Académique Documents
Professionnel Documents
Culture Documents
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.
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
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)
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.
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 :
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
• 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
CHAPITRE 1. MICROPHYSIQUE NUAGEUSE
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.
• 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.
9
CHAPITRE 1. MICROPHYSIQUE NUAGEUSE
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.
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.
11
CHAPITRE 1. MICROPHYSIQUE NUAGEUSE
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).
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).
13
CHAPITRE 1. MICROPHYSIQUE NUAGEUSE
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
15
CHAPITRE 1. MICROPHYSIQUE NUAGEUSE
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)
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
18
Chapitre 2
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
• un schéma temporel dit ≪ explicite ≫ : les termes des équations avec dérivées
spatiales sont dérivés aux temps connus.
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).
Les différents paramètres utilisés dans le schéma ICE3 sont répertoriés dans le
Tableau 2.1.
21
CHAPITRE 2. MICROPHYSIQUE NUAGEUSE DANS MÉSO-NH
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
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.
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.
23
CHAPITRE 2. MICROPHYSIQUE NUAGEUSE DANS MÉSO-NH
24
2.3. SCHÉMA À DEUX MOMENTS LIMA
25
CHAPITRE 2. MICROPHYSIQUE NUAGEUSE DANS MÉSO-NH
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.
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).
27
CHAPITRE 2. MICROPHYSIQUE NUAGEUSE DANS MÉSO-NH
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
28
2.4. LES PROCESSUS MICROPHYSIQUES
(a)
(b)
29
CHAPITRE 2. MICROPHYSIQUE NUAGEUSE DANS MÉSO-NH
• 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.
• 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
2.4. LES PROCESSUS MICROPHYSIQUES
31
CHAPITRE 2. MICROPHYSIQUE NUAGEUSE DANS MÉSO-NH
• 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.
• 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.
• 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
2.5.2 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) :
• FAR (False Alarm Rate) est une mesure du taux de fausses alarmes : un taux
nul correspond à une simulation de qualité.
33
CHAPITRE 2. MICROPHYSIQUE NUAGEUSE DANS MÉSO-NH
• 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.
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
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
35
CHAPITRE 3. LES CAS D’ÉTUDE DE LA CAMPAGNE HYMEX
36
3.1. LA CAMPAGNE DE MESURES HYMEX
37
CHAPITRE 3. LES CAS D’ÉTUDE DE LA CAMPAGNE HYMEX
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.
45°N
44°N
Montclar Maurel
Nîmes
Collobrières
43°N
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. LA CAMPAGNE DE MESURES HYMEX
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
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).
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
39
CHAPITRE 3. LES CAS D’ÉTUDE DE LA CAMPAGNE HYMEX
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)
40
3.1. LA CAMPAGNE DE MESURES HYMEX
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
-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)
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
CHAPITRE 3. LES CAS D’ÉTUDE DE LA CAMPAGNE HYMEX
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.
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
10 -1
-35 ⩽ T < -30
-40 ⩽ T < -35
1
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
43
CHAPITRE 3. LES CAS D'ÉTUDE DE LA CAMPAGNE HYMEX
2L
WIND above 10m/s + Theta_prlme_w 950 hPa (deg C)
AROME_WMED 20120924_00 Forecast +OOh
1\1
18
I?
16
15
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
45
CHAPITRE 3. LES CAS D'ÉTUDE DE LA CAMPAGNE HYMEX
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. DESCRIPTION DES ÉVÉNEMENTS PRÉCIPITANTS
60° W
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
CHAPITRE 3. LES CAS D'ÉTUDE DE LA CAMPAGNE HYMEX
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
40
25
·~
21
17
9
5
1
-~
-7
10'E
48
3.2. DESCRIPTION DES ÉVÉNEMENTS PRÉCIPITANTS
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
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
49
CHAPITRE 3. LES CAS D'ÉTUDE DE LA CAMPAGNE HYMEX
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
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
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
CHAPITRE 4. ÉVALUATION DU SCHÉMA LIMA À PARTIR D’OBSERVATIONS
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
Marie Taufour1 Benoît Vié1 Clotilde Augros1 Brice Boudevillain2 Julien Delanoë3 Gaëlle
Delautier1 Véronique Ducrocq1 Christine Lac1 Jean-Pierre Pinty4 Alfons Schwarzenböck5
K E Y WO RD S
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
7 Villeneuve de B.2 300
rainfall during the day (Figure 3b) with observed intensities
8 Villeneuve de B.3 300
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_.
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_.
2.5
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)
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
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
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
(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
TAUFOUR ET AL 1 1409
(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'
• ;:~.--•.•,,
••••••
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)
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
TAUFOUR ET AL 1 1411
E 10
4
. though it is known that the aerosol population played a role
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.
CHAPITRE 4. ÉVALUATION DU SCHÉMA LIMA À PARTIR D’OBSERVATIONS
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
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)
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
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)
73
CHAPITRE 4. ÉVALUATION DU SCHÉMA LIMA À PARTIR D’OBSERVATIONS
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 )
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
CHAPITRE 4. ÉVALUATION DU SCHÉMA LIMA À PARTIR D’OBSERVATIONS
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
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
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)
(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)
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
CHAPITRE 5. TESTS DE SENSIBILITÉ AUX PARAMÈTRES DU SCHÉMA LIMA
• (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.
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
100
80
65
50
35
20
10
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
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
,,\ Ε ,,. .,\ -30
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)
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
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)
83
CHAPITRE 5. TESTS DE SENSIBILITÉ AUX PARAMÈTRES DU SCHÉMA LIMA
84
5.2. PARAMÈTRES CONTRÔLANT LE DIAMÈTRE MOYEN DES GOUTTES DE PLUIE
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
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
CHAPITRE 5. TESTS DE SENSIBILITÉ AUX PARAMÈTRES DU SCHÉMA LIMA
• 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
• 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
5.2. PARAMÈTRES CONTRÔLANT LE DIAMÈTRE MOYEN DES GOUTTES DE PLUIE
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)
87
CHAPITRE 5. TESTS DE SENSIBILITÉ AUX PARAMÈTRES DU SCHÉMA LIMA
• 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.
88
5.2. PARAMÈTRES CONTRÔLANT LE DIAMÈTRE MOYEN DES GOUTTES DE PLUIE
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
CHAPITRE 5. TESTS DE SENSIBILITÉ AUX PARAMÈTRES DU SCHÉMA LIMA
afin d’observer l’impact sur le développement et le cycle de vie des différents systèmes
convectifs.
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
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.
90
5.2. PARAMÈTRES CONTRÔLANT LE DIAMÈTRE MOYEN DES GOUTTES DE PLUIE
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)
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.
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
CHAPITRE 5. TESTS DE SENSIBILITÉ AUX PARAMÈTRES DU SCHÉMA LIMA
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
Figure 5.12 – Profils moyens de la simulation µDIAG 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.
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
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)
92
5.2. PARAMÈTRES CONTRÔLANT LE DIAMÈTRE MOYEN DES GOUTTES DE PLUIE
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.
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
Figure 5.14 – Profils moyens de la simulation PGMLT 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 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
CHAPITRE 5. TESTS DE SENSIBILITÉ AUX PARAMÈTRES DU SCHÉMA LIMA
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 -50 0 50 100 150
drr , (mg kg -1
)s -1
dNr , (m -3
)s -1
(a) (b)
94
5.2. PARAMÈTRES CONTRÔLANT LE DIAMÈTRE MOYEN DES GOUTTES DE PLUIE
2.0 3000
POI 16a REF
POI 6 µDIAG
2500
Concentration (m -3 )
µMED
1.5 P GMLT
LWC (g m -3 )
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)
95
CHAPITRE 5. TESTS DE SENSIBILITÉ AUX PARAMÈTRES DU SCHÉMA LIMA
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
46°N 120
46°N 120
46°N 120
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
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
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)
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
CHAPITRE 5. TESTS DE SENSIBILITÉ AUX PARAMÈTRES DU SCHÉMA LIMA
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
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
99
CHAPITRE 6. IMPACT DE LA POPULATION D’AÉROSOLS
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)
101
CHAPITRE 6. IMPACT DE LA POPULATION D’AÉROSOLS
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)
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
CHAPITRE 6. IMPACT DE LA POPULATION D’AÉROSOLS
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)
105
CHAPITRE 6. IMPACT DE LA POPULATION D’AÉROSOLS
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 6.7 – (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.
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.
109
CHAPITRE 6. IMPACT DE LA POPULATION D’AÉROSOLS
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
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)
111
CHAPITRE 6. IMPACT DE LA POPULATION D’AÉROSOLS
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
2.0 3000
POI 16a LIMA
POI 6 LowCCN
2500
Concentration (m -3 )
HighCCN
1.5 LowIFN
LWC (g m -3 )
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 )
113
CHAPITRE 6. IMPACT DE LA POPULATION D’AÉROSOLS
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)
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
CHAPITRE 6. IMPACT DE LA POPULATION D’AÉROSOLS
116
Conclusion et perspectives
117
CONCLUSION
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
-6
-12
-18
- 24
-30
-36
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
123
CONCLUSION
n mm
250
• ·• ,,·
-~ '.,·!fi'~ 15 0
. ,·~~ ~., ~~
.
t;i_
e
,;/ //.
44°N 44°N
12 0
,» · ~iMf1:,tr 10 0
~. . . . ..-~
,. • ..
......
~ ' 20
~- .. 4 1 <-N 4PN
10
100
80
65
50
35
20
10
5
mm mm
5.0 5 .0
3.0 3.0
43°N
2.0 2.0
1.0 1.0
0.5 0.5
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.
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.
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.
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.
126
BIBLIOGRAPHIE
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.
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.
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
129
BIBLIOGRAPHIE
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/.
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.
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.
130
BIBLIOGRAPHIE
anvils. Atmospheric Chemistry and Physics 14(20) : 11 367–11 392, doi :10.5194/
acp-14-11367-2014, URL https://www.atmos-chem-phys.net/14/11367/2014/.
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) .
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.
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.
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.
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.
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
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.
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
136
BIBLIOGRAPHIE
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.
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.
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, 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.
Musil DJ. 1970. Computer Modeling of Hailstone Growth in Feeder Clouds. Jour-
nal of the Atmospheric Sciences 27(3) : 474–482, doi :10.1175/1520-0469(1970)
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.
138
BIBLIOGRAPHIE
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
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.
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.
Seinfeld JH, Pandis SN. 1998. Atmospheric chemistry and physics. JWiley, New York.
141
BIBLIOGRAPHIE
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/.
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.
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.
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.
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-
nal of the Atmospheric Sciences 34(7) : 1149–1152, doi :10.1175/1520-0469(1977)
034é1149:TIOPOTê2.0.CO;2, URL https://doi.org/10.1175/1520-0469(1977)
034<1149:TIOPOT>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 :
10.1175/2010JAS3607.1, URL https://doi.org/10.1175/2010JAS3607.1.
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.
145