Nouveau mécanisme de glaciation des nuages par les courants ascendants : une étude satellitaire // New mechanism of cloud glaciation by updrafts: A satellite study

Une étude en laboratoire suggère que la collision des gouttelettes pourrait générer suffisamment d'énergie pour induire leur congélation (Niehaus et Cantrell, 2015), sans qu'il soit nécessaire de recourir à des aérosols. Cependant, ce processus, qui pourrait être amplifié par une atmosphère instable et des courants ascendants intenses, n'a jamais été observé ni quantifié dans l'atmosphère. Cette lacune soulève une question fondamentale : les observations satellitaires peuvent-elles détecter et quantifier le givrage des nuages induit uniquement par la dynamique atmosphérique, indépendamment des INP ?

Pour répondre à cette question, ce projet propose d'utiliser les données des instruments embarqués à bord du satellite EarthCARE. Ce satellite offre une opportunité unique grâce à son lidar et à son radar, capables de fournir des profils verticaux détaillés de la phase nuageuse et des propriétés microphysiques des hydrométéores. De plus, son radar Doppler permettra de mesurer directement les vitesses des courants ascendants, un paramètre qui a été mal contraint par les réanalyses atmosphériques, dont la résolution spatiale et temporelle fournit des informations sur la dynamique générale de l'atmosphère, mais qui est insuffisante pour saisir les processus à l'échelle des nuages.

L'analyse des données sera en partie basée sur l'algorithme Varpy Mix (Aubry et al., 2024), qui détermine les propriétés des phases liquide et glacée dans les pixels en phase mixte, y compris la taille des hydrométéores, à partir des mesures lidar et radar, et sera appliquée aux observations EarthCARE. Différents modèles météorologiques seront définis afin d'étudier l'évolution de la phase nuageuse et des propriétés microphysiques avec les courants ascendants, tout en contrôlant d'autres paramètres tels que l'humidité et la concentration d'aérosols, à l'aide des réanalyses disponibles.

La dimension temporelle de la glaciation sera abordée à l'aide des données du satellite MTG (Meteosat Third Generation) et de l'instrument FCI (Flexible Combined Imager) (Holmlund et al., 2021). Un algorithme de suivi des nuages (Coopman et al., 2020 ; Seelig et al., 2021) permettra d'identifier le moment précis où un nuage passe de la phase liquide à la phase glacée. Les nuages suivis seront ensuite localisés à l'aide des observations EarthCARE afin d'analyser leur profil vertical au moment de la transition. Cette approche permettra de quantifier l'impact des courants ascendants sur la glaciation et d'évaluer si ce mécanisme peut expliquer certaines des transitions observées, indépendamment des INP.

Enfin, des études de cas spécifiques seront analysées comme des «laboratoires naturels» afin de tester les nouvelles paramétrisations proposées. Les résultats de cette thèse pourraient ainsi contribuer à réduire les incertitudes liées à la représentation des nuages dans les modèles en intégrant un mécanisme de glaciation dynamique qui a été négligé jusqu'à présent.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Clouds are critical to Earth's radiation balance, yet their representation in climate models remains uncertain, especially regarding the liquid-to-ice phase transition (Myers et al., 2021). This aspect is key to climate models since the phase of clouds influences their radiative properties and their lifespan. Two main mechanisms are traditionally invoked to explain this transition: homogeneous nucleation, which occurs at temperatures below -38˚C, and heterogeneous nucleation, catalyzed by ice nucleating particles (INP) via the presence of certain types of aerosols. However, the atmospheric concentration of these nuclei is much lower than that of the ice crystals observed (Hobbs and Rangno, 1989). Secondary ice processes have been proposed, but they still do not explain the observed ice concentrations (Field et al., 2017), suggesting the existence of complementary mechanisms that are not yet understood.

A laboratory study suggests that sufficient energy could be generated by the collision of droplets to induce their freezing (Niehaus and Cantrell, 2015), without the need for aerosols. However, this process, which could potentially be amplified by an unstable atmosphere and intense updrafts, has never been observed or quantified in the atmosphere. This gap raises a fundamental question: can satellite observations detect and quantify cloud icing induced solely by atmospheric dynamics, independently of INPs?

To answer this question, this project proposes to use data from instruments aboard the EarthCARE satellite (Eisinger et al., 2024). This satellite offers a unique opportunity with its lidar and radar, capable of providing detailed vertical profiles of cloud phase and the microphysical properties of hydrometeors. In addition, its Doppler radar will enable direct measurement of updraft velocities, a parameter that has been poorly constrained by atmospheric reanalyses, whose spatial and temporal resolution provides information on the general dynamics of the atmosphere but is insufficient to capture processes at the cloud scale.

Data analysis will be partly based on the Varpy Mix algorithm (Aubry et al., 2024), which determines the properties of liquid and ice phases in mixed-phase pixels, including hydrometeor size, from lidar and radar measurements and will be applied to EarthCARE observations. Different meteorological patterns will be defined to study how cloud phase and microphysical properties evolve with updrafts, while controlling for other parameters such as humidity and aerosol concentration, using available reanalyses.

The temporal dimension of glaciation will be addressed using data from the MTG (Meteosat Third Generation) satellite and the FCI (Flexible Combined Imager) instrument (Holmlund et al., 2021). A cloud tracking algorithm (Coopman et al., 2020; Seelig et al., 2021), will identify the precise moment when a cloud transitions from the liquid phase to the ice phase. The tracked clouds will then be co-located with EarthCARE observations to analyze their vertical profile at the moment of transition. This approach will make it possible to quantify the impact of updrafts on glaciation and assess whether this mechanism can explain some of the transitions observed, independently of INPs.

Finally, specific case studies will be analyzed as “natural laboratories” to test the proposed new parameterizations. Depending on the progress achieved during the PhD, these cases will be simulated to validate their robustness and applicability in climate models like ICOsahedral Nonhydrostatic (ICON) (Zängl et al., 2015) or Regional Atmospheric Modeling System (RAMS) (Pielke et al., 1992). The results of this thesis could thus contribute to reducing uncertainties related to the representation of clouds in models by integrating a dynamic glaciation mechanism that has been neglected until now.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Financement d'un établissement public Français

Université de Lille

104 Sciences de la Matière du Rayonnement et de l'Environnement

- Master en physique, télédétection ou sciences atmosphériques. - Compétences analytiques dans le traitement de données scientifiques - Maîtrise des langages de programmation/script (par exemple, Python) - Maîtrise de l'anglais écrit et parlé
- Master's degree in Physics, remote sensing or atmospheric sciences. - Analytical skills working on scientific data - Proficiency in programming/scripting languages (e.g., Python) - English language skills, written and spoken