Vers une meilleure exploitation des données de la future mission SWOT pour l’océanographie

La mission SWOT (Surface Water and Ocean Topography) est une mission satellite NASA/CNES dont le lancement est prévu pour 2021. Elle va permettre d’observer pour la première fois la dynamique océanique de surface aux fines échelles influençant fortement les échanges de cette surface avec l’atmosphère et l’océan profond. Elle permettra également une meilleure prévision de la circulation océanique.

SWOT permettra d’observer avec une résolution de 2 km la hauteur de la surface de l’océan (SSH) sur une fauchée de 120 km, sous la forme d’images. Les données seront entachées d’erreurs, certaines d’entre elles étant géométriquement structurées. Le roulis, par exemple, introduit un bruit positif et linéairement croissant d’un côté de la fauchée, et négatif décroissant de l’autre côté. Ces erreurs seront caractérisées par de grandes échelles caractéristiques, et sont difficiles à appréhender pour l’assimilation de ces données dans les modèles de circulation de l’océan.

L’équipe MEOM de l’IGE a développé une méthode pour réduire les erreurs spatialement structurées des futures données SWOT. La méthode repose sur la projection du champ de SSH sur un sous-espace engendré par la structure géométrique des erreurs. Le résultat de cette projection est ensuite retirée de la SSH pour obtenir une SSH dégauchie. La procédure réduisant également une partie de l’information physique de grande longueur d’onde contenue dans la donnée, la SSH dégauchie est traitée par filtrage de Kalman d’Ensemble pour rétablir l’information de grande échelle. Cette méthode, simple et peu coûteuse numériquement, est également facile à intégrer dans un système d’assimilation existant, ouvrant des perspectives pour les applications opérationnelles impliquant l’assimilation de SWOT.

Metref, S., E. Cosme, J. Le Sommer, N. Poel, J.-M. Brankart, J. Verron and L. Gómez Navarro, 2019 Reduction of Spatially Structured Errors in Wide-Swath Altimetric Satellite Data Using Data As- similation, Remote Sensing, 11 (11), 1336, https://doi.org/10.3390/rs11111336.