisations ont pu être proposées, reliant le nombre d’IFN
nucléé à la température (Fletcher, 1962) ou à la sursaturation par rapport à la
glace (Meyers et al., 1992).
Après formation d’hydrométéores primaires, les interactions (choc, croissance par

déposition de vapeur) vont contribuer à développer le système nuageux. Lorsque les
interactions ne se produisent qu’entre particules liquides on parle de nuages en phase
chaude, pour les interactions solide-solide on parle de nuages en phase froide et enfin,
lorsque les deux phases cohabitent et interagissent on parle de nuages en phase mixte.
12
1.2. LES NUAGES
Figure 1.6 – Schéma illustrant les voies connues de nucléation primaire des
glaces possibles dans l’atmosphère issu de Kanji et al. (2017).
1.2.2 La microphysique nuageuse dans les modèles
Dans les modèles de prévision numérique du temps, la microphysique nuageuse

est représentée par une paramétrisation sous-maille traduisant les effets de différents
processus. Les schémas microphysiques sont construits à partir de certaines hypothèses
et lois (certaines étant empiriques) qui déterminent le niveau de sophistication du
schéma. La première hypothèse consiste à choisir une représentation des hydrométéores
de type ≪ bin ≫ ou ≪ bulk ≫. Les schémas détaillés dits ≪ bin ≫ (Flossmann et al., 1985)
décrivent l’évolution de différents types de particules dans des intervalles de tailles
donnés. Chaque type considéré correspond à une classe. Les particules considérées
sont l’eau liquide (gouttes de forme arrondie) et l’eau solide qui peut être divisée en
plusieurs classes de cristaux de glace de diverses caractéristiques (formes, diamètres,
densité). Les classes sont subdivisées en un certain nombre de gammes de masses (bin)
et le schéma évalue l’évolution de chacune d’elles. Cette approche très précise mobilise
un nombre considérable de variables d’état pour couvrir la gamme de masses et les
types de particules possibles. Le coût de telles simulations n’est pas acceptable en
prévision numérique du temps, où des schémas de type ≪ bulk ≫, moins gourmands en
calculs, sont privilégiés.
Contrairement aux schémas bin, les schémas bulk font une hypothèse sur la dis-
tribution dimensionnelle des particules (PSD pour Particule Size Distribution) pour
chaque type d’hydrométéore qui peut être par exemple de type Marshall and Palmer
(1948), super-exponentielle, ou gamma. Ces schémas ont une équation d’évolution tem-
porelle de grandeurs intégrales telles que le rapport de mélange, la concentration, ou
d’autres moments statistiques de la PSD. Ainsi, ils sont désignés comme des schémas
à un-, deux- ou trois-moments (1-M, 2-M ou 3-M) en fonction du nombre de variables
microphysiques (i.e. moments) pronostiques. Les autres moments sont alors déterminés
de manière diagnostique.
13
Dans les schémas bulk, plusieurs espèces d’hydrométéores sont distinguées (intro-
duits sur la Figure 1.4). À la différence des schémas bin, la phase liquide distingue
en général l’eau nuageuse (avec un rayon r < 50 µm ) et l’eau de pluie (où r peut
atteindre 1 à 3 mm). Pour la phase solide, les espèces les plus couramment modélisées
sont : les cristaux de glace, la neige, le graupel et la grêle. Au cours de leur existence,
ces espèces subissent différents processus faisant varier leur taille, leur concentration,
leur nature et par conséquent les propriétés du nuage.
Malgré des progrès continus en physique du nuage à partir d’études en laboratoire
(Simpson, 1983; Saunders et al., 1991; Tsenova and Mitzeva, 2009; Schnaiter et al.,
2016; Simpson et al., 2018) ou d’études de cas réels (Heymsfield et al., 2002, 2010,
2013; Delanoë et al., 2005, 2014), des incertitude persistent dans la modélisation de la
microphysique des nuages. Cela peut expliquer la diversité des représentations micro-
physiques dans les modèles.
Nous avons vu qu’une première source de diversité des schémas est la contrainte du
coût numérique, engendrant un premier choix dans la représentation des hydrométéores
de type bin ou bulk. Une fois le type de représentation déterminé, cette contrainte
persiste dans le développement du schéma. Par exemple, le schéma bin développé par
Khain et al. (2004) a été modifié par Lynn et al. (2005) afin de réduire les coûts de
calculs lors de son intégration au modèle MM5 développé au Penn State/NCAR (Dud-
hia, 1993; Grell et al., 1994). Le schéma originel résout un système d’équations pour
sept types de particules (CCN, eau liquide, neige, graupel/grêle, 3 types de cristaux de
glace : colonne, plaquette et dendrite) alors que la version rapide n’en compte plus que
cinq (CCN, eau liquide, cristaux de glace, neige et graupel). Un autre exemple est ce-
lui du schéma microphysique bulk de Grabowski (1998) qui a été opérationnel dans le
modèle japonais NICAM (Satoh et al., 2014) jusqu’en 2007. Ce schéma possède la par-
ticularité de ne considérer que deux classes d’hydrométéores : les particules nuageuses
et les particules précipitantes. Chacune de ces deux catégories est divisée de manière
diagnostique entre phase liquide et solide en fonction de la température. Ce schéma
très simplifié de la microphysique nuageuse représente tout de même de manière satis-
faisante les structures tropicales et leur organisation de grande échelle. Cependant, ce
schéma ne prend pas en compte les échanges de chaleur induits par les changements de
phase ni l’effet de la densité sur les vitesses de chute des hydrométéores, certains pro-
cessus sont représentés de manière trop simplifiée et la quantité de neige est surestimée.
Pour ces raisons et grâce aux évolutions des ressources numériques, la microphysique
du modèle japonais a évolué avec le schéma bulk de Tomita (2008) (NSW6) basé sur les
développements de Lin et al. (1983). Ce dernier considère six classes d’hydrométéores
mais les exigences numériques limitent toujours la modélisation, la croissance humides
(en présence d’eau liquide surfondue) des hydrométéores glacés n’est pas prise en
compte.
Outre ces considérations numériques, une source de diversité des modèles peut
résider dans la nature du phénomène étudié. Par exemple, Straka and Mansell (2005)
ont développé un schéma bulk 1-M subdivisant les hydrométéores glacés en dix
catégories en fonction de leur forme, taille et densité (cristaux de glace de forme co-
lonne ou plaquette, gouttelette d’eau nuageuse gelée, neige, trois catégories de graupel
de densités différentes, les gouttes gelées et deux catégories pour la grêle en fonction
de leur taille). Ce développement détaillé de la phase glacée qui a pour but d’améliorer
la représentation de la variété des systèmes convectifs en limitant les hypothèses lors
14
1.2. LES NUAGES
des paramétrisations, a montré des avantages dans la simulation de l’électrisation des

nuages et des éclairs.
Srivastava (1978) a mis en évidence les avantages de la détermination pronostique
de deux paramètres de la distribution dimensionnelle des hydrométéores. Les schémas
microphysiques à deux moments (2-M) se sont alors développés permettant d’avoir
plus de degrés de liberté et ainsi de mieux représenter les processus microphysiques
complexes. Le deuxième moment statistique de la PSD qui s’ajoute au rapport de
mélange est en général la concentration en nombre. Certains schémas ne représentent
qu’une seule espèce avec deux moments, par exemple la pluie (Nickerson et al., 1986)
ou la glace primaire (Cotton et al., 1986). D’autres ont choisi une représentation par-
tiellement 2-M. C’est le cas pour Ziegler (1985) qui ne pronostique que les concen-
trations de trois types d’hydrométéores parmi les cinq considérés ou encore Ferrier
(1994) qui a choisi cette représentation uniquement pour les hydrométéores glacés.
Il existe aussi des schémas qui représentent l’ensemble des hydrométéores avec deux
moments (Murakami, 1990; Wang and Chang, 1993; Meyers et al., 1997). Une des
conclusions récurrente sur les schémas 2-M est que cette paramétrisation permet une
représentation plus réaliste des systèmes nuageux en comparaison à des observations
radars. Par la suite les paramétrisations microphysiques 2-M ou plus se sont multi-
pliées (Reisner et al., 1998; Cohard and Pinty, 2000a; Khairoutdinov and Kogan, 2000;
Seifert and Beheng, 2006; Morrison et al., 2009, et bien d’autres encore).
De nombreuses études ont montré les apports d’une paramétrisation 2-M par rap-
port à une représentation 1-M. Reisner et al. (1998) ont montré que la présence d’eau
surfondue est plus réaliste lors de simulations de tempêtes hivernales observées sur
les Rocheuses en 1990. Morrison and Pinto (2005) ont simulé les nuages stratiformes
présents au niveau de la couche limite au dessus de l’Arctique avec leur schéma 2-M. Ils
ont mis en évidence une représentation plus réaliste de la persistance et de l’extension
horizontale de la couverture nuageuse qui se forme au printemps dans cette région. De
même, Morrison et al. (2009) ont mis en évidence une amélioration de l’estimation des
précipitations engendrées par la partie stratiforme des lignes de grains et un renforce-
ment des courants ascendants de la zone convective. Ces résultats sont obtenus grâce à
une diminution du taux d’évaporation sous la partie stratiforme et une augmentation
sous la partie convective. Ces premiers résultats encourageants sont obtenus à partir
de modèles de recherche, et un premier test dans un modèle de prévision numérique
du temps opérationnelle (à ma connaissance) a été effectué lors des JO d’hiver de
Vancouver en 2010 (Mailhot et al., 2014) avec le schéma microphysique de Milbrandt
et al. (2012).
Afin d’apprécier la diversité des représentations microphysiques dans les modèles,
deux tableaux non-exhaustifs (Tableau 1.1 et Tableau 1.2) montrent les ca-
ractéristiques des schémas bin et bulk les plus utilisés.
15
Schémas BIN
Hydromét. Aérosols
Référence Modèle
(bin) (bin)
Flossmann et al. (1985) ; Clark r, i 3
Leroy et al. (2009) Clark and Hall (1991)
(39) (39)
DESCAM-3D
Kogan (1991) ; NCAR-MM5 r, i 1
Ovtchinnikov and Kogan Dudhia (1993); Grell
(28) (12)
(2000) et al. (1994)
Khain and Sednev (1995) ; WRF Skamarock and
r, ic,p,d , s, g, h 1
Khain et al. (2004) Klemp (2008)
HUJI SBM (Full) (33) (33)
Tableau 1.1 – Exemples de schémas à microphysique détaillée type BIN. Les

hydrométéores sont référencés comme suit : c (gouttelettes d’eau nuageuse), r
(pluie), i (cristaux de glace), s (neige), g (graupel) et h (grêle). Pour la glace
les indices référencent la forme du cristal : ic (colonne), ip (plaquette) et id
(dendrite).
16
1.2. LES NUAGES
Schémas BULK
Référence / Nom Modèle Hydromét. Moments Aérosols
WRF Skamarock and
Lin et al. (1983) c, r, i, s, g/h 1 non considérés
Klemp (2008)
Ferrier (1994) 4ICE GCE Tao and Simpson
c, r, i, s, g, h 2 : Ni, s, g, h non considérés
(1993)
Pinty and Jabouille (1998) AROME Seity et al.
c, r, i, s, g, (h) 1 non considérés
ICE3 (2011)
Unified Model
Wilson and Ballard (1999) c, r, i 1 non considérés
Tang et al. (2013)
Milbrandt and Yau GEM Côté et al. (1998);
c, r, i, s, g, h 2 : Nr, s, g, h non considérés
(2005b) MY2 Girard et al. (2014)
introduction de
profils NCCN et
Morrison et al. (2005) WRF c, r, i, s 2 : Nc, r, i, s NIFN constants
à partir
d’observations
Straka and Mansell (2005) c+rim , r+rim ,
1 non considérés
10-ICE ic,p , s, h1,3 , g1,2
Hong and Lim (2006)
WRF c, r, i, s, g 1 non considérés
WSM6
NCCN
constante avec
Seifert and Beheng (2006) WRF c, r, i, s 2 : Nc, r, i, s
distinction
Terre/Mer
COSMO-LME non considérés
Seifert (2008) c, r, i, s 1
Doms et al. (2005)
NOAA-HRRR non considérés
Thompson et al. (2008) c, r, i, s 1
Benjamin et al. (2011)
Lim and Hong (2010) NCCN
WRF c, r, i, s, g 2 : Nc, r
WDM6 pronostique
Thompson and Eidham- introduction de
mer (2014) profils NCCN et
WRF c, r, i, s 2 : Nr, i NIFN constants
à partir
d’observations
Morrison and Milbrandt WRF NCCN
c, r, i 4 : Ni , qrim , Vrim
(2015) P3 constante
Vié et al. (2016) Meso-NH Approche
c, r, i, s, g, (h) 2 : Nc, r, i
LIMA Lac et al. (2018) multimodale
pronostique
Tableau 1.2 – Exemples de schémas à un ou plusieurs moments type BULK.

Les hydrométéores sont référencés comme suit : c (gouttelettes d’eau nua-
geuse), r (pluie), i (cristaux de glace), s (neige), g (graupel) et h (grêle). Les
différents moments sont N pour la concentration, q pour le rapport de mélange
et V pour le volume. En indice rim spécifie que l’espèce est givrée, les chiffres
caractérisent les espèces qui sont modélisées avec différentes caractéristiques
(taille, densité ...) et pour la glace les indices référencent la forme du cristal : c
(colonne), p (plaquette) et d (dendrite). Quand le schéma est 2-M, les autres
variables pronostiques en plus des rapports de mélange sont précisées.
17
1.2.3 Les aérosols dans les modèles

Précédemment, nous avons vu que les aérosols jouent le rôle initiateur dans la
formation des nuages mais aussi tout au long de son développement en influençant ses
caractéristiques (épaisseur de brouillard, renforcement de systèmes convectifs, durée de
vie du nuage...). Cependant, ils ne sont pas toujours pris en compte dans les modèles.
La représentation pronostique de la concentration en nombre de gouttelettes de
nuages dans les schémas à deux moments repose sur l’activation des CCN selon la
théorie classique de Köhler (1936). Les schémas 2-M de Milbrandt and Yau (2005b);
Morrison et al. (2005); Seifert and Beheng (2006); Thompson and Eidhammer (2014)
supposent une population constante, homogène dans l’espace et à mode unique. Ils ne
sont donc pas en mesure de représenter les différentes caractéristiques des aérosols. Ils
négligent également des effets importants tels que la diminution de la population par
activation et le lessivage sous le nuage, ou l’hétérogénéité de populations d’aérosols sur
le domaine de simulation. Certains schémas plus récents représentent une population
de CCN pronostique (Lim and Hong, 2010; Kogan, 2013; Lebo and Morrison, 2013),
mais se limitent à un seul type de CCN et à une seule distribution dimensionnelle.
La question de la nucléation de la glace à partir d’IFN reste encore plus ouverte en
microphysique des nuages. Les différents mécanismes de nucléation hétérogène de la
glace ne sont pas clairement établis, mais suggèrent une forte dépendance à la composi-
tion de l’IFN (Diehl and Wurzler, 2004; Khvorostyanov and Curry, 2004; Phillips et al.,
2008; Barahona and Nenes, 2009). Ils décrivent une formation de glace hétérogène qui
tient compte de la chimie, des propriétés de surface et du nombre d’IFN. Cependant,
la plupart des schémas microphysiques à deux moments cités ci-dessus qui considèrent
la nucléation de la glace, reposent sur la formulation classique de Meyers et al. (1992)
et ne représentent donc pas le lien entre la population d’aérosols et la formation des
cristaux de glaces sur les noyaux.
Le schéma 2-M LIMA (Vié et al., 2016) a la particularité de posséder une
représentation détaillée des aérosols et de suivre l’évolution de ces populations de
manière pronostique. L’initialisation d’une population d’aérosols réaliste à partir
d’analyses d’aérosols comme les analyses CAMS (Copernicus Atmosphere Monitoring
Service) est aussi possible, offrant ainsi de nouvelles perspectives d’amélioration de la
représentation des systèmes nuageux en prévision numérique du temps.
18
Chapitre 2
Microphysique nuageuse dans

Méso-NH
Sommaire
2.1 Généralités sur le modèle Méso-NH . . . . . . . . . . . . . 20
2.2 Schéma à un moment ICE3 . . . . . . . . . . . . . . . . . . 21
2.3 Schéma à deux moments LIMA . . . . . . . . . . . . . . . . 22
2.3.1 Représentation des hydrométéores . . . . . . . . . . . . . . 22
2.3.2 Représentation des aérosols . . . . . . . . . . . . . . . . . . 23
2.4 Les processus microphysiques . . . . . . . . . . . . . . . . . 27
2.4.1 Processus de la microphysique chaude . . . . . . . . . . . . 30
2.4.2 Processus de la microphysique froide . . . . . . . . . . . . . 31
2.4.3 Processus de la microphysique en phase mixte . . . . . . . . 31
2.5 Méthode d’évaluation des simulations . . . . . . . . . . . . 33
2.5.1 Opérateurs d’observations de Méso-NH . . . . . . . . . . . 33
2.5.2 Scores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
L’approche microphysique qui est étudiée ici est de type ≪ bulk ≫. Le schéma 1-M
ICE3 est actuellement utilisé en opérationnel dans le modèle AROME à Météo-France
et LIMA (2-M) est destiné à le devenir. ICE3 servira de référence dans la suite de cette
étude afin d’évaluer les apports de la microphysique de LIMA (Vié et al., 2016). Ces
schémas sont développés et disponibles dans le modèle Méso-NH et c’est donc avec ce
modèle que ce travail de thèse est réalisé.
Je commencerai ce chapitre en décrivant le modèle Méso-NH, ensuite je présenterai
les différents schémas microphysiques, et enfin je présenterai les outils utilisés pour
l’évaluation.
19
CHAPITRE 2. MICROPHYSIQUE NUAGEUSE DANS MÉSO-NH
2.1 Généralités sur le modèle Méso-NH

Le modèle Méso-NH (Mésoscale Non-Hydrostatique, Lafore et al., 1998; Lac et al.,
2018) a été développé initialement par le Laboratoire d’Aérologie et le Centre National
de Recherches Météorologiques (CNRM). Une description détaillée est disponible dans
la documentation scientifique du modèle Méso-NH (http://mesonh.aero.obs-mip.fr).
Méso-NH est un modèle de recherche à aire limitée pour la simulation de cas
idéalisés (cas académiques pour étudier certains aspects du modèle) ou de cas réels
avec initialisation et couplage aux bords à partir des champs des modèles de plus grande
échelle comme ECMWF, ARPEGE, AROME... Il permet l’étude de phénomènes allant
de l’échelle sous-synoptique (résolution de quelques dizaines de kilomètres) pour l’étude
des cyclones tropicaux (Barthe et al., 2016; Hoarau et al., 2017) ou des lignes de grains
(Revillet, 2009), à l’échelle méso-γ (résolution de quelques mètres) pour le brouillard
(Mazoyer et al., 2017) en passant par les phénomènes intermédiaires comme les brises
induites par les gradients thermodynamiques en basses couches en Afrique de l’Ouest
(Rochetin et al., 2017) ou des cas de convection atmosphérique qui seront présentés
dans cette thèse.
Les caractéristiques dynamiques sont les suivantes :
• modèle non hydrostatique : l’équation du mouvement vertical (vitesse verticale
w) est entièrement résolue, w est une variable pronostique. Les autres variables
pronostiques sont les vitesses horizontales u et v, la température potentielle θ
et l’énergie cinétique turbulente (T KE), ainsi que les rapports de mélange des
différentes phases de l’eau ou les concentrations de traceurs ou d’hydrométéores.
• système d’équations anélastique : la densité de l’air sec de référence est constante

dans le temps et horizontalement, déterminée par le profil vertical initial.
• un schéma temporel dit ≪ explicite ≫ : les termes des équations avec dérivées
spatiales sont dérivés aux temps connus.
• des schémas d’advection eulériens : le schéma PPM (Piecewise Parabolic Method,

Colella and Woodward, 1984) pour les variables scalaires et un schéma centré
du 4ème ordre ou un schéma WENO du 3ème ou 5ème ordre pour la quantité de
mouvement.
À cela s’ajoutent les paramétrisations physiques suivantes :
• Méso-NH est couplé au modèle de SURFace EXternalisé (SURFEX, Masson
et al., 2013) qui s’appuie sur une base géographique à haute résolution pour
représenter la nature des sols et modéliser les échanges entre les différents types
de surface et l’atmosphère.
• la paramétrisation de la convection profonde (pour les résolutions horizontales

supérieures à 5 km, Bechtold et al., 2001) et de la convection peu-profonde
(Pergaud et al., 2009).
• la paramétrisation 1D ou 3D de la turbulence humide (Cuxart et al., 2000).
• le schéma de transfert radiatif du centre européen RRTM (Rapid Radiative Tran-

fer Model, Mlawer et al., 1997) pour les grandes longueurs d’ondes et le schéma
de Morcrette (1991) pour les courtes longueurs d’ondes.
20
2.2. SCHÉMA À UN MOMENT ICE3
• les schémas microphysiques qui seront décrits dans les parties suivantes.
En tant que modèle de recherche, Méso-NH est très couramment utilisé pour des
études de HPE méditerranéens (Ducrocq et al., 2002; Ricard et al., 2012; Duffourg
et al., 2016; Martinet et al., 2017, par exemple).
2.2 Schéma à un moment ICE3

Le schéma microphysique ICE3 (Caniaux et al., 1994; Pinty and Jabouille, 1998)
est le schéma mixte 1-M développé dans Méso-NH et utilisé dans le modèle de prévision
opérationnel AROME depuis 2008. Il est donc largement validé et c’est pourquoi nous
utiliserons ce schéma comme base de comparaison au cours de la thèse.
Sa dénomination vient de la représentation de trois espèces solides (cristaux de
glace, neige et graupel). Ce schéma combine une paramétrisation de ces trois hy-
drométéores solides avec un schéma de Kessler (Kessler, 1969) pour les processus des
hydrométéores en phase liquide (gouttelettes d’eau nuageuse et gouttes de pluie). Il
est dit à un moment, c’est à dire que la distribution dimensionnelle de chaque hy-
drométéore dépend d’une variable pronostique uniquement : son rapport de mélange.
La fonction de distribution dimensionnelle des hydrométéores est déterminée à
partir d’une distribution Gamma généralisée :
αe
n(D)dD = N (λe D)αe (µe +1) D−1 exp(−(λe D)αe )dD , (2.1)
Γ(µe + 1)
où n(D) est la concentration en nombre (kg −1 m−1 ) de particules de diamètre compris
entre D et D +dD, l’indice e représente l’espèce (i pour les cristaux de glace, s la neige,
g le graupel, h la grêle, r la pluie et c les gouttelettes d’eau nuageuse), le paramètre
de pente λ dépend du rapport de mélange, et de la concentration N estimée par la
relation :
N = Ce λxe e , (2.2)
où Ce et xe sont liés par la relation empirique de Caniaux et al. (1994) :
log10 (Ce ) = −3.55xe + 3.89. (2.3)
La fonction de distribution dimensionnelle des hydrométéores précipitants que sont

la pluie, la neige, le graupel et la grêle est réduite à une distribution Marshall-Palmer
(dont µ = 0 et α = 1) modifiée (Caniaux et al., 1994) :
n(D)dD = Ce λxe e +1 exp(−λe D)dD , (2.4)
Le paramètre de pente λe dépend du rapport de mélange (re ) :

A B 1
ae Ce Γ(µe + 1 + be /αe ) be −xe
λe = , (2.5)
re Γ(µe + 1)
où ae , be sont les paramètres liés à la relation masse diamètre :
m(D) = ae Dbe . (2.6)
Les différents paramètres utilisés dans le schéma ICE3 sont répertoriés dans le
Tableau 2.1.
21
Parametres ri rs rg rr rc
α 3 1 1 1 3
µ 2 0 0 0 0
a 0.82 0.02 19.6 524 524
b 2.5 1.9 2.8 3 3
C 5 5 105 107
x 1 -0.5 -1
Tableau 2.1 – Paramètres microphysiques du schéma ICE3 pour les différents

hydrométéores.
Les gouttelettes d’eau nuageuse et les cristaux de glace sont traités de manière par-
ticulière. En effet, ces hydrométéores sont formés dans la nature via des précurseurs
(les particules d’aérosols) qui ne sont pas considérés ici. Ainsi la concentration en
nombre de gouttelettes (Cc ) est imposée et varie uniquement en fonction de la frac-
tion terre/mer qui couvre le point de grille, avec 300 cm−3 sur terre et 100 cm−3 sur
mer. Pour la glace primaire, la concentration (Ci ) est diagnostiquée d’après la pa-
ramétrisation de la nucléation hétérogène de Meyers et al. (1992), où la concentration
en glace ne dépend que des conditions thermodynamiques et ne fait pas intervenir les
aérosols.
Les processus microphysiques modélisés sont présentés à la section 2.4 puisqu’ils
sont en grande partie communs aux deux schémas présentés dans ce chapitre.
2.3 Schéma à deux moments LIMA

LIMA (Liquid, Ice, Multiple Aerosols) est un schéma à deux moments développé
principalement par le Laboratoire d’Aérologie et le CNRM et est décrit en détail dans
Berthet et al. (2010); Vié et al. (2016).
La microphysique du schéma est basée sur le schéma ICE3, les mêmes hy-
drométéores sont représentés. En plus du calcul des rapports de mélange des gout-
telettes, de la pluie, des cristaux, de la neige, du graupel et de la grêle, les processus
sont adaptés aux particularités de LIMA qui sont :
• une concentration pronostique des gouttelettes d’eau nuageuse, gouttes de pluie
et cristaux de glace
• la représentation (multimodale) des aérosols
• la prise en compte des interactions entre aérosols, nuages et précipitations

(comme par exemple le lessivage des aérosols par la pluie)
2.3.1 Représentation des hydrométéores

Le schéma LIMA est un schéma partiellement à deux-moments. En effet, seules
les catégories cristaux de glace, gouttelettes d’eau nuageuse et gouttes de pluie sont
représentées par deux moments. La représentation multimodale des aérosols permet
de déterminer, la concentration des gouttelettes d’eau nuageuse. Cette concentration
est directement liée à la concentration de CCN disponibles à la nucléation (voir sous-
section 2.3.2). Cette concentration évolue au même titre que les rapports de mélange
22
2.3. SCHÉMA À DEUX MOMENTS LIMA
d’après divers processus présentés dans la section 2.4. Cohard and Pinty (2000a) ont
montré qu’il est facilement possible d’étendre cette concentration à la pluie, permettant
ainsi d’avoir un schéma microphysique de la phase chaude totalement 2-M.
La représentation de la phase solide est plus complexe : une représentation 2-M
ne suffit pas, à elle seule, à décrire les caractéristiques variées (densité, forme, gi-
vrage) des hydrométéores en phase solide puisqu’elles introduisent des incertitudes
importantes dans la paramétrisation des processus de conversion. Il est tout de même
possible d’avoir une paramétrisation de la concentration de cristaux formés satisfai-
sante puisque la croissance est dirigée par la déposition de vapeur et que les processus
de formation sont paramétrés : la nucléation hétérogène à partir d’IFN grâce aux tra-
vaux de Phillips et al. (2008, 2013), la nucléation homogène (liée aux gouttelettes et
CCN dont les concentrations sont connues dans LIMA) ainsi que le processus de mul-
tiplication Hallett-Mossop (lié à la concentration en gouttes de pluie). En revanche,
il est plus compliqué de quantifier certains processus en terme de nombre comme
la conversion d’agrégats en graupel par givrage d’eau surfondue. Si les transferts de
masse d’une espèce à l’autre sont encadrés par la loi de conservation de la masse
et il n’existe pas de loi équivalente permettant d’encadrer l’estimation de concentra-
tions. La représentation 2-M pour la neige ou le graupel est donc insuffisante pour
représenter leurs caractéristiques et est source d’incertitudes. Ainsi, il a été choisi de
ne pas déterminer de manière pronostique la concentration de la neige et du grau-
pel et de conserver la paramétrisation diagnostique du schéma ICE3 (équations de la
section 2.2).
La prévision de la concentration pour les gouttelettes, la pluie et la glace permet
une meilleure représentation de la distribution dimensionnelle des particules et donc
des processus microphysiques associés. Le calcul du paramètre de pente λ évolue pour
ces espèces, puisque la concentration n’est plus constante :
A B 1
N Γ(µe + 1 + be /αe ) be
λe = ae . (2.7)
r Γ(µe + 1)
Pour la pluie, les paramètres Cr et xr permettant de diagnostiquer la concentration
dans ICE3 ne sont plus utilisés dans LIMA, la concentration en pluie étant pronostique.
De plus, afin de mieux représenter la distribution dimensionnelle de la pluie, en accord
avec différentes études qui montrent souvent un paramètre de forme supérieur (Zhang
et al., 2003; Cao et al., 2008; Tokay et al., 2013, entre autres), la valeur de µr par défaut
a également été modifiée et fixée à 1 dans LIMA. Pour les autres espèces précipitantes,
la paramétrisation est identique à celle d’ICE3 (équation (2.5)), et les paramètres du
Tableau 2.1 sont également valables pour LIMA.
2.3.2 Représentation des aérosols

Le schéma LIMA permet de considérer les interactions aérosols / nuages /
précipitations. Nous avons vu au chapitre 1 que les aérosols sont un support par-
ticulaire déterminant pour la formation des précipitations. Cette partie présente la
manière dont les aérosols sont représentés et ainsi que leur capacité à nucléer.
2.3.2.1 Population multimodale

Les capacités nucléantes des aérosols sont fortement dépendantes de la composition
et de la taille des noyaux considérés. Ainsi une représentation pluri-modale permet de
23
mieux représenter la diversité rencontrée dans l’atmosphère. Le terme mode définit un

type spécifique d’aérosol caractérisé par ses propriétés physiques et microphysiques. La
population d’aérosols est constituée de plusieurs modes ayant des propriétés physico-
chimiques différentes.
Le schéma considère une évolution pronostique, tri-dimensionnelle de la population
d’aérosols. Chaque mode est caractérisé sont représentés par une distribution dimen-
sionnelle log-normale :
1 22
Nx −
ln(D/dx )
√
n(D)dD = √ e 2ln(σx )
dD , (2.8)
2πDln(σx )
définie par un diamètre médian dx , un écart type (largeur de la PSD) σx et une
masse volumique ρx . Différentes configurations utilisées au cours de cette thèse sont
présentées dans le Tableau 2.2.
2.3.2.2 Évolution pronostique de la population d’aérosols

La Figure 2.1 montre les différents processus d’évolution propres aux aérosols :
l’activation ou nucléation, le lessivage des aérosols par les gouttes de pluie, l’impact
radiatif et le transport par advection ou turbulence.
Figure 2.1 – Diagramme représentant les interactions aérosols - nuages -

précipitations dans LIMA (Source : Vié et al., 2018).

À chaque pas de temps, le schéma détermine le nombre d’aérosols activés et le

reste des aérosols qui est disponible pour la nucléation. Selon la théorie de Köhler
(1936), les CCN sont des particules partiellement ou totalement solubles qui peuvent
être assimilées à un volume de solution aqueuse. A l’opposé, les IFN sont des particules
partiellement insolubles dont les propriétés d’aptitude à nucléer, c’est à dire à former un
germe de glace, ne dépendent que de l’état de sa surface (cristallographie du réseau,
dislocations ...). Les noyaux enrobés (CIFN), qui ont la particularité d’agir comme
CCN et IFN, sont représentés par trois variables : particules disponibles, particules
activées en CCN et particules nucléées en IFN.
Activation des CCN. Nous avons vu au chapitre 1 que le CCN est activé lorsqu’il
atteint son diamètre critique après une phase de croissance par absorption de vapeur
24
2.3. SCHÉMA À DEUX MOMENTS LIMA
ambiante. La théorie de Köhler (1936) (qui détermine la sursaturation à la surface

du CCN) est fortement dépendante des propriétés physico-chimique des CCN et de la
sursaturation de l’environnement. L’approche de LIMA est l’estimation de la quantité
de CCN selon un spectre d’activation, en fonction des conditions de sursaturation par
rapport à l’eau du milieu (S). La loi puissance de Twomey (1959), revue dans Two-
mey and Wojciechowski (1969), est étendue pour LIMA en introduisant une fonction
hypergéométrique (Cohard et al., 1998) :
A B
ki k i
Niact (S) = Ci S F µi , , + 1, −βi S 2
ki
, (2.9)
2 2
où Ci , µi , ki et βi dépendent de la composition chimique de l’aérosol i et F est la
fonction hypergéométrique proposée par Cohard et al. (1998). Or les schémas bulk
à un moment font l’hypothèse d’un ajustement à saturation (i.e. il ne peut exister
de sursaturation en aucun point du domaine), et ne permettent pas d’application
direct de cette théorie. En conséquence, il est nécessaire de paramétrer le calcul de la
sursaturation maximale (Smax en %) diagnostique, en chaque point en déterminant la
borne maximale de l’équation d’évolution de la saturation qui dépend entre autre de
la vitesse verticale et de l’évolution de la masse de gouttelettes.
Cette méthode repose sur l’hypothèse de la conservation du spectre d’activation
tout au long de la trajectoire lagrangienne de chaque parcelle d’air. Cela signifie que,
pour un mode de CCN donné, la population totale d’aérosols (aérosols activés et
disponibles) reste constante en chaque point : il y a conservation par le transport et
par les processus de nucléation. De plus le schéma permet le traitement simultané de
différents modes d’aérosols, la quantité d’aérosols activés est donc :
nØ
mode
act
N = Niact (Smax ) (2.10)
0
Nucléation des IFN. Une hypothèse fondamentale de la paramétrisation de Phil-

lips et al. (2008) implémentée dans LIMA est que la nucléation de la glace se produit
préférentiellement sur des sites actifs à la surface des aérosols, et que le nombre de
sites est proportionnel à la surface totale des aérosols. La densité de surface de ces
sites dépend de la composition chimique et, par conséquent, le système distingue trois
espèces d’aérosols, à savoir la poussière et les particules métalliques (Dust Metallic),
le carbone suie (Black Carbon) et les composés organiques insolubles (Organics). Les
propriétés de nucléation sont estimées à l’aide d’observations simultanées d’aérosols
insolubles dans la troposphère et de mesures du taux de nucléation de la glace dans
une chambre de diffusion à écoulement continu dans des conditions contrôlées de
température et de sursaturation.
Lessivage par capture-impaction. Les puits en aérosols ne sont pas uniquement la
nucléation ou l’activation. Les noyaux peuvent être collectés par les gouttes en suspen-
sion suite à un choc (on parle ainsi de lessivage des aérosols par capture-impaction).
Ces particules libres ne sont donc plus disponibles pour la nucléation. Il existe trois
principaux mécanismes de capture d’aérosols par la goutte : i) le mouvement brow-
nien intervient sur les petites particules (da < 0.01µm) soumises à une trajectoire
aléatoire qui engendre des collisions avec les gouttes, ii) l’interception des particules
de taille moyenne (0.01 < da < 2µm) qui suivent les lignes de courant engendrées par
l’écoulement de la goutte lorsqu’elles passent à une distance inférieure à leur diamètre
25
et iii) l’impaction inertielle lorsque les particules sont déviées de leur trajectoire par
inertie (da > 2µm). Ces trois mécanismes sont paramétrés d’après Slinn (1983) avec
les adaptations au schéma de Berthet et al. (2010).
Impact radiatif. Les aérosols affectent le bilan radiatif du système terrestre de
manière directe, par leur interaction avec le rayonnement électromagnétique (absorp-
tion/diffusion des ondes), ou indirecte en nucléant les hydrométéores primaires (gout-
telettes et cristaux primaires) qui, à travers leurs formes, leurs masses et leurs conte-
nus en eau, déterminent les propriétés radiatives et précipitantes d’un nuage. Dans
cette thèse, l’impact radiatif des nuages ne tient pas compte des concentrations d’eau
nuageuse liquide et glacée. De plus, l’impact radiatif des aérosols reste basé sur une
climatologie d’aérosols.
2.3.2.3 Initialisation de la population d’aérosols

Différentes options sont accessibles quant à l’initialisation de la population
d’aérosols. Il est possible de considérer une population avec une répartition homogène
sur tout le domaine ou de considérer une population plus variée (et réaliste) à partir
d’observations. Il est aussi possible d’introduire des panaches à l’intérieur du domaine,
mais cette option ne sera pas utilisée dans cette thèse.
Dans la suite de cette thèse les simulations en conditions idéalisées considèrent une
population homogène horizontalement. Pour chaque mode de CCN, une concentration
en nombre est imposée (par l’utilisateur) entre le sol et 1000 m, altitude à partir
de laquelle la concentration diminue de manière exponentielle jusqu’à 10 km où elle
devient constante à 0.01 cm−3 . La population d’IFN est homogène sur la verticale et
la concentration de chaque mode est définie par l’utilisateur. Les paramètres de la
distribution sont choisis pour représenter les aérosols du mode d’accumulation pour le
mode de CCN, et les petites poussières définies par Phillips et al. (2008, 2013) pour le
mode d’IFN (valeurs de la colonne ≪ idéalisé ≫ du Tableau 2.2).
Pour une simulation en conditions réelles, l’initialisation (et le couplage aux limites
latérales) d’une population hétérogène en aérosols est réalisée en utilisant les analyses
en aérosols CAMS (Copernicus Atmosphere Monitoring Service). Le projet CAMS
combine une modélisation de l’état de l’atmosphère avec des données d’observations
satellitaires pour fournir un service d’informations sur la composition et la qualité
de l’air atmosphérique (source : www.gmes-atmosphere.eu). À partir d’observations
satellites (GOME-2, GOSAT, MODS, OMI ...) combinées au schéma d’assimilation 4D-
VAR de ECMWF et au modèle C-IFS, des prévisions à cinq jours avec une résolution
horizontale de 80 km et temporelle de 3h sont disponibles. Le projet fournit aussi
des réanalyses de la distribution verticale des aérosols nous permettant ainsi d’étudier
l’impact de la population d’aérosols sur les HPE passés. Ces aérosols sont distribués
selon 11 catégories : les sels marins et les poussières (chacun possédant 3 dimensions
caractéristiques distinctes), les particules organiques hydrophiles et hydrophobes ainsi
que la suie hydrophile et hydrophobe (issue de combustions incomplètes) et le sulfate.
JP Pinty (du LA) et B. Vié (du CNRM) ont développé une méthode de conversion
permettant d’obtenir des masses d’aérosols (Figure 2.2) qui, combinées à des rayons
moyens (dx ), des écarts-type (σx ) et des masses volumiques (ρx ) issues de la littérature
(Köpke et al., 1997; Mallet et al., 2003; Bozzo et al., 2017), fournissent au schéma
LIMA une population réaliste d’aérosols selon les différents modes considérés par LIMA
(Tableau 2.2).
26
2.4. LES PROCESSUS MICROPHYSIQUES
Au cours de cette thèse, les caractéristiques des aérosols testées sont celles associées
au mode Aı̈tken (particules de diamètre plus petit, colonne du milieu du Tableau 2.2)
et au mode d’accumulation (particules légèrement plus grosses, à droite dans le Ta-
bleau 2.2).
!"
!"
!"

Figure 2.2 – Diagramme représentant les conversions entre les rapports de
mélange fournis par les analyses CAMS et les aérosols considérés dans le
schéma LIMA (Source : Vié et al., 2018).
modes : Idéalisé Aı̈tken Accumulation

dx ρx
propriété (µm) σx (kg/m3 ) dx σx ρ dx σx ρx
CCN1 0.25 2 1000 0.4 2 2200 0.4 2 2200
CCN2 - - - 0.1 2 1700 1 1.61 1700
CIFN3 - - - 0.04 2.2 1800 0.8 2.2 1800
IFN1 0.8 1.9 2300 0.04 2.2 1800 0.8 2.2 2000
IFN2 - - - 0.8 2 2600 0.8 2 2600
Tableau 2.2 – Exemple de paramètres de la PSD pour différents types

d’aérosols dans LIMA, avec dx le diamètre caractéristique, σx l’écart type et
ρx la masse volumique des particules x considérées.
2.4 Les processus microphysiques

Après formation de cristaux de glace et/ou de gouttelettes d’eau nuageuse par
nucléation, les processus microphysiques sont complexes et nombreux. La Figure 2.3
représente les interactions entre les différentes catégories d’hydrométéores que le
27
schéma considère. Les flèches de couleurs montrent les évolutions entre ICE3 et LIMA
avec en bleu les processus communs aux deux schémas qui ont été adaptés ou modifiés
pour LIMA et en rouge les processus propres au schéma LIMA. Le premier diagramme
représente l’ensemble des processus à l’exception de la collection (Figure 2.3a) et le
deuxième ne traite que les processus de collection (Figure 2.3b). La description des
différentes interactions distinguera trois catégories : les processus de la microphysique
chaude (qui ne font interagir que l’eau sous forme liquide), les processus de microphy-
sique froide (pour les interactions entre particules glacées) et les processus en phase
mixte (qui font interagir des particules liquides avec des particules glacées). Par souci
de simplicité, les processus faisant intervenir la grêle, qui n’est pas évaluée dans le
cadre de mon étude, ne seront pas détaillés.
Les différentes paramétrisations des processus sont détaillées dans différents ar-
ticles Caniaux et al. (1994); Pinty and Jabouille (1998) pour ICE3 et Cohard and
Pinty (2000a) pour LIMA. Une synthèse est aussi disponible dans la documentation
du modèle (http://mesonh.aero.obs-mip.fr). Le but de cette section n’est pas de re-
produire la documentation mais de lister l’ensemble des processus considérés dans les
schémas afin de donner les éléments nécessaire à l’analyse microphysique réalisée aux
chapitres suivants.
Symbole Processus
ACC Accrétion
ACT Activation des CCN
AGG Agrégation des cristaux de glace sur la neige
AUTO Auto-conversion
BER Bergeron-Findeisen
CFR Gel de goutte par contact
CND / EVAP Condensation / Évaporation
DEP / SUB Déposition / Sublimation
DRY / WET Croissance sèche / humide du graupel ou de la grêle
HEN Nucléation hétérogène
HM Hallett-Mossop
HON Nucléation homogène
IFR Gel des noyaux enrobés par immersion
MLT Fonte
RIM Gel de gouttelette sur la neige
SC Coalescence
SC / BU Coalescence / Désintégration
SCAV Lessivage des aérosols par la pluie
SED Sédimentation
SHED expulsion d’eau liquide
Tableau 2.3 – Liste des processus et de leur symbole.
28

(a)

(b)
Figure 2.3 – Diagrammes représentant (a) les interactions à l’exception des

processus de collection et (b) les proccessus de collection entre les différents
hydrométéores et les aérosols. En noir sont représentés les processus communs
aux deux schémas microphysiques, en bleu les processus déjà représentés dans
ICE3 mais ayant été adaptés à la microphysique de LIMA et en rouge les
processus propres au schéma microphysique LIMA. Les variables pronostiques
sont associées à chaque hydrométéore avec r le rapport de mélange et N la
concentration en nombre. Lorsque la grêle est activée, les processus associés
sont indiqués en couleurs atténuées. La liste des processus et leurs symboles
sont répertoriés dans le Tableau 2.3. Figure introduite dans Lac et al. (2018).
29
2.4.1 Processus de la microphysique chaude

Nous allons d’abord nous intéresser aux processus qui régissent l’évolution des
contenus en eau nuageuse et eau de pluie (respectivement CLOUD et RAIN de la
Figure 2.3). Les processus suivants sont considérés :
• la nucléation hétérogène (ACT pour activation des CCN) : condensation de

la vapeur en présence de noyaux de condensation. Ce processus est propre au
schéma LIMA puisque les gouttelettes d’eau nuageuse se forme par le processus
de condensation (CDN) dans ICE3.
• l’auto-conversion (AUTO) : collision puis coalescence qui entraı̂nent la conver-

sion de gouttelettes en gouttes de pluie. À partir d’une valeur seuil (qcrit ), le
taux d’auto-conversion évolue de manière linéaire en fonction de la teneur en
gouttelettes nuageuses (ρdref rc ) et est estimé en suivant la paramétrisation de
Kessler (1969) pour ICE3. Pour les concentrations propres à la microphysique
de LIMA, la paramétrisation de Berry and Reinhardt (1974) a été adaptée au
schéma par Cohard and Pinty (2000a).
• l’accrétion (ACC) : une fois que les premières gouttes de pluie sont formées, le
rapport de mélange de la pluie augmente dans un premier temps par l’accrétion
de gouttelettes d’eau nuageuse. L’accrétion ainsi que la coalescence sont pa-
ramétrées en utilisant le principe des ≪ collection kernels ≫ paraboliques de Long
(1974). Pour LIMA, les processus d’accrétion et d’auto-conversion sont limités
par le nombre de gouttelettes disponibles. Dans le cas ou les deux processus sont
activés simultanément, le taux de transfert par accrétion est calculé en premier.
• l’auto-collection (SC pour Self-Collection) : fusion de deux hydrométéores pour

en former un plus gros après collision au cours de leur chute. Ce processus est
lié à l’accrétion qui fait interagir les deux espèces liquides (transfert de masse
d’une espèce à l’autre) mais il s’étend aux collisions entre deux hydrométéores
de même type pour LIMA (entraı̂nant ainsi une conservation de la masse et une
modification de la concentration).
• la désintégration (BU pour Break-Up) : au cours de leur chute, les processus

de croissance des gouttes peuvent les mener jusqu’à un diamètre critique qui
entraı̂ne l’explosion en plusieurs gouttes de diamètres inférieurs. Comme pour
Ziegler (1985) et Verlinde et al. (1990), ce processus est assimilé à un coefficient
d’efficacité du processus d’auto-collection mais il a aussi un rôle d’ajustement
pour le schéma LIMA afin de réguler l’évolution disjointe de la concentration et
de la masse (Cohard and Pinty, 2000b).
• l’évaporation de la pluie (EVAP) : d’après Pruppacher and Klett (1978), lors-

qu’une goutte se trouve dans une masse d’air non saturée, le taux d’évaporation
d’une goutte de pluie dépend de son diamètre. L’évaporation réduit le rapport
de mélange et le diamètre moyen de la pluie. Si celui-ci diminue fortement, une
partie des gouttes est convertie en gouttelettes d’eau nuageuse. Ce terme est
limité par la quantité de gouttes de pluie disponible.
• la sédimentation (SED) : effet de la gravité terrestre sur les particules. Par soucis
de stabilité la sédimentation de la pluie est paramétrée avec une technique de
30
time-splitting et un schéma d’advection différencié. Ce processus est commun à

l’ensemble des hydrométéores. L’impact de la sédimentation sur les concentra-
tions a été ajouté dans le schéma LIMA.
• la condensation/évaporation des gouttelettes (CND/EVAP) : après avoir estimé

l’ensemble des sources et puits, le taux de condensation/évaporation est estimé
par une procédure d’ajustement de la saturation décrite par Langlois (1973)
en l’absence de cristaux de glace. Ce processus initie aussi la formation des
gouttelettes d’eau nuageuse pour le schéma ICE3.
2.4.2 Processus de la microphysique froide

Les différents contenus des hydrométéores solides varient de manière différente en
fonction de la température. Les processus qui interviennent entre les espèces glacées
sont les suivants :
• la nucléation hétérogène (HEN) : processus identique à la phase chaude par le

biais de noyaux de glaciation (IFN) et pour la formation de cristaux de glace
primaire. La microphysique de ICE3 qui ne considère pas de noyaux glaçogènes
utilise la paramétrisation de Meyers et al. (1992), et celle de Phillips et al. (2008,
2013) est appliquée pour LIMA.
• l’auto-conversion de la glace en neige (AUTO) : seul processus de formation de

neige en phase froide. La paramétrisation de Passarelli (1978) est utilisée par
simplicité dans ICE3. Ce processus est plus ou moins efficace en fonction de
la température (suivant les paramétrisations de Lin et al., 1983; Chaboureau
et al., 2002). Dans LIMA, la conversion dépend explicitement de la croissance
des cristaux au delà d’un diamètre critique (Dcrit =125 µm) par déposition.
• l’agrégation (AGG) : assemblage de particules de glace pour former des agrégats

neigeux. Ce processus est gouverné par l’efficacité de collection de Kajikawa and
Heymsfield (1989)
• la sédimentation : comme précédemment, les différents hydrométéores glacés

tombent sous l’effet de la gravité. Pour la glace, le taux de sédimentation est
estimé d’après les travaux de McFarquhar and Heymsfield (1997)
• la déposition/sublimation de vapeur d’eau (DEP / SUB) : processus de crois-

sance/décroissance des cristaux dans un environnement sur- ou sous-saturé par
rapport à la glace. De même que l’évaporation sur les gouttes de pluie, la subli-
mation entraı̂ne une diminution du diamètre moyen des particules de neige et un
transfert de la neige vers les cristaux de glace en dessous d’un diamètre critique
(Pruppacher and Klett, 1978).
2.4.3 Processus de la microphysique en phase mixte

• la nucléation homogène (HON) : pour des températures inférieures à −35°C,
les gouttelettes d’eau nuageuse gèlent instantanément en l’absence de noyau de
glaciation (Pruppacher, 1995). Pour LIMA, ce processus a été adapté aux CCN.
31
• l’effet Bergeron-Findeisen (BER) : à des températures négatives et en présence

de gouttelettes surfondues, un cristal de glace va croı̂tre plus rapidement par
déposition car la pression de vapeur saturante de la glace est inférieure à celle
de l’eau liquide. Numériquement, il en résulte un transfert de masse de goutte-
lettes d’eau nuageuse vers les cristaux de glace, qui est déterminé par le taux de
déposition de vapeur d’eau sur les cristaux de glace primaire. Il s’agit donc d’un
cas particulier du processus de déposition de la vapeur d’eau.
• congélation par immersion (IFR) : les gouttelettes d’eau nuageuse qui se forment
sur des noyaux enrobés sont un réservoir important pour la nucléation des cris-
taux de glace par immersion.
• congélation par contact (CFR) : au contact d’un cristal de glace, une goutte-
lette (resp. goutte) gèle pour former un cristal de glace (resp. graupel). Pour
LIMA, ce processus traduit aussi un transfert entre le nombre de gouttelettes
d’eau nuageuse et le nombre de cristaux de glace, ainsi qu’une diminution de la
concentration en gouttes de pluie.
• la fonte d’hydrométéores (MLT pour MeLTing) : les cristaux de glace fondent

instantanément au profit des gouttelettes. Les graupels et les flocons de neige
fondent partiellement, ainsi le graupel forme des gouttes de pluies et la neige
prend une structure semblable à celle du graupel. Les taux de transfert du graupel
en pluie et de la neige en graupel sont estimés à partir de l’équation du bilan
thermique de Mason (1956). Comme pour le processus de gel, il en résulte un
transfert entre le nombre de gouttelette d’eau nuageuse et le nombre de cristaux
de glace ainsi qu’une augmentation de la concentration en gouttes de pluie dans
LIMA.
• le processus Hallett and Mossop (1974) (HM) : dans une gamme de températures
entre -3˚C et -8˚C, un fragment de glace est produit (sans aérosol) chaque fois
que 200 gouttes de 12-25µm de diamètre sont collectées par un graupel. Ce
processus n’était pas considéré dans ICE3.
• la croissance ≪ sèche ≫ ou ≪ humide ≫ du graupel (DRY/WET) : lorsqu’il y a

givrage d’eau condensée sur le graupel, sa température de surface augmente (par
libération de chaleur latente). Tant que cette température est négative, il y a
congélation de cette eau (DRY pour Dry growth) ; dès qu’elle devient positive,
une fine pellicule d’eau recouvre la surface du graupel et le surplus d’eau (non-
congelable) est évacué (SHED pour water shedding) sous forme de pluie (WET
pour Wet growth), ce mode de croissance engendre la formation de grêle. La
croissance sèche est paramétrée d’après Ferrier (1994) et la croissance humide
d’après Musil (1970) avec les révisions de Nelson (1983). Pour les espèces dont
la concentration est pronostique dans LIMA, le processus se traduit par une
diminution du nombre d’hydrométéores.
• l’accrétion de la pluie sur les agrégats (ACC) : les flocons de neige croissent lors
de contacts avec une goutte de pluie. Si le diamètre moyen dépasse une valeur
critique, une partie des flocons ainsi formés est converti en graupel comme défini
par Ferrier (1994). Ce processus a été adapté pour la concentration dans LIMA.
32
2.5. MÉTHODE D’ÉVALUATION DES SIMULATIONS
2.5 Méthode d’évaluation des simulations

Le modèle Méso-NH permet une étude détaillée des processus microphysiques,
grâce aux différents diagnostics disponibles :
2.5.1 Opérateurs d’observations de Méso-NH

Le modèle Méso-NH dispose de différents simulateurs d’observations permettant de
restituer la pseudo-observation déduite des simulations. Pour notre étude, nous avons
utilisé :
• Le simulateur de variables polarimétriques des radars météorologiques au sol.

Le fonctionnement des radars polarimétriques est décit en section 3.1.2.2. Le si-
mulateur de radar polarimétrique est développé et décrit par Augros et al. (2016)
à partir de la microphysique ICE3. Il a ensuite été adapté à la microphysique de
LIMA par Gaëlle Delautier.
L’opérateur de variables polarimétriques utilise en entrée les sorties du modèle
telles que la température et les contenus en hydrométéores pour ICE3, aux-
quelles s’ajoutent les concentrations en nombre disponibles pour LIMA. Il a été
construit à partir des mêmes hypothèses que les schémas sur les distributions
dimensionnelles des hydrométéores et sur la relation masse-diamètre.
La propagation des ondes électromagnétiques en bande S, C et X est simulée.
Les coefficients de diffusion et de rétro-diffusion sont calculés pour chaque hy-
drométéore et intégrés sur chaque diamètre de la PSD. Différentes méthodes sont
utilisées, la théorie de Mie pour les particules de glace primaire (considérées ici
comme sphériques) et la méthode de la T-matrix (Mishchenko and Travis, 1994)
pour la pluie, la neige et le graupel (de formes ellipsoı̈dales).
• Le simulateur d’observations du radar aéroporté RASTA.

En parallèle de mon travail de thèse, une nouvelle version de ce simulateur a
été développée par Borderies et al. (2018). La version utilisée ici est donc une
version antérieure de ce radar d’après la paramétrisation de Caumont et al.
(2006) avec simulation de la bande brillante suivant la paramétrisation de Au-
gros et al. (2016). Il a été possible de prendre en compte le seuil de détection des
antennes amélioré par Borderies et al. (2018) en post-traitement des sorties du
modèle. Comme pour le simulateur d’observations des variables polarimétriques,
les réflectivités sont déterminées à partir des hypothèses microphysiques des
schémas.
2.5.2 Scores
La qualité des simulations peut être estimée par des calculs de scores. Pour cette
étude, des scores catégoriels seront présentés (voir par exemple Ducrocq et al., 2002) :
• POD (Probability Of Detection) est une mesure du taux de bonnes détections :

une simulation de qualité donne une valeur proche de 1.
• FAR (False Alarm Rate) est une mesure du taux de fausses alarmes : un taux
nul correspond à une simulation de qualité.
33
• HSS (Heidke Skill Score, Barnston, 1992) est une mesure du taux de bonnes
détections sans tenir compte des détections dues au hasard : une simulation de
qualité donne une valeur proche de 1.
• F bias (Frequential Bias) mesure le ratio de la fréquence de dépassement des

différents cumuls simulés par rapport à celle observée : des simulations de bonne
qualité on un biais fréquentiel de 1.
Le calcul de scores permet de caractériser l’impact des différentes expériences en

fonction du seuil de précipitations. Pour la POI 16a, nous avons vu dans la section 3.2
que les précipitations associées aux systèmes convectifs étaient principalement sur
mer. N’ayant pas d’estimation de qualité des précipitations sur mer permettant une
évaluation quantitative des systèmes convectifs observés et simulés, aucun score ne
sera présenté pour ce cas.
2.6 Conclusion
Dans ce chapitre, une présentation générale de la microphysique nuageuse de Méso-
NH a été réalisée. Le schéma à un moment le plus couramment utilisé est le schéma
mixte ICE3 (Caniaux et al., 1994; Pinty and Jabouille, 1998) comprenant cinq hy-
drométéores (gouttelettes d’eau nuages, gouttes de pluie, cristaux de glace, agrégats
neigeux et graupel), couplé à un schéma de Kessler pour les processus en phase chaude.
Les distributions dimensionnelles des hydrométéores sont de type gamma généralisée,
avec le cas particulier de la distribution exponentielle Marshall-Palmer pour les espèces
précipitantes, et la masse et le diamètres des particules sont liés par une loi de puis-
sance. Le schéma à deux moments LIMA de Méso-NH (basé sur la microphysique
ICE3) possède une microphysique de la phase liquide à deux moments d’après Cohard
and Pinty (2000a,b). En plus des cinq rapports de mélange d’ICE3, LIMA prédit la
concentration des gouttelettes d’eau nuageuse, des gouttes de pluie et des cristaux de
glace. La force du schéma réside dans le fait qu’il inclut une représentation pronostique
d’une population multimodale 3D d’aérosols, chaque mode étant défini par sa compo-
sition chimique, sa distribution dimensionnelle et sa capacité à agir soit comme CCN,
noyau de congélation de glace (IFN), soit comme IFN enrobé (CIFN) en fonction de
sa solubilité.
L’objectif est maintenant d’évaluer l’apport de cette nouvelle microphysique sur
des HPE, ce qui fera l’objet des chapitres suivants.
34
Chapitre 3
Les cas d’étude de la campagne

HyMeX
Sommaire
3.1 La campagne de mesures HyMeX . . . . . . . . . . . . . . 36
3.1.1 Contexte et objectifs . . . . . . . . . . . . . . . . . . . . . . 36
3.1.2 Instruments . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2 Description des événements précipitants . . . . . . . . . . 43
3.2.1 24 septembre 2012 : POI 6 . . . . . . . . . . . . . . . . . . 43
3.2.2 26 Octobre 2012 : POI 16a . . . . . . . . . . . . . . . . . . 48
Dans ce chapitre, je présenterai les objectifs de la campagne de mesures HyMeX,

dédiée à l’étude des systèmes fortement précipitants. Ensuite, je décrirai les moyens
mis en œuvre afin d’obtenir des informations détaillées sur les systèmes convectifs et
leur environnement, en portant une attention particulière sur les instruments qui ont
permis de mener à bien les travaux de cette thèse. Enfin, je décrirai les deux épisodes
de pluies intenses sélectionnés pour la validation du schéma microphysique et pour
l’étude des interactions avec les aérosols.
35
CHAPITRE 3. LES CAS D’ÉTUDE DE LA CAMPAGNE HYMEX
3.1 La campagne de mesures HyMeX

3.1.1 Contexte et objectifs
À l’automne, le bassin méditerranéen est souvent touché par des phénomènes
météorologiques de pluies intenses, conduisant à des cumuls de précipitations dépassant
10 mm en quelques heures. Ces phénomènes, appelés HPE (Heavy Precipitation
Events) sont associés à des systèmes convectifs de méso-échelle (MCS, Mesoscale
Convective System). L’ensemble du pourtour méditerrannéen est affecté par ce type
d’événements, même s’ils sont plus nombreux sur la façade nord de la Méditerranée.
De nombreuses études de cas détaillent les mécanismes en jeu : Delrieu et al. (2005);
Nuissier et al. (2008); Ducrocq et al. (2008); Davolio et al. (2009) pour la France,
Ramis et al. (1994, 1998); Romero et al. (2000) pour l’Espagne, Buzzi et al. (1998);
Silvestro et al. (2012) pour l’Italie, Hamadache et al. (2002) pour le nord de l’Algérie
et Krichak et al. (2004) pour Israël ... Des études idéalisées ont aussi été conduites
afin d’approfondir la compréhension de ces épisodes de pluies intenses (Miglietta and
Rotunno, 2010; Bresson et al., 2012, par exemple). Ces travaux ont permis de pro-
gresser dans la connaissance des conditions de formation et de maintien des systèmes
convectifs.
L’étude présentée ici porte sur le nord-ouest du bassin méditerranéen, et plus par-
ticulièrement la région comprenant le Golf du Lion et le quart sud-est de la France. Les
HPE méditerranéens peuvent y produire des cumuls de précipitations importants. Par
exemple, lors de l’épisode du 8 et 9 septembre 2002 dans le sud de la France, les cu-
muls ont dépassé 500mm en 24h, et même atteint 600mm (Anduze dans le Gard). Ces
cumuls importants peuvent entraı̂ner des phénomènes de crues éclair en fonction de
l’état, de la nature et de l’occupation des sols en plus de la localisation et de l’intensité
des précipitations (Vannier et al., 2016).
À partir d’une étude statistique sur des épisodes s’étalant sur une quarantaine
d’années, Nuissier et al. (2011) ont mis en évidence le contexte synoptique associé
à la majorité des HPE affectant le sud-est de la France. Un thalweg d’altitude est
observé sur le proche Atlantique et parfois sur la péninsule ibérique, provoquant un
flux cyclonique de basse couche, modéré à intense au dessus de la Méditerranée et
orienté sud / sud-est. Ce thalweg est associé à des valeurs de hauts géopotentiels plus
ou moins marquées sur l’Europe de l’Est qui limitent la progression vers l’ouest de
cette zone de bas géopotentiels. L’évolution lente de ce contexte synoptique favorise
les pluies intenses convectives pendant plusieurs heures au dessus de la même région.
Ricard et al. (2012) ont montré que ces situations synoptiques engendrent une ad-
vection de masses d’air chaudes et humides sur le nord-ouest du bassin méditerranéen.
Duffourg and Ducrocq (2011) ont étudié l’origine de la vapeur d’eau constituant ce flux
d’air humide de basses couches à partir de l’analyse de dix épisodes qui se sont pro-
duits à l’automne entre 2008 et 2009. En conditions anticycloniques stables pendant
3-4 jours avant l’épisode, la Méditerranée est le réservoir d’eau et de chaleur majori-
taire où le flux de basses couches acquiert son énergie. En conditions cycloniques, les
contributions sont plus réparties entre cette source locale (Méditerranée) et d’autres
plus éloignées (océan Atlantique ou Afrique tropicale).
Les études de Nuissier et al. (2008) et Ducrocq et al. (2008) sur trois HPE (13–14 oc-
tobre 1995, 12–13 novembre 1999 et 8–9 septembre 2002) ont montré que ces éléments
sont associés à un forçage de basses couches qui permet le déclenchement répété de la
36
3.1. LA CAMPAGNE DE MESURES HYMEX
convection. Les différents mécanismes de soulèvement peuvent être un forçage orogra-

phique, la convergence de masses d’air, l’interaction entre le flux instable incident et
un courant de densité ou une plage froide sous orage, et parfois une combinaison de
plusieurs d’entre eux.
Afin d’obtenir des informations plus complètes sur ces événements, une campagne
de mesures a été mise en place dans le cadre du programme HyMeX (Hydrological cycle
in Mediterranean Experiment, Drobinski et al., 2014). Ce programme, lancé en 2010,
se poursuivra jusqu’en 2020 et a pour but de fournir aux scientifiques une importante
base de données relative au système atmosphère/mer/surfaces continentales sur le
pourtour nord-occidental de la Méditerranée (Figure 3.1).
Figure 3.1 – Les 8 sites météorologiques de la SOP1. Les sites représentés

par des rectangles rouges ont fait l’objet d’un déploiement d’instruments de
recherche au sol. L’ellipse bleue souligne la zone dans laquelle sont concentrées
les opérations aéroportées et maritimes. (Source : Ducrocq et al., 2013).
L’objectif principal de ce programme vise une meilleure compréhension et une

quantification du cycle hydrologique en Méditerranée, en mettant l’accent sur les
événements météorologiques à fort impact, dans un contexte de changement clima-
tique global. Une première campagne de mesures (SOP1 pour first Special Observa-
tion Period, Ducrocq et al., 2014) dédiée aux événements de pluies intenses et aux
crues rapides, a été menée du 5 septembre au 6 novembre 2012, période propice au
développement d’HPE. L’objectif était de fournir une large gamme d’informations sur
cinq composantes principales des HPE : l’environnement en amont des systèmes, les
échanges air-mer, les processus de formation et de maintien des systèmes précipitants,
la microphysique nuageuse et le comportement des bassins versants à l’origine des
crues éclair.
Au sein de la zone d’étude de la SOP1, le site Cévennes-Vivarais, englobant le sud-
est de la France des Cévennes aux Alpes, nous intéresse plus particulièrement. Dans
cette région, un réseau de mesures nombreuses et variées a été mis en place :
• au sol : pluviomètres, disdromètres, radars météorologiques, lidars, profileurs

de vent, récepteurs GPS pour mesurer l’humidité atmosphérique intégrée sur la
verticale et un détecteur de foudre en trois dimensions.
37
• en mer : bateau Le Provence, gliders, bouées dérivantes.
• dans les airs : mesures aéroportées, radiosondages, ballons dérivants.
3.1.2 Instruments
Le réseau de mesures de la campagne HyMeX a permis d’obtenir des informations
détaillées et variées sur les caractéristiques macroscopiques et microscopiques des MCS.
Les données ont été contrôlées, et post-traitées en fonction de leurs sources d’erreurs
respectives. En certains lieux, plusieurs appareils fournissent la mesure ou l’estimation
d’un même paramètre facilitant ainsi le travail de validation des mesures.
Plusieurs travaux ont ainsi effectué des validations croisées d’instruments (Bous-
quet et al., 2016, entre autres). D’autres ont utilisé les données pour progresser dans
la compréhension des processus. Ainsi, Zwiebel et al. (2016) ont montré à partir des
données de la SOP1 que la topographie impacte non seulement la dynamique mais aussi
les processus microphysiques. Par exemple, ils ont trouvé que le mécanisme ≪ seeder-
feeder ≫ (alimentation d’un nuage bas par un nuage d’altitude) renforce la formation
des MCS au niveau des régions montagneuses alors que c’est la coalescence qui joue
un rôle majeur dans la formation des précipitations en plaine. D’autres travaux ont
utilisé les données de la campagne afin de développer des simulateurs d’observations
radar (Augros et al., 2016; Borderies et al., 2018). Dans cette thèse, nous tirons profit
des mesures de la campagne HyMeX pour évaluer les paramétrisations physiques et
certaines de leurs hypothèses sous-jacentes.
Les instruments de mesures microphysiques utilisés dans cette thèse (Figure 3.2)
sont présentés ci-dessous.
F20 POI 6 disdromètres

F20 POI 16a radars polarimétriques
45°N
44°N
Montclar Maurel
Nîmes
Collobrières
43°N
2°E 3°E 4°E 5°E 6°E 7°E 8°E
Figure 3.2 – Dispositif instrumental déployé sur la région des Cévennes lors
de la SOP1 d’HyMeX et utilisé dans cette thèse : disdromètres OTT Parsivel
(disques), radars polarimétriques (triangles + localités en vert) et trajectoire
des vols du falcon 20 (F20 POI 6 en bleu et F20 POI 16a en rouge) avec à son
bord le radar RASTA et les sondes 2D-S et PIP.
38
3.1.2.1 Disdromètres
Le réseau de disdromètres déployé lors de la campagne HyMeX est composé de 12
disdromètres OTT Parsivel (PARticle SIze VELocity). Le principe de fonctionnement
de ces spectro-pluviomètres optiques est d’émettre un faisceau laser de 54 cm2 en
direction d’un récepteur. Au passage d’une goutte, l’intensité du signal est atténuée en
fonction de son diamètre et la durée d’atténuation informe sur sa vitesse de chute. Ces
gouttes sont ensuite comptabilisées parmi 32 classes de diamètres de largeurs variables,
allant de 0 à 24 mm.
10 4
La Souche
N(D), mm -1 m -3
10 3 26/10/2012 à 07h44
10 2
10 1
0.0 0.5 1.0 1.5 2.0 2.5 3.0

D, mm
Figure 3.3 – Disdromètre OTT Parsivel déployé sur la région des Cévennes
lors de la SOP1 d’HyMeX (gauche) et exemple de mesure de PSD mesurée à
La Souche le 26 octobre 2012 à 07h44 (droite).
À partir de ces distributions N (D), il est possible d’estimer différentes grandeurs

proportionnelles aux différents moments de la distribution (voir Tableau 3.1). Le mo-
ment d’ordre n est défini par :
Ú ∞
Mn = N (D)Dn dD, (3.1)
0
avec N(D) le nombre de gouttes de diamètre D en mm−1 m−3 .
Propriété macroscopique
Symbole Unité Relation avec la PSD
de la pluie
Nombre total de gouttes Nr m−3 M0
Diamètre volumique moyen MVD m M4 /M3
Taux de précipitation R mm h−1 7.12 × 10−3 M3.67
Contenu en eau liquide LWC g m−3 10−3 π/6M3
Facteur de réflectivité radar z mm6 m−3 M6
Tableau 3.1 – Expression des quantités macroscopiques des précipitations en

fonction des moments de la PSD.
Malgré l’apparente simplicité de la mesure, il existe de nombreuses sources d’erreur.

Les données peuvent être impactées par les problèmes d’échantillonnage, les gouttes
qui tombent sur l’appareil, ou celles qui passent partiellement au niveau du faisceau. Il
existe aussi des erreurs de mesures plus importantes pour les petites et grandes classes
de diamètres de la gamme de mesure, ce qui impacte de manière plus importante les
39
moments faibles et importants de la distribution. Une partie de ces erreurs a été mise
en évidence et corrigée par les travaux de Raupach and Berne (2015).
3.1.2.2 Radars
Le principe de fonctionnement d’un radar est d’émettre des ondes
électromagnétiques dans une direction, puis de réceptionner les échos se produi-
sant si le signal est réfléchi par des objets, appelés cibles. Lorsque le rayonnement
électromagnétique atteint une cible, une partie du signal est absorbée, une autre est
rétrodiffusée dans la direction du radar, une autre est transmise dans la direction
d’émission et le reste est diffusé dans les autres directions. Les cibles trop petites
par rapport à la longueur d’onde λ du radar ne peuvent être détectées. Les radars
météorologiques au sol fonctionnent en bande S (7.5 < λ < 15 cm), en bande C
(3.75 < λ < 7.5 cm) ou en bande X (2.4 < λ < 3.75 cm). Ainsi les gouttelettes d’eau
nuageuse ne peuvent être détectées. La mesure est faite en volume, c’est à dire que
le radar balaie l’atmosphère avec différents angles d’élévation, fournissant ainsi une
information 3D.
Les radars polarimétriques.
La spécificité du radar polarimétrique est d’émettre deux ondes. Deux faisceaux
linéaires sont émis par le radar et enregistrés en retour par le récepteur, l’un avec une
polarisation horizontale, l’autre verticale. La polarisation apporte différentes informa-
tions :
• la réflectivité horizontale (Zhh , dBZ), est la mesure directe du signal à polari-
sation horizontale rétrodiffusé. Pour un volume de gouttes de pluie considérées
comme des sphères dans les conditions de Rayleigh, ce facteur de réflectivité z
est défini par le moment d’ordre 6 de la PSD (Tableau 3.1). La réflectivité est
alors donnée par Zhh = log10 (z) et prend des valeurs de quelques dBZ pour des
pluies faibles à plus de 60 dBZ pour la grêle.
• la réflectivité différentielle (Zdr , dB), rapport entre les deux réflectivités, dépend
de la forme, de l’orientation et du mode de chute des particules. Par exemple, en
tombant une goutte de pluie va s’aplatir, se qui se traduit par un signe positif de
Zdr alors que la valeur de Zdr sera liée à la taille médiane des gouttes. Les valeurs
de Zdr sont typiquement comprises entre 0 et 4–5 dB pour la pluie (Herzegh and
Jameson, 1992) et peuvent atteindre 8 dB pour la glace primaire (Vivekanandan
et al., 1993)
• la phase différentielle spécifique (Kdp , °/km) évalue la quantité de matière tra-

versée. Le déphasage spécifique est sensible aux gouttes de pluie et insensible
aux grêlons. Il permet donc d’estimer la part de gouttes d’eau liquide dans un
mélange pluie/grêle. Par ailleurs, Kdp n’est pas sensible aux masques partiels
(relief), ni aux erreurs de calibration, ni à l’atténuation, ce qui le rend attractif
pour l’estimation quantitative de la pluie.
La Figure 3.4 illustre le type de données obtenues à partir du radar polarimétrique
en bande S de Nı̂mes du réseau de Météo-France.
Si les données radars sont très utiles pour différents domaines d’application, elles
peuvent néanmoins être contaminées par différentes sources d’erreurs, qui doivent être
prises en compte. Par exemple, la réflectivité radar peut être affectée par des erreurs
40
de calibrage, des échos fixes (montagne, immeubles ... ), des échos non météorologiques
(avions, oiseaux, insectes ... ) et l'atténuation par les précipitations qui varie en fonction
de la longueur d'onde.
dllZ
..,. cl3 100
., "
"'" ..... N
.,
•
l. . . "
'
....
"
20
.•" ..
,.
..
_.,
- 10
_,.
,. -•• ,..
Zh h radar (dBZ) Zdr radar (dB) Kdp radar ( /km) 0
FIGURE 3.4 - Réflectivités horizontales, différentielles et phase différentielle

spécifique à une élévation 0.6° (tour 12) du radar de Nîmes à 0300 UTC le 24
Septembre 2012.
Le radar aéroporté RASTA.

Le radar de nuage RASTA (Radar Airborne System Tool for Atmosphere) permet
des mesures aéroportées puisqu'il peut-être embarqué sur des avions lors de cam-
pagnes de mesures (Fokker 27, Falcon20, ATR42 : htt p://www.dt.insu.cnrs.fr). Pour
la campagne HyMeX, il a été installé à bord du Falcon-20 du Service des Avions
Français Instrumentés pour la Recherche en Environnement (SAFIRE) où il a per-
mis d'échantillonner des systèmes convectifs. Il a été construit par le Laboratoire At-
mosphères, Milieux, Observations Spatiales (LATMOS) (Protat et al., 2009) où les
données sont analysées et filtrées.
RASTA ms - 1 RASTA dBZ

3 .68 18
14 14
2 .72 12
12 12
6
1. 76
10 0
0.80
I 8 -6
- 0 .16
-1.12
1
~
6
-12
- 18
- 2 .08 - 24
- 3 .04 - 30
- 36
- 4 .00
,,,..0o ,,,..,s ,,,..,,a ,,,..r."> ,r.·.0o , r..,s ,r..,,a , r..r.">
Time (UI'C)
(a) (b)
FIGURE 3.5 - Profils de vitesse Doppler (a ) et de réflectivité (b) le long de la

traject oire de vol du Falcon-20 qui a eu lieu le 26 oct obre 20 12.
Cet instrument unique permet d 'obtenir des informations dét aillées sur les pro-
priétés microphysiques et la vitesse des hydromét éores. La résolution des mesures est
très fine avec 60m de résolution verticale et l'équivalent de 300m horizontalement (1,5
seconde de résolution temporelle et une vitesse de croisière de l'avion de 200 m/s). Il
41
est composé de 6 antennes qui pointent dans 3 directions non colinéaires au dessus
et au dessous de l’avion, à une fréquence d’émission de 95 GHz (sensibilité -40dBz).
Il est alors possible de restituer les composantes des champs de vent dans le nuage,
ensuite la combinaison de vitesses de chute des particules et de la réflectivité a permis
à Delanoë et al. (2013) de restituer des propriétés microphysiques.
Ces données (Figure 3.5) ont la particularité de fournir une information détaillée à
l’intérieur des systèmes précipitants. Même si pour des raisons de sécurité les parties
les plus intenses ne sont pas sondées, ce type de données est rare et précieux pour la
compréhension de la microphysique du nuage et l’évaluation d’un schéma microphy-
sique.
RASTA est très sensible aux petites particules (0.1 mm), il fournit des informations
sur la microphysique du nuage, mais elles sont fortement dégradées par les particules
plus grosses, comme les gouttes de pluies des précipitations intenses qui atténuent
la réflectivité. De plus, les antennes ont des sensibilités de mesures avec des seuils
de minimum de détection qu’il faut prendre en compte dans la comparaison à des
réflectivités simulées.
3.1.2.3 Sondes dimensionnelles
Le Falcon-20 possède aussi à son bord des appareils de mesures in-situ tels que
des sondes permettant de mesurer la distribution des hydrométéores qui composent
les nuages convectifs, en particulier les sondes 2D-S (Lawson and Baker, 2006, 2-
Dimensional Stereo probe) et PIP (Precipitation Imaging Probe). L’utilisation de
ces deux sondes permet de couvrir l’ensemble de la gamme dimensionnelle des hy-
drométéores présents dans l’atmosphère. En effet, la sonde 2D-S permet de mesurer
des hydrométéores dont le diamètre varie entre 10 µm et 128 µm (± 5 µm), et la sonde
PIP a une résolution de 100 µm, et peut échantillonner des hydrométéores de diamètres
compris entre 100 µm et 6400 µm (± 50 µm). Le diamètre mentionné ici, n’est pas un
diamètre au sens strict du terme, du fait de la non-sphéricité des particules de glace,
il s’agit en réalité de la longueur maximale de l’hydrométéore.
10 1
-5⩽ T <0
-10 ⩽ T < -5
10 0 -15 ⩽ T < -10
-20 ⩽ T < -15
-25 ⩽ T < -20
1
-30 ⩽ T < -25

N(D), µm − L −
10 -1
-35 ⩽ T < -30
-40 ⩽ T < -35
1
10 -2 -45 ⩽ T < -40

-50 ⩽ T < -45
-55 ⩽ T < -50
10 -3 -60 ⩽ T < -55
10 -4
10 -5
10 2 10 3 10 4
D, µm
Figure 3.6 – Exemple de distributions moyennes observées pour différentes
gammes de température pendant HyMeX. Les données sont obtenues en com-
binant les mesures des sondes 2D-S et PIP permettant d’observer les concen-
trations en hydrométéores dont le diamètre varie entre 10 µm et 6400 µm.
42
3.2. DESCRIPTION DES ÉVÉNEMENTS PRÉCIPITANTS
La Figure 3.6 montre le type de distributions observées durant HyMeX. Ce type

de mesures présente les mêmes limites que les mesures au sol faites à partir de dis-
dromètres : problèmes d’échantillonnage, de gouttes qui tombent sur l’appareil ou
partiellement au niveau de la mesure, erreurs de mesure des extrêmes (limites basse
et haute), auxquels s’ajoutent les incertitudes liées au déplacement de l’avion.
3.2 Description des événements précipitants

Dans le cadre de cette thèse, deux événements fortement précipitants de la cam-
pagne de mesures HyMeX ont été étudiés. Le premier HPE simulé s’est produit le
24 septembre 2012 et est référencé comme la POI 6 (Période d’Observation Intensive
n˚6) de la campagne de mesures, le second événement a eu lieu le 26 octobre 2012 et
est référencé comme la POI 16a.
Cette section présente ces HPE à partir de cartes issues des modèles ARPEGE
et AROME-WMed (version d’AROME dédiée à HyMeX, Fourrié et al., 2015) et de
mesures du réseau de radars de Météo-France et de pluviomètres.
3.2.1 24 septembre 2012 : POI 6

La POI 6 de la campagne de mesures HyMeX est caractérisée par un front qui
progresse lentement d’ouest en est, avec le développement d’une ligne convective dans
le secteur chaud de la perturbation à l’ouest du front (Ducrocq et al., 2014). La Fi-
gure 3.8 présente la situation en altitude à 00 UTC où on distingue le thalweg sur le
bord ouest de la France qui, associé au flux d’air chaud et humide en basses couches
dans le Golfe du Lion visible sur la Figure 3.8, a favorisé la formation de la ligne
convective au dessus du Massif Central aux premières heures du 24 septembre 2012
(réflectivité radar composite à 00 UTC Figure 3.9).
À 03 UTC, le système convectif prend la forme d’un arc comme on peut le voir sur la
Figure 3.9 (visible aussi par le radar polarimétrique de Nı̂mes sur la Figure 3.4). Cette
organisation est caractéristique de systèmes très actifs caractérisés par de fortes rafales
et des cumuls horaires importants qui ici sont de l’ordre de 50 à 60 mm h−1 (Ducrocq
et al., 2014; Ribaud et al., 2016). Par la suite, le système se déplace très lentement
vers l’est où il décroı̂t progressivement (06 et 09 UTC Figure 3.9). Il a entraı̂né des
rafales de vent allant jusqu’à 100 km h−1 et des cumuls de précipitations dépassant
100 mm au dessus des Cévennes (Figure 3.10). La plupart des précipitations se sont
produites entre 00 UTC et 06 UTC sur la zone qui s’étend du nord du département
du Gard jusqu’à la Drôme.
Le Falcon 20 a survolé le système entre 0618 et 0917 UTC en effectuant plusieurs
passages dans le nuage à différents niveaux.
43
CHAPITRE 3. LES CAS D'ÉTUDE DE LA CAMPAGNE HYMEX
2.0 PVU alti(m) + Z 500hPa + WIND(above 10m/s) 300hPa

ARPEGE 20120924_ 00 Forecast +OOh
FIGURE 3.7 - Analyse de la situation synoptique en altitude, par le modèle

ARPEGE le 24 septembre 2012 à 00 UTC. Géopotentiel à 500 hPa (isocontours
bleus), vent à 300 hPa (flèches) et anomalies de tourbillon potentiel de la
surface 2.0 PVU en couleurs. (source: sop.hymex.org)
2L
WIND above 10m/s + Theta_prlme_w 950 hPa (deg C)
AROME_WMED 20120924_00 Forecast +OOh
1\1
18
I?
16
15
FIGURE 3.8 - Analyse de basses couches par le modèle AROME-WMed le 24

septembre 2012 à 00 UTC. Vent à 10 m supérieur à 10 m s- 1 (en m s-1, flèches
bleues) et 0~ à 950 hPa (en °C, couleurs). (Source : sop.hymex.org)
44
3.2. DESCRIPTION DES ÉVÉNEMENTS PRÉCIPITANTS
dBz dBz
70 70
64 64
56 56
52 52
48 48
44 44
40 40
36 36
32 32
28 28
24 24
20 20
16 16
0000 UTC 8 0300 UTC 8
- 7 ~ 1
4 '" l ' 1 4
o• l'E 2"E 3' E 4 "E 5' E 6"E 7' E 8"E 9"E a• l'E 2 "E 3' E 4"E 5"E 6' E 7" E 8' E 9"E
dBz dBz
70 70
64 64
46"N
56 56
52 52
45"N
48 48
44 44
44"N
40 40
36 36
43"N 32 32
28 28
24 24
20 20
16 4 l "N 16
8 8
- - •• 1
4 4
O' l'E 2"E 3' E 4 "E 5"E 6"E 7"E 8"E 9"E O' l'E 2"E 3" E 4 "E 5"E 6' E 7" E 8' E 9"E
FIGURE 3.9- Composites de réflectivité radar (dBZ) du réseau radar de Météo-

France sur le sud-est de la France à 00, 03, 06, 09 UTC le 24 septembre 2012,
le relief est représenté en nuance de gris.
45
mm
500
450
46°N
400
350
45°N
300
250
44°N 200
150
43°N 100
75
50
30
15
5
1
0° 1 °E 2°E 3°E 4°E 5°E 6°E 7°E 8°E 9°E
FIGURE 3.10 - Cumul 12h de précipitations estimé par les lames d'eau radar
avec superposition des cumuls mesurés par les pluviomètres (mm) durant la
POI 6 entre 00 et 12 UTC.
46
3.2.2 26 Octobre 2012 : POi 16a

La POI 16a est largement décrite et analysée par Ducrocq et al. (2014) et Duffourg
et al. (2016). En altitude ( à 300 hPa), la Figure 3.11 montre une dépression centrée
sur la péninsule Ibérique se déplaçant lentement vers l'est associée à une anomalie de
tourbillon potentiel. En basses couches, ces anomalies sont associées à un flux orienté
sud-sud-ouest qui se charge en humidité (Figure 3.12) et qui est propice à la formation
de MCS. Cet épisode est caractérisé par une forte activité convective sur l'ensemble
nord-ouest de la Méditerranée et est marqué par des températures de brillance très
basses qui correspondent à des nuages convectifs verticalement très développés (F i-
gure 3.13). Durant la nuit du 25 au 26 octobre 2012, un premier MCS (MCSl) se
développe le long de la côte Catalane. Ce système se déplace lentement vers le nord-est
où il se scinde en deux systèmes distincts nommés « MCSla » et « MCSl b », visibles
sur l'image satellite infra-rouge à 09 UTC (Figure 3.13). Le premier s'intensifie en mer
puis se dissipe sur les côtes du département du Gard à la mi-journée (Figure 3.14).
Le MSClb, situé plus au sud, va s'intensifier en mer en se dirigeant progressivement
vers le nord-est. Son déplacement vers l'est est lent entre 12 et 15 UTC et il devient
quasi-stationnaire entre les départements du Var et des Alpes-Maritimes entre 15 et
18 UTC, puis il se déplace vers l'Italie où il se dissipe.
2.0 PVU alti(m) + Z SOOhPa + WIND(above 10m/s) 300hPa
ARPEGE 20121026_00 Forecast +OOh
60° W
FIGURE 3.11 - Analyse de la situation synoptique en altitude, par le modèle

ARPEGE le 26 octobre 2012 à 00 UTC. Géopotentiel à 500 hPa (isocontours
bleus), vent à 300 hPa (flèches) et anomalies de tourbillon potentiel de la
surface 2.0 PVU en couleurs (source: sop.hymex.org).
Deux vols ont été effectués lors de cette journée par le Falcon 20. Le premier vol,
le matin de 0627 à 0955 UTC, survole le MCSl a au dessus de la mer. Le second vol
de 1209 à 1459 UTC, survole la côte entre Montpellier et Fréjus et traverse le système
convectif MCSl b lorsqu'il arrive sur le Var.
De fortes précipitations ont été associées à ces MCS. Sur les Cévennes et le Var, les
cumuls journaliers ont atteint localement 150 mm. L'impact du MCSl b sur les côtes de
la région PACA est remarquable sur la Figure 3.15, les cumuls journaliers représentés
47
2L
WIND above Sm/s + Theta_prlme_ w 925 hPa (deg C)
AROME_WMED 20121026_03 Forecast +00h
--.,,.,,,,. 1
1/Î\\ :m
( 111
/ 1\ 1
1' \\
18
I?
40 ° N
l (j
15
15° E
FIGURE 3.12 - Analyse de basses couches par le modèle AROME WMed le 26

octobre 2012 à 03 UTC. Vent à 10 m supérieur à 5 m s- 1 ( en m s- 1 , flèches
bleues) et 0~ à 925 hPa (en °C, couleurs). (Source: sop.hymex.org).
Sourco: EUMETSAT-CM S-IPSL
40
25
·~
21
17
9
5
1
-~
-7
10'E
FIGURE 3.13 - Image satellite infra rouge (échelle colorée, température de

brillance en °C) à partir de SEVIR! (satellite Meteosat Second Generation), à
09 UTC le 26 octobre 2012. Les nom des zones géographiques principales sont
indiquées. P correspond à Perpignan, C à Candillargues, M à Marseille et L
pour l'île de Levant (Source : Duffourg et al. , 2016 ).
48
ayant été enregistrés durant la période de six heures entre 12 et 18 UTC. Il faut noter
que les cumuls horaires aussi sont importants : 44,8 mm à Antibes (Provence-Alpes-
Côte d'Azur), 43 mm à Vidauban (Var).
70 70
64 64
56 56
52 52
48 48
44 44
40 40
36 36
4 3 "N
32 32
28 28
42"N 24 24
20 20
4l"N 16 16
8 8
o• l'E 2"E 3' E 4 "E S' E 6"E 7"E 8"E 9"E

4 a• l'E 2 "E 3' E 4 "E S' E 6' E 7"E 8' E 9"E
4
70 70
64 64
56 56
52 52
48 48
44 44
40 40
36 36
32 32
28 28
24 24
20 20
16 16
8 8
4 4
70 70
64 64
56 56
52 52
48 48
44 44
40 40
36 36
32 32
28 28
24 24
20 20
16 16
8 8
4 O' l'E 2 "E 3' E 4' E S' E 6' E 7"E 8' E 9"E
4
O' l'E 2' E 3' E 4 "E 5' E 6"E 7" E 8"E 9"E
FIGURE 3.14 - Composites de réflectivité radar (dBZ) du réseau de Météo-

France sur le sud-est de la France à 03, 06, 09, 12, 15 et 18 UTC le 26 octobre
2012.
49
mm
500
450
400
350
300
250
200
150
100
75
50
30
15
5
1
0° 1 °E 2°E 3°E 4°E 5°E 6°E 7 °E 8 °E 9°E
FIGURE 3.15 - Cumul 24h de précipitations estimé par les lames d'eau radar
avec superposition des cumuls mesurés par les pluviomètres (mm) durant la
POI 16a entre 00 UTC le 26 octobre 2012 et 00 UTC le 27 octobre 201 2.
50
Chapitre 4
Évaluation du schéma LIMA à

partir d’observations
microphysiques
Sommaire
4.1 Motivations de l’étude . . . . . . . . . . . . . . . . . . . . . 54
4.2 Article . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.3 Compléments . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.3.1 Évaluation objective des cumuls de pluie . . . . . . . . . . . 58
4.3.2 Variabilité entre les POI . . . . . . . . . . . . . . . . . . . . 59
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Nous avons vu dans le chapitre précédent que LIMA apporte deux nouvelles ca-
ractéristiques par rapport à la paramétrisation ICE3 : la représentation 2-M des gou-
telettes d’eau nuageuse, de la pluie et des cristaux de glace ainsi que la représentation
pronostique d’une population d’aérosols. Ce chapitre présente les apports d’une micro-
physique 2-M par rapport à une représentation 1-M sur les deux POI de la campagne
de mesures HyMeX présentées au chapitre 3.
Ce chapitre reprend les résultats présentés dans l’article (Taufour et al., 2018) paru
dans le Quarterly Journal of the Royal Meteorological Society.
51
CHAPITRE 4. ÉVALUATION DU SCHÉMA LIMA À PARTIR D’OBSERVATIONS
MICROPHYSIQUES
4.1 Motivations de l’étude

Cet article présente une évaluation du schéma microphysique LIMA à partir d’ob-
servations de la campagne de mesures HyMeX. Le schéma est évalué dans une confi-
guration simplifiée pour les aérosols afin de se concentrer sur les apports de la pa-
ramétrisation 2-M de la glace, de la pluie et des gouttelettes d’eau nuageuse par rap-
port à un schéma 1-M. Pour cela, la population des aérosols est idéalisée (Tableau 2.2)
avec un mode de CCN et un mode d’IFN répartis de manière homogène sur le domaine
de simulation. Les concentrations imposées sont de 300 cm−3 pour les CCN et 10 cm−3
pour les IFN.
Deux HPE de la SOP1 de la campagne HyMeX ont servi de support pour cette
comparaison : la POI 6 et la POI 16a (présentées au chapitre 3). La richesse des obser-
vations disponibles sur une campagne comme HyMeX représente une réelle opportunité
d’évaluer la microphysique sur des cas réels. En effet, un certain nombre d’évaluation
de schémas microphysiques se concentrent sur l’étude de simulations idéalisées à une
dimension (Milbrandt and Yau, 2005b), deux dimensions (Morrison and Grabowski,
2008; Thompson et al., 2008; Lim and Hong, 2010; Saleeby and van den Heever, 2013;
Vié et al., 2016) ou trois dimensions (Kogan, 2013) ; d’autres présentent les différences
entre deux ou plusieurs schémas (Lebo and Morrison, 2013). Les évaluations à partir de
cas réels sont plus rares et réalisées à partir d’observations de radars météorologiques
(Morrison et al., 2015). Dans notre étude, en plus des mesures à partir des radars
météorologiques polarimétriques et RASTA qui fournissent des informations sur le
développement vertical des MCS, les observations microphysiques in-situ (au sol ou
au niveau du Falcon 20) permettent d’approfondir l’analyse.
De manière générale, les observations ont un caractère local et instantané,
dépendant de conditions météorologiques globales et de caractéristiques locales (re-
lief, type de surface ...). La comparaison des mesures directes aux simulations présente
des difficultés que nous avons essayées de surmonter :
• Certaines mesures sont des grandeurs intégrées : il n’existe pas de mesures des
rapports de mélange pour chacune des espèces considérées par le modèle mais des
mesures de contenu intégré en eau liquide ou en eau glacée (sondes aéroportées).
Il en est de même pour les réflectivités radar qui sont représentatives de l’en-
semble des espèces présentes dans le volume de la mesure. Afin de contourner
cette difficulté, les opérateurs d’observations disponibles dans le modèle Méso-NH
permettent d’accéder à ces grandeurs intégrées à partir des valeurs simulées. À
l’inverse, les méthodes de post-traitement développées par Fontaine et al. (2014)
à partir des mesures de PSD par les sondes 2D-S et PIP et de mesures de la masse
d’eau glacée ont permis de caractériser le type de particules échantillonnées en
déterminant pour chaque PSD un couple (a, b) de la loi de puissance masse-
diamètre.
• Les échelles horizontale et temporelle entre simulations et observations sont va-
riables : RASTA fournit un profil toutes les 1,5 secondes et en considérant que
la vitesse de l’avion est constante à 200 m.s−1 , cela revient à une résolution hori-
zontale de 300 mètres. Il est alors nécessaire de moyenner les grandeurs observées
afin de les comparer aux simulations qui ont des résolutions moins fines.
• À cela s’ajoutent les incertitudes de mesures : elles ont été considérées ici à
partir de différentes études existantes. La procédure de contrôle décrite dans la
52
4.1. MOTIVATIONS DE L’ÉTUDE
section 4.3 de Augros et al. (2016) est appliquée aux radars polarimétriques et
les techniques de corrections présentées par Raupach and Berne (2015) sont ap-
pliquées aux disdromètres. Enfin, les seuils de détection des différentes antennes
de RASTA présentés par Borderies et al. (2018) ont été appliqués au simulateur
de Méso-NH. Les autres améliorations du simulateur RASTA proposées dans
cette article (atténuation par la vapeur d’eau et forme oblique de la neige et du
graupel) n’étaient pas encore accessibles au moment où l’étude à été réalisée.
Malgré les précautions précédentes, il existe toujours des obstacles à la comparai-
son aux mesures. En effet, les simulations approchent la réalité, mais des décalages
spatio-temporels subsistent. Dans le but de s’affranchir de ces décalages, des analyses
statistiques sont mises en place : fonctions membres (évolution médiane d’un paramètre
en fonction d’un autre), CFAD (Contoured Frequency by Altitude Diagrams), algo-
rithmes de classifications ou moyennes.
Dans une première partie, une comparaison des simulations aux mesures de cu-
muls de précipitations à partir de lames d’eau radar et de pluviomètres permet de
valider la simulation des systèmes. Les résultats montrent qu’il n’y a pas de différence
significative sur les cumuls de précipitations au sol simulés par les schémas ICE3 et
LIMA.
Afin d’étudier la représentation de la pluie, les PSD mesurées par les disdromètres
au passage du système lors de la POI 16a ont été exploitées. Une étude des fonc-
tions membres de la concentration et du contenu en eau de pluie en fonction du taux
de précipitations montre une amélioration de l’estimation du contenu en eau liquide
au sol par LIMA. La microphysique 2-M permet aussi de représenter la variabilité
microphysique contrairement au schéma 1-M ICE3. Cependant, la comparaison aux
observations permet de constater que la concentration en nombre de gouttes est lar-
gement sous-estimée ce qui est associé à une surestimation du diamètre des gouttes.
La réflectivité différentielle (Zdr ) est ainsi surestimée par LIMA.
Même si tous les hydrométéores ne disposent pas d’une concentration pronostique,
le fait que la concentration des cristaux de glace le soit et que LIMA autorise de la
sursaturation par rapport à la glace impacte l’évolution de la neige et du graupel.
L’estimation du rapport de mélange du graupel est plus faible avec LIMA, ce qui a
pour conséquence une meilleure représentation verticale des systèmes convectifs par
le simulateur de variables polarimétriques. De plus la transition entre la phase glacée
et la phase liquide est aussi plus continue. Ce constat est identique à partir des me-
sures aéroportées du radar RASTA. Cependant, quelques écarts entre les réflectivités
observées et simulées subsistent.
L’analyse des deux POI a ainsi montré un apport de la microphysique 2-M sur la
représentation des systèmes convectifs. Mais une large sous-estimation de la concentra-
tion des gouttes a été observée. Afin d’expliquer cet écart, les mesures des disdromètres
sur l’ensemble de la SOP1 (du 5 septembre au 6 novembre) ont été analysées. L’étude
de la forme de la PSD des gouttes de pluie a montré que le paramètre µ, fixé à 1 dans
LIMA, varie en réalité entre les valeurs 0 et 20. Le choix d’un µ variant avec le rapport
de mélange (r) et la concentration en nombre (N ) aurait pour conséquence de dimi-
nuer le diamètre maximal observé pour un couple (r, N ) donné. Cette paramétrisation
pourrait permettre d’obtenir de meilleures simulations de Zdr qui est très fortement
impactée par ces larges diamètres.
Par ailleurs, les mesures de PSD aéroportées ont été utilisées afin d’étudier la
relation entre la concentration et la masse des agrégats. L’étude à partir de l’ensemble
53
MICROPHYSIQUES
des mesures disponible sur la SOP1 a montré des écarts entre la relation diagnotique
de la concentration de la neige dans les modèles et l’évolution de la concentration
observée dans les systèmes explorés par le Falcon 20.
4.2 Article
Taufour, M. , Vié, B. , Augros, C. , Boudevillain, B. , Delanoë, J. , Delautier,
G. , Ducrocq, V. , Lac, C. , Pinty, J. and Schwarzenböck, A. (2018), Evaluation of
the two-moment scheme LIMA based on microphysical observations from the HyMeX
campaign. Q.J.R. Meteorol. Soc.. Accepted Author Manuscript. . doi :10.1002/qj.3283,
URL : https://rmets.onlinelibrary.wiley.com/doi/abs/10.1002/qj.3283
54
Received: 09 November 2017 Revised: 30 January 2018 Accepted: 27 February 2018 Published on: 4 September 2018
DOI: 10.1002/qj.3283
RESEARCH ARTICLE
Evaluation of the two-moment scheme LIMA based on

microphysical observations from the HyMeX campaign
Marie Taufour1 Benoît Vié1 Clotilde Augros1 Brice Boudevillain2 Julien Delanoë3 Gaëlle
Delautier1 Véronique Ducrocq1 Christine Lac1 Jean-Pierre Pinty4 Alfons Schwarzenböck5
1 CNRM, UMR3589, Météo-France, Toulouse,

France The goal of this paper is to present and evaluate the new LIMA (Liquid Ice Multiple
2 CNRS, IRD, IGE, Université Grenoble Alpes,
Aerosols) microphysical scheme, which predicts six water species (water vapour,
Grenoble, France
3 LATMOS/IPSL, UVSQ-CNRS-UPMC,
cloud water, rainwater, primary ice crystals, snow aggregates, and graupel). LIMA
Guyancourt, France uses a two-moment parametrization for three hydrometeor species (ice crystals,
4 Laboratoire d’Aérologie (LA), Université de cloud droplets, and raindrops), and is derived from the one-moment scheme ICE3
Toulouse/CNRS, Toulouse, France used daily in the AROME cloud-resolving operational model at Météo-France.
5 UMR6016-OPGC-LaMP, Université Clermont
Auvergne, Clermont-Ferrand, France

In addition, it integrates a prognostic representation of the aerosol population. To
evaluate the scheme, we simulate two well-documented Heavy Precipitation Events
Correspondence
Marie Taufour, CNRM UMR 3589, from the HyMeX (Hydrological cycle in the Mediterranean Experiment) campaign.
Météo-France/CNRS, 42 avenue Gaspard Coriolis, The LIMA simulations are compared to ICE3 simulations and to a large variety
Toulouse, France.
of observations, such as rainfall accumulation from rain gauges, particle size dis-
Email: marie.taufour@meteo.fr
tributions from disdrometers, airborne in situ measurements of ice particles, and
dual-polarization radar variables. The evaluation suggests that the rain mixing ratio
prognosed by LIMA is more realistic than that prognosed by ICE3. Comparisons
with disdrometers and dual-polarization radars highlight the better representation of
the rain microphysical variability when using LIMA and also its overprediction of
raindrops with large diameters. The vertical composition of the convective cells is
also improved by the two-moment ice parametrization in the LIMA scheme, which
impacts the contents of the one-moment parametrized snow and graupel species.
This evaluation of LIMA suggests ways to improve the hydrometeor representation,
focusing especially on the description of the particle size distributions for different
water species.
K E Y WO RD S
HyMeX, mesoscale convective simulations, microphysics, observational data anal-

ysis
1 INTRODUCTION The complex task of representing the microphysics of water

species leads to diverse modelling approaches. Indeed, in
A thorough knowledge of cloud processes and their repre- models, we have to take into account various water species
sentation allows for better simulations of the state of the which evolve following complex processes, some of which are
atmosphere and climate. Indeed, microphysics control the not well understood.
distributions of latent heating or cooling and condensate There are two main approaches to simulating cloud for-
loading that influence the dynamics (Rosenfeld, 2006). The mation and evolution. Bin models (Khvorostyanov, 1995;
study of the vertical and temporal evolutions of hydrome- Geresdi, 1998; Lynn et al., 2005) explicitly predict the
teor concentrations or the particle size distribution (PSD) is number of particles for several size categories which evolve
decisive in improving our understanding of cloud processes. according to dynamic and microphysical processes. Bin
Q J R Meteorol Soc. 2018;144:1398–1414. wileyonlinelibrary.com/journal/qj © 2018 Royal Meteorological Society 1398

TAUFOUR ET AL. 1399
schemes may differ in the number of water species consid- studies has been to find a small number of parameters which
ered, the number of bins used in the distribution, the shape are sufficient to describe an entire PSD. All of these studies
of the primary ice particles (plates, columns, or dendrites), used one, two, or more moments of the PSD.
and the consideration of snow particles. Due to their compu- The scheme evaluated here, called LIMA (Liquid Ice Multi-
tational expense, most numerical weather prediction (NWP) ple Aerosols; Vié et al., 2016), is a mixed-phase two-moment
models and cloud-resolving models (CRMs) use less sophis- bulk microphysical scheme developed by the Laboratoire
ticated, but sufficient in most cases, bulk microphysical d’Aérologie and Météo-France. LIMA includes a detailed rep-
schemes instead. resentation of aerosol–cloud interactions and relies on the
Conversely, in bulk models, the hydrometeor size is prognostic evolution of a 3D aerosol population. In this paper,
given by a distribution function and only some moments the evaluation differs from the studies cited earlier. First,
of this distribution are predicted. As in bin models, bulk we perform an intercomparison between the LIMA scheme
parametrizations may differ according to the number of pre- and the already validated one-moment microphysical scheme
dicted moments and the shape of the PSDs, e.g. exponential ICE3 as well as observations from the HyMeX (Hydrological
as in Uijlenhoet and Stricker (1999) or gamma as in Morri- Cycle in the Mediterranean Experiment) campaign (Ducrocq
son et al. (2005). One-moment microphysical schemes (e.g. et al., 2014). Then, the high volume and broad variety of
Pinty and Jabouille, 1998; Hong and Lim, 2006) predict the observations are used to perform in-depth analyses of in situ
mass mixing ratio. Two-moment schemes can also predict the measurements of the PSDs and find parameters to improve
number concentration of some species, the shape parameter, the actual parametrization in the scheme.
or the mixing ratios of ice due to vapour deposition or riming In view of this analysis, the detailed bulk microphysi-
in addition to the mixing ratios predicted by one-moment cal schemes ICE3 and LIMA are described in Section 2.
schemes. The HyMeX campaign and the simulated real cases which
Furthermore, modelling approaches vary depending on occurred during the first Special Observation Period (SOP1)
the aerosol representation. Most of the one-moment schemes are described in Section 3. The intercomparison is presented
do not represent aerosols and use constant values for nucle- in Section 4. Then, various microphysical observations are
ation processes, nevertheless some of them are coupled with used to evaluate and improve the parametrization in Section 5.
an aerosol scheme (Clark et al., 2008; Shi et al., 2014). Conclusions are drawn in Section 6.
Most two-moment schemes use a single cloud condensa-
tion nuclei (CCN) mode with a constant and homogeneous
vertical spread (Milbrandt and Yau, 2005; Morrison et al., 2 MICROPHYSICS SCHEMES
2005; Seifert and Beheng, 2006; Morrison and Grabowski,
2008; Thompson and Eidhammer, 2014). Other schemes In this study, the one-moment microphysical scheme ICE3
have a more realistic aerosol representation; e.g. Lim and (Pinty and Jabouille, 1998) and the two-moment micro-
Hong (2010), Kogan (2013), and Lebo and Morrison (2013) physical scheme LIMA (Vié et al., 2016) are used within
take into account the aerosol depletion while others have a the French anelastic research model Meso-NH (Mesoscale
detailed aerosol population (Flossmann et al., 1985; Saleeby Non-Hydrostatic; Lafore et al., 1998; Lac et al., 2018)
and van den Heever, 2013; Vié et al., 2016). (http://mesonh.aero.obs-mip.fr; accessed 9 July 2018). The
The evaluation of microphysical schemes is not Meso-NH prognostic variables are the three velocity com-
straightforward. Most scheme evaluations are done ponents, the dry potential temperature, the turbulent kinetic
with one-dimensional (1D) (Milbrandt and Yau, 2005), energy, and the microphysical variables. Meso-NH can be
two-dimensional (2D) (Morrison and Grabowski, 2008; used in various configurations and for a wide range of appli-
Thompson et al., 2008; Lim and Hong, 2010; Saleeby cations, from large-eddy simulations at very high resolu-
and van den Heever, 2013), and rarely three-dimensional tion to synoptic-scale simulations. Meso-NH is used here at
(3-D) (Kogan, 2013) idealized cases. Some studies perform kilometre-scale horizontal resolution.
intercomparisons between different microphysical schemes
(Morrison et al., 2015) and occasionally refer to more detailed
2.1 ICE3
bin schemes as a reference for the bulk microphysical schemes
(Lebo and Morrison, 2013). Other studies evaluate the skill ICE3 is a bulk mixed-phase one-moment microphysical
of microphysical schemes using weather radar reflectivity scheme (Caniaux et al., 1994; Pinty and Jabouille, 1998) used
observations (Morrison et al., 2015). Conversely, a number daily in the AROME (Application of Research to Operations
of studies have presented in-depth analyses of in situ PSD at MEsoscale; Seity et al., 2011) convective-scale operational
measurements and have derived analytic representations for NWP model at Météo-France. The prognostic equations pre-
these distributions, e.g. Heymsfield et al. (2002), Heymsfield dict six water species (water vapour, cloud water, rainwater,
et al. (2013), and Delanoë et al. (2014) studied ice particles primary ice crystals, snow aggregates, and graupel) mixing
and Zhang et al. (2001), Brandes et al. (2004), and Cao et al. ratios combining a three-class ice parametrization with the
(2008) studied rain particles. A primary objective of these Kessler scheme in the warm processes. For any species, the
1400 TAUFOUR ET AL.
TABLE 1 Set of parameters used in the ICE3 scheme for each water Table 1, except C and x for raindrops because the number
species
concentration for these water species is a prognostic vari-
Parameter ri rs rg rr rc able in LIMA and the 𝜇 parameter for raindrops is set to 1.
𝛼 3 1 1 1 3 For the two-moment representation, the slope parameter 𝜆 is
𝜇 2 0 0 0 0 estimated using the parametrized relationship:
a 0.82 0.02 19.6 524 524
( )1
b 2.5 1.9 2.8 3 3 N Γ(𝜇 + 1 + b∕𝛼) b
𝜆= a . (3)
C 5 5 × 105 107 R Γ(𝜇 + 1)
x 1 −0.5 −1
The LIMA scheme integrates a prognostic representation of
the aerosol population and accounts for the distinct nucleabil-
mixing ratio (R) is the mass of the species divided by the ities of the different aerosol species, for both cloud droplets
reference mass of dry air. and ice crystals. Cloud condensation nuclei (CCN) activa-
The PSD for each hydrometeor category follows a general- tion is parametrized following Cohard et al. (1998) and was
ized Gamma distribution: extended to handle competition between several CCN modes.
𝛼 𝛼 Ice freezing nuclei (IFN) nucleation is parametrized accord-
N(D) dD = N (𝜆D)𝛼(𝜇+1) D−1 e−(𝜆D) dD, (1)
Γ(𝜇 + 1) ing to Phillips et al. (2008), as revised by Phillips et al.
where 𝛼 and 𝜇 are fixed shape parameters (Table 1) and the (2013), and explicitly depends on the surface properties of
slope parameter 𝜆 is estimated depending on the predicted glaciogenic aerosols. Aerosol concentrations are state vari-
moment. The number concentration N is estimated using the ables, meaning that they are advected by the resolved flow and
parametrized relationship N = C𝜆x , where 𝜆 depends on the mixed by turbulence. They are scavenged by nucleation; here
mixing ratio R: we consider several modes of CCN and IFN, and scavenged
( ) 1 by dynamical capture by the raindrops. In this study, the CCN
C Γ(𝜇 + 1 + b∕𝛼) b−x and IFN aerosol populations are prescribed using one ideal-
𝜆= a . (2)
R Γ(𝜇 + 1) ized mode. The CCN concentration is set to 300 × 106 /m3
For all hydrometeors, the mass–diameter relationship takes between the ground and a height of 1000 m. Above 1000 m,
the form m(D) = aDb with all fixed parameters described in the concentration decreases exponentially up to 10 000 m
Table 1. where it reaches a constant value of 10 × 103 /m3 . The IFN
The total number concentration of the cloud droplets is concentration is homogeneous and is set to 10/m3 .
defined according to the fraction of sea and land surface
cover of the grid mesh, with 300 × 106 particles/m3 over land
and 100 × 106 particles/m3 over the sea surface. The total 3 DATA AND CASE DESCRIPTIONS
number concentration of the primary ice is diagnosed based
The western Mediterranean region is frequently affected by
on the Meyers et al. (1992) parametrization of the hetero-
heavy precipitation events (HPEs) which produce flash floods
geneous nucleation. This parametrization depends only on
with significant human and material losses. Heavy rainfall is
the supersaturation and is motivated by the representation of
most often generated by stationary or slow-moving mesoscale
both the deposition of water vapour and contact freezing of
convective systems (MCSs) (Duffourg et al., 2016). During
cloud droplets.
the autumn of 2012, a large field campaign took place in the
northwestern Mediterranean with the aim of providing new
2.2 LIMA and detailed observations of these HPEs (Ducrocq et al.,
LIMA (Vié et al., 2016) is a new mixed-phase two-moment 2014). In this study, two daily intense observation periods
scheme that includes a detailed representation of (IOPs), which were well documented during the HyMeX
aerosol-cloud interactions. LIMA inherits the six water field campaign, are used: IOP6 (24 September 2012) and
species of the ICE3 scheme. In addition to the mass mix- IOP16a (26 October 2012). These IOPs have been extensively
ing ratios, and through aerosol considerations, this scheme described and studied by Ducrocq et al. (2014), Hally et al.
predicts the number concentration of the cloud droplets and (2014), Ribaud et al. (2016) and Duffourg et al. (2016). The
the pristine ice crystals. Following (Cohard et al., 2000), HyMeX campaign is first described in section 3.1 and then
an extension to the raindrops was possible leading to a full IOP6 and IOP16a are presented in section 3.2 and section 3.3.
two-moment warm scheme. Up to now, it is unclear if a The numerical simulations are presented in section 3.4.
double-moment description of snow and graupel species
allows a better treatment of the physical processes, and so a
3.1 HyMeX First Special Observation Period (SOP1)
single-moment approach is chosen.
As in the ICE3 scheme, each hydrometeor category fol- The HyMeX campaign provides a large and unique database
lows a generalized gamma size distribution and the same of ocean–land–atmosphere observations. For a comprehen-
parametrization using the fixed parameters described in sive description of the instruments and observations, refer to
TAUFOUR ET AL. 1401
TABLE 2 Code number, location, and altitude above sea 3.2 IOP6: 24 September 2012
level for each disdrometer shown in Figure 2
During IOP6, the HPE consisted of an intense, long-lasting,
Number Location Altitude (m)
bow echo convective system which formed over the
1 Alès 160
2 La Souche 920
Cévennes-Vivarais area. An upper-level trough over western
3 Mont-Redon 630
Europe associated with a low-pressure system situated over
4 Pradel 270
northwest Ireland coupled with surface wind brought a flow
5 Saint Etienne de F. 210
of moist air over the Mediterranean Sea. These conditions
6 Villeneuve de B.1 300
enhanced convection and instigated approximately 100 mm of
rainfall during the day (Figure 3b) with observed intensities
of up to 60 mm/hr. Most of the precipitation occurred between
0000 and 0600 UTC.
Ducrocq et al. (2014). Only the datasets used in this study are
3.3 IOP16a: 26 October 2012
described below.
Four operational ground-based dual-polarization radars The IOP16a event consisted of back-building, mesoscale con-
(triangles in Figure 2) provided 3D information on the micro- vective systems over southern France. A deep upper-level
physical characteristics of the precipitating systems. These low was centered over the Iberian Peninsula. This synoptic
radars measured the horizontal reflectivity (Zhh ), which is context induced a southwesterly flow over the Mediterranean
linked to the rainfall rate, the differential reflectivity (Zdr ), Sea associated with potential vorticity anomalies. Both the
which gives an estimation of the particle shapes, and the upper and lower conditions led to convergence and the devel-
specific differential phase (Kdp ), which is useful for locating opment of two intense precipitating systems called MCS1a
regions with heavy precipitation and for estimating the rain- and MCS1b (their associated rainfall locations are given in
fall rate (e.g. Figueras i Ventura and Tabary, 2013). To ensure Figure 4b) off the Catalan coast. During the day, MCS1a
the high quality of the radar observations, the same control moved north-northeastwards and decayed prior to 1200 UTC
procedure as described in section 4.3 of Augros et al. (2016) while approaching the French coast. MCS1b moved north-
is applied. eastward, affecting the southeastern region of France during
Several particle size velocity (Parsivel; stars in Figure 2 the late morning and afternoon.
and referenced in Table 2) disdrometers were deployed over Figure 4b shows that the precipitation amounts over the
southern France. These disdrometers are laser-based optical sea due to MCS1a were more than 75 mm between 0600
systems which measure the size and fall velocity of hydrom- and 1200 UTC and more than 100 mm over a 24-hr period
eteors and therefore provide drop-size distribution (DSD) (radar estimations). The orographic daily rainfall (induced by
measurements (N(D), /mm/m3 ). Using different moments of MCS1a) over the Cévennes mountains (Figure 1 shows the
the size distribution, it is possible to estimate mixing ratios geographical area) reached up to 130 mm. MCS1b reached the
(proportional to the third moment), total number concen- coast of the Var region near 1200 UTC and induced a precip-
trations (the zeroth moment), and precipitation rates (pro- itation accumulation of up to 150 mm in less than 24 hr over
portional to the third moment weighted by the raindrop fall southeastern France.
speed). As mentioned in Cao et al. (2008), the high and
low moments of the DSD do not represent the rain physics
well due to the errors and uncertainties in the small and 3.4 Numerical simulations
large raindrop measurements. Accordingly, these moments The simulations were performed with Meso-NH with a
are treated with caution in this study. The study of PSDs 2.5 km horizontal resolution over the domains shown in
is based on 11 disdrometers with 1 min measurement fre- Figure 1. The vertical grid included 55 stretched vertical
quencies. The Parsivel data were corrected using the tech- levels with a first mesh at 10 m above the ground.
nique described in Raupach and Berne (2015). An evalua- The simulations were initialized at 2100 UTC on 23
tion based on the collocated rain gauge measurements led September 2012 for IOP6 and at 0000 UTC on 26 October
to the elimination of observations from three instruments 2012 for IOP16a. The initial and lateral boundary con-
(not shown). ditions were provided by the AROME-WMED analyses
The SAFIRE/Falcon20 aircraft, equipped with active (Fourrié et al., 2015) and updated every 3 hr. The
remote sensing and in situ cloud microphysics instrumenta- AROME-WMED analyses for IOP6 include the assimilation
tion, flew in the storm systems (flight tracks in Figure 2) and of the airborne LEANDRE2 water vapour LIDAR observa-
provided in situ observations from particle imagers (Fontaine tion (one profile each 15 km; Richard et al., 2015) in addition
et al., 2014), Cloud Radar System Airborne (RASTA) reflec- to all the observations described in Fourrié et al. (2015).
tivities (Protat et al., 2009; Delanoë et al., 2013), and micro- For all the simulations, the momentum was advected with
physical retrievals. a fourth-order centred scheme associated with the leap-frog
1402 1 œeM1Aiat.a11t------------------------------T_A
_UF_O___
UR ET_A_L_.
droplet concentration in addition to the cloud mixing ratio

according to the Savijarvi-Sass scheme (Savijarvi et al.,
1997). The computation of the aerosol radiative properties is
based on the Tegen climatology (Tegen et al. , 1997) consid-
ering six aerosol species (continental, sea salt, dust, urban,
volcanic, and stratospheric background).
Because some observations cannot be compared directly
with mode! variables, mode! variables can be converted
into synthetic variables using a forward operator. The
dual-polarization radar forward observation operator, initially
developed for the ICE3 scheme by Augros et al. (2016) was
adapted for LIMA to consider the prognosed number concen-
trations. The RASTA reflectivities can be computed in line
5.4°W 2.4°W 0.6°E 3.6°E 6.6°E 9.6°E 12.6°E
during the mode! simulations along the flight tracks using
FIGURE 1 HyMeX domain orography. The simulation domains are shown the Mie theory. In addition, the attenuation was taken into
for IOP6 (black) and IOP16 (grey). The dashed line represents the area for account.
which results are presented. T he names of the main areas are included
4 I ICE3 AND LIMA SCHEME

IOP 6 flight INTERCOMPARISON COMBINED WITH
IOP 16 flight OBSERVATIONS
46'N
disdrometers
polarimetric radars In this section, the cloud representations of both the
one-moment and two-moment schemes are assessed in com-
parison to the HyMeX observations. First, we present the
45°N rainfall accumulation using rain-gauge measurements to eval-
uate the amount of rainfall and the French weather radar
network (Tabary, 2007) to evaluate the rainfall location. Then,
the microphysical considerations are presented.
44°N
4.1 1 Rainfall accumulation

43'N Figure 3 and Figure 4 compare the rainfall accumulation
(12hr for IOP6 and 24hr for IOP16) from the ICE3 and
LIMA simulations with the French weather radar network
observations and rain-gauge measurements.
3"E 4'E S'E 6'E 7'E S'E
For IOP6, the observed 12hr rainfall accumulation in
FIGURE 2 Area denoted by the black dashed line in Figure 1 showing the Figure 3b shows a large accumulation associated with the
disdrometers (dots and numbers referenced in Table 2), dual-polarization convective line. In this area, extending from (4°E, 44°N) to
radars (triangles), and flight tracks that occurred during IOP6 (black line)
(5.7°E, 45°N), the maximum accumulation recorded by rain
and IOP16a (grey line)
gauges was up to 100 mm. Both simulations (Figure 3a,c)
reproduce the heavy precipitation associated with the con-
temporal scheme, whereas scalar variables were advected vective line rather well, even though it is slightly shifted
with the Piecewise Parabolic Method (Colella and Woodward, northeastward from (4°E, 44.3°N) to (5.7°E, 45.5°N) com-
1984) associated with a forward-in-time temporal scheme. pared to the observations. The maximum accumulation is also
The time step was 4 s. The Cuxart et al. (2000) turbulence slightly underestimated with approximately 90 mm simulated
scheme in its lD version with the Bougeault and Lacar- by LIMA and ICE3 compared to the 100 mm recorded.
rere (1989) mixing length and the Pergaud et al. (2009) The observed 24 hr rainfall accumulation during IOPl 6a
mass-flux scheme were used to parametrize the eddies in is presented in Figure 4. We differentiate the rainfall accu-
the convective boundary layer. The radiative transfer was mulation associated with the two MCSs: up to 130 mm over
computed with the ECMWF radiation code, using the Rapid the Cévennes mountains due to MCSla and up to 150 mm
Radiation Transfer Mode! (RRTM; Mlawer et al., 1997) over the Var region due to MCSlb. The simulated rainfall
for long-wave radiation and the Morcrette, 1991 mode! accumulation (in Figure 4a,c) associated with MCSla is
for short-wave radiation. Cloud optical properties for the underestimated over the northwestern part of the Gulf of
long-wave and short-wave radiation incorporated the cloud Lion, while the precipitation over the mountain range is
TAUFOUR ET AL 1 1403
mm mm mm
500
(b) 500
(c)
450 450
400 400
46"N ~•N
350 350
300 300
250 250
4S"N 45°N 45°N
200 200
150 150
100 44°N 100 44"N
75 75
50 50
30 43°N 30 43"N
15 15
l E
0
••E s·, S'E 7"E .., 5 5
l
FIGURE 3 The 12 br cumulative precipitation (mm) over southeast France al 1200 UTC on 24 September 2012 (IOP6) (b) measured by rain gauges
(coloured dots) and estimated from the French radar network and simulated by (a) ICE3 and (c) LIMA
mm mm mm
(a) 500 (b) 500 (c) 500
450 450 450
44.:Z•N 44.:Z•N 44.2•N
400 400 400
350 350 350
300 300 300
43.2"N 43.2"N 4J.2•N
250 250 250
200 200 200
150 150 150
42.:z-N 42.2•N 42.2•N
100 100 100
75 75 75
50 50 50
41.2°N 41.2°N
30 30 30
15 15 15
5 5 5
3.a•e ,a•e S.81 E ,.a•e 1.a•e a.e•e 1 3.81 E 4.81 E 5.a•e ,.a•e 7.8"E e.a•e 1 3.a•e 4.a•e s.a•e t5.8"E 7.81 E a.a•e 1
FIGURE 4 The 24 br cumulative precipitation (mm) over southeast France at 0000 UTC on 27 October 2012 (IOP1 6a) (b) measured by rain gauges
(coloured dots) and estimated from the French radar network, and simulated by (a) ICE3 and (c) LIMA
overestimated (approximately 190 mm) by the simulations liquid water contents are calculated using the zeroth and third
compared to the observed maximum (150mm). MCSlb is moments of the size distribution and precautions have been
better represented in terms of precipitation location, even taken when using the zeroth moment.
if the rainfall accumulation is overestimated over the Var Observations from IOP6 and IOP16a were combined into
region in simulations, with 177 mm for ICE3 and 136 mm for a single dataset to perform a statistical evaluation of the two
LIMA versus the observed maximum of 115 mm (Figure 4 ). microphysical schemes. Figure 5a shows that the liquid water
Compared to the observations, the location of the precipi- content is better estimated by LIMA than it is by ICE3 for
tation associated with MCS 1b over the sea is slightly better ail rain rates. However, the concentration is largely under-
simulated by LIMA than by ICE3. estimated by LIMA (the number concentration in ICE3 is a
diagnostic variable and therefore is not shown in Figure 5b).
The zeroth moment of DSD should be treated with caution
4.2 1 Comparison to microphysical observations due to measurement uncertainties, but the large difference
Precipitation patterns have large variabilities and are asso- seen here may be due to the rain parametrization, which
ciated with the organization of the MCS being influenced produces too many large raindrops.
by both microphysics and dynamics. The study of cloud Figure 5 also shows that the LIMA scheme allows for a bet-
compositions allows for a better understanding of cloud pro- ter representation of the microphysical variability seen in the
cesses. This study is based on radar reflectivities and DSD observations with the interquartile ranges (shaded contours)
measurements from disdrometers spread across the domain than does ICE3.
(Figure 1) to provide detailed particle information. Each
instrument has a number of shortcomings which we must
4.2.2 1 Dual-polarization rndars
take into consideration.
To evaluate the representation of the hydrometeors by LIMA
and ICE3, comparisons between the simulations and the
4.2.1 1 Disdrometers dual-polarization radar observations were investigated. Four
The representation of the ground rainfall is assessed com- dual-polarization radars were available for this study: Nîmes
pared to the DSD from the disdrometer observations. As and Collobrières (S-band), Montclar (C-band) and Mau-
mentioned in section 3.1, the total number concentrations and rel (X-band). Their locations are indicated by triangles in
1404
œeM1Aiat.a11t------------------------------T_A
_UF_O___
UR ET_A_L_.
2.0-------------------~ (a) Nimes 20120924 - Rain

(a) 3
2.5
1.5
2
1.5
co
:3,
"O
N 0.5
0
0,5
LIMA -0.5
5 10 15 20 25 30 35 40 45
ICE3
disdrometers Zhh (dBZ)
10 20 30 40 50
RainR.ate (mm/hr ) (b) Nimes 20121026 - Rain
3,000r;;;::-;-----------~----;::==:::è
3
ICE3 (SD = 0 014) / ...,•·
(b)
I=
2.5 LIMA (SD = 0272) ./
~:'rometers 1
~
2,500 2
1.5
(SO , •• :)., •.. ·•• •;;:";;:'•-';;,,-'•'"""f.'.. •· /
î 2,000
co
~
-
.§
~
"O
N 0.5
.......•······.....·.-.·.·...•········ ·•···•··..•·····
~ 1,500
§ 0 ••
-0.5 •.....•
............
•••••••-··························
~ 1,000
5 10 15 20 25 30 35 40 45
500 Zhh (dBZ)
FIGURE 6 Distribution of the observed and simulated Zd, as a function of

10 20 30 40 50 Z hhin rain for the Nîmes S-band radar on (a) 24 September 2012 and (b) 26
RainR.ate (mm/hr ) October 201 2. The median (solid lines) and first and third quartiles (dashed
lines) are shown
FIGURE 5 Distribution of (a) the liguid water content (g/m3 ) and (b) the
total number concentration (particles/m3 ) as a func tion of the rain rate
(mm/hr) for the simulations (first vertical levels in LIMA in red and ICE3 in which revealed an underestimation of the concentration of
blue) and the Parsivel OTT disdrometers (black) over the Cévennes rain by LIMA compared to the observed concentration mea-
mountains on 26 October 2012. The median (solid lines) and first and tbird sured by the disdrometers (Figure 5b); for a given reflectivity
interquartile ranges (sbaded) are shown
(or rain rate), LIMA produces fewer (but larger) drops than
does ICE3.
Figure 2. Results from the four radars are similar; therefore, However, the two-moment scheme LIMA better esti-
for this study, only the Nîmes radar measurements are mates the microphysical variability (compared to ICE3), as
presented. To overcome spatial and temporal mismatches shown by its larger interquartile range compared to ICE3
between the observations and simulations, the distributions (dashed lines) and the nearly identical Zct,-Zhh relationship
were compared including ail available data from the radar for both IOPs. This is consistent with the results shown in
during each case. Figure 5b.
First, the representation of rain by the two-moment scheme ln a second step, the 3D representations of ail hydromete-
LIMA was evaluated by comparing distributions of Z ctr as ors by LIMA were evaluated by comparing vertical profiles of
a fonction of Zhh for rainy pixels (Figure 6). ln the radar the observed and simulated Zhh, Zctr, and K ctp as a fonction of
observations (black lines), rain pixels were selected using the the mode! temperature. The comparison was done in convec-
classification algorithm from Al-Sakka et al. (2013) and ail tive regions only, as in Augros et al. (2016). Each profile was
pixels with temperatures lower than 5 °C were removed. considered convective if ail points with a temperature higher
Both the ICE3 and LIMA schemes (the blue and red lines, than 5 °C had a reflectivity higher than 45 dBZ. Because the
respectively) correctly represent the observed Z ct,-Zhh rela- results from the two IOPs are similar, only profiles from IOP6
tionship in rain up to approximately 35 dBZ. However, for are presented in Figure 7.
higher reflectivities, the median Zctr simulated by LIMA over- The simulated profiles of Kctp and Z hh (Figure 7a,c) are
estimates the median observed Zctr• This means that, for high more consistent with the observed profiles for LIMA than for
reflecti vities, LIMA overestimates the number of large drops. ICE3. The decrease of Zhh as a fonction of altitude is smoother
This is consistent with the comparison with the disdrometers, with LIMA. ICE3 has nearly constant values in the lower and
(a) Nimes - 20120924 -60 ~ ---r------.----;:::!:::====:::::::::::;-,

-25 crystal
-50 -:,., . snow
-20 Radar :.•:.
-15
ICE3
LIMA -40 H}, graupel
rain
-10 -30 : lt
: ,; '
1
: .i 1
ô~ -5 G ;..:,
1- 0
~ -20 f, :
t_ .
i;:-,
"=• 1' • •
-10 g , ,
10
5
1.
0
15 ICE3
-0.5 0 0.5 1.5 2 2.5 3 10 LIMA
Kdp (0 1km)
20L-----'--"....:,__------'-----'------'--'
(b) 0.0 0.5 1.0 1.5 2.0
Nimes - 20120924
-25 Mixing &tio (g/kg)
-20 Radar
ICE3
FIGURE 8 Distribution of the mean vertical content (g/kg) of
-15 LIMA hydrometeors in the convective columns as a function of temperature ( C) 0
in the LilVIA scheme (black) and the ICE3 scheme (grey). The columns
-10
correspond to the columns selected to determine the vertical profiles of the
ô~ -5 polarimetric variables for the Nîmes radar during IOP6
1- 0
5 up to - 7 °C versus up to -4 °C in ICE3 (Figure 7a,b). This can
10 be confirmed by the mean vertical contents of rain in Figure 8.
15 For temperatures below -5 °C, ICE3 simulations overesti-
-0.5 0 0.5 1.5 2 2.5 3
mate Zhh• These high simulated reflectivities may be due to
Zdr (dB) the overestimation of graupel in these cases. Figure 8, which
(c) shows the mean vertical contents of crystals, snow, and grau-
Nimes - 20120924
-25 pel used to compute the radar parameters for the Nîmes radar
_ Radar for IOP6, confirms the weaker graupel content of LIMA com-
-20 _ _ ICE3
pared to that of ICE3. This is consistent with the results of
-15 _ LIMA
Varble et al. (2011) for a cloud-resolving mode! intercom-
-10
parison (including the ICE3 scheme in Meso-NH) with data
E -50
1-
from the Tropical Warm Pool - International Cloud Experi-
ment, which showed an overestimation of mode! reflectivities
5 at high altitude due to graupel. The use of the two-moment
10 parametrization of ice crystals with the consideration of IFN
15 depletion, an explicit crystal growth by water vapour depo-
20 25 30 35 40 45 50 55 60 65
sition, and the introduction of a threshold diameter (set at
Zhh (dBZ)
125 µm) between ice and snow led to reduced crystal concen-
FIGURE 7 Median distribution of the observed and simulated (a) Kdp, (b) tration and size, enhanced snow and reduced graupel mass
Zd" and (c) Zhh in convective areas as a function of the mode! temperature mixing ratios and, therefore, improved the simulated vertical
for the Nîmes S-band radar on 24 September 2012 profile of Zhh·
However, the simulated Zct, is strongly overestimated with
LIMA in rain (Figure 7b), due to the overestimation of the
upper levels and a steep transition near O°C. This very steep
number of large raindrops in LIMA. This is in agreement with
evolution for ail variables with ICE3 could be due to the Jack
the comparison with disdrometers shown in section 4.2.l.
of variability in the representation of the rain.
Simulated Zct, and Kctp are very close to zero for tempera-
tures below -5 °C, both with ICE3 and LIMA In contrast, 4.2.3 1 Airborne RASTA measurement
observed values are slightly positive, probably due to the vari- This study focuses on the reflectivity measured by the
ety of hydrometeors, including oblate crystals. In both simu- zenith- and nadir-painting antennae of the cloud radar
lations (ICE3 and LIMA) crystals are considered as spheres RASTA (95 GHz) aboard the SAFIRE/Falcon-20 aircraft.
(Augros et al., 2016) which explains the simulated zero values The nadir-pointing antenna is slightly more sensitive than the
of Zctr and Kctp• However, the transition between non-zero and zenith-pointing antenna: the minimum detectable reflectiv-
zero values occurs at a higher altitude with LIMA than with ity at 1 km is approximately -27 dBZ for the nadir-painting
ICE3; the LIMA simulation contains supercooled liquid water antenna and -26 dBZ for the zenith-pointing antenna.
1406 TAUFOUR ET AL.
Simulated and observed reflectivities beyond the detection and 10 km. This representation provides more information
threshold were removed. Then, because the model out- concerning the cloud structures above 10 km. The lower
put was assumed to represent the grid area means, we observed frequencies in this area indicate more microphys-
considered the observed results coarsened to the model ical variability than is seen in the simulations. Using the
resolution. Because this radar is dedicated to cloud obser- ICE3 scheme, a quasi-constant value of −5 dBZ is observed
vations, the reflectivity due to rainy areas (under the bright between 10 and 12 km. This is slightly improved using the
band) will not be discussed here, even if the attenuation was LIMA scheme. This may be explained in part by the low
simulated. microphysical variability (one-moment parametrization of
The SAFIRE/Falcon-20 aircraft performed one flight dur- some species) used in the schemes.
ing IOP6. Two flights occurred during IOP16a; however, only The bright band is observed and simulated near 3 km, but
the second one sampling MCS1b is used here. The flights is not discussed further here.
sampled the MCSs during their mature phase, mostly within
the stratiform clouds above the freezing level.
The representations of the MCSs were assessed using Con- 5 OBSERVATIONS ANALYZED TO
toured Frequency by Altitude Diagrams (CFADs; Yuter and CONSTRAIN THE MODELS
Houze, 1995), which helped examine their vertical profiles.
The CFADs presented in this section combine the IOP6 and In the previous section, we highlighted the underestimation of
IOP16 reflectivities for the observations, the ICE3 and the the total number concentration of raindrops. In the first part
LIMA microphysical scheme simulations. The CFADs repre- of this section, we investigate these deviations between the
sent the distribution of the reflectivity as a function of altitude. observations and simulations. Observations from the autumn
This is an effective method to obtain a statistical view of how of 2012 are used to check and, if necessary, correct the cur-
a model can capture cloud vertical structures. However, ver- rent settings in the scheme. First, the DSD parametrization in
tical cloud information is only available along the flight track LIMA fixes the shape parameter 𝜇, which can be a source of
for the cloud radar RASTA. Therefore, some structures may error in the prediction of raindrop sizes. This could explain
be missed in the RASTA observation or simulation dataset, the overestimation of Zdr and the underprediction of the rain-
even though they are simulated by the model. Accordingly, drop concentration. In this section, we study the observed
the following results were processed on different flight simu- values of the 𝜇 parameter during a two-month disdrometer
lations (using different trajectories through the MCS) and the measurement period.
same conclusions were reached (not shown). The study of the reflectivities identified a bias in the upper
First, the cloud structures were studied using CFADs nor- ice levels; therefore, the snow and graupel particles are stud-
malized to the total number of points. In Figure 9, the highest ied in the second part of this section. In the schemes, the
frequencies of the observed reflectivity have a comma shape concentrations were estimated using two hypotheses: the
from −5 dBZ near the ground to 10 dBZ observed at the top mass–diameter relationship m(D) = aDb and the N = C𝜆x
with a peak at a height of 7 km near 13 dBZ. This shape relation. These relations are based on four empirical param-
is better represented in the LIMA scheme than in the ICE3 eters (a, b, C, and x), which are studied using the in situ
scheme, and especially around 3 km above the ground where airborne measurements. In this section, only the observations
we observed a more continuous profile. This corroborates the are used.
fact that the transition between ice and liquid water is bet-
ter reproduced with LIMA than with ICE3. The range of the
most frequent simulated reflectivities with LIMA (between 5.1 Disdrometer observations
−8 and 10 dBZ) better represents the range of observed The one-minute DSD disdrometer measurements over the
reflectivities than that simulated with ICE3 (between 0 and period from 5 September to 5 November 2012 of the HyMeX
10 dBZ) even though there is a −3 dBZ shift at low lev- campaign are used to find the best DSD fit over southeastern
els and a −10 dBZ shift near 10 km. Using this representa- France.
tion, the cloud top can be estimated by the upper part of To minimize the measurement errors, which may remain
the highest frequencies (observed near 10 km in Figure 9b). after the correction mentioned earlier, the Cao et al. (2008)
The simulated cloud top is also estimated to be near 10 km analysis is used to characterize rain microphysics using sort-
using the LIMA scheme. This result is better than that of ing and averaging based on the two-parameter method (SATP,
the ICE3 scheme, where the cloud top is estimated to be described in their article). As explained in Cao et al. (2008)
near 12 km. and Cao and Zhang (2009) and mentioned in section 3.1, the
Then, the cloud vertical structures were studied using high and low moments of the DSD do not represent the rain
CFADs normalized line by line to the total number of points physics well. The middle moments are more representative
recorded in the corresponding vertical area. In Figure 10, of the rain physics and are more accurately measured, justi-
the highest frequencies of the observed reflectivity have fying the choice of the rain rate R (mm/hr) (Equation 4) and
a coma shape from −5 to −10 dBZ between the ground the mass-weighted average diameter Dm (mm) (Equation 5)
TAUFOUR ET AL. 1407
(a) (b) (c)
FIGURE 9 CFADs normalized to the total number of points for (b) the RASTA reflectivity (dBZ) and for the model equivalent reflectivities (dBZ) for (a)
ICE3 and (c) LIMA combining the IOP6 and IOP16a airborne measurements and simulations
(a) (b) (c)
FIGURE 10 As Figure 9 but CFADs normalized line by line to the number of points in the line, i.e. the corresponding vertical area
as the characteristic processing parameters: This result suggests that the use of a constant 𝜇 parameter
Dmax is an overly restrictive hypothesis in the LIMA scheme. The
representation of the rain DSD could be improved by using
∑
−3
R = 6𝜋 × 10 v(D)N(D)D3 dD, (4)
Dmin a non-constant 𝜇 parameter. An estimation of the 𝜇 evolu-
tion as a function of Dm is seen in Figure 12b. An exponential
where v(D) is the drop fall velocity, and
fit was performed to obtain a 𝜇–Dm relationship with a good
∑Dmax
N(D)D4 dD coefficient of determination (r2 = 0.9):
Dmin
Dm = ∑D , (5)
max
N(D)D3 dD 𝜇 = 38.76 × exp(−1.39 × Dm ) (7)
D min
In comparison, the 𝜇 value in the models is overlaid (solid

where N(D) is the measured DSD in /mm/m3 .
line) in Figure 12b.
Two sorting grids are used in this study (Figure 11). The
The fits suggested by Zhang et al. (2001) based on mea-
first one (Figure 11a) is defined by variations of ±5% for R
surements made in Florida and by Cao et al. (2008) based on
and ±0.025 mm for Dm (the bar height indicates the number
measurements made in Oklahoma are overlaid on Figure 12a.
of observed DSDs). The small variations in the rain rate and
The different graphical relationships suggest that the relation-
the mass-weighted average diameter suggest that the DSDs
ship may vary locally. To test the validity of the relationships
represent similar rain physics. The averaged DSDs of each
over the Cévennes mountains, the scatter plots of 𝜆 ver-
grid were then fit to a gamma distribution using the (Brawn
sus 𝜇 are overlaid for each disdrometer in Figure 13. We
and Upton, 2008) fitting procedure. For each grid pixel, the
can see a few variations due to the location and the alti-
(𝜆, 𝜇) and (Dm , 𝜇) couples are presented in Figure 12 (the grey
tude referenced in Table 2, except for the disdrometer at
dots). Then, a second-order polynomial least-square fit was
Pradel where there are fewer measurements. The disdrom-
performed to obtain the 𝜇–𝜆 relationship (Figure 12a) with a
eters are located in both plain and mountainous regions
high coefficient of determination (r2 = 0.91):
from 160 m above sea level (asl) at Alès to 920 m asl at
𝜇 = −0.02𝜆2 + 1.09𝜆 − 0.9. (6) La Souche. Therefore, the relations found in the previous
1408 1œeM1AiAkall1--- ---------------------------T_A
_UF_O___
UR ET_A_L_.
(a) (b)
O 70 60 ~
~ 60 50 g.
S 50 40 ~
8 40
30 ~
_13o
1 20
;, 10
20
10 O
!
~ 0 0
~-020
~-9. 40 1600 ~'""
0 1200\_~
~ 6080 800-.$'
½ 100 4 40~#<~
~--:? 120 5 4
~ 5 00~
FIGURE 11 Occurrence frequency of types of rain data as a fonction of the mass-weighted average diameter (Dm, step 0.05 mm) and (a) rain rate (step 10%)
and (b) the total number concentration (step 10% ). The bars indicate the number of observed DSDs sorted. For each pixel, the mean DSD is obtained by
averaging the observed DSDs. The mean mixing ratio is added to each pixel in the sorted grid in (b) by averaging the estimated mixing ratio from the
observed DSDs
paragraph are assumed to be appropriate in the vertical shows that using aµ varying with the mass-weighted average
direction. diameter allows for better estimations of small raindrops and
To assess this new parametrization of µ (Equation 7, reduces the overestimation of raindrops with large diameters.
Figure 12b) versus the use of a constant shape parameter (as The use of a diagnostic slope parameter in LrMA is ongoing
in the LrMA scheme), a second sorting grid (Figure 11 b) was and will be presented in a forthcoming paper.
defined with a variation of ±0.025 mm for Dm and a vari-
ation of ±10% for the number concentration N. We chose
these parameters because they are directly used to determine 5.2 1 In situ airborne measurements of ice particles
the new µ and DSD. The mean rain mixing ratio (R) is
The Falcon 20 was equipped with in situ cloud microphysics
also evaluated for each grid pixel, which allows us to esti-
instruments. Microphysical properties can be obtained using a
mate the µ parameter as parametrized with Equation 3 in the
new generation of Optical Array Probes (OAP): the 2D Stereo
LrMA scheme. Therefore, each grid pixel is associated with a
probe (2-DS) from Stratton Park Engineering Company Inc.
mass-weighted diameter, a number concentration, and a mix- and the Precipitation Imaging Probe (PIP) from Droplet Mea-
ing ratio. Using these characteristic parameters, we are able surement Technologies. The resulting 2D images, recorded
to estimate the associatedDSD using the equations defined in on ten flights during HyMeX SOPl, were used to study the
section 2 to estimate the equivalent DSD in the LrMA scheme different relationships defined in the scheme for ice particles.
and using Equation 7 to retrieve the observed DSD. As in many microphysical schemes, LrMA uses the
Figure 14a shows the Root Mean Square Error (RMSE) mass-diameter relationship found by Locatelli and Hobbs
in each grid pixel between the mean observed DSD (black (1974) (LH74 hereafter) (b = 1.9 and a = 0.02kgm-b)
line in Figure 15) and the equivalent DSD using the LIMA for snow hydrometeors. As mentioned in Heymsfield et al.
parametrization (black dotted lines in Figure 15) for the (2010), this relationship was developed and tested from a
corresponding values of the mixing ratio and number concen- surprisingly limited range of observations. The a and b
tration. The RMSE between the mean observed DSD and the parameters are extensively discussed in the literature, and
DSD estimated using the new estimation procedure of the µ different parameters have been tested. Here, the Fontaine et
parameter (Equation 7, grey dashed lines in Figure 15) for the al. (2014) results from HyMeX SOPl were used to assess
equivalent values of R, N, and Dm, is shown in Figure 14b. the reasonableness of the values of these parameters used in
The new estimation procedure leads to a lower RMSE the scheme. In their study, particular attention was paid to
between the observed and simulated DSDs (Figure 14). The OAP corrections (the rejection of 2D images due to shatter-
new estimation procedure better represents the DSD shape ing, the rejection of splashes, the reconstruction of truncated
for a value of Dm between O and 2 mm and a concentration images that were partially recorded, and the correction of the
over 400 m- 3 . In the other grid pixels, the improvement is not pixel resolution for the true air speed). Then they developed
significant. a method inspired by the study of Schmitt and Heymsfield
For example, Figure 15 presents the different DSDs in (2010) to estimate the a and b parameters from the AOP in situ
three grid pixels; the observed mean DSDs are shown by measurements constrained by the RASTA radar reflectivity.
black solid lines, while the equivalent DSD using the LIMA The median mass-diameter relationship for different tem-
parametrization is shown in black dotted lines and the DSD perature ranges using Fontaine et al. (2014) is presented in
using the new estimation procedure in grey dashed lines. This Figure 16. It shows that, for a given diameter, the retrieved
(a) 20 25r=============~
Villeneuve de B. l (0.96) • Villeneuve de B. 3 (0.96)
Mt Redon (0. 98) • Ales (O. 96)
"' "' Zhang et al. 2001 20 Pradel (0.99) • St Etienne de F. (0.95)
• VIiieneuve de B. 2 (0.96) • LaSauche (0.97)
* * Cao et al. 2008
15
15
10 ::i. 10
:::1.
5
5
0
0
-5'------'------'-----...L-----'
0 5 10 15 20
-5 À (/mm)
0 5 10 15 20
À (/mm) FIGURE 13 As Figure 12a for each disdrometer location. T he d ifferent
coloured lines are curves fitted to the points using a second-order
(b) polynomial fit. T he coefficient correlation for each station is given in
20 brackets in the legend
µ = 38.76xexp(-1.39Dm)
15 r2 = 0.90 our purposes, the LH74 relationship will be considered to be
a reasonable approximation for the snow category and this
relationship will be used in the following paragraphs.
10 To evaluate the fixed parameters used to estimate the snow
:::1. and graupel number concentrations (N = CÀx) in the ICE3
5 and LIMA schemes, snow or graupel particles are selected in
the observations by sorting the particles based on the a and
b parameters found by Fontaine et al. (2014). Based on the
0 ;,,,;, .......... . LH74 a and b parameters used in the schemes, sampled par-
ticles are considered to be snow when a < 0.05 (equivalent
Model 1 to low density) and 1.7 ~ b ~ 2.1 and to be graupel when
-5
0 1 2 3 4 5 10 ~ a ~ 30 (high density). The other values are considered
Dm (mm) to depend on size distributions from a combination of snow or
graupel particles. Then, the concentration (N, zeroth moment)
FIGURE 12 Scatter plots of (a) À versusµ and (b) Dm versusµ. À,µ, and
Dm are obtained from t he mean DSD sorting. The dashed line in (a) is the
and the mass mixing ratio (R, Equation 8 with a and b from
mean curve fitted to the points using a second-order polynomial fit, and the Table 1) of the sorted PSD were estimated.
stars and triangles correspond to the Florida (Zhang et al., 2001) and Dmax
Oklaho ma (Cao etal., 2008) relations. Thedashed line in (b) is the
evolution curve determined by an exponential fit. The coefficient of
R = L aN(D)Db dD. (8)
Dmin
determination and curve equations are shown on each plot. The solid line in
(b) represents the constantµ value in the LIMA scheme Figure 17a,b represent the evolution of the observed num-
ber concentration according to the mass mixing ratio for the
median mass increases with temperature. Considering that the snow and graupel partieles (grey dots) on a log-log scale.
OAP objectively measures each hydrometeor species defined Because À depends on the mixing ratio (Equation 2), the rela-
in our scheme (pristine ice, snow, and graupel), the increasing tionship N = CÀx provides an estimation of the number
weight with temperature for a given diameter can be explained concentrations as a fonction of R. These estimations are over-
by the type of sampled hydrometeor because particles grow laid on Figure 17 (black lines) for both the snow and graupel
during their life cycle and during their fall. species.
The median mass per diameter estimated using the values For the snow species, the simulated concentrations follow
found for a and b in Fontaine et al. (2014) and the LH74 an opposite trend to the observed ones (Figure 17a). The log-
relationship are overlaid in Figure 16. These two curves are arithm of the concentration and the logarithm of the mixing
close for our convective cases. This is because, to ensure ratio are well correlated (r = 0.84). At first sight, the use of
crew safety, the most convective parts of the cells were not a positive x parameter in these convective cases is not a good
sampled and most of the measured particles are snow or pris- estimate. This can partly explain the underestimation of the
tine ice crystal water species (Dm < 125 µm). Therefore, for simulated RASTA reflectivity. However, these parameters
1410 1 œeM1Aiat.a11t------------------------------T_A
_UF_O
_UR__ ET_A
_ L_.
(a) (b)
1400 400
12001 200i'
1000;::, 000 :::::-,
BOO~ 00 ~
600 :::!i 00 ~
400 ~
200
0
1600 .., 1600 ..,
1200~~ 1200V:,~
0 BOO ·rf-' 0
BOO~;Jf'
40~#~~ 400,#
4 4
s o c<fl"' 5 OÛ#'
FIGURE 14 Bars indicate the Root Mean Square Error (RMSE) between the mean observed DSD and the equivalent DSD (a) parametrized as in the LIMA
scheme and (b) that parametrized with a varying µ (Equation 7b)
(a)l04 ,::-:-:-::::~-----::---:-:------=--~-;:====:;i
RMSEuw = 33.9tm8
mean mean
3 retrieved retrieved
103 RMSE...n..., = 8.4tm ,......., 103 ,,~...,,
LIMA UIIIA
"'e .. ,,,,..,•.,,, ...
î N=63.0tm1
~
§ 102
,,,,,,,' :.
,,,,~ N=ll22.4Stm•
j D,. = 1.025 mm
R=0.01 gtm•
...
~
.,,,.,• D,,.=2.175/mm
,.,t,,,, R=0.7691m'
i . 10
1
• ~
~
10
1
RMSELIJlA =405.6/m'
• ;:~.--•.•,,
j ,.. [ --,.,,, ___' ~ 10• RMSE...n...,=205.6tm• ••••
••••••
lo·l O
~•- - ~ l - -~2e-------c-3~--4~-~5 lo·lO:---~l--~2:-------c-3---4~~~5
Diameter (mm) Diameter (mm)
FIGURE 15 Examples of mean sorted DSDs (black solid lines) into three grids in Figure 1 l a. The retrieved DSDs estimated with varying µ (grey dashed
lin es) and the equivalent DSDs as estimated in the LIMA scheme (black dotted lines) are overlaid. T he three fixed triplets (total number concentration N ,
mass-weighted average diameter Dm, and rain mixing ratio R) are mentioned, as are the RMSEs between the mean observed DSD and the equivalent DSD
parametrized as in the LIMA scheme (RMSEUMA) and that parametrized with a varying µ (RMSEce1r,md)
4.0 regression seems to be a reasonable approximation in these

median OBS 1
-5 ~ T <0
1 cases.
3.5 * Locatelli & Hobbs (1974) , -l0 ~ T<-5
-15 ~T <-10
3.0
-20 ~ T <-15
-25 ~ T <-20
1 <Il
"l
2.5
2.0
-30 ~T <-25
-35 ~T <-30
6 1 DISCU SSION AND CONCLU SIO NS
-40 ~T <-35
~ 1.5 This paper evaluates the two-moment microphysical scheme
-45 ~T <-40
LTh1A compared to the already validated one-moment
1.0 -50 ~ T <·45
-55 ~ T <-50 scheme ICE3 and the microphysical observations provided by
0.5 -60 ~ T <-55 the HyMeX SOPl. There are two major differences between
the LTh1A and ICE3 microphysical schemes. The LIMA
0.0
10 3 10 4 scheme uses a two-moment parametrization for threehydrom-
D (µm) eteor species: ice crystals, cloud droplets, and raindrops. It
also provides a prognostic representation of the aerosol pop-
FIGURE 16 Mass (mg)-diameter (µm) relationship using the median a
ulation. In this study, we concentrated on the impact of the
and b parameters found by Fontaine et al. (201 4) for different temperatures
(grey to black dashed lines). The median mass-diameter relationship, using
two-moment parametrization compared to the one-moment
ail data (black line), and the Locatelli and Hobbs (1974) relationship (stars) parametrization in the ICE3 scheme; therefore, a single
are overlaid aerosol mode was chosen for LIMA.
The main difficulty in such studies is the use of instru-
are chosen to consider the aggregation growth of snow in the mental measurements. Each observed variable depends
schemes. on unavoidable measurement errors. Different procedures
As expected, only a few observed particles can be con- have been used to limit the impacts of such errors on our
sidered to be graupel (Figure 17b). However, the mode! comparisons. In addition, the temporal and spatial resolutions
(a\ 0 10 underestimated on average by the LIMA scheme. This

r=0.84 Madel underestimation led to an overestimation of the rain-
10 9
.........
8
... observations drop diameters and therefore an overestimation of the
"'e 10 estimated differential reflectivity (Zct,) compared to the
--- 10 7 dual-polarization radar observations.
~ 10 6
.._, Studying the aerosol population impact on our simulated
......§ 10 5 raindrop concentration is an approach to be considered. Even
E 10
4
. though it is known that the aerosol population played a role
... .... -~- ,,,. . :.

~
10 3 . .,...t in the number concentration of the cloud droplets, adding
~ aerosols in our simulation will increase their number but will
~
10 2
not necessarily lead to an increase in the raindrop concen-
10 1
tration, which depends on different microphysical processes.
10°~~~~~~~~~~~~~-~~
10-4 10-3 10-2 10-l 10° 10 1 Because not all of the capacities of the scheme have been used
Mixing R.atio (R, g/m 3 ) here, the impact of aerosol loading on the raindrop number
concentration requires further investigation.
(b) The comparison based on the radar reflectivity showed
1010
that the microphysics in LIMA improve the representation of
10 9 - Madel 1
the hydrometeor contents in convective areas and the cloud
......... 8 • • • observations
"'e 10 1
top. The two-moment pristine ice parametrization impacts the
--
~-
.._,
10 7
10 6
graupel and snow contents and leads to a better representation
of derived variables such as the horizontal reflectivity (Zhh).
...§ 10 5 Moreover, vertical profiles of the differential reflectivity (Zct,)
and the specific differential phase (Kctp) highlight that more
i~
10 4
10 3
supercooled water is produced when using the LIMA scheme.
This suggests that the LIMA scheme may improve icing fore-
~ 10 2
c3 10 1
casts along flight routes; accordingly, an additional study on
icing forecasts is being conducted.
10° The statistical study based on two months of disdrometer
10-4 10-3 10-2 10-l lOO
measurements highlighted the impact of the use of a constant
Mixing R.atio (R, g/m 3 )
µ parameter in the raindrop size distribution on their diame-
FIGURE 17 Scatter plot of the num ber concentration (N, particles/m3 ) ters. First, different fixed values for µ can be tested to see its
versus the mixing ratio (R, g!m 3 ) from the observedPSD using the mode! impact on the PSD. Then, the use of a diagnostic-µ approach
mass-diameter relationship. PSDs with a < 0.05 (low density) and also may impact the raindrop size and therefore the polarimet-
1.7 ( b ( 2.1 are considered to be snow in (a) and PSDs with 10 ( a ( 30
ric variable estimations. Impacts on the sedimentation process
(high density) are considered to be graupel in (b). The actual relationships
used in the LIMA scheme are overlaid (solid line). Linear regression is
have already been tested for two-moment bulk schemes by
performed for the snow particles (dashed line) Milbrandt and McTaggart-Cowan (2010). The diagnostic-µ
approach could easily be added to the LIMA scheme and
tested; however, such a test is outside the scope of this
may be different; therefore, steps are taken to obtain similar paper.
resolutions. The particle size distribution of the ice particles measured
The scheme was evaluated for two HPEs reasonably well during flights that sampled MCSs showed that the evolu-
simulated in terms of rainfall accumulation. Even though the tion of the number concentration of snow particles accord-
rainfall accumulations are not substantially different between ing to the mixing ratio is not in agreement with the actual
the two schemes, the evaluation based on microphysical parametrization. This may in part explain the underestimation
observations highlights several notable differences between of the simulated reflectivities along the flight route. Using
the schemes. the ICE3 scheme, K.-I. Ivarsson (personal communication in
The first step in the evaluation of the LIMA scheme sets 2017) reported the same problem: there is a negative impact
a more realistic rain mixing ratio and a better representa- when using the parameters for the snow category. Because
tion of the microphysical variability seen in the observations the number concentration decreases when the mixing ratio
(dual-polarization radars and disdrometers). The better repre- increases, cloud optical properties are not in agreement with
sentation of the microphysical variability is directly linked to the observations and degrade the radiative impacts. The fixed
the two-moment parametrization and this is an expected result parameters used in the ICE3 and LIMA schemes can be dis-
of using such schemes. cussed; however, caution should be exercised when choosing
In comparison to the raindrop number concentration them. Using the correlation found in this study, other values
observed by the disdrometer, this predicted moment was for the C and x parameters can be found; however, even if
1412 TAUFOUR ET AL.
these values improve the simulated reflectivities, they may X-, C-, and S-band polarimetric radars. Journal of Applied Meteorology and
Climatology, 52(10), 2328–2344. https://doi.org/10.1175/JAMC-D-12-0236.
also reduce the rainfall accumulation.
1.
The results presented here are representative of convective Augros, C., Caumont, O., Ducrocq, V., Gaussiat, N. and Tabary, P. (2016) Com-
cases over southeastern France. Therefore, we must remain parisons between S, C, and X band polarimetric radar observations and
cautious in our interpretation of these results and not gener- convective-scale simulations of HyMeX first special observing period. Quar-
terly Journal of the Royal Meteorological Society, 142, 347–362. https://doi.
alize without supplementary studies. For example, Hachani org/10.1002/qj.2572.
et al. (2017) found that the orographic environment, season, Bougeault, P. and Lacarrere, P. (1989) Parameterization of orography-induced
weather patterns associated with exposure to low atmospheric turbulence in a mesobeta-scale model. Monthly Weather Review, 117(8),
1872–1890. https://doi.org/10.1175/1520-0493(1989)117<1872:pooiti>2.0.
flows, and rainfall types influence the DSD characteristics CO;2.
as well as the relationships between the rainfall rate and the Brandes, E.A., Zhang, G. and Vivekanandan, J. (2004) Drop size distri-
reflectivity factor. bution retrieval with polarimetric radar: model and application. Jour-
nal of Applied Meteorology, 43(3), 461–475. https://doi.org/10.1175/1520-
This study highlights a more realistic representation of var-
0450(2004)043<0461:dsdrwp>2.0.CO;2.
ious variables in convective cases when using the LIMA Brawn, D. and Upton, G. (2008) Estimation of an atmospheric gamma drop
scheme rather than the ICE3 scheme. In addition, it sug- size distribution using disdrometer data. Atmospheric Research, 87(1), 66–79.
gests two ways to improve microphysical representation: the https://doi.org/10.1016/j.atmosres.2007.07.006.
Caniaux, G., Redelsperger, J.L. and Lafore, J.P. (1994) A numerical study of
use of a varying 𝜇 parameter for the raindrop size dis- the stratiform region of a fast-moving squall line. Part I: general description
tribution and the use of other fixed parameters for snow and water and heat budgets. Journal of the Atmospheric Sciences, 51(14),
water species. The use of a prognostic representation of the 2046–2074. https://doi.org/10.1175/1520-0469(1994)051<2046:ansots>2.0.
CO;2.
aerosol population may impact the skill of the simulations in Cao, Q. and Zhang, G. (2009) Errors in estimating raindrop size distribution
addition to the raindrop number concentrations. The LIMA parameters employing disdrometer and simulated raindrop spectra. Journal
scheme allows a full initialization of the aerosol variables of Applied Meteorology and Climatology, 48(2), 406–425. https://doi.org/10.
1175/2008JAMC2026.1.
based on the aerosol analyses provided by the Monitor-
Cao, Q., Zhang, G., Brandes, E., Schuur, T., Ryzhkov, A. and Ikeda, K. (2008)
ing Atmospheric Composition and Climate (MACC) project Analysis of video disdrometer and polarimetric radar data to characterize rain
(http://www.gmes-atmosphere.eu/; accessed 11 July 2018). microphysics in Oklahoma. Journal of Applied Meteorology and Climatology,
47(8), 2238–2255. https://doi.org/10.1175/2008JAMC1732.1.
This dataset can be used for the initial loading and for lateral
Clark, P.A., Harcourt, S.A., Macpherson, B., Mathison, C.T., Cusack, S. and
boundary forcing in the case of inflow conditions. A study of Naylor, M. (2008) Prediction of visibility and aerosol within the operational
the sensitivity of LIMA to the use of other parameters and to Met Office Unified Model. I: model formulation and variational assimilation.
aerosol loading is necessary to perform a complete validation Quarterly Journal of the Royal Meteorological Society, 134(636), 1801–1816.
https://doi.org/10.1002/qj.318.
of the scheme. Cohard, J.M., Pinty, J.P. and Bedos, C. (1998) Extending Twomey’s analytical
estimate of nucleated cloud droplet concentrations from CCN spectra. Jour-
nal of the Atmospheric Sciences, 55(22), 3348–3357. https://doi.org/10.1175/
ACKNOWLEDGEMENTS 1520-0469(1998)055<3348:etsaeo>2.0.CO;2.
Cohard, J.M., Pinty, J.P. and Suhre, K. (2000) On the parameterization of activa-
tion spectra from cloud condensation nuclei microphysical properties. Journal
The help of E. Richard from Laboratoire d’Aérologie (LA) of Geophysical Research: Atmospheres, 105(D9), 11753–11766. https://doi.
with the IOP6 simulations is gratefully acknowledged. org/10.1029/1999JD901195.
Thanks also to W. Wobrock for his contribution. The authors Colella, P. and Woodward, P.R. (1984) The Piecewise Parabolic Method (PPM)
for gas-dynamical simulations. Journal of Computational Physics, 54(1),
acknowledge Météo-France and the HyMeX program for sup-
174–201. https://doi.org/10.1016/0021-9991(84)90143-8.
plying the data, sponsored by MISTRALS/HyMeX grants and Cuxart, J., Bougeault, P. and Redelsperger, J.L. (2000) A turbulence scheme
the Agence Nationale de la Recherche ANR-11-BS56-0005 allowing for mesoscale and large-eddy simulations. Quarterly Journal of
IODA-MED project. The authors also acknowledge Sahar the Royal Meteorological Society, 126(562), 1–30. https://doi.org/10.1002/qj.
49712656202.
Hachani (IRD/Université de Tunis El Manar) and colleagues Delanoë, J., Protat, A., Jourdan, O., Pelon, J., Papazzoni, M., Dupuy, R., Gayet, J.F.
of IGE’s technical staff, UMR ESPACE, and Ecole des Mines and Jouan, C. (2013) Comparison of airborne in situ, airborne radar-lidar, and
d’Ales (OHMCV; Cévennes-Vivarais Mediterranean Hydro- spaceborne radar-lidar retrievals of polar ice cloud properties sampled during
the POLARCAT campaign. Journal of Atmospheric and Oceanic Technology,
logical Observatory) for supplying the disdrometer data. This 30(1), 57–73. https://doi.org/10.1175/JTECH-D-11-00200.1.
work is a contribution to the HyMeX program supported by Delanoë, J., Heymsfield, A.J., Protat, A., Bansemer, A. and Hogan, R.J. (2014)
MISTRALS, ANR IODA-MED grant ANR-11-BS56-0005 Normalized particle size distribution for remote sensing application. Journal
of Geophysical Research: Atmospheres, 119(7), 4204–4227. https://doi.org/
and ANR MUSIC grant ANR-14-CE01-0014. 10.1002/2013JD020700.
Ducrocq, V., Braud, I., Davolio, S., Ferretti, R., Flamant, C., Jansa, A., Kalthoff,
ORCID N., Richard, E., Taupier-Letage, I., Ayral, P.A., Belamari, S., Berne, A., Borga,
M., Boudevillain, B., Bock, O., Boichard, J.L., Bouin, M.N., Bousquet, O.,
Bouvier, C., Chiggiato, J., Cimini, D., Corsmeier, U., Coppola, L., Cocquerez,
Marie Taufour http://orcid.org/0000-0002-1477-1979 P., Defer, E., Delanoë, J., Girolamo, P.D., Doerenbecher, A., Drobinski, P.,
Dufournet, Y., Fourrié, N., Gourley, J.J., Labatut, L., Lambert, D., Coz, J.L.,
Marzano, F.S., Molinié, G., Montani, A., Nord, G., Nuret, M., Ramage, K.,
REFERENCES Rison, W., Roussot, O., Said, F., Schwarzenboeck, A., Testor, P., Baelen,
Al-Sakka, H., Boumahmoud, A.A., Fradon, B., Frasier, S.J. and Tabary, P. (2013) J.V., Vincendon, B., Aran, M. and Tamayo, J. (2014) HyMeX-SOP1: the
A new fuzzy logic hydrometeor classification scheme applied to the French field campaign dedicated to heavy precipitation and flash flooding in the
TAUFOUR ET AL. 1413
northwestern Mediterranean. Bulletin of the American Meteorological Society, Geoscientific Model Development Discussions, 2018, 1–66. https://doi.org/10.
95(7), 1083–1100. https://doi.org/10.1175/BAMS-D-12-00244.1. 5194/gmd-2017-297.
Duffourg, F., Nuissier, O., Ducrocq, V., Flamant, C., Chazette, P., Delanoë, J., Lafore, J.P., Stein, J., Asencio, N., Bougeault, P., Ducrocq, V., Duron, J., Fischer,
Doerenbecher, A., Fourrié, N., Di Girolamo, P., Lac, C., Legain, D., Mar- C., Héreil, P., Mascart, P., Masson, V., Pinty, J.P., Redelsperger, J.L., Richard,
tinet, M., Saïd, F. and Bock, O. (2016) Offshore deep convection initiation and E. and Vilà-Guerau de Arellano, J. (1998) The Meso-NH atmospheric simu-
maintenance during the HyMeX IOP 16a heavy precipitation event. Quarterly lation system. Part I: adiabatic formulation and control simulations. Annales
Journal of the Royal Meteorological Society, 142, 259–274. https://doi.org/10. Geophysicae, 16(1), 90–109. https://doi.org/10.1007/s00585-997-0090-6.
1002/qj.2725. Lebo, Z.J. and Morrison, H. (2013) A novel scheme for parameterizing aerosol
Figueras i Ventura, J. and Tabary, P. (2013) The new French operational polari- processing in warm clouds. Journal of the Atmospheric Sciences, 70(11),
metric radar rainfall rate product. Journal of Applied Meteorology and Clima- 3576–3598. https://doi.org/10.1175/JAS-D-13-045.1.
tology, 52(8), 1817–1835. https://doi.org/10.1175/JAMC-D-12-0179.1. Lim, K. and Hong, S.Y. (2010) Development of an effective double-moment cloud
Flossmann, A.I., Hall, W.D. and Pruppacher, H.R. (1985) A theoretical study of microphysics scheme with prognostic cloud condensation nuclei (CCN) for
the wet removal of atmospheric pollutants. Part I: the redistribution of aerosol weather and climate models. Monthly Weather Review, 138(5), 1587–1612.
particles captured through nucleation and impaction scavenging by growing https://doi.org/10.1175/2009MWR2968.1.
cloud drops. Journal of the Atmospheric Sciences, 42(6), 583–606. https://doi. Locatelli, J.D. and Hobbs, P.V. (1974) Fall speeds and masses of solid precipitation
org/10.1175/1520-0469(1985)042<0583:atsotw>2.0.CO;2. particles. Journal of Geophysical Research, 79(15), 2185–2197. https://doi.
Fontaine, E., Schwarzenboeck, A., Delanoë, J., Wobrock, W., Leroy, D., Dupuy, org/10.1029/JC079i015p02185.
R., Gourbeyre, C. and Protat, A. (2014) Constraining mass–diameter relations Lynn, B.H., Khain, A.P., Dudhia, J., Rosenfeld, D., Pokrovsky, A. and Seifert, A.
from hydrometeor images and cloud radar reflectivities in tropical continental (2005) Spectral (bin) microphysics coupled with a mesoscale model (MM5).
and oceanic convective anvils. Atmospheric Chemistry and Physics, 14(20), Part I: model description and first results. Monthly Weather Review, 133(1),
11367–11 392. https://doi.org/10.5194/acp-14-11367-2014. 44–58. https://doi.org/10.1175/MWR-2840.1.
Fourrié, N., Bresson, E., Nuret, M., Jany, C., Brousseau, P., Doerenbecher, A., Meyers, M.P., DeMott, P.J. and Cotton, W.R. (1992) New primary ice-nucleation
Kreitz, M., Nuissier, O., Sevault, E., Bénichou, H., Amodei, M. and Poupon- parameterizations in an explicit cloud model. Journal of Applied Meteo-
neau, F. (2015) AROME-WMED, a real-time mesoscale model designed for rology, 31(7), 708–721. https://doi.org/10.1175/1520-0450(1992)031<0708:
the HyMeX special observation periods. Geoscientific Model Development, npinpi>2.0.CO;2.
8(7), 1919–1941. https://doi.org/10.5194/gmd-8-1919-2015. Milbrandt, J.A. and McTaggart-Cowan, R. (2010) Sedimentation-induced errors
Geresdi, I. (1998) Idealized simulation of the Colorado hailstorm case: compari- in bulk microphysics schemes. Journal of the Atmospheric Sciences, 67(12),
son of bulk and detailed microphysics. Atmospheric Research, 45(4), 237–252. 3931–3948. https://doi.org/10.1175/2010JAS3541.1.
https://doi.org/10.1016/S0169-8095(97)00079-3. Milbrandt, J.A. and Yau, M.K. (2005) A multimoment bulk microphysics param-
Hachani, S., Boudevillain, B., Delrieu, G. and Bargaoui, Z. (2017) Drop size dis- eterization. Part II: a proposed three-moment closure and scheme description.
tribution climatology in Cévennes-vivarais region, France. Atmosphere, 8(12). Journal of the Atmospheric Sciences, 62(9), 3065–3081. https://doi.org/10.
https://doi.org/10.3390/atmos8120233. 1175/JAS3535.1.
Hally, A., Richard, E. and Ducrocq, V. (2014) An ensemble study of HyMeX Mlawer, E.J., Taubman, S.J., Brown, P.D., Iacono, M.J. and Clough, S.A.
IOP6 and IOP7a: sensitivity to physical and initial and boundary condition (1997) Radiative transfer for inhomogeneous atmospheres: RRTM, a vali-
uncertainties. Natural Hazards and Earth System Sciences, 14(5), 1071–1084. dated correlated-k model for the longwave. Journal of Geophysical Research:
https://doi.org/10.5194/nhess-14-1071-2014. Atmospheres, 102(D14), 16 663–16 682. https://doi.org/10.1029/97JD00237.
Heymsfield, A.J., Bansemer, A., Field, P.R., Durden, S.L., Stith, J.L., Dye, J.E., Morcrette, J.J. (1991) Radiation and cloud radiative properties in the European
Hall, W. and Grainger, C.A. (2002) Observations and parameterizations of Centre for Medium Range Weather Forecasts forecasting system. Journal of
particle size distributions in deep tropical cirrus and stratiform precipitating Geophysical Research: Atmospheres, 96(D5), 9121–9132. https://doi.org/10.
clouds: results from in situ observations in TRMM field campaigns. Journal of 1029/89JD01597.
the Atmospheric Sciences, 59(24), 3457–3491. https://doi.org/10.1175/1520- Morrison, H. and Grabowski, W.W. (2008) A novel approach for representing ice
0469(2002)059<3457:oapops>2.0.CO;2. microphysics in models: description and tests using a kinematic framework.
Heymsfield, A.J., Schmitt, C., Bansemer, A. and Twohy, C.H. (2010) Improved Journal of the Atmospheric Sciences, 65(5), 1528–1548. https://doi.org/10.
representation of ice particle masses based on observations in natural clouds. 1175/2007jas2491.1.
Journal of the Atmospheric Sciences, 67(10), 3303–3318. https://doi.org/10. Morrison, H., Curry, J.A. and Khvorostyanov, V.I. (2005) A new double-moment
1175/2010JAS3507.1. microphysics parameterization for application in cloud and climate models.
Heymsfield, A.J., Schmitt, C. and Bansemer, A. (2013) Ice cloud particle size dis- Part I: description. Journal of the Atmospheric Sciences, 62(6), 1665–1677.
tributions and pressure-dependent terminal velocities from in situ observations https://doi.org/10.1175/JAS3446.1.
at temperatures from 0◦ to 86◦ C. Journal of the Atmospheric Sciences, 70(12), Morrison, H., Milbrandt, J.A., Bryan, G.H., Ikeda, K., Tessendorf, S.A. and
4123–4154. https://doi.org/10.1175/JAS-D-12-0124.1. Thompson, G. (2015) Parameterization of cloud microphysics based on the
Hong, S.Y.J. and Lim, J.O. (2006) The WRF single-moment 6-class microphysics prediction of bulk ice particle properties. Part II: case study comparisons with
scheme (WSM6), 42, 129–151. observations and other schemes. Journal of the Atmospheric Sciences, 72(1),
Khvorostyanov, V. (1995) Mesoscale processes of cloud formation, 312–339. https://doi.org/10.1175/JAS-D-14-0066.1.
cloud-radiation interaction, and their modelling with explicit cloud micro- Pergaud, J., Masson, V., Malardel, S. and Couvreux, F. (2009) A parameteriza-
physics. Atmospheric Research, 39(1), 1–67. https://doi.org/10.1016/0169- tion of dry thermals and shallow cumuli for mesoscale numerical weather
8095(95)00012-G. prediction. Boundary-Layer Meteorology, 132(1), 83. https://doi.org/10.1007/
Kogan, Y. (2013) A cumulus cloud microphysics parameterization for s10546-009-9388-0.
cloud-resolving models. Journal of the Atmospheric Sciences, 70(5), Phillips, V.T.J., DeMott, P.J. and Andronache, C. (2008) An empirical parame-
1423–1436. https://doi.org/10.1175/jas-d-12-0183.1. terization of heterogeneous ice nucleation for multiple chemical species of
Lac, C., Chaboureau, J.P., Masson, V., Pinty, J.P., Tulet, P., Escobar, J., Leriche, aerosol. Journal of the Atmospheric Sciences, 65(9), 2757–2783. https://doi.
M., Barthe, C., Aouizerats, B., Augros, C., Aumond, P., Auguste, F., Bech- org/10.1175/2007JAS2546.1.
told, P., Berthet, S., Bieilli, S., Bosseur, F., Caumont, O., Cohard, J.M., Colin, Phillips, V.T.J., Demott, P.J., Andronache, C., Pratt, K.A., Prather, K.A., Subrama-
J., Couvreux, F., Cuxart, J., Delautier, G., Dauhut, T., Ducrocq, V., Filippi, nian, R. and Twohy, C. (2013) Improvements to an empirical parameterization
J.B., Gazen, D., Geoffroy, O., Gheusi, F., Honnert, R., Lafore, J.P., Lebeaupin of heterogeneous ice nucleation and its comparison with observations. Journal
Brossier, C., Libois, Q., Lunet, T., Mari, C., Maric, T., Mascart, P., Mogé, of the Atmospheric Sciences, 70(2), 378–409. https://doi.org/10.1175/JAS-D-
M., Molinié, G., Nuissier, O., Pantillon, F., Peyrillé, P., Pergaud, J., Per- 12-080.1.
raud, E., Pianezze, J., Redelsperger, J.L., Ricard, D., Richard, E., Riette, S., Pinty, J. and Jabouille, P. (1998) A mixed-phase cloud parameterization for use
Rodier, Q., Schoetter, R., Seyfried, L., Stein, J., Suhre, K., Thouron, O., in mesoscale non hydrostatic model: simulations of a squall line and of
Turner, S., Verrelle, A., Vié, B., Visentin, F., Vionnet, V. and Wautelet, P. orographic precipitations. In: Proceedings of Conference on Cloud Physics,
(2018) Overview of the Meso-NH model version 5.4 and its applications. Everett, WA, pp. 217–220. American Meteorological Society, Boston, MA.
1414 TAUFOUR ET AL.
Protat, A., Bouniol, D., Delanoë, J., O’Connor, E., May, P.T., Plana-Fattori, Tabary, P. (2007) The new French operational radar rainfall product. Part I:
A., Hasson, A., Görsdorf, U. and Heymsfield, A.J. (2009) Assessment methodology. Weather and Forecasting, 22(3), 393–408. https://doi.org/10.
of cloudsat reflectivity measurements and ice cloud properties using 1175/WAF1004.1.
ground-based and airborne cloud radar observations. Journal of Atmo- Tegen, I., Hollrig, P., Chin, M., Fung, I., Jacob, D. and Penner, J. (1997) Con-
spheric and Oceanic Technology, 26(9), 1717–1741. https://doi.org/10.1175/ tribution of different aerosol species to the global aerosol extinction optical
2009JTECHA1246.1. thickness: estimates from model results. Journal of Geophysical Research:
Raupach, T.H. and Berne, A. (2015) Correction of raindrop size distributions mea- Atmospheres, 102(D20), 23895–23915. https://doi.org/10.1029/97JD01864.
sured by Parsivel disdrometers, using a two-dimensional video disdrometer as Thompson, G. and Eidhammer, T. (2014) A study of aerosol impacts on clouds
a reference. Atmospheric Measurement Techniques, 8(1), 343–365. https://doi. and precipitation development in a large winter cyclone. Journal of the
org/10.5194/amt-8-343-2015. Atmospheric Sciences, 71(10), 3636–3658. https://doi.org/10.1175/JAS-D-
Ribaud, J.F., Bousquet, O., Coquillat, S., Al-Sakka, H., Lambert, D., Ducrocq, 13-0305.1.
V. and Fontaine, E. (2016) Evaluation and application of hydrometeor clas- Thompson, G., Field, P.R., Rasmussen, R.M. and Hall, W.D. (2008) Explicit fore-
sification algorithm outputs inferred from multi-frequency dual-polarimetric casts of winter precipitation using an improved bulk microphysics scheme. Part
radar observations collected during HyMeX. Quarterly Journal of the Royal II: implementation of a new snow parameterization. Monthly Weather Review,
Meteorological Society, 142, 95–107. https://doi.org/10.1002/qj.2589. 136(12), 5095–5115. https://doi.org/10.1175/2008MWR2387.1.
Richard, E., Fourrié, N., Bielli, S., Flamant, C. and Di Girolamo, P. (2015) Uijlenhoet, R. and Stricker, J. (1999) A consistent rainfall parameterization based
Assimilation of water vapour observations upstream of the precipitation on the exponential raindrop size distribution. Journal of Hydrology, 218(3),
events documented during HyMeX SOP1. In: Proceedings of 33rd Interna- 101–127. https://doi.org/10.1016/S0022-1694(99)00032-3.
tional Conference on Alpine Meteorology, 31 August–4 September, Innsbruck, Varble, A., Fridlind, A.M., Zipser, E.J., Ackerman, A.S., Chaboureau, J.P., Fan,
Austria J., Hill, A., McFarlane, S.A., Pinty, J.P. and Shipway, B. (2011) Evaluation
Rosenfeld, D. (2006) Aerosol–cloud interactions control of Earth radiation and of cloud-resolving model intercomparison simulations using TWP-ICE obser-
latent heat release budgets. Space Science Reviews, 125(1), 149–157. https:// vations: precipitation and cloud structure. Journal of Geophysical Research:
doi.org/10.1007/s11214-006-9053-6. Atmospheres, 116(D12), D12206. https://doi.org/10.1029/2010JD015180.
Saleeby, S.M. and van den Heever, S.C. (2013) Developments in the CSU-RAMS Vié, B., Pinty, J.P., Berthet, S. and Leriche, M. (2016) LIMA (v1.0): a
aerosol model: emissions, nucleation, regeneration, deposition, and radiation. quasi-two-moment microphysical scheme driven by a multimodal population
Journal of Applied Meteorology and Climatology, 52(12), 2601–2622. https:// of cloud condensation and ice freezing nuclei. Geoscientific Model Develop-
doi.org/10.1175/jamc-d-12-0312.1. ment, 9(2), 567–586. https://doi.org/10.5194/gmd-9-567-2016.
Savijärvi, H., Arola, A. and Räisänen, P. (1997) Short-wave optical properties Yuter, S.E. and Houze, R.A., Jr. (1995) Three-dimensional kinematic and
of precipitating water clouds. Quarterly Journal of the Royal Meteorological microphysical evolution of Florida cumulonimbus. Part II: frequency dis-
Society, 123(540), 883–899. https://doi.org/10.1002/qj.49712354005. tributions of vertical velocity, reflectivity, and differential reflectivity.
Schmitt, C.G. and Heymsfield, A.J. (2010) The dimensional characteristics of ice Monthly Weather Review, 123(7), 1941–1963. https://doi.org/10.1175/1520-
crystal aggregates from fractal geometry. Journal of the Atmospheric Sciences, 0493(1995)123<1941:tdkame>2.0.CO;2.
67(5), 1605–1616. https://doi.org/10.1175/2009JAS3187.1. Zhang, G., Vivekanandan, J. and Brandes, E. (2001) A method for estimating rain
Seifert, A. and Beheng, K.D. (2006) A two-moment cloud microphysics param- rate and drop size distribution from polarimetric radar measurements. IEEE
eterization for mixed-phase clouds. Part 1: model description. Meteorology Transactions on Geoscience and Remote Sensing, 39(4), 830–841. https://doi.
and Atmospheric Physics, 92(1), 45–66. https://doi.org/10.1007/s00703-005- org/10.1109/36.917906.
0112-4.
Seity, Y., Brousseau, P., Malardel, S., Hello, G., Bénard, P., Bouttier, F., Lac,
C. and Masson, V. (2011) The AROME-France convective-scale operational
model. Monthly Weather Review, 139(3), 976–991. https://doi.org/10.1175/ How to cite this article: Taufour M,
2010MWR3425.1. Vié B, Augros C, et al. Evaluation of the
Shi, J.J., Matsui, T., Tao, W.K., Tan, Q., Peters-Lidard, C., Chin, M., Picker- two-moment scheme LIMA based on microphys-
ing, K., Guy, N., Lang, S. and Kemp, E.M. (2014) Implementation of an
aerosol–cloud–microphysics–radiation coupling into the NASA unified WRF: ical observations from the HyMeX campaign.
simulation results for the 6–7 August 2006 AMMA Special Observing Period. Q J R Meteorol Soc. 2018;144:1398–1414.
Quarterly Journal of the Royal Meteorological Society, 140(684), 2158–2175. https://doi.org/10.1002/qj.3283
https://doi.org/10.1002/qj.2286.
MICROPHYSIQUES
4.3 Compléments
4.3.1 Évaluation objective des cumuls de pluie
La comparaison visuelle des champs de précipitations des POI 6 et 16a montre peu
d’impact de la microphysique sur les cumuls de pluie au sol simulés (Figures 3 et 4
de l’article). Dans l’optique d’utiliser un schéma microphysique 2-M en opérationnel,
il est intéressant de regarder les scores sur les précipitations afin d’estimer la qualité
de la prévision. Comme expliqué à la section 2.5.2, les scores ne seront présentés que
pour la POI 6.
0.6 0.8
LIMA
ICE3 0.7
0.5
0.6
0.4
0.5
POD
0.3 FAR 0.4
0.3
0.2
0.2
0.1
0.1
0.0 0.0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Seuil(mm) Seuil(mm)
0.6 1.6
0.5 1.4
0.4 1.2
Fbias
HSS
0.3 1.0
0.2 0.8
0.1 0.6
0.0 0.4
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Seuil(mm) Seuil(mm)
Figure 4.1 – Scores catégoriels à partir des cumuls de précipitations au sol

observés par le réseau de pluviomètres de 00 UTC à 12 UTC le 24 septembre
2012.
La Figure 4.1 représente les scores obtenus pour différents seuils de cumuls. Les
taux de détections (POD) et de fausses alarmes (FAR) sont très proches pour les deux
simulations. Une légère amélioration du POD pour les précipitations supérieures à 15
mm est observée avec LIMA. Le HSS, qui mesure le taux de bonnes détections sans
tenir compte des détections dues au hasard est aussi meilleur pour les précipitations
supérieures à 15 mm. Le biais fréquentiel donne des valeurs proches de 0.6 avec un
pic à 0.8 pour les précipitations entre 10 et 20 mm pour la simulation ICE3 alors
qu’il augmente de 0.5 à 0.8 avec les seuils de précipitations pour LIMA. La fréquence
des cumuls prévus est donc sous-estimée avec les deux schémas et quel que soit le
72
4.3. COMPLÉMENTS
seuil de précipitations, avec une légère amélioration de l’estimation des précipitations

supérieures à 20 mm avec LIMA. La microphysique 2-M a donc un impact légèrement
positif sur l’estimation des cumuls de précipitations.
4.3.2 Variabilité entre les POI

Dans la première partie de l’article, les variables estimées sont comparées aux me-
sures directes (disdromètres, radars polarimétriques et RASTA) et mettent en évidence
des différences notables entre les schémas.
Les distributions de contenus et concentrations en gouttes de pluie en fonction du
taux de précipitations (Figure 5 de l’article) ont été présentées uniquement à partir
des simulations et observations de la POI 16a. En effet, la zone de mesures n’a pas été
touchée par l’épisode pluvieux de la POI 6 qui s’est produit plus au nord-est.
Afin d’étudier le comportement du schéma sur cet événement, cette figure a été
reproduite en ajoutant en pointillés les évolutions de la concentration et du contenu
en pluie en fonction du taux de précipitations simulés pour la POI 6 sur la Figure 4.2.
Les valeurs de la POI 6 utilisées pour construire la figure sont simulées entre 00 UTC
et 12 UTC sur la zone de passage du MCS. De plus, l’ensemble des observations
des disdromètres sur la SOP1 d’HyMeX sont utilisées (notons que les distributions
observées sur la POI 16a sont semblables à la distribution médiane sur l’ensemble de
la SOP1).
2.0 3000
LIMA POI 16a
ICE3 POI 6
2500
Concentration (m -3 )
SOP1 disdrometers
1.5
LWC (g m -3 )
2000
1.0 1500
1000
0.5
500
0.0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Rain Rate (mm h -1 ) Rain Rate (mm h -1 )
(a) (b)
Figure 4.2 – Distributions médianes (a) du rapport de mélange (g m−3 ) et

(b) de la concentration (particules m−3 ) en fonction du taux de précipitations
(mm h−1 ) observées durant la SOP 1 d’HyMeX par les disdromètres (noir) et
simulées par LIMA (rouge) et ICE3 (bleu). Pour les simulations, les résultats
sont présentés par des lignes tiretées pour la POI 6 et des lignes continues pour
le POI 16a.
Sur la Figure 4.2a, nous pouvons remarquer un comportement différent du schéma

LIMA en fonction de la POI simulée. Les contenus estimés par LIMA lors de la POI 6
sont plus importants quel que soit le seuil de précipitations par rapport à ceux simulés
durant la POI 16a. Notons qu’ils restent inférieurs à ceux simulés par ICE3 et que
l’absence de variabilité microphysique relative au schéma 1-M est également illustrée
ici par les résultats semblables sur les deux cas simulés.
73
MICROPHYSIQUES
Sur la Figure 4.2b, les concentrations de gouttes de pluie avec LIMA pour la POI
6 semblent plus fortes que celles simulées pour la POI 16a. Ces valeurs paraissent plus
réalistes même si la comparaison avec les observations est à considérer avec précaution.
En effet des écarts de comportement des PSD ont déjà été observés. Premièrement,
les travaux à partir de mesures effectuées en Floride par Zhang et al. (2001) et en
Oklahoma par Cao et al. (2008) présentent des relations entre les paramètres λ et µ
distinctes bien qu’ils utilisent la même méthode (visibles sur la figure 12a de l’article).
La différence peut être due à une variabilité géographique (Oklahoma étant situé
environ 2000 km plus à l’ouest de la Floride et plus à l’intérieur des terres) ou à la
période différente (le premier a réalisé son étude à partir de mesures pendant l’été
1998 et le second sur la période allant de mai 2005 à mai 2007).
Sur la région des Cévennes, les travaux de Hachani et al. (2017) à partir des mêmes
disdromètres que ceux utilisés pour mon étude, montrent aussi une variabilité des PSD.
En analysant les mesures sur la période 2012/2016 et dans le but d’évaluer la rela-
tion entre la réflectivité (Z) et le taux de précipitations (R), ils ont testé l’influence
de divers facteurs sur les PSD et leur relation Z-R. Les caractéristiques de la PSD
varient en fonction de la saison avec des diamètres plus larges, des concentrations
et un paramètre de forme µ plus faibles en été qu’en hiver. Le printemps et l’au-
tomne présentent des caractéristiques intermédiaires à celles de l’été et de l’hiver. Les
conditions météorologiques sont un autre facteur qui influence la PSD. En effet sous
l’influence de flux de sud ou sud-ouest (POI 6 et 16a), des diamètres plus petits, des
concentrations et un paramètre µ plus forts sont observés. Ces dernières spécificités
sont accentuées dans les régions montagneuses par rapport aux régions moins acci-
dentées. Le type de précipitations est le dernier facteur influençant les PSD, avec un
impact notable des précipitations convectives et orages violents.
Si le type de précipitations, la saison, les conditions météorologiques sont les mêmes
pour les cas étudiés ici, la localisation et l’orographie sont différentes et peuvent ex-
pliquer l’écart entre les deux distributions de concentrations simulées par LIMA. L’in-
fluence de la localisation et de l’orographie sur la relation λ-µ trouvée à partir des
mesures de la SOP1 est assez faible (comme le montre la Figure 13 de l’article). La
Figure 4.3 montre les différentes relations λ-µ obtenues pour les différentes saisons
durant l’année 2012. Il est possible d’observer la variabilité saisonnière présentée par
Hachani et al. (2017) avec l’automne et le printemps ayant des caractéristiques tran-
sitoires entre l’été et l’hiver.
74
4.4. CONCLUSION
20
MAM
JJA
SON
15 DJF
All
Zhang (2001)
Cao (2008)
10
µ
5
µ = -0.02λ 2
+ 1.03λ − 0.78
0 µ = -0.02λ 2
+ 1.14λ − 0.74
µ = -0.02λ 2
+ 1.09λ − 0.90
µ = -0.02λ 2
+ 0.97λ − 0.97
−5
0 5 10 15 20
λ (mm −1 )
Figure 4.3 – Relations λ-µ déterminées à partir de DSD moyennes obtenues

en suivant la méthode de Cao et al. (2008). Cette méthode a été appliquée
sur les quatres saisons de 2012 : le printemps (mars-avril-mai, MAM en vert),
l’été (juin-juillet-août, JJA en bleu), l’automne (septembre-octobre-novembre,
SON en noir) et l’hiver (décembre-janvier-février, DJF en rouge). La relation
obtenue en appliquant la méthode sur l’ensemble des observations (tirets cyan)
et celles obtenues par Zhang et al. (2001) (triangles) et Cao et al. (2008)
(étoiles).
4.4 Conclusion
Ce chapitre présente une comparaison entre deux simulations de cas convectifs par
les deux schémas microphysiques ICE3 (1-M) et LIMA (2-M). La comparaison est
basée sur des observations de la campagne de mesures HyMeX. Il est important de
rappeler que les observations utilisées ici sont représentatives des systèmes convectifs
observés sur le pourtour Méditerranéen. Comme le montrent les résultats de Hachani
et al. (2017), il sont difficilement généralisables à d’autres situations météorologiques
sans études complémentaires.
Les résultats de l’évaluation objective des cumuls de précipitations montrent un
impact modéré de la microphysique pour les cas simulés. Cependant, la simulation de la
POI 6 montre une légère amélioration sur l’estimation des cumuls supérieurs à 10 mm.
Ce résultat est encourageant concernant la représentation des épisodes méditerranéens
dans les modèles et mériterait d’être confirmé sur plusieurs cas.
Les écarts entre les deux simulations sont plus marqués en termes de composition
et de structure des systèmes convectifs comme le montrent les différentes comparai-
sons entre les simulations et les réflectivités RASTA ou polarimétriques. De manière
générale la microphysique 2-M permet d’obtenir des résultats plus proches des obser-
75
MICROPHYSIQUES
vations. La structure verticale des systèmes est plus réaliste en terme de réflectivité
et de transition entre la phase liquide et solide (présence d’une plus grande quantité
d’eau surfondue avec LIMA). Les espèces dont la concentration est diagnostique dans
LIMA sont elles aussi impactées par rétroaction et semblent être mieux représentées.
En effet, les contenus moyens de graupel au sein de cellules convectives sont souvent
sur-estimés par les modèles (Varble et al., 2011) et LIMA tend à les diminuer (Figure
8 de l’article).
Comme le montrent les études des disdromètres et des radars polarimétriques à
partir de fonctions membres (contenu en eau et concentration vs taux de précipitations,
Zdr vs Zhh ), la microphysique 2-M permet plus de variabilité dans l’estimation des
différentes variables. Cette variabilité est visible à l’échelle d’un événement (écarts
types des différentes fonctions) mais aussi d’un événement à l’autre (concentrations
différentes entre les deux POI).
En comparant à l’ensemble des mesures de disdromètres de la SOP 1 nous avons mis
en évidence que la forme de la PSD considérée dans les modèles est très restrictive par
rapport aux PSD observées. Cette hypothèse à la base des modèles peut être à l’origine
de la sur-estimation des diamètres des gouttes de pluies visibles sur les profils de Zdr .
De même, la relation entre la concentration et le contenu en neige dans les modèles
(anti-corrélation) s’éloigne de l’évolution observée (corrélation) lors des différents vols
à proximité des systèmes convectifs de la SOP 1.
Dans le prochain chapitre, l’impact des modifications de LIMA suggérées par cette
comparaison sera étudié sur les POI 6 et 16a.
76
Chapitre 5
Tests de sensibilité aux paramètres

du schéma LIMA
Sommaire
5.1 Estimation de la concentration des agrégats . . . . . . . . 64
5.1.1 Paramétrisation de Caniaux (1993) . . . . . . . . . . . . . . 64
5.1.2 Tests proposés . . . . . . . . . . . . . . . . . . . . . . . . . 64
5.1.3 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.2 Paramètres contrôlant le diamètre moyen des gouttes de
pluie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.2.1 Analyse de la simulation de référence . . . . . . . . . . . . . 70
5.2.2 Les tests réalisés . . . . . . . . . . . . . . . . . . . . . . . . 74
5.2.3 Paramètre de forme de la PSD de la pluie . . . . . . . . . . 76
5.2.4 Processus de fonte du graupel . . . . . . . . . . . . . . . . . 79
5.2.5 Évaluation globale . . . . . . . . . . . . . . . . . . . . . . . 81
5.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Dans le chapitre précédent, j’ai mis en évidence des écarts entre les observations et
les simulations et que j’ai relié à certains paramètres fixés dans LIMA. Ce chapitre sera
divisé en deux parties : dans un premier temps, je vais présenter un test de sensibilité
sur les paramètres C et x qui définissent la concentration de la neige, puis j’analyserai
l’impact de la forme de la distribution dimensionnelle de la pluie sur les processus
microphysiques.
77
CHAPITRE 5. TESTS DE SENSIBILITÉ AUX PARAMÈTRES DU SCHÉMA LIMA
5.1 Estimation de la concentration des agrégats

Les mesures aéroportées des sondes 2D-S et PIP montrent un écart entre les concen-
trations en agrégats neigeux observées et celles estimées à partir de la masse des
agrégats neigeux simulée (Figure 17 de l’article Taufour et al., 2018). Après avoir
présenté les hypothèses relatives à la neige dans les schémas microphysiques ICE3 et
LIMA, un test de sensibilité sera effectué en fonction de valeurs déduites des observa-
tions.
5.1.1 Paramétrisation de Caniaux (1993)

Les paramètres définissant la concentration de la neige dans les schémas ICE3 et
LIMA sont issus des travaux de thèse de Caniaux (1993). Une distribution dimension-
nelle de type exponentielle (n(D) = N0 e−λD ) ne permet pas de prendre en compte les
processus d’auto-collection et d’éclatement des particules qui font varier la répartition
dimensionnelle des hydrométéores puisque la concentration totale N0 est fixe. Au cours
de son étude, Caniaux (1993) a suggéré que la concentration totale N peut être sim-
plement liée au paramètre de pente λ de la catégorie glacée précipitante par :
N = Cλx (5.1)
Cette hypothèse pour les agrégats permet de prendre en compte implicitement
l’élargissement du spectre des particules pour représenter la coalescence et aussi de
traiter implicitement le processus d’agrégation. Mais ces conditions sont vérifiées si :
• 0 < x : c’est à dire reproduire grossièrement l’élargissement des spectres (lorsque
λ diminue) par les processus d’auto-agrégation (N diminue).
• x < b : c’est à dire si le spectre s’élargit lorsque le rapport de mélange rs aug-
mente.
À partir des travaux de Passarelli (1978); Houze et al. (1979); Mitchell (1988) et
à l’aide de données de vitesses de chute associées à des mesures de concentrations,
Caniaux (1993) estime que le couple de paramètres (C, x) optimal est (5, 2). Ces pa-
ramètres liés à la représentation des agrégats sont comparés aux couples trouvés dans
la littérature, et il a alors montré que l’ensemble de ces couples se situent à proximité
de la droite d’équation :
log(C) = −3.55x + 3.89 (5.2)
Par la suite, les constantes ont été ajustées au schéma ICE3, puisque prendre une
valeur de x trop proche de 2 entraı̂nait des incohérences dans l’estimation de λ
à partir de l’équation (2.5). Ainsi une valeur de x = 1 a été préférée dans les
schémas microphysiques ICE3 et LIMA de Meso-NH (voir documentation scientifique :
http://mesonh.aero.obs-mip.fr).
5.1.2 Tests proposés

Pour construire la figure 17 de l’article présenté au chapitre précédent, la masse
d’eau condensée (CWC, condensed water content) a été estimée à partir de la distri-
bution mesurée par les sondes 2D-S et PIP à partir de la relation suivante :
DØ
max
CW C = aDb n(D), (5.3)

D=Dmin
78
5.1. ESTIMATION DE LA CONCENTRATION DES AGRÉGATS
où les paramètres a et b sont issus de Locatelli and Hobbs (1974) et utilisés dans LIMA
(Tableau 2.1).
Cependant, l’information donnée par ces sondes peut être complétée par la mesure
directe du contenu en eau condensée par la sonde Robust. Cela permet de s’affranchir
des hypothèses sur la relation masse-diamètre. La Figure 5.1a est une reproduction de
la figure 17 de l’article à partir des observations de 8 vols de la SOP1 de la campagne
HyMeX mais en utilisant les mesures directes de contenu en eau condensée.
10 11 20
(2E+17, -3.8) (1E+06, -0.5) (2E+17 , -3.8)
10 10 (5, 1) (4E+02, 0.5) (1E+04 , 0)
10 9 (1E+04, 0) (7E+07, -1) 15 (1E+06 , -0.5)

(4E+02 , 0.5)
8
10 (5 , 1)
10 (7E+07 , -1)
10 7
log10 (C)
6
10
5
10 5
10 4
0
10 3
10 2 -5
10 1
10 0 -4 -10
10 10 -3 10 -2 10 -1 10 0 10 1 -4 -2 0 2 4
CWC (g m -3 ) x
(a) (b)
Figure 5.1 – (a) Évolution de la concentration en nombre de particules

(m−3 ) en fonction du contenu en eau condensée (g m−3 ). Le nuage de points est
construit à partir des mesures effectuées par les sondes 2D-S et PIP (estimation
de la concentration) et la sonde Robust (CWC). Les droites représentent la loi
d’évolution N = Cλx pour les différents couples (C, x) mentionnés en légende.
(b) Différents couples (C, x) testés (triangles) et la relation entre C et x définie
par Caniaux (1993) (équation (5.2)) en pointillés.
La régression linéaire (droite bleu nuit) obtenue par la méthode des moindres carrés
sur le nuage de points de la Figure 5.1, relie les logarithmes du contenu en eau glacée
(CWC en g m−3 ) et de la concentration (N en m−3 ). En adaptant l’équation (2.2) aux
mesures volumiques, il est possible de retrouver cette relation :
 A B x 
ρr x−b
N = Cλx ⇔ log(N ) = log C  (5.4)
aCG(b)
1 x 2 x
⇔ log(N ) = log C (aCG(b)) b−x − log(ρr) (5.5)
b−x
⇔ log(N ) = α log(CW C) + β (5.6)
et de déterminer les paramètres α et β de cette relation et les paramètres (C,x) as-
sociés :
αb

 x = α−1

4 b−x
 C =
3
exp(β) b (5.7)
 x
b−x (aG(b))
où la fonction G(b) se définie comme suit :
Γ(µ + 1 + b/α)
G(b) = (5.8)
Γ(µ + 1)
79
La régression linéaire sur le nuage de points de la Figure 5.1a et l’équation (5.7)

donnent une estimation du couple (C, x) = (2.1017 , −3.8). D’autres valeurs de (C, x)
sont également évaluées. Ils répondent à l’équation (5.2) et sont représentés sur la
Figure 5.1b. Ils ont été choisis pour les raisons suivantes :
• (C, x) = (400, 0.5) (jaune sur Figure 5.1) : ces paramètres respectent la diminu-
tion de la concentration lorsque le rapport de mélange augmente (comme proposé
par Caniaux, 1993), mais en atténuant la pente initialement imposée.
I
(106 , −0.5) (vert)
• (C, x) = : la droite (bleue) suggère une pente positive
(7.107 , −1) (rose)
contrairement à celle de référence (rouge), mais le paramètre d’interception de
valeur C = 2.1017 semble excessif. Ces deux couples vont permettre de mesu-
rer l’impact d’une corrélation positive entre la concentration et le rapport de
mélange.
• (C, x) = (104 , 0) (cyan) : cela revient à considérer une concentration en nombre

constante, N = C.
Nous pouvons remarquer que le couple obtenu à partir de la régression respecte lui
aussi l’équation (5.2) (triangle bleu nuit, Figure 5.1b).
La simulation LIMA décrite et analysée au chapitre précédent servira de référence
dans tout ce qui suit et sera nommée REF.
5.1.3 Résultats
La Figure 5.2 présente les cumuls de précipitations de la POI 6 pour chaque couple
(C, x) testé. Les deux simulations de couples (106 , −0.5) et (7.107 , −1) présentent des
résultats semblables. Les cumuls de précipitations sont largement surestimés et d’im-
portants cumuls sont localisés plus au nord. Des précipitations de neige au sol ont
même été simulées localement pour ces deux tests (Figure 5.3). Le système ne s’est ni
développé, ni déplacé en accord avec les observations. Ainsi les réflectivités RASTA
simulées, visibles sur la Figure 5.4, ne rendent pas compte du système observé puisqu’il
n’est plus exactement sur la trajectoire du vol.
Les trois autres tests de sensibilité sur les paramètres présentent des résultats
comparables à la simulation de référence. La paramétrisation issue de la régression
(2.1017 , −3.8) engendre des cumuls plus faibles sur l’ensemble du domaine mais la
zone touchée par des cumuls de précipitations supérieurs à 15 mm est plus vaste
au nord-est. Le couple (104 , 0) qui revient à considérer une concentration constante
d’agrégats augmente les cumuls simulés, mais les résultats restent très proches de la
simulation de référence. Le dernier couple testé (400, 0.5) présente aussi des maxima
cumulés plus forts que ceux de la référence. Comme pour les simulations où la concen-
tration totale est constante, les zones touchées par les précipitations sont plus étendues
vers le nord-est. Les profils de réflectivités de la Figure 5.4 montrent que le système
est tout de même relativement bien reproduit par ces trois tests. De plus, même si
les précipitations au sol sont réduites, les réflectivités simulées sont plus proches de
celles observées lorsque les paramètres sont déterminés à partir de la régression aux
observations.
Les constats sont semblables et plus nets sur les simulations de la POI 16a (voir
Annexe A).
80
5.1. ESTIMATION DE LA CONCENTRATION DES AGRÉGATS
mm
250
150
120
100
80
65
50
35
20
10
5
(a) REF (b) (2.10 17 , -3.8) (c) (104, 0)

mm
250
15 0
12 0
100
80
65
50
35
20
10
(d) (106 , -0.5) (e) (400, 0. 5) (f) (7.107, -1)
FIGURE 5.2 - Cumuls 12h de précipitations (mm) sur le sud de la France à 12

UTC le 24 septembre 2012 (POI 6) pour les différents couples (C,x) avec (a)
la simulation de référence REF et (b-f) les différentes valeurs présentées à la
section précédente. Les régions où le cumul dépasse 50 mm dans la simulation
REF sont indiquées par le contour rouge.
mm mm
5.0 5.0
4.0 4 .0
3.0 3 .0
2.0 2.0
1.0 1.0
0.5 0 .5
0.1 0.1
(a) (106 , -0.5) (b) (7.10 7 , -1)
FIGURE 5.3 - Cumuls 12h de neige au sol (mm) sur le sud de la France à 12
UTC le 24 septembre 2012 (POI 6) pour deux couples (C,x).
81
CHAPITRE 5. TESTS DE SENSIBILITÉ AUX PARAMÈTRES DU SCHÉMA LIMA
ôBZ
18
14
12
12
-6
-12
- 18
- 24
- 30
-36
Timt (UTO)
(a) observation
LIMA ôBZ
18
14 14 14
12
12 12 12
10
-6
-12
6 ' -,
'' '
- 18
4 '
f I'. ' l~.!,,::
~ li i
-24
r
,1
,,\ Î• ,,. .,\ -30
0 ,·," ,-1 ' ' \, ' '',\1 i,/i'{;: -36
,,J,1t6·•~10~1 :s-;1 :?>"01.•;'oo°o'o>;'o:?>"0~•"'

Timt (UTG) T,imt (UTG)
17
(b) REF (c) (2.10 , -3.8) (d) (104, 0)
ôBZ
18
14 14 14
12
12
-6
-12
-18
- 24
-30
- 36
O'-"-~ " - - -- ---"-'-~- ~
o6"'~6·•~10~1:s-;1:?-~1 •;'oo°o'o:s-;'o"'~~•"' o6"'~6•;1o°o1:s-;1:?-~1.•;~0°o'o>;'o:?-°o-o••"'
Timt (UTC) Timt (UTO) rimt (UTC)
(e) (10 6 , -0.5) (f) (400,0.5) (g) (7.107, -1)
FIGURE 5.4 - Profils de réflectivités du radar RASTA (couleurs) le long de

la trajectoire de l'avion (pointillés noirs) lors du vol 14 de la SOPl d 'HyMeX
entre 06 et 09 UTC (a) observé et (b-d) simulé pour chaque couple (C,x) défini
précédemment.
82
5.1. ESTIMATION DE LA CONCENTRATION DES AGRÉGATS
Les scores de la Figure 5.5 présentent les résultats obtenus pour les cinq expériences
sur la POI 6 et ceux de REF sont reproduits en rouge. Les différences par rapport à
la simulation REF sont assez faibles pour les couples (104 , 0) et (400, 0.5). Pour les
couples (106 , −0.5) et (7.107 , −1), le taux de détection (POD) est meilleur, néanmoins
leur taux de fausses alertes (FAR) est largement plus élevé quels que soient les seuils
de précipitations. Il en est de même pour le biais fréquentiel qui augmente très forte-
ment avec les précipitations et montre une surestimation de la fréquence des cumuls
de précipitations supérieurs à 10 mm. En revanche, lorsque le couple prend des va-
leurs proches de celles estimées à partir des différents vols de la SOP1 (2.1017 , −3.8),
le comportement de la simulation diffère de la simulation REF pour des cumuls de
précipitations au sol supérieurs à 20 mm où les scores se dégradent. Au delà de 30 mm,
le nombre de point simulé est jugé trop faible pour y estimer un score représentatif.
Ces tests montrent que les valeurs de (C, x) pour la neige ont un impact important
sur la représentation des HPE, mais sont insuffisants pour dégager un couple (C, x)
idéal. Il faudrait pour cela réaliser une étude statistique plus complète sur une période
plus longue.
0.6 0.8
0.7
0.5
0.6
0.4
0.5
POD
FAR
0.3 0.4
C=2E17 x=-3.8 0.3

0.2
C=1E4 x=0
C=1E6 x=-0.5 0.2
0.1 C=4E2 x=0.5

REF 0.1
C=7E7 x=-1
0.0 0.0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Seuil(mm) Seuil(mm)
0.6 1.6
0.5 1.4
0.4 1.2
Fbias
HSS
0.3 1.0
0.2 0.8
0.1 0.6
0.0 0.4
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Seuil(mm) Seuil(mm)
Figure 5.5 – Scores catégoriels à partir des cumuls de précipitations observés

par le réseau de pluviomètres de 0000 UTC à 1200 UTC le 24/09/2012.
83
5.2 Paramètres contrôlant le diamètre moyen des

gouttes de pluie
L’étude de la microphysique de LIMA (chapitre 4) a montré que les diamètres des
gouttes étaient surestimés en comparaison aux mesures des radars polarimétriques.
Ce constat est en accord avec les mesures des disdromètres qui montrent une sous-
estimation de la concentration de gouttes de pluie.
En étudiant l’ensemble des distributions de la SOP 1, nous avons pu observer une
variabilité du paramètre de forme µ, fixé à 1 dans LIMA. Dans le schéma, ce paramètre
intervient lors de la paramétrisation des différents processus microphysiques qui font
évoluer le rapport de mélange et la concentration de la pluie, et influence donc le
diamètre moyen des gouttes.
Dans cette section nous allons étudier les processus contribuant à la formation de
gouttes avec un large diamètre à l’aide de bilans. Par la suite, des tests de sensibilité
permettront de mesurer l’impact de µ sur les HPE simulés.
5.2.1 Analyse de la simulation de référence

Les simulations des deux POI ont révélé que le schéma microphysique LIMA a
une tendance à sous-estimer la concentration et donc à sur-estimer le diamètre moyen
dans les basses couches. Les mesures des disdromètres ont montré que le paramètre µ
de la PSD varie et ne prend que très rarement une valeur proche de 1 (valeur choisie
par défaut dans le modèle). Une relation entre ce paramètre et le diamètre volumique
moyen (MVD pour mean volume diameter) a été mise en évidence et validée à partir
d’un important nombre de mesures de PSD (Figure 4.3, équation 6 de l’article Taufour
et al., 2018), le MVD étant donné par :
41
ρrr
3
b
MV D = . (5.9)
aNr
Nous avons vu que la sous-estimation de la concentration était plus forte sur la
simulation de la POI 16a. La Figure 5.6 montre une zone du domaine de la POI 16a où
le diamètre augmente fortement entre 1100 UTC et 1115 UTC. Entre ces deux instants,
nous observons le développement d’une large région avec des MVD supérieurs à 3 mm.
Afin de comprendre les différents mécanismes à l’origine de ces diamètres de gouttes
supérieurs à 3 mm au premier niveau du modèle, des profils verticaux moyens des
champs microphysiques sont présentés sur la Figure 5.7. Les profils sont construits
à partir des points de grille où MVD > 3 mm sur la Figure 5.6b (jusqu’à la fin du
chapitre, les différents profils présentés seront construits à partir des points de grille
où le MVD est supérieur à 3 mm dans la simulation de référence).
Durant les 15 minutes séparant les deux profils, le rapport de mélange rr et la
concentration Nr (variables pronostiques) ont augmenté sur toute la colonne, associés à
une augmentation du MVD. La surestimation du diamètre moyen au niveau des basses
couches peut être engendrée par la très faible concentration de particules (inférieure
à 100 particules m−3 ). Nous cherchons donc à mettre en évidence quels processus
microphysiques contribuent à augmenter rr tout en diminuant Nr .
Un bilan des processus microphysiques pour la pluie est présenté sur la Figure 5.8
afin de mettre en évidence les processus qui pilotent la production de rr et la diminution
de Nr , menant à de fortes valeurs de MVD. Les processus ne faisant intervenir que l’eau
84
5.2. PARAMÈTRES CONTRÔLANT LE DIAMÈTRE MOYEN DES GOUTTES DE PLUIE
REF at 11:00UTC MVD(mm) REF at 11:15UTC

3.4
43.3°N 3.2 43.3°N
3.0
43.2°N 2.8 43.2°N
2.6
43.1°N 43.1°N
2.4
2.2
43°N 43°N
2.0
42.9°N
1.8 42.9°N
1.6
42.8°N 1.4 42.8°N
1.2
5.4°E 5.6°E 5.8°E 6°E
1.0 5.4°E 5.6°E 5.8°E 6°E
(a) (b)
Figure 5.6 – Carte des diamètres moyens de gouttes simulés au premier ni-
veau modèle par LIMA sur une zone du domaine de la POI 16a. L’ensemble
des points de grille où les diamètres moyens dépassent 3 mm à 1115 UTC
sont utilisés pour la construction des différents profils verticaux moyens de la
section 5.2
6 6 6
11 UTC
5 11:15 UTC 5 5
Altitude, km
Altitude, km
Altitude, km
4 4 4
3 3 3
2 2 2
1 1 1
0 0 0
0.0 0.2 0.4 0.6 0.8 1.0 0 500 1000 1500 2000 2500 3000 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
rr , g kg -1
Nr , m -3
MVD, mm
(a) (b) (c)
Figure 5.7 – Profils moyens à 1100 UTC (en bleu) et 1115 UTC (en rouge) (a)
du rapport de mélange, (b) de la concentration et (c) du diamètre volumique
moyen pour les points de grilles où le MVD est supérieur à 3 mm au premier
niveau du modèle à 1115 UTC sur la Figure 5.6b.
sous forme liquide sont présentés à gauche sur la Figure 5.8 et ceux qui font intervenir
la phase froide (cristaux de glace, neige et graupel) à droite.
Les processus majoritaires sont présentés :
• l’accrétion des gouttelettes d’eau nuageuse sur la pluie (ACCC ) qui contribue à
augmenter rr sans faire évoluer Nr
85
• l’auto-collection et l’éclatement (SCBU), qui diminuent Nr entre 1.5 et 3 km sans

faire évoluer rr
• l’évaporation (EVAP) qui peut faire varier à la fois rr et Nr , mais ici la diminution
est plus significative sur Nr entre 1.5 et 3 km que sur rr
• la sédimentation (SED) qui diminue à la fois rr et Nr entre 2.5 et 4 km au profit

des niveaux inférieurs
• le processus mixte de fonte du graupel (MLTG ) qui est corrélé avec le pic de
diminution de rr et Nr engendré par le processus de sédimentation. Ce processus
augmente rr et Nr dans la couche comprise entre 2 et 3 km dans le même temps.
Cette étude montre que parmi les processus présentés, peu d’entre eux augmentent
significativement la concentration dans les très basses couches. Ainsi pour l’ensemble
des colonnes étudiées, la concentration reste très faible alors que le rapport de mélange
augmente, provoquant une augmentation du diamètre moyen dans ces premiers ni-
veaux.
Le seul processus qui tend à augmenter la concentration dans les niveaux inférieurs
est la sédimentation, mais la contribution n’est pas suffisante pour réduire les MVD. Ce
résultat est en accord avec différentes études ayant montré une tendance des schémas
bulk à ne pas estimer correctement le taux de sédimentation. Wacker and Lüpkes (2008)
expliquent ce comportement comme un ≪ dépassement ≫ du moment diagnostique qui
résulte directement du fait que pour j < k le moment pronostique Mk sédimente
plus rapidement que Mj . Ce phénomène est lié au fait que le taux de sédimentation du
moment Mk est estimé proportionnellement au moment Mk+b où b est relatif à la vitesse
de chute de l’hydrométéore (Tableau 2.1). Ainsi pour LIMA, la concentration (moment
d’ordre 0) sédimente moins vite que le rapport de mélange (moment d’ordre 3). Afin
de limiter ce phénomène, Mansell (2010) propose de considérer une concentration
volumique (N/ρ) et/ou d’utiliser une vitesse de chute pondérée par le nombre ou la
masse, alors que Morrison (2012) propose un schéma hybride qui détermine le taux de
sédimentation en subdivisant la distribution et en appliquant la méthode des schémas
bin. Milbrandt and Yau (2005a,b) montrent qu’en utilisant un paramètre de forme
de la PSD µ variant de manière diagnostique ou pronostique il est possible de limiter
le phénomène de ≪ dépassement ≫ de la sédimentation. Milbrandt and McTaggart-
Cowan (2010) proposent une méthode alternative en réduisant le différentiel entre les
deux vitesses de sédimentation en appliquant une correction liée à la paramétrisation
diagnostique de µ. Ces dernières approches visant à reconsidérer le paramètre µ sont
en accord avec les résultats présentés dans la section 5.1 de Taufour et al. (2018) qui
serviront à définir les tests de sensibilité dans la suite de cette section.
86
6
warm processes 6
mixed processes
ADV AUTO EVAP HON G CFR DRY
SED ACC C ACC S WET MLT G
5 5
Altitude, km
Altitude, km
4 4
3 3
2 2
1 1
0 0
-4 -3 -2 -1 0 1 2 -1 0 1 2 3 4
drr , (mg kg -1
)s -1
drr , (mg kg -1
)s -1
(a)
6
warm processes 6
mixed processes
ADV AUTO EVAP HON G CFR DRY
SED SCBU ACC S WET MLT G
5 5
Altitude, km
Altitude, km
4 4
3 3
2 2
1 1
0 0
-4 -2 0 2 4 -5 0 5 10 15
dNr , (m -3
)s -1
dNr , (m -3
)s -1
(b)
Figure 5.8 – Taux de variation (a) du rapport de mélange et (b) de la concen-

tration de gouttes de pluie dus aux différents processus mettant en jeu la pluie
entre 1100 et 1115 UTC et ayant conduit aux différents profils de la Figure 5.7.
Les processus ne faisant intervenir que la phase chaude sont à gauche et ceux
en phase mixte à droite. Les abbréviations des processus sont données dans
le Tableau 2.3, ADV est le processus d’advection par le champ de vent et
pour les processus communs à différentes espèces (ACC, MLT, HON), l’espèce
concernée est indiquée en indice.
87
5.2.2 Les tests réalisés

Dans un premier temps, nous allons tester la sensibilité du schéma au paramètre
µ de la PSD. La valeur par défaut du schéma (µ = 1) sera confrontée à deux pa-
ramétrisations :
• une valeur plus forte sera testée en accord avec la valeur médiane observée pour
l’année 2012, soit µ = 4.21. Les résultats de ce test seront référencés par µMED.
• une valeur diagnostique relative à la relation trouvée à partir des mesures des
disdromètres, soit µ = 38.76 × exp(−1.39 × M V D) (équation (7) de l’article
Taufour et al., 2018). Par contrainte numérique, la valeur de µ a été contrainte
à une valeur minimale de 0 et une valeur maximale de 15 (0 ≤ µ ≤ 15). Les
résultats de ce test seront référencés par µDIAG.
Notons que la paramétrisation diagnostique de µ de Milbrandt and McTaggart-

Cowan (2010) diffère de celle qui est proposée ici puisqu’ils imposent une augmentation
de µ avec le MVD, ce qui n’est pas en accord avec les résultats de l’analyse des mesures
des disdromètres.
À partir des couples médians de rapport de mélange et de concentration (rr , Nr )
estimés à partir des disdromètres pour différents taux de précipitations (Figure 4.2),
la Figure 5.9 présente les distributions estimées avec µ = 4.21 (5.9a) et µ diagnostique
(5.9b). La PSD de la simulation de référence LIMA avec µ = 1 est rappelée sur chaque
figure en pointillés. Pour chaque taux de précipitations, les deux paramètres µ proposés
diminuent le diamètre maximal de la PSD.
Pour finaliser l’analyse, le processus de fonte du graupel qui est à l’origine d’une
augmentation de la concentration de gouttes entre 2.5 et 4 km sera aussi étudié. Le
taux de fonte du graupel est déterminé à partir de l’équation du bilan thermique
d’une particule de graupel partiellement fondue de Mason (1956). La masse d’eau
ainsi produite est ajoutée à la masse de pluie, mais il faut également estimer un
nombre de gouttes formées. Pour cette estimation, un diamètre fixe de gouttes formées
(DM ELT = 0.72 mm) est utilisé afin de convertir la masse en nombre de gouttes. Une
diminution de ce diamètre entraı̂ne un plus grand nombre de gouttes formées sans
modifier la masse convertie, entraı̂nant une diminution du diamètre moyen des gouttes
de pluie. Afin de mesurer la capacité de ce processus à influencer le diamètre moyen
des gouttes dans les basses couches, le dernier test de sensibilité sera effectué à partir
d’une simulation avec une valeur DM ELT fixée à 0.36 mm. Cela revient à multiplier
par 8 le nombre de gouttes formées pour une masse donnée. Les résultats de ce test
sur le processus MLTG seront référencés par PGMLT .
Afin d’étudier l’impact sur les MVD des différentes paramétrisations proposées ci-
dessus, les simulations µMED, µDIAG et PGMLT seront analysées. Dans un premier
temps, nous allons nous intéresser à l’impact de chacune des modifications sur la crois-
sance des MVD à 1115 UTC sur la zone présentée sur la Figure 5.6b. Pour rendre les
simulations comparables, la sortie à 11 UTC de la simulation REF sera utilisée comme
condition initiale des différentes configurations. De plus, les résultats de ces premiers
tests seront moyennés sur le premier quart d’heure. Ainsi, il sera plus facile de mettre
en évidence l’impact de la microphysique sur l’évolution du système précipitant en
limitant l’impact des éventuelles rétroactions sur la dynamique. Ensuite, les deux POI
seront entièrement simulées dans les mêmes conditions que la simulation de référence
88
10 4
(rr , Nr ) en (g m -3 , m -3 )
(0.01, 35) (0.24, 550)
3 (0.01, 45) (0.32, 592)
10
n(D) (mm -1 m -3 )
(0.02, 53) (0.43, 690)
(0.03, 80) (0.56, 809)
(0.04, 113) (0.73, 882)
10 2
(0.07, 173) (0.98, 1135)
(0.1, 224) (1.58, 1915)
(0.15, 368)
10 1
10 0
10 -1
0 1 2 3 4 5 6 7
Diameter (mm)
(a)
10 4
10 3
n(D) (mm -1 m -3 )
10 2
10 1
10 0
10 -1
0 1 2 3 4 5 6 7
Diameter (mm)
(b)
Figure 5.9 – PSD estimées avec (a) µ = 4.21 et (b) µ diagnostique pour
différents couples médians (rr , Nr ) estimés à partir des distributions de la
Figure 4.2. Les PSD estimées avec µ = 1 sont représentées en pointillés sur
chaque figure.
89
afin d’observer l’impact sur le développement et le cycle de vie des différents systèmes
convectifs.
5.2.3 Paramètre de forme de la PSD de la pluie

5.2.3.1 Augmentation du paramètre µ pour les gouttes de pluie
Le premier test sur la période évalue l’impact d’un paramètre µ valant 4.21 contre 1
dans la simulation de référence. La Figure 5.10 présente les profils moyens à 11 et 1115
UTC où les MVD au premier niveau du modèle de la simulation de référence dépassent
3 mm. À partir de 2 km et au delà, le rapport de mélange augmente de manière plus
importante par rapport à la simulation de référence alors que la concentration y est
impactée de manière plus modérée, entraı̂nant des MVD plus fort (Figure 5.10c). En
dessous de 2 km d’altitude, la croissance de la concentration devient plus significative
et les MVD qui en résultent sont plus faibles que ceux de la simulation de référence.
11->11:15 11->11:15 11->11:15

6 6 6
11 UTC
5 11:15 UTC 5 5
Altitude, km
Altitude, km
Altitude, km
4 4 4
3 3 3
2 2 2
1 1 1
0 0 0
0.0 0.2 0.4 0.6 0.8 1.0 0 500 1000 1500 2000 2500 3000 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
rr , g kg -1
Nr , m -3
MVD, mm
(a) (b) (c)
Figure 5.10 – Profils moyens de la simulation µMED à 1100 UTC (en bleu)
et 1115 UTC (en rouge) (a) du rapport de mélange, (b) de la concentration
et (c) du diamètre volumique moyen pour les points de grilles où le MVD est
supérieur à 3 mm au premier niveau du modèle à 1115 UTC sur la Figure 5.6b.
Les profils de la simulation de référence sont rappelés en pointillés.
La Figure 5.11 présente les taux de variation moyens du rapport de mélange et de la

concentration dus aux processus qui ont majoritairement contribué à la croissance du
MVD présentés en 5.2.1. L’ensemble des processus qui affectent rr et Nr sont plus forts
en valeur absolue par rapport à la simulation de référence. Pour le rapport de mélange,
l’augmentation des puits ne compense pas celle des sources, entraı̂nant en moyenne
une augmentation de rr à tous les niveaux. Le profil moyen de la concentration (Fi-
gure 5.10b) montre une augmentation par rapport à la simulation de référence jusqu’à
2 km, ce qui correspond à une augmentation en moyenne du taux de sédimentation.
L’expérience µMED montre qu’entre la surface et 2 km, le MVD a tendance à
diminuer par rapport à la simulation de référence (≈ 0.5 mm de moins au niveau de la
surface). Cette diminution est directement liée à une augmentation de la concentration
par le processus de sédimentation. En effet, d’après les équations de sédimentation
(voir documentation : http://mesonh.aero.obs-mip.fr), en passant de µ = 1 à µ = 4.21
90
6 6
SED EVAP MLT G SED EVAP MLT G
ACC C CFR SCBU CFR
5 5
Altitude, km
Altitude, km
4 4
3 3
2 2
1 1
0 0
-4 -3 -2 -1 0 1 2 3 4 5 -10 -5 0 5 10 15 20
drr , (mg kg -1
)s -1
dNr , (m -3
)s -1
(a) (b)
Figure 5.11 – Taux de variation (a) du rapport de mélange et (b) de la

concentration de gouttes de pluie dus aux différents processus mettant en jeu
la pluie entre 1100 et 1115 UTC et ayant conduit aux différents profils de
la Figure 5.7 à partir de l’expérience µMED. Les profils de la simulation de
référence sont rappelés en pointillés.
on sédimente plus rapidement la masse (rr ) d’un facteur 1.5 et la concentration (Nr )
sédimente encore plus rapidement d’un facteur 2.2. Ainsi le MVD est réduit dans les
basses couches.
5.2.3.2 Paramètre µ diagnostique pour les gouttes de pluies
Dans cette section, une simulation bénéficiant d’un paramètre µ diagnostique est
comparée à la simulation de référence. Les figures 5.12 et 5.13 présentent des pro-
fils relativement proches du test µMED présenté dans la section précédente. Deux
légères différences peuvent être mentionnées : dans les premiers niveaux du modèle
(500 premiers mètres) l’augmentation du profil de rapport de mélange par rapport à
la référence est moins forte que pour µMED et le profil de concentration est plus faible
entre 3 et 4 km d’altitude par rapport à la référence.
Sur la Figure 5.13, les taux de variation moyens de rr et Nr dus aux processus sont
présentés. Comme pour la simulation µMED, les processus affectant rr et Nr sont plus
forts en valeur absolue par rapport à la simulation de référence. Les différences par rap-
port à la simulation µMED mentionnées dans le paragraphe précédent correspondent
à des zones où la sédimentation est le processus majoritaire.
D’après la figure 12 de Taufour et al. (2018), la valeur de µ augmente de manière
exponentielle lorsque le diamètre diminue, ainsi pour des diamètres inférieurs à 1.6
mm (où la valeur diagnostique de µ vaut la valeur médiane) le comportement des deux
expériences diffère. En effet sur la Figure 5.12b, le profil moyen de Nr est visiblement
91
11->11:15 11->11:15 11->11:15

6 6 6
11 UTC
5 11:15 UTC 5 5
Altitude, km
Altitude, km
Altitude, km
4 4 4
3 3 3
2 2 2
1 1 1
0 0 0
0.0 0.2 0.4 0.6 0.8 1.0 0 500 1000 1500 2000 2500 3000 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
rr , g kg -1
Nr , m -3
MVD, mm
(a) (b) (c)
Figure 5.12 – Profils moyens de la simulation µDIAG à 1100 UTC (en bleu)
réduit par rapport à REF entre 3 et 4 km d’altitude, alors que pour la simulation
µMED, le profil reste proche de celui de REF.
6 6
ACC C CFR SCBU CFR
5 5
Altitude, km
Altitude, km
4 4
3 3
2 2
1 1
0 0
-4 -3 -2 -1 0 1 2 3 4 5 -10 -5 0 5 10 15 20
drr , (mg kg -1
)s -1
dNr , (m -3
)s -1
(a) (b)

la Figure 5.7 à partir de l’expérience µDIAG. Les profils de la simulation de
92
Les résultats présentés ici montrent l’impact du paramètre µ sur l’évolution des
profils moyens de rr , Nr et donc de MVD. L’impact de la simulation µDIAG sur le
diamètre moyen des gouttes de pluie est légèrement plus fort que celui de µMED. De
plus il est possible que la valeur de µ plus réaliste pour les petites gouttes améliore la
représentation des processus impliquant des petites gouttes à proximité du nuage.
5.2.4 Processus de fonte du graupel

La simulation PGMLT détaillée ici correspond à une augmentation d’un rapport 8 de
la concentration produite au niveau de la zone de fonte du graupel. Une modification
du paramètre DM ELT n’a d’impact direct que sur la concentration de gouttes de pluie,
la masse de graupel fondu restant la même que pour la simulation de référence.
Sur la Figure 5.14, nous pouvons remarquer que l’impact est assez faible sur les
profils de rapport de mélange par rapport à la simulation de référence, avec tout de
même une augmentation du rr moyen au niveau de la zone de fonte. En revanche
l’impact sur Nr est non négligeable et entraı̂ne une augmentation de la concentration
moyenne sur toute la colonne. Mais aux niveaux les plus bas, Nr reste très faible, ce qui
ne répond pas à l’objectif recherché. Sur le profil vertical de MVD moyen (Figure 5.14c),
il apparaı̂t clairement que l’augmentation de la concentration en nombre de gouttes
par le processus de fonte du graupel contribue à diminuer les diamètres moyens au
dessus de 1 km d’altitude, mais au niveau de la surface le profil reste inchangé.
11->11:15 11->11:15 11->11:15

6 6 6
11 UTC
5 11:15 UTC 5 5
Altitude, km
Altitude, km
Altitude, km
4 4 4
3 3 3
2 2 2
1 1 1
0 0 0
0.0 0.2 0.4 0.6 0.8 1.0 500 5000 10000 14000 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
rr , g kg -1
Nr , m -3 MVD, mm
(a) (b) (c)
Figure 5.14 – Profils moyens de la simulation PGMLT à 1100 UTC (en bleu)
La contribution des différents processus sur Nr et rr est présentée sur la Figure 5.15.
Le taux de transfert moyen pour le processus de fonte du graupel (MLTG ) est multi-
plié par un facteur 8 entre la simulation de référence et PGMLT (Figure 5.15b). Nous
pouvons observer que les processus d’évaporation (EVAP), d’auto-collection (SCBU)
et de sédimentation (SED) semblent eux aussi fortement impactés par la modification
au niveau de l’iso-0˚C. En réalité, l’augmentation (en valeur absolue) de ces différents
taux est une conséquence logique de l’augmentation de la concentration par la fonte
93
du graupel. Il y a une concentration en nombre de gouttes beaucoup plus importante

par rapport à la simulation de référence et les transferts dus aux autres processus sur
la concentration sont alors plus importants.
6 6
ACC C CFR SCBU CFR
5 5
Altitude, km
Altitude, km
4 4
3 3
2 2
1 1
0 0
-4 -3 -2 -1 0 1 2 3 4 5 -50 0 50 100 150
drr , (mg kg -1
)s -1
dNr , (m -3
)s -1
(a) (b)

la Figure 5.7 à partir de l’expérience PGMLT . Les profils de la simulation de
La conclusion de ce test de sensibilité est que la diminution du diamètre de fonte

du graupel impacte les processus autour de l’iso-0˚C sans modifier la microphysique
dans les deux premiers kilomètres, ni réduire les diamètres moyens des gouttes de pluie
près du sol.
5.2.5 Évaluation globale

Dans la section précédente, nous avons mis en évidence le comportement du schéma
sur les MVD dans les premiers niveaux du modèle au bout de 15 minutes à partir
d’un instant où la simulation de référence tend à produire des gouttes de pluie trop
grosses et peu réalistes. Les deux modifications du paramètre µ proposées donnent
des résultats similaires. Néanmoins, la croissance du MVD dans les basses couches
est moins forte lorsque ce paramètre est déterminé de manière diagnostique à chaque
itération du modèle (simulation µDIAG) que lorsqu’il prend une valeur constante de
4.21 (simulation µMED). Le test sur le paramètre DM ELT du processus de fonte du
graupel ne montre pas de diminution de MVD en basses couches.
Afin d’observer l’impact des tests réalisés sur le développement et le cycle de vie du
système convectif, les différentes modifications ont été testées sur les deux POI dans
la même configuration que la simulation de référence REF. Les distributions pour
94
2.0 3000
POI 16a REF
POI 6 µDIAG
2500
µMED
1.5 P GMLT
LWC (g m -3 )
2000 SOP 1 disdrometers
1.0 1500
1000
0.5
500
0.0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Rain Rate (mm h -1 ) Rain Rate (mm h -1 )
(a) (b)
3.0
2.5
MVD (mm)
2.0
1.5
1.0
0.5
0 5 10 15 20 25 30 35 40
Rain Rate (mm h -1 )
(c)
Figure 5.16 – Distributions médianes (a) du rapport de mélange (g m−3 ),

(b) de la concentration (particules m−3 ) et (c) du diamètre volumique médian
(MVD, mm) en fonction du taux de précipitations (mm h−1 ) observées durant
la SOP 1 d’HyMeX par les disdromètres (noir) et simulées (couleurs). Pour les
simulations, les résultats sont présentés par des lignes tiretées pour la POI 6
et des lignes continues pour le POI 16a.
chaque simulation et chaque POI du contenu en pluie, de la concentration et du MVD

en fonction du taux de précipitations sont présentées sur la Figure 5.16. Quelle que
soit la simulation, les distributions diffèrent d’une POI à l’autre et la POI 6 semble
plus sensible à la paramétrisation microphysique avec une plus grande variabilité des
distributions de la concentration des gouttes de pluie.
Contrairement aux conclusions faites à partir des bilans, l’expérience PGMLT semble
fournir des résultats plus proches de l’ensemble des observations de la SOP1, en par-
ticulier pour les taux de précipitations inférieurs à 10 mm h−1 . L’impact de la pa-
ramétrisation du processus de fonte du graupel est plus lent et 15 minutes de simulation
ne suffisent pas pour observer un impact contrairement au processus de sédimentation.
La Figure 5.17 présente les cumuls de précipitations simulés à partir des différentes
configurations. Les trois expériences ont eu un impact sur la localisation des
précipitations pour la POI 6, les cumuls supérieurs à 50 mm sont situés plus au sud
que ceux simulés par REF. Les simulations µDIAG et µMED produisent des cumuls
95
semblables avec des maxima du même ordre de grandeur, alors que PGMLT ne présente
pas de cumuls supérieurs à 75 mm.
Pour la POI 16a, la zone touchée par le MCS1b s’étend davantage vers l’est pour
µDIAG et PGMLT par rapport à REF. Les précipitations sur mer sont réduites pour la
simulation PGMLT au profit d’une extension plus prononcée vers les terres par rapport
aux autres expériences.
mm mm mm
250 250 250
150 150 150
46°N 120
46°N 120
46°N 120
100 100 100
80 80 80
45°N 45°N 45°N
65 65 65
50 50 50
44°N 44°N 44°N
35 35 35
20 20 20
43°N 43°N 43°N
10 10 10
5 5 5
42°N 42°N 42°N
2°E 3°E 4°E 5°E 6°E 7°E 8°E 2°E
1 3°E 4°E 5°E 6°E 7°E 8°E 2°E
1 3°E 4°E 5°E 6°E 7°E 8°E 1
(a) µMED (b) µDIAG (c) PGMLT

mm mm mm
250 250 250
150 150 150

44°N 44°N 44°N
120 120 120
100 100 100
43°N 80
43°N 80
43°N 80
65 65 65
50 50 50
42°N 42°N 42°N
35 35 35
20 20 20
41°N 41°N 41°N
10 10 10
5 5 5
3°E 4°E 5°E 6°E 7°E 8°E 13°E 4°E 5°E 6°E 7°E 8°E 13°E 4°E 5°E 6°E 7°E 8°E 1
Figure 5.17 – Cumul 12h de précipitations (mm) sur le sud de la France à

12 UTC le 24 septembre 2012 (POI 6, en haut) et cumul 24h à 00 UTC le 27
octobre 2012 (POI 16a, en bas) pour (a) µMED, (b) µDIAG et (c) PGM LT =
0.36 mm. Les régions où le cumul dépasse 50 mm (POI 6) et 75 mm (POI 16a)
dans la simulation REF sont indiquées par le contour rouge.
Afin de mieux caractériser l’impact des différents tests en fonction du seuil de

précipitations, des scores catégoriels ont été calculés à partir des résultats de la POI
6 (Figure 5.18). L’ensemble des scores calculés sont très proches pour les quatre si-
mulations. Les expériences µDIAG et µMED améliorent la POD pour chaque seuil de
précipitations, alors que l’expérience PGMLT se distingue de la simulation REF pour
des précipitations supérieures à 30 mm. Le HSS reste le même pour des précipitations
inférieures à 15 mm. Au delà, les trois expériences réduisent les fausses alarmes avec
une amélioration plus nette pour µDIAG. Le HSS montre aussi une amélioration des
résultats pour chaque seuil de précipitations avec µDIAG et µMED. Il est aussi meilleur
pour la simulation PGMLT à partir de 25 mm de cumuls de précipitations. La fréquence
des cumuls simulés est sous-estimée à mesure que les seuils de précipitations aug-
mentent, ce résultat est dégradé par les trois expériences qui sous-estiment plus for-
tement la fréquence des cumuls supérieurs à 20 mm. Les scores ne permettent pas
d’identifier une valeur de µ meilleure que les autres.
96
5.3. CONCLUSION
0.6 0.8
REF
µDIAG 0.7
0.5 µMED
P GMLT 0.6
0.4
0.5
POD
FAR
0.3 0.4
0.3
0.2
0.2
0.1
0.1
0.0 0.0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Seuil(mm) Seuil(mm)
0.6 1.6
0.5 1.4
0.4 1.2
Fbias
HSS
0.3 1.0
0.2 0.8
0.1 0.6
0.0 0.4
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Seuil(mm) Seuil(mm)

par le réseau de pluviomètres de 0000 UTC à 1200 UTC le 24/09/2012 (POI
6).
5.3 Conclusion
La première partie du chapitre analyse la paramétrisation de la neige et en particu-
lier la relation diagnostique de la concentration de Caniaux (1993). L’étude menée au
chapitre 4 à partir des mesures aéroportées par les sondes 2D-S et PIP a montré une
corrélation entre le contenu en neige et la concentration alors que le schéma impose
une anti-corrélation. La section 5.1 présente des tests de sensibilité aux paramètres C
et x qui déterminent le lien entre Ns (diagnostique) et rs (pronostique).
Les différents tests montrent que le schéma n’est que très peu sensible au couple
(C,x) lorsque la valeur de x est comprise entre 0 et 1 et que la valeur déterminée à
partir des observations diminue les cumuls de précipitations au sol. Les expériences
avec x = −1 ou x = −0.5 dégradent fortement les simulations allant jusqu’à modéliser
des précipitations de neige au sol. Les connaissances et les mesures disponibles lors de
la campagne HyMeX ne permettent pas aujourd’hui de proposer de nouvelles valeurs
de paramètres plus satisfaisantes que les valeurs actuelles. Il faudrait pour cela réaliser
une étude statistique plus complète sur une période échantillonnée plus longue.
Dans la deuxième partie, on se focalise sur la sur-estimation des diamètres des
gouttes simulées. En effet, la simulation de la POI 16a montre une tendance du schéma
à sous-estimer la concentration dans les premiers niveaux modèle et il en résulte une
97
sur-estimation du diamètre moyen des gouttes en comparaison aux mesures des dis-
dromètres.
Les bilans ont été étudiés sur une zone où le diamètre moyen des gouttes grossit
jusqu’à dépasser 3 mm. La production de pluie à des altitudes de 2-4 km est essen-
tiellement liée à la fonte du graupel, ensuite la croissance de la pluie se fait en majeur
partie par accrétion d’eau nuageuse. Dans les basses couches, ce sont principalement
l’accrétion et la sédimentation qui vont impacter les concentrations et rapport de
mélange des gouttes de pluie, et dans une moindre mesure l’évaporation.
Le choix d’un paramètre de forme µ de la PSD constant est de plus en plus remis
en question ces dernières années dans différentes études qui proposent des alterna-
tives notamment pour la modélisation du processus de sédimentation (Milbrandt and
Yau, 2005a; Mansell, 2010; Morrison, 2012). À partir des mesures des disdromètres
présentées au chapitre 4, une relation entre le paramètre µ et le diamètre moyen des
gouttes a été mise en évidence. Dans un premier temps la sensibilité de LIMA à un
µ plus fort (équivalent à la valeur médiane observée) ou diagnostique a montré une
augmentation sensible de la concentration dans les premiers niveaux. Le contenu en
eau est lui aussi plus important par rapport à la paramétrisation actuelle, mais son
augmentation ne compense pas celle de la concentration, permettant ainsi de diminuer
le diamètre moyen des gouttes simulé. La paramétrisation proposée par Milbrandt and
McTaggart-Cowan (2010) qui consiste à augmenter le paramètre µ avec le diamètre
moyen des gouttes, n’a pas été testée ici mais pourrait constituer une autre alterna-
tive. De plus ils proposent une solution afin de contraindre uniquement le processus
de sédimentation, qui pourrait limiter l’augmentation du coût numérique.
Le dernier test est effectué sur la paramétrisation du processus de fonte du graupel
et la conversion de la masse fondue en nombre de gouttes formées. Le nombre de gouttes
formées a été augmenté dans le but d’évaluer l’impact sur les couches inférieures.
L’analyse sur une période relativement courte de l’impact de ce processus montre
qu’il ne permet pas de limiter l’augmentation du diamètre des gouttes dans les basses
couches. Par contre, pour une simulation complète des HPE étudiés, l’impact sur les
concentrations est plus net, permettant ainsi une estimation des diamètres moyens
des gouttes plus proche de ceux estimés à partir des mesures des disdromètres sur
l’ensemble de la SOP 1 d’HyMeX.
Les différents tests menés ici ont montré des pistes d’améliorations qui nécessitent
d’être évaluées sur un plus grand nombre de cas disposant de mesures. L’interaction
avec les aérosols constitue une autre piste d’investigation qui sera évaluée au chapitre
suivant.
98
Chapitre 6
Impact de la population d’aérosols
Sommaire
6.1 Présentation de l’étude . . . . . . . . . . . . . . . . . . . . . 88
6.2 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
6.2.1 Impact de la concentration en CCN . . . . . . . . . . . . . 91
6.2.2 Impact de la concentration en IFN . . . . . . . . . . . . . . 96
6.2.3 Simulations utilisant une population d’aérosols réaliste . . . 97
6.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
6.3.1 Sensibilité des POI 6 et 16 . . . . . . . . . . . . . . . . . . . 100
6.3.2 Impact sur le diamètre des gouttes de pluie . . . . . . . . . 101
6.3.3 Scores de précipitations . . . . . . . . . . . . . . . . . . . . 101
6.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Une caractéristique intéressante de LIMA est la prise en compte de l’évolution

d’une population d’aérosols multimodale, et le traitement pronostique de son inter-
action avec les nuages et les précipitations. Dans les chapitres précédents, consacrés
à l’évaluation de la représentation des caractéristiques des nuages par LIMA, une
représentation simple des aérosols était utilisée, avec un mode unique de CCN et
d’IFN, et une répartition horizontale homogène. Dans ce chapitre, j’étudierai l’impact
de la population d’aérosols sur le cycle de vie des systèmes fortement précipitants,
en faisant varier dans un premier temps les concentrations en aérosols de populations
idéalisée précédente, puis en initialisant les aérosols à l’aide des analyses CAMS qui
fournissent une population réaliste d’aérosols au jour le jour.
99
CHAPITRE 6. IMPACT DE LA POPULATION D’AÉROSOLS
6.1 Présentation de l’étude

Les aérosols, à travers leur capacité à servir de noyau de condensation ou de
congélation pour former gouttelettes et cristaux de glace, jouent un rôle important
sur la composition des nuages et leur cycle de vie. Comme nous l’avons présenté au
chapitre 1, leur impact est reconnu mais complexe et dépend de différents facteurs,
tels que les conditions environnementales (Khain et al., 2008) et l’origine maritime
ou continentale de la convection (Cui et al., 2011). Peu d’études se sont intéressées à
la sensibilité aux aérosols des HPEs méditerranéens. Kagkara et al. (2017) ont étudié
deux simulations avec des concentrations en aérosols différentes de la POI 7 d’HyMeX
(le 26 septembre 2012), avec le schéma microphysique bin DESCAM. Ils en ont conclu
que la concentration en aérosols avait peu d’impact sur ce cas, mais notaient tout de
même une légère augmentation des précipitations pour la simulation la moins polluée.
La simulation de référence dans ce chapitre (REF) est la simulation LIMA étudiée
dans le chapitre 4. Elle ne considère qu’un mode de CCN et un mode d’IFN. Les IFN
sont répartis de manière homogène sur tout le domaine avec une concentration initiale
de 10 cm−3 . La concentration en CCN est également homogène horizontalement et
fixée à 300 cm−3 entre 0 et 1 km, puis décroı̂t exponentiellement avec l’altitude jusqu’à
atteindre 0.01 cm−3 à 10 km d’altitude.
Dans ce chapitre, nous allons étudier l’impact de la population d’aérosols sur la
simulation des systèmes convectifs des POI 6 et 16a. Le schéma LIMA permet à la
fois de tester l’impact de la concentration et des caractéristiques des aérosols. Les
différentes simulations sont choisies de la manière suivante :
• LowCCN : la concentration en CCN en basses couches est diminuée à 50 cm−3 .
• HighCCN : la concentration en CCN en basses couches est augmentée à 500

cm−3 .
• LowIFN : la concentration en IFN est diminuée à 1 cm−3 .
• CAMSAIT : la population d’aérosols est multimodale, avec trois modes de CCN

et deux modes d’IFN. Les concentrations des différents modes sont déterminées à
partir des analyses CAMS et des dimensions caractéristiques des aérosols données
dans la colonne du milieu du Tableau 2.2.
• CAMSACC : comme pour la simulation CAMSAIT mais avec les caractéristiques

dimensionnelles des aérosols données dans la colonne de droite du Tableau 2.2.
Le choix de plus grands diamètres modaux pour les aérosols produit des concen-
trations plus faibles que pour CAMSAIT , sans influencer leur répartition spatiale.
Pour les expériences REF, LowCCN, HighCCN et LowIFN, les conditions de cou-
plage des aérosols sont identiques aux conditions initiales pendant toute la simula-
tion. Pour les simulations utilisant les analyses CAMS, les conditions aux limites sont
réactualisées toutes les 3 heures.
La Figure 6.1 présente les profils verticaux moyens de concentration initiale de CCN
et d’IFN des différentes simulations. Pour les simulations REF, LowCCN, HighCCN
et LowIFN, les profils sont les mêmes pour chaque colonne modélisée et chaque POI.
Les profils présentés des simulations CAMSAIT et CAMSACC sont les concentrations
totales initiales moyennes sur l’ensemble du domaine (somme des différents modes
considérés).
100
6.1. PRÉSENTATION DE L’ÉTUDE
12
POI 6
POI 16a
10 15
Altitude, (km)
Altitude, (km)
10
6 LowCCN
HighCCN
4 LowIFN
5
LIMA
2 CAMS AIT
CAMS ACC
0 0
10 3 10 4 10 5 10 6 10 7 10 8 10 9 10 4 10 5 10 6 10 7 10 8 10 9
Concentration, m -3
Concentration, m -3
(a) (b)
Figure 6.1 – Profils verticaux moyen de la population initiale (a) de CCN

et (b) d’IFN. Les profils CAMSAIT et CAMSACC représentent la population
totale moyenne sur l’ensemble du domaine. Pour les simulations CAMSAIT et
CAMSACC deux profils sont disponibles : la POI 6 (tirets) et la POI 16a (lignes
continues).
L’initialisation des aérosols à partir des analyses CAMS permet de prendre en

compte la variabilité spatiale et temporelle de la population d’aérosols. Ainsi, les
concentrations moyennes en CCN et IFN sont différentes pour les POI 6 et 16a (Fi-
gure 6.1). La Figure 6.2 présente la concentration initiale en sels marins (premier mode
de CCN) et en aérosols organiques et carbone suie (deuxième mode d’IFN) pour la
simulation CAMSAIT de la POI 6. La variabilité spatiale des aérosols est illustrée par
la coupe horizontale au premier niveau du modèle, où par exemple les concentrations
en sels marins sont plus importantes sur l’Atlantique et la Méditerranée que sur terre.
Les analyses CAMS représentent également finement la structure verticale de la po-
pulation d’aérosols. Sur les coupes verticales, les concentrations maximales sont bien
situées dans les basses couches, comme pour le profil idéalisé de la simulation REF,
mais des panaches d’aérosols sont également présents jusqu’à plus de 10km.
101
15
Altitude, km
10
0
-2 0 2 4 6 8 10
m -39
10
46°N 46
10 8
45°N 45
10 7
44
44°N
43
43°N
10 6
42°N 42
10 5
41°N 41
40°N 40
10 4
3°W 2°W 1°W 0° 1°E 2°E 3°E 4°E 5°E 6°E 7°E 8°E 9°E 10°E 0 5 10 15
Altitude, km
(a)
15
Altitude, km
10
0
-2 0 2 4 6 8 10
m10
-3
7
46°N 46
10 6
45°N 45
44
44°N
10 5
43
43°N
42°N 42
10 4
41°N 41
40°N 40
10 3
3°W 2°W 1°W 0° 1°E 2°E 3°E 4°E 5°E 6°E 7°E 8°E 9°E 10°E 0 5 10 15
Altitude, km
(b)
Figure 6.2 – Concentration initiale (le 23/09/2012 à 21 UTC) en aérosols

(m−3 ) (a) des sels marins (premier mode de CCN) et (b) des aérosols orga-
niques et carbone suie (second mode d’IFN) de la simulation de la POI 6 en
configuration CAMSAIT , en coupe horizontale au premier niveau du modèle et
sur deux coupes verticales le long des segments blancs.
102
6.2. RÉSULTATS
6.2 Résultats
6.2.1 Impact de la concentration en CCN
La Figure 6.3 présente les cumuls de précipitations des simulations LowCCN et
HighCCN pour les deux POI. La structure générale du champ de précipitations est
similaire pour les trois simulations, mais le changement de concentration en CCN a
provoqué des différences d’intensité et de localisation.
Pour la POI 6, la ligne convective est déplacée vers le sud-ouest dans la simu-
lation LowCCN (rectangle noir), tout comme les cumuls supérieurs à 75 mm. Les
précipitations dans LowCCN sont légèrement diminuées par rapport à REF, tant au
niveau des plus forts cumuls que pour les précipitations situées au sud-est de la ligne
convective (rectangle blanc).
Pour la POI 16a, un impact important sur les précipitations autour de Marseille
(rectangle blanc) est observé, où la simulation LowCCN produit des précipitations
atteignant 150 mm alors que REF et HighCCN restent plus modérées. Sur terre entre
Marseille et Nice (rectangle orange), les précipitations de LowCCN sont au contraire
plus faibles que celles de REF et HighCCN, et semblent moins organisées.
Afin de quantifier l’impact de la concentration en CCN sur l’intensité des systèmes
fortement précipitants étudiés, la Figure 6.4 présente l’évolution temporelle du nombre
de points de grille où le cumul de précipitations est supérieur à 10 mm en 15 min. Pour
la POI 6, les précipitations supérieures à 10 mm en 15 min sont plus étendues pour
LowCCN, et la dissipation du système est retardée de 15min dans HighCCN, mais
les différences restent minimes. Pour la POI 16a, les trois simulations se comportent
de la même manière pendant la phase de croissance du MCS1b (de 08 UTC à 11
UTC). Le système convectif se dissipe ensuite plus rapidement dans REF, alors qu’il
s’intensifie encore jusqu’à 12 UTC dans HighCCN. C’est durant cette période que les
cumuls supérieurs à 75 mm et 100 mm (plus étendus dans HighCCN que dans REF
et LowCCN) au nord de Toulon (43.5N,5.8E) sont produits (Figure 6.3).
La Figure 6.5, inspirée des travaux de Thompson and Eidhammer (2014), a été
construite afin de représenter l’impact de la concentration de CCN sur les gouttelettes
d’eau nuageuse. Les figures présentent le rapport de mélange (g m−3 ) en fonction du
diamètre volumique moyen (µm) pour différentes gammes de température (nuages de
points colorés). Les points du diagramme sont issus de l’ensemble des points de grille
de quatre instants (tous les quarts d’heure) : entre 02 et 03 UTC pour la POI 6 et
entre 11 et 12 UTC pour la POI 16a. Les courbes représentent l’évolution du MVD en
fonction du contenu pour des concentrations constantes de 550 cm−3 et 300 cm−3 . La
proportion de points qui composent chaque gamme de température est indiquée sur la
figure (en %). Les histogrammes représentent la distribution des points par classes de
diamètre (d’une largeur de 0.5 µm) pour les différentes gammes de température, et le
diamètre modal de chaque distribution est également indiqué.
Dans la simulation REF, les CCN ont une concentration maximale dans les
basses couches fixée à 300 cm−3 . Les points de températures négatives (en rouge
et bleu) sont plafonnés par la courbe d’évolution de concentration N300 . En re-
vanche, pour des températures positives (en vert et gris), de nombreux points sont
situés au dessus de cette courbe, indiquant que leur concentration est supérieure
à 300 cm−3 . Différents mécanismes peuvent expliquer une concentration en goutte-
lettes supérieure à la concentration initiale en CCN : la circulation atmosphérique ou
l’évaporation de gouttes et gouttelettes peut avoir augmenté localement les concen-
103
(a) REF - POI 6 (b) REF - POI 16a
(c) LowCCN - POI 6 (d) LowCCN - POI 16a
(e) HighCCN - POI 6 (f) HighCCN - POI 16a
Figure 6.3 – (a, c, e) Cumul 12h de précipitations (mm) à 12 UTC le 24

septembre 2012 et (b, d, f) cumul 24h à 00 UTC le 27 octobre 2012 pour les
simulations (a, b) REF, (c, d) LowCCN et (e, f) HighCCN. Les régions où le
cumul dépasse 50 mm (POI 6) et 75 mm (POI 16a) dans la simulation REF
sont indiquées par le contour rouge.
104
6.2. RÉSULTATS
250 250
REF
LowCCN
200 200
HighCCN
Occurrence
Occurrence
150 150
100 100
50 50
0 0
3 :00 0:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 5 :006:007:008:009:000:001:002:003:004:005:006:00
2 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1
Time (UTC) Time (UTC)
(a) POI 6 (b) POI 16a
Figure 6.4 – Nombre de points de grille où le cumul simulé dépasse 10 mm

en 15 minutes (a) entre 00 et 06 UTC pour la POI 6 et (b) 05 et 16 UTC pour
la POI 16a.
trations en aérosols, et des processus microphysiques de production de gouttelettes ne

nécessitent pas de CCN (indirectement par évaporation de la pluie, fonte des cristaux
de glace). On remarque également que le nombre de points nuageux décroı̂t rapide-
ment lorsque la température devient négative, de même que le MVD à des températures
inférieures à -10˚C, d’une part parce que l’advection des petites gouttelettes jusqu’à
des températures négatives est plus facile, et d’autre part parce que les grosses gout-
telettes sont plus rapidement congelées.
L’impact de la concentration en CCN sur les gouttelettes est mis en évidence
par les diagrammes réalisés pour les simulations LowCCN et HighCCN. Le décalage
du nuage de points montre que les concentrations en gouttelettes sont plus (resp.
moins) élevées pour HighCCN (resp. LowCCN). Les diamètres des gouttelettes sont
également plus petits (resp. gros) pour HighCCN (resp. LowCCN) à des températures
positives. Les diamètres des gouttelettes à température négative sont moins corrélés à la
concentration en CCN, indiquant que d’autres processus non liés à la concentration en
CCN modifient de façon importante la population de gouttelettes (fonte des cristaux,
collection par la neige et le graupel...).
La Figure 6.6 présente les profils verticaux moyens des différentes variables
pronostiques décrivant les hydrométéores, calculés à partir des colonnes nuageuses
sélectionnées dans un sous-domaine contenant le système convectif étudié pendant sa
phase la plus intense, entre 00 UTC et 04 UTC pour la POI 6, et entre 08 UTC et 15
UTC pour la POI 16a (Figure 6.4).
L’impact de la concentration en CCN sur la concentration en gouttelettes est
important pour les deux POI. Comme attendu, la concentration en gouttelettes est
généralement plus faible (resp. forte) pour LowCCN (resp. HighCCN) que pour REF.
Les différences en rapport de mélange sont plus faibles, mais LowCCN produit des
contenus en eau nuageuse plus faibles que REF et HighCCN, liés à une formation plus
rapide de pluie ainsi les profils (contenu et concentration) de pluies sont plus forts.
L’impact de modifications de la concentration en CCN n’est cependant pas limité
aux hydrométéores liquides, mais affecte également la phase glacée du système convec-
105
tif. Ainsi, pour la POI 16a, le contenu en glace aux altitudes comprises entre 9 et 13
km augmente avec la concentration en CCN. Plusieurs processus peuvent expliquer ce
résultat. D’une part, les CCN advectés à des températures très froides peuvent être
congelés en cristaux. D’autre part, les gouttelettes plus nombreuses et plus petites
produites par HighCCN (Figure 6.5) sont plus facilement transportées en altitude. On
retrouve une légère tendance à produire plus de neige et de graupel également pour
HighCCN pour la POI 16a.
Figure 6.5 – Chaque figure est compopsée de deux panneaux : en bas un nuage
du contenu en eau nuageuse en fonction du MVD des gouttelettes obtenu à
partir des points de grille à chaque quart d’heure : entre 02 et 03 UTC pour
la POI 6 et entre 11 et 12 UTC pour la POI 16a. Chaque couleur correspond
à une gamme de température indiquée sur le panel du haut. L’expérience et
la proportion de points de chaque gamme de température sont indiqués sur la
figure. La partie haute de la figure représente la distribution des MVD simulés
normalisée par le nombre de points de chaque gamme de température, et le
mode est indiqué en couleurs.
106
6.2. RÉSULTATS
5 5
POI 16a
POI 6
4 REF 4
LowCCN
Altitude, km
Altitude, km
HighCCN
3
LowIFN 3
CAMS AIT
2 2
1 1
0 0
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 0.00 0.02 0.04 0.06 0.08 0.10 0.12
1e8
Nc , m -3 rc (g kg -1 )
10 10
8 8
Altitude, km
Altitude, km
6 6
4 4
2 2
0 0
0 100 200 300 400 500 600 700 800 0.00 0.02 0.04 0.06 0.08 0.10 0.12
Nr , m -3 rr (g kg -1 )
14 14
12 12
Altitude, km
Altitude, km
10 10
8 8
6 6
4 4
2 2
0 0
10 0 10 1 10 2 10 3 10 4 10 5 0.000 0.005 0.010 0.015 0.020 0.025 0.030
Ni , m -3 ri (g kg -1 )
14 14
12 12
Altitude, km
Altitude, km
10 10
8 8
6 6
4 4
2 2
0 0
0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.00 0.02 0.04 0.06 0.08 0.10 0.12 0.14 0.16 0.18
rs (g kg -1 ) rg (g kg -1 )
Figure 6.6 – Profils moyens de contenu et concentration en hydrométéores

obtenus à partir des colonnes nuageuses pendant la phase la plus intense de
chaque système convectif. Les résultats de la POI 6 sont en tiretets et ceux de
la POI 16a en trait continu. 107
6.2.2 Impact de la concentration en IFN

La Figure 6.7 présente les cumuls simulés par l’expérience LowCCN où la concen-
tration en IFN est réduite par rapport à REF. Les différences sont faibles, mais les
plus forts cumuls sont réduits pour les deux POI par rapport à REF.
Figure 6.7 – (a) Cumul 12h de précipitations (mm) sur le sud de la France à
12 UTC le 24 septembre 2012 (POI 6) et (b) cumul 24h à 00 UTC le 27 octobre
2012 (POI 16a) pour la simulation LowIFN. Les régions où le cumul dépasse
50 mm (POI 6) et 75 mm (POI 16a) dans la simulation REF sont indiquées
par le contour rouge.
L’analyse de la population de gouttelettes présentée Figure 6.8 montre que la po-

pulation d’IFN n’a pas d’impact sur les concentrations et MVD de gouttelettes. En re-
vanche, la proportion de gouttelettes présentes à des températures inférieures à -10˚C
est multipliée par trois. La plus faible disponibilité des noyaux glaçogènes favorise
donc l’occurrence d’eau liquide surfondue dans le système convectif. Le Tableau 6.1
confirme ce résultat pour la pluie. Le nombre de points de grille où la température est
inférieure à -5˚C et le rapport de mélange de la pluie est supérieur à 0.1 g kg−1 est
deux fois plus important dans la simulation LowIFN que dans les autres simulations
précédentes. La température minimale à laquelle un contenu en pluie supérieur à 0.1
g kg−1 est observé est également beaucoup plus basse.
rr > 0.1 g kg−1

REF LowCCN HighCCN LowIFN CAMSAIT
T < -5˚C
POI 6 1198 1542 1037 2651 1944
Occurrence POI 16a 941 882 826 1441 3167
total 2139 2424 1863 4092 5111
POI 6 -22.3 -25.6 -23.9 -33 -30.1
Tmin
POI 16a -22.4 -22.7 -22 -31.3 -29.8
Tableau 6.1 – Nombre de points de grille où rr dépasse 0.1 g kg−1 et la

température est inférieure à -5˚C.
Les profils verticaux moyens de concentration et contenu en gouttelettes d’eau nua-

geuse (Figure 6.6) ne montrent pas de différence significative par rapport à REF. Les
108
6.2. RÉSULTATS
Figure 6.8 – Chaque figure est composée de deux panneaux : en bas un nuage
du contenu en eau nuageuse en fonction du MVD des gouttelettes obtenu à
partir des points de grille à chaque quart d’heure : entre 02 et 03 UTC pour
la POI 6 et entre 11 et 12 UTC pour la POI 16a. Chaque couleur correspond
à une gamme de température indiquée sur le panel de gauche. L’expérience et
la proportion de points de chaque gamme de température sont indiqués sur la
figure. La partie haute de la figure représente la distribution des MVD simulés
normalisée par le nombre de points de chaque gamme de température, et le
mode est indiqué en couleurs.
différences sur la pluie sont faibles également, mais on retrouve une légère augmenta-
tion du contenu et de la concentration en pluie à des altitudes supérieures à 2 km par
rapport à REF, qui confirment la présence plus importante d’eau liquide surfondue.
La réduction de la concentration en IFN impacte directement la concentration et le
contenu en cristaux de glace, plus faible que dans REF pour les deux POI et à toutes
les altitudes, et le contenu en neige est également moins fort que dans les simulations
précédentes.
6.2.3 Simulations utilisant une population d’aérosols réaliste

Pour initialiser les aérosols de la simulation CAMSACC , des diamètres d’aérosols
secs assez gros ont été choisis. La conversion des masses d’aérosols de CAMS en concen-
trations pour LIMA a donc produit des concentrations assez faibles, visibles sur la
Figure 6.1. Pour initialiser la simulation CAMSAIT , au contraire, des diamètres assez
petits ont été choisis. Les concentrations en aérosols sont donc plus importantes mais
ceux-ci sont aussi plus difficilement activables en gouttelettes nuageuses et en cristaux
de glace.
La Figure 6.9 présente les cumuls de précipitations simulés par ces deux configura-
tions pour chaque POI. Les cumuls produits par la configuration CAMSACC montrent
que le système ne s’est pas développé : les gros aérosols, bien que plus facilement ac-
tivables, ne sont pas présents en nombre suffisant pour former des nuages. Ce résultat
109
montre l’importance d’initialiser correctement les aérosols pour la microphysique. Par

la suite, les résultats de cette simulation ne seront plus examinés.
La configuration CAMSAIT représente mieux les cumuls associés aux MCS de
chaque POI. Pour la POI 6, les cumuls supérieurs à 75 mm concernent une zone
plus étendue que dans la simulation REF, mais la pointe sud-ouest de la ligne de
précipitations est moins intense (rectangle noir). Pour la POI 16a, les précipitations
sur mer (rectangle noir) et près de Nice (bord est du rectangle orange) sont nettement
moins importantes que pour REF, mais elles sont au contraire fortement renforcées
près de la côte et dans les terres proches de Marseille (rectangle blanc) et au nord de
Toulon (bord ouest du rectangle orange).
(a) CAMSACC (b) CAMSAIT
Figure 6.9 – Cumul 12h de précipitations (mm) sur le sud de la France à

12 UTC le 24 septembre 2012 (POI 6, en haut) et cumul 24h à 00 UTC le
27 octobre 2012 (POI 16a, en bas) pour la simulation (a) CAMSACC et (b)
CAMSAIT . Les régions où le cumul dépasse 50 mm (POI 6) et 75 mm (POI
16a) dans la simulation REF sont indiquées par le contour rouge.
Comme pour les simulations faisant varier la concentration en CCN, la Figure 6.10
présente le nombre de points de grille où le cumul par quart d’heure dépasse 10 mm.
Pour la POI 6, la simulation CAMSAIT présente un profil similaire à REF. Pour la POI
16a, le comportement de CAMSAIT est similaire à celui de la simulation HighCCN :
110
6.2. RÉSULTATS
l’intensification du système se poursuit entre 11 UTC et 12 UTC, au moment où le

système se rapproche des côtes et y produit de forts cumuls.
250 250
REF
CAMS AIT
200 200
Occurrence
Occurrence
150 150
100 100
50 50
0 0
: 00 0:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 : 00 :00 :00 :00 :00 :00 :00 :00 :00 :00 :00 :00
23 0 0 0 0 0 0 0 0 05 06 07 08 09 10 11 12 13 14 15 16
Time (UTC) Time (UTC)
(a) POI 6 (b) POI 16a
Figure 6.10 – Nombre de points de grille où le cumul simulé dépasse 10 mm

en 15 minutes (a) entre 00 et 06 UTC pour la POI 6 et (b) 05 et 16 UTC pour
la POI 16a.
La Figure 6.11 montre un impact sur la population de gouttelettes pour des

températures élevées, similaire à celui de HighCCN, c’est à dire une production plus im-
portante de gouttelettes, plus petites (points verts situés au dessus de la courbe N550 ).
En revanche, elle présente plus de variabilité dans chaque gamme de température que
les simulations REF et HighCCN, que l’on retrouve sur ce diagramme, par l’étalement
du nuage de points vers des diamètres plus importants. Même si la concentration
moyenne en CCN est plus importante pour CAMSAIT que pour REF et HighCCN
(Figure 6.1), deux facteurs expliquent que de nombreux points nuageux présentent des
concentrations plus faibles et des diamètres supérieurs. D’une part, les CCN les plus
nombreux dans CAMSAIT sont les sulfates, qui sont des petits aérosols et nécessitent
donc des sursaturations importantes pour être activés. D’autre part, les aérosols issus
des analyses CAMS présentent une importante hétérogénéité spatiale (tant horizontale
que verticale), dont découle la variabilité des concentrations en gouttelettes.
La répartition des points nuageux par température dans CAMSAIT est similaire
à celle de REF. En revanche, l’occurence de pluie surfondue est nettement renforcée,
comme elle l’est dans la simulation LowIFN (Tableau 6.1). Comme pour l’expérience
LowIFN, cette augmentation est associée à une diminution de la température minimale
à laquelle on rencontre des gouttes de pluie.
Les profils moyens de concentration en gouttelettes de CAMSAIT (Figure 6.6)
montrent des valeurs inférieures à celles de REF et HighCCN, voire même de LowCCN
pour la POI 16a. On retrouve ici l’impact de la variabilité spatiale des aérosols et de
leur diamètre évoqué précédemment. Les différences de contenu sont faibles pour la
POI 6, mais CAMSAIT est encore la simulation produisant les plus faibles contenus
en gouttelettes pour la POI 16a. Ces différences pour la POI 16a se retrouvent direc-
tement dans les profils de concentration et de contenu en pluie, plus élevés pour la
simulation CAMSAIT : les gouttelettes en plus faible concentration sont plus rapide-
ment converties en pluie.
111
Figure 6.11 – Idem que pour la Figure 6.8.
Concernant la production de glace, le constat varie également d’une POI à l’autre.

La concentration et le rapport de mélange pour la POI 6 sous 6 km d’altitude sont
les plus forts dans CAMSAIT . Au dessus de 6 km, ils sont plus faibles, y compris que
ceux de LowIFN (la concentration en IFN dans LowIFN ne décroı̂t pas avec l’altitude).
Pour la POI 16a, le contenu et la concentration en glace sont faibles, et inférieurs à
LowIFN en altitude également. Les mêmes impacts que pour les gouttelettes agissent
pour les IFN (variabilité spatiale, et nucléation plus difficile des petits IFN). L’impact
sur la neige est différent de LowIFN, puisque CAMSAIT présente le contenu en neige
le plus élevé de ces simulations pour la POI 16a.
6.3 Discussion
6.3.1 Sensibilité des POI 6 et 16
Les résultats présentés dans cette partie montrent également que les ca-
ractéristiques des systèmes convectifs des POI 6 et 16a sont très différentes. Aux
différences de localisation, d’intensité des précipitations et durée de vie des systèmes
précipitants sont associées des différences importantes de composition nuageuse. Le
MCS de la POI 16a est plus intense que celui de la POI 6, et présente des contenus
en hydrométéores précipitants (pluie, neige, graupel) plus importants, et avec une ex-
tension verticale supérieure. Le contenu en eau nuageuse moyen est similaire entre les
deux POI, mais est présent à des altitudes supérieures également pour la POI 16a.
Enfin, les différences de contenu en glace primaire sont faibles jusqu’à une altitude
de 8 km environ, mais très marquées au dessus : le MCS de la POI 16a présente des
contenus très importants jusqu’à 12 km.
Les deux MCS étudiés répondent aussi différemment aux modifications de la po-
pulation d’aérosols. Dans l’ensemble, la POI 16a se montre beaucoup plus sensible que
la POI 6. Ce résultat rejoint les études déjà menées sur cette situation, qui ont pu
montrer sa forte sensibilité à différents paramètres tels que la turbulence (Martinet
et al., 2017).
112
6.3. DISCUSSION
6.3.2 Impact sur le diamètre des gouttes de pluie

Dans les chapitres précédents, nous avons identifié un défaut de LIMA, qui tend
à produire des gouttes de pluie trop grosses. Différents tests de sensibilité à des pa-
ramètres du schéma microphysique ont montré un impact sur le diamètre des gouttes
de pluie, permettant de réduire ce biais. La Figure 6.12 reprend la représentation
du contenu, de la concentration et du MVD de la pluie en fonction du taux de
précipitations pour les simulations de chaque POI effectuées dans ce chapitre. Les
concentrations en pluie sont plus fortes pour les simulations LowCCN et CAMSAIT
pour les deux POI (Figure 6.6), impact que l’on retrouve avec cette représentation et
qui se confirme sur les diamètres des gouttes de pluie, qui sont réduits dans ces deux
simulations, et plus fortement pour CAMSAIT sur la POI 16a.
2.0 3000
POI 16a LIMA
POI 6 LowCCN
2500
HighCCN
1.5 LowIFN
LWC (g m -3 )
2000 CAMS AIT

disdrometers
1.0 1500
1000
0.5
500
0.0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Rain Rate (mm h -1
) Rain Rate (mm h -1 )
3.0
2.5
MVD (mm)
2.0
1.5
1.0
0.5
0 5 10 15 20 25 30 35 40
Rain Rate (mm h -1 )
Figure 6.12 – Distributions médianes (a) du rapport de mélange (g m−3 ),

(b) de la concentration (particules m−3 ) et (c) du diamètre volumique médian
(MVD, mm) en fonction du taux de précipitations (mm h−1 ) observées durant
la SOP 1 d’HyMeX par les disdromètres (noir) et simulées (couleurs). Pour les
simulations, les résultats sont présentés par des lignes tiretées pour la POI 6
et des lignes continues pour le POI 16a.
6.3.3 Scores de précipitations

L’étude des scores calculés pour la POI 6 (Figure 6.13) montre un impact relative-
ment faible sur l’estimation des cumuls de la POI 6. La simulation LowCCN améliore
113
les POD, FAR et HSS pour les seuils de précipitations supérieurs à 30 mm, alors que
la simulation CAMSAIT les dégrade légèrement pour des seuils supérieurs à 20 mm.
0.6 0.8
REF
LowCCN 0.7
0.5 HighCCN
LowIFN 0.6
CAMS AIT
0.4
0.5
POD
FAR
0.3 0.4
0.3
0.2
0.2
0.1
0.1
0.0 0.0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Seuil(mm) Seuil(mm)
0.6 1.6
0.5 1.4
0.4 1.2
Fbias
HSS
0.3 1.0
0.2 0.8
0.1 0.6
0.0 0.4
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
Seuil(mm) Seuil(mm)

par le réseau de pluviomètres de 0000 UTC à 1200 UTC le 24/09/2012.
6.4 Conclusion
Dans ce chapitre, l’impact de la modification de la population d’aérosols sur les
caractéristiques et le cycle de vie des systèmes convectifs des POI 6 et 16a a été mis en
évidence. À l’exception de la simulation CAMSACC , pour laquelle la concentration en
aérosols trop faible a empêché le développement normal des systèmes nuageux, toutes
les simulations représentent correctement le déroulement des deux HPE.
Les modifications apportées à la population d’aérosols ont produit un impact
modéré sur les champs de précipitations de chaque POI. La POI 16a est plus sen-
sible que la POI 6, mais dans les deux cas des différences ont été remarquées au niveau
des précipitations les plus intenses (tant sur la valeur maximale que sur sa localisation),
mais aussi des précipitations modérées dans l’environnement des tours convectives.
Comme pour les tests microphysiques présentés dans les parties précédentes, les
différences sont toutefois plus marquées lorsque l’on s’intéresse au déroulement de
ces HPE et à leur composition nuageuse. Ainsi, pour la POI 16a, les simulations
HighCCN et CAMSAIT ont modifié le cycle de vie du système convectif, qui a continué
114
6.4. CONCLUSION
de s’intensifier pendant près d’une heure alors qu’il commençait à se dissiper dans les
autres simulations, avec pour conséquence la production de cumuls de précipitations
importants autour de Marseille.
En terme de composition nuageuse, les différents tests réalisés ont montré l’im-
pact direct des concentrations en CCN et IFN sur les populations de gouttelettes
et de cristaux de glace, qui sont directement liées par l’activation des aérosols. Mais
des différences notables ont aussi été mises en évidence sur les autres hydrométéores.
Ainsi, par exemple, la diminution de la concentration en gouttelettes dans LowCCN
se répercute sur la pluie avec des contenus et des concentrations plus fortes.
L’étude menée dans ce chapitre a également montré que l’impact de modifications
de la population de CCN (resp. IFN) ne se limite pas aux hydrométéores liquides
(resp. glacés). Ainsi, les expériences LowCCN et HighCCN ont modifié sensiblement
les concentrations et contenus en glace de la POI 16a à des altitude élevées (8 à 12
km). L’expérience LowIFN a quant à elle montré que la concentration en IFN a un
impact sur la quantité d’eau surfondue et les températures minimales auxquelles elle
est simulée, tant sous forme de gouttelettes que de pluie.
Enfin, la simulation CAMSAIT a permis d’illustrer l’apport d’une population
réaliste d’aérosols. L’hétérogénéité spatiale des concentrations en aérosols, ainsi que
les différences de taille des aérosols produisent une variabilité de composition nuageuse
plus importante. Ainsi, même si le profil moyen de concentration en CCN et IFN est
supérieur aux différentes simulations idéalisées, les caractéristiques de la simulation
CAMSAIT se rapprochent parfois de HighCCN (présence locale de fortes concentrations
en petites gouttelettes, intensification prolongée du MCS de la POI 16a), de LowCCN
(concentration et contenu en pluie plus élevés), ou de LowIFN (faibles concentrations
et contenus en glace en altitude). La simulation CAMSAIT est également celle qui a
le plus d’impact sur le diamètre des gouttes de pluie, qui est réduit par rapport à
la simulation de référence, montrant ainsi que l’impact des aérosols sur ce point est
intéressant, au même titre que celui des paramètres internes du schéma microphysique
étudiés aux chapitres précédents.
115
116
Conclusion et perspectives
La microphysique nuageuse regroupe l’ensemble des processus contrôlant la for-

mation des hydrométéores, leur croissance et leur chute en précipitations. Dans les
modèles de prévision numérique du temps, les schémas microphysiques représentent
les effets des différents processus par des paramétrisations sous-maille. Les campagnes
de mesures qui déploient une large gamme d’instruments participent au développement
et à la validation de schémas microphysiques de plus en plus sophistiqués. Les schémas
bulk évoluent vers un nombre croissant de moments pronostiques pour décrire les hy-
drométéores, et commencent à intégrer la représentation des aérosols, supports de la
formation des hydrométéores.
Cette thèse évalue un schéma microphysique de type bulk à deux moments (LIMA,
pour Liquid, Ice, Multiple Aerosols) dont la particularité est de représenter les cris-
taux de glace, les gouttelettes d’eau nuageuse et la pluie par deux moments (rap-
port de mélange et concentration) et de suivre une population pronostique multimo-
dale 3D d’aérosols subissant l’activation, l’advection, l’évaporation et le lessivage par
les précipitations. LIMA est destiné à remplacer à terme le schéma ICE3 à un mo-
ment dans le modèle de prévision opérationnel AROME. L’objectif de la thèse était
donc de contribuer à la validation de LIMA sur des systèmes fortement précipitants
méditerranéens, dont la prévision représente un objectif majeur d’AROME.
Deux cas convectifs échantillonnés lors de la première période d’observation spéciale
de la campagne HyMeX (SOP1) ont ainsi été simulés par Méso-NH avec les schémas
LIMA et ICE3 et évalués à partir des observations. Une première étape d’évaluation
basée sur les cumuls de précipitations a présenté une légère amélioration de l’estimation
des maxima avec la microphysique à deux moments. Une description plus fine des
précipitations s’appuyant sur les mesures des radars polarimétriques et de disdromètres
a ensuite permis de démontrer une plus grande variabilité des champs microphysiques
(rapport de mélange et concentration) avec LIMA. La représentation à deux moments
des gouttelettes d’eau nuageuse, de la pluie et des cristaux de glace impacte aussi
la répartition verticale des agrégats et du graupel, améliorant les différents profils
verticaux observés au sein des cellules convectives.
Cependant, la comparaison à des mesures de distributions dimensionnelles des
gouttes de pluie montre une tendance à la surestimation de leur diamètre volumique
moyen par LIMA, plus ou moins marquée en fonction du cas simulé et engendrée par
une sous-estimation de la concentration en nombre de gouttes. L’analyse des distri-
butions de gouttes de pluie mesurées pendant l’année 2012 a montré que la valeur
du paramètre de forme de la PSD µ n’est pas constante, contrairement à ce qui est
implémenté dans le modèle. Ce paramètre impacte la concentration des gouttes de
pluie et peut être en partie la cause de sa sous-estimation notamment lors de la pa-
ramétrisation du processus de sédimentation, comme le suggèrent différentes études.
Les mesures disponibles ont montré une relation entre ce paramètre et le diamètre
117
CONCLUSION
volumique moyen des gouttes, permettant d’implémenter une valeur diagnostique de

µ dans le schéma. Les résultats obtenus sont encourageants sur nos deux cas d’étude,
mais pour des questions de coût numérique, une valeur médiane du paramètre a été
testée. Cette approche contribue à diminuer le diamètre volumique moyen des gouttes,
mais ce choix reste trop restrictif en comparaison à la variabilité observée. Les travaux
de Milbrandt and McTaggart-Cowan (2010) présentent un bon compromis entre la
prise en compte de la variabilité de µ, et limiter les coûts de calculs en se concen-
trant uniquement sur le processus de sédimentation, cela représente une bonne piste
d’amélioration du schéma pour une utilisation opérationnelle dans AROME.
Les mesures aéroportées apportent une information au plus près des zones convec-
tives dont les vitesses verticales et les forts contenus en hydrométéores réduisent forte-
ment la fiabilité des mesures à distance. Les distributions dimensionnelles des particules
glacées échantillonnées ont mis en évidence un biais entre la concentration d’agrégats
neigeux diagnostiquée dans les schémas et la concentration observée. Ce biais peut être
en partie expliqué par la représentation discontinue de l’évolution des hydrométéores
glacés divisés en trois catégories dans les schémas microphysiques bulk (agrégats, grau-
pel et cristaux de glace) quand les mesures de distributions dimensionnelles ne font
pas cette distinction. Cependant les observations disponibles et les tests réalisés sont
insuffisants pour proposer une amélioration des paramètres actuels qui, à défaut d’être
optimaux, permettent de représenter l’ensemble des situations de manière satisfaisante.
La deuxième originalité du schéma LIMA est le traitement multimodale des
aérosols, CCN et IFN, suivant l’évolution spatiale et temporelle de la concentration
en nombre, à la fois pour les particules activées et non-activées.
La plupart des études qui tentent de mettre en avant l’impact des aérosols sur les
systèmes nuageux simulés considèrent une population d’aérosols définie par un type de
CCN et / ou d’IFN. Or, il est acquis que la population d’aérosols est multimodale et
hétérogène spatio-temporellement. Une étude de sensibilité des systèmes convectifs à la
population d’aérosols a ainsi été menée sur les deux cas d’étude d’HyMeX. Les résultats
sur les cumuls de précipitations montrent des impacts sensibles sur les maxima observés
et sur la localisation des précipitations, allant jusqu’à prolonger le développement du
système d’une heure dans certains cas. Il apparaı̂t alors clairement que la population
d’aérosols peut jouer un rôle sur le cycle de vie des HPE simulés, mais l’impact spatio-
temporel n’est pas linéaire sur nos cas d’étude.
L’impact des concentrations d’IFN et de CCN d’une population d’aérosols idéalisée
a bien mis en évidence la relation avec les concentrations en cristaux de glace et
gouttelettes simulées, mais l’étude a aussi montré que les CCN et les IFN pouvaient
influencer la répartition des autres espèces. En effet, les variations de la concentration
en CCN impactent également les concentrations des gouttes de pluies en lien direct avec
les processus de croissance des gouttelettes, ainsi que la proportion de cristaux de glace
simulée. De même, la population d’IFN influence la proportion d’eau liquide surfondue
produite. Ces résultats soulignent l’importance de prendre en compte la représentation
des aérosols dans la microphysique des modèles, afin de mieux représenter par exemple
les conditions givrantes, cruciales pour l’aéronautique.
Les analyses CAMS (Copernicus Atmosphere Monitoring Service) ont ensuite été
utilisées pour forcer les simulations (conditions initiales et aux limites). Elles ont per-
mis d’introduire une population d’aérosols réaliste en considérant les variabilités spa-
tiale, temporelle et chimique des particules présentes dans la troposphère. Nous avons
pu voir que cette étape est cruciale et peut entraı̂ner une estimation de la concentration
118
en aérosols anormalement faible neutralisant le développement du système lorsque les
caractéristiques des aérosols sont mal choisies.
Avec cette population réaliste, les résultats montrent une plus grande variabilité de
la composition nuageuse que les tests sur des populations idéalisées d’aérosols, pouvant
à la fois prendre des caractéristiques attribuées à des concentrations d’aérosols faibles
et plus importantes. Ces simulations ont aussi montré une diminution des diamètres
de gouttes de pluie alors que les simulations utilisant une population idéalisée ont un
impact plus limité sur ce point.
Perspectives
Nous avons vu que le schéma microphysique LIMA, qui bénéficie d’une micro-
physique à deux moments associée à une représentation détaillée des aérosols, a une
meilleure capacité à représenter la structure nuageuse des systèmes convectifs. Ce
premier constat répond aux attentes du modèle AROME exploité en opérationnel à
Météo-France.
Toutefois, cette étude conduite sur deux HPE mérite d’être étendue à plus de cas
afin de confirmer la généralité de nos résultats. L’intégration de LIMA dans AROME
(uniquement en mode recherche actuellement) permet aussi d’envisager des simulations
sur des périodes longues pour procéder à une évaluation statistique de LIMA.
Par ailleurs, durant cette étude sur les systèmes convectifs, nous avons
été confrontés à certaines difficultés qui appellent des études complémentaires.
L’évaluation des concentrations en glace primaire produite par LIMA dans les systèmes
convectifs étudiés est difficile en comparaison aux données RASTA (hypothèses fortes
pour l’inversion des réflectivités), aux observations in-situ (non distinction des espèces,
incertitudes de mesures), ou aux données des radars polarimétriques au sol. Pour avan-
cer sur ce point, une thèse débute au CNRM et s’appuiera sur le projet HAIC (High
Altitude Ice Crystals) qui a pour objectif de renforcer la sécurité aérienne concernant
les conditions de givrage dans les environnements à forte teneur en cristaux de glace.
Pour cela des mesures de contenus en glace en plus des contenus en eau liquide ont
été effectuées dans le but de caractériser les propriétés microphysiques des régions
centrales des nuages convectifs profonds. Les travaux de Hoarau et al. (2017) sur la
paramétrisation du processus de multiplication des cristaux de glace dans LIMA pour-
ront être validés, et la performance du schéma à décrire les cristaux de glace de manière
plus réaliste qu’une microphysique à un moment sera évaluée.
D’autres projets à venir permettront une évaluation détaillée de la microphy-
sique du schéma LIMA sur des phénomènes météorologiques à fort impact, comme
la modélisation de gouttes d’eau surfondues ou la formation de brouillards qui
représentent aussi des enjeux importants pour le modèle AROME :
• le projet ICICLE (In-Cloud ICing and Large drop Experiment) auquel Météo-
France prendra part entre janvier et mars 2019, a pour but d’améliorer les diagnos-
tics opérationnels actuels de givrage par eau liquide surfondue. Nous avons pu voir
sur nos cas d’étude que le schéma microphysique à deux moments LIMA produit
plus d’eau liquide surfondue que le schéma opérationnel à un moment ICE3. Des
travaux menés au CNRM sur cette problématique (Cassas et al., 2017) ont confirmé
cette amélioration, mais la proportion d’eau liquide surfondue est toujours biaisé
en faveur d’une conversion excessive en glace et en particules givrées. En général,
119
CONCLUSION
les mesures de la partition liquide/glace sont rares et cruciales pour étudier l’im-
pact de différents processus microphysiques sur ce rapport, ou pour échantillonner
l’incertitude associée aux prévisions des conditions de givrage.
• la prochaine campagne SOFOG3D prendra place pendant l’hiver 2019/2020 dans
les Landes et bénéficiera d’un dispositif unique pour la caractérisation 3D complète
des brouillards : radar, drones, ballon captif, tours flux, etc... Dans le domaine de la
microphysique nuageuse, ces données permettront de mieux comprendre les proces-
sus à impacts sur le cycle de vie comme l’évaporation des gouttelettes, la nucléation,
l’impact radiatif des gouttes et gouttelettes d’eau nuageuse et des aérosols.
Toutes ces études permettront à la fois de valider le schéma bulk deux moments
LIMA, d’améliorer la paramétrisation des processus microphysiques et de faire progres-
ser notre compréhension des interactions aérosols - nuages et de leur représentation.
Une évolution conjointe des deux aspects du modèle est nécessaire comme le montrent
des études récentes d’inter-comparaison de la réponse de différents schémas micro-
physiques à une variation de la concentration en aérosols (Heikenfeld et al., 2018;
Jouan and Milbrandt, 2018). Les résultats de ces études montrent que les réponses des
schémas à différentes concentrations en aérosols sont dépendantes des hypothèses mi-
crophysiques : paramétrisation du processus d’auto-conversion des gouttelettes d’eau
nuageuse, du lessivage des aérosols par les gouttes, ou représentation du graupel, entre
autres.
Une perspective intéressante offerte par le schéma LIMA est le suivi pronos-
tique de la population d’aérosols, nous avons vu que l’introduction d’une population
d’aérosols réaliste par les conditions initiales et aux limites améliore la représentation
de l’évolution des systèmes méditerranéens. Néanmoins, la prise en compte des sources
d’aérosols à l’intérieur du domaine peut s’avérer utile par exemple pour le suivi de
panaches de fumée, ou encore des phénomènes fortement liés aux sources locales
d’aérosols. Hoarau et al. (2018) ont déjà évoqué cette limite pour la simulation du
cyclone Dumile, dont l’interaction avec les aérosols est conséquente. Pour ces cas, le
couplage d’un modèle capable de générer en continu et en fonction de paramètres
atmosphériques et océaniques des aérosols pouvant jouer le rôle de CCN s’est avéré
nécessaire et a montré des résultats prometteurs.
En plus d’une amélioration directe de la simulation de phénomènes particu-
liers, LIMA apporte d’autres perspectives d’amélioration pour le modèle AROME
opérationnel à Météo-France :
• la microphysique à deux moments du schéma LIMA permet une description plus
fine des processus microphysiques et apporte une nouvelle information sur la com-
position nuageuse réduisant les biais entre les simulateurs de réflectivités radar
(type RASTA ou radars polarimétriques) et les observations, ce qui peut améliorer
l’assimilation des réflectivités dans AROME.
• la représentation à deux moments du schéma a montré une réduction des profils de
graupel simulés par rapport à la microphysique du schéma ICE3, laissant espérer
par exemple une amélioration de la prévision de grêle (diagnostique ou pronostique)
du modèle AROME.
• pour réaliser notre étude, l’impact radiatif des différentes concentrations disponibles
grâce à la microphysique à deux moments de LIMA n’a pas été pris en compte.
120
Si ce paramètre n’est pas nécessairement essentiel pour des systèmes convectifs
(ce qui mériterait d’être étudié), d’autres phénomènes y sont plus sensibles. Une
thèse actuellement en cours sur la représentation du brouillard à partir de la cam-
pagne LANFEX a déjà montré un apport de l’impact radiatif de la concentration
en gouttelettes sur les simulations. Une autre thèse débute également au CNRM
sur l’amélioration de la paramétrisation des propriétés optiques des nuages, qui
s’appuiera sur l’utilisation de LIMA pour la microphysique. Enfin, à terme, il sera
certainement intéressant de représenter l’impact radiatif de la population d’aérosols
pronostique, plutôt que d’avoir recours à une climatologie.
121
CONCLUSION
122
Annexes
A Sensibilité de la POi 16a à différentes valeurs de

(Cs, Xs)
LIMA dBZ
18
14 14 14
12
12 12
-6
-12
-18
- 24
-30
-36
Tim-: (UTO) T-im,: (UTC)
(a) REF (b) (2.10 17 , -3.8) (c) (104,0)

dBZ
18
14 14 14
12
12
JO
- 6
-12
-18
- 24
-30
o="'-~""'-c......J"""-'L.:.-'.~.........,......,= J, -36
....,_'?>';>O \,.'?>),-':) 1,'?i'?O \,.?)·.1\.-.._, \,.Dri,oO \,.r::;_),.':) ..,.,_D.·~ \,Do:.Dri':) \,.'?>~() \,.'?>),-':) \,.'?>~ \,.'?>·1>,,'::i \,.Dri_r§'j \,.rx">-<.:, \,Dri~ \..D;.l\"::I
Time (UTC!J Timt (UTC) Time (UTO)
(d) (106 ,-0.5) (e) (4.102 , 0.5) (f) (7.107, -1)
FIGURE 14 - Profils de réflectivité (couleurs) le long de la trajectoire (poin-

tillés noirs) de l'avion lors du vol 27 de la SOPl HyMeX entre 12 et 15 UTC
pour chaque couple (C,x) définis précédemment. Le relief est ajouté (pointillés
noirs).
123
CONCLUSION
n mm
250
• ·• ,,·
-~ '.,·!fi'~ 15 0
. ,·~~ ~., ~~
.
t;i_
e
,;/ //.
44°N 44°N
12 0
,» · ~iMf1:,tr 10 0
I"'I' . J! t.l ,.~;tp, ,,:1 43° N 43°N 80

' . . 1 , 1 ; 'I : 65
50
4 2° N 42 °N
~·•1· • , iV A ',/.
JI!~.~ ~..... 35
l ""' :,2--,,; ~
,,_
.?.; . ~
~. . . . ..-~
,. • ..
......
~ ' 20
~- .. 4 1 <-N 4PN
10
(a) REF (b) (2.10 17 , -3.8) (c) (104, 0)

mm
250
150
120
100
80
65
50
35
20
10
5
(d) (106 , -0.5) (e) (4.102 , 0.5) (f) (7.107,-1)

FIGURE 15 - Cumul 24h de précipitation (mm) sur le sud de la France à
00 UTC le 27 octobre 2012 (POI 16a) pour différents couples (C,x) avec la
simulation de référence (a), les valeurs obtenues à partir des observations (b)
et les différentes valeurs présentées à la section précédente (c-f). Les régions
où le cumul dépasse 50 mm (POI 6) et 75 mm (POI 16a) dans la simulation
REF sont indiquées par le contour rouge.
mm mm
5.0 5 .0
4.0 44°N : 4.0
3.0 3.0
43°N
2.0 2.0
1.0 1.0
0.5 0.5
3°E 4°E 5°E G0 E 7°E B0 E 3°E 4°E 5°E G0 E 7°E B0 E

0.1 0.1
(a) (106 , -0.5) (b) (7.107,-1)
FIGURE 16 - Cumul 24h de neige au sol (mm) sur le sud de la France à 00

UTC le 27 octobre 2012 (POI 16a) pour deux couples (C,x).
124
Bibliographie
Ackerman AS, Toon OB, Stevens DE, Heymsfield AJ, Ramanathan V, Welton EJ.
2000. Reduction of Tropical Cloudiness by Soot. Science 288(5468) : 1042–1047, doi :
10.1126/science.288.5468.1042, URL http://science.sciencemag.org/content/
288/5468/1042.
Albrecht BA. 1989. Aerosols, Cloud Microphysics, and Fractional Cloudiness. Science
245(4923) : 1227–1230, doi :10.1126/science.245.4923.1227, URL http://science.
sciencemag.org/content/245/4923/1227.
Augros C, Caumont O, Ducrocq V, Gaussiat N, Tabary P. 2016. Comparisons between

S, C, and X band polarimetric radar observations and convective-scale simulations of
HyMeX first special observing period. Quarterly Journal of the Royal Meteorological
Society 142, Issue S1 : 347–362, doi :10.1002/qj.2572, URL http://dx.doi.org/
10.1002/qj.2572.
Barahona D, Nenes A. 2009. Parameterizing the competition between homoge-

neous and heterogeneous freezing in ice cloud formation &ndash ; polydisperse
ice nuclei. Atmospheric Chemistry and Physics 9(16) : 5933–5948, doi :10.5194/
acp-9-5933-2009, URL https://www.atmos-chem-phys.net/9/5933/2009/.
Barnston AG. 1992. Correspondence among the Correlation, RMSE, and Heidke Fo-
recast Verification Measures ; Refinement of the Heidke Score. Weather and Fore-
casting 7(4) : 699–709, doi :10.1175/1520-0434(1992)007é0699:CATCRAê2.0.CO;2,
URL https://doi.org/10.1175/1520-0434(1992)007<0699:CATCRA>2.0.CO;2.
Barthe C, Hoarau T, Bovalo C. 2016. Cloud electrification and lightning activity in

a tropical cyclone-like vortex. Atmospheric Research 180 : 297 – 309, doi :https:
//doi.org/10.1016/j.atmosres.2016.05.023, URL http://www.sciencedirect.com/
science/article/pii/S0169809516301430.
Bechtold P, Bazile E, Guichard F, Mascart P, Richard E. 2001. A mass-flux convection

scheme for regional and global models. Quarterly Journal of the Royal Meteorological
Society 127(573) : 869–886, doi :10.1002/qj.49712757309, URL https://rmets.
onlinelibrary.wiley.com/doi/abs/10.1002/qj.49712757309.
Benjamin SG, Weygandt SS, Alexander CR, Brown JM, Smirnova T, Hofmann P,
James EP, DiMego G. 2011. NOAA’s hourly-updated 3km HRRR and RUC/Rapid
Refresh—Recent (2010) and upcoming changes toward improving weather guidance
for air-traffic management. In : Proceedings of the Second Aviation, Range and Ae-
rospace Meteorology Special Symposium on Weather-Air Traffic Management Inte-
gration, Seattle, WA, USA. pp. 22–27.
125
BIBLIOGRAPHIE
Berry EX, Reinhardt RL. 1974. An Analysis of Cloud Drop Growth by Collection Part
II. Single Initial Distributions. Journal of the Atmospheric Sciences 31(7) : 1825–
1831, doi :10.1175/1520-0469(1974)031é1825:AAOCDGê2.0.CO;2, URL https://
doi.org/10.1175/1520-0469(1974)031<1825:AAOCDG>2.0.CO;2.
Berthet S, Leriche M, Pinty JP, Cuesta J, Pigeon G. 2010. Scavenging of aero-

sol particles by rain in a cloud resolving model. Atmospheric Research 96(2) :
325 – 336, doi :https://doi.org/10.1016/j.atmosres.2009.09.015, URL http://www.
sciencedirect.com/science/article/pii/S0169809509002725. 15th Internatio-
nal Conference on Clouds and Precipitation.
Bigg EK. 1953. The formation of atmospheric ice crystals by the freezing of droplets.
Quarterly Journal of the Royal Meteorological Society 79(342) : 510–519, doi :10.
1002/qj.49707934207, URL https://rmets.onlinelibrary.wiley.com/doi/abs/
10.1002/qj.49707934207.
Borderies M, Caumont O, Augros C, Bresson E, Delanoë J, Ducrocq V, Fourrié N,

Bastard TL, Nuret M. 2018. Simulation of W-band radar reflectivity for model vali-
dation and data assimilation. Quarterly Journal of the Royal Meteorological Society
144(711) : 391–403, doi :10.1002/qj.3210, URL https://rmets.onlinelibrary.
wiley.com/doi/abs/10.1002/qj.3210.
Bougeault P, Binder P, Buzzi A, Dirks R, Houze R, Kuettner J, Smith RB, Steinacker

R, VoIkert H. 2001. The MAP special observing period. Bulletin of the American
Meteorological Society 82(3) : 433–462.
Bousquet O, Delanoë J, Bielli S. 2016. Evaluation of 3D wind observations inferred

from the analysis of airborne and ground-based radars during HyMeX SOP-1. Quar-
terly Journal of the Royal Meteorological Society 142(S1) : 86–94, doi :10.1002/qj.
2710, URL http://onlinelibrary.wiley.com/doi/10.1002/qj.2710/full.
Bozzo A, Remy S, Benedetti A, Flemming J, Bechtold P, Rodwell MJ,

Morcrette JJ. 2017. Implementation of a CAMS-based aerosol clima-
tology in the IFS. European Centre for Medium-Range Weather Fo-
recasts, URL https://www.researchgate.net/profile/Jean_Jacques_
Morcrette/publication/317345763_Implementation_of_a_CAMS-based_
aerosol_climatology_in_the_IFS/links/593a6056aca272bcd1e66f8f/
Implementation-of-a-CAMS-based-aerosol-climatology-in-the-IFS.pdf.
Bresson E, Ducrocq V, Nuissier O, Ricard D, de Saint-Aubin C. 2012. Idealized nume-

rical simulations of quasi-stationary convective systems over the Northwestern Me-
diterranean complex terrain. Quarterly Journal of the Royal Meteorological Society
Buzzi A, Tartaglione N, Malguzzi P. 1998. Numerical Simulations of the 1994 Pied-

mont Flood : Role of Orography and Moist Processes. Monthly Weather Re-
view 126(9) : 2369–2383, doi :10.1175/1520-0493(1998)126é2369:NSOTPFê2.0.CO;
2, URL https://doi.org/10.1175/1520-0493(1998)126<2369:NSOTPF>2.0.CO;
2.
126
BIBLIOGRAPHIE
Caniaux G. 1993. Paramétrisation de la phase glace dans un modèle non hydrostatique

de nuage : application à une ligne de grains tropicale. PhD thesis, Toulouse 3.
Caniaux G, Redelsperger JL, Lafore JP. 1994. A Numerical Study of the Strati-
form Region of a Fast-Moving Squall Line. Part I : General Description and Water
and Heat Budgets. Journal of the Atmospheric Sciences 51(14) : 2046–2074, doi :
10.1175/1520-0469(1994)051é2046:ANSOTSê2.0.CO;2, URL https://doi.org/10.
1175/1520-0469(1994)051<2046:ANSOTS>2.0.CO;2.
Cao Q, Zhang G, Brandes E, Schuur T, Ryzhkov A, Ikeda K. 2008. Analysis of Video

Disdrometer and Polarimetric Radar Data to Characterize Rain Microphysics in
Oklahoma. Journal of Applied Meteorology and Climatology 47(8) : 2238–2255, doi :
10.1175/2008JAMC1732.1, URL https://doi.org/10.1175/2008JAMC1732.1.
Cassas M, Riette S, Vié B, Lac C. 2017. Improving the forecast of aircraft icing condi-
tions. In : WMO Aeronautical Meteorology Scientific Conference, 6-10 November
2017, Météo-France-Toulouse, France.
Caumont O, Ducrocq V, Delrieu G, Gosset M, Pinty JP, du Châtelet JP, Andrieu H,

Lemaı̂tre Y, Scialom G. 2006. A Radar Simulator for High-Resolution Nonhydro-
static Models. Journal of Atmospheric and Oceanic Technology 23(8) : 1049–1067,
doi :10.1175/JTECH1905.1, URL https://doi.org/10.1175/JTECH1905.1.
Chaboureau JP, Cammas JP, Mascart PJ, Pinty JP, Lafore JP. 2002. Mesoscale model
cloud scheme assessment using satellite observations. Journal of Geophysical Re-
search : Atmospheres 107(D16) : AAC 8–1–AAC 8–20, doi :10.1029/2001JD000714,
URL http://dx.doi.org/10.1029/2001JD000714.
Clark TL, Hall WD. 1991. Multi-domain simulations of the time dependent navier-
stokes equations : Benchmark error analysis of some nesting procedures. Jour-
nal of Computational Physics 92(2) : 456 – 481, doi :https://doi.org/10.1016/
0021-9991(91)90218-A, URL http://www.sciencedirect.com/science/article/
pii/002199919190218A.
Cohard JM, Pinty JP. 2000a. A comprehensive two-moment warm microphysical bulk
scheme. I : Description and tests. Quarterly Journal of the Royal Meteorological
Society 126(566) : 1815–1842, doi :10.1002/qj.49712656613, URL http://dx.doi.
org/10.1002/qj.49712656613.
Cohard JM, Pinty JP. 2000b. A comprehensive two-moment warm microphysical bulk
scheme. II : 2D experiments with a non-hydrostatic model. Quarterly Journal of the
Royal Meteorological Society 126(566) : 1843–1859, doi :10.1002/qj.49712656614,
URL http://dx.doi.org/10.1002/qj.49712656614.
Cohard JM, Pinty JP, Bedos C. 1998. Extending Twomey’s Analytical Estimate of Nu-
cleated Cloud Droplet Concentrations from CCN Spectra. Journal of the Atmosphe-
ric Sciences 55(22) : 3348–3357, doi :10.1175/1520-0469(1998)055é3348:ETSAEOê2.
0.CO;2, URL https://doi.org/10.1175/1520-0469(1998)055<3348:ETSAEO>2.
0.CO;2.
127
BIBLIOGRAPHIE
Colella P, Woodward PR. 1984. The Piecewise Parabolic Method (PPM) for
gas-dynamical simulations. Journal of Computational Physics 54(1) : 174
– 201, doi :https://doi.org/10.1016/0021-9991(84)90143-8, URL http://www.
sciencedirect.com/science/article/pii/0021999184901438.
Côté J, Gravel S, Méthot A, Patoine A, Roch M, Staniforth A. 1998. The Opera-
tional CMC–MRB Global Environmental Multiscale (GEM) Model. Part I : De-
sign Considerations and Formulation. Monthly Weather Review 126(6) : 1373–
1395, doi :10.1175/1520-0493(1998)126é1373:TOCMGEê2.0.CO;2, URL https://
doi.org/10.1175/1520-0493(1998)126<1373:TOCMGE>2.0.CO;2.
Cotton WR, Tripoli GJ, Rauber RM, Mulvihill EA. 1986. Numerical Simulation of
the Effects of Varying Ice Crystal Nucleation Rates and Aggregation Processes on
Orographic Snowfall. Journal of Climate and Applied Meteorology 25(11) : 1658–
1680, doi :10.1175/1520-0450(1986)025é1658:NSOTEOê2.0.CO;2, URL https://
doi.org/10.1175/1520-0450(1986)025<1658:NSOTEO>2.0.CO;2.
Cui Z, Davies S, Carslaw KS, Blyth AM. 2011. The response of precipitation to ae-
rosol through riming and melting in deep convective clouds. Atmospheric Chemis-
try and Physics 11(7) : 3495–3510, doi :10.5194/acp-11-3495-2011, URL https:
//www.atmos-chem-phys.net/11/3495/2011/.
Cuxart J, Bougeault P, Redelsperger JL. 2000. A turbulence scheme allowing for me-
soscale and large-eddy simulations. Quarterly Journal of the Royal Meteorological
Society 126(562) : 1–30, doi :10.1002/qj.49712656202, URL http://dx.doi.org/
10.1002/qj.49712656202.
Davolio S, Buzzi A, Malguzzi P. 2009. Orographic triggering of long lived convection
in three dimensions. Meteorology and Atmospheric Physics 103(1) : 35–44, doi :10.
1007/s00703-008-0332-5, URL https://doi.org/10.1007/s00703-008-0332-5.
Delanoë J, Heymsfield AJ, Protat A, Bansemer A, Hogan RJ. 2014. Normalized
particle size distribution for remote sensing application. Journal of Geophysical
Research : Atmospheres 119(7) : 4204–4227, doi :10.1002/2013JD020700, URL
https://hal.archives-ouvertes.fr/hal-00979328.
Delanoë J, Protat A, Jourdan O, Pelon J, Papazzoni M, Dupuy R, Gayet JF,
Jouan C. 2013. Comparison of Airborne In Situ, Airborne Radar-Lidar, and
Spaceborne Radar-Lidar Retrievals of Polar Ice Cloud Properties Sampled du-
ring the POLARCAT Campaign. Journal of Atmospheric and Oceanic Techno-
logy 30(1) : 57–73, doi :10.1175/JTECH-D-11-00200.1, URL https://doi.org/
10.1175/JTECH-D-11-00200.1.
Delanoë J, Protat A, Testud J, Bouniol D Heymsfield AJ, Bansemer A, Brown PRA,
Forbes RM. 2005. Statistical properties of the normalized ice particle size distri-
bution. Journal of Geophysical Research : Atmospheres 110(D10), doi :10.1029/
2004JD005405, URL http://dx.doi.org/10.1029/2004JD005405. D10201.
Delrieu G, Nicol J, Yates E, Kirstetter PE, Creutin JD, Anquetin S, Obled C, Saulnier
GM, Ducrocq V, Gaume E, Payrastre O, Andrieu H, Ayral PA, Bouvier C, Neppel
L, Livet M, Lang M, du Châtelet JP, Walpersdorf A, Wobrock W. 2005. The Ca-
tastrophic Flash-Flood Event of 8–9 September 2002 in the Gard Region, France :
128
BIBLIOGRAPHIE
A First Case Study for the Cévennes–Vivarais Mediterranean Hydrometeorological

Observatory. Journal of Hydrometeorology 6(1) : 34–52, doi :10.1175/JHM-400.1,
URL https://doi.org/10.1175/JHM-400.1.
Diehl K, Wurzler S. 2004. Heterogeneous Drop Freezing in the Immersion Mode : Model
Calculations Considering Soluble and Insoluble Particles in the Drops. Journal of the
Atmospheric Sciences 61(16) : 2063–2072, doi :10.1175/1520-0469(2004)061é2063:
HDFITIê2.0.CO;2, URL https://doi.org/10.1175/1520-0469(2004)061<2063:
HDFITI>2.0.CO;2.
Doms G, Förstner J, Heise E, Herzog HJ, Raschendorfer M, Schrodin R, Reinhardt T,
Vogel G. 2005. A Description of the Nonhydrostatic Regional Model LM. Part II :
Physical Parameterizations, Deutscher Wetterdienst, Offenbach, 139 pages.
Drobinski P, Ducrocq V, Alpert P, Anagnostou E, Béranger K, Borga M, Braud I,
Chanzy A, Davolio S, Delrieu G, Estournel C, Boubrahmi NF, Font J, Grubišić
V, Gualdi S, Homar V, Ivančan-Picek B, Kottmeier C, Kotroni V, Lagouvardos K,
Lionello P, Llasat MC, Ludwig W, Lutoff C, Mariotti A, Richard E, Romero R,
Rotunno R, Roussot O, Ruin I, Somot S, Taupier-Letage I, Tintore J, Uijlenhoet
R, Wernli H. 2014. HyMeX : A 10-Year Multidisciplinary Program on the Medi-
terranean Water Cycle. Bulletin of the American Meteorological Society 95(7) :
1063–1082, doi :10.1175/BAMS-D-12-00242.1, URL https://doi.org/10.1175/
BAMS-D-12-00242.1.
Ducrocq V, Belamari S, Boudevillain B, Bousquet O, Cocquerez P, Doerenbecher A,
Drobinski P, Flamant C, Labatut L, Lambert D, Nuret M, Richard E, Roussot O,
Testor P, Arbogast P, Ayral PA, Baelen Jv, Basdevant C, Boichard JL, Bourras D,
Bouvier C, Bouin MN, Bock O, Braud I, Champollion C, Coppola L, Coquillat S,
Defer E, Delanoë J, Delrieu G, Didon-Lescot JF, Durand P, Estournel C, Fourrié
N, Garrouste O, Giordani H, Coz JL, Michel Y, Nuissier O, Roberts G, Saı̈d F,
Schwarzenboeck A, Sellegri K, Taupier-Letage I, Vandervaere JP. 2013. HyMeX,
les campagnes de mesures : focus sur les événements extrêmes en Méditerranée. La
Météorologie 80, doi :https://doi.org/10.4267/2042/48793.
Ducrocq V, Braud I, Davolio S, Ferretti R, Flamant C, Jansa A, Kalthoff N, Richard E,
Taupier-Letage I, Ayral PA, Belamari S, Berne A, Borga M, Boudevillain B, Bock O,
Boichard JL, Bouin MN, Bousquet O, Bouvier C, Chiggiato J, Cimini D, Corsmeier
U, Coppola L, Cocquerez P, Defer E, Delanoë J, Girolamo PD, Doerenbecher A,
Drobinski P, Dufournet Y, Fourrié N, Gourley JJ, Labatut L, Lambert D, Coz JL,
Marzano FS, Molinié G, Montani A, Nord G, Nuret M, Ramage K, Rison W, Roussot
O, Said F, Schwarzenboeck A, Testor P, Baelen JV, Vincendon B, Aran M, Tamayo
J. 2014. HyMeX-SOP1 : The Field Campaign Dedicated to Heavy Precipitation
and Flash Flooding in the Northwestern Mediterranean. Bulletin of the American
Meteorological Society 95(7) : 1083–1100, doi :10.1175/BAMS-D-12-00244.1, URL
https://doi.org/10.1175/BAMS-D-12-00244.1.
Ducrocq V, Nuissier O, Ricard D, Lebeaupin C, Thouvenin T. 2008. A numerical study
of three catastrophic precipitating events over southern France. II : Mesoscale trigge-
ring and stationarity factors. Quarterly Journal of the Royal Meteorological Society
129
BIBLIOGRAPHIE
Ducrocq V, Ricard D, Lafore JP, Orain F. 2002. Storm-Scale Numerical Rain-

fall Prediction for Five Precipitating Events over France : On the Importance
of the Initial Humidity Field. Weather and Forecasting 17(6) : 1236–1256, doi :
10.1175/1520-0434(2002)017é1236:SSNRPFê2.0.CO;2, URL https://doi.org/10.
1175/1520-0434(2002)017<1236:SSNRPF>2.0.CO;2.
Dudhia J. 1993. A Nonhydrostatic Version of the Penn State–NCAR Mesoscale

Model : Validation Tests and Simulation of an Atlantic Cyclone and Cold
Front. Monthly Weather Review 121(5) : 1493–1513, doi :10.1175/1520-0493(1993)
121é1493:ANVOTPê2.0.CO;2, URL https://doi.org/10.1175/1520-0493(1993)
121<1493:ANVOTP>2.0.CO;2.
Duffourg F, Ducrocq V. 2011. Origin of the moisture feeding the Heavy Preci-
pitating Systems over Southeastern France. Natural Hazards and Earth System
Sciences 11(4) : 1163–1178, doi :10.5194/nhess-11-1163-2011, URL https://www.
nat-hazards-earth-syst-sci.net/11/1163/2011/.
Duffourg F, Nuissier O, Ducrocq V, Flamant C, Chazette P, Delanoë J, Doerenbecher

A, Fourrié N, Di Girolamo P, Lac C, Legain D, Martinet M, Saı̈d F, Bock O. 2016.
Offshore deep convection initiation and maintenance during the HyMeX IOP 16a
heavy precipitation event. Quarterly Journal of the Royal Meteorological Society
142 : 259–274, doi :10.1002/qj.2725, URL http://dx.doi.org/10.1002/qj.2725.
Dupuy R. 2003. Study of the Cloud Condensation Nuclei activation : measurements,

analysis and instrument development. Theses, Université Blaise Pascal - Clermont-
Ferrand II, URL https://tel.archives-ouvertes.fr/tel-00420048.
Fan J, Yuan T, Comstock JM, Ghan S, Khain A, Leung LR, Li Z, Martins VJ, Ovchin-
nikov M. 2009. Dominant role by vertical wind shear in regulating aerosol effects on
deep convective clouds. Journal of Geophysical Research : Atmospheres 114(D22),
doi :10.1029/2009JD012352, URL https://agupubs.onlinelibrary.wiley.com/
doi/abs/10.1029/2009JD012352.
Ferrier S. 1994. A Double-Moment Multiple-Phase Four-Class Bulk Ice Scheme. Part

I : Description. Journal of the Atmospheric Sciences 51(2) : 249–280, doi :10.1175/
1520-0469(1994)051é0249:ADMMPFê2.0.CO;2, URL https://doi.org/10.1175/
1520-0469(1994)051<0249:ADMMPF>2.0.CO;2.
Fletcher HL. 1962. The physics of rainclouds. Cambridge Univ. Press 88(378) : 559–
559, doi :10.1002/qj.49708837821.
Flossmann AI, Hall WD, Pruppacher HR. 1985. A Theoretical Study of the Wet Re-
moval of Atmospheric Pollutants. Part I : The Redistribution of Aerosol Particles
Captured through Nucleation and Impaction Scavenging by Growing Cloud Drops.
Journal of the Atmospheric Sciences 42(6) : 583–606, doi :10.1175/1520-0469(1985)
042é0583:ATSOTWê2.0.CO;2, URL https://doi.org/10.1175/1520-0469(1985)
042<0583:ATSOTW>2.0.CO;2.
Fontaine E, Schwarzenboeck A, Delanoë J, Wobrock W, Leroy D, Dupuy R, Gour-

beyre C, Protat A. 2014. Constraining mass–diameter relations from hydrometeor
images and cloud radar reflectivities in tropical continental and oceanic convective
130
BIBLIOGRAPHIE
anvils. Atmospheric Chemistry and Physics 14(20) : 11 367–11 392, doi :10.5194/
Fourrié N, Bresson E, Nuret M, Jany C, Brousseau P, Doerenbecher A, Kreitz M, Nuis-

sier O, Sevault E, Bénichou H, Amodei M, Pouponneau F. 2015. AROME-WMED,
a real-time mesoscale model designed for the HyMeX special observation periods.
Geoscientific Model Development 8(7) : 1919–1941, doi :10.5194/gmd-8-1919-2015,
URL https://www.geosci-model-dev.net/8/1919/2015/.
Girard C, Plante A, Desgagné M, McTaggart-Cowan R, Côté J, Charron M, Gravel S,

Lee V, Patoine A, Qaddouri A, Roch M, Spacek L, Tanguay M, Vaillancourt PA,
Zadra A. 2014. Staggered Vertical Discretization of the Canadian Environmental
Multiscale (GEM) Model Using a Coordinate of the Log-Hydrostatic-Pressure Type.
Monthly Weather Review 142(3) : 1183–1196, doi :10.1175/MWR-D-13-00255.1,
URL https://doi.org/10.1175/MWR-D-13-00255.1.
Grabowski WW. 1998. Toward Cloud Resolving Modeling of Large-Scale Tropical Cir-
culations : A Simple Cloud Microphysics Parameterization. Journal of the Atmosphe-
ric Sciences 55(21) : 3283–3298, doi :10.1175/1520-0469(1998)055é3283:TCRMOLê
2.0.CO;2, URL https://doi.org/10.1175/1520-0469(1998)055<3283:TCRMOL>
2.0.CO;2.
Grell GA, Dudhia J, Stauffer DR, et al. 1994. A description of the fifth-generation
Penn State/NCAR Mesoscale Model (MM5) .
Hachani S, Boudevillain B, Delrieu G, Bargaoui Z. 2017. Drop Size Distribution Cli-

matology in Cévennes-Vivarais Region, France. Atmosphere 8(12), doi :10.3390/
atmos8120233, URL http://www.mdpi.com/2073-4433/8/12/233.
Hallett J, Mossop SC. 1974. Production of secondary ice particles during the riming
process. Nature 249(5452) : 26, doi :10.1038/249026a0, URL https://doi.org/10.
1038/249026a0.
Hally A. 2013. Predictability of heavy precipitation events in the Mediterranean :

Propagation of uncertainties related to the parameterisation of cloud micro-physics
and atmospheric turbulence. Theses, Université Paul Sabatier - Toulouse III, URL
https://tel.archives-ouvertes.fr/tel-00939287.
Hamadache B, Terchi A, Brachemi O. 2002. Study of the meteorological situation

which affected the west and the center of Algeria in general and Bab-el-Oued in
particular on the 10th November 2001. In : Proceedings of the 4th EGS Plinius
Conference, Mallorca, Spain.
Heikenfeld M, White B, Labbouz L, Stier P. 2018. The propagation of aerosol per-

turbations in convective cloud microphysics. Atmospheric Chemistry and Phy-
sics Discussions 2018 : 1–32, doi :10.5194/acp-2018-609, URL https://www.
atmos-chem-phys-discuss.net/acp-2018-609/.
Herzegh PH, Jameson AR. 1992. Observing Precipitation through Dual-Polarization

Radar Measurements. Bulletin of the American Meteorological Society 73(9) : 1365–
1376, doi :10.1175/1520-0477(1992)073é1365:OPTDPRê2.0.CO;2, URL https://
doi.org/10.1175/1520-0477(1992)073<1365:OPTDPR>2.0.CO;2.
131
BIBLIOGRAPHIE
Heymsfield AJ, Bansemer A, Field PR, Durden SL, Stith JL, Dye JE, Hall W,
Grainger CA. 2002. Observations and Parameterizations of Particle Size Distri-
butions in Deep Tropical Cirrus and Stratiform Precipitating Clouds : Results
from In Situ Observations in TRMM Field Campaigns. Journal of the Atmospheric
Sciences 59(24) : 3457–3491, doi :10.1175/1520-0469(2002)059é3457:OAPOPSê2.0.
CO;2, URL https://doi.org/10.1175/1520-0469(2002)059<3457:OAPOPS>2.0.
CO;2.
Heymsfield AJ, Schmitt C, Bansemer A. 2013. Ice Cloud Particle Size Distributions and
Pressure-Dependent Terminal Velocities from In Situ Observations at Temperatures
from 0◦ to -86◦ C. Journal of the Atmospheric Sciences 70(12) : 4123–4154, doi :
10.1175/JAS-D-12-0124.1, URL https://doi.org/10.1175/JAS-D-12-0124.1.
Heymsfield AJ, Schmitt C, Bansemer A, Twohy CH. 2010. Improved Representa-
tion of Ice Particle Masses Based on Observations in Natural Clouds. Journal of
the Atmospheric Sciences 67(10) : 3303–3318, doi :10.1175/2010JAS3507.1, URL
https://doi.org/10.1175/2010JAS3507.1.
Hoarau T, Barthe C, Tulet P, Claeys M, Pinty JP, Bousquet O, Delanoë J, Vié B. 2018.
Impact of the Generation and Activation of Sea Salt Aerosols on the Evolution of
Tropical Cyclone Dumile. Journal of Geophysical Research : Atmospheres 123(16) :
8813–8831, doi :10.1029/2017JD028125, URL https://agupubs.onlinelibrary.
wiley.com/doi/abs/10.1029/2017JD028125.
Hoarau T, Pinty JP, Barthe C. 2017. A representation of the collisional ice break-up
process in the two-moment microphysics scheme LIMA v1.0 of Meso-NH. Geoscien-
tific Model Development Discussions 2017 : 1–32, doi :10.5194/gmd-2017-287, URL
https://www.geosci-model-dev-discuss.net/gmd-2017-287/.
Hollingsworth A, Engelen RJ, Textor C, Benedetti A, Boucher O, Chevallier F, De-
thof A, Elbern H, Eskes H, Flemming J, Granier C, Kaiser JW, Morcrette JJ,
Rayner P, Peuch VH, Rouil L, Schultz MG, Simmons AJ. 2008. Toward a moni-
toring and forecasting system for atmospheric composition. Bulletin of the Ameri-
can Meteorological Society 89(8) : 1147–1164, doi :10.1175/2008BAMS2355.1, URL
https://doi.org/10.1175/2008BAMS2355.1.
Hong SY, Lim JOJ. 2006. The WRF single-moment 6-class microphysics scheme
(WSM6). J. Korean Meteor. Soc 42(2) : 129–151.
Hoppel WA, Frick GM. 1990. Submicron aerosol size distributions measured over
the tropical and South Pacific. Atmospheric Environment. Part A. General To-
pics 24(3) : 645 – 659, doi :https://doi.org/10.1016/0960-1686(90)90020-N, URL
http://www.sciencedirect.com/science/article/pii/096016869090020N.
Houze RA, Hobbs PV, Herzegh PH, Parsons DB. 1979. Size Distributions of Precipi-
tation Particles in Frontal Clouds. Journal of the Atmospheric Sciences 36(1) :
156–162, doi :10.1175/1520-0469(1979)036é0156:SDOPPIê2.0.CO;2, URL https:
//doi.org/10.1175/1520-0469(1979)036<0156:SDOPPI>2.0.CO;2.
Jacques G. 2016. Les épisodes cévenols : Un aperçu historique. La Météorologie [ISSN
0026-1181] 93([ISSN 0026-1181]) : 50–57, doi :https://doi.org/10.4267/2042/59941,
URL http://hdl.handle.net/2042/59941.
132
BIBLIOGRAPHIE
Jouan C, Milbrandt J. 2018. Sensitivity of the ice-phase bulk microphysics to CCN cen-
centration for a simulated squall line. In : 15th Conf. on Cloud Physics, Vancouver,
9-13 July 2018.
Kagkara C, Planche C, Wobrock W, Flossmann A, Banson S, Baelen JV, Boudevillain

B. 2017. The interaction between aerosol particles, cloud and precipitation during
the HyMeX IOP7a event. In : 10th HyMeX workshop 4-7 July 2017, Barcelona,
Spain.
Kajikawa M, Heymsfield AJ. 1989. Aggregation of Ice Crystals in Cirrus. Journal of the
Atmospheric Sciences 46(20) : 3108–3121, doi :10.1175/1520-0469(1989)046é3108:
AOICICê2.0.CO;2, URL https://doi.org/10.1175/1520-0469(1989)046<3108:
AOICIC>2.0.CO;2.
Kanji ZA, Ladino LA, Wex H, Boose Y, Burkert-Kohn M, Cziczo DJ, Krämer M.
2017. Overview of Ice Nucleating Particles. Meteorological Monographs 58 : 1.1–
1.33, doi :10.1175/AMSMONOGRAPHS-D-16-0006.1, URL https://doi.org/10.
1175/AMSMONOGRAPHS-D-16-0006.1.
Kessler E. 1969. On the Distribution and Continuity of Water Substance in Atmosphe-

ric Circulations. American Meteorological Society : Boston, MA, pp. 1–84.
Khain A, Pokrovsky A, Pinsky M, Seifert A, Phillips V. 2004. Simulation of Effects

of Atmospheric Aerosols on Deep Turbulent Convective Clouds Using a Spectral
Microphysics Mixed-Phase Cumulus Cloud Model. Part I : Model Description and
Possible Applications. Journal of the Atmospheric Sciences 61(24) : 2963–2982, doi :
10.1175/JAS-3350.1, URL https://doi.org/10.1175/JAS-3350.1.
Khain AP, BenMoshe N, Pokrovsky A. 2008. Factors Determining the Impact of Ae-
rosols on Surface Precipitation from Clouds : An Attempt at Classification. Journal
of the Atmospheric Sciences 65(6) : 1721–1748, doi :10.1175/2007JAS2515.1, URL
https://doi.org/10.1175/2007JAS2515.1.
Khain AP, Leung LR, Lynn B, Ghan S. 2009. Effects of aerosols on the dynamics and
microphysics of squall lines simulated by spectral bin and bulk parameterization
schemes. Journal of Geophysical Research : Atmospheres 114(D22), doi :10.1029/
2009JD011902, URL https://agupubs.onlinelibrary.wiley.com/doi/abs/10.
1029/2009JD011902.
Khain AP, Sednev IL. 1995. Simulation of hydrometeor size spectra evolution by
water-water, ice-water and ice-ice interactions. Atmospheric Research 36(1) :
107 – 138, doi :https://doi.org/10.1016/0169-8095(94)00030-H, URL http://www.
sciencedirect.com/science/article/pii/016980959400030H.
Khairoutdinov M, Kogan Y. 2000. A New Cloud Physics Parameterization in a Large-

Eddy Simulation Model of Marine Stratocumulus. Monthly Weather Review 128(1) :
229–243, doi :10.1175/1520-0493(2000)128é0229:ANCPPIê2.0.CO;2, URL https://
doi.org/10.1175/1520-0493(2000)128<0229:ANCPPI>2.0.CO;2.
Khvorostyanov VI, Curry JA. 2004. The Theory of Ice Nucleation by Heteroge-
neous Freezing of Deliquescent Mixed CCN. Part I : Critical Radius, Energy, and
133
BIBLIOGRAPHIE
Nucleation Rate. Journal of the Atmospheric Sciences 61(22) : 2676–2691, doi :

10.1175/JAS3266.1, URL https://doi.org/10.1175/JAS3266.1.
Kogan Y. 2013. A Cumulus Cloud Microphysics Parameterization for Cloud-Resolving
Models. Journal of the Atmospheric Sciences 70(5) : 1423–1436, doi :10.1175/
jas-d-12-0183.1, URL http://dx.doi.org/10.1175/JAS-D-12-0183.1.
Kogan YL. 1991. The Simulation of a Convective Cloud in a 3-D Model With Ex-
plicit Microphysics. Part I : Model Description and Sensitivity Experiments. Jour-
nal of the Atmospheric Sciences 48(9) : 1160–1189, doi :10.1175/1520-0469(1991)
048é1160:TSOACCê2.0.CO;2, URL https://doi.org/10.1175/1520-0469(1991)
048<1160:TSOACC>2.0.CO;2.
Köhler H. 1936. The nucleus in and the growth of hygroscopic droplets. Trans. Faraday
Soc. 32 : 1152–1161, doi :10.1039/TF9363201152, URL http://dx.doi.org/10.
1039/TF9363201152.
Krichak SO, Alpert P, Dayan M. 2004. The Role of Atmospheric Processes Associated
with Hurricane Olga in the December 2001 Floods in Israel. Journal of Hydrome-
teorology 5(6) : 1259–1270, doi :10.1175/JHM-399.1, URL https://doi.org/10.
1175/JHM-399.1.
Köpke P, Hess M, Schult I, Shettle EP. 1997. Global Aerosol Data Set. Technical
Report 243, Max Planck Institute für Meteorologie.
Lac C, Chaboureau JP, Masson V, Pinty JP, Tulet P, Escobar J, Leriche M, Barthe
C, Aouizerats B, Augros C, Aumond P, Auguste F, Bechtold P, Berthet S, Bieilli
S, Bosseur F, Caumont O, Cohard JM, Colin J, Couvreux F, Cuxart J, Delautier
G, Dauhut T, Ducrocq V, Filippi JB, Gazen D, Geoffroy O, Gheusi F, Honnert R,
Lafore JP, Lebeaupin Brossier C, Libois Q, Lunet T, Mari C, Maric T, Mascart
P, Mogé M, Molinié G, Nuissier O, Pantillon F, Peyrillé P, Pergaud J, Perraud E,
Pianezze J, Redelsperger JL, Ricard D, Richard E, Riette S, Rodier Q, Schoetter R,
Seyfried L, Stein J, Suhre K, Taufour M, Thouron O, Turner S, Verrelle A, Vié B,
Visentin F, Vionnet V, Wautelet P. 2018. Overview of the Meso-NH model version
5.4 and its applications. Geoscientific Model Development Discussions 2018 : 1–
66, doi :10.5194/gmd-2017-297, URL https://www.geosci-model-dev-discuss.
net/gmd-2017-297/.
Lafore JP, Stein J, Asencio N, Bougeault P, Ducrocq V, Duron J, Fischer C, Héreil
P, Mascart P, Masson V, Pinty JP, Redelsperger JL, Richard E, Vilà-Guerau de
Arellano J. 1998. The Meso-NH Atmospheric Simulation System. Part I : adiabatic
formulation and control simulations. Annales Geophysicae 16(1) : 90–109, doi :10.
1007/s00585-997-0090-6, URL https://www.ann-geophys.net/16/90/1998/.
Langlois WE. 1973. A rapidly convergent procedure for computing large-scale conden-
sation in a dynamical weather model. Tellus 25(1) : 86–87, doi :10.3402/tellusa.
v25i1.9636, URL https://doi.org/10.3402/tellusa.v25i1.9636.
Lascaux F, Richard E, Pinty JP. 2006. Numerical simulations of three different MAP
IOPs and the associated microphysical processes. Quarterly Journal of the Royal
Meteorological Society 132(619) : 1907–1926, doi :10.1256/qj.05.197, URL https:
//rmets.onlinelibrary.wiley.com/doi/abs/10.1256/qj.05.197.
134
BIBLIOGRAPHIE
Lawson RP, Baker BA. 2006. Improvement in Determination of Ice Water Content from
Two-Dimensional Particle Imagery. Part II : Applications to Collected Data. Journal
of Applied Meteorology and Climatology 45(9) : 1291–1303, doi :10.1175/JAM2399.1,
URL https://doi.org/10.1175/JAM2399.1.
Lebo ZJ, Morrison H. 2013. A Novel Scheme for Parameterizing Aerosol Processing
in Warm Clouds. Journal of the Atmospheric Sciences 70(11) : 3576–3598, doi :
10.1175/JAS-D-13-045.1, URL https://doi.org/10.1175/JAS-D-13-045.1.
Lee SS, Feingold G, Chuang PY. 2012. Effect of Aerosol on Cloud–Environment Inter-
actions in Trade Cumulus. Journal of the Atmospheric Sciences 69(12) : 3607–3632,
doi :10.1175/JAS-D-12-026.1, URL https://doi.org/10.1175/JAS-D-12-026.1.
Leroy D, Wobrock W, Flossmann AI. 2009. The role of boundary layer aerosol par-
ticles for the development of deep convective clouds : A high-resolution 3D mo-
del with detailed (bin) microphysics applied to CRYSTAL-FACE. Atmospheric Re-
search 91(1) : 62 – 78, doi :https://doi.org/10.1016/j.atmosres.2008.06.001, URL
http://www.sciencedirect.com/science/article/pii/S0169809508001300.
Lim KSS, Hong SY. 2010. Development of an Effective Double-Moment Cloud Mi-
crophysics Scheme with Prognostic Cloud Condensation Nuclei (CCN) for Wea-
ther and Climate Models. Monthly Weather Review 138(5) : 1587–1612, doi :
10.1175/2009MWR2968.1, URL https://doi.org/10.1175/2009MWR2968.1.
Lin YL, Farley RD, Orville HD. 1983. Bulk Parameterization of the Snow Field in a
Cloud Model. Journal of Climate and Applied Meteorology 22(6) : 1065–1092, doi :
10.1175/1520-0450(1983)022é1065:BPOTSFê2.0.CO;2, URL https://doi.org/10.
1175/1520-0450(1983)022<1065:BPOTSF>2.0.CO;2.
Locatelli JD, Hobbs PV. 1974. Fall speeds and masses of solid precipitation particles.
Journal of Geophysical Research 79(15) : 2185–2197, doi :10.1029/JC079i015p02185,
URL http://dx.doi.org/10.1029/JC079i015p02185.
Long AB. 1974. Solutions to the Droplet Collection Equation for Polynomial Ker-
nels. Journal of the Atmospheric Sciences 31(4) : 1040–1052, doi :10.1175/
1520-0469(1974)031é1040:STTDCEê2.0.CO;2, URL https://doi.org/10.1175/
1520-0469(1974)031<1040:STTDCE>2.0.CO;2.
Lynn BH, Khain AP, Dudhia J, Rosenfeld D, Pokrovsky A, Seifert A. 2005. Spec-
tral (Bin) Microphysics Coupled with a Mesoscale Model (MM5). Part I : Mo-
del Description and First Results. Monthly Weather Review 133(1) : 44–58, doi :
10.1175/MWR-2840.1, URL https://doi.org/10.1175/MWR-2840.1.
Mailhot J, Milbrandt JA, Giguère A, McTaggart-Cowan R, Erfani A, Denis B, Gla-

zer A, Vallée M. 2014. An Experimental High-Resolution Forecast System Du-
ring the Vancouver 2010 Winter Olympic and Paralympic Games. Pure and Ap-
plied Geophysics 171(1) : 209–229, doi :10.1007/s00024-012-0520-6, URL https:
//doi.org/10.1007/s00024-012-0520-6.
Mallet M, Roger JC, Despiau S, Dubovik O, Putaud JP. 2003. Microphysical and op-
tical properties of aerosol particles in urban zone during ESCOMPTE. Atmospheric
135
BIBLIOGRAPHIE
Research 69(1) : 73 – 97, doi :https://doi.org/10.1016/j.atmosres.2003.07.001, URL

Mansell ER. 2010. On Sedimentation and Advection in Multimoment Bulk Micro-
physics. Journal of the Atmospheric Sciences 67(9) : 3084–3094, doi :10.1175/
2010JAS3341.1, URL https://doi.org/10.1175/2010JAS3341.1.
Marshall J, Palmer MCK. 1948. PWM, 1948. The distribution of raindrops with size.
J. Meteor 5 : 154–166.
Martinet M, Nuissier O, Duffourg F, Ducrocq V, Ricard D. 2017. Fine-scale nume-
rical analysis of the sensitivity of the HyMeX IOP16a heavy precipitating event
to the turbulent mixing-length parametrization. Quarterly Journal of the Royal
Meteorological Society 143(709) : 3122–3135, doi :10.1002/qj.3167, URL https:
//rmets.onlinelibrary.wiley.com/doi/abs/10.1002/qj.3167.
Mason BJ. 1956. On the melting of hailstones. Quarterly Journal of the Royal Me-
teorological Society 82(352) : 209–216, doi :10.1002/qj.49708235207, URL https:
//rmets.onlinelibrary.wiley.com/doi/abs/10.1002/qj.49708235207.
Masson V, Le Moigne P, Martin E, Faroux S, Alias A, Alkama R, Belamari S, Barbu A,
Boone A, Bouyssel F, Brousseau P, Brun E, Calvet JC, Carrer D, Decharme B, Delire
C, Donier S, Essaouini K, Gibelin AL, Giordani H, Habets F, Jidane M, Kerdraon
G, Kourzeneva E, Lafaysse M, Lafont S, Lebeaupin Brossier C, Lemonsu A, Mahfouf
JF, Marguinaud P, Mokhtari M, Morin S, Pigeon G, Salgado R, Seity Y, Taillefer F,
Tanguy G, Tulet P, Vincendon B, Vionnet V, Voldoire A. 2013. The SURFEXv7.2
land and ocean surface platform for coupled or offline simulation of Earth surface
variables and fluxes. Geoscientific Model Development 6 : 929–960, doi :10.5194/
gmd-6-929-2013, URL https://hal.archives-ouvertes.fr/hal-00968042. CC
Attribution 3.0 License.Final revised paper also available at http ://www.geosci-
model-dev.net/6/929/2013/gmd-6-929-2013.pdf.
Mazoyer M, Lac C, Thouron O, Bergot T, Masson V, Musson-Genon L. 2017. Large
eddy simulation of radiation fog : impact of dynamics on the fog life cycle. Atmosphe-
ric Chemistry and Physics 17(21) : 13 017–13 035, doi :10.5194/acp-17-13017-2017,
URL https://www.atmos-chem-phys.net/17/13017/2017/.
McFarquhar GM, Heymsfield AJ. 1997. Parameterization of Tropical Cirrus Ice
Crystal Size Distributions and Implications for Radiative Transfer : Results
from CEPEX. Journal of the Atmospheric Sciences 54(17) : 2187–2200, doi :
10.1175/1520-0469(1997)054é2187:POTCICê2.0.CO;2, URL https://doi.org/10.
1175/1520-0469(1997)054<2187:POTCIC>2.0.CO;2.
Meyers MP, DeMott PJ, Cotton WR. 1992. New Primary Ice-Nucleation Parameteri-
zations in an Explicit Cloud Model. Journal of Applied Meteorology 31(7) : 708–721,
doi :10.1175/1520-0450(1992)031é0708:NPINPIê2.0.CO;2, URL https://doi.org/
10.1175/1520-0450(1992)031<0708:NPINPI>2.0.CO;2.
Meyers MP, Walko RL, Harrington JY, Cotton WR. 1997. New RAMS cloud mi-
crophysics parameterization. Part II : The two-moment scheme. Atmospheric Re-
search 45(1) : 3 – 39, doi :https://doi.org/10.1016/S0169-8095(97)00018-5, URL
136
BIBLIOGRAPHIE
Miglietta MM, Rotunno R. 2010. Numerical Simulations of Low-CAPE Flows over

a Mountain Ridge. Journal of the Atmospheric Sciences 67(7) : 2391–2401, doi :
10.1175/2010JAS3378.1, URL https://doi.org/10.1175/2010JAS3378.1.
Milbrandt JA, Glazer A, Jacob D. 2012. Predicting the Snow-to-Liquid Ratio of Sur-
face Precipitation Using a Bulk Microphysics Scheme. Monthly Weather Review
140(8) : 2461–2476, doi :10.1175/MWR-D-11-00286.1, URL https://doi.org/10.
1175/MWR-D-11-00286.1.
Milbrandt JA, McTaggart-Cowan R. 2010. Sedimentation-Induced Errors in Bulk Mi-

crophysics Schemes. Journal of the Atmospheric Sciences 67(12) : 3931–3948, doi :
Milbrandt JA, Yau MK. 2005a. A Multimoment Bulk Microphysics Parameteriza-

tion. Part I : Analysis of the Role of the Spectral Shape Parameter. Journal
of the Atmospheric Sciences 62(9) : 3051–3064, doi :10.1175/JAS3534.1, URL
https://doi.org/10.1175/JAS3534.1.
Milbrandt JA, Yau MK. 2005b. A Multimoment Bulk Microphysics Parameterization.

Part II : A Proposed Three-Moment Closure and Scheme Description. Journal of
the Atmospheric Sciences 62(9) : 3065–3081, doi :10.1175/JAS3535.1, URL https:
//doi.org/10.1175/JAS3535.1.
Mishchenko MI, Travis LD. 1994. T-matrix computations of light scattering by

large spheroidal particles. Optics Communications 109(1) : 16 – 21, doi :https:
//doi.org/10.1016/0030-4018(94)90731-5, URL http://www.sciencedirect.com/
science/article/pii/0030401894907315.
Mitchell DL. 1988. Evolution of Snow-Size Spectra in Cyclonic Storms. Part I : Snow
Growth by Vapor Deposition and Aggregation. Journal of the Atmospheric Sciences
45(22) : 3431–3451, doi :10.1175/1520-0469(1988)045é3431:EOSSSIê2.0.CO;2, URL
https://doi.org/10.1175/1520-0469(1988)045<3431:EOSSSI>2.0.CO;2.
Mlawer EJ, Taubman SJ, Brown PD, Iacono MJ, Clough SA. 1997. Radiative transfer
for inhomogeneous atmospheres : RRTM, a validated correlated-k model for the
longwave. Journal of Geophysical Research : Atmospheres 102(D14) : 16 663–16 682,
doi :10.1029/97JD00237, URL http://dx.doi.org/10.1029/97JD00237.
Morcrette JJ. 1991. Radiation and cloud radiative properties in the European Centre
for Medium Range Weather Forecasts forecasting system. Journal of Geophysical
Research : Atmospheres 96(D5) : 9121–9132, doi :10.1029/89JD01597, URL http:
//dx.doi.org/10.1029/89JD01597.
Morrison H. 2012. On the Numerical Treatment of Hydrometeor Sedimentation in Bulk

and Hybrid Bulk–Bin Microphysics Schemes. Monthly Weather Review 140(5) :
1572–1588, doi :10.1175/MWR-D-11-00140.1, URL https://doi.org/10.1175/
MWR-D-11-00140.1.
Morrison H, Curry JA, Khvorostyanov VI. 2005. A New Double-Moment Microphysics

Parameterization for Application in Cloud and Climate Models. Part I : Description.
Journal of the Atmospheric Sciences 62(6) : 1665–1677, doi :10.1175/JAS3446.1,
URL https://doi.org/10.1175/JAS3446.1.
137
BIBLIOGRAPHIE
Morrison H, Grabowski WW. 2008. A Novel Approach for Representing Ice Micro-
physics in Models : Description and Tests Using a Kinematic Framework. Journal
of the Atmospheric Sciences 65(5) : 1528–1548, doi :10.1175/2007jas2491.1, URL
http://dx.doi.org/10.1175/2007JAS2491.1.
Morrison H, Milbrandt JA. 2015. Parameterization of Cloud Microphysics Based on

the Prediction of Bulk Ice Particle Properties. Part I : Scheme Description and
Idealized Tests. Journal of the Atmospheric Sciences 72(1) : 287–311, doi :10.1175/
JAS-D-14-0065.1, URL https://doi.org/10.1175/JAS-D-14-0065.1.
Morrison H, Milbrandt JA, Bryan GH, Ikeda K, Tessendorf SA, Thompson G. 2015.
Parameterization of Cloud Microphysics Based on the Prediction of Bulk Ice Particle
Properties. Part II : Case Study Comparisons with Observations and Other Schemes.
Journal of the Atmospheric Sciences 72(1) : 312–339, doi :10.1175/JAS-D-14-0066.
1, URL https://doi.org/10.1175/JAS-D-14-0066.1.
Morrison H, Pinto JO. 2005. Mesoscale Modeling of Springtime Arctic Mixed-Phase

Stratiform Clouds Using a New Two-Moment Bulk Microphysics Scheme. Journal of
the Atmospheric Sciences 62(10) : 3683–3704, doi :10.1175/JAS3564.1, URL https:
//doi.org/10.1175/JAS3564.1.
Morrison H, Thompson G, Tatarskii V. 2009. Impact of Cloud Microphysics on the De-

velopment of Trailing Stratiform Precipitation in a Simulated Squall Line : Compari-
son of One- and Two-Moment Schemes. Monthly Weather Review 137(3) : 991–1007,
doi :10.1175/2008MWR2556.1, URL https://doi.org/10.1175/2008MWR2556.1.
Murakami M. 1990. Numerical Modeling of Dynamical and Microphysical Evolution of

an Isolated Convective Cloud. Journal of the Meteorological Society of Japan. Ser.
II 68(2) : 107–128, doi :10.2151/jmsj1965.68.2 107.
Musil DJ. 1970. Computer Modeling of Hailstone Growth in Feeder Clouds. Jour-
027é0474:CMOHGIê2.0.CO;2, URL https://doi.org/10.1175/1520-0469(1970)
027<0474:CMOHGI>2.0.CO;2.
Nelson SP. 1983. The Influence of Storm Flow Structure on Hail Growth. Journal of
the Atmospheric Sciences 40(8) : 1965–1983, doi :10.1175/1520-0469(1983)040é1965:
TIOSFSê2.0.CO;2, URL https://doi.org/10.1175/1520-0469(1983)040<1965:
TIOSFS>2.0.CO;2.
Nickerson EC, Richard E, Rosset R, Smith DR. 1986. The Numerical Simulation
of Clouds, Rains and Airflow over the Vosges and Black Forest Mountains : A
Meso-β Model with Parameterized Microphysics. Monthly Weather Review 114(2) :
398–414, doi :10.1175/1520-0493(1986)114é0398:TNSOCRê2.0.CO;2, URL https:
//doi.org/10.1175/1520-0493(1986)114<0398:TNSOCR>2.0.CO;2.
Nuissier O, Ducrocq V, Ricard D, Lebeaupin C, Anquetin S. 2008. A numerical study

of three catastrophic precipitating events over southern France. I : Numerical frame-
work and synoptic ingredients. Quarterly Journal of the Royal Meteorological Society
138
BIBLIOGRAPHIE
Nuissier O, Joly B, Joly A, Ducrocq V, Arbogast P. 2011. A statistical downscaling

to identify the large-scale circulation patterns associated with heavy precipitation
events over southern France. Quarterly Journal of the Royal Meteorological Society
Ovtchinnikov M, Kogan YL. 2000. An Investigation of Ice Production Mechanisms in
Small Cumuliform Clouds Using a 3D Model with Explicit Microphysics. Part I :
Model Description. Journal of the Atmospheric Sciences 57(18) : 2989–3003, doi :
10.1175/1520-0469(2000)057é2989:AIOIPMê2.0.CO;2, URL https://doi.org/10.
1175/1520-0469(2000)057<2989:AIOIPM>2.0.CO;2.
Passarelli RE. 1978. An Approximate Analytical Model of the Vapor Deposition and
Aggregation Growth of Snowflakes. Journal of the Atmospheric Sciences 35(1) :
118–124, doi :10.1175/1520-0469(1978)035é0118:AAAMOTê2.0.CO;2, URL https:
//doi.org/10.1175/1520-0469(1978)035<0118:AAAMOT>2.0.CO;2.
Pergaud J, Masson V, Malardel S, Couvreux F. 2009. A Parameterization of Dry Ther-
mals and Shallow Cumuli for Mesoscale Numerical Weather Prediction. Boundary-
Layer Meteorology 132(1) : 83, doi :10.1007/s10546-009-9388-0, URL https://doi.
org/10.1007/s10546-009-9388-0.
Phillips VTJ, DeMott PJ, Andronache C. 2008. An Empirical Parameterization of
Heterogeneous Ice Nucleation for Multiple Chemical Species of Aerosol. Journal
of the Atmospheric Sciences 65(9) : 2757–2783, doi :10.1175/2007JAS2546.1, URL
https://doi.org/10.1175/2007JAS2546.1.
Phillips VTJ, Demott PJ, Andronache C, Pratt KA, Prather KA, Subramanian R,
Twohy C. 2013. Improvements to an Empirical Parameterization of Heterogeneous
Ice Nucleation and Its Comparison with Observations. Journal of the Atmospheric
Sciences 70(2) : 378–409, doi :10.1175/JAS-D-12-080.1, URL https://doi.org/
10.1175/JAS-D-12-080.1.
Pinty JP, Jabouille P. 1998. A mixed-phase cloud parameterization for use in mesoscale
non hydrostatic model : simulations of a squall line and of orographic precipitations.
In : Proceedings of Conf. on Cloud Physics. Amer. Meteor. Soc Everett, WA, pp.
217–220.
Protat A, Bouniol D, Delanoë J, O’Connor E, May PT, Plana-Fattori A, Hasson
A, Görsdorf U, Heymsfield AJ. 2009. Assessment of Cloudsat Reflectivity Measure-
ments and Ice Cloud Properties Using Ground-Based and Airborne Cloud Radar Ob-
servations. Journal of Atmospheric and Oceanic Technology 26(9) : 1717–1741, doi :
10.1175/2009JTECHA1246.1, URL https://doi.org/10.1175/2009JTECHA1246.
1.
Pruppacher HR. 1995. A New Look at Homogeneous Ice Nucleation in Supercoo-
led Water Drops. Journal of the Atmospheric Sciences 52(11) : 1924–1933, doi :
10.1175/1520-0469(1995)052é1924:ANLAHIê2.0.CO;2, URL https://doi.org/10.
1175/1520-0469(1995)052<1924:ANLAHI>2.0.CO;2.
Pruppacher HR, Klett JD. 1978. Microphysics of clouds and precipitation. Springer,
Dordrecht, doi :10.1007/978-94-009-9905-3.
139
BIBLIOGRAPHIE
Ramis C, Llasat MC, Genovés A, Jansà A. 1994. The October-1987 floods in Catalo-
nia : Synoptic and mesoscale mechanisms. Meteorological Applications 1(4) : 337–
350, doi :10.1002/met.5060010404, URL https://rmets.onlinelibrary.wiley.
com/doi/abs/10.1002/met.5060010404.
Ramis C, Romero R, Homar V, Alonso S, Alarcón M. 1998. Diagnosis and numerical
simulation of a torrential precipitation event in Catalonia (Spain). Meteorology and
Atmospheric Physics 69(1) : 1–21, doi :10.1007/BF01025180, URL https://doi.
org/10.1007/BF01025180.
Raupach TH, Berne A. 2015. Correction of raindrop size distributions measured by
Parsivel disdrometers, using a two-dimensional video disdrometer as a reference.
Atmospheric Measurement Techniques 8(1) : 343–365, doi :10.5194/amt-8-343-2015,
URL https://www.atmos-meas-tech.net/8/343/2015/.
Reisner J, Rasmussen RM, Bruintjes RT. 1998. Explicit forecasting of super-
cooled liquid water in winter storms using the MM5 mesoscale model. Quar-
terly Journal of the Royal Meteorological Society 124(548) : 1071–1107, doi :10.
1002/qj.49712454804, URL https://rmets.onlinelibrary.wiley.com/doi/abs/
10.1002/qj.49712454804.
Revillet C. 2009. Life cycle of squall lines. Water and energy budgets.
Theses, Université de Versailles-Saint Quentin en Yvelines, URL https://tel.
archives-ouvertes.fr/tel-00601245.
Ribaud JF, Bousquet O, Coquillat S, Al-Sakka H, Lambert D, Ducrocq V, Fontaine
E. 2016. Evaluation and application of hydrometeor classification algorithm outputs
inferred from multi-frequency dual-polarimetric radar observations collected during
HyMeX. Quarterly Journal of the Royal Meteorological Society 142 : 95–107, doi :
10.1002/qj.2589, URL http://dx.doi.org/10.1002/qj.2589.
Ribes A, Thao S, Vautard R, Dubuisson B, Somot S, Colin J, Planton S, Sou-
beyroux JM. 2018. Observed increase in extreme daily rainfall in the French
Mediterranean. Climate Dynamics doi :10.1007/s00382-018-4179-2, URL https:
//doi.org/10.1007/s00382-018-4179-2.
Ricard D, Ducrocq V, Auger L. 2012. A Climatology of the Mesoscale Environment
Associated with Heavily Precipitating Events over a Northwestern Mediterranean
Area. Journal of Applied Meteorology and Climatology 51(3) : 468–488, doi :10.1175/
JAMC-D-11-017.1, URL https://doi.org/10.1175/JAMC-D-11-017.1.
Rochetin N, Couvreux F, Guichard F. 2017. Morphology of breeze circulations in-
duced by surface flux heterogeneities and their impact on convection initiation.
Quarterly Journal of the Royal Meteorological Society 143(702) : 463–478, doi :
10.1002/qj.2935, URL https://rmets.onlinelibrary.wiley.com/doi/abs/10.
1002/qj.2935.
Romero R, Doswell CA, Ramis C. 2000. Mesoscale Numerical Study of Two
Cases of Long-Lived Quasi-Stationary Convective Systems over Eastern Spain.
Monthly Weather Review 128(11) : 3731–3751, doi :10.1175/1520-0493(2001)
129é3731:MNSOTCê2.0.CO;2, URL https://doi.org/10.1175/1520-0493(2001)
129<3731:MNSOTC>2.0.CO;2.
140
BIBLIOGRAPHIE
Rosenfeld D, Lohmann U, Raga GB, O’Dowd CD, Kulmala M, Fuzzi S, Reissell

A, Andreae MO. 2008. Flood or Drought : How Do Aerosols Affect Precipita-
tion ? Science 321(5894) : 1309–1313, doi :10.1126/science.1160606, URL http:
//science.sciencemag.org/content/321/5894/1309.
Saleeby SM, Cotton WR, Lowenthal D, Borys RD, Wetzel MA. 2009. Influence of
Cloud Condensation Nuclei on Orographic Snowfall. Journal of Applied Meteorology
and Climatology 48(5) : 903–922, doi :10.1175/2008JAMC1989.1, URL https://
doi.org/10.1175/2008JAMC1989.1.
Saleeby SM, van den Heever SC. 2013. Developments in the CSU-RAMS Aerosol Mo-
del : Emissions, Nucleation, Regeneration, Deposition, and Radiation. Journal of Ap-
plied Meteorology and Climatology 52(12) : 2601–2622, doi :10.1175/jamc-d-12-0312.
1, URL http://dx.doi.org/10.1175/JAMC-D-12-0312.1.
Satoh M, Tomita H, Yashiro H, Miura H, Kodama C, Seiki T, Noda AT, Yamada Y,

Goto D, Sawada M, Miyoshi T, Niwa Y, Hara M, Ohno T, Iga Si, Arakawa T, Inoue
T, Kubokawa H. 2014. The Non-hydrostatic Icosahedral Atmospheric Model : des-
cription and development. Progress in Earth and Planetary Science 1(1) : 18, doi :10.
1186/s40645-014-0018-1, URL https://doi.org/10.1186/s40645-014-0018-1.
Saunders CPR, Keith WD, Mitzeva RP. 1991. The effect of liquid water on thun-
derstorm charging. Journal of Geophysical Research : Atmospheres 96(D6) : 11 007–
11 017, doi :10.1029/91JD00970, URL https://agupubs.onlinelibrary.wiley.
com/doi/abs/10.1029/91JD00970.
Saxena P, Hildemann LM, McMurry PH, Seinfeld JH. 1995. Organics alter hygro-
scopic behavior of atmospheric particles. Journal of Geophysical Research : Atmos-
pheres 100(D9) : 18 755–18 770, doi :10.1029/95JD01835, URL https://agupubs.
onlinelibrary.wiley.com/doi/abs/10.1029/95JD01835.
Schaefer VJ. 1946. The Production of Ice Crystals in a Cloud of Supercooled Wa-
ter Droplets. Science 104(2707) : 457–459, URL http://www.jstor.org/stable/
1675452.
Schnaiter M, Järvinen E, Vochezer P, Abdelmonem A, Wagner R, Jourdan O,

Mioche G, Shcherbakov VN, Schmitt CG, Tricoli U, Ulanowski Z, Heymsfield AJ.
2016. Cloud chamber experiments on the origin of ice crystal complexity in cir-
rus clouds. Atmospheric Chemistry and Physics 16(8) : 5091–5110, doi :10.5194/
Seifert A. 2008. A revised cloud microphysical parameterization for COSMO-LME.

COSMO Newsletter 7 : 25–28.
Seifert A, Beheng KD. 2006. A two-moment cloud microphysics parameterization for

mixed-phase clouds. Part 1 : Model description. Meteorology and Atmospheric Phy-
sics 92(1) : 45–66, doi :10.1007/s00703-005-0112-4, URL https://doi.org/10.
1007/s00703-005-0112-4.
Seinfeld JH, Pandis SN. 1998. Atmospheric chemistry and physics. JWiley, New York.
141
BIBLIOGRAPHIE
Seity Y, Brousseau P, Malardel S, Hello G, Bénard P, Bouttier F, Lac C, Masson V.

2011. The AROME-France Convective-Scale Operational Model. Monthly Weather
Review 139(3) : 976–991, doi :10.1175/2010MWR3425.1, URL https://doi.org/
10.1175/2010MWR3425.1.
Silvestro F, Gabellani S, Giannoni F, Parodi A, Rebora N, Rudari R, Siccardi F. 2012.

A hydrological analysis of the 4 November 2011 event in Genoa. Natural Hazards
and Earth System Sciences 12(9) : 2743–2752, doi :10.5194/nhess-12-2743-2012,
URL https://www.nat-hazards-earth-syst-sci.net/12/2743/2012/.
Simpson EL, Connolly PJ, McFiggans G. 2018. Competition for water vapour results
in suppression of ice formation in mixed-phase clouds. Atmospheric Chemistry and
Physics 18(10) : 7237–7250, doi :10.5194/acp-18-7237-2018, URL https://www.
atmos-chem-phys.net/18/7237/2018/.
Simpson J. 1983. Cumulus Clouds : Interactions Between Laboratory Experiments and

Observations as Foundations for Models. Springer Netherlands : Dordrecht, ISBN
978-94-017-2241-4, pp. 399–412, doi :10.1007/978-94-017-2241-4 22, URL https:
//doi.org/10.1007/978-94-017-2241-4_22.
Skamarock WC, Klemp JB. 2008. A time-split nonhydrostatic atmospheric model for
weather research and forecasting applications. Journal of Computational Physics
227(7) : 3465 – 3485, doi :https://doi.org/10.1016/j.jcp.2007.01.037, URL http://
www.sciencedirect.com/science/article/pii/S0021999107000459. Predicting
weather, climate and extreme events.
Slinn W. 1983. Atmospheric sciences and power production 1979. Precipitation Sca-
venging, US Department of Energy, Washington, DC chap 11.
Srivastava RC. 1978. Parameterization of Raindrop Size Distributions. Journal of

the Atmospheric Sciences 35(1) : 108–117, doi :10.1175/1520-0469(1978)035é0108:
PORSDê2.0.CO;2, URL https://doi.org/10.1175/1520-0469(1978)035<0108:
PORSD>2.0.CO;2.
Storer RL, Heever SC, L’Ecuyer TS. 2014. Observations of aerosol-induced convective
invigoration in the tropical east Atlantic. Journal of Geophysical Research : Atmos-
pheres 119(7) : 3963–3975, doi :10.1002/2013JD020272, URL https://agupubs.
onlinelibrary.wiley.com/doi/abs/10.1002/2013JD020272.
Straka JM, Mansell ER. 2005. A Bulk Microphysics Parameterization with Multiple
Ice Precipitation Categories. Journal of Applied Meteorology 44(4) : 445–466, doi :
10.1175/JAM2211.1, URL https://doi.org/10.1175/JAM2211.1.
Tang Y, Lean HW, Bornemann J. 2013. The benefits of the Met Office variable
resolution NWP model for forecasting convection. Meteorological Applications
20(4) : 417–426, doi :10.1002/met.1300, URL https://rmets.onlinelibrary.
wiley.com/doi/abs/10.1002/met.1300.
Tao WK, Chen JP, Li Z, Wang C, Zhang C. 2012. Impact of aerosols on convec-
tive clouds and precipitation. Reviews of Geophysics 50(2) : n/a–n/a, doi :10.1029/
2011RG000369, URL http://dx.doi.org/10.1029/2011RG000369. RG2001.
142
BIBLIOGRAPHIE
Tao WK, Simpson J. 1993. The Goddard cumulus ensemble model. Part I : Model
description. Terr. Atmos. Oceanic Sci 4(1) : 35–72.
Taufour M, Vié B, Augros C, Boudevillain B, Delanoë J, Delautier G, Ducrocq V,

Lac C, Pinty JP, Schwarzenböck A. 2018. Evaluation of the two-moment scheme
LIMA based on microphysical observations from the HyMeX campaign. Quarterly
Journal of the Royal Meteorological Society 0(0) : 0, doi :10.1002/qj.3283, URL
https://rmets.onlinelibrary.wiley.com/doi/abs/10.1002/qj.3283.
Teller A, Levin Z. 2006. The effects of aerosols on precipitation and dimensions of

subtropical clouds : a sensitivity study using a numerical cloud model. Atmospheric
Chemistry and Physics 6(1) : 67–80, doi :10.5194/acp-6-67-2006, URL https://
www.atmos-chem-phys.net/6/67/2006/.
Thompson G, Eidhammer T. 2014. A Study of Aerosol Impacts on Clouds and

Precipitation Development in a Large Winter Cyclone. Journal of the Atmos-
pheric Sciences 71(10) : 3636–3658, doi :10.1175/JAS-D-13-0305.1, URL https:
//doi.org/10.1175/JAS-D-13-0305.1.
Thompson G, Field PR, Rasmussen RM, Hall WD. 2008. Explicit Forecasts of Winter
Precipitation Using an Improved Bulk Microphysics Scheme. Part II : Implementa-
tion of a New Snow Parameterization. Monthly Weather Review 136(12) : 5095–5115,
doi :10.1175/2008MWR2387.1, URL https://doi.org/10.1175/2008MWR2387.1.
Tokay A, Petersen WA, Gatlin P, Wingo M. 2013. Comparison of raindrop size dis-
tribution measurements by collocated disdrometers. Journal of Atmospheric and
Oceanic Technology 30(8) : 1672–1690, doi :10.1175/JTECH-D-12-00163.1, URL
https://doi.org/10.1175/JTECH-D-12-00163.1.
Tomita H. 2008. New microphysical schemes with five and six categories by diagnostic
generation of cloud ice. Journal of the Meteorological Society of Japan. Ser. II 86 :
121–142.
Tsenova BD, Mitzeva RP. 2009. New parameterization of non-inductive charge

transfer based on previous laboratory experiments. Atmospheric Research 91(1) :
79 – 86, doi :https://doi.org/10.1016/j.atmosres.2008.07.001, URL http://www.
sciencedirect.com/science/article/pii/S0169809508001439.
Twomey S. 1959. The nuclei of natural cloud formation part II : The supersaturation
in natural clouds and the variation of cloud droplet concentration. Geofisica pura e
applicata 43(1) : 243–249, doi :10.1007/BF01993560, URL https://doi.org/10.
1007/BF01993560.
Twomey S. 1977. The Influence of Pollution on the Shortwave Albedo of Clouds. Jour-
034é1149:TIOPOTê2.0.CO;2, URL https://doi.org/10.1175/1520-0469(1977)
034<1149:TIOPOT>2.0.CO;2.
Twomey S, Wojciechowski TA. 1969. Observations of the Geographical Variation

of Cloud Nuclei. Journal of the Atmospheric Sciences 26(4) : 648–651, doi :
10.1175/1520-0469(1969)26é648:OOTGVOê2.0.CO;2, URL https://doi.org/10.
1175/1520-0469(1969)26<648:OOTGVO>2.0.CO;2.
143
BIBLIOGRAPHIE
Vannier O, Anquetin S, Braud I. 2016. Investigating the role of geology in the hydrolo-
gical response of Mediterranean catchments prone to flash-floods : Regional model-
ling study and process understanding. Journal of Hydrology 541 : 158 – 172, doi :
https://doi.org/10.1016/j.jhydrol.2016.04.001, URL http://www.sciencedirect.
com/science/article/pii/S0022169416301822. Flash floods, hydro-geomorphic
response and risk management.
Varble A, Fridlind AM, Zipser EJ, Ackerman AS, Chaboureau JP, Fan J, Hill A,
McFarlane SA, Pinty JP, Shipway B. 2011. Evaluation of cloud-resolving model in-
tercomparison simulations using TWP-ICE observations : Precipitation and cloud
structure. Journal of Geophysical Research : Atmospheres 116(D12) : n/a–n/a,
doi :10.1029/2010JD015180, URL http://dx.doi.org/10.1029/2010JD015180.
D12206.
Vautard R, Yiou P, van Oldenborgh GJ, Lenderink G, Thao S, Ribes A, Planton S,
Dubuisson B, Soubeyroux JM. 2015. Extreme fall 2014 precipitation in the Cévennes
mountains. Bulletin of the American Meteorological Society 96(12) : S56–S60.
Verlinde J, Flatau PJ, Cotton WR. 1990. Analytical Solutions to the Collection
Growth Equation : Comparison with Approximate Methods and Application to
Cloud Microphysics Parameterization Schemes. Journal of the Atmospheric Sciences
47(24) : 2871–2880, doi :10.1175/1520-0469(1990)047é2871:ASTTCGê2.0.CO;2,
URL https://doi.org/10.1175/1520-0469(1990)047<2871:ASTTCG>2.0.CO;2.
Vié B, Pinty JP, Berthet S, Leriche M. 2016. LIMA (v1.0) : A quasi two-moment
microphysical scheme driven by a multimodal population of cloud condensation and
ice freezing nuclei. Geoscientific Model Development 9(2) : 567–586, doi :10.5194/
gmd-9-567-2016, URL https://www.geosci-model-dev.net/9/567/2016/.
Vié B, Taufour M, Lac C, Ducrocq V. 2018. Simulation of Deep Convective Clouds
from the HyMeX Campaign using a Realistic Population of CCN and IFN. In : 15th
Conf. on Cloud Physics, Vancouver, 9-13 July 2018.
Vivekanandan J, Raghavan R, Bringi VN. 1993. Polarimetric radar modeling of mix-
tures of precipitation particles. IEEE Transactions on Geoscience and Remote Sen-
sing 31(5) : 1017–1030, doi :10.1109/36.263772.
Wacker U, Lüpkes C. 2008. On the selection of prognostic moments in parametrization
schemes for drop sedimentation. Tellus A : Dynamic Meteorology and Oceanography
61(4) : 498–511, doi :10.1111/j.1600-0870.2009.00405.x, URL https://doi.org/
10.1111/j.1600-0870.2009.00405.x.
Wang C, Chang JS. 1993. A three-dimensional numerical model of cloud dynamics,
microphysics, and chemistry : 1. Concepts and formulation. Journal of Geophysi-
cal Research : Atmospheres 98(D8) : 14 827–14 844, doi :10.1029/92JD01393, URL
https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/92JD01393.
Whitby KT. 1978. THE PHYSICAL CHARACTERISTICS OF SULFUR AE-
ROSOLS. In : Sulfur in the Atmosphere, Husar R, Lodge J, Moore D
(eds), Pergamon, ISBN 978-0-08-022932-4, pp. 135 – 159, doi :https://doi.
org/10.1016/B978-0-08-022932-4.50018-5, URL http://www.sciencedirect.com/
science/article/pii/B9780080229324500185.
144
BIBLIOGRAPHIE
Wilson DR, Ballard SP. 1999. A microphysically based precipitation scheme for the UK
meteorological office unified model. Quarterly Journal of the Royal Meteorological
Society 125(557) : 1607–1636, doi :10.1002/qj.49712555707, URL https://rmets.
onlinelibrary.wiley.com/doi/abs/10.1002/qj.49712555707.
Yano JI, Phillips VTJ. 2011. Ice–Ice Collisions : An Ice Multiplication Process in
Atmospheric Clouds. Journal of the Atmospheric Sciences 68(2) : 322–333, doi :
Yu H, Chin M, Yuan T, Bian H, Remer LA, Prospero JM, Omar A, Winker D, Yang Y,
Zhang Y, Zhang Z, Zhao C. 2015. The fertilizing role of African dust in the Amazon
rainforest : A first multiyear assessment based on data from Cloud-Aerosol Lidar
and Infrared Pathfinder Satellite Observations. Geophysical Research Letters 42(6) :
1984–1991, doi :10.1002/2015GL063040, URL https://agupubs.onlinelibrary.
wiley.com/doi/abs/10.1002/2015GL063040.
Zhang G, Vivekanandan J, Brandes E. 2001. A method for estimating rain rate and
drop size distribution from polarimetric radar measurements. IEEE Transactions on
Geoscience and Remote Sensing 39(4) : 830–841, doi :10.1109/36.917906.
Zhang G, Vivekanandan J, Brandes EA, Meneghini R, Kozu T. 2003. The Shape–Slope

Relation in Observed Gamma Raindrop Size Distributions : Statistical Error or
Useful Information ? Journal of Atmospheric and Oceanic Technology 20(8) :
1106–1119, doi :10.1175/1520-0426(2003)020é1106:TSRIOGê2.0.CO;2, URL https:
//doi.org/10.1175/1520-0426(2003)020<1106:TSRIOG>2.0.CO;2.
Ziegler CL. 1985. Retrieval of Thermal and Microphysical Variables in Obser-

ved Convective Storms. Part 1 : Model Development and Preliminary Tes-
ting. Journal of the Atmospheric Sciences 42(14) : 1487–1509, doi :10.1175/
1520-0469(1985)042é1487:ROTAMVê2.0.CO;2, URL https://doi.org/10.1175/
1520-0469(1985)042<1487:ROTAMV>2.0.CO;2.
Zwiebel J, Van Baelen J, Anquetin S, Pointin Y, Boudevillain B. 2016. Impacts of

orography and rain intensity on rainfall structure. The case of the HyMeX IOP7a
event. Quarterly Journal of the Royal Meteorological Society 142(S1) : 310–319,
doi :10.1002/qj.2679, URL https://rmets.onlinelibrary.wiley.com/doi/abs/
10.1002/qj.2679.
145

2018 TOU30325 A

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

2018 TOU30325 A

Transféré par

Droits d'auteur :

Formats disponibles

Validation et amélioration du schéma microphysique à

deux moments LIMA à partir des observations de la

To cite this version:

HAL Id: tel-02458971

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

Merci aussi à Clotilde Augros, Julien Delanoë, Brice Boudevillain, Wolfram

Je tiens à remercier l’ensemble des membres de mon jury : Christelle Barthe

Plus généralement, je remercie l’ensemble du couloir PRECIP/PHYNH pour

2 Microphysique nuageuse dans Méso-NH 19

3 Les cas d’étude de la campagne HyMeX 35

4 Évaluation du schéma LIMA à partir d’observations microphysiques 53

5 Tests de sensibilité aux paramètres du schéma LIMA 63

6 Impact de la population d’aérosols 87

Conclusion générale 105

Figure 1 – (a) Titre et photo parus le 10/09/2002 dans le journal ©MidiLibre

La mise en place de campagnes expérimentales et d’un réseau de mesures fiable

1. Quels sont les apports de la microphysique de LIMA par rapport au schéma

1.1 Rôle des aérosols et interactions avec les nuages

Figure 1.1 – Schéma idéalisé et simplifié illustrant les aérosols at-

1.1.3 Impact des aérosols sur les nuages

Effets des aérosols

• effet semi-direct : les aérosols absorbent de l’énergie, provoquant un

• effets indirects : la formation d’une gouttelette d’eau nuageuse ou d’un

Sensibilité des nuages à la population d’aérosols.

1.2 Les nuages

Figure 1.4 – Représentation schématique de la composition d’un nuage.

1.2.1 La microphysique nuageuse

• La formation de gouttelettes d’eau nuageuse. En théorie, il est possible d’ini-

Figure 1.5 – Évolution de la sursaturation en fonction du diamètre à

Une source supplémentaire de gouttelettes complètes la nucléation hétérogène : la

• La formation de glace primaire. La formation de cristaux de glace est un

1. la nucléation homogène : la formation de cristaux de glace peut se produire

2. la nucléation hétérogène : l’intervention d’un noyaux de condensation per-

Après formation d’hydrométéores primaires, les interactions (choc, croissance par

1.2.2 La microphysique nuageuse dans les modèles

Dans les modèles de prévision numérique du temps, la microphysique nuageuse

des paramétrisations, a montré des avantages dans la simulation de l’électrisation des

Tableau 1.1 – Exemples de schémas à microphysique détaillée type BIN. Les

Tableau 1.2 – Exemples de schémas à un ou plusieurs moments type BULK.

1.2.3 Les aérosols dans les modèles

Microphysique nuageuse dans

2.1 Généralités sur le modèle Méso-NH

• système d’équations anélastique : la densité de l’air sec de référence est constante

• des schémas d’advection eulériens : le schéma PPM (Piecewise Parabolic Method,

• la paramétrisation de la convection profonde (pour les résolutions horizontales

• la paramétrisation 1D ou 3D de la turbulence humide (Cuxart et al., 2000).

• le schéma de transfert radiatif du centre européen RRTM (Rapid Radiative Tran-

2.2 Schéma à un moment ICE3

log10 (Ce ) = −3.55xe + 3.89. (2.3)

La fonction de distribution dimensionnelle des hydrométéores précipitants que sont

n(D)dD = Ce λxe e +1 exp(−λe D)dD , (2.4)

Le paramètre de pente λe dépend du rapport de mélange (re ) :

m(D) = ae Dbe . (2.6)

Tableau 2.1 – Paramètres microphysiques du schéma ICE3 pour les différents

2.3 Schéma à deux moments LIMA

• la représentation (multimodale) des aérosols

• la prise en compte des interactions entre aérosols, nuages et précipitations

2.3.1 Représentation des hydrométéores

2.3.2 Représentation des aérosols

2.3.2.1 Population multimodale

mieux représenter la diversité rencontrée dans l’atmosphère. Le terme mode définit un

2.3.2.2 Évolution pronostique de la population d’aérosols

Figure 2.1 – Diagramme représentant les interactions aérosols - nuages -