École doctorale no 432 : Science des Métiers de l’Ingénieur

Doctorat ParisTech
THÈSE
pour obtenir le grade de docteur délivré par

l’École Nationale Supérieure des

Mines de Paris
Spécialité doctorale “Energétique”
présentée et soutenue publiquement par

William WANDJI NYAMSI

le 06 novembre 2015
Vers une méthode automatique d’estimation de la
distribution spectrale du rayonnement solaire. Cas
du ciel clair. Applications à la lumière du jour,
photosynthèse et ultraviolet
Directeur de thèse : Lucien WALD
Jury

M. Stéphane ALFARO Professeur, Université Paris-Est Créteil Rapporteur

M. Olivier BOUCHER Professeur, LMD, IPSL, CNRS/UPMC Rapporteur
Mme Colette BROGNIEZ Professeur, Université de Lille Examinateur
M. Malik CHAMI Professeur, Université Pierre et Marie Curie Examinateur
M. Lucien WALD Professeur, MINES ParisTech Examinateur
M. Philippe BLANC Docteur, MINES ParisTech Examinateur
M. Laurent DUBUS Docteur, EDF R&D Examinateur
M. Armel OUMBE Docteur, TOTAL Energies Nouvelles Examinateur T
MINES ParisTech
Centre Observation, Impacts, Energie (O.I.E.)
H
Rue Claude Daunesse - CS 10207 06904 Sophia Antipolis cedex, France
E
S
E
 A feus papa et maman
A mon frère Antoine
A ma petite soeur chérie Hilaria

ii
 Cette thèse de doctorat clôture la fin d’un projet professionnel. Tout a commencé avec
mes parents dont l’idée est d’aller jusqu’au bout des études. Avec le temps, j’ai compris
que je n’étais pas le seul gagnant mais que je pouvais contribuer à leur bonheur et celui
de mes proches.

C’est une victoire collective nécessitant un environnement de travail favorable. Je remercie

profondément mon directeur de thèse Lucien Wald et mes co-encadrants Bella Espinar
et Philippe Blanc pour m’avoir fait confiance en me donnant l’opportunité d’intégrer le
Centre Observation, Impacts, Energie (O.I.E). Votre bienveillance sur le plan académique
mais surtout sur le plan humain a été précieuse pour moi durant ces trois années de thèse.
Merci aux membres du jury pour avoir accepté de juger ce travail. Vos remarques et ap-
préciations ont contribué à améliorer la qualité du document.

Merci à mes collègues du centre O.I.E : le directeur du centre Thierry Ranchin, Roseline,
Isabelle, Lionel, Sandra, Mireille, Pierre, Alexandre, Mathilde, Camille, Zhipeng, Yehia,
Youva, Marc B & C, Jean, Khai-Min, Benoit, les collègues de Transvalor Claire, Laurent
et Etienne pour tous les moments conviviaux et mes camarades de l’école Christophe,
Ibrahim, Fiona, Sabri, Massiel, Ghislain, Papa, Maxime, Guillaume, Fabien, Lucia pour
les moments agréables passés. J’associe à ces remerciements tout le personnel de l’ecole
des Mines de Paris.

J’exprime ma sincère gratitude à l’ensemble du personnel de l’Université de Yaoundé

I (Faculté des Sciences et Ecole Normale Supérieure) qui n’a cessé d’assurer une forma-
tion de haut niveau malgré les moyens limités et tous mes camarades. Je pense à Donatien
Njomo, Obounou Marcel et Vondou Derbetini. Les réussites au doctorat d’Armel Oumbe,
ainé fraternel ayant suivi la même trajectoire académique que moi, et de moi-même ; sont
la preuve de la qualité de l’enseignement reçu.

Merci à mes amis Solange, Nadine, Ranèse, Serges, Paul, William, Rodrigue, ”Friends
For Life” et mes frères africains Ariel, Boris, Jonathan, José, Midrel, Roland, Roger, Prin-
tice, Stéphane pour l’ambiance que j’ai fortement appréciée.

Merci à ma famille pour le soutien de toute nature que j’ai toujours pu bénéficier qui
m’a aidé durant cette thèse à voir le bout du tunnel. Un chrétien ne mérite pas ce qu’il
a mais il reçoit la grâce de Dieu. Enfin, je remercie éternellement le seigneur Dieu Tout-
puissant de m’avoir fait rencontrer ce beau petit monde et bien d’autres et aussi pour
tout ce qu’il a eu à faire depuis mon tout premier cri de la vie.

iii
iv
Table des matières

1 Introduction générale 2
1.1 Contexte général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Objectif de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Méthodologie et plan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Nomenclature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2 Le rayonnement solaire dans l’atmosphère 14

2.1 Composition et structure de l’atmosphère . . . . . . . . . . . . . . . . . . . 15
2.2 Principaux phénomènes d’interaction dans l’atmosphère . . . . . . . . . . . 17
2.3 L’équation de transfert radiatif . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4 Choix de la résolution de l’équation de transfert radiatif . . . . . . . . . . . 20
2.5 Influence des variables décrivant le ciel clair sur la distribution spectrale
du rayonnement solaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3 Etude de la représentativité spectrale de l’approche de Kato et al.

(1999) 31
3.1 Description de la méthode k-distribution et l’approximation k-corrélés de
Kato et al. (1999) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Les MTR utilisés et les variables d’entrées en conditions de ciel clair . . . . 37
3.3 Procédure de validation numérique . . . . . . . . . . . . . . . . . . . . . . 38
3.4 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.5 Améliorations de l’approche de Kato et al. (1999) . . . . . . . . . . . . . . 44
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

4 Techniques numériques d’estimation de la distribution spectrale du rayon-

nement solaire 52
4.1 Techniques mathématiques exploitant les estimations de l’approche de Kato
et al. (1999) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2 Validation numérique des techniques développées . . . . . . . . . . . . . . 64
4.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

5 Méthode d’estimation de la distribution spectrale et validation expéri-

mentale 69
5.1 La méthode d’estimation de la distribution spectrale de l’éclairement solaire 70
5.2 Protocole de validation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.3 Validation expérimentale de l’éclairement pour la photosynthèse des plantes 74
5.4 Validation expérimentale de l’éclairement de la lumière du jour . . . . . . . 77
5.5 Validation expérimentale de l’éclairement ultraviolet . . . . . . . . . . . . . 79

v
 5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

6 Conclusion et perspectives 88

Bibliographie 94

A Articles liés à la thèse I

vi
Liste des figures

1.1 Simulation numérique de la distribution spectrale de l’éclairement solaire

au sommet de l’atmosphère et au niveau du sol pour Sophia Antipolis
(43,61°N ; 7,05°E) le 18/07/2014 à 12:00 TU. . . . . . . . . . . . . . . . . . 4
1.2 Exemple de distribution spectrale de l’éclairement solaire au niveau du sol :
(a) à un même instant et à deux endroits ; (b) à un même endroit et à deux
instants. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Répartition géographique des stations de mesures de l’éclairement ultravio-
let recensées par WOUDC, 2014. . . . . . . . . . . . . . . . . . . . . . . . 6

2.1 Profil vertical de température pour l’atmosphère standard AFGLUS : Air

Force Geophysics Laboratory US reproduit d’après Liou (2002). . . . . . . 15
2.2 Atténuation du faisceau lumineux par un milieu absorbant . . . . . . . . . 17
2.3 Atténuation du faisceau lumineux par un milieu diffusant . . . . . . . . . . 18
2.4 Sensibilité spectrale de l’éclairement solaire à la variation de la proportion
relative de CO2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5 Sensibilité spectrale de l’éclairement solaire à la variation de la proportion
relative de O2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.6 Sensibilité spectrale de l’éclairement solaire à la variation du contenu total
en NO2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.7 Sensibilité spectrale de l’éclairement solaire à la variation de la hauteur
d’eau précipitable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.8 Sensibilité spectrale de l’éclairement solaire à la variation du contenu total
en O3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.9 Sensibilité spectrale de l’éclairement solaire à un changement d’albédo du
sol ρg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.10 Sensibilité spectrale de l’éclairement solaire à la variation du profil atmo-
sphérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.11 Sensibilité spectrale de l’éclairement solaire à la variation du type d’aérosols
selon la nomenclature de Shettle (1990). . . . . . . . . . . . . . . . . . . . 29

3.1 Distribution spectrale de l’éclairement solaire hors atmosphère de Guey-

mard (2004) dans les 32 intervalles spectraux de Kato et al. (1999) et leur
contribution correspondante relative. . . . . . . . . . . . . . . . . . . . . . 36
3.2 Corrélogramme entre les calculs spectraux détaillés par libRadtran et SMARTS
(axe horizontal) et l’approche de Kato et al. (1999) pour l’indice de clarté
direct et KB # 9 [518, 540 ]nm. . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3 Corrélogramme de l’indice de clarté direct entre les calculs spectraux dé-
taillés de libRadtran et SMARTS (axe horizontal) et l’approche de Kato
et al. (1999) pour KB # 3 et 4. . . . . . . . . . . . . . . . . . . . . . . . . 41

vii
3.4 Comparaison entre la transmissivité moyenne due à la seule absorption de
l’ozone et celle issue de l’approximation k-corrélés pour KB # 3 et 4. . . . 42
3.5 Corrélogramme entre calculs spectraux détaillés de libRadtran et l’ap-
proche de Kato et al. (1999) pour deux domaines de l’angle zénithal solaire
θs pour l’indice de clarté direct et KB # 25 [1516, 1613]nm. . . . . . . . . 43
3.6 Section efficace de l’ozone à 203 K en fonction de la longueur d’onde. . . . 46
3.7 Corrélogramme entre TO3 , TO3KB (ligne rouge) et TO3ef f (ligne bleue). . . . 47
3.8 Corrélogramme entre TO3 , TO3KB (ligne rouge) et TO3new (ligne bleue). . . . 48

4.1 Répartition spectrale des bandes Kato et des bandes spectrales particulières
UV et PAR. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.2 Exemples de réponses spectrales : cellule photovoltaı̈que a-Si, œil, photo-
synthèse, peau humaine. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.3 Comparaison entre l’indice de clarté direct de la technique de ré-échantillonnage
et celle obtenue par le calcul détaillé avec libRadtran, considérée comme
référence. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.4 Comparaison entre l’indice de clarté de la technique de ré-échantillonnage
et celle obtenue par le calcul détaillé avec libRadtran, considérée comme
référence. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.5 Performance des deux techniques numériques pour l’estimation de l’éclai-
rement ultraviolet. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.6 Performance des deux techniques numériques pour l’estimation de l’éclai-
rement photosynthétiquement actif. . . . . . . . . . . . . . . . . . . . . . . 65
4.7 Performance du ré-échantillonnage pour l’estimation de l’éclairement pon-
déré par les réponses spectrales des plantes (à gauche) et de l’œil (à droite). 66

5.1 Variation spectrale de l’albédo pour différents types de sol (Feister et Grewe,
1995). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.2 Aperçu de l’exécution de la chaı̂ne opérationnelle de la méthode. . . . . . . 72
5.3 Performance de la méthode numérique pour l’estimation de l’éclairement
global photosynthétiquement actif pour quatre stations aux Etats-Unis. . . 75
5.4 Dépendance des indicateurs statistiques avec l’angle solaire zénithal pour
la station de Boulder. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.5 Performance de la méthode numérique pour l’estimation de l’éclairement
lumineux global pour Table Mountain. . . . . . . . . . . . . . . . . . . . . 78
5.6 Performance de la méthode numérique en éclairement global ultraviolet
pour la station de Barrow. . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.7 Performance de la méthode numérique en éclairement global ultraviolet
pour la station de McMurdo. . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.8 Performance de la méthode numérique en éclairement global ultraviolet sur
la station de Palmer. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.9 Performance de la méthode numérique en éclairement global ultraviolet
pour la station de Jokioinen. . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.10 Performance de la méthode numérique en éclairement global ultraviolet
pour la station de Sodankyla. . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.11 Corrélogramme de comparaison pour la station de Palmer lorsque les va-
leurs climatologiques mensuelles d’UV albédo sont utilisées en entrée de la
méthode. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

viii
Liste des tableaux

2.1 La composition de l’atmosphère . . . . . . . . . . . . . . . . . . . . . . . . 16

3.1 Répartition spectrale des différentes bandes de Kato et al. (1999) . . . . . 35

3.2 Les valeurs choisies pour θs , ρg et les sept variables décrivant l’atmosphère
claire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3 Indicateurs statistiques de comparaison dans les KB pour l’indice de clarté
direct sous les conditions de ciel clair pour θs ≤ 80° avec les simulations
numériques libRadtran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.4 Indicateurs statistiques de comparaison dans les KB pour l’indice de clarté
sous les conditions de ciel clair pour θs ≤ 80° avec les simulations numé-
riques libRadtran. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.5 Sous-intervalles, section efficace effective et poids dans chaque intervalle
KB pour estimer TO3new . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

4.1 Poids à associer à chaque estimation des KB pour la sommation pondérée

dans les bandes spectrales particulières (BSP). . . . . . . . . . . . . . . . . 56
4.2 Poids à associer à chaque éclairement des KB pour la sommation pondérée
définie par rapport à la proportion de l’éclairement hors atmosphère. . . . 57
4.3 Pente et ordonnée à l’origine sélectionnées pour le ré-échantillonnage . . . 60

5.1 Description des stations et mesures expérimentales utilisées pour la validation 73

5.2 Indicateurs statistiques de comparaison donnant la performance de la mé-
thode numérique dans l’estimation de l’éclairement relatif à la photosyn-
thèse des plantes dans chacune des stations étudiées ( les unités de biais,
RMSE et valeur moyenne sont µmol m−2 s−1 ) . . . . . . . . . . . . . . . . 76
5.3 Indicateurs statistiques de comparaison donnant la performance de la mé-
thode numérique dans l’estimation de l’éclairement de la lumière du jour
pour la station de Table Mountain . . . . . . . . . . . . . . . . . . . . . . . 78
5.4 Indicateurs statistiques de comparaison donnant la performance de la mé-
thode numérique dans l’estimation de l’éclairement global ultraviolet pour
chacune des stations étudiées . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.5 Indicateurs statistiques de comparaison donnant la performance de la mé-
thode numérique en éclairement global ultraviolet pour Palmer : (1) lorsque
l’albédo total est utilisé et (2) lorsque les valeurs climatologiques mensuelles
d’albédo sont utilisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

ix
Chapitre 1

Introduction générale

Sommaire
1.1 Contexte général . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Objectif de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Méthodologie et plan . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 Nomenclature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.1 Grandeurs physiques utilisées pour la simulation numérique de
la distribution spectrale du rayonnement solaire . . . . . . . . . 10
1.4.2 Abréviations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2
1.1 Contexte général
Le rayonnement solaire est une variable climatique importante qui rend la vie sur Terre
possible en apportant de la chaleur et de la lumière. Abondant, renouvelable et disponible
au sol, il est constitué de rayons lumineux transportant de l’énergie provenant du soleil
dans toutes les longueurs d’onde. L’éclairement total est défini comme l’éclairement intégré
sur tout le spectre. Plus de 97 % du rayonnement solaire extra-atmosphérique est inclus
dans le domaine spectral entre 0,30 µm et 3,00 µm. Cette partie de l’éclairement solaire
joue un rôle significatif dans notre bien-être et notre environnement.
Dans le domaine de la santé humaine, l’exposition aux rayons ultraviolets (UV), bande
de longueurs d’onde comprises entre 0,28 µm et 0,40 µm, a des effets sur beaucoup de
formes de vie soit directement, soit indirectement (qualité de vie) (Webb et al., 2002).
Par exemple, le rayonnement UV facilite la synthèse de la vitamine D nécessaire à la
croissance des os. Au contraire, l’exposition de longue durée peut engendrer des cancers
de la peau, et favoriserait la cataracte des yeux (Hess et al., 1998; Wang et al., 2012).
Les plantes ont besoin de rayonnement solaire pour leur croissance. Elles convertissent
l’énergie solaire en énergie chimique à travers la photosynthèse. Ce rayonnement absorbé
par les plantes est appelé rayonnement photosynthétiquement actif et est compris entre
les longueurs d’onde 0,40 µm et 0,70 µm.
Dans le domaine de l’architecture du bâtiment, l’éclairage naturel dans les locaux
favorise le confort visuel et thermique (Maamari et al., 2006). La lumière du jour est
la partie visible du rayonnement solaire comprise entre 0,38 µm et 0,78 µm. L’usage de
la lumière du jour contribue efficacement et durablement à l’utilisation rationnelle de
l’énergie dans les bâtiments, par exemple, en conduisant à l’ajustement de la quantité de
lumière artificielle (Loutzenhiser et al., 2007; Oteiza et Pérez-Burgos, 2012).
Dans le secteur de l’énergie, la production d’énergie électrique peut se faire par conver-
sion de l’éclairement solaire à l’aide de cellules photovoltaı̈ques. Ces cellules ne conver-
tissent qu’une partie du rayonnement correspondant à leur sélectivité spectrale qui dépend
du type de matériau utilisé (Myers, 2012). Le rendement des cellules photovoltaı̈ques est
lié à leur sélectivité spectrale et donc à la distribution spectrale du rayonnement solaire
(Krishnan et al., 2009; Pérez-López et al., 2007).
L’éclairement solaire dans chaque longueur d’onde constitue la distribution spectrale
de l’éclairement solaire. Une simulation numérqiue de la distribution spectrale de l’éclai-
rement solaire au sommet de l’atmosphère est représentée en jaune sur la Figure 1.1 pour
un lieu et un instant particulier. Lors du trajet descendant des rayons solaires, le rayon-
nement subit une atténuation par les constituants de l’atmosphère. Cette atténuation
dépend de la longueur d’onde. Il s’ensuit que la distribution spectrale de l’éclairement est
modifiée. La courbe en rouge sur la Figure 1.1 est un exemple de distribution spectrale au

3
niveau du sol dans un cas de ciel clair. Si on la compare à la courbe en jaune, on observe
une atténuation générale mais surtout des pics d’atténuation qui correspondent à des pics
d’absorption par les gaz. Par exemple, l’absence de rayonnement vers 1150 nm correspond
principalement à une absorption due à la vapeur d’eau.

Figure 1.1 – Simulation numérique de la distribution spectrale de l’éclairement solaire au som-

met de l’atmosphère et au niveau du sol pour Sophia Antipolis (43,61°N ; 7,05°E) le 18/07/2014
à 12:00 TU.

Les calculs ont été faits à l’aide du modèle numérique de transfert radiatif libRadtran
(Mayer et Kylling, 2005). Un modèle numérique de transfert radiatif est un code numérique
simulant les interactions entre le rayonnement solaire et l’atmosphère claire ou nuageuse.
Nous utiliserons l’abréviation MTR dans la suite pour modèle de transfert radiatif.
La distribution spectrale de l’éclairement solaire possède un caractère de variable spa-
tiale et temporelle. Ceci est illustré par la Figure 1.2a, sur laquelle nous avons reporté la
distribution spectrale à la surface du sol pour deux endroits différents pour le 18 juillet
2014 à 12:00 TU. Comme précédemment, les calculs ont été faits avec le MTR libRadtran.
Comme précédemment, les calculs ont été faits avec le MTR libRadtran. Les entrées du
MTR sont celles qu’utilisent le modèle numérique McClear (Lefèvre et al., 2013) pour si-
muler l’atmosphère clair ce jour-ci. McClear est disponible comme service web (www.soda-
pro.com), et dans le modèle ”bavard”, donne les simulations du rayonnement solaire en
ciel clair, ainsi que les entrées utilisées, comme les propriétés optiques des aérosols et les
contenus en vapeur d’eau et en ozone qui proviennent des projets MACC (Monitoring
Atmospheric Composition and Climate).
Nous avons limité la distribution spectrale à l’intervalle [700 ; 1200] nm pour une
meilleure lisibilité. La courbe en rouge représente la distribution à Sophia Antipolis

4
(43,61°N ; 7,05°E) et la courbe en vert, celle à Oyom-Abang (3,88°N ; 11,47°E) au Ca-
meroun. Par comparaison, on peut observer des différences d’amplitude de la distribution
spectrale. Par exemple, vers 950 nm, l’atténuation par l’atmosphère est plus grande à
Oyom-Abang qu’à Sophia Antipolis principalement à cause d’un plus grand contenu en
vapeur d’eau à Oyom-Abang.
La distribution spectrale varie aussi temporellement. La Figure 1.2b représente la
distribution spectrale à Oyom-Abang le 18 juillet 2014, à deux instants : 12:00 TU (en
vert) et 17:00 TU (en rouge). On observe une remarquable différence d’amplitude entre
les deux courbes, qui est principalement liée à la position du soleil qui est plus haut sur
l’horizon à 12:00 TU qu’à 17:00 TU.

(a) le 18/07/2014 à 12:00 TU, Sophia An- (b) à Oyom-Abang (3,88°N, 11,47°E) : le
tipolis (43,61°N, 7,05°E) et Oyom-Abang 18/07/2014 à 12:00 TU et à 17:00 TU
(3,88°N, 11,47°E)

Figure 1.2 – Exemple de distribution spectrale de l’éclairement solaire au niveau du sol : (a) à
un même instant et à deux endroits ; (b) à un même endroit et à deux instants.

Pour rendre compte de cette variabilité spatio-temporelle, il faudrait mesurer la distri-

bution spectrale de l’éclairement en tout lieu et tout instant. Le réseau mondial de mesures
de l’éclairement est constitué de stations de mesures au sol qui mesurent l’éclairement
total et/ou l’éclairement spectral. La composante directe est définie comme l’éclairement
provenant de la direction du soleil. Certaines stations effectuent des mesures de cette com-
posante directe collectée sur une surface perpendiculaire à la direction du soleil. D’autres
mesurent l’éclairement diffus, c’est-à-dire l’éclairement hors direction du soleil, ou encore
l’éclairement global, somme des éclairements direct et diffus. Généralement, les mesures
de diffus et global sont faites sur un plan horizontal. Les mesures concernent majoritaire-
ment l’éclairement total et très rarement la distribution spectrale de l’éclairement (Myers,
2012).
Les stations de mesure de la distribution spectrale de l’éclairement comprennent des

5
instruments tels que le photomètre solaire pour l’éclairement spectral direct et le spectro-
radiomètre pour les éclairements direct, diffus et global. Leur nombre reste très faible à
cause des coûts élevés d’acquisition et de maintenance des instruments. A titre d’exemple,
cette faible densité spatiale des stations est illustrée par la figure 1.3 qui représente la po-
sition géographique des stations de mesures de l’éclairement ultraviolet recensées par le
World Ozone and Ultraviolet Radiation Data Centre (WOUDC). On observe un grand
nombre de stations en Amérique du Nord. La densité de stations est faible en Europe,
très faible en Asie et nulle en Afrique. Il existe d’autres réseaux comme le NDACC (Net-
work for the Detection of Atmospheric Composition Change) qui présente généralement
les mêmes caractéristiques de densité.

Figure 1.3 – Répartition géographique des stations de mesures de l’éclairement ultraviolet

recensées par WOUDC, 2014.

Pour surmonter la rareté de mesures spectrales de qualité au sol, un moyen d’estimation

de la distribution spectrale de l’éclairement est la simulation numérique de l’atténuation
du rayonnement électromagnétique par l’atmosphère par des modèles de transferts radia-
tifs. Ces modèles décrivent la propagation du rayonnement solaire. Ils résolvent finement
les équations mathématiques décrivant les phénomènes physiques d’interaction entre la
lumière et l’atmosphère durant la propagation du rayonnement solaire du sommet de
l’atmosphère jusqu’à la surface de la Terre. Notre thèse s’inscrit dans cette modélisation
numérique.
La résolution des équations mathématiques détaillées de transfert radiatif requiert un
certain temps. Elle ne peut pas être réalisée telle quelle s’il y a de fortes contraintes
sur les temps d’exécution et les ressources de calcul. Plusieurs approximations de ces
équations ont été proposées pour diminuer le temps d’exécution sans perte notable de

6
précision. Généralement, elles sont intégrées dans les modèles de transfert radiatif dits
rapides (Clough et al., 2005).
En ce qui concerne l’absorption par les gaz, ces modèles calculent les flux dans un
nombre restreint d’intervalles spectraux discrets (Fu et Liou, 1992; Kato et al., 1999;
Kratz, 1995). Par exemple, l’approximation de Fu et Liou (1992) effectue un calcul détaillé
pour chacune des 16 bandes choisies par les auteurs. Brièvement dit, chaque bande est
représentée par un seul jeu de coefficients d’absorption et le calcul n’est fait qu’avec ce
jeu et non pas avec un jeu pour chacune des longueurs d’onde contenues dans la bande.
La plus fine et la plus récente de ces approximations, à notre connaissance, est l’ap-
proche de Kato et al. (1999) combinant la méthode k-distribution et l’approximation
k-corrélés. Kato et al. (1999) indique un gain du nombre d’opérations dans le calcul de
l’éclairement total, passant de 105 opérations nécessaires aux calculs spectraux raie par
raie à une centaine. Cette approche est l’une des plus utilisées (cf. Chap. 3) et figure dans
la plupart des MTR, dont libRadtran. La résolution du transfert radiatif est faite dans
chacun des 32 intervalles choisis par les auteurs. Les résultats partiels sont sommés afin
d’obtenir l’éclairement total.
Notre thèse va exploiter cette approche de Kato et al. (1999). En effet, cette approche
est bien connue et bien décrite et mène à des résultats précis pour le rayonnement total.
Puisque l’éclairement est disponible pour chacun des intervalles, n’est-il pas possible
d’exploiter cette information pour estimer la distribution spectrale de l’éclairement ? Au-
trement dit, la distribution spectrale peut-elle être déduite d’un ensemble discret d’éclai-
rements intégrés sur 32 intervalles spectraux contigus avec une précision satisfaisante ?
C’est la question traitée dans notre thèse.
Si la réponse est oui, l’intérêt opérationnel est alors immédiat. Il suffira d’exploiter
l’approche de Kato et al. (1999) pour estimer la distribution spectrale de l’éclairement.
Les variables atmosphériques influant le transfert radiatif pourront provenir de projets
internationaux comme les projets MACC (Monitoring Atmospheric Composition and Cli-
mate) financés par la commission Européenne.
Hormis des cas très particuliers de concentration par multiples réflexions des rayons
solaires par des nuages, l’éclairement par ciel clair est la valeur maximale d’éclairement.
L’influence des nuages est représentée par un indice, dit de ciel clair, ou facteur de modifi-
cation nuageuse, qui vient multiplier l’éclairement par ciel clair pour donner l’éclairement
par ciel nuageux. Notre thèse se limitera au cas du ciel clair. Nous considérons que c’est
le premier pas nécessaire et sans doute le plus important étant donné la faible variation
spectrale de l’extinction due aux nuages.
Cette considération est soutenue partiellement par la récente publication de Oumbe
et al. (2014) qui ont montré que l’indice de ciel clair ne dépend que très faiblement de

7
l’état optique de l’atmosphère en ciel clair pour le rayonnement total. Pratiquement, ceci
signifie que l’indice de ciel clair peut être calculé avec des conditions moyennes de ciel clair,
qui restent fixes. Seules varient les propriétés des nuages et du sol. Cette approximation
est également utilisée par plusieurs auteurs dans l’UV (Lindfors et al., 2007; López et al.,
2009; Mateos et al., 2011), quoique nous n’avons pas trouvé de publication la justifiant.

1.2 Objectif de la thèse

L’objectif général de la thèse est d’établir une méthode automatique d’estimation de
la distribution spectrale de l’éclairement solaire en tout lieu et à tout instant par ciel clair
en exploitant l’approche de Kato et al. (1999). Pour cela, nous avons choisi d’étudier les
questions suivantes :

ˆ L’éclairement estimé dans une bande spectrale de l’approche de Kato et al. (1999),
appelée KB par la suite, représente-t-il l’éclairement estimé pour cette même bande
au moyen d’une résolution spectralement détaillée des équations du transfert radia-
tif ?

ˆ Si c’est nécessaire, est-il possible de modifier cette approche pour la rendre suffisam-
ment précise ?

ˆ Est-il possible d’utiliser cette représentation discrète en 32 KB de la distribution

spectrale pour estimer l’éclairement sur un intervalle quelconque ?

ˆ Est-il possible d’intégrer à la méthode, la réponse spectrale d’un instrument, d’un

système, de l’oeil humain pour estimer l’éclairement ”utilisable” par l’instrument, le
système ou l’oeil humain ?

Les réponses à ces questions permettront de concevoir et réaliser la méthode. Elle sera
validée par des comparaisons d’une part avec des MTR et d’autre part avec des mesures
de qualité faites par des stations au sol. Nous avons utilisé dans notre thèse plusieurs
MTR, mais essentiellement libRadtran. Ce MTR est très bien connu et bien décrit, a été
validé par plusieurs auteurs (Gueymard, 2008; Lefèvre et al., 2013; Lindfors et al., 2007;
Mayer et al., 1997; Mueller et al., 2012) et est facile d’emploi.

1.3 Méthodologie et plan

Avant de s’intéresser au développement de la méthode automatique d’estimation de la
distribution spectrale de l’éclairement, nous présenterons au chapitre 2 la composition de
l’atmosphère, les différents phénomènes d’interaction existant lors de la propagation du

8
rayonnement solaire à travers l’atmosphère. Les équations mathématiques du transfert ra-
diatif qui gouvernent le parcours optique du rayonnement solaire suivront et les méthodes
de résolution de ces équations constitueront une autre partie du chapitre. Par la suite,
à l’aide de libRadtran, nous effectuerons une étude de l’influence des variables décrivant
l’état de l’atmosphère claire, sur la distribution spectrale de l’éclairement solaire au sol.
Nous en déduirons les variables ayant une influence notable sur la distribution spectrale
de l’éclairement et par conséquent, devant être prises en compte dans notre travail.
L’approche de Kato et al. (1999) est à l’origine conçue pour une estimation rapide de
l’éclairement total. Le chapitre 3 est destiné à mesurer la capacité de l’approche à produire
une description précise de la distribution spectrale de l’éclairement. Nous débuterons par
une présentation détaillée de deux MTR servant de référence pour la distribution spectrale
de l’éclairement : libRadtran et SMARTS. Ensuite, nous décrirons l’approche de Kato
et al. (1999). Une étude minutieuse permettra d’évaluer la performance de cette approche
en conditions de ciel clair par rapport à des calculs spectraux détaillés effectués à l’aide
des MTR. Des améliorations de l’approche seront proposées et évaluées afin d’obtenir de
meilleures performances.
De manière générale, nous voulons produire des estimations d’éclairement dans n’im-
porte quelle bande spectrale et pas seulement pour les KB. Quelle technique mathématique
faudrait-il appliquer à cet ensemble discret d’éclairements obtenus dans les 32 KB pour
une estimation précise de l’éclairement dans des bandes spectrales d’intérêt comme l’ul-
traviolet ou le visible ? Les KB ont une bande spectrale de largeur variant entre 9,50 nm
et 726,70 nm. Cette résolution spectrale est-elle suffisante pour des évaluations précises
des éclairements spectraux ? Ces questions sont traitées dans le chapitre 4. Des techniques
mathématiques y seront présentées et évaluées par comparaison avec les sorties des MTR.
Au chapitre 5, nous présenterons un aperçu de ce que pourrait être la chaı̂ne opération-
nelle de la méthode et surtout les premières validations expérimentales par comparaison
avec des mesures de qualité effectuées dans des stations. Les entrées de notre méthode
telles que les propriétés optiques des constituants de l’atmosphère proviendront essentiel-
lement des programmes européens MACC. Les mesures au sol de plusieurs stations seront
collectées, analysées, et critiquées avant usage. Les résultats des comparaisons mèneront
à des propositions d’amélioration de notre méthode.

9
1.4 Nomenclature

1.4.1 Grandeurs physiques utilisées pour la simulation numé-

rique de la distribution spectrale du rayonnement solaire
B éclairement direct (W m−2 )
dr épaisseur géométrique (m)
g fonction de distribution cumulative
G éclairement global (W m−2 )
I0 éclairement solaire au sommet de l’atmosphère (W m−2 )
k coefficient d’absorption (m2 ) molécule−1 )
Kc indice de ciel clair
Kcb indice de ciel clair pour l’éclairement direct
KT indice de clarté
dir
KT indice de clarté direct
p fonction de phase pour la diffusion
P pression relative (Pa)
paramètres liés aux propriétés de l’atmosphère par ciel clair (aérosols, va-
Pclair
peur d’eau, ozone, et autres gaz)
Pclair0 paramètres liés aux propriétés de l’atmosphère par ciel clair moyen
paramètres liés aux propriétés des nuages : épaisseur optique, phase, et
Pcloud propriétés géométriques comme par exemple les hauteurs des base et som-
met
qCO2 concentration volumétrique en dioxyde de carbone (ppm)
qO2 concentration volumétrique en dioxygène (ppm)
éclairement global avec réponse spectrale pour une bande spectrale parti-
QG
culière
éclairement direct avec réponse spectrale pour une bande spectrale parti-
QB
culière
rBias erreur relative moyenne (%)
rRM SE écart quadratique moyen relatif (%)
RM SE écart quadratique moyen
RS réponse spectrale
2
R coefficient de corrélation au carré ou coefficient de détermination
T Température (°C)
Tr Transmissivité atmosphérique
u quantité d’absorbeurs (molécule m−2 )

10
uO3 contenu total en ozone (molécule m−2 )
uN O2 contenu total en dioxyde d’azote (molécule m−2 )
X̄ valeur moyenne de la quantité X
z altitude du site (m)
w albédo de simple diffusion
wj poids de Gauss
W contenu total en vapeur d’eau (kg m−2 )
Symboles grecs
α coefficient d’Angström
β épaisseur optique des aérosols à la longueur d’onde de 1000 nm
γ poids pour la technique de sommation pondérée
λ longueur d’onde (nm)
µ cosinus de l’angle solaire zénithal
φ angle azimuthal (°)
ρm densité numérique de molécules (molécule m−3 )
ρg albédo du sol
σ coefficient de diffusion (molécule m−2 )
épaisseur optique de la colonne atmophérique relatif aux constituants de
τ
l’atmosphère
θ angle zénithal (°)
θs angle solaire zénithal (°)

11
1.4.2 Abréviations
AFGLUS Air Force Geophysics Laboratory US
BSP Bande Spectrale Particulière
DAK Doubling Adding model of KNMI
KB Kato Band
KNMI Koninklijk Nederlands Meteorologisch Instituut
ETR Equation de Transfert Radiatif
GOME Global Ozone Monitoring Experiment
libRadtran library for Radiative Transfer
LUT Look-Up-Table
MACC Monitoring Atmospheric Composition and Climate
MODIS Moderate Resolution Imaging Spectroradiometer
MTR Modèle de Transfert Radiatif
NB Narrow Band
NDACC Network for the Detection of Atmospheric Composition Change
NSF National Science Foundation
OMI Ozone Monitoring Instrument
OPAC Optical Properties of Aerosols and Clouds
PAR Photosynthetic Active Radiation
PPFD Photosynthetic Photon Flux Density
SCIAMACHY SCanning Imaging Absorption SpectroMeter for Atmospheric CHartographY
SMARTS Simple Model of the Atmospheric Radiative Transfer of Sunshine
SRRL Solar Radiation Research Laboratory
SURFRAD Surface Radiation
TU Temps Universel
UV Ultraviolet
WOUDC World Ozone and Ultraviolet Radiation Data Centre

12
Chapitre 2

Le rayonnement solaire dans

l’atmosphère

Sommaire
2.1 Composition et structure de l’atmosphère . . . . . . . . . . . 15

2.1.1 Structure thermique de l’atmosphère . . . . . . . . . . . . . . . 15

2.1.2 Composition chimique de l’atmosphère . . . . . . . . . . . . . . 16

2.2 Principaux phénomènes d’interaction dans l’atmosphère . . . 17

2.2.1 Absorption sélective moléculaire . . . . . . . . . . . . . . . . . 17

2.2.2 Diffusion moléculaire . . . . . . . . . . . . . . . . . . . . . . . . 18

2.3 L’équation de transfert radiatif . . . . . . . . . . . . . . . . . . 19

2.4 Choix de la résolution de l’équation de transfert radiatif . . . 20

2.4.1 Les composantes diffuse et directe du rayonnement solaire . . . 20

2.4.2 Méthode des ordonnées discrètes : DISORT . . . . . . . . . . . 21

2.5 Influence des variables décrivant le ciel clair sur la distri-

bution spectrale du rayonnement solaire . . . . . . . . . . . . 22

2.5.1 Variation de la composition gazeuse de l’atmosphère . . . . . . 23

2.5.2 Influence de l’albédo du sol . . . . . . . . . . . . . . . . . . . . 27

2.5.3 Influence du profil atmosphérique . . . . . . . . . . . . . . . . . 27

2.5.4 Influence des aérosols et de leur type . . . . . . . . . . . . . . . 28

2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

14
2.1 Composition et structure de l’atmosphère

2.1.1 Structure thermique de l’atmosphère

L’atmosphère est divisée verticalement en quatre couches concentriques distinctes :
troposphère, stratosphère, mésosphère et thermosphère (figure 2.1). Les niveaux supé-
rieurs de ces couches sont respectivement la tropopause, la stratopause, la mésopause et
la thermo-pause. La troposphère est la couche la plus basse et c’est là qu’on retrouve les
aérosols, la vapeur d’eau, les précipitations. Elle est caractérisée par une diminution de
température avec un gradient typique de 6,5 K km−1 .

Figure 2.1 – Profil vertical de température pour l’atmosphère standard AFGLUS : Air Force
Geophysics Laboratory US reproduit d’après Liou (2002).

La stratosphère est caractérisée par une couche isotherme allant de la tropopause jus-
qu’à l’altitude de 20 km, puis une augmentation de la température jusqu’à la stratopause,
atteignant une température avoisinante 270 K. L’ozone se trouve principalement dans la
stratosphère. Des fines couches d’aérosols sont observées et restent présentes longuement
entre deux niveaux d’altitude de la stratosphère. L’élévation de la température dans la
stratosphère est principalement déterminée par l’absorption du flux solaire par l’ozone.
Dans la mésosphère, les températures diminuent dans la zone de 50 à 85 km, à cause
de l’émission du flux infrarouge par le dioxyde de carbone. Au-dessus de la mésopause,
se situe la thermosphère. La variation de température y est fortement contrôlée par le

15
rayonnement solaire ultraviolet. La température varie entre 500 K la nuit où l’activité
solaire est minimale, et 2000 K le jour où l’activité solaire est maximale.

2.1.2 Composition chimique de l’atmosphère

En ce qui concerne les gaz, ils sont répartis en deux groupes : les molécules gazeuses
à proportion volumique constante, appelées constituants permanents, et les molécules
gazeuses à proportion volumique variable, appelées constituants variables. Le tableau 2.1
liste ces constituants et leurs proportions volumiques.

Tableau 2.1 – La composition de l’atmosphère d’après Liou (2002)

Constituants permanents Constituants variables

Constituant proportion Constituant proportion
volumique(%) volumique(%)
Diazote (N2 ) 78,084 Vapeur d’eau (H2 O) 0–0,04
Dioxygène (O2 ) 20,948 Ozone (O3 ) 0–12 x 10−4
Argon (Ar) 0,934 Dioxyde de soufre (SO2 ) 0,001 x 10−4
Dioxyde de carbone (CO2 ) 0,036 Dioxyde d’azote (NO2 ) 0.001 x 10−4
Néon (Ne) 18,18 x 10−4 Ammoniac (NH3 ) 0,004 x 10−4
Hélium(He) 5,24 x 10−4 Monoxyde d’azote (NO) 0,0005 x 10−4
Krypton(Kr) 1,14 x 10−4 Sulfure de dihydrogène (H2 S) 0,00005 x 10−4
Xénon (Xe) 0,089 x 10−4 Vapeur d’acide nitrique (HNO3 ) traces
Hydrogène (H2 ) 0,5 x 10−4 Chlorofluorocarbones traces
Méthane (H2 ) 1,7 x 10−4 (CFCl3 , CF2 Cl2
Monoxyde de diazote (N2 O) 0,3 x 10−4 CH3 CCl3 ,CCl4 , etc.)
Monoxyde de carbone (CO) 0,08 x 10−4

Les gaz permanents ont approximativement une proportion volumique constante jus-
qu’à une altitude de 60 km. Le diazote, l’oxygène et l’argon représentent environ 99,97
% en pourcentage volumique. Les émissions du dioxyde de carbone dans l’atmosphère
ont des origines naturelles et anthropiques. Le processus de photosynthèse des plantes
contribue à la consommation de dioxyde de carbone. La concentration atmosphérique du
dioxyde de carbone augmente autour de 0,4 % par année (in Liou (2002)).
Les proportions volumiques de gaz variables, listées dans le tableau 2.1, sont faibles
mais ces gaz ont une grande influence sur le bilan radiatif dans l’atmosphère. La vapeur
d’eau est le principal constituant radiatif et dynamique de l’atmosphère terrestre. Sa
concentration varie significativement spatialement et temporellement, en lien avec le cycle
hydrologique via l’évaporation, condensation, les précipitations et par les processus de
transport à grande échelle.
De même, la concentration en ozone varie en espace et en temps. L’ozone atmosphé-
rique est continuellement créé et détruit par les processus photochimiques associés au
rayonnement ultraviolet. Il se trouve principalement aux altitudes entre 15 et 30 km, ré-
gion appelée couche d’ozone. Le contenu total en ozone varie significativement en fonction
de la latitude et de la saison. Il y a également création d’ozone au niveau du sol par photo-

16
dissociation des gaz émis notamment par le transport routier, dont la concentration est
très variable dans l’espace et dans le temps.
Les oxydes d’azote (NOx =NO, NO2 ) sont émis par les processus de combustion et de
transport à la surface du sol ainsi que le transport aérien dans la haute troposphère et
basse stratosphère. Dans la stratosphère, la principale source de NOx est la dissociation
de N2 O par des atomes d’oxygène excités.

2.2 Principaux phénomènes d’interaction dans l’at-

mosphère
Le transfert radiatif décrit les interactions entre le rayonnement électromagnétique
et les constituants atmosphériques qui sont l’absorption, l’émission et la diffusion. En ce
qui concerne le rayonnement solaire, chaque molécule présente dans l’atmosphère peut
absorber le rayonnement et/ou le diffuser dans toutes les directions, modifiant ainsi le
rayonnement solaire en intensité et en direction.

2.2.1 Absorption sélective moléculaire

Le phénomène d’absorption par une molécule d’un milieu, n’a lieu que si le photon
incident de longueur d’onde donnée, possède une énergie équivalente à la différence de deux
niveaux d’énergie de la molécule. Il s’agit d’une absorption dite sélective. C’est le cas des
molécules d’ozone qui absorbent le rayonnement solaire principalement entre 200 nm et
360 nm et plus marginalement entre 440 nm et 1180 nm. Le photon incident disparait et
il s’ensuit une atténuation du faisceau lumineux.

Figure 2.2 – Atténuation du faisceau lumineux par un milieu absorbant.

Considérons un milieu absorbant caractérisé par une épaisseur dr, une densité numé-
rique de molécules ρm et un coefficient d’absorption monochromatique kλ dépendant de
la température T et de la pression P du milieu (figure 2.2). Un faisceau incident mono-
chromatique Iλ (r, Ω) arrivant dans une direction Ω définie par les angles azimutal φ et
zénithal θ ressort d’un tel milieu en étant atténué. La variation de luminance dIλa entre

17
le faisceau atténué Iλ (r + dr, Ω) et le faisceau incident est proportionnelle à la luminance
du faisceau incident d’où :

dIλa (r, Ω) = Iλ (r + dr, Ω) − Iλ (r, Ω) = −kλ ρm Iλ (r, Ω) dr (2.1)

2.2.2 Diffusion moléculaire

Le phénomène de diffusion moléculaire est une interaction entre rayons lumineux et
molécules du milieu atmosphérique. Il en résulte une modification de la répartition an-
gulaire initiale des rayons lumineux incidents, avec modification ou non de la longueur
d’onde du rayonnement.

Figure 2.3 – Atténuation du faisceau lumineux par un milieu diffusant.

En considérant un milieu diffusant de coefficient de diffusion monochromatique σλ

et de densité numérique de molécules ρm (figure 2.3), la variation de luminance entre
les rayonnements diffusé et incident dIλd est proportionnelle à la luminance incidente
Iλ (r, Ω) :

dIλd (r, Ω) = −σλ ρm Iλ (r, Ω) dr (2.2)

La mesure de la luminance diffusée dans chaque direction autour de la direction

Ω(θi , φi ) rend compte de la redistribution angulaire du phénomène de diffusion. Cette
redistribution angulaire est appelée fonction de phase, et notée p. Elle représente la proba-
bilité pour qu’un faisceau incident Ω(θi , φi ) se retrouve après diffusion, dans une direction
Ω(θ, φ). Elle peut être approchée par les termes d’un polynôme de Legendre. Le rayonne-
ment diffusé Iλdg devient une source dans la direction Ω(θ, φ). La variation de luminance
entre les rayonnements diffusé et incident dIλdg est :

σλ ρm dr Z
dIλdg (r, Ω) = Iλ (r, Ωi ) p(r, Ω, Ωi ) dΩi (2.3)
4π
dΩi =4π

18
 La diffusion dépend de la longueur d’onde du rayonnement incident et de la taille de
la molécule diffusante ou de la particule diffusante. Diverses théories sont utilisées pour
modéliser cette diffusion, par exemple la théorie de Rayleigh pour la diffusion par les
molécules de gaz ou la théorie de Mie pour la diffusion par les aérosols.

2.3 L’équation de transfert radiatif

En prenant en compte l’absorption (équation (2.1)) et la diffusion (équations (2.2)

et (2.3)), la variation totale de luminance dans une direction donnée Ω(θi , φi ) à travers
un milieu diffusant et absorbant, est :

dIλ (r, Ω) = dIλa (r, Ω) + dIλd (r, Ω) + dIλdg (r, Ω) (2.4)

En introduisant le coefficient d’extinction monochromatique et en remplaçant les diffé-

rentes luminances par leurs expressions respectives, l’équation (2.4) devient l’équation de
transfert radiatif (ETR) :

dIλ (r, Ω) ext σλ Z 2π 0 Z 0 0 0 0 0 0

= −βλ Iλ (r, θ, φ) + dφ dθ p(r, θ , φ ; θ, φ)I(r, θ , φ ) (2.5)
ρm dr 4π 0 π

où βλext = kλ + σλ est le coefficient d’extinction totale, somme des coefficients d’absorption
et de diffusion. Dans le système de coordonnées cartésiennes, d/dr peut être écrit :

d q ∂ q ∂ ∂
= cos φ 1 − µ2 + sin φ 1 − µ2 +µ (2.6)
dr ∂x ∂y ∂z

avec µ = cosθ. En supposant les différentes couches de l’atmosphère à géométrie plane

et parallèles, il n’y a pas de variation de luminance suivant les directions (0x) et (0y).
La variation de luminance se résume à la direction verticale (0z). Par conséquent, l’ETR
s’écrit en omettant l’indice λ par soucis de simplification et dans la suite de ce chapitre :

dI(τ, µ, φ) ω Z 2π 0 Z 1 0 0 0 0 0
−µ = I(τ, µ, φ) − dφ dµ p(τ, µ , φ ; µ, φ) I(τ, µ , φ ) (2.7)
dτ 4π 0 −1

où dτ est l’épaisseur optique et définie comme dτ = β ext ρm dz et ω définit l’albédo mono-
chromatique de simple diffusion, rapport entre les coefficients de diffusion et d’extinction.
D’après Liou (1980), l’indépendance azimutale (suivant l’angle azimutal φ) de l’intensité
de la luminance est définie comme :

1 Z 2π
I(τ, µ, φ) dφ = I(τ, µ) (2.8)
2π 0

19
L’ ETR pour la luminance moyennée sur l’angle azimutal, est donnée par :

dI(τ, µ) ωZ1 0 0 0
−µ = I(τ, µ) − dµ p(τ, µ, ; µ ) I(τ, µ ) (2.9)
dτ 2 −1

Cette équation décrit donc les phénomènes qui affectent le rayonnement solaire lors
de sa traversée de l’atmosphère terrestre. C’est grâce à cette équation que l’on va pou-
voir déterminer l’effet de l’atmosphère sur chaque longueur d’onde ou bande de longueur
d’onde. Cependant, avant toute chose, il faut la résoudre, et c’est l’objectif du paragraphe
suivant.

2.4 Choix de la résolution de l’équation de transfert

radiatif

Il existe une variété de méthodes de résolution de l’équation de transfert radiatif,

comme par exemple, l’approximation pseudo-sphérique, la séparation des composantes
directe et diffuse, ou la séparation de la dépendance azimutale par la décomposition de
Fourier. Le choix d’une méthode dépend de la nature du problème. Ici, la séparation des
composantes directe et diffuse nous a semblé appropriée.

2.4.1 Les composantes diffuse et directe du rayonnement solaire

L’équation intégro-différentielle du transfert radiatif donne le rayonnement solaire dans

toutes les directions lorsque les conditions aux limites sont bien définies au sommet de
l’atmosphère et à la surface du sol. Si µ0 désigne le cosinus de l’angle solaire zénithal, le
faisceau lumineux incident au sommet de l’atmosphère, d’intensité I0 , est concentré dans
la seule direction µo , et respecte l’équation :

I(τtop , µ) = I0 δ(µ, µo ) (2.10)

où δ (µ, µo ) est la fonction de Dirac qui vaut l’unité dans la direction µo et zéro ailleurs. La
forme intégro-différentielle de l’équation de transfert radiatif ne facilite pas sa résolution
analytique. L’éclairement au sol peut s’écrire comme la somme des éclairements direct et
diffus.
I(τ, µ, φ) = I dir (τ, µ0 , φ0 ) δ(µ, µo ) δ(φ, φo ) + I dif f (τ, µ, φ) (2.11)

20
où φ0 est l’angle solaire azimutal. En insérant (2.11) dans l’équation (2.9), la composante
directe de l’éclairement solaire satisfait l’équation suivante :

dI dir (τ, µ0 , φ0 )
−µ = I dir (τ, µ0 , φ0 ) (2.12)
dτ

La solution de l’équation (2.12) pour l’éclairement direct conduit à la loi de Beer-

Lambert-Bouguer :
I dir (τ, µ0 ) = I0 e−τ /µ0 (2.13)

.
De même, l’éclairement diffus satisfait dans ce cas,

dI dif f (τ, µ, φ) ω Z 2π 0 Z 1 0 0 0 0 0
−µ = I dif f (τ, µ, φ) − dφ dµ p(τ, µ , φ ; µ, φ)I dif f (τ, µ , φ )
dτ 4π 0 −1
ωI0
− p(τ, µ, φ; µ0 , φ0 ) e−τ /µ0
4π
(2.14)

Après décomposition de l’éclairement, la solution analytique de l’éclairement diffus

reste complexe à obtenir et nécessite des techniques de résolution numérique. On en trouve
plusieurs dans la littérature, parmi lesquelles les approximations à deux flux et delta-
Eddington, ou la méthode des ordonnées discrètes encore appelée DISORT : Discrete
Ordinates Radiative Transfer (Stamnes et al., 2000). Nous décrirons cette dernière, très
couramment utilisée, et que nous avons choisie pour la résolution numérique des équations
différentielles de la composante diffuse de l’éclairement solaire.

2.4.2 Méthode des ordonnées discrètes : DISORT

La méthode des ordonnées discrètes a été développée par Chandrasekhar (1960) et

Stamnes et al. (1988). Elle résout l’équation de transfert radiatif dans une géométrie 1-D et
permet des calculs précis d’éclairement. Selon Liou (1973), elle très utile et puissante pour
les calculs d’éclairement diffus en atmosphère claire ou nuageuse contenant des aérosols.
C’est une variante de la méthode multi-flux, dont le principe consiste à subdiviser l’espace
angulaire en un certain nombre de directions, et à considérer l’éclairement constant dans
chaque direction. La méthode discrétise l’équation de transfert radiatif et la solution est un
ensemble d’équations différentielles de premier ordre. Les intégrales de l’ETR deviennent
alors :
Z N
µm I(µ)dµ ≈
X
ωj µj I(µj ) (2.15)
j=1

21
où ωj est le j ème coefficient (ou poids) de quadrature, µj est la j ème coordonnée de la
quadrature, I(µj ) est l’éclairement suivant la direction µj , N est l’ordre de la quadrature,
c’est-à-dire le nombre de directions, et m est l’ordre du mème moment de l’ETR. Ainsi,
l’espace autour d’un point donné est divisé en N secteurs circulaires. La fonction de phase
s’exprimant comme une somme de polynômes de Legendre, l’équation (2.15) peut être
appliquée pour remplacer le terme intégral de l’équation (2.14) :

Z1 Z1 N/2
0 0 0 0 0 0 X
I(τ, µ ) p(µ, µ ) dµ + I(τ, −µ ) p(µ, −µ ) dµ = ωi [I(τ, µi ) p(µ, µi )+I(τ, −µi ) p(µ, −µi )]
0 0 i=1
(2.16)
L’équation intégro-différentielle devient alors :

dI dif f (τ, µj ) ω N/2

= I dif f (τ, µj ) −
X
− µj ωi [I(τ, µi ) p(µj , µi ) + I(τ, −µi ) p(µj , −µi )] (2.17)
dτ 2 i=1

avec 1 ≤ j ≤ N . On obtient ainsi le système suivant pour les luminance montantes

(µj > 0) et descendantes (µj < 0) :

dI dif f (τ, µj ) dif f ω N/2

X
− µj =I (τ, µj ) − ωi [I(τ, µi ) p(µj , µi ) + I(τ, −µi ) p(µj , −µi )] (2.18)
dτ 2 i=1

dI dif f (τ, −µj ) ω N/2

= I dif f (τ, −µj )−
X
µj ωi [I(τ, µi ) p(µj , µi )+I(τ, −µi ) p(µj , −µi )] (2.19)
dτ 2 i=1

avec 1 ≤ j ≤ N et µj ≥ 0. Grâce à une discrétisation spatiale qui transforme l’ensemble

des équations différentielles de premier ordre en un ensemble d’équations algébriques, la
résolution est beaucoup plus simple et est faite avec une méthode itérative.

2.5 Influence des variables décrivant le ciel clair sur

la distribution spectrale du rayonnement solaire
Nous effectuons dans cette section, une étude de l’influence des variables décrivant
l’état de l’atmosphère claire sur la distribution spectrale du rayonnement solaire au sol.
Nous en déduirons les variables ayant une influence notable sur cette distribution et par
conséquent, devant être prises en compte dans notre travail.
L’approche choisie est assez classique : choisir un vecteur d’état de référence décrivant

22
une atmosphère claire typique, et faire varier les éléments du vecteur, un après l’autre,
dans des limites raisonnables, puis évaluer les différences entre les distributions spectrales
du rayonnement au sol, obtenues avec l’état de référence et ses perturbations.
Nous nous servirons du modèle numérique libRadtran avec la méthode DISORT décrite
précédemment pour simuler l’atténuation du rayonnement par l’atmosphère. Les variables
de l’état atmosphérique de référence sont : le profil atmosphérique AFGLUS U.S. Standard
Atmosphere 1976 (Anderson et al., 1986), un angle solaire zénithal de 48°, un modèle
d’aérosol rural de Shettle (1990), une épaisseur optique des aérosols à 500 nm de 0,084,
un contenu total en vapeur d’eau de 1,42 kg m−2 , un contenu total en ozone de 340 DU
et un albédo spectral typique d’un sol cultivé. La résolution spectrale résultante est la
même que celle du spectre solaire au somment de l’atmosphère de Gueymard (2004) : 0,5
nm d’intervalle dans le domaine ultraviolet, entre 280 et 400 nm ; 1 nm d’intervalle entre
0 nm et 280 nm et 400 nm et 1705 nm ; et 5 nm d’intervalle entre 400 nm et 1705 nm.
Cet état atmosphérique est appelé ”référence”. Il est d’ailleurs recommandé par Standard
(2008) pour tester les performances de cellules photovoltaı̈ques.

2.5.1 Variation de la composition gazeuse de l’atmosphère

Les molécules gazeuses absorbantes dans l’atmosphère ayant le plus d’influence sont le
dioxyde de carbone, l’ozone, le dioxygène, le dioxyde d’azote et la vapeur d’eau (Vermote
et al., 1997).

Cas du dioxyde de carbone

La figure 2.4 affiche l’influence de la variation de la concentration volumétrique qCO2 du

dioxyde de carbone sur la distribution spectrale de l’éclairement global. La concentration
volumétrique contenu dans la colonne atmosphérique varie entre 290 et 400 particules par
millions (ppm). En général, la différence d’éclairement, de l’ordre de 2 mW m−2 nm−1 ,
reste faible. Nous concluons que l’influence est négligeable sur toutes les longueurs d’onde,
excepté dans le domaine de l’infrarouge. C’est le cas des longueurs d’onde autour de 1200,
1450, 1600 nm où l’absorption due aux molécules de CO2 est la plus importante.

Cas du dioxygène

L’influence due à la variation de la concentration volumétrique de l’oxygène apparaı̂t

surtout dans le domaine du visible (figure 2.5). La concentration volumétrique varie entre
2,05 105 et 2,13 105 ppm. On remarque une atténuation dans les bandes centrées sur 630,
690, et 760 nm. La différence d’éclairement spectral, environ 2 mW m−2 nm−1 , est très

23
Figure 2.4 – Sensibilité spectrale de l’éclairement solaire à la variation de la proportion relative
de CO2 .

faible. Ceci nous conduit à considérer comme constante la concentration en molécules de

O2 dans l’atmosphère dans nos simulations numériques.

Figure 2.5 – Sensibilité spectrale de l’éclairement solaire à la variation de la proportion relative

de O2 .

Cas du dioxyde d’azote

Le contenu total de la colonne atmosphérique en molécules de NO2 est uN O2 . C’est la

somme du contenu de la troposphère et celui de la stratosphère. Il s’exprime usuellement
en Dobson U nit (DU), avec 1 DU = 2,69 x 1020 molécule m−2 . La quantité de NO2 varie
relativement peu, sauf dans les zones de forte pollution atmosphérique où la quantité
peut aller de 0,2 DU dans le cas des zones non polluées à 10 DU dans les zones polluées
(Gueymard, 2012).
Nous faisons varier le contenu total en dioxyde d’azote de 0,2 DU à 0,7 DU. La figure
2.6 montre que le NO2 atténue l’éclairement monochromatique dans les courtes longueurs

24
Figure 2.6 – Sensibilité spectrale de l’éclairement solaire à la variation du contenu total en
NO2 .

d’onde et n’a plus d’influence au-delà de 700 nm. Les missions spatiales telles que GOME
(Global Ozone Monitoring Experiment), SCIAMACHY (SCanning Imaging Absorption
SpectroMeter for Atmospheric CHartographY) et OMI (Ozone Monitoring Instrument)
fournissent le contenu en NO2 pour le monde entier. Les projets MACC produisent des
cartes d’analyse et de ré-analyse et de prévisions de NO2 pour l’Europe et le monde entier.
Dans ce travail, nous avons pris la valeur par défaut incluse dans les profils atmosphériques
du type AFGL discutés ci-après.

Cas de la vapeur d’eau

Nous faisons varier le contenu en vapeur d’eau, ou plus exactement la hauteur d’eau
précipitable, entre 1 et 7 cm. L’influence sur la distribution spectrale du rayonnement est
notable sur une bonne partie du spectre (figure 2.7), s’étendant de l’ultraviolet au proche
infrarouge. C’est une variable qui doit être prise en compte, et dont la précision de mesure
ou d’estimation est capitale dans l’estimation de la distribution spectrale de l’éclairement
solaire au sol.

Cas de l’ozone

La variation du contenu total de la colonne atmosphérique en ozone uO3 (entre 150

DU et 400 DU) a une influence significative sur les courtes longueurs d’onde (figure 2.8).
La plus forte absorption de l’ozone se situe dans les bandes Hartley, de 200 nm à 300 nm.
La faible absorption située entre 300 nm et 360 nm est appelée bande Huggins (Molina et
Molina, 1986). On observe que l’ozone absorbe aussi dans le visible et le proche infrarouge
entre 440 nm et 780 nm. Cette partie spectrale correspond à la bande de Chappuis.

25
Figure 2.7 – Sensibilité spectrale de l’éclairement solaire à la variation de la hauteur d’eau
précipitable.

Figure 2.8 – Sensibilité spectrale de l’éclairement solaire à la variation du contenu total en O3 .

26
2.5.2 Influence de l’albédo du sol
Il existe une grande variété de types de sol allant des terres noires à albédo faible
jusqu’à des terres recouvertes de neige à albédo élevé, en passant par des terres agricoles à
albédo moyen (Ahrens, 2006). En faisant varier l’albédo du sol entre 0,1 et 0,8 pour chaque
longueur d’onde (figure 2.9), on peut se rendre compte que l’influence de l’albédo du sol
est faible pour des longueurs d’onde supérieures à 900 nm. L’albédo du sol a beaucoup
plus d’influence dans le domaine du visible et de l’UV. L’amplitude des différences par
rapport à l’état de référence démontre que l’albédo du sol est une variable influente à
déterminer avec précision.

Figure 2.9 – Sensibilité spectrale de l’éclairement solaire à un changement d’albédo du sol ρg .

2.5.3 Influence du profil atmosphérique

La plupart des codes de transfert radiatif possède par défaut six profils atmosphériques
donnant à des altitudes discrètes, les pression, température, concentration volumétrique
des molécules présentes dans l’atmosphère. Ces six profils, définis par Air Force Geophysics
Laboratory (AFGL), sont (Anderson et al., 1986) :
— le modèle 1 : modèle tropical, abrégé en ”afglt”;
— le modèle 2 : modèle midlatitude summer, abrégé en ”afglms”;
— le modèle 3 : modèle midlatitude winter abrégé en ”afglmw”;
— le modèle 4 : modèle subarctic summer, abrégé en ”afglss”;
— le modèle 5 : modèle subarctic winter, abrégé en ”afglsw”;
— le modèle 6 : modèle U.S. Standard Atmosphere 1976, abrégé en ”afglus”.
Les différences par rapport à US Standard Atmosphere peuvent atteindre 10 mW m−2
nm−1 (figure 2.10) et on ne peut pas négliger les variations du profil atmosphérique.

27
Figure 2.10 – Sensibilité spectrale de l’éclairement solaire à la variation du profil atmosphérique.

2.5.4 Influence des aérosols et de leur type

Les propriétés optiques des aérosols sont souvent représentées par l’épaisseur optique
et le type d’aérosol. Dans les modèles de transfert radiatif, l’extinction due aux aérosols est
souvent représentée spectralement par la relation d’Angström. La relation tient compte de
la taille des particules par l’exposant d’Angström α et de leur quantité dans l’atmosphère
par l’épaisseur optique β souvent donnée à 1000 nm. Ces deux variables d’entrées jouent
un rôle dans la distribution spectrale du rayonnement solaire et doivent être prises en
compte.
Nous avons testé plusieurs types d’aérosol. Shettle (1990) a proposé les types suivants
répartis en deux régions d’altitude :
— entre 0 km et 2 km : rural, urbain, maritime, troposphérique ;
— au-dessus de 2 km : volcanique, volcanique aigu et volcanique extrême.
La figure 2.11 montre que l’approximation sur le type d’aérosol peut entraı̂ner des diffé-
rences très élevées par rapport à l’état de référence, jusqu’à 20 mW m−2 nm−1 . Il est donc
important de connaı̂tre avec précision le type d’aérosol associé à un état atmosphérique.

28
Figure 2.11 – Sensibilité spectrale de l’éclairement solaire à la variation du type d’aérosols selon
la nomenclature de Shettle (1990).

2.6 Conclusion
L’étude de la sensibilité effectuée sur la distribution spectrale du rayonnement solaire
a permis de déterminer le nombre de variables atmosphériques importantes pour notre
étude. Aux variables influentes, nous ajouterons l’altitude du lieu ainsi que l’angle solaire
zénithal qui ont tous les deux une influence notable sur le chemin optique. Les variables
atmosphériques peu influentes seront prises constantes dans la simulation du transfert
radiatif. C’est le cas de la concentration en oxygène, en dioxyde d’azote, et en dioxyde de
carbone.
Ce que nous retenons comme variables influentes sont :
ˆ l’angle solaire zénithal,
ˆ l’altitude du lieu,
ˆ le type de profil atmosphérique,
ˆ l’albédo du sol,
ˆ le contenu total en vapeur d’eau,
ˆ le contenu total en ozone,
ˆ l’épaisseur optique des aérosols à 550 nm,
ˆ l’exposant d’Angstrom,
ˆ le type d’aérosol.
Ces variables décriront dans la suite de ce travail tout état atmosphérique dans un lieu et
à un instant donné pour estimer la distribution spectrale du rayonnement solaire.

29
Chapitre 3

Etude de la représentativité
spectrale de l’approche de Kato et
al. (1999)

Sommaire
3.1 Description de la méthode k-distribution et l’approximation
k-corrélés de Kato et al. (1999) . . . . . . . . . . . . . . . . . . 33
3.2 Les MTR utilisés et les variables d’entrées en conditions de
ciel clair . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3 Procédure de validation numérique . . . . . . . . . . . . . . . . 38
3.4 Résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.5 Améliorations de l’approche de Kato et al. (1999) . . . . . . 44
3.5.1 Section efficace effective . . . . . . . . . . . . . . . . . . . . . . 45
3.5.2 Nouvelle paramétrisation de la transmissivité due à l’absorption
de l’ozone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.5.3 Mise en œuvre pratique dans un MTR : le cas de libRadtran . 49
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

31
 Une des difficultés de l’estimation de l’éclairement solaire au sol par modèle numé-
rique est la prise en compte des phénomènes d’absorption. En effet, l’absorption par les
constituants de l’atmosphère est sélective, c’est-à-dire, que pour chaque constituant, elle
dépend de la longueur d’onde λ. Une représentation détaillée de la distribution spectrale
est obtenue en résolvant l’équation du transfert radiatif pour chaque longueur d’onde. La
plupart des modèles le permettent, mais ces opérations sont assez gourmandes en temps
de calcul et se prêtent mal à des processus opérationnels.

Si on désire calculer ainsi l’éclairement total, il faut effectuer le calcul pour chaque
longueur d’onde, puis sommer tous les éclairements monochromatiques obtenus. Plusieurs
travaux ont eu pour objet de proposer des approximations afin de réduire le temps de
calcul nécessaire. Des méthodes ont ainsi été développées, qui regroupent des longueurs
d’onde aux propriétés similaires en bandes spectrales ; le calcul n’est fait que pour ces
bandes spectrales, et non longueur d’onde par longueur d’onde, réduisant ainsi le nombre
de calculs (Fu et Liou, 1992; Kato et al., 1999; Kratz, 1995). Par exemple, dans l’approche
de Fu et Liou (1992) un calcul détaillé est effectué pour chacune des 16 bandes choisies par
les auteurs. Brièvement dit, chaque bande est représentée par un seul jeu de coefficients
d’absorption et le calcul n’est fait qu’avec ce jeu et non pas avec un jeu pour chacune des
longueurs d’onde contenues dans la bande. La plus fine et la plus récente de ces approxi-
mations, à notre connaissance, est l’approche de Kato et al. (1999) combinant la méthode
k-distribution et l’approximation k-corrélés. Elle est implémentée dans plusieurs MTR et
s’avère être efficace pour diminuer le temps de calcul pour l’estimation du rayonnement
solaire total.

Quoique cette approche de Kato et al. (1999) ait été développée pour le calcul du
rayonnement total, il n’en demeure pas moins qu’elle produit une distribution spectrale
de l’éclairement sur 32 bandes avant de sommer ces éclairements. Dès lors, on peut se
demander si cette distribution spectrale en 32 bandes, obtenue rapidement, ne pourrait pas
constituer un bon point de départ pour estimer une distribution spectrale plus détaillée.

Mais auparavant, nous allons évaluer la qualité de cette distribution spectrale de Kato
et al. (1999). Plus exactement, nous allons vérifier dans ce chapitre que l’éclairement
obtenu dans chaque bande par l’approche de Kato et al. (1999) est égal à la somme des
éclairements monochromatiques obtenus par un calcul détaillé pour chacune des longueurs
d’onde composant la bande. A notre connaissance, cette vérification n’a jamais été faite
bien que cette approche soit l’une des plus utilisées. Le chapitre débute par la présentation
de l’approche de Kato et al. (1999). Ensuite, au vu des résultats de la comparaison entre les
calculs détaillés et cette approche, nous proposerons et évaluerons quelques améliorations
de l’approche afin d’obtenir de meilleures performances.

32
3.1 Description de la méthode k-distribution et l’ap-
proximation k-corrélés de Kato et al. (1999)
Pour réduire le temps de calcul, le spectre solaire hors atmosphère I0λ est divisé en un
ensemble d’intervalles de longueur d’onde. Dans chacun des intervalles, la transmissivité
atmosphérique est estimée à chaque longueur d’onde. L’atmosphère est considérée comme
composée de plusieurs couches planes parallèles. Chaque couche horizontale est supposée
homogène, c’est-à-dire que température, pression et éventuellement concentration de l’es-
pèce absorbante sont constantes. Dans une couche homogène d’épaisseur δr contenant une
seule molécule absorbante, de densité numérique de matière ρm et de coefficient d’absorp-
tion monochromatique kλ , l’éclairement solaire direct Ii transmis à travers cette couche
dans un intervalle de longueur d’onde ∆λi est :

Z
0
Ii (u) = Ii (u) ∆λi = Iλ e−kλ u dλ (3.1)
∆λi
0
avec Iλ le rayonnement incident au sommet de la couche et u la quantité de molécules
absorbantes dans la couche homogène :
Z r+δr
u= ρm dr (3.2)
r

et Ii (u) l’éclairement solaire moyen par unité de longueur d’onde sur l’intervalle ∆λi .
Comme kλ change rapidement en fonction de λ, l’application de l’équation (3.1) nécessite
environ 105 opérations avec une simulation numérique de transfert radiatif longueur d’onde
par longueur d’onde sur tout le spectre solaire (Kato et al., 1999). La transmissivité
atmosphérique directe T r(u) dans l’intervalle spectral ∆λi est définie par l’équation :

0 0
Z
Ii (u) ∆λi = I i T r(u) ∆λi = I i e−kλ u dλ (3.3)
∆λi

où
0 1 Z
I¯i = I0λ dλ (3.4)
∆λi ∆λi
La méthode k-distribution est une technique statistique de groupage d’intervalles spec-
traux ayant des propriétés spectrales similaires et dont k est la section efficace d’absorption
(West et al., 2010). La transmissivité atmosphérique directe T r(u) est indépendante de
l’ordre de k, c’est-à-dire de l’ordonnancement, et dépend seulement de la fraction de l’in-
tervalle qui est associée à une valeur particulière de k (Fu et Liou, 1992). L’intégration
sur λ peut donc être remplacée par celle sur un k-espace, en considérant la probabilité
d’occurrence d’une valeur spécifique de k dans l’intervalle spectral à travers sa fonction
de distribution cumulative f (k) (Liou, 2002).

33
 La fonction de distribution cumulative est normalisée à 1 :
Z ∞
f (k) dk = 1 (3.5)
0

La transmissivité atmosphérique moyenne s’écrit :

Z ∞
T r(u) = f (k) e−k u dk (3.6)
0

Ainsi, le nombre d’opérations de calcul de T r(u) passe de 105 à une centaine sur tout le
spectre solaire (Kato et al., 1999). Ceci représente un gain de temps de calcul remarquable.

En outre, une fonction de distribution cumulative g(k) peut être définie de la forme,
Z k
g(k) = f (k 0 ) dk 0 (3.7)
0

où g(0) = 0 et g(∞) = 1 et dg(k) = f (k) dk. Par définition, g(k) est une fonction
strictement croissante entre 0 et 1. En changeant l’espace d’intégration k-espace en g-
espace, la transmissivité atmosphérique moyenne directe peut s’écrire :
Z 1
T r(u) = e−k(g) u dg (3.8)
0

Quel que soit l’intervalle spectral, les bornes d’intégration ne changent pas et ne dé-
pendent pas des conditions atmosphériques. Cette dernière forme d’équation de la trans-
missivité moyenne peut être remplacée par une somme discrète, et être résolue par la
méthode de quadrature gaussienne (Arking et Grossman, 1972; Chou et Lee, 1996; Fu et
Liou, 1992; Lacis et Oinas, 1991), méthode utilisée dans l’approche de Kato et al. (1999).
La transmissivité moyenne devient :

n
wj e−k(gj ) u
X
T r(u) = (3.9)
j=1

où k(gj ) est le coefficient d’absorption au point de quadrature gj , n est le nombre de points
de quadrature sélectionné et wj est le poids de Gauss, la somme des poids valant l’unité.

La variation du coefficient d’absorption en altitude doit être considérée afin d’appliquer

la théorie précédente à des atmosphères réalistes. L’approximation k-corrélés suppose que
les sections efficaces d’absorption à une longueur d’onde donnée, résident toujours dans le
même intervalle de la fonction de distribution cumulative quelles que soient la température,
la pression et la concentration (Kato et al., 1999). Soient deux couches homogènes d’une
même molécule absorbante, chaque couche ayant la même température et pression, la

34
transmissivité de l’ensemble s’écrit alors :
n
wj e{−k1 (gj1 ) u1 +k2 (gj2 ) u2 }
X
T r(u) = (3.10)
j=1

Les indices 1 et 2 indiquent les deux couches homogènes.

La transmissivité d’une atmosphère constituée de m couches horizontales et de deux
molécules absorbantes s’écrira :
  m

n1 X
n2
P
X 
 − k1l (gj1 ) u1l +k2l (gj2 ) u2l +τl ] 

T r(u) = ... (wj1 wj2 ...)e l=1 (3.11)
 
j1 =1j2 =1  

où les indices 1 et 2 renvoient aux molécules absorbantes et τl est la somme des épaisseurs
optiques due à la diffusion des molécules, l’extinction due aux aérosols et aux particules
nuageuses dans chaque intervalle de longueurs d’onde.
Kato et al. (1999) ont développé leur approche pour les calculs de rayonnement total
pour le spectre solaire réduit à l’intervalle [240, 4606] nm. Ils ont divisé le spectre so-
laire en 32 petits intervalles de longueur d’onde, ici appelés bandes Kato (Kato band en
anglais, KB ), de telle manière que l’éclairement solaire au sommet de l’atmosphère à
l’intérieur de chaque intervalle soit presque constant. La figure 3.1 montre la contribution
relative de l’éclairement dans chacune des bandes Kato à l’éclairement hors atmosphère.
L’éclairement solaire total hors atmosphère est estimé à 1357,2 W m−2 pour l’intervalle
spectral compris entre 240 nm et 4606 nm. Le tableau 3.1 liste les domaines de définition
des 32 intervalles spectraux et leur longueur d’onde centrale.

Tableau 3.1 – Répartition spectrale des différentes bandes de Kato et al. (1999)

# Largeur de la Longueur d’onde # Largeur de la Longueur d’onde

bande bande (µm) centrale (µm) bande bande (µm) centrale (µm)
1 0,240 – 0,272 0,256 17 0,704 – 0,743 0,724
2 0,272 – 0,283 0,278 18 0,743 – 0,791 0,767
3 0,283 – 0,307 0,295 19 0,791 – 0,844 0,818
4 0,307 – 0,328 0,317 20 0,844 – 0,889 0,867
5 0,328 – 0,363 0,345 21 0,889 – 0,975 0,932
6 0,363 – 0,408 0,385 22 0,975 – 1,046 1,010
7 0,408 – 0,452 0,430 23 1,046 – 1,194 1,120
8 0,452 – 0,518 0,485 24 1,194 – 1,516 1,355
9 0,518 – 0,540 0,529 25 1,516 – 1,613 1,565
10 0,540 – 0,550 0,545 26 1,613 – 1,965 1,789
11 0,550 – 0,567 0,558 27 1,965 – 2,153 2,059
12 0,567 – 0,605 0,586 28 2,153 – 2,275 2,214
13 0,605 – 0,625 0,615 29 2,275 – 3,001 2,639
14 0,625 – 0,667 0,645 30 3,001 – 3,635 3,319
15 0,667 – 0,684 0,675 31 3,635 – 3,991 3,813
16 0,684 – 0,704 0,694 32 3,991 – 4,606 4,298

Dans chacun de ces intervalles, des sections efficaces d’absorption de la vapeur d’eau
H2 O, de l’ozone O3 , de l’oxygène O2 et du dioxyde de carbone CO2 ont été obtenues

35
Figure 3.1 – Distribution spectrale de l’éclairement solaire hors atmosphère de Gueymard
(2004) dans les 32 intervalles spectraux de Kato et al. (1999) et leur contribution correspondante
relative.

par la méthode k-distribution. D’autres hypothèses sur les propriétés optiques des consti-
tuants de l’atmosphère ont été faites. Comme les bandes Kato sont suffisamment petites
(tableau 3.1),
- la variation de la diffusion moléculaire monochromatique est considérée comme ap-
proximativement linéaire dans chaque KB, et l’épaisseur optique est estimée au
centre de chaque KB ;
- de même, dans la région spectrale λ ≤ 700 nm, un seul point de quadrature de Gauss
est utilisé pour modéliser l’absorption de l’ozone. Les sections efficaces d’absorption
de l’ozone de la méthode k-distribution sont prises à la longueur d’onde centrale ;
- les propriétés optiques dues aux aérosols sont, elles aussi, supposées être des fonctions
linéaires, et estimées au centre de chaque bande Kato.
L’approche de Kato et al. (1999) a été intégrée dans plusieurs MTR pour effectuer des
calculs rapides de l’éclairement en conditions de ciel clair ou nuageux. Par exemple, Kato
et al. (1999) ont trouvé que l’éclairement direct à la surface du sol estimé avec leur
approche en se servant d’un MTR à deux flux en conditions de ciel clair avec le profil
atmosphérique midlatitude summer et sans aérosol, diffère de 0,2 % ou 2,1 W m−2 du
MTR MODTRAN3 (MODerate resolution atmospheric TRANsmission 3). En utilisant
le MTR RAPRAD (Rapid Radiative Transfer) et la même approche, Michalsky et al.
(2006) ont trouvé que l’erreur relative était inférieure à 1 % et 1,9 % respectivement pour
l’éclairement total direct et diffus sous les conditions de ciel clair comparées à des mesures
au sol durant le programme de recherche ARM 2003 Aerosol Intensive Observation Period.

36
Wang et al. (2009) ont effectué les comparaisons entre le MTR DAK (Doubling Adding
model of KNMI) en combinaison avec l’approche de Kato et al. (1999) et les mesures au
sol en ciel clair. Ils ont trouvé une erreur moyenne de 2 W m−2 (+0,2 %), 1 W m−2 (+0,8
%) et 2 W m−2 (+0,3 %) pour respectivement l’éclairement total direct, diffus et global.
L’approche de Kato et al. (1999) est donc satisfaisante pour l’éclairement total. En est-
il de même pour l’éclairement dans chacune des bandes Kato ? Autrement dit, l’éclairement
estimé dans une bande Kato est-il proche de celui qui serait mesuré ? Comme il n’existe
pas de mesures dans chaque KB, la question est transformée en : ”l’éclairement estimé
dans une bande Kato est-il proche de celui qui peut être estimé par des calculs détaillés,
réputés plus précis ?”. C’est l’objet des pages suivantes. Une communication personnelle
avec S. Kato nous avait confirmé l’absence d’études similaires publiées, ce qui a justifié
notre entreprise qui a fait l’objet d’une publication.

3.2 Les MTR utilisés et les variables d’entrées en

conditions de ciel clair
L’étude qui suit est une pure modélisation numérique réalisée avec le MTR libRadtran
(library for Radiative transfer) version 1.7 (Mayer et Kylling, 2005; Mayer et al., 2011).
En supplément, le MTR SMARTS (Simple Model of the Atmospheric Radiative Transfer
of Sunshine) version 2.9.5 (Gueymard, 1995) est utilisé pour vérifier que les conclusions
ne dépendent pas d’un MTR particulier et aussi du modèle d’aérosol. Ces deux MTR
fournissent l’éclairement spectral et ont été choisis parce que plusieurs articles ont dé-
montré la qualité de leurs résultats comparés à des mesures spectrales (Galleano et al.,
2014; Gueymard, 2008; Habte et al., 2014; Mayer et al., 1997; Randles et al., 2013).
Le code libRadtran est un ensemble d’outils pour simuler numériquement le trans-
fert radiatif dans l’atmosphère terrestre. Le principal outil uvspec contient l’approche
de Kato et al. (1999) et les calculs spectraux détaillés du MTR SBDART (Santa Bar-
bara DISORT Atmospheric Radiative Transfer). L’approche de Kato et al. (1999) ont
utilisé la base de données spectroscopiques HITRAN (High-Resolution Transmission Mo-
lecular Absorption). Les calculs détaillés de libRadtran utilisent la paramétrisation des
sections efficaces d’absorption de gaz de LOWTRAN (Low Resolution Transmission).
L’algorithme DISORT 2.0 (DIScrete ORdinate Technique) de la méthode des ordonnées
discrètes (Stamnes et al., 2000) a été choisi pour résoudre l’équation de transfert radiatif.
libRadtran est exécuté deux fois pour produire des éclairements spectraux dans chaque
bande Kato : une première fois avec l’approche de Kato et al. (1999), et une seconde fois
pour des calculs spectraux détaillés avec le mode pseudo-spectral du MTR SBDART ; ces
calculs détaillés servant de référence dans la comparaison.

37
 Les entrées de libRadtran décrivant l’état optique de l’atmosphère en ciel clair sont
les contenus totaux de la colonne atmosphérique en ozone et en vapeur d’eau, les pro-
fils verticaux de température, pression, densité et de rapport de mélange pour les gaz,
l’épaisseur optique des aérosols à 550 nm, l’exposant de la relation d’Angström, le type
d’aérosol ou modèle d’aérosol, et l’altitude du sol. libRadtran offre la possibilité de choisir
aussi les récents modèles d’aérosols de la librairie OPAC (Optical Properties of Aerosols
and Clouds) (Hess et al., 1998). Le spectre solaire de Gueymard (2004) a été choisi. Les
autres entrées de libRadtran sont l’angle solaire zénithal θs et l’albédo du sol ρg .
Les entrées de SMARTS sont les mêmes que celles de libRadtran à une exception près.
SMARTS demande l’épaisseur optique des aérosols à 550 nm et le type d’aérosol, puis
calcule automatiquement les couples (α1 , β1 ) et (α2 , β2 ) des coefficients de la relation
d’Angström pour deux domaines spectraux, inférieur et supérieur à 500 nm. Lorsque nous
avons voulu assurer une comparaison exacte entre SMARTS et libRadtran, nous avons
forcé libRadtran à utiliser les mêmes valeurs de α et β et les modèles d’aérosols (Shettle,
1990) que ceux utilisés dans SMARTS.

3.3 Procédure de validation numérique

La procédure de validation adoptée est de nature statistique. Plusieurs états atmo-
sphériques sont construits aléatoirement par la technique de Monte-Carlo. Un état atmo-
sphérique est une combinaison des variables d’entrées de libRadtran et SMARTS. Pour
chaque état atmosphérique et pour chaque bande Kato, les différences entre les estima-
tions d’éclairements de l’approche et les calculs pseudo-spectraux, ensuite les estimations
d’éclairements de l’approche et les calculs spectraux détaillés de SMARTS sont calculées.
Le tableau 3.2 rapporte les valeurs numériques prises respectivement pour θs , ρg et les
variables décrivant l’atmosphère de ciel clair. Pour des raisons numériques, θs est fixé à
0,01°, respectivement 89°, au lieu de 0°, resp. 90°. La sélection aléatoire des entrées listées
dans le tableau prend en compte les lois marginales de distribution proposées par Lefèvre
et al. (2013) et Oumbe et al. (2011). Ces auteurs ont choisi la distribution uniforme comme
un modèle de probabilité marginale pour toutes les variables, exceptées l’épaisseur optique
des aérosols, le coefficient d’Angström et le contenu total en ozone. Pour ces dernières
variables, ont été choisies la distribution gamma pour l’épaisseur optique des aérosols à
550 nm, la distribution normale pour le coefficient d’Angström et la distribution bêta pour
le contenu total en ozone.
Dix valeurs de θs et 10 valeurs ρg sélectionnées aléatoirement, ont été combinées avec
chacune des 120 sélections aléatoires des autres sept variables du tableau 3.2, condui-
sant à un total de 12 000 états atmosphériques qui seront les entrées de libRadtran et

38
Tableau 3.2 – Les valeurs choisies pour θs , ρg et les sept variables décrivant l’atmosphère claire

Variable Valeurs choisies

V Angle zénithal solaire θs V 0,01 ; 10 ; 20 ; 30 ; 40 ; 50 ; 60 ; 70 ; 80 ; 89 (°)
V Albédo du sol ρg V 0 ; 0,05 ; 0,1 ; 0,15 ; 0,2 ; 0,3 ; 0,4 ; 0,5 ; 0,7 ; 0,9
V Contenu total en ozone V Le contenu en ozone est : 300*β + 200, en unité
Dobson. Loi beta de paramètres A=2 et B=2,
pour calculer β
V Contenu total en vapeur d’eau V Loi uniforme entre 0 et 70 kg m−2
V Altitude du site au dessus du V Loi uniforme 0 ; 1 ; 2 ; 3 (en km)
niveau moyen de la mer
V Profil atmosphérique (Air V Loi uniforme : Midlatitude Summer, Midlatitude
Force Geophysics Laboratory Winter, Subarctic Summer,
standards) Subarctic Winter, Tropical, US. Standard
V Epaisseur optique des aérosols V Loi gamma , de paramètre de forme = 2,
à 550 nm ( τa550 ) et de paramètre d’échelle 0,13
V Coefficient d’Angström (α) V Loi normale de moyenne = 1,3 et d’écart type 0,5
(seulement utilisé avec la librai-
rie OPAC)
V Type des aérosols V Loi uniforme : urbain, rural, maritime, troposphé-
rique

SMARTS. Pour retirer l’influence de la variation journalière et saisonnière de l’angle so-

laire zénithal sur l’éclairement à la surface du sol et la dépendance du spectre solaire
extra-atmosphérique, l’éclairement global Gi estimé par les différents MTR dans la bande
Kato i a été converti en indice de clarté KTi :

Gi
KTi = (3.12)
Ioi cos θs
où Ioi est l’éclairement au sommet de l’atmosphère sur un plan normal aux rayons solaires
pour la bande Kato i. Similairement, l’indice de clarté direct KTidir est défini comme :

Bi
KTidir = (3.13)
Ioi

où Bi est l’éclairement direct à la surface du sol reçu sur un plan normal à la direction du
soleil.

Pour chaque état atmosphérique, les différences sont calculées sur ces indices. Les
différences sont dans la suite appelées erreurs car elles quantifient les erreurs faites en
utilisant les estimations de l’approche de Kato et al. (1999) au lieu des résultats des
calculs spectraux détaillés considérés comme référence pour chaque intervalle spectral.
Les erreurs sont synthétisées par le biais (Bias), la racine de l’écart quadratique moyen
(RM SE), leurs valeurs relatives rBias et rRM SE par rapport à la valeur moyenne
des estimations de référence, et le carré du coefficient de corrélation (R2 ), aussi appelé

39
coefficient de détermination.
n
1X
Bias = YEstimé(j) − YRéf érence(j) (3.14)
n j=1

v
u1 n
u X
RM SE = t (YEstimé(j) − YRéf érence(j) )2 (3.15)
n j=1

Bias
rBias(%) = (3.16)
YRéf érence

RM SE
rRM SE(%) = (3.17)
YRéf érence

n n
1
(YEstimé(j) − YEstimé ) n1 (YRéf érence(j) − YRéf érence )
P P
n
2 j=1 j=1
R =s n
s
n
(3.18)
1 1
(YEstimé(j) − YEstimé )2 (YRéf érence(j) − YRéf érence )2
P P
n n
j=1 j=1

où j indique chaque état atmosphérique, n le nombre total d’états atmosphériques, la

quantité numérique Y peut être soit KT , soit KT dir pour chaque bande Kato, et Ȳ
représente la valeur moyenne de Y .

3.4 Résultats
La figure 3.2 est un corrélogramme des différentes valeurs de KT dir obtenues par les
calculs spectraux détaillés par libRadtran et SMARTS (axe horizontal) et par l’approche
de Kato et al. (1999) pour la bande Kato # 9 [518, 540] nm. Le résultat observé dans cette
bande est en général représentatif des résultats dans les autres bandes. Les points dans le
graphe sont bien alignés suivant la droite 1:1 avec une dispersion très limitée. R2 est plus
grand que 0,999, ce qui signifie que toute l’information contenue dans les calculs spectraux
détaillés est expliquée par l’approche de Kato et al. (1999). Les erreurs relatives rBias et
rRM SE sont très faibles : respectivement -0,4 % et 0,4 % (cf tableau 3.3). Ces résultats ne
constituent pas une surprise puisque l’absorption moléculaire est faible dans cette bande
KB # 9. Dans ce cas, les valeurs générées k(gj ) et wj de la méthode de k-distribution
et les hypothèses de base sont suffisantes pour modéliser avec précision l’atténuation par
l’atmosphère de l’éclairement direct. Les résultats obtenus avec SMARTS sont les mêmes
que ceux obtenus avec libRadtran.
L’approche de Kato et al. (1999) ne présente pas toujours de bonnes performances
pour toutes les bandes Kato. La figure 3.3 affiche le corrélogramme pour KB # 3 [283,

40
Figure 3.2 – Corrélogramme entre les calculs spectraux détaillés par libRadtran et SMARTS
(axe horizontal) et l’approche de Kato et al. (1999) pour l’indice de clarté direct et KB # 9 [518,
540] nm.

307] nm et KB # 4 [307, 328] nm. L’approche sous-estime largement l’indice de clarté

direct par l’atmosphère pour KB # 3 ; le biais relatif atteint –91,8 %. La dispersion du
nuage de points autour de la première bissectrice, droite 1:1, est cependant limitée et R2
est élevé : 0,677. La sous-estimation est moins forte pour KB # 4 comparée à KB # 3 :
rBias est -13,9 %, rRMSE est 17,0 %. R2 est très élevé : 0,995 (confère tableau 3.3).

(a) KB # 3 [283 ; 307] nm. (b) KB # 4 [307 ; 328] nm.

Figure 3.3 – Corrélogramme de l’indice de clarté direct entre les calculs spectraux détaillés de
libRadtran et SMARTS (axe horizontal) et l’approche de Kato et al. (1999) pour KB # 3 et 4.

La sous-estimation pour ces bandes peut être expliquée par le fait que Kato et al.
(1999) ont supposé que la section efficace d’absorption de l’ozone à la longueur d’onde
centrale dans chaque intervalle représente l’absorption sur toute l’intervalle. En fait, la

41
section efficace d’absorption de l’ozone dépend largement de la longueur d’onde dans cette
région spectrale (Molina et Molina, 1986). L’intervalle est trop large pour qu’une section
efficace soit représentative de l’absorption de l’ozone sur tout l’intervalle.
La figure 3.4 affiche la comparaison de la transmissivité due uniquement à l’ab-
sorption de l’ozone obtenue d’une part par la moyenne pondérée avec le spectre extra-
atmosphérique de Gueymard (2004) et considérée comme référence, et d’autre part par
l’approximation k-corrélés, pour les KB # 3 et # 4. Le comportement des graphes est
similaire à ceux de la figure 3.3, surtout pour KB # 3, et prouve que les erreurs sont prin-
cipalement dues aux choix faits par Kato et al. (1999) dans la modélisation de l’absorption
par l’ozone.

(a) KB # 3 [283, 307] nm. (b) KB # 4 [307, 328] nm.

Figure 3.4 – Comparaison entre la transmissivité moyenne due à la seule absorption de l’ozone
et celle issue de l’approximation k-corrélés pour KB # 3 et 4.

D’autres KB révèlent une notable surestimation (# 23, 24, 25) ou sous-estimation (#

19, 21, 26) mais cependant moindre. La vapeur d’eau est la principale molécule absorbante
dans ces longueurs d’onde (Pierluissi et Peng, 1985). Les sources de données spectrosco-
piques utilisées dans l’approche de Kato et al. (1999) et les calculs spectraux détaillés,
sont différentes, et ceci contribue à une partie des erreurs observées. L’influence de θs , ρg
et de toute autre variable qui peut influencer la masse d’air est notable. Par exemple, la
figure 3.5 affiche le corrélogramme entre les calculs spectraux détaillés de libRadtran et
l’approche de Kato et al. (1999) pour deux domaines de l’angle solaire zénithal : θs ≤80°
and θs =89° pour KB # 25. On observe sur cette figure que les écarts par rapport à la
droite 1:1 sont beaucoup plus grands à θs =89° qu’aux autres valeurs de θs .
Le tableau 3.3 résume les indicateurs statistiques de comparaison pour l’indice de
clarté direct sous les conditions de ciel clair pour θs ≤ 80°, et les simulations numériques
effectuées avec libRadtran. On remarque que R2 est supérieur à 0,99 pour tous les KB

42
Figure 3.5 – Corrélogramme entre calculs spectraux détaillés de libRadtran et l’approche de
Kato et al. (1999) pour deux domaines de l’angle zénithal solaire θs pour l’indice de clarté direct
et KB # 25 [1516, 1613]nm.

de # 4 à # 26. Toute l’information contenue dans les calculs spectraux détaillés est
expliquée par l’approche de Kato et al. (1999) dans chaque bande, quel que soit le profil
atmosphérique, le modèle d’aérosol et les autres entrées. Hormis KB # 3 et # 4, rBias
est compris entre -6,8 % (KB # 21) et 6,0 % (KB # 24). rRMSE atteint 7,4 %. Dans la
plupart des KB, rBias et rRMSE sont inférieurs à 1,5 %. Ils sont plus élevés que 2,5 % en
valeur absolue pour KB # 19, 21, 23, 24, 25 et 26. Comme déjà discuté précédemment,
KB # 3 et # 4 sont des exceptions avec des larges sous-estimations malgré un coefficient
de corrélation élevé.
Tableau 3.3 – Indicateurs statistiques de comparaison dans les KB pour l’indice de clarté direct
sous les conditions de ciel clair pour θs ≤ 80° avec les simulations numériques libRadtran

# R2 K̄Tdir rBias (%) rRMSE (%) # R2 K̄Tdir rBias (%) rRMSE (%)
3 0,682 0,006 -91,8 132,2 15 0,999 0,665 -0,0 0,0
4 0,995 0,128 -13,9 16,1 16 0,999 0,616 -0,6 1,0
5 0,999 0,254 0,9 1,1 17 0,999 0,602 0,7 1,4
6 0,999 0,354 -1,0 1,0 18 0,999 0,666 0,9 1,3
7 0,999 0,435 -0,1 0,2 19 0,995 0,671 -2,5 3,1
8 0,999 0,506 0,3 0,3 20 0,999 0,753 0,5 0,6
9 0,999 0,546 -0,4 0,4 21 0,993 0,459 -6,8 7,4
10 0,999 0,556 -0,2 0,2 22 0,998 0,760 -0,2 1,0
11 0,999 0,561 -0,2 0,2 23 0,998 0,521 2,3 2,6
12 0,999 0,558 1,4 1,5 24 0,995 0,406 6,0 6,3
13 0,999 0,599 0,2 0,2 25 0,997 0,806 2,9 3,1
14 0,999 0,618 1,3 1,4 26 0,994 0,453 -3,1 3,7

Les erreurs sur les indices de clarté KTi sont résumées dans le tableau 3.4 pour
θs ≤ 80° avec les simulations numériques libRadtran. Pour KB # 3 et # 4, rBias vaut
respectivement -92,8 % et -16,3 %, rRMSE vaut respectivement 123,4 % and 16,9 %, et R2
vaut respectivement 0,718 and 0,991. A l’exception des KB # 3 et # 4, rBias est faible ;

43
il est compris entre -7,1 % (KB # 21) et 5,3 % (KB # 24). Dans la plupart des cas, la
valeur absolue de rBias est inférieure à 1,5 % pour toutes les bandes Kato sauf KB # 5,
19, 21, 23 et 26. De même, excepté KB # 3 et # 4, rRMSE est inférieur à 2 % pour les
courtes longueurs d’onde. La valeur maximale est de 7,5 % pour KB # 21 à cause de la
valeur élevée du biais. On peut aussi remarquer que rRMSE est très proche de la valeur
absolue de rBias indiquant un faible écart-type des erreurs. R2 est très proche de 0,99.
Ceci est également vrai pour l’éclairement direct.
En général, rBias est plus grand pour KTi que pour KTidir en valeur absolue. L’éclai-
rement global est la somme de l’éclairement direct et de l’éclairement diffus. Les mêmes
valeurs et hypothèses de l’approche de Kato et al. (1999) sont utilisées pour chaque com-
posante, conduisant dans la plupart des cas, à une erreur plus grande en éclairement global
qu’en éclairement direct.

Tableau 3.4 – Indicateurs statistiques de comparaisons dans les KB pour l’indice de clarté sous
les conditions de ciel clair pour θs ≤ 80° avec les simulations numériques libRadtran.

# R2 KT rBias (%) rRMSE(%) # R2 KT rBias (%) rRMSE (%)

3 0,718 0,016 -92,8 123,4 15 0,999 0,895 -0,0 0,3
4 0,991 0,377 -16,3 16,9 16 0,997 0,815 -0,8 1,1
5 0,999 0,671 1,7 1,8 17 0,995 0,782 0,7 1,4
6 0,999 0,755 -0,2 0,2 18 0,994 0,853 1,1 1,5
7 0,999 0,806 -0,0 0,0 19 0,986 0,839 -2,7 3,3
8 0,999 0,837 0,1 0,1 20 0,999 0,932 0,5 0,6
9 0,999 0,840 -0,4 0,5 21 0,994 0,547 -7,1 7,5
10 0,999 0,834 -0,2 0,3 22 0,990 0,904 -0,2 1,1
11 0,999 0,831 -0,2 0,3 23 0,996 0,603 2,1 2,5
12 0,999 0,798 1,5 1,5 24 0,991 0,458 5,3 5,6
13 0,999 0,839 0,2 0,3 25 0,988 0,891 3,0 3,1
14 0,994 0,845 1,4 1,8 26 0,989 0,495 -3,6 4,0

Le travail présenté ici a fait l’objet d’un article par Wandji Nyamsi et al. (2014). Ce
dernier traite également du cas du ciel nuageux, avec les mêmes conclusions. Puisque ce
manuscrit de thèse se limite au cas du ciel clair, seuls les résultats dans ces conditions y
ont été présentés.

3.5 Améliorations de l’approche de Kato et al. (1999)

Les résultats précédents révèlent de manière significative que les estimations obtenues
par l’approche de Kato et al. (1999) sur la région spectrale de l’UV (KB # 3 et # 4)
ne sont pas très précises. L’approche de Kato et al. (1999) sous-estime les indices de
clarté dans les KB # 3 et # 4 de respectivement -92 % et -14 % en valeur relative avec
des écarts quadratiques de 132 % et 16 % en conditions de ciel clair. Des erreurs simi-
laires ont été trouvées en conditions de ciel nuageux (Wandji Nyamsi et al. (2014)). Afin

44
d’améliorer ces estimations, nous avons étudié une nouvelle paramétrisation de la trans-
missivité atmosphérique due uniquement à l’absorption de l’ozone, responsable principale
de l’imprécision.
Par définition, la transmissivité moyenne TO3 due à l’absorption seule de l’ozone pour
un intervalle spectral ∆λ est :

1 Z
TO3 = I0λ e−kO3λ uO3 / µ0 dλ (3.19)
I0∆λ ∆λ
La technique largement utilisée pour estimer TO3 est basée sur une somme discrète de fonc-
tions exponentielles sélectionnées (Wiscombe et Evans, 1977), déjà présentée par l’équa-
tion (3.9). Dans l’approche de Kato et al. (1999), une seule fonction exponentielle (n = 1)
est utilisée pour chaque KB pour estimer TO3KB :

TO3KB = e−kKB uO3 / µ0 (3.20)

Kato et al. (1999) ont choisi les sections efficaces de l’ozone au centre de chaque KB # 3
et # 4 pour une température de 203 K, soit kKB3 = 5, 84965 10−19 cm2 et kKB4 = 4, 32825
10−20 cm2 .

3.5.1 Section efficace effective

Est-il possible de représenter l’absorption seule de l’ozone par une unique section
efficace effective kef f dans les KB # 3 et # 4 ? Si oui, kef f est déterminé pour chaque KB
par la combinaison des équations (3.19) et (3.9) avec n=1 :

−kef f uO3 / µ0 1 Z
TO3 = e = I0λ e−kO3λ uO3 / µ0 dλ (3.21)
I0∆λ ∆λ

Cette équation peut être ré-écrite :

!
1 Z
−kO3λ uO3 / µ0
− kef f uO3 / µ0 = ln I0λ e dλ (3.22)
I0∆λ ∆λ

Plusieurs simulations numériques ont été faites pour étudier cette hypothèse. Les sec-
tions efficaces sont celles de Molina et Molina (1986) aux températures de 226 K, 263 K et
298 K et le spectre solaire au sommet de l’atmosphère est celui de Gueymard (2004). Les
sections efficaces à 203 K sont obtenues par extrapolation linéaire pour chaque longueur
d’onde (figure 3.6).
10000 couples (uO3 , µ0 ) ont été générés par la technique de Monte-Carlo. La sélection
aléatoire des angles zénithaux suit une distribution uniforme dans [0° ; 80°]. uO3 est calculé
comme indiqué dans le tableau 3.2. Les 10000 simulations conduisent à un ensemble X

45
 Figure 3.6 – Section efficace de l’ozone à 203 K en fonction de la longueur d’onde.

 
uO3 1 −kO3λ uO3 / µ0
et un ensemble Y de valeurs de −ln
R
de I0λ e dλ . L’équation
µ0 I
0 ∆λ ∆λ
(3.22) devient :
kef f X = Y (3.23)

et kef f peut être déduit par une technique d’ajustement de type moindres carrés. Pour
KB # 3 et # 4, les valeurs obtenues sont respectivement kef f 3 = 2, 29 10−19 cm2 et
kef f 4 = 2, 65 10−20 cm2 . La transmissivité moyenne TO3ef f avec la section efficace effective
est ensuite calculée par l’équation (3.21).
Les transmissivités estimées TO3KB et TO3ef f calculées avec les équations (3.20) et
(3.21), mais en utilisant un deuxième ensemble de 10000 couples (uO3 ,µ0 ) sélectionnés
aléatoirement, sont comparées à la transmissivité de référence TO3 , calculée de manière
détaillée avec l’équation (3.19) pour chaque KB (figure 3.7).
Dans KB # 3, on observe que TO3KB (ligne rouge) sous-estime grandement TO3 signi-
fiant que l’unique section efficace adoptée par Kato et al. est trop élevée. Au contraire,
TO3ef f affiche une large sur-estimation signifiant que la section efficace effective est trop
faible. Ceci peut être expliqué par le fait que l’éclairement solaire est complètement ab-
sorbé aux très courtes longueurs d’onde, et de ce fait, devient moins important pour les
sections efficaces de l’ozone. Dans cet intervalle, la section efficace est grandement variable
comme montrée dans la figure 3.6. Puisque kef f est la valeur optimale réduisant autant
que possible, les écarts entre TO3ef f et TO3 , on peut conclure qu’une valeur unique de
section efficace de l’ozone ne peut pas représenter l’absorption dans tout l’intervalle KB
# 3 avec une précision satisfaisante.
Dans KB # 4, on observe que TO3KB (ligne rouge) sous-estime notablement TO3 , ce qui
signifie que l’unique section efficace adoptée par Kato et al. (1999) est trop élevée. TO3ef f
est plus proche de TO3 que TO3KB , mais présente une surestimation lorsque TO3 ≥ 0, 47

46
 (a) KB # 3 [283, 307] nm. (b) KB # 4 [307, 328] nm.

Figure 3.7 – Corrélogramme entre TO3 , TO3KB (ligne rouge) et TO3ef f (ligne bleue).

et une sous-estimation lorsque TO3 ≤ 0, 47. Comme précédemment, on peut conclure

qu’une valeur unique de section efficace de l’ozone ne peut pas représenter avec précision
l’absorption sur toute la bande KB # 4.

3.5.2 Nouvelle paramétrisation de la transmissivité due à l’ab-

sorption de l’ozone

La nouvelle paramétrisation TO3new pour estimer TO3 consiste à utiliser l’équation (3.9)
avec n plus grand que 1 mais pas trop grand, afin de réduire le nombre de calculs sans
perdre trop en précision. Dans cette partie, n définit le nombre de sous-intervalles δλi
inclus dans ∆λ pour lesquels les sections efficaces efficaces de l’ozone k(gj ) et les poids wj
sont définis. Plus n est grand, plus le nombre de calculs est important et plus grande est
la précision pour estimer TO3 . Une solution empirique est obtenue en posant n égal à 4 et
en adoptant des poids égaux pour les sous-intervalles, pour les KB # 3 et # 4. Cela veut
dire que l’équation (3.9) devient :

n=4
0, 25 e−kj u / µ0
X
T (u) = (3.24)
j=1

où kj est la section efficace effective de l’ozone dans chacun des quatre sous-intervalles.
En utilisant un ensemble de 10000 couples (u, µ0 ) pour estimer TO3 , sélectionnés aléa-
toirement comme précédemment, l’ensemble optimal des quatre kj minimisant la différence
entre TO3new et TO3 , est obtenue par l’algorithme de Levenberg-Marquardt. Le tableau 3.5
donne pour chaque KB, les sous-intervalles et les sections efficaces effectives correspon-

47
dantes d’absorption kj et les poids wj pour estimer TO3 . Une telle paramétrisation est
définie une fois pour toutes, et appliquée quelques soient les conditions de ciel clair et
nuageux.

Tableau 3.5 – Sous-intervalles, section efficace effective et poids dans chaque intervalle KB pour
estimer TO3new

Intervalle ∆λ, nm Sous-intervalles δi , nm Section efficace effectif Poids wj

ki (10−19 cm2 /molécule)
283 - 292 11,360 0,25
KB #3 292 - 294 8,551 0,25
283 - 307 294 - 301 3,877 0,25
301 - 307 1,775 0,25
307 - 311 0,938 0,25
KB #4 311 - 321 0,350 0,25
307 - 328 321 - 323 0,153 0,25
323 - 328 0,076 0,25

Les transmissivités de référence TO3 et modélisée TO3new sont calculées avec respec-
tivement Eq. (3.9) et Eq. (3.24) au moyen d’un deuxième ensemble de 10000 couples
(u, µ0 ) choisis aléatoirement, et sont comparées les unes aux autres pour chaque KB (fi-
gure 3.8). La transmissivité TO3KB est également indiquée sur la figure 3.8 (ligne rouge).
La différence entre TO3KB et TO3new est frappante. Dans chaque KB, TO3new est presque
égale à TO3 dans tous les cas. Alors que la valeur moyenne pour TO3new est respectivement
de 0,0314 pour KB # 3 et 0,6360 pour KB # 4 pour cet ensemble de données, l’erreur
maximale en valeur absolue de transmissivité est respectivement 0,0006 et 0,0041. Ces
très faibles erreurs montrent le bénéfice de la paramétrisation proposée.

(a) KB # 3 [283, 307] nm. (b) KB # 4 [307, 328] nm.

Figure 3.8 – Corrélogramme entre TO3 , TO3KB (ligne rouge) et TO3new (ligne bleue).

48
3.5.3 Mise en œuvre pratique dans un MTR : le cas de libRad-
tran

La nouvelle paramétrisation pour les bandes Kato # 3 et # 4 est utilisée dans la suite
de la thèse dans le MTR libRadtran. Pour cela, il a fallu créer deux fichiers.
Le fichier o3.dat décrit les valeurs utiles à libRadtran pour représenter l’absorption
d’ozone. Un en-tête de sept lignes décrit la signification des trois colonnes. La première
colonne indique le numéro de l’intervalle spectral : KB # 1 à 32. La seconde corres-
pond au nombre de points de quadrature dans chaque KB ; la valeur est de 1 dans les
bandes UV. La troisième colonne peut être soit la valeur de l’unique section efficace de
l’ozone dans la bande, exprimée en cm2 , soit -1 lorsque le nombre de points de quadra-
ture est supérieur à 1. Dans ce dernier cas, libRadtran se réfère au fichier netcdf cross -
section.table. O3.noKB.cdf où noKB est le numéro de la KB et le fichier contenant
le poids, la section efficace effective d’absorption de l’ozone dépendante de la tempéra-
ture et de la pression. Inclure la nouvelle paramétrisation nécessite deux actions. Tout
d’abord, pour KB # 3 et # 4, définir la deuxième colonne à 4 et la troisième colonne à
-1. Ensuite, créer deux fichiers netcdf nommés cross section.table. O3.03.cdf et cross -
section.table. O3.04.cdf comportant pour chaque intervalle les poids et sections efficaces
effectives correspondantes indiquées dans le tableau 3.5. Le travail présenté ici a fait
l’objet d’un article par Wandji Nyamsi et al. (2015a).

3.6 Conclusion
L’étude présentée démontre que la méthode k-distribution et l’approximation k-corrélés
proposée par Kato et al. (1999) estiment avec précision l’éclairement à la surface du sol
dans tout le spectre solaire sauf dans l’ultraviolet. L’étude est basée sur une pure valida-
tion numérique et est limitée aux bandes Kato # 3 à # 26. Dans leur approche, Kato
et al. (1999) ont supposé que l’épaisseur optique due à la diffusion moléculaire, les pro-
priétés optiques des aérosols, et l’absorption due à l’ozone dans chaque intervalle sont
représentées par leurs estimations aux centres des intervalles.
Pour les intervalles spectraux de # 5 [328, 363] nm à # 18 [743, 791] nm et pour les
éclairements direct et global, l’erreur moyenne et la racine de l’écart quadratique moyen
sont inférieurs à 1,5 % de l’éclairement dans l’intervalle spectral correspondant sous les
conditions de ciel clair. Pour les intervalles spectraux # 19 [791, 844] nm à 26 [1613,
1965] nm et dans la plupart des cas, les erreurs sont inférieures à 5 % de l’éclairement
dans l’intervalle spectral correspondant pour les deux éclairements direct et global. Les
erreurs relatives montrent une tendance à augmenter avec la longueur d’onde pour des

49
intervalles plus larges et peuvent atteindre 8 % et 7 % pour les éclairements global et
direct en conditions de ciel clair. En général, les carrés des coefficients de corrélation sont
supérieurs à 0,99, et on conclut que toute l’information contenue dans les calculs spectraux
détaillés est expliquée par l’approche de Kato et al. (1999).
Le niveau de performance n’est pas aussi remarquable pour les intervalles spectraux #
3 [283, 307] nm et # 4 [307, 328] nm. L’éclairement est sous-estimé d’environ -90 % et -17
% en valeur relative. Les intervalles spectraux sont trop larges pour considérer une unique
valeur du coefficient d’absorption, ou section efficace d’absorption, de l’ozone. Comme
conséquence, l’approche originale de Kato et al. (1999) n’est pas directement utilisable
pour l’éclairement ultraviolet.
Nous avons proposé une nouvelle paramétrisation pour améliorer les estimations dans
les bandes Kato # 3 et # 4. Une évaluation de cette nouvelle paramétrisation par rapport
aux calculs spectraux détaillés, montre qu’elle produit des estimations beaucoup plus
précises que l’approche originale. Ceci offre la possibilité d’obtenir des estimations précises
de l’éclairement spectral dans le domaine de l’ultraviolet, et notamment UV-A et UV-B.
Cette paramétrisation a été introduite dans le MTR libRadtran et est utilisée dans les
simulations numériques de l’éclairement au sol dans la suite de notre thèse.

50
Chapitre 4

Techniques numériques d’estimation

de la distribution spectrale du
rayonnement solaire

Sommaire
4.1 Techniques mathématiques exploitant les estimations de l’ap-
proche de Kato et al. (1999) . . . . . . . . . . . . . . . . . . . . 55
4.1.1 Technique de sommation pondérée . . . . . . . . . . . . . . . . 56
4.1.2 Une autre définition des poids γj . . . . . . . . . . . . . . . . . 57
4.1.3 Technique de ré-échantillonnage . . . . . . . . . . . . . . . . . . 57
4.2 Validation numérique des techniques développées . . . . . . 64
4.2.1 Performance des techniques pour l’estimation des éclairements
dans les bandes spectrales particulières UV et PAR . . . . . . . 64
4.2.2 Performance de la technique de ré-échantillonnage pour l’estima-
tion de la densité de flux de photons photosynthétiques (PPFD)
et l’éclairement lumineux . . . . . . . . . . . . . . . . . . . . . 66
4.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

52
 Nous avons vu que l’approche de Kato et al. (1999) améliorée produit une description
plutôt précise de la distribution spectrale sur 32 bandes spectrales. De manière générale,
nous voulons produire des estimations dans n’importe quelle bande spectrale particu-
lière. Peut-on trouver des techniques numériques permettant d’estimer l’éclairement dans
n’importe quel intervalle spectral, voire une distribution spectrale fine sur l’ensemble du
spectre, en partant d’une représentation discrète d’éclairements intégrés dans 32 bandes ?
Le domaine de définition pour une bande spectrale particulière ne coı̈ncide générale-
ment pas avec le groupement de deux ou plusieurs des 32 KB. Cette non-coı̈ncidence est
illustrée par la figure 4.1 pour deux bandes spectrales particulières : UV [280, 400] nm, et
PAR [400, 700] nm. On peut observer de cette illustration que pour couvrir, par exemple,
le domaine spectral du PAR, les KB allant de # 6 au # 16 sont nécessaires. Cependant,
il existe un chevauchement au niveau des KB extrêmes # 6 et # 16. Quelle technique
faut-il appliquer pour produire une estimation précise de l’éclairement PAR ? On pourrait,
par exemple, associer des poids à chaque KB pour tenir compte des chevauchements afin
d’effectuer une sommation discrète.

Figure 4.1 – Répartition spectrale des bandes Kato et des bandes spectrales UV et PAR.

D’autres grandeurs physiques liées à la distribution spectrale du rayonnement solaire

sont par exemple, l’efficacité lumineuse pour la lumière du jour, la densité de photons
photosynthétiquement actifs pour la photosynthèse des plantes (en anglais photosynthetic
photon flux density, PPFD), ou encore la densité de courant pour les cellules photovol-
taı̈ques. Elles sont obtenues par multiplication de l’éclairement spectral solaire par une
réponse spectrale.
La figure 4.2 montre les réponses spectrales normalisées associées à la phototsynthèse
des plantes, l’oeil, la peau humaine et un type de cellule photovoltaı̈que. Elles peuvent être
simples : fonction linéaire pour la photosynthèse des plantes, ou plus complexes, comme
la réponse spectrale de la cellule photovoltaı̈que.
La réponse spectrale varie grandement en fonction de la longueur d’onde. Dans l’ap-
proche de Kato et al. (1999), une seule estimation d’éclairement est faite en moyenne

53
Figure 4.2 – Exemples de réponses spectrales : cellule photovoltaı̈que a-Si, œil, photosynthèse,
peau humaine (CIE, 2; Kleissl, 2013; McKinlay et al., 1987).

toutes les 30 nm, et intégrée sur ces 30 nm. Cette unique estimation est-elle suffisante
pour y associer une réponse spectrale grandement variable avec la longueur d’onde ? Une
réponse possible serait de développer une technique permettant d’obtenir des estimations
à plus haute résolution spectrale par exemple tous les 1 nm. La multiplication avec une
réponse spectrale quelconque deviendrait alors aisée.
C’est ainsi que dans ce chapitre, nous présentons deux principales techniques, chacune
d’elles répondant à une des deux questions posées à savoir : est-il possible d’utiliser cette
représentation discrète en 32 KB de la distribution spectrale pour estimer l’éclairement sur
un intervalle quelconque ? et Est-il possible d’intégrer à la méthode, la réponse spectrale
d’un instrument, d’un système, de l’oeil humain pour estimer l’éclairement ”utilisable”
par l’instrument, par le système ou par l’oeil humain ? Les deux techniques exploitent
en entrées les estimations de l’approche de Kato et al. (1999) et permettent de produire
des grandeurs physiques relatives à la distribution spectrale du rayonnement solaire dans
n’importe quelle bande spectrale particulière. Dans la suite, nous évaluons numérique-
ment leur performance par comparaison des estimations de référence faites par les calculs
spectraux détaillés du MTR libRadtran.
La première technique répondant à la première question, sera destinée à l’estimation de
l’éclairement UV et PAR. Elle consistera à ajuster les éclairements des KB concernés par
le chevauchement de manière à estimer précisément l’éclairement UV. Nous l’appellerons
technique de sommation pondérée.
La deuxième technique répondant à la deuxième question, permettra de produire plus

54
finement l’éclairement solaire, à 1 nm de résolution si possible, en exploitant toujours
les estimations de l’approche de Kato et al. (1999). Nous l’appellerons technique de ré-
échantillonnage de l’éclairement solaire. Il est clair qu’une telle technique offre la possibilité
d’estimer l’éclairement dans n’importe quel intervalle donné, et donc de retrouver les
résultats de la technique de sommation pondérée. Nous avons décidé d’étudier les deux
techniques car leur usage opérationnel peut différer.

4.1 Techniques mathématiques exploitant les estima-

tions de l’approche de Kato et al. (1999)

De manière générale, l’éclairement global dans une bande spectrale particulière (BSP)
Gbsp est défini comme :
Z λsup
Gbsp = Gλ dλ (4.1)
λinf

où λinf et λsup sont respectivement les longueurs d’onde inférieure et supérieure définissant
la bande spectrale particulière. Soit, Bbsp l’éclairement direct dans une BSP :
Z λsup
Bbsp = Bλ dλ (4.2)
λinf

L’éclairement global QGbsp pour une BSP est :

Z λsup
QGbsp = Gλ RSλ dλ (4.3)
λinf

avec RSλ , la réponse spectrale de la matière qui reçoit le rayonnement solaire, comme
illustrée en figure 4.2. De même, l’éclairement direct QBbsp pour une BSP est :
Z λsup
QBbsp = Bλ RSλ dλ (4.4)
λinf

L’équation (4.3), respectivement (4.2), est équivalente à l’équation (4.1), respectivement

(4.4), lorsque la réponse spectrale vaut l’unité. Nous avons omis la composante diffuse
des estimations car elle s’obtient par différence entre l’éclairement global et l’éclairement
direct.
L’intégrale de l’équation (4.3) peut être remplacée par une somme de Riemann sur des
petits intervalles spectraux ou bandes δλ= 1 nm, plus tard appelés NB. Nous supposons
que les propriétés optiques de l’atmosphère y sont quasiment constantes. Si GN Bj et RSN Bj
dénotent respectivement l’éclairement global et la réponse spectrale moyenne dans la jème

55
NB, l’équation (4.3) devient :

n
X
QGbsp = GN Bj RSN Bj (4.5)
j=1

où n représente le nombre d’intervalles δλ se trouvant dans la bande spectrale particu-

lière étudiée, . Cette réponse spectrale moyenne est estimée une fois pour toute et est
indépendante de l’état atmosphérique. Une équation similaire peut aussi être posée pour
l’éclairement direct.

4.1.1 Technique de sommation pondérée

Si k définit le nombre de KB couvrant le domaine spectral de la bande spectrale
particulière, nous pouvons appliquer la somme de Riemann sur les k KB au lieu des n
NB. Il y a par exemple, 11 KB pour le PAR et 6 KB pour l’ultraviolet. Certaines KB sont
partiellement hors du domaine de la bande spectrale particulière. C’est par exemple, le
cas des KB # 6 et # 16 pour le PAR (voir Fig 4.1). Pour tenir compte de la coı̈ncidence
partielle, une solution est d’associer à chaque KB une fonction poids γj , définie par exemple
comme suit :
∆ [(KBj ) ∩ (BSP )]
γj = (4.6)
∆KBj
Le tableau 4.1 donne pour l’ultraviolet, la lumière du jour et la bande liée à la
photosynthèse des plantes, les poids γj associés à chaque KB pour effectuer la sommation
pondérée.

Tableau 4.1 – Poids à associer à chaque estimation des KB pour la sommation pondérée dans
les bandes spectrales particulières (BSP).

BSP ultraviolet lumière du jour photosynthèse

intervalle (nm) [280, 400] [380, 780] [400, 700]
  

 1; #4 au #5 
 1; #7au#17 
 1; # 7 au # 15

 
 

  
283−280 408−380 408−400
  
 283−272 = 0, 27; # 3  408−363 = 0, 44; # 6  408−363 = 0, 18; # 6

 
 

Poids γj =
400−363 780−743 700−684
= 0, 82; # 6 = 0, 77; # 18 = 0, 8; # 16

 
 



 408−363 

 791−743 

 704−684

 
 

  
0; ailleurs 0; ailleurs 0; ailleurs
  

Si c1 et c2 sont les numéros de KB extrêmes, l’éclairement global dans une bande

spectrale particulière s’écrit comme :

c2
X
QGbsp = γj GKBj RSKBj (4.7)
j=c1

56
avec GKBj est l’éclairement global et RSKBj la réponse spectrale moyenne pour KBj . Une
équation similaire est obtenue en éclairement direct.

4.1.2 Une autre définition des poids γj

La définition des poids γj précédemment présentée est fondée sur le recouvrement
spectral. De manière peut-être plus réaliste, la pondération peut être définie en fonction
de l’éclairement spectral au sommet de l’atmosphère. Dans ce cas, le poids est la proportion
d’éclairement au sommet de l’atmosphère se trouvant dans la bande (KBj ) ∩ (BSP ) par
rapport à l’éclairement au sommet de l’atmosphère dans KBj :

Io(KBj )∩(BSP )
γj = (4.8)
IoKBj
Le tableau 4.2 présente les valeurs numériques des nouveaux poids. On peut observer
que ces valeurs différent très peu, de 0,07 au maximum, des poids listés dans le tableau
4.1. Ces valeurs de γj sont utilisées dans l’équation (4.7) pour calculer l’éclairement global
au sol QGbsp .

Tableau 4.2 – Poids à associer à chaque éclairement des KB pour la sommation pondérée définie
par rapport à la proportion de l’éclairement hors atmosphère.

BSP ultraviolet lumière du jour photosynthèse

intervalle (nm) [280, 400] [380, 780] [400, 700]
  

 1; #4 au #5 
 1; # 7 au # 17 
 1; # 7 au # 15

 
 


 
 

 0, 32; # 3  0, 40; # 6  0, 25; # 6

 
 

Poids γj =
0, 75; # 6 0, 78; # 18 0, 80; # 16

 
 


 
 


 
 


 
 

0; ailleurs 0; ailleurs 0; ailleurs
  

Les deux définitions des fonctions poids aboutissent à des valeurs très proches. Ce
n’est pas une surprise. En effet, les bandes Kato ont été définies de manière à ce que
l’éclairement hors atmosphère soit assez constant à l’intérieur de chaque bande. Il s’ensuit
que la pondération par recouvrement spectral est de f acto proche de celle par proportion
de l’éclairement hors atmosphère. On peut ainsi admettre à avoir des résultats très proches
en ce qui concerne les éclairements au sol.

4.1.3 Technique de ré-échantillonnage

La largeur des bandes KB est supérieure à 30 nm, ce qui est grand pour effectuer
des opérations avec des réponses spectrales telles que mentionnées en début de chapitre.

57
Nous nous proposons d’effectuer un ré-échantillonnage des KB en plusieurs petites bandes
spectrales NB de largeur δλ=1 nm dans lesquelles les indices de clarté sont corrélées à
celles des KB et ensuite utiliser ces indices de clarté dans une interpolation et extrapolation
linéaire pour couvrir un domaine spectral donné. Nous nous limiterons dans ce qui suit à
l’intervalle [283, 844] nm, qui couvre les bandes spectrales d’intérêt ici. Cet intervalle est
l’union des bandes KB #3 à #19.
KTN Bj , KTNdirBj et IoN Bj dénotent respectivement l’indice de clarté, l’indice de clarté
direct et l’éclairement au sommet de l’atmosphère sur un plan normal aux rayons solaires
pour la jème N Bj :
GN Bj
KTN Bj = (4.9)
IoN Bj cos θs

BN Bj
KTNdirBj = (4.10)
IoN Bj

En introduisant les indices de clarté dans l’équation (4.5) pour l’éclairement global et
direct, nous obtenons :

N
X
QGbsp = IoN Bj KTN Bj RSN Bj cos(θs ) (4.11)
j=1

N
IoN Bj KTNdirBj RSN Bj
X
QBbsp = (4.12)
j=1

Notre technique de ré-échantillonnage s’inspire de la publication de Navntoft et al.

(2009) qui ont trouvé une relation affine entre l’éclairement global UV-A [315, 400] nm et
l’éclairement global monochromatique à 380 nm, à l’aide de simulations réalisées avec le
MTR Tropospheric Ultraviolet and Visible (TUV 4.1) :

GU V −A = 72, 5679 (±0.0066) Gλ=380 nm − 0.0207 (±0.0116) (4.13)

avec R2 =0,99 et pour 5970 états atmosphériques. Autrement dit, la variabilité de l’atté-
nuation par l’atmosphère de l’éclairement dans une bande large (UV-A) est expliquée par
la variabilité à une seule longueur d’onde (λ = 380 nm) appartenant à cette bande large.
Nous avons réalisé une étude similaire avec le MTR libRadtran et trouvé le même résultat.
Nous avons également trouvé que d’autres longueurs d’onde telles que 362 nm, 354 nm,
et 373 nm présenteraient des relations similaires, avec parfois une meilleure précision qu’à
380 nm quelque soit l’état atmosphérique.
Dans le cadre de notre étude, nous nous intéresserons à l’indice de clarté plutôt qu’à
l’éclairement. Les bandes larges représentent ici les bandes KB. Nous établirons des mo-
dèles mathématiques qui sont des fonctions affines entre les indices de clarté des bandes

58
KB et les sous-bandes N Bj entièrement incluses dans les bandes KB correspondantes :

KTNdirBj = αBj KTidir + βBj (4.14)

KTN Bj = αGj KTi + βGj (4.15)

avec αBj et αGj représentant respectivement les pentes et βBj et βGj les ordonnées à
l’origine obtenues des régressions linéaires entre les indices de clarté et les indices de
clarté direct des KB et les NB incluses. Pour cela, nous avons construit 60000 états
atmosphériques avec des tirages de type Monte Carlo (cf tableau 3.2). Les fonctions
affines sont établies à partir des simulations numériques réalisées par le MTR libRadtran
dont les entrées sont ces 60000 états atmosphériques.
Considérant qu’une bande KB à une largeur moyenne de 30 nm, il faudrait 30 sous-
intervalles N Bj de 1 nm de largeur, en moyenne. Pour l’ensemble des 17 KB, il faudrait
établir 30 x 17 = 510 fonctions affines. Le nombre de fonctions peut être réduit en utilisant
une approche similaire à celle de Navntoft et al. (2009) c’est-à-dire chercher un NB qui
permettrait de représenter la KB correspondante et pour chaque KB. La distribution
spectrale de KT est calculée par interpolation ou extrapolation linéaire des KT connus
aux NB choisis.
La sélection des fonctions affines, et donc des longueurs d’onde N Bj devant représen-
ter une KB, est faite de manière empirique comme suit. Pour chaque KB, nous avons
tracé le corrélogramme entre KTKB et chaque KTN Bj pour N Bj inclus dans KB pour
les 60 000 états atmosphériques. La dispersion du nuage de points autour de la droite
définie par moindre carrés est généralement faible. Nous désirons le plus petit nombre de
fonctions. La sélection est faite de manière itérative. Nous avons sélectionné les 17 N Bj
qui correspondent aux 17 KB. Puis, nous avons comparé le résultat de l’interpolation li-
néaire sur les 17 KTN Bj à la courbe tous les nm, et ce pour quelques états atmosphériques
arbitrairement choisis dans les 60 000 états atmosphériques. Nous avons visuellement dé-
tecté les zones où les différences étaient grandes et avons rajouté des N Bj dans ces zones
pour mieux contraindre l’interpolation. Nous avons répété l’opération jusqu’à obtenir un
résultat que nous avons jugé satisfaisant.
Le tableau 4.3 récapitule pour chaque KB, les sous-bandes NB sélectionnées, les pente
et ordonnée à l’origine des fonctions affines sélectionnées pour estimer les indices de clarté
et les indices de clarté directe suivant les equations (4.14) et (4.15). Ces fonctions affines
sont établies une fois pour toutes, et seront utilisées ultérieurement pour n’importe quel
état atmosphérique.
Nous remarquons que toutes les KB contiennent un unique sous-intervalle sauf les KBs
# 5, 12, 14, 16, 17, 18, et 19 qui ont respectivement 2, 4, 3, 3, 5, 6, et 3 sous-intervalles.

59
Ces KB contiennent une grande variabilité de l’indice de clarté qui ne peut pas être captée
par une unique sous-bande. L’analyse spectroscopique révèle dans ces bandes deux, voire
plus, molécules absorbantes qui atténuent le rayonnement solaire. C’est le cas de la bande
# 18 dans laquelle plusieurs espèces gazeuses absorbent le rayonnement. Dans les KB
ayant un seul sous-intervalle, la diffusion moléculaire est le phénomène d’interaction le
plus important.

Tableau 4.3 – Pente et ordonnée à l’origine sélectionnées pour le ré-échantillonnage

# KB Intervalle Sous-intervalle Direct normal Global

∆λi δλj αBj βBj αGj βGj
3 283 – 307 304 – 305 3,0852 0,0003 3,0900 0,0007
4 307 – 328 319 – 320 1,0886 -0,0007 1,1264 -0,0175
5 328 – 363 332 – 333 0,8992 -0,0103 1,0247 -0,0519
345 – 346 1,0112 -0,0004 0,9946 0,0152
6 363 – 408 385 – 386 0,9987 -0,0023 1,003 -0,0032
7 408 – 452 430 – 431 1,0026 -0,0004 0,9995 0,0013
8 452 – 518 484 – 485 1,0034 0,0005 0,9979 0,0000
9 518 – 540 528 – 529 0,9998 -0,0005 1,0008 -0,0013
10 540 – 550 545 – 546 1,0001 0,0003 1,0003 -0,0003
11 550 – 567 558 – 559 1,0004 0,0004 0,9997 0,0012
569 – 570 0,9960 -0,0119 1,0024 -0,0100
586 – 587 1,0123 0,0064 0,9929 0,0267
12 567 – 605 589 – 590 0,9568 -0,0109 0,9804 -0,0434
602 – 603 1,0150 0,0167 1,0051 0,0212
13 605 – 625 615 – 616 1,0004 0,0009 0,9977 0,0033
625 – 626 1,0104 -0,0174 1,0622 -0,0551
14 625 – 667 644 – 645 1,0072 0,0029 0,996 0,0154
656 – 657 0,9915 0,0068 0,9698 0,0205
15 667 – 684 675 – 676 1,0006 0,0007 0,9978 0,0036
685 – 686 1,0473 0,0212 0,9681 0,1036
16 684 – 704 687 – 688 0,9602 -0,0130 1,0041 -0,0531
694 – 695 0,9828 -0,0153 1,0323 -0,0642
715 – 716 1,0262 0,0121 0,9771 0,0596
719 – 720 0,899 -0,0704 1,1197 -0,2733
17 704 – 743 722 – 723 1,0049 -0,0118 1,0457 -0,0491
724 – 725 0,9484 -0,0478 1,1046 -0,1921
736 – 737 1,0156 0,0212 0,9663 0,0626
744 – 745 1,0629 -0,0036 1,0401 0,0262
757 – 758 1,0622 0,0096 1,0169 0,0580
760 – 761 0,4914 -0,0805 0,7613 -0,3480
18 743 – 791 769 – 770 1,0459 0,0137 0,9975 0,0598
784 – 785 1,0492 0,0300 0,9688 0,1032
790 – 791 1,0158 0,0078 1,0135 0,0008
794 – 795 1,029 0,0205 0,9169 0,1316
19 791 – 844 802 – 803 1,0152 0,0068 0,9662 0,0558
806 – 807 1,0247 0,0284 0,9085 0,1406

Le tableau 4.3 pourrait être intégré dans les modèles de transfert radiatifs (libRadtran
et DAK), SPECMAGIC ou algorithmes simplifiés (Mueller et al., 2012) basés sur l’ap-
proche de Kato et al. (1999) pour leur permettre de produire une distribution spectrale
de l’éclairement solaire avec une grande résolution spectrale. Au-delà des bornes extrêmes

60
des fonctions choisies : 304 nm et 807 nm, une extrapolation doit être faite. Elle peut
alors produire des valeurs négatives qu’il conviendra de mettre à 0. Il serait possible de
reproduire une étude similaire mais étendue à d’autres intervalles, par exemple, les KB
#20 et au-delà, ce qui, en étendant le tableau 4.3, remplacerait certaines extrapolations
par des interpolations.

Figure 4.3 – Comparaison entre l’indice de clarté direct de la technique de ré-échantillonnage

et celle obtenue par le calcul détaillé avec libRadtran, considérée comme référence.

La figure 4.3 est un exemple de l’application de la technique de ré-échantillonnage

pour l’indice de clarté direct pour l’intervalle spectral [283, 844] nm. L’état atmosphérique
est ici constitué d’un profil atmosphérique af glus, θs =60°, du modèle d’aérosol urbain,
d’un contenu total de vapeur d’eau de 67 kg m−2 , d’un contenu en ozone de 324 DU,
ρg =0,3, d’une épaisseur optique des aérosols à 550 nm de 0,27, d’un exposant d’Angstrom
1,3 et d’une altitude de 0 km.
Dans le graphe du haut, l’indice de clarté direct de l’approche de Kato et al. (1999) est
représentée en tiretés verts. Les croix rouges représentent l’indice de clarté direct calculé

61
par l’équation (4.14) pour les longueurs d’onde sélectionnées (cf. tableau 4.3). Ces croix
rouges servent de support aux interpolations et extrapolations qui permettent d’obtenir
une distribution spectrale, représentée par des symboles roses. Nous pouvons observer
qu’elle se juxtapose à la distribution spectrale calculée de manière détaillée (référence).
Le graphe du bas donne les écarts de transmisivités directes entre la technique de ré-
échantillonnage et la référence. Les différences varient en fonction de la région spectrale.
Nous pouvons conclure que la technique de ré-échantillonnage produit de bons résultats
dans ce cas de manière générale. Autour de 300 nm, une surestimation par la technique
de ré-échantillonnage est observée, avec un écart maximum de 0,02. On remarque une très
bonne performance entre 320 et 700 nm. Les écarts deviennent notables au-delà de 700
nm où il y a une forte variabilité spectrale de l’indice de clarté direct due à la présence
de plusieurs molécules absorbantes, avec un écart maximum autour de 760 nm. C’est une
zone à forte absorption moléculaire due à l’oxygène, pour laquelle la fonction affine choisie
présente un faible coefficient de détermination de 0,76. La dispersion du nuage de points
obtenu est large et le RMSE est de 26 % relativement à la valeur moyenne de l’indice de
clarté direct.
La figure 4.4 présente le même cas que la figure 4.3 mais pour l’indice de clarté. Cette
dernière est supérieure à l’indice de clarté direct, mais les courbes ont la même allure. Les
écarts notables pour l’indice de clarté se trouvent dans les mêmes régions spectrales que
ceux pour l’indice de clarté direct, avec généralement une plus grande amplitude.

62
Figure 4.4 – Comparaison entre l’indice de clarté de la technique de ré-échantillonnage et celle
obtenue par le calcul détaillé avec libRadtran, considérée comme référence.

63
4.2 Validation numérique des techniques développées
Cette partie présente la validation numérique des deux techniques d’estimation déve-
loppées par rapport au calcul détaillé. Un nouvel échantillon de 15 000 états atmosphé-
riques a été obtenu par tirages aléatoires. Les écarts : modèle - référence, ont été calculés
et synthétisés par des quantités statistiques pour les éclairements direct et global. Les lois
uniformes ont été affectées à l’angle zénithal et l’albédo du sol suivant leurs bornes respec-
tives [0 ; 90°] et [0 ; 1]. Les erreurs produites par les deux méthodes par comparaison avec
les calculs détaillés de référence de libRadtran sont présentées sous forme de diagrammes
radar.

4.2.1 Performance des techniques pour l’estimation des éclaire-

ments dans les bandes spectrales particulières UV et PAR
La figure 4.5 est un diagramme radar des performances des deux techniques proposées
sur l’éclairement direct normal et global dans la bande spectrale particulière ultraviolet.
On remarque pour l’éclairement direct normal UV dont la moyenne est de 24,0 W m−2
(figure 4.5a), que les bias et les RMSE sont de -0,1 W m−2 (-0,4 %) et 0,2 W m−2 (0,7 %)
pour le ré-échantillonnage et -0,3 W m−2 (-1,3 %) et 0,4 W m−2 (1,5 %) pour la somma-
tion pondérée. Les deux techniques possèdent un coefficient de détermination supérieur
à 0,99. Ce qui veut dire plus de 99 % de l’information contenue dans les estimations de
référence est expliquée par les deux techniques. En général, les deux techniques proposent
de très bonnes performances. La bonne performance peut s’expliquer partiellement par
la grande précision des estimations de l’approche de Kato et al. (1999). La précision des
régressions linéaires établies contribue en partie à la bonne performance de la technique
de ré-échantillonnage.
On remarque que pour l’éclairement global UV de moyenne de 47,7 W m−2 (fi-
gure 4.5b), les biais et les RMSE sont de +0,4 W m−2 (+0,8 %) et 0,4 W m−2 (0,8
%) pour le ré-échantillonnage et +0,5 W m−2 (+1,0 %) et 0,5 W m−2 (1,1 %) pour la
sommation pondérée. Comme pour l’éclairement direct normal, les deux techniques pos-
sèdent un coefficient de détermination supérieure à 0,99. On peut donc en conclure que les
techniques développées réussissent à estimer avec grande précision les éclairements direct
normal et global en UV.
La validation numérique a aussi été effectuée pour l’éclairement PAR. Les erreurs
obtenues sont synthétisées dans la figure 4.6. Pour l’éclairement direct, respectivement
global, les erreurs sont inférieures à 1 W m−2 en valeur absolue pour des valeurs moyennes
de 290 W m−2 pour l’éclairement direct et 340 W m−2 pour l’éclairement global. De même,
les écart-types atteignent une valeur maximale de 2 W m−2 . Que ce soit pour l’éclairement

64
 (a) Eclairement direct normal (b) Eclairement global horizontal

Figure 4.5 – Performance des deux techniques numériques pour l’estimation de l’éclairement
ultraviolet.

direct ou l’éclairement global, les erreurs relatives sont inférieures à 0,5 % en valeur absolue
et les RMSE sont inférieurs à 0,6 % de la valeur moyenne de l’éclairement. En général, il
y a une très bonne performance des deux techniques d’estimation.

(a) Eclairement direct normal (b) Eclairement global horizontal

Figure 4.6 – Performance des deux techniques numériques pour l’estimation de l’éclairement
photosynthétiquement actif.

65
4.2.2 Performance de la technique de ré-échantillonnage pour
l’estimation de la densité de flux de photons photosynthé-
tiques (PPFD) et l’éclairement lumineux
La figure 4.7 présente les indicateurs statistiques pour la densité de flux de photons
photosynthétiques et l’illuminance. Que ce soit pour le PPFD global ou direct, le niveau
de performance est appréciable. En PPFD global, le biais est +0,42 µmol m−2 s−1 , soit
+0,1 % de la valeur moyenne de référence, traduisant une très faible surestimation de la
technique. La même surestimation : 0,4 µmol m−2 s−1 (0,1 %), est observée pour le PPFD
direct. Les RMSE sont d’environ 2,5 µmol m−2 s−1 . Dans les deux cas, le coefficient de
détermination est plus grand que 0,99, signifiant que la technique reproduit la variabilité
des estimations de référence. Pour l’illuminance, les performances de la technique de ré-
échantillonnage sont aussi remarquables avec des biais et RMSE moindres que 0,3 % de
la valeur moyenne.

(a) densité de flux de photons photosynthe- (b) illuminance

tiques

Figure 4.7 – Performance du ré-échantillonnage pour l’estimation de l’éclairement pondéré par

les réponses spectrales des plantes (à gauche) et de l’œil (à droite).

Le travail présenté ici a fait l’objet d’un article par Wandji Nyamsi et al. (2015b)
appliquée uniquement à l’estimation de l’éclairement de la photsynthèse des plantes.

4.3 Conclusion
Ce chapitre a présenté deux techniques mathématiques qui exploitent les estimations de
l’approche de Kato et al. (1999) pour calculer des éclairements dans des bandes spectrales

66
particulières. Les deux affichent quasiment les mêmes et très bons niveaux de performances
sur l’UV et le PAR.
D’un point de vue pratique, la technique de ré-échantillonnage demande plus d’efforts
en calcul numériques que la technique de sommation pondérée. Mais pour des éclairements
et autres grandeurs physiques dépendant de la réponse spectrale, la technique de ré-
échantillonnage est plus adaptée à cause de sa représentation plus fine de la distribution
spectrale de l’éclairement solaire.

67
Chapitre 5

Méthode d’estimation de la
distribution spectrale et validation
expérimentale

Sommaire
5.1 La méthode d’estimation de la distribution spectrale de l’éclai-
rement solaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.1.1 Source des variables d’entrée en ciel clair . . . . . . . . . . . . 70
5.1.2 Représentation schématique de la chaı̂ne opérationnelle . . . . 72
5.2 Protocole de validation . . . . . . . . . . . . . . . . . . . . . . . 72
5.3 Validation expérimentale de l’éclairement pour la photosyn-
thèse des plantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5.4 Validation expérimentale de l’éclairement de la lumière du
jour . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.5 Validation expérimentale de l’éclairement ultraviolet . . . . . 79
5.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

69
 Dans ce chapitre, nous présentons ce que pourrait être une méthode automatique
d’estimation de la distribution spectrale de l’éclairement solaire en conditions de ciel clair,
sans pour autant en réaliser une version opérationnelle, ce qui dépasserait le cadre de la
thèse. Le but principal de ce chapitre est d’effectuer des comparaisons entre les résultats
issus d’un prototype de la méthode et des mesures au sol de quelques stations sur les
grandeurs physiques spectrales disponibles.

5.1 La méthode d’estimation de la distribution spec-

trale de l’éclairement solaire

5.1.1 Source des variables d’entrée en ciel clair

La méthode prend en entrée l’ensemble des variables retenues en conclusion du chapitre

2, soit : l’angle solaire zénithal, l’altitude du lieu, le type de profil atmosphérique, l’albédo
du sol, le contenu total en vapeur d’eau, le contenu total en ozone, l’épaisseur optique des
aérosols à 550 nm, l’exposant d’Angström et le type d’aérosol. Les variables astronomiques
sont connues à tout instant ; c’est le cas par exemple, de l’angle solaire zénithal calculé par
l’algorithme SG2 de Blanc et Wald (2012). D’autres variables sont connues à des instants
discrets avec une certaine résolution temporelle en fonction des capacités actuelles des
satellites météorologiques et des modèles numériques météorologiques.
Plusieurs variables d’entrée sont en fait les mêmes que celles du modèle McClear d’es-
timation de l’éclairement total en ciel clair de Lefèvre et al. (2013). Certaines proviennent
de la base de données des projets européens MACC (Monitoring Atmosphere Composition
and Climate), qui est en fait composée d’analyses météorologiques. Par contre, l’albedo
du sol utilisé dans McClear ne peut pas être utilisé tel que car il s’agit d’un albédo total
qui ne représente pas la dépendance spectrale de l’albédo qui est généralement marquée.

Albédo du sol

La figure 5.1 affiche la variation spectrale de l’albédo en fonction du type de sol.

On peut y noter que la variation de l’albédo est supérieure à 0,1 sur l’étendue spectrale
représentée, c’est-à-dire qu’il est important de bien connaı̂tre la distribution spectrale de
l’albédo. Dans le domaine de l’ultraviolet, l’albédo de la neige fraı̂che est supérieur à 0,6
et augmente considérablement avec l’épaisseur de la neige. Pour des sols couverts d’herbe,
l’albédo est généralement inférieur à 0,01 dans les domaines spectraux de l’ultraviolet et
de la photosynthèse des plantes.

70
Figure 5.1 – Variation spectrale de l’albédo pour différents types de sol (Feister et Grewe,
1995).

L’albédo du sol ρgbsp pour une bande spectrale particulière est défini par :

R λsup
λinf ρgλ Iλ dλ
ρgbsp = R λsup (5.1)
λinf Iλ dλ

où λinf et λsup sont respectivement les longueurs d’onde inférieure et supérieure de la bande
spectrale particulière, Iλ l’éclairement global spectral pour la longueur d’onde λ et ρgλ
l’albédo monochromatique du sol. Les mesures d’albédo monochromatique du sol en tout
lieu et tout instant sont difficiles à obtenir, et encore plus dans un mode opérationnel. Une
solution approchée est d’exploiter l’albédo total déjà disponible de manière opérationnelle,
comme celui utilisé dans McClear et dérivé des données de MOD43C1 et MOD43C2 de
MODIS (Lefèvre et al. (2013)).

Pour la photosynthèse des plantes, l’albédo effectif est appelé PAR-albédo. Lorsque le
PAR-albédo est inconnu, il peut être estimé en multipliant l’albédo total par 0,47 (Bosch
et al. (2009)). Ce coefficient est une valeur moyenne estimée en tenant compte d’une large
diversité de type de sol. Cette approximation sera aussi utilisée pour l’albédo effectif de la
lumière du jour. Pour l’ultraviolet, l’albédo effectif est appelé UV-albédo. Nous ferons une
approximation de premier ordre en supposant que l’UV-albédo est égal à l’albédo total
du sol.

71
 LUT with Kato et
al. approach
Atmospheric +
properties Aerosol properties
for clear–sky
Re-sampling
conditions technique
(MACC-II
project) Ozone

Water vapor

Ground
albedo
(MODIS)

Soil reflectance Spectral distribution of

solar irradiance: UV, daylight,
Atmospheric state Photosynthesis and PV cells

Figure 5.2 – Aperçu de l’exécution de la chaı̂ne opérationnelle de la méthode.

5.1.2 Représentation schématique de la chaı̂ne opérationnelle

La figure 5.2 est une représentation schématique de la chaı̂ne opérationnelle mettant

en oeuvre la méthode. A gauche, sont définies les différentes sources pour les variables
décrivant l’état atmosphérique. A droite, des abaques ont été pré-calculés pour chacune
des 32 KB, de la même manière que les abaques pré-calculés de McClear pour les éclai-
rements totaux. Ces abaques comportent des noeuds, c’est-à-dire des vecteurs d’entrées
du MTR libRadtran, pour lesquels ont été calculés les indices de clarté global et direct.
Des interpolations entre ces noeuds permettent de calculer les indices de clarté pour n’im-
porte quel vecteur d’entrées, et donc, les 32 éclairements solaires, global et direct, dans les
bandes KB. On appliquera la technique de ré-échantillonnage à ces 32 estimations pour
obtenir les estimations des grandeurs physiques dans les bandes spectrales particulières.
Au final, des cartes d’éclairements pourraient être proposées aux utilisateurs.

5.2 Protocole de validation

Les stations de mesure sélectionnées pour la validation de ce prototype, sont reconnues
pour leur qualité, et appartiennent aux réseaux des Etats-Unis SRRL (Solar Radiation
Research Laboratory), SURFRAD (SURFace RADiation), et NSF polar programs UV
monitoring network, ainsi qu’à l’institut météorologique finlandais (FMI). Les stations

72
représentent une variété de climats et terrains et fournissent des mesures en éclairement
global horizontal dans l’ultraviolet, la photosynthèse et la lumière du jour. Le tableau 5.1
présente le type de mesure, la période de mesure, et les coordonnées géographiques de
chaque station.
La fréquence d’acquisition des mesures spectrales et leur durée d’intégration varient
selon les stations. La fréquence et la durée sont de 1 min pour les stations des réseaux
SRRL, SURFRAD. Pour les stations du réseau NSF, les instruments de mesure produisent
en moyenne 4 spectres par heure. La durée d’acquisition est de 5 min pour la station
Jokioinen et 3 min pour la station Sodankyla avec une fréquence d’acquisition d’une à
deux mesures toutes les heures couvrant ainsi généralement le jour assez bien.
Tableau 5.1 – Description des stations et mesures expérimentales utilisées pour la validation

Type de Station Source Période Lat. Long. Altitude

mesure (Abr.) (m)
PPFD Table Mountain (CO) SRRL 2006-2013 39,74°N 105,18°O 1829
global Boulder (BO) SURFRAD 2009-2013 40,12°N 105,23°O 1689
Desert Rock (NV) SURFRAD 2009-2013 36,62°N 116,02°O 1007
Fort Peck (MT) SURFRAD 2009-2013 48,31°N 105,10°O 634
éclairement Palmer (PA) NSF 01/2005-09/2010 46,77°S 64,05°E 21
global Barrow (BAR) NSF 01/2005-09/2010 71,32°N 156,68°O 8
UV Sodankyla (SOD) FMI 2007-2011 67,37°N 26,63°E 179
Jokioinen (JOK) FMI 2007-2008 60,82°N 23,50°E 104
McMurdo (McM) NSF 01/2005-02/2010 77,83°S 166,67°E 183

Nous nous intéressons aux mesures faites aux instants de ciel clair. Les mesures fournies
par les stations du NSF polar programs UV monitoring network comprennent une étiquette
indiquant si le ciel était clair ou non. Pour les autres stations, les éclairements totaux
global, direct et diffus et pression sont disponibles et peuvent être utilisés pour sélectionner
des instants de ciel clair et les éclairements correspondants. Pour celà, nous avons suivi la
démarche adoptée par Lefèvre et al. (2013). Tout d’abord, seules les mesures qui obéissent
aux contraintes suivantes sont considérées de bonne qualité et ont été retenues (Roesch
et al. (2011)) :
(B + D)
1, 08 ≥ ≥ 0, 92 , θs ≤ 75o (5.2)
G

(B + D)
1, 15 ≥ ≥ 0, 85 , θs > 75o (5.3)
G
où G,B et D sont respectivement les éclairements global,direct et diffus sur le plan hori-
zontal.
Deux filtres ont été ensuite appliqués sur les données restantes afin de ne garder que des
mesures faites par ciel clair. Le premier filtre est une contrainte sur la quantité d’éclaire-
D
ment diffus par rapport à l’éclairement global. Seuls les instants pour lesquels G
< 0, 3 ont
été retenus. Le second filtre analyse la variabilité temporelle des mesures retenues après le

73
premier filtre. On ne conserve que les périodes possédant suffisamment de mesures ayant
passé le premier filtre. Un instant donné t, exprimé en minutes, a été maintenu seulement
si au moins 30% des observations de 1 min dans les deux intervalles [-90+t, t] et [t, t+90]
ont été retenus après le premier filtre. Ensuite, un indice de clarté corrigé, KT 0 (Ineichen
et Perez, 1999) est calculé pour cet instant :

KT
KT 0 = −1,4 ; (5.4)
1, 031 exp ( 0,9+ 9,4 ) + 0, 1
m

avec m la masse d’air, fonction de l’angle solaire zénithal (θs en radians), et définie par la
relation de Kasten et Young (1989).

P
m= (5.5)
cos(θs ) + 0, 50572(θs + 6, 07995)−1,6364

où P est le rapport entre la pression de l’atmosphère au niveau du site d’étude et celle au
niveau de la mer. Un instant a été considéré clair si l’écart type de KT 0 dans l’intervalle
[t-90, t+90] était inférieur à un seuil, défini de manière empirique à 0,02. Seuls ces instants
de ciel clair ont été retenus pour la validation.

5.3 Validation expérimentale de l’éclairement pour la

photosynthèse des plantes
La performance de la méthode est évaluée par des indicateurs statistiques de com-
paraison. Nous avons calculé les écarts : estimation faite par la méthode moins valeur
mesurée par les instruments, pour chaque instant. Les indicateurs synthétisent ces écarts.
Les données ont été divisées en sous-ensembles d’angle solaire zénithal afin de voir la
dépendance des performances à ce dernier. Une analyse supplémentaire a été faite sur la
dépendance de la performance à l’année et au mois.
Les quatre stations étudiées pour l’éclairement relatif à la photosynthèse des plantes
se trouvent toutes dans l’ouest des Etats-Unis d’Amérique. Ces sites sont tous en altitude,
de 634 m à 1829 m. L’atmosphère y est souvent claire, avec une faible quantité d’aérosols
et il n’y a pas de changement saisonnier de la végétation.
Chaque instrument de mesure utilisé dans chacune des stations est un détecteur quan-
tique du type LI-COR. Selon le fabricant des instruments LI-COR, l’erreur totale est
d’environ 8 % (http : //envsupport.licor.com/docs/Rad M eas.pdf ).
La figure 5.3 montre pour chacune des quatre stations, l’histogramme bidimensionnel
entre les mesures et les estimations de notre méthode en éclairement global photosyn-
thétiquement actif (PPFD). Le tableau 5.2 présente les performances statistiques de la

74
 (a) Boulder (b) Table Mountain

(c) Fort Peck (d) Desert Rock

Figure 5.3 – Performance de la méthode numérique pour l’estimation de l’éclairement global

photosynthétiquement actif pour quatre stations aux Etats-Unis.

75
méthode numérique pour l’estimation de l’éclairement lié à la photosynthèse des plantes
sur chacune des stations étudiées. La valeur moyenne mesurée, le biais et le RMSE sont
donnés en µmol m−2 s−1 .

Tableau 5.2 – Indicateurs statistiques de comparaison donnant la performance de la méthode

numérique dans l’estimation de l’éclairement relatif à la photosynthèse des plantes dans chacune
des stations étudiées ( les unités de biais, RMSE et valeur moyenne mesurée sont µmol m−2 s−1 )

Station Nombre R2 Valeur moyenne Bias RMSE rBias rRMSE

d’échantillons mesurée (%) (%)
Boulder 196573 0,989 1262 -13,2 45,7 -1,0 3,6
Table Mountain 349926 0,963 1233 -21,7 85,9 -1,8 7,0
Fort Peck 143082 0,969 1257 -39,4 76,4 -3,1 6,1
Desert Rock 453795 0,979 1421 -68,8 92,1 -4,8 6,5

En général, la densité de points suit bien la droite y=x. Les carrés des coefficients
de corrélation varient entre 0,96 et 0,99 signifiant que plus de 96 % de la variabilité
temporelle de la mesure du PPFD, exprimée sous forme de variance, est reproduite par
la méthode numérique. La méthode montre des différences systématiques (”bias” sur la
figure) négatives, c’est-à-dire des sous-estimations. Ces biais varient entre -69 et -13 µmol
m−2 s−1 , soit des biais relatifs entre -4,84 % et -1,04 % par rapport aux valeurs moyennes
mesurées. Le RMSE relatif est compris entre 3,6 % et 7,0 %.
Les biais en valeurs absolues pour toutes les stations montrent une tendance à diminuer
avec l’angle solaire zénithal. C’est le cas par exemple pour la station de Boulder (figure
5.4). Ceci est attribué au fait que l’éclairement diminue avec cet angle. Par contre, les biais
relatifs montrent une tendance à augmenter avec l’angle solaire zénithal, ce qui s’explique
par la relative constance du biais avec cet angle, alors que l’éclairement moyen diminue.
La méthode sous-estime faiblement le PPFD pour Boulder (figure 5.3a) et Table
Mountain (figure 5.3b) ; la sous-estimation est plus prononcée à Fort Peck (figure 5.3c)
et Desert Rock (figure 5.3d). Les performances pour Boulder et Table Mountain sont assez
proches les unes des autres. Les répartitions des densités des points sont assez similaires,
avec une densité maximale aux alentours de 900 µmol m−2 s−1 . Ceci peut être expliqué
par le fait que les deux stations sont géographiquement très proches, en altitude, avec le
même type de sol et de paysage, et sans doute les mêmes caractéristiques de l’atmosphère
claire.
La plus grande dispersion du nuage de points est observée pour Fort Peck. Le coefficient
de détermination y est le plus faible tout en restant très élevé : 0,96. La valeur moyenne à
Desert Rock est beaucoup plus grande que pour les trois autres stations : 1421 µmol m−2
s−1 pour Desert Rock et environ 1250 µmol m−2 s−1 pour les autres. La sous-estimation
y est la plus marquée : presque -5 %. Desert Rock présente également le RMSE le plus
élevé : 92 µmol m−2 s−1 , soit environ 6 % de la valeur moyenne.
Nous avons tracé sur les histogrammes bidimensionnels, deux droites en rouge, qui re-

76
Figure 5.4 – Dépendance des indicateurs statistiques avec l’angle solaire zénithal pour la station
de Boulder.

présentent les droites y=x ± 10 %. On observe que la grande majorité des points se trouve
entre ces deux droites. Pour Desert Rock et Boulder, les sous-estimations inférieures à -10
% correspondent pour la plupart à la période hivernale où l’angle solaire zénithal est sou-
vent plus grand que 70°. De telles sous-estimations sont très rares dans les autres périodes
de l’année. Nous pouvons déduire de cette comparaison que notre méthode reproduit bien
le PAR pour ces quatre stations.
Une partie des sous-estimations produites par la méthode peut être attribuée à l’ap-
proximation qui a été faite sur le PAR-albédo. En effet, dans la méthode, le PAR-albédo
est estimé à partir de l’albédo total et un coefficient moyen de 0,47 tenant en compte de
plusieurs types de sol. Par exemple, en période hivernale, lorsque le sol qui entoure l’ins-
trument de mesure est recouvert de neige, le coefficient devrait être plus élevé, supérieur
à 1. Ceci augmenterait la valeur du PAR-albédo entré dans la méthode, entraı̂nant une
augmentation de l’éclairement diffus et donc, du global, et par conséquent, une diminution
de la sous-estimation.

5.4 Validation expérimentale de l’éclairement de la

lumière du jour
Dans notre jeu de données, une seule station fournit des mesures d’éclairement pour
la lumière du jour : celle de Table Mountain, déjà présentée. L’appareil de mesure installé

77
dans ce site est un LI-COR photometric sensor LI 210 faisant partie de la gamme des
appareils LI-COR. Comme pour l’éclairement photosynthétiquement actif, l’erreur totale
est approximativement de 8 %.
La figure 5.5 affiche la validation expérimentale de l’éclairement lumineux global
versus les mesures au sol sous la forme d’un histogramme bidimensionnel et le tableau
5.3 présente les indicateurs statistiques.

Figure 5.5 – Performance de la méthode numérique pour l’estimation de l’éclairement lumineux

global pour Table Mountain.

Tableau 5.3 – Indicateurs statistiques de comparaison donnant la performance de la méthode

numérique dans l’estimation de l’éclairement de la lumière du jour pour la station de Table
Mountain

Station Nombre R2 Valeur moyenne Bias RMSE rBias rRMSE

d’échantillons mesurée (klx) (klx) (klx) (%) (%)
Table Mountain 349926 0,969 65,6 1,4 4,5 2,2 6,9

On observe sur la figure 5.5 une grande concentration de points suivant la droite 1 :1.
Le biais est positif et faible : 1,4 klx, soit 2 % de la valeur moyenne. Le RMSE vaut 4,5
klx, soit 7 % en valeur relative. On peut aussi remarquer que la dispersion des écarts
augmente avec l’éclairement lumineux. Le carré du coefficient de corrélation est de 0,97.
Comme précédemment, en considérant que l’erreur totale sur la mesure est de l’ordre
de 10 %, nous avons tracé deux droites en rouge, qui représentent les droites y=x ± 10 %,
sur l’histogramme bidimensionnel. La majorité des points se trouve entre ces deux droites.

78
 Nous pouvons conclure que notre méthode présente une bonne performance pour l’es-
timation de l’éclairement lumineux global tout en soulignant qu’une seule station a été
utilisée.
Le domaine spectral de la lumière du jour est [380 ; 780] nm. La méthode numérique
devrait utiliser l’albédo de cette région spectrale, mais, par méconnaissance de la valeur
réelle, nous utilisons le PAR-albédo défini entre 400 et 700 nm. Cette approximation
donne de bons résultats dans ce cas, notamment parce que l’albédo a une influence sur la
composante diffuse et que pour cette station à très haute altitude et de ciel très souvent
clair, la proportion du diffus par rapport au global est faible, et par conséquent, l’influence
de l’albédo sur l’éclairement global est faible.

5.5 Validation expérimentale de l’éclairement ultra-

violet
Nous disposons de cinq stations mesurant l’éclairement ultraviolet dans notre valida-
tion. Elles sont toutes situées à de très hautes latitudes.
Le site de mesure situé à Barrow est le point septentrional le plus proche de l’Alaska
au bord de l’océan Arctique. Il est aussi situé sur la côte de la mer des Tchouktches
généralement couverte par la glace entre novembre et juillet. Le site est recouvert de neige
d’octobre à juin. L’instrument de mesure utilisée est un spectroradiomètre de type UV-
100. Il mesure l’éclairement spectral global tous les 1 nm entre 280 nm et 600 nm. Selon
les valeurs climatologiques, l’albédo effectif de surface est de 0,83 ± 0,08 pendant mars et
avril et inférieur à 0,15 en été, entre août et septembre (Bernhard et al., 2007).
La station de McMurdo appartient au réseau de surveillance UV de l’agence NSF. Elle
est située sur l’ı̂le de Ross, une ı̂le volcanique de l’Antarctique, entourée par des plateaux
de glace et de glaciers. L’atmosphère de l’Antarctique est la plus propre d’un point de vue
optique à l’échelle mondiale (Herber et al., 1993; Shaw, 1982). Les niveaux de rayonnement
UV ne sont pas affectés de manière significative par les aérosols (Bernhard et al., 2006).
L’instrument de mesure utilisé est un spectroradiomètre de type SUV-100. Il mesure
l’éclairement spectral global tous les 1 nm entre 280 nm et 600 nm. La surface environnant
l’instrument de mesure est constituée de roches volcaniques sombres, recouvertes de neige
durant l’hiver (Bernhard et al., 2006).
La station Palmer est située sur l’ı̂le Anvers, à l’ouest de la péninsule Antarctique au
sud de l’Amérique du Sud. L’océan qui entoure l’ı̂le glaciaire est gelé durant l’hiver et
ouvert pendant l’été (Bernhard et al., 2005). L’instrument de mesure utilisé est également
un spectroradiomètre de type SUV-100.
L’observatoire de Jokioinen est situé dans un milieu rural dans le sud-ouest de la

79
Finlande, et entouré de champs de culture agricole et d’une forêt boréale au sud. Le site
est relativement plat avec un horizon satisfaisant. Le nombre de jours d’enneigement est
d’environ 130. L’albédo UV effectif peut atteindre jusqu’à 0,4 à cause de la couverture
neigeuse. La surface est généralement libre de neige de mai à septembre (Krotkov et al.,
2001). L’instrument de mesure utilisé est un spectrophotomètre de type MK-III # 107.
Il mesure l’éclairement spectral global tous les 0.1 nm entre 286,5 nm et 365 nm. Les
données sont extrapolées pour couvrir le domaine [280 ; 400] nm.
Le site de mesure UV de recherche dans l’Arctique du FMI est situé à 6 km au sud
de la ville de Sodankylä, en Finlande. La région est subarctique. L’albédo dans l’UV suit
une variation saisonnière selon la couverture de neige. L’albédo UV effectif varie de 0,03
en été jusqu’à 0,65 en hiver (Arola et al., 2003). La surface est généralement libre de
neige de juin à septembre (Krotkov et al., 2001). L’instrument de mesure utilisé est un
spectrophotomètre de type MK-II # 037, mesurant l’éclairement spectral global tous les
0.1 nm entre 290 nm et 325 nm. La méthode d’extrapolation utilisée pour la station de
Jokioinen a également été appliquée à ces données pour couvrir tout le domaine UV.
Le tableau 5.4 présente les indicateurs statistiques de la méthode numérique pour
l’estimation de l’éclairement global ultraviolet pour chaque station. Les figures 5.6a,
5.7a, 5.8a, 5.9a, 5.10a affichent les corrélogrammes entre l’estimation obtenue de la
méthode numérique et la mesure pour chaque station.

Tableau 5.4 – Indicateurs statistiques de comparaison donnant la performance de la méthode

numérique dans l’estimation de l’éclairement global ultraviolet pour chacune des stations étudiées

Station Nombre R2 Valeur moyenne Bias RMSE rBias rRMSE

d’échantillons mesurée (W m−2 ) (W m−2 ) (W m−2 ) (%) (%)
Barrow 2215 0,980 18,9 -0,2 1,2 -1,1 6,5
Mc Murdo 3351 0,978 21,1 -0,5 1,6 -2,6 7,6
Palmer 622 0,998 23,0 -2,1 2,4 -9,2 10,5
Jokioinen 1140 0,980 22,8 -0,4 1,7 -1,8 7,5
Sodankyla 2590 0,978 21,5 -0,5 1,9 -2,2 8,9

On observe sur les figures, qu’en général, tous les points sont confinés dans une région
relativement étroite autour de la droite y=x, sauf pour la station de Palmer. Les carrés
des coefficients de corrélations varient entre 0,97 et 0,99 signifiant que plus de 97 % de
la variabilité temporelle de la mesure de l’éclairement global ultraviolet est expliquée par
la méthode numérique. La méthode montre des biais variant entre -2,1 W m−2 et -0,2
W m−2 , soit en valeur relative, entre -9,2 % et -1,1 %. On observe dans tous les cas, une
sous-estimation de la méthode numérique. Le RMSE est très proche du biais. Il varie entre
-1,2 W m−2 et 2,4 W m−2 , soit en valeur relative, entre 6,5 % et 10,5 %. On peut aussi
remarquer qu’il n’existe pas de grands écarts entre les valeurs moyennes des mesures de
chacune des stations de mesures.
Sur la figure 5.7a représentant la validation expérimentale pour la station de Mc-

80
 (a) Corrélogramme entre les estimations et (b) Dépendance des indicateurs statistiques
les mesures. avec l’angle solaire zénithal.

Figure 5.6 – Performance de la méthode numérique en éclairement global ultraviolet pour la

station de Barrow.

Murdo, on peut observer trois principaux modes. Ces trois modes ne correspondent pas
particulièrement à une période de l’année et ni à un ensemble particulier de l’angle solaire
zénithal. Nous n’avons pas d’explication satisfaisante à proposer.
La plus grande sous-estimation de la méthode est observée pour la station de Palmer,
qui affiche par ailleurs, le carré du coefficient de corrélation le plus élevé : 0,99. On observe
que pour cette station (figure 5.8a), la concentration des points suit bien une droite avec
une très faible dispersion, mais s’écarte progressivement de la droite y=x en fonction de
l’éclairement UV. Le biais est de -2,1 W m−2 , soit en valeur relative, de -9,2 %.
On observe une concentration de points sur plusieurs zones liés à l’angle solaire zénithal
pour la station de Jokioinen (figure 5.9a).
Pour chacune des stations, les dépendances des erreurs avec les angles solaires zéni-
thaux ont été calculées et tracées en classes par tranche de 10° entre la valeur minimale et
la valeur maximale de l’angle solaire zénithal. Les figures 5.6b, 5.7b, 5.8b, 5.9b, 5.10b
affichent les dépendances des erreurs avec les angles solaires zénithaux respectivement
pour la station de Barrow, Mc Murdo, Palmer, Jokionen et Sodankyla.
En général, les biais en valeurs absolues montrent un tendance à diminuer avec l’angle
solaire zénithal. Ils sont tous inférieurs à 2 W m−2 en valeur absolue. Les biais relatifs
montrent une tendance à augmenter avec l’angle solaire zénithal, ce qui s’expliquent par
la relative constance du biais avec cet angle, alors que l’éclairement moyen diminue.
On remarque que, quelque soit la classe d’angle solaire zénithal, le biais et le RMSE
sont très proches l’un de l’autre en valeur absolue. Ceci traduit bien la faible dispersion
du nuage de points le long de la droite y = x. L’analyse des performances ne montre pas

81
 (a) Corrélogramme entre les estimations et (b) Dépendance des indicateurs statistiques
les mesures. avec l’angle solaire zénithal.

Figure 5.7 – Performance de la méthode numérique en éclairement global ultraviolet pour la

station de McMurdo.

(a) Corrélogramme entre les estimations et (b) Dépendance des indicateurs statistiques
les mesures. avec l’angle solaire zénithal.

Figure 5.8 – Performance de la méthode numérique en éclairement global ultraviolet sur la

station de Palmer.

82
 (a) Corrélogramme entre les estimations et (b) Dépendance des indicateurs statistiques
les mesures. avec l’angle solaire zénithal.

Figure 5.9 – Performance de la méthode numérique en éclairement global ultraviolet pour la

station de Jokioinen.

(a) Corrélogramme entre les estimations et (b) Dépendance des indicateurs statistiques
les mesures. avec l’angle solaire zénithal.

Figure 5.10 – Performance de la méthode numérique en éclairement global ultraviolet pour la

station de Sodankyla.

83
de dépendance avec le mois ou l’année.
Hormis la station de Palmer, les performances de la méthode ne montrent pas une
dépendance remarquable avec l’angle solaire zénithal. Quelque soit l’angle solaire zénithal,
le biais relatif est inférieur à 5 % en valeur absolue, excepté pour θs > 80°, ce qui montre
la capacité de la méthode numérique à reproduire les estimations de l’éclairement global
ultraviolet pour ces stations avec un certain niveau de précision.
La grande partie des différences systématiques observées pour la station de Palmer
peut être bien expliquée par l’approximation faite sur l’UV-albédo qui a été supposé égal
à l’albédo total du sol. L’albédo total du sol utilisé en entrée de la méthode ne dépasse pas
la valeur de 0,05 correspondant a priori à un sol non couvert de neige ou de glace, alors
que, suivant les valeurs climatologiques, l’albédo effectif UV de cette station de mesure
varie entre 0,6 et 0,95 entre l’hiver et l’été (Bernhard et al., 2005). Cet écart entre l’albédo
total et l’albédo UV réel est très élevé et rend compte du biais important. En effet, en
remplacant l’UV-albédo utilisée dans la méthode par les valeurs climatologiques du site
obtenu de Bernhard et al. (2005), on obtient des éclairements UV plus élevés (figure 5.11).
On passe alors d’une sous-estimation à une très légère surestimation. On note l’apparition
de deux ”branches”, qui peut être expliquée par le fait que ces albédos climatologiques
ont une distribution statistique plutôt bimodale avec un mode autour de 0,4 de décembre
jusqu’en avril et autour de 0,7 d’août à novembre.

Figure 5.11 – Corrélogramme de comparaison pour la station de Palmer lorsque les valeurs
climatologiques mensuelles d’UV albédo sont utilisées en entrée de la méthode.

84
 Le tableau 5.5 donne les indicateurs statistiques pour les deux situations : (1) lorsque
l’albédo total est utilisé, et (2) lorsque les valeurs climatologiques sont utilisées. On observe
une amélioration considérable des performances de la méthode avec toujours avec une très
faible dispersion du nuage de points. Le biais passe ainsi de -2,1 W m−2 à 0,7 W m−2 , soit
de -9,2 % à 2,9 % en valeur relative.
Les erreurs de la méthode engendrées par la large différence entre l’UV-albédo réel
et l’UV-albédo approché, surtout en présence des neiges, ne sont pas observées dans les
autres stations. Ceci est dû au fait que généralement, les instants de ciel clair retenus dans
la comparaison ne se trouvent pas dans la période de forte couverture neigeuse, ce qui
retire systématiquement de notre analyse, les larges différences d’albédo d’UV et total.

Tableau 5.5 – Indicateurs statistiques de comparaison donnant la performance de la méthode

numérique en éclairement global ultraviolet pour Palmer
Source de R2 Valeur moyenne Bias RMSE rBias rRMSE
l’UV-albédo mesurée (W m−2 ) (W m−2 ) (W m−2 ) (%) (%)
(1) 0,998 23,0 -2.1 2,4 -9,2 10,5
(2) 0,995 23,0 0,7 1,3 2,9 5,9

5.6 Conclusion
La méthode numérique d’estimation de la distribution spectrale de l’éclairement solaire
en condition de ciel clair présente des performances encourageantes. Les carrés de coef-
ficient de corrélation, ou coefficient de détermination, sont élevés et supérieurs à 0,9. En
général, les biais relatifs sont de l’ordre de 5 % en valeur absolue. Le RMSE est proche du
biais en valeur absolue, ce qui traduit la faible dispersion des points sur les corrélogrammes
entre les estimations de la méthode et les mesures au sol.
Les études de performance de la méthode numérique ont été effectuées principalement
en éclairement global. C’est une limite de la validation. Cependant, puisque le global inclut
le diffus et que ce dernier est sensible au pouvoir réflecteur du sol, nous avons pu mettre
en évidence la dépendance des sous-estimations à l’albédo du sol. Plus l’albédo du sol est
élevé, plus l’éclairement global est grand. Dans notre évaluation, l’albédo effectif relatif à
la photosynthèse des plantes ou l’ultraviolet, a été calculé de manière grossière à partir
de l’albédo total.
Le PAR-albédo a été déduit par multiplication de l’albédo total du sol avec un coeffi-
cient constant de 0,47. Cette supposition est grossière puisque c’est une valeur moyenne du
coefficient obtenue sur plusieurs types de sol. Par exemple, si le sol est recouvert d’herbe
sèche, ce coefficient peut atteindre 0,7 (Bosch et al., 2009).
L’UV-albédo a été considéré comme l’albédo total du sol. Cela reste aussi une ap-
proximation grossière qui marche plutôt bien dans le cas d’un sol recouvert de végétation.

85
Mais dès que nous avons affaire à des sols recouverts de neige, l’UV-albédo du sol est très
élevé, avoisinant une valeur de 0,9. L’écart entre l’albédo du sol et l’UV-albédo devient
beaucoup plus important et entraı̂ne une large sous-estimation.
C’est pour cette raison qu’une détermination plus précise de l’albédo du sol pour
chaque bande spectrale particulière permettrait d’améliorer d’avantage les résultats en
vue d’une meilleure précision. Cette observation est un premier pas vers l’amélioration des
estimations de la méthode numérique en éclairement global. Par la suite, les améliorations
de précision d’autres variables d’entrée aussi importantes, telles que les propriétés optiques
des aérosols peuvent contribuer à une bonne estimation en éclairement global et direct.

86
Chapitre 6

Conclusion et perspectives

88
 L’objectif de la thèse est d’établir une méthode automatique d’estimation de la dis-
tribution spectrale de l’éclairement solaire en tout lieu et à tout instant par ciel clair en
exploitant l’approche de Kato et al. (1999). Cette approche, conçue pour estimer l’éclai-
rement total, donne une description en 32 bandes discrètes de la distribution spectrale de
l’éclairement. Pour atteindre cet objectif, il fallait répondre à quatre questions principales :
1- L’éclairement estimé dans une bande spectrale de l’approche de Kato et al. (1999)
représente-t-il l’éclairement estimé pour cette même bande au moyen d’une résolution
spectralement détaillée des équations du transfert radiatif ? En se servant des calculs
spectraux détaillés considérés comme référence et d’un ensemble d’états atmosphériques
réalistes, en général, nous avons pu évaluer l’erreur sur l’éclairement estimé par l’approche.
Cette erreur, que ce soit le biais en valeur absolue ou le RMSE, et que ce soit l’éclairement
direct ou global, est, pour les bandes comprises entre 328 nm et 792 nm, plus petite que 3
% de la valeur moyenne de l’éclairement dans la bande. Elle s’accroit lorsque la longueur
d’onde augmente pour atteindre jusquà 15 %, ce qui représente malgré tout des erreurs
très faibles puisque l’éclairement est petit pour les longueurs d’onde supérieures à 1000
nm. Nous considérons que pour ces bandes supérieures à 328 nm, l’approche de Kato
et al. (1999) apporte une précision suffisante. Par contre, dans la région de l’ultraviolet
[283, 328] nm, l’estimation est très imprécise. Nous avons montré que les erreurs sont
principalement dues à l’approximation faite par Kato et al. (1999) quant à l’absorption
spectrale de l’ozone.
2- Si c’est nécessaire, est-il possible de modifier cette approche pour la rendre suffi-
samment précise ? Oui, il a été possible de modifier l’approche pour la rendre plus précise
dans les bandes UV. Nous avons developpé un nouveau modèle qui améliore considéra-
blement la représentation de la transmission de l’ozone et ainsi améliore les estimations
de l’approche de Kato et al. (1999) dans l’ultraviolet. Ce nouveau modèle a d’ailleurs été
intégré dans le code de transfert radiatif libRadtran.
3- Est-il possible d’utiliser cette représentation discrète en 32 KB de la distribution
spectrale pour estimer l’éclairement sur un intervalle quelconque ? Oui, deux techniques
ont été developées : la sommation pondérée des éclairements des 32 KB et, plus innovant,
le ré-échantillonnage tous les 1 nm des éclairements de 32 KB. Des validations numériques
de ces techniques pour les éclairements ultraviolet, la lumière du jour et la photosynthèse
des plantes montrent une erreur systématique, en valeur absolue, d’environ 1 % de la
valeur moyenne de l’éclairement.
4- Est-il possible d’intégrer à la méthode, la réponse spectrale d’un instrument, d’un
système, de l’oeil humain pour estimer l’éclairement ”utilisable” par l’instrument, le sys-
tème ou l’oeil humain ? Oui. Les deux techniques faisant partie de la méthode, prennent
en considération l’intégration des réponses spectrales. A ce niveau, le choix d’une tech-

89
nique peut dépendre de plusieurs critères telles que la précision ou la rapidité. Par
exemple, sur un critère de précision, on peut comprendre que la technique basée sur le
ré-échantillonnage permet d’avoir des résultats plus précis que la technique de la somma-
tion pondérée lorsque les réponses spectrales sont complexes. Sur un critère de rapidité,
la technique de ré-échantillonnage demande plus d’opérations que celle de sommation
pondérée.
Grace aux réponses apportées, la conception de la méthode automatique a été finalisée
et un prototype a été réalisé. Des validations expérimentales avec des mesures de qualité
de la lumière du jour, de la part utilisable pour la photosynthèse, et de l’éclairement
en UV, faites par les stations au sol, ont été effectuées et ont permis d’apprécier les
premières performances de la méthode. La description de l’état atmosphérique par ciel
clair est importante car elle représente l’entrée de notre méthode automatique en un lieu
donné. L’état atmosphérique est défini par le contenu en vapeur d’eau, en ozone et les
propriétés des aérosols provenant du programme européen MACC, tandis que l’albédo du
sol provient des images fournies par l’instrument MODIS.
Les premiers résultats de validation expérimentale obtenus sont encourageants. En gé-
néral, les erreurs systématiques en valeur absolue, sur les grandeurs physiques mesurées
sont de l’ordre de 5 % de la valeur moyenne de l’éclairement. Ces erreurs sont similaires à
celles des mesures des stations. Elles ont été analysées en fonction des propriétés optiques
de l’atmosphère utilisées. Nous avons montré l’importance des choix que nous avons fait
pour l’albédo spécifique à chaque bande spectrale particulière sur les écarts entre l’esti-
mation et la mesure. Dans notre application de la méthode, des approximations grossières
sur l’albédo ont été faites à partir de l’albédo total. D’autres propriétés optiques de l’at-
mosphère peuvent aussi contribuer aux écarts observés, comme les propriétés optiques des
aérosols.
Plusieurs voies d’améliorations possibles ont déjà été mises en évidence, comme :
ˆ une détermination systématique et précise des albédos pour chaque bande spectrale
considérée ;
ˆ une amélioration de la caractérisation des aérosols. Les validations ont porté sur
l’éclairement global ; les aérosols ont un impact plus important sur l’éclairement
direct.
La méthode automatique qui a été établie dans cette thèse, est pour l’instant valide en
conditions de ciel clair. Elle représente le premier pas nécessaire d’une méthode qui tient
compte des ciels nuageux. La conception de cette dernière pourrait s’inspirer d’un récent
travail de Oumbe et al. (2014) pour l’éclairement total par tout ciel.
Ces auteurs ont montré que l’indice de ciel clair Kc ne dépend que très faiblement
des propriétés de l’atmosphère par ciel clair. Ce travail peut se résumer par les équations

90
suivantes (6.1) et (6.2), tant pour l’éclairement global que pour l’éclairement direct :

G ≈ G(θs , ρg , Pclair ) Kc (θs , ρg , Pclair0 , Pcloud ) (6.1)

B ≈ B(θs , Pclair ) Kcb (θs , Pclair0 , Pcloud ) (6.2)

avec
∂Kc ∂Kcb
≈ 0; ≈0 (6.3)
∂Pclair ∂Pclair
où Pclair est le vecteur représentant les propriétés de l’atmosphère par ciel clair (aéro-
sols, vapeur d’eau, ozone, et autres gaz), Pclair0 le vecteur représentant les propriétés de
l’atmosphère pour un cas-type de ciel clair et Pcloud le vecteur représentant les propriétés
des nuages : épaisseur optique, phase, et propriétés géométriques, comme par exemple,
les hauteurs des bases et sommets. Cette approximation de l’éclairement en tout ciel se
fait avec une perte de précision minime qui est en accord avec les recommandations de
l’Organisation Météorologique Mondiale pour les mesures au sol de grande qualité de
l’éclairement total, soit environ 3 % de l’éclairement.
En éclairement spectral, nous envisageons de suivre cette même démarche en l’appli-
quant à chacune des 32 bandes discrètes de l’approche de Kato et al. (1999). De cette
manière, nous pourrons ainsi traduire la démarche mathématiquement :

GKB ≈ GKB (θs , ρg , Pclair ) KcKB (θs , ρg , Pclair0 , Pcloud ) (6.4)

BKB ≈ BKB (θs , Pclair ) KcbKB (θs , Pclair0 , Pcloud ) (6.5)

tout en espérant que

∂KcKB ∂KcbKB
≈ 0; ≈0 (6.6)
∂Pclair ∂Pclair
Des études préliminaires de cette approximation ont été réalisées et ont donné des
résultats encourageants. L’étude doit être faite avec le même degré d’exhaustivité que
celle de Oumbe et al. (2014) et le domaine de validité de l’approximation doit être défini.
Maintenant, si nous abordons la mise en oeuvre opérationnelle, la méthode d’estima-
tion de la distribution spectrale de l’éclairement solaire s’exécutera de la même façon que
la méthode Heliosat-4. Cette dernière estime l’éclairement total par tout ciel en combinant
successivement le modèle McClear et le modèle McCloud.
Le modèle McClear utilise l’appproche de Kato et al. (1999) pour l’estimation de l’éclai-
rement total. Les propriétés optiques de l’atmosphère nécessaires à McClear proviennent
du programme européen MACC et l’albédo du sol des images produites de l’instrument
MODIS. Ces entrées sont les mêmes que celles utilisées dans les pemières validations de
la méthode automatique développée. La création des tables statiques du modèle McClear

91
demande beaucoup de ressources informatiques, et donc du temps, et a été faite par
MINES ParisTech aussi bien pour l’éclairement total que l’éclairement dans chacune des
32 bandes. Compte tenu du fait que des améliorations de l’approche de Kato et al. (1999)
ont été proposées dans l’ultraviolet, des nouveaux calculs doivent être réalisés dans les
deux bandes et constitueront des mises à jour du modèle McClear et donc de la méthode
automatique.
Comme la méthode numérique exploite ces estimations, il suffira de coupler à ces es-
timations les deux techniques proposées pour produire opérationnellement la distribution
spectrale de l’éclairement solaire en tout lieu et tout instant en conditions de ciel clair.
Au final, nous pourrons dire que c’est la version quasi-opérationnelle de notre méthode
automatique.
Concernant le modèle McCloud, une exploitation de ces résultats est actuellement
impossible puisque MINES ParisTech n’a calculé les indices de ciel clair que pour l’éclai-
rement total. Pour cette raison, dès lors que le domaine de validité de l’applicabilité des
équations (6.4) et (6.5) sera connu, il faudra faire 32 fois les calculs des indices de ciel clair
pour les mêmes états atmosphériques considérés dans le modèle McCloud. La méthode
sera alors applicable pour tous les cas de ciel.
Lorsque les deux versions spectrales de McClear et McCloud auront été établies, une
version opérationnelle de la méthode pourra être réalisée et il conviendra d’étudier ses
performances à l’aide de mesures de qualité faites au sol. Les erreurs seront quantifiés et
des pistes d’amélioration de la méthode seront définies.
La réalisation de la méthode automatique d’estimation de la distribution spectrale de
l’éclairement solaire permettra de répondre à la demande croissante des utilisateurs des
différents secteurs d’activités sur les quantités physiques liées à cette distribution spectrale.
Ceci pourrait se faire via l’implémentation d’un service web tels que ceux disponibles dans
le Service SoDa (www.soda-pro.com) où le principe pour l’utilisateur est de porter dans
une interface graphique, les coordonnées géographiques, latitude, longitude et élévation du
site d’intérêt, la période temporelle et la fréquence temporelle désirées, pour obtenir une
série temporelle de la distribution spectrale de l’éclairement solaire ou l’éclairement intégré
sur une bande spectrale en prenant éventuellement en compte une réponse spectrale.

92
Ahrens, C. D. (2006). Meteorology Today. An Introduction to Weather, Climate, and
the Environment. Cengage Learning. 27

Anderson, G., Clough, S., Kneizys, F., Chetwynd, J. et Shettle, E. (1986). AFGL
atmospheric constituent profiles (0-120 km). Rapport technique, Air Force Geophys.
Lab., Hanscom Air Force Base, Bedford, Mass. AFGL-TR-86-0110. 23, 27

Arking, A. et Grossman, K. (1972). The influence of line shape and band structure on
temperatures in planetary atmospheres. Journal of Atmospheric Sciences, 29:937–949.
34

Arola, A., Kaurola, J., Koskinen, L., Tanskanen, A., Tikkanen, T., Taalas, P.,
Herman, J., Krotkov, N. et Fioletov, V. (2003). A new approach to estimating
the albedo for snow-covered surfaces in the satellite UV method. Journal of Geophysical
Research : Atmospheres (1984–2012), 108(D17). 80

Bernhard, G., Booth, C., Ehramjian, J. et Nichol, S. (2006). UV climatology at

McMurdo station, Antarctica, based on version 2 data of the National Science Foun-
dation’s ultraviolet radiation monitoring network. Journal of Geophysical Research :
Atmospheres (1984–2012), 111(D11). 79

Bernhard, G., Booth, C. R. et Ehramjian, J. C. (2005). UV climatology at Palmer

Station, Antarctica, based on version 2 NSF network data. In Optics & Photonics 2005,
pages 588607–588607. International Society for Optics and Photonics. 79, 84

Bernhard, G., Booth, C. R., Ehramjian, J. C., Stone, R. et Dutton, E. G. (2007).

Ultraviolet and visible radiation at Barrow, Alaska : Climatology and influencing fac-
tors on the basis of version 2 National Science Foundation network data. Journal of
Geophysical Research : Atmospheres (1984–2012), 112(D9). 79

Blanc, P. et Wald, L. (2012). The SG2 algorithm for a fast and accurate computation of
the position of the Sun for multi-decadal time period. Solar Energy, 86(10):3072–3083.
70

Bosch, J., López, G. et Batlles, F. (2009). Global and direct photosynthetically

active radiation parameterizations for clear-sky conditions. Agricultural and Forest
Meteorology, 149(1):146–158. 71, 85

Chandrasekhar, S. (1960). Radiative Transfer. Dover, Mineola, N. Y. 21

Chou, M.-D. et Lee, K.-T. (1996). Parameterizations for the absorption of solar radiation
by water vapor and ozone. Journal of the atmospheric sciences, 53(8):1203–1208. 34

CIE, C. (2). Spectral luminous efficiency function for photopic vision. 54

Clough, S., Shephard, M., Mlawer, E., Delamere, J., Iacono, M., Cady-
Pereira, K., Boukabara, S. et Brown, P. (2005). Atmospheric radiative transfer
modeling : a summary of the AER codes. Journal of Quantitative Spectroscopy and
Radiative Transfer, 91(2):233–244. 7

Feister, U. et Grewe, R. (1995). Spectral albedo measurements in the UV and visible

region over different types of surfaces. Photochemistry and Photobiology, 62:736–744.
viii, 71

94
Fu, Q. et Liou, K.-N. (1992). On the correlated k-distribution method for radiative
transfer in nonhomogeneous atmosphere. Journal of Atmospheric Sciences, 49(22):
2139–2156. 7, 32, 33, 34

Galleano, R., Zaaiman, W., Virtuani, A., Pavanello, D., Morabito, P., Minuto,
A., Spena, A., Bartocci, S., Fucci, R., Leanza, G. et al. (2014). Intercomparison
campaign of spectroradiometers for a correct estimation of solar spectral irradiance :
results and potential impact on photovoltaic devices calibration. Progress in Photovol-
taics : Research and Applications, 22(11):1128–1137. 37

Gueymard, C. (1995). SMARTS2 : a simple model of the atmospheric radiative transfer

of sunshine : algorithms and performance assessment. Florida Solar Energy Center
Cocoa, FL. 37

Gueymard, C. A. (2004). The sun’s total and spectral irradiance for solar energy ap-
plications and solar radiation models. Solar Energy, 76(4):423–453. vii, 23, 36, 38, 42,
45

Gueymard, C. A. (2008). Prediction and validation of cloudless shortwave solar spectra

incident on horizontal, tilted, or tracking surfaces. Solar Energy, 82(3):260–271. 8, 37

Gueymard, C. A. (2012). Clear-sky irradiance predictions for solar resource mapping and
large-scale applications : Improved validation methodology and detailed performance
analysis of 18 broadband radiative models. Solar Energy, 86(8):2145–2169. 24

Habte, A., Andreas, A., Ottoson, L., Gueymard, C., Fedor, G., Fowler, S., Pe-
terson, J., Naranen, E., Kobashi, T., Akiyama, A. et al. (2014). Intercomparison
and impact on characterizing photovoltaic device performance. 37

Herber, A., Thomason, L. W., Radionov, V. F. et Leiterer, U. (1993). Comparison

of trends in the tropospheric and stratospheric aerosol optical depths in the Antarctic.
Journal of Geophysical Research, 98:18441–18447. 79

Hess, M., Koepke, P. et Schult, I. (1998). Optical Properties of Aerosols and Clouds :
The Software Package OPAC. Bulletin of the American Meteorological Society, 79(5):
831–844. 3, 38

Ineichen, P. et Perez, R. (1999). Derivation of cloud index from geostationary satellites

and application to the production of solar irradiance and daylight illuminance data.
Theoretical and Applied Climatology, 64(1-2):119–130. 74

Kasten, F. et Young, A. T. (1989). Revised optical air mass tables and approximation
formula. Applied Optics, 28(22):4735–4738. 74

Kato, S., Ackerman, T., Mather, J. et Clothiaux, E. (1999). The k-distribution

method and correlated-k approximation for shortwave radiative transfer model. Journal
of Quantitative Spectroscopy and Radiative Transfer, 62(1):109–121. v, vii, viii, ix, 7,
8, 9, 31, 32, 33, 34, 35, 36, 37, 40, 41, 42, 43, 44, 45, 49, 50, 53, 54, 55, 60, 61, 64, 89,
91, 92

Kleissl, J. (2013). Solar energy forecasting and resource assessment. Academic Press.
54

95
Kratz, D. P. (1995). The correlated k-distribution technique as applied to the AVHRR
channels. Journal of Quantitative Spectroscopy and Radiative Transfer, 53(5):501–517.
7, 32

Krishnan, P., Schüttauf, J., van der Werf, C., Houshyani Hassanzadeh, B.,
van Sark, W. et Schropp, R. (2009). Response to simulated typical daily outdoor
irradiation conditions of thin-film silicon-based triple-band-gap, triple-junction solar
cells. Solar Energy Materials and Solar Cells, 93(6-7):691–697. 3

Krotkov, N. A., Herman, J. R., Bhartia, P. K., Fioletov, V. et Ahmad, Z. (2001).

Satellite estimation of spectral surface uv irradiance : 2. effects of homogeneous clouds
and snow. Journal of Geophysical Research, 106(D11):11743–11759. 80

Lacis, A. A. et Oinas, V. (1991). A description of the correlated k-distribution method

for modeling nongray absorption, thermal emission, and multiple scattering in vertically
inhomogeneous atmosphere. Journal of Geophysical Research, 96:9027–9063. 34

Lefèvre, M., Oumbe, A., Blanc, P., Espinar, B., Gschwind, B., Qu, Z., Wald, L.,
Schroedter-Homscheidt, M., Hoyer-Klick, C., Arola, a., Benedetti, a., Kai-
ser, J. W. et Morcrette, J.-J. (2013). McClear : a new model estimating downwel-
ling solar radiation at ground level in clear-sky conditions. Atmospheric Measurement
Techniques, 6(9):2403–2418. 4, 8, 38, 70, 71, 73

Lindfors, A., Kaurola, J., Arola, A., Koskela, T., Lakkala, K., Josefsson, W.,
Olseth, J. A. et Johnsen, B. r. (2007). A method for reconstruction of past UV
radiation based on radiative transfer modeling : Applied to four stations in northern
Europe. Journal of Geophysical Research, 112(D23):D23201. 8

Liou, K. (1980). An introduction to atmospheric radiation academic. New York, 19802:

392. 19

Liou, K.-N. (1973). A numerical experiment on chandrasekhar’s discrete-ordinate method

for radiative transfer : Applications to cloudy and hazy atmospheres. Journal of the
Atmospheric Sciences, 30(7):1303–1326. 21

Liou, K.-N. (2002). An introduction to atmospheric radiation, volume 84. Academic

press. vii, 15, 16, 33

López, M. L., Palancar, G. G. et Toselli, B. M. (2009). Effect of different types

of clouds on surface UV-B and total solar irradiance at southern mid-latitudes : CMF
determinations at Córdoba, Argentina. Atmospheric Environment, 43(19):3130–3136.
8

Loutzenhiser, P. G., Maxwell, G. M. et Manz, H. (2007). An empirical validation

of the daylighting algorithms and associated interactions in building energy simulation
programs using various shading devices and windows. Energy, 32(10):1855–1870. 3

Maamari, F., Andersen, M., de Boer, J., Carroll, W. L., Dumortier, D. et

Greenup, P. (2006). Experimental validation of simulation methods for bi-directional
transmission properties at the daylighting performance level. Energy and Buildings,
38(7):878–889. 3

96
Mateos, D., di Sarra, A., Meloni, D., Di Biagio, C. et Sferlazzo, D. M. (2011).
Experimental determination of cloud influence on the spectral UV irradiance and im-
plications for biological effects. Journal of Atmospheric and Solar-Terrestrial Physics,
73(13):1739–1746. 8

Mayer, B. et Kylling, A. (2005). Technical note : The libradtran software package for
radiative transfer calculations-description and examples of use. Atmospheric Chemistry
and Physics, 5:1855–1877. 4, 37

Mayer, B., Kylling, A., Emde, C., Hamann, U. et Buras, R. (2011). libradtran
user’s guide. 37

Mayer, B., Seckmeyer, G. et Kylling, A. (1997). Systematic long-term comparison

of spectral UV measurements and UVSPEC modeling results. Journal of Geophysical
Research : Atmospheres (1984–2012), 102(D7):8755–8767. 8, 37

McKinlay, A., Diffey, B. et Passchier, W. (1987). Human exposure to ultraviolet

radiation : risks and regulations. Human exposure to ultraviolet radiation : Risks and
regulations, pages 83–87. 54

Michalsky, J. J., Anderson, G., Barnard, J., Delamere, J., Gueymard, C.,
Kato, S., Kiedron, P., McComiskey, A. et Ricchiazzi, P. (2006). Shortwave radia-
tive closure studies for clear skies during the atmospheric radiation measurement 2003
aerosol intensive observation period. Journal of Geophysical Research : Atmospheres
(1984–2012), 111(D14). 36

Molina, L. T. et Molina, M. J. (1986). Absolute absorption cross sections of zone in the

185- to 350-nm wavelength range. Journal of Geophysical Research, 91:14501–14508.
25, 42, 45

Mueller, R., Behrendt, T., Hammer, A. et Kemper, A. (2012). A New Algorithm

for the Satellite-Based Retrieval of Solar Surface Irradiance in Spectral Bands. Remote
Sensing, 4(12):622–647. 8, 60

Myers, D. R. (2012). Direct beam and hemispherical terrestrial solar spectral distri-
butions derived from broadband hourly solar radiation data. Solar Energy, 86(9):
2771–2782. 3, 5

Navntoft, C., Dawidowski, L., Blesa, M., Fernández-Ibañez, P., Wolfram, E. et

Paladini, a. (2009). UV-A (315–400nm) irradiance from measurements at 380 nm for
solar water treatment and disinfection : Comparison between model and measurements
in Buenos Aires, Argentina and Almerı́a, Spain. Solar Energy, 83(2):280–286. 58, 59

Oteiza, P. et Pérez-Burgos, A. (2012). Diffuse illuminance availability on horizontal

and vertical surfaces at Madrid, Spain. Energy Conversion and Management, 64:313–
319. 3

Oumbe, A., Blanc, P., Gschwind, B., Lefevre, M., Qu, Z., Schroedter-
Homscheidt, M. et Wald, L. (2011). Solar irradiance in clear atmosphere : study of
parameterisations of change with altitude. Advances Sciences and Research, 6:199–203.
38

97
Oumbe, A., Qu, Z., Blanc, P., Lefèvre, M., Wald, L. et Cros, S. (2014). Decoupling
the effects of clear atmosphere and clouds to simplify calculations of the broadband solar
irradiance at ground level. Geoscientific Model Development, 7(4):1661–1669. 7, 90, 91

Pierluissi, J. H. et Peng, G.-S. (1985). New molecular transmission band models for
lowtran. Optical Engineering, 24(3):243541–243541. 42

Pérez-López, J. J., Fabero, F. et Chenlo, F. (2007). Experimental solar spectral irra-

diance until 2500 nm : results and influence on the pv conversion of different materials.
Progress in photovoltaics : Research and Applications, 15(4):303–315. 3

Randles, C. A., Kinne, S., Myhre, G., Schulz, M., Stier, P., Fischer, J., Dop-
pler, L., Highwood, E., Ryder, C., Harris, B., Huttunen, J., Ma, Y., Pinker,
R. T., Mayer, B., Neubauer, D., Hitzenberger, R., Oreopoulos, L., Lee, D.,
Pitari, G., Di Genova, G., Quaas, J., Rose, F. G., Kato, S., Rumbold, S. T.,
Vardavas, I., Hatzianastassiou, N., Matsoukas, C., Yu, H., Zhang, F., Zhang,
H. et Lu, P. (2013). Intercomparison of shortwave radiative transfer schemes in global
aerosol modeling : results from the aerocom radiative transfer experiment. Atmospheric
Chemistry and Physics, 13(5):2347–2379. 37

Roesch, A., Wild, M., Ohmura, A., Dutton, E. G., Long, C. N. et Zhang, T.
(2011). Assessment of bsrn radiation records for the computation of monthly means.
Atmospheric Measurement Techniques, 4(2):339–354. 73

Shaw, G. E. (1982). Atmospheric turbidity in the polar regions. Journal of Applied

Meteorology, 21:1080–1088. 79

Shettle, E. P. (1990). Models of aerosols, clouds, and precipitation for atmospheric

propagation studies. In In AGARD, Atmospheric Propagation in the UV, Visible,
IR, and MM-Wave Region and Related Systems Aspects 14 p (SEE N90-21907 15-32),
volume 1. vii, 23, 28, 29, 38

Stamnes, K., Tsay, S.-C., Wiscombe, W. et Jayaweera, K. (1988). Numerically

stable algorithm for discrete–ordinate–method radiative transfer in multiple scattering
and emitting layered media. Applied Optics, page 2502–2509. 21

Stamnes, K., Tsay, S.-C., Wiscombe, W. et Laszlo, I. (2000). Disort, a general-

purpose fortran program for discrete-ordinate-method radiative transfer in scattering
and emitting layered media : documentation of methodology. Goddard Space Flight
Center, NASA. 21, 37

Standard, A. (2008). G173, standard tables for reference solar spectral irradiances :
Direct normal and hemispherical on 37 tilted surface. Annual Book of ASTM Standards,
12. 23

Vermote, E., Tanré, D., Deuzé, J., Herman, M. et Morcrette, J. (1997). Second
simulation of the satellite signal in the solar spectrum (6s), 6s : An overview. IEEE
Transactions on Geoscience and Remote Sensing, 35(3):675–686. 23

Wandji Nyamsi, W., Arola, A., Blanc, P., Lindfors, A. V., Cesnulyte, V., Pitkä-
nen, M. R. A. et Wald, L. (2015a). Technical Note : A novel parameterization of the
transmissivity due to ozone absorption in the k-distribution method and correlated-k

98
 approximation of Kato et al. (1999) over the UV band. Atmospheric Chemistry and
Physics, 15(13):7449–7456. 49

Wandji Nyamsi, W., Espinar, B., Blanc, P. et Wald, L. (2014). How close to detailed
spectral calculations is the k distribution method and correlated k approximation of
Kato et al. (1999) in each spectral interval ? Meteorologische Zeitschrift, 23(5):547–556.
44

Wandji Nyamsi, W., Espinar, B., Blanc, P. et Wald, L. (2015b). Estimating the pho-
tosynthetically active radiation under clear skies by means of a new approach. Advances
in Science and Research, 12:5–10. 66

Wang, F., Gao, Q., Hu, L., Gao, N., Ge, T., Yu, J. et Liu, Y. (2012). Risk of eye da-
mage from the wavelength-dependent biologically effective UVB spectrum irradiances.
PloS one, 7(12):e52259. 3

Wang, P., Knap, W. H., Kuipers Munneke, P. et Stammes, P. (2009). Clear-sky

shortwave radiative closure for the Cabauw Baseline Surface Radiation Network site,
Netherlands. Journal of Geophysical Research, 114(D14):D14206. 37

Webb, A. R., Kift, R., Thiel, S. et Blumthaler, M. (2002). An empirical method for
the conversion of spectral UV irradiance measurements to actinic flux data. Atmospheric
Environment, 36(27):4397–4404. 3

West, R., Goody, R., Chen, L. et Crisp, D. (2010). The correlated-k method and rela-
ted methods for broadband radiation calculations. Journal of Quantitative Spectroscopy
and Radiative Transfer, 111(11):1672–1673. 33

Wiscombe, W. J. et Evans, J. W. (1977). Exponential-sum fitting of radiative trans-

mission functions. Journal of Computational Physics, 24(4):416–444. 45

99
Annexe A

Articles liés à la thèse

I
B Meteorologische Zeitschrift, Vol. 23, No. 5, 547–556 (published online December 10, 2014)
© 2014 The authors
Open Access Article

How close to detailed spectral calculations is the

k-distribution method and correlated-k approximation of
Kato et al. (1999) in each spectral interval?
William Wandji Nyamsi∗ , Bella Espinar, Philippe Blanc and Lucien Wald

MINES ParisTech, PSL Research University, O.I.E. – Centre Observation, Impacts, Energy, Sophia Antipolis
Cedex, France.
(Manuscript received April 12, 2014; in revised form August 1, 2014; accepted August 7, 2014)

Abstract
The k-distribution method and the correlated-k approximation of Kato et al. (1999) is a smart approach
originally designed for broadband calculations of the solar radiation at ground level by dividing the solar
spectrum in 32 spectral bands. The approach is a priori not suited for calculation of spectral irradiance.
Nevertheless, this paper evaluates its performance when compared to more detailed spectral calculations
serving as references for the spectral intervals no. 3 [283, 307] nm to 26 [1613, 1965] nm for clear and
cloudy situations. The evaluation is based on numerical simulations. The clearer the sky, the greater the root
mean square error (RMSE) in all bands. In the spectral intervals no. 3 and 4 [307, 328] nm, the irradiance is
underestimated by large – approximately −90 % and −17 % in relative value - because the wavelength interval
is large with respect to the absorption by ozone and a single value of ozone cross section is not enough for
each interval. For each spectral interval from no. 5 [328, 363] nm to no. 18 [743, 791] nm, and for both global
and direct radiation, the bias and the RMSE are less than 1.5 % of the irradiance in the corresponding interval
under clear skies and may amount to 3 % in cloudy conditions. For greater wavelength intervals no. 19 to
no. 26, the relative bias and RMSE show a tendency to increase with wavelength and may reach 8 % and 7 %
for global and direct under clear skies respectively, and 11 % and 15 % under cloudy skies.
Keywords: absorption cross section, clear sky atmosphere, cloud, correlated-k approximation, spectral
distribution of solar radiation

1 Introduction Several methods have been proposed to reduce

the number of calculations. Among them, are the k-
The downwelling solar irradiance observed at ground distribution method and the correlated-k approximation
level on horizontal surfaces and integrated over the proposed by Kato et al. (1999). It uses 32 wavelength
whole spectrum (total irradiance) is called surface so- intervals across the solar spectrum only to estimate the
lar irradiance (SSI). It is an essential variable in many total SSI. The Kato et al. method is implemented in
domains: climate, energy production, weather, oceanog- several Radiative Transfer Models (RTM) and reveals a
raphy, agriculture . . . . One may consider the total SSI, very efficient way to speed up calculations of the total
i.e. integrated over the solar spectrum or spectrally de- SSI. The goal of this article is to assess the potentials of
fined SSI. The global SSI is the sum of the direct SSI the 32 estimates of SSI made in these intervals in order
originating from the direction of the sun and of the dif- to provide a description of the spectral distribution of the
fuse SSI coming from the rest of the sky vault. Estimates SSI.
of total SSI -global, direct and diffuse- are made by tak- More exactly, the work studies how close to detailed
ing into account the various interactions between the so- calculations in each of these intervals are the estimates
lar radiation on its way downward and the atmospheric made by the Kato et al. method. If close enough, then
constituents. One of the difficulties in the computation this method could be exploited to help in calculating the
lies in taking into account the gaseous absorption cross SSI in specific spectral intervals. Ultraviolet (UV) radi-
sections that are highly wavelength dependent. The best ation, daylighting, Photosynthetically Active Radiation
estimate is made by a calculation of the radiative trans- (PAR), and spectral response of photovoltaic panels are
fer for each wavelength followed by integration over the examples of such specific intervals in various domains.
solar spectrum. Such line-by-line calculations are com- The work focuses on the bands no. 3 to 26, i.e. from 283
putationally expensive. to 1965 nm which is well representative of UV, PAR,
visible band and all intervals related to common solar
∗ Corresponding
cells. The ozone present in the atmosphere extinguishes
author: William Wandji Nyamsi, MINES ParisTech, PSL
the solar radiation in the Kato bands no. 1 [240, 272] nm
Research University, O.I.E. – Centre Observation, Impacts, Energy, CS
and no. 2 [272, 283] nm and the SSI is null at these wave-
10207 rue Claude Daunesse, 06904 Sophia Antipolis Cedex, France, e-mail:
william.wandji@mines-paristech.fr
lengths.

© 2014 The authors

DOI 10.1127/metz/2014/0607 Gebrüder Borntraeger Science Publishers, Stuttgart, www.borntraeger-cramer.com
548 W. Wandji Nyamsi et al.: How close to detailed spectral calculations is the k-distribution method Meteorol. Z., 23, 2014

The paper presents an overview of the Kato et al. Intensive Observation Period. These authors suggested
method. For each spectral interval, estimates made by that tests should be performed in the different portions of
the Kato et al. method and by detailed calculations are the spectrum for ensuring that cancellation errors are not
compared for a wide range of atmospheric conditions. responsible of this excellent performance. Wang et al.
Both clear and cloudy skies are studied. Detailed spec- (2009) performed a comparison between the RTM DAK
tral calculations are made with the RTMs libRadtran and in combination with the approximation of Kato et al.
SMARTS. (1999) and measurements in clear sky conditions. They
found a bias of 2 Wm−2 (+0.2 %), 1 Wm−2 (+0.8 %) and
2 Wm−2 (+0.3 %) for respectively the direct, diffuse and
2 Overview of the k-distribution global total SSI.
method and correlated-k
approximation of Kato et al. (1999) 3 The RTMs used and their inputs
The k-distribution method is a technique of group- The present study is a pure modeling assessment. It is
ing wavelength intervals with similar spectral proper- performed with the RTM libRadtran version 1.7 (Mayer
ties with k representing the gaseous absorption coeffi- and Kylling, 2005; Mayer et al., 2012). In addition,
cient (West et al., 2010). In a homogeneous atmosphere, the RTM SMARTS version 2.9.5 (Simple Model of
spectral transmittance is independent of the ordering of the Atmospheric Radiative Transfer of Sunshine, Guey-
k for a given spectral interval and depends only on the mard, 1995) is used to check that conclusions do not
fraction of the interval that is associated with a partic- depend on this RTM and the aerosol model. SMARTS
ular value of k (Fu and Liou, 1992). Hence, wavenum- is limited to clear sky conditions. These two RTMs pro-
ber integration may be replaced by integration over the vide spectral irradiances and have been chosen because
k-space and more precisely by considering the proba- several articles have demonstrated the quality of their
bility of occurrence of a specific value of k in a wave- results when compared to spectral measurements.
length interval through its cumulative distribution func- The libRadtran (library for Radiative transfer) pack-
tion (Liou, 2002). In order to apply the k-distribution age software is a convenient set of tools for calculat-
method to realistic atmospheres, variation in the absorp- ing radiative transfer in the Earth atmosphere. The main
tion coefficient in the vertical must be accounted for. The tool uvspec includes both the correlated-k approxima-
correlated-k approximation assumes that the absorption tion of Kato et al. (1999) and the pseudo-spectral cal-
cross section at a given wavelength always resides in the culations of the RTM SBDART. The correlated-k ap-
same interval of the cumulative distribution function, re- proximation uses the HITRAN molecular spectroscopic
gardless of variations in total pressure, temperature and database. The pseudo-spectral calculations use the pa-
concentration (Kato et al. 1999). rameterization of absorption cross sections from LOW-
Focusing on the calculation of the shortwave solar TRAN. The DISORT 2.0 (discrete ordinate technique)
spectrum, from 240 nm to 4606 nm, Kato et al. (1999) algorithm (Stamnes et al., 2000) was selected to solve
have proposed a series of tables of absorption cross sec- the radiative transfer equation in both cases. Here, lib-
tions for water vapor, including continuum absorption, Radtran is used twice: one in order to produce the spec-
ozone, oxygen and carbon dioxide for 32 wavelength tral SSI in each Kato band, the second to produce de-
intervals, hereafter named “Kato bands” (KBs). Fig. 1 tailed spectral calculations in each band serving as ref-
exhibits the distribution of the global spectral irradiance erence for the comparison.
for a typical clear atmosphere (ASTM, 2003) in the 32 The inputs to libRadtran governing the optical state
intervals and their corresponding relative contribution to of the clear atmosphere are the total column contents
the total irradiance. Table 1 lists the 32 spectral intervals. in ozone and water vapour, the vertical profile of tem-
The series of tables have been built in order to be in- perature, pressure, density, and volume mixing ratio for
tegrated into RTMs to compute the total SSI in cloudy gases as a function of altitude, the aerosol optical depth
and clear sky conditions. Kato et al. (1999) found that at 550 nm, Angström coefficient, and aerosol type, and
the direct SSI computed by their approximation com- the elevation of the ground above sea level. libRatran in-
bined with a two-stream model for the mid-latitude sum- cludes the recent aerosols models of the OPAC library
mer standard atmosphere without aerosol in the clear sky of Hess et al. (1998). The set of additional inputs for the
conditions differs by 0.2 % or 2.1 Wm−2 from the result cloudy atmosphere comprises the cloud optical depth at
of the RTM MODTRAN3. Other authors have assessed 550 nm, the cloud phase, and the vertical position of the
this approximation. Halthore et al. (2005) presented cloud. Default values in libRadtran for cloud liquid con-
a comparison of sixteen RTMs in which the RAPRAD tent and droplet effective radius are used: 1.0 g m−3 and
one was using the approximation of Kato et al. (1999). 10 µm for water cloud, and 0.005 g m−3 and 20 µm for
Using the same RTM RAPRAD and same approxima- ice cloud. Solar spectrum of Gueymard (2004) was se-
tion, Michalsky et al. (2006) found that the relative lected. Other inputs to libRadtran are the solar zenith
error is less than 1 % and 1.9 % in respectively direct angle Θ s and the ground albedo ρg .
and diffuse total SSI under clear skies when comparing The inputs to SMARTS are the same than those to
to measurements made during the ARM 2003 Aerosol libRadtran. An exception is that only the aerosol optical
Meteorol. Z., 23, 2014 W. Wandji Nyamsi et al.: How close to detailed spectral calculations is the k-distribution method 549

Figure 1: Example of distribution of the global spectral irradiance at surface in the 32 wavelength intervals of Kato et al. (1999) and their
corresponding relative contribution in brackets to the total irradiance. Selected conditions are similar to ASTM (2003): solar zenith angle of
48.19 °, US standard atmosphere, total column contents in ozone of 343.8 DU and water vapor of 14.16 kg m−2 , aerosol rural type with an
optical depth at 500 nm of 0.084 and an Angstrom exponent of 1.3, spectrally constant ground reflectance of 0.2.

Table 1: The spectral intervals selected by Kato et al. (1999)

Band number Wavelength interval (µm) Band number Wavelength interval (µm) Band number Wavelength interval (µm)
1 [0.240, 0.272] 12 [0.567, 0.605] 23 [1.046, 1.194]
2 [0.272, 0.283] 13 [0.605, 0.625] 24 [1.194, 1.516]
3 [0.283, 0.307] 14 [0.625, 0.667] 25 [1.516, 1.613]
4 [0.307, 0.328] 15 [0.667, 0.684] 26 [1.613, 1.965]
5 [0.328, 0.363] 16 [0.684, 0.704] 27 [1.965, 2.153]
6 [0.363, 0.408] 17 [0.704, 0.743] 28 [2.153, 2.275]
7 [0.408, 0.452] 18 [0.743, 0.791] 20 [2.275, 3.001]
8 [0.452, 0.518] 19 [0.791, 0.844] 30 [3.001, 3.635]
9 [0.518, 0.540] 20 [0.844, 0.889] 31 [3.635, 3.991]
10 [0.540, 0.550] 21 [0.889, 0.975] 32 [3.991, 4.606]
11 [0.550, 0.567] 22 [0.975, 1.046]

depth at 550 nm and the aerosol type are requested. 4 Method

SMARTS computes automatically the parameters (α, β)
of the Angström relationship for two spectral ranges, The method is of statistical nature. Several sets of inputs
below and above 500 nm. In order to ensure an exact to the RTMs are randomly built by a Monte-Carlo tech-
comparison, libRadtran is forced to use the same values nique. Each set is input to libRadtran and to SMARTS
α and β and the aerosol model of Shettle (1989) used for clear sky conditions only. For each set, two runs of
in SMARTS in case of clear sky conditions. libRadtran are made: one with the correlated-k approx-
550 W. Wandji Nyamsi et al.: How close to detailed spectral calculations is the k-distribution method Meteorol. Z., 23, 2014

imation of Kato et al. (1999) and the other with the the direct clearness index KTdir
i is defined as:
pseudo-spectral calculation which serves as a reference.
For each set and each Kato band, the differences be- Bi
tween the estimates of the direct and global SSI made i =
KTdir (4.2)
Eoi cos(Θ s )
by respectively the correlated-k approximation and the
pseudo-spectral calculation, and SMARTS in clear sky where Bi is the direct SSI.
cases, are computed. For each set, the differences are computed on these
Table 2 reports the range of values taken respectively indices. The differences are hereafter called errors as
by Θ s , ρg , and the variables describing the clear sky at- they quantify the errors made when using the approx-
mosphere. For computational reasons, Θ s is set to 0.01 °, imation of Kato et al. (1999) instead of more detailed
respectively 89 ° instead of 0 °, resp. 90 °. The random calculation of the SSI considered as reference for each
selection of inputs listed in this Table takes into account spectral interval. The errors are synthesized by the bias,
the modelled marginal distribution established from ob- the root mean square error (RMSE), the squared corre-
servation proposed by Lefevre et al. (2013) and Oumbe lation coefficient R2 , and by the bias (rBias) and RMSE
et al. (2011). More precisely, the uniform distribution is (rRMSE) relative to the mean values of KTdir i and KTi .
chosen as a model for marginal probability for all pa-
1
n
rameters except aerosol optical thickness, Angstrom co- Bias = YEstimated( j) − YReference( j) (4.3)
efficient, and total column ozone. The chi-square distri- n j=1
bution for aerosol optical thickness, the normal distribu- 

 
tion for the Angstrom coefficient, and the beta distribu- n
1
tion for total column ozone have been selected. The se- RMSE = (YEstimated( j) − YReference( j) )2 (4.4)
n j=1
lection of these parametric probability density functions
and their corresponding parameters have been empiri- 100
cally determined from the analyses of the observations rBias = Bias (4.5)
made in the AERONET network for aerosol properties YReference
and from meteorological satellite-based ozone products 100
rRMSE = RMSE (4.6)
(Lefevre et al., 2013). YReference
Ten randomly selected values of Θ s and 10 values of
ρg are combined with each of the 120 random selections where j indicates each atmospheric state, n the total
of the other seven variables in Table 2, yielding a total number of atmospheric states, the value Y can be KT,
of 12 000 clear atmospheric conditions that will be input KTdir for each KB and Ȳ stands for the average value
to both libRadtran and SMARTS. of Y. The reference value is the result from detailed
The cloud properties are associated together. Ranges spectral calculations of RTMs and the estimated value
of cloud optical depth are related to types of clouds to is that from the correlated-k approximation.
produce realistic conditions. Each selected cloud optical
depth defines a series of 7 couples cloud base height- 5 Results
thickness for water clouds and 3 for ice clouds (Table 3).
One thousand (10 × 10 × 10) combinations of Θ s , ρg 5.1 Clear sky conditions
and cloud optical depth were generated. For each com- Fig. 2 is an example of scatterplot between spec-
bination, 20 sets of the 7 clear sky variables were se- trally detailed calculations (horizontal axis libRadtran
lected. To each cloud optical depth are associated 7 cou- and SMARTS) and the approximation of Kato et al.
ples of cloud base height and thickness for water clouds
(1999) for the direct clearness index KTdir i for KB no. 9
and 3 for ice clouds, yielding a total of 140 000 atmo- dir
spheric conditions for water clouds and 60 000 atmo- [518, 540] nm. KTi is the main physical quantity used
spheric conditions for ice clouds. Each condition was in the development of the correlated-k approximation.
input to libRadtran. Points in the graph are well aligned along the 1:1 line
In order to remove the daily and seasonal influence with a very limited scattering. R2 is greater than 0.999
of the solar zenith angle on the SSI as well as the depen- which means that all information in the spectrally de-
dency to the extraterrestrial solar spectrum, the global tailed calculations is explained by the correlated-k ap-
SSI Gi estimated by the various models in the band KB proximation for this band. The relative bias and RMSE
i were converted into clearness index KTi , also called at- are very small: respectively −0.4 % and 0.4 %. Results
mospheric transmissivity, atmospheric transmittance, or obtained with SMARTS are the same than for libRad-
atmospheric transmission: tran. Findings are not surprising as this band exhibits a
low molecular absorption. In this case, the values of k-
Gi distribution coefficient tables are sufficient to accurately
KTi = (4.1) model the attenuation of direct irradiance.
Eoi cos(Θ s )
The approximation of Kato et al. does not perform
where Eoi is the irradiance at the top of atmosphere on a so well for all intervals. Fig. 3 exhibits scatterplots for
plane normal to the sun rays for the band KB i. Similarly, KB no. 3 [283, 307] nm and KB no. 4 [307, 328] nm.
Meteorol. Z., 23, 2014 W. Wandji Nyamsi et al.: How close to detailed spectral calculations is the k-distribution method 551

Table 2: Range of values taken by the solar zenith angle, the ground albedo and the 7 variables describing the clear atmosphere

Variable Value
Solar zenith angle Θs 0.01, 10, 20, 30, 40, 50, 60, 70, 80, 89 (degree)
Ground albedo ρg 0, 0.05, 0.1, 0.15, 0.2, 0.3, 0.4, 0.5, 0.7, 0.9
Total column content in ozone Ozone content is: 300 ∗ β + 200, in Dobson unit.
Beta distribution, with A parameter = 2, and
B parameter = 2, to compute β
Total column content in water vapor Uniform between 0 and 70 (k gm−2 )
Elevation of the ground above mean sea level Equiprobable in the set: 0, 1, 2, 3 (km)
Atmospheric profiles (Air Force Geophysics Equiprobable in the set: Midlatitude Summer,
Laboratory standards) Midlatitude Winter, Subarctic Summer, Subarctic
Winter, Tropical, US. Standard
Aerosol optical depth at 550 nm Gamma distribution, with shape parameter = 2,
and scale parameter = 0.13
Angstrom coefficient (only used with the Normal distribution, with mean = 1.3 and
OPAC library) standard-deviation = 0.5
Aerosol type Equiprobable in the set: urban, rural, maritime,
tropospheric

Table 3: Selected cloud properties. Types of clouds and their acronyms; cumulus (Cu); stratocumulus (Sc); altostratus (As); altocumulus
(Ac); cirrus (Ci) and cirrostratus (Cs).

Cloud optical depth Water cloud Ice cloud

(cloud base height + thickness, km) (cloud base height + thickness, km)
0.5, 1, 2, 3 (and 4 for ice cloud only) Cu: 0.4 + 0.2, 1 + 1.6, 1.2 + 0.2, 2 + 0.5 Ci: 6 + 0.5, 8 + 0.3, 10 + 1
Ac: 2 + 3, 3.5 + 1.5, 4.5 + 1
5, 7, 10, 20 (and 15 for ice cloud only) Sc: 0.5 + 0.5, 1.5 + 0.6, 2 + 1, 2.5 + 2 Cs: 6 + 0.5, 8 + 2, 10 + 1
As: 2 + 3, 3.5 + 2, 4.5 + 1
40, 70 St: 0.2 + 0.5, 0.5 + 0.3, 1 + 0.5 –
Ns: 0.8 + 3, 1 + 1 Cb: 1 + 6, 2 + 8

Figure 2: Scatterplot between spectrally detailed calculations (horizontal axis libRadtran and SMARTS) and the correlated-k approximation
of Kato et al. (1999). Direct clearness index for KB no. 9 [518, 540] nm.
552 W. Wandji Nyamsi et al.: How close to detailed spectral calculations is the k-distribution method Meteorol. Z., 23, 2014

Figure 3: Scatterplot between spectrally detailed calculations (horizontal axis libRadtran and SMARTS) and the correlated-k approximation
of Kato et al. (1999). Direct clearness index for KB no. 3 [283, 307] nm (left) and no. 4 [307, 328] nm (right).

Figure 4: Scatterplots of transmissivity due only to ozone absorption between average by weighting with the extraterrestrial spectrum
(horizontal axis) and the correlated-k approximation for KB no. 3 (left) and no. 4 (right).

For KB no. 3, the approximation strongly underesti- curves is similar to those in Fig. 3 and proves that the
mates KTdir
i . The relative bias is very large and amounts
errors are mainly due by the choice made by Kato et al.
to −91.8 %. The scattering around the 1:1 line is nev- for modelling ozone absorption.
ertheless limited and R2 is large: 0.677. The underesti- Other KBs exhibit noticeable overestimation (no. 23,
mation is less for KB no. 4: rBias is −13.9 %, rRMSE 24, 25) and underestimation (19, 21, 26). The water va-
is 17.0 %. R2 is very large: 0.995. The underestimation por is the main absorber in these wavelengths (Pier-
for these two bands can be explained by the fact that luissi and Peng, 1985). A part of uncertainties in the
Kato et al. (1999) assume that the ozone cross section results is attributed to the different sources of spectro-
at the center wavelength in each interval represents the scopic data of Kato et al. method and detailed spectral
absorption over the whole interval. Actually, the ozone calculations. Intervals KB 23 to 26 exhibit larger inter-
cross section is widely dependent of wavelength in this vals than the previous ones. The influence of Θ s , ground
spectral region (Molina and Molina, 1986). The wave- elevation, and as a whole of any variable that may influ-
length interval is large for considering only a single ence the air mass is more visible. As an example, Fig. 5
value of ozone cross section. Fig. 4 displays the com- exhibits the scatterplot between the libRadtran spectrally
parison of transmissivities due only to ozone absorp- detailed calculations and the correlated-k approximation
tion between correlated-k approximation and average for two different ranges of solar zenith angle: Θ s ≤ 80 °
weighting with the extraterrestrial spectrum of Guey- and Θ s = 89 ° for KB no. 25. Errors are much larger at
mard (2004) in KB no. 3 and 4. The behavior of the Θ s = 89 ° than at other Θ s .
Meteorol. Z., 23, 2014 W. Wandji Nyamsi et al.: How close to detailed spectral calculations is the k-distribution method 553

Figure 5: Scatterplot between libRadtran spectrally detailed calculations and the correlated-k approximation of Kato et al. (1999) for two
ranges of solar zenith angle Θs . Direct clearness index for KB no. 25 [1516, 1613] nm.

Table 4 reports the statistical quantities summariz- 5.2 Cloudy sky conditions
ing the errors in KTdiri under clear sky conditions for
Θ s ≤ 80 ° with libRadtran calculations. One observes The results of errors in KTdiri and KTi under cloudy
that R2 is greater than 0.99 for all KBs from 4 to skies are summarized in Tables 6–9 for Θ s ≤ 80 °. Like
26. All information in the spectrally detailed calcula- clear sky conditions, errors for KB 3 and 4 are greater
tions is explained by the correlated-k approximation in than for the other KB. For respectively KTdiri and KTi in
each band, whatever the atmospheric profile, the aerosol KB no. 3, rBias is −90.7 % and −92.5 % for ice clouds
model or other inputs. rBias ranges between a minimum and −91.5 % and −93.3 % for water clouds, rRMSE is
of −6.8 % (KB no. 21) and a maximum of 6.0 % (KB approximately equal to the absolute value of rBias, and
no. 24). rRMSE amounts up to 7.4 %. In most KBs, R2 is 0.78 and 0.79 for ice clouds and 0.74 and 0.70
rBias and rRMSE are less than 1.5 %. They are greater for water clouds. As for KB no. 4, rBias is −12.5 %
than 2.5 % in absolute value for KB no. 19, 21, 23, 24, and −16.8 % for ice clouds and −12.2 % and −16.0 %
25 and 26. As already discussed, KB no. 3 and 4 are ex- for water clouds, rRMSE is approximately equal to the
ceptions with large underestimation though R2 is very absolute value of rBias, and R2 is greater than 0.99.
large. Errors in KTdir
i depend on the KB (Table 6–7) but do
The results of errors in clearness index KTi are sum- not depend noticeably on the cloud phase. rBias ranges
marized in Table 5 for Θ s ≤ 80 ° with libRadtran cal- between −6.2 % (KB no. 21) and 5.3 % (KB no. 24).
culations. For KB no. 3 and 4, rBias is respectively rRMSE amounts up to 15.1 % for KB no. 21. In all KBs,
−92.2 % and −16.3 %, rRMSE is respectively 123.4 % except no. 21, rBias is much less than 5 % in absolute
and −16.9 %, and R2 is respectively 0.718 and 0.991. value. For most KBs, rRMSE is less than 5 %.
rBias is small for most KBs. It ranges from −7.1 % (KB The errors in KTdir
i in cloudy conditions slightly de-
no. 21) to 5.3 % (KB no. 24). It is less than 1.5 % in ab- pend on the cloud optical depth and to a much lesser ex-
solute value for all bands, except KB no. 5, 19, 21, 23 tent on the other cloud properties. They exhibit the same
and 26. Except KB no. 3 and 4, rRMSE is less than 2 % dependency than those for clear sky on Θ s , ground ele-
for the shortest wavelengths. It peaks at 7.6 % for KB vation, and as a whole of any variable that may influence
no. 21 because of the large bias. As a whole, rRMSE the air mass. R2 is greater than 0.99 for all KBs from 4
is close to the absolute value of rBias, denoting a small to 26. All information in the spectrally detailed calcula-
standard-deviation of the errors. R2 is very close to 0.99. tions is explained by the correlated-k approximation in
In general, rBias is greater for KTi than for KTdir
i . The
each band, whatever the cloudy conditions, atmospheric
global is the sum of the direct and diffuse components. profile, the aerosol model or other inputs.
The same correlated-k coefficient tables are used for The errors on KTi depend on the KB (Table 8–9) and
each component, in the most KBs, leading to a larger do not depend noticeably on the cloud phase, except
error in the global than in the direct component. for KB no. 24 and 26. rBias ranges between −7.4 %
554 W. Wandji Nyamsi et al.: How close to detailed spectral calculations is the k-distribution method Meteorol. Z., 23, 2014

Table 4: Statistical parameters in the different KBs for the direct clearness index under clear sky conditions for Θs ≤ 80 ° with libRadtran
calculations. N° is the number of KB, R2 is the squared correlation coefficient, Mean is the mean value of the index.

N° R2 Mean rBias(%) rRMSE(%) N° R2 Mean rBias(%) rRMSE(%)

3 0.682 0.006 −91.8 132.2 15 0.999 0.665 −0.0 0.0
4 0.995 0.128 −13.9 16.1 16 0.999 0.616 −0.6 1.0
5 0.999 0.254 0.9 1.1 17 0.999 0.602 0.7 1.4
6 0.999 0.354 −1.0 1.0 18 0.999 0.666 0.9 1.3
7 0.999 0.435 −0.1 0.2 19 0.995 0.671 −2.5 3.1
8 0.999 0.506 0.3 0.3 20 0.999 0.753 0.5 0.6
9 0.999 0.546 −0.4 0.4 21 0.993 0.459 −6.8 7.4
10 0.999 0.556 −0.2 0.2 22 0.998 0.760 −0.2 1.0
11 0.999 0.561 −0.2 0.2 23 0.998 0.521 2.3 2.6
12 0.999 0.558 1.4 1.5 24 0.995 0.406 6.0 6.3
13 0.999 0.599 0.2 0.2 25 0.997 0.806 2.9 3.1
14 0.999 0.618 1.3 1.4 26 0.994 0.453 −3.1 3.7

Table 5: Statistical parameters in the different KBs for the clearness index under clear sky conditions for Θs ≤ 80 ° with libRadtran
calculations. N° is the number of KB, R2 is the squared correlation coefficient, Mean is the mean value of the index.

N° R2 Mean rBias(%) rRMSE(%) N° R2 Mean rBias(%) rRMSE(%)

3 0.718 0.016 −92.8 123.4 15 0.999 0.895 −0.0 0.3
4 0.991 0.377 −16.3 16.9 16 0.997 0.815 −0.8 1.1
5 0.999 0.671 1.7 1.8 17 0.995 0.782 0.7 1.4
6 0.999 0.755 −0.2 0.2 18 0.994 0.853 1.1 1.5
7 0.999 0.806 −0.0 0.0 19 0.986 0.839 −2.7 3.3
8 0.999 0.837 0.1 0.1 20 0.999 0.932 0.5 0.6
9 0.999 0.840 −0.4 0.5 21 0.994 0.547 −7.1 7.5
10 0.999 0.834 −0.2 0.3 22 0.990 0.904 −0.2 1.1
11 0.999 0.831 −0.2 0.3 23 0.996 0.603 2.1 2.5
12 0.999 0.798 1.5 1.5 24 0.991 0.458 5.3 5.6
13 0.999 0.839 0.2 0.3 25 0.988 0.891 3.0 3.1
14 0.994 0.845 1.4 1.8 26 0.989 0.495 −3.6 4.0

Table 6: Statistical parameters in the different KBs for the direct clearness index under cloudy sky conditions for Θs ≤ 80 ° and ice cloud
phase. N° is the number of KB, R2 is the squared correlation coefficient, Mean is the mean value of the index.

N° R2 Mean rBias(%) rRMSE(%) N° R2 Mean rBias(%) rRMSE(%)

3 0.783 0.001 −90.7 274.2 15 0.999 0.053 0.0 0.1
4 0.998 0.011 −12.5 31.2 16 0.999 0.050 −0.5 1.6
5 0.999 0.022 0.8 2.1 17 0.999 0.049 1.0 3.4
6 0.999 0.030 −1.0 2.2 18 0.999 0.053 0.8 1.9
7 0.999 0.037 −0.3 0.6 19 0.999 0.053 −1.8 5.3
8 0.999 0.042 0.2 0.6 20 0.999 0.059 0.4 1.0
9 0.999 0.045 −0.3 0.7 21 0.999 0.039 −5.8 14.3
10 0.999 0.046 −0.2 0.4 22 0.999 0.059 −0.3 1.6
11 0.999 0.046 −0.2 0.4 23 0.999 0.042 3.4 7.6
12 0.999 0.046 1.3 3.1 24 0.999 0.033 5.3 12.3
13 0.999 0.049 0.2 0.4 25 0.999 0.063 2.8 6.3
14 0.999 0.050 1.2 2.9 26 0.999 0.036 −3.8 9.0

(KB no. 21) and 10.1 % (KB no. 24). rRMSE is equal dency than those for clear sky on Θ s , ground elevation,
to the absolute value of rBias meaning that the standard- and as a whole of any variable that may influence the air
deviation of the errors is small. R2 is greater than 0.99 mass.
for all KBs from no. 4 to 26. Like in the clear sky case,
and for the same reasons, the errors are larger in the
global than in the direct component in the most KBs. Conclusion
The errors slightly depend on the cloud optical depth
and to a much lesser extent on the ground albedo and The presented study demonstrates that as a whole the k-
other cloud properties. They exhibit the same depen- distribution method and the correlated-k approximation
Meteorol. Z., 23, 2014 W. Wandji Nyamsi et al.: How close to detailed spectral calculations is the k-distribution method 555

Table 7: Statistical parameters in the different KBs for the direct clearness index under cloudy sky conditions for Θs ≤ 80 ° with water cloud
phase. N° is the number of KB, R2 is the squared correlation coefficient, Mean is the mean value of the index.

N° R2 Mean rBias(%) rRMSE(%) N° R2 Mean rBias(%) rRMSE(%)

3 0.744 0.001 −91.5 279.7 15 0.999 0.055 0.0 0.1
4 0.998 0.012 −12.1 29.92 16 0.999 0.052 −0.3 1.4
5 0.999 0.023 0.6 1.9 17 0.999 0.051 0.9 3.1
6 0.999 0.032 −0.6 1.7 18 0.999 0.055 0.5 1.4
7 0.999 0.039 −0.2 0.4 19 0.995 0.055 −1.9 5.4
8 0.999 0.045 0.3 0.7 20 0.999 0.060 0.5 1.2
9 0.999 0.048 −0.3 0.7 21 0.993 0.040 −6.2 15.1
10 0.999 0.049 −0.1 0.3 22 0.998 0.061 0.2 1.7
11 0.999 0.049 −0.1 0.4 23 0.998 0.043 1.9 5.1
12 0.999 0.048 1.3 3.0 24 0.995 0.033 5.3 12.3
13 0.999 0.051 0.2 0.4 25 0.997 0.062 2.3 5.6
14 0.999 0.052 1.2 2.8 26 0.994 0.035 −4.2 10.2

Table 8: Statistical parameters in the different KBs for the clearness index under cloudy sky conditions for Θs ≤ 80 ° with ice cloud phase.
N° is the number of KB, R2 is the squared correlation coefficient, Mean is the mean value of the index.

N° R2 Mean rBias(%) rRMSE(%) N° R2 Mean rBias(%) rRMSE(%)

3 0.794 0.011 −92.5 135.5 15 0.999 0.597 0.1 0.2
4 0.985 0.263 −16.8 18.2 16 0.999 0.537 −0.4 1.0
5 0.999 0.468 1.9 2.1 17 0.999 0.515 1.1 1.9
6 0.999 0.519 −0.2 0.2 18 0.999 0.564 1.6 2.0
7 0.999 0.550 −0.1 0.1 19 0.997 0.551 −2.1 2.9
8 0.999 0.566 0.1 0.2 20 0.999 0.616 0.9 1.1
9 0.999 0.566 −0.3 0.4 21 0.995 0.362 −6.7 7.5
10 0.999 0.564 −0.2 0.2 22 0.999 0.590 0.0 1.0
11 0.999 0.558 −0.1 0.3 23 0.999 0.394 3.1 3.7
12 0.999 0.533 2.0 2.3 24 0.992 0.280 10.2 11.2
13 0.999 0.563 0.3 0.4 25 0.999 0.392 2.8 3.7
14 0.999 0.562 1.8 2.0 26 0.999 0.223 −3.1 4.1

Table 9: Statistical parameters in the different KBs for the clearness index under cloudy sky conditions for Θs ≤ 80 ° with water cloud
phase. N° is the number of KB, R2 is the squared correlation coefficient, Mean is the mean value of the index.

N° R2 Mean rBias(%) rRMSE(%) N° R2 Mean rBias(%) rRMSE(%)

3 0.695 0.011 −93.3 132.7 15 0.999 0.590 0.0 0.1
4 0.986 0.270 −15.9 17.6 16 0.999 0.532 −0.6 1.1
5 0.999 0.473 1.8 2.0 17 0.999 0.510 0.7 1.5
6 0.999 0.523 −0.1 0.2 18 0.999 0.557 1.4 1.7
7 0.999 0.552 −0.0 0.0 19 0.998 0.540 −2.5 3.2
8 0.999 0.567 0.1 0.1 20 0.999 0.602 0.7 0.9
9 0.999 0.566 −0.4 0.4 21 0.997 0.347 −7.4 8.3
10 0.999 0.564 −0.2 0.2 22 0.999 0.574 0.0 1.0
11 0.999 0.558 −0.1 0.2 23 0.999 0.374 2.0 2.7
12 0.999 0.531 1.8 2.0 24 0.998 0.269 3.4 5.8
13 0.999 0.558 0.3 0.3 25 0.999 0.486 3.1 3.8
14 0.999 0.557 1.6 1.8 26 0.999 0.259 −6.6 7

proposed by Kato et al. (1999) for several spectral inter- For spectral intervals from no. 5 [328, 363] nm to no. 18
vals offer accurate estimates of the spectral irradiance in [743, 791] nm, and for both global and direct radiation,
these intervals when compared to detailed spectral cal- the bias and the RMSE are less than 1.5 % of the irradi-
culations in clear sky and cloudy conditions. The study ance in the corresponding interval under clear skies and
is based on a pure modeling approach and is limited to may amount to 3 % in cloudy conditions. For spectral in-
the bands no. 3 to 26. tervals no. 19 [791, 844] nm to 26 [1613, 1965] nm and
In all cases, whatever the spectral band, the greatest in most case, the errors amount to less than 5 % of the
error is reached for clear sky conditions and decreases irradiance in the corresponding interval for both global
considerably as the extinction due to cloud increases. and direct radiation. The relative bias and RMSE show a
556 W. Wandji Nyamsi et al.: How close to detailed spectral calculations is the k-distribution method Meteorol. Z., 23, 2014

tendency to increase with wavelength for greater wave- Hess, M., P. Koepke, I. Schult, 1998: Optical Prop-
length intervals and may reach 8 % and 7 % for global erties of Aerosols and Clouds: The Software Package
and direct under clear skies respectively, and 11 % and OPAC. – Bull. Amer. Meteor. Soc. 79, 31–844, DOI:
15 % under cloudy skies. 10.1175/1520-0477(1998)079<0831:OPOAAC>2.0.CO;2.
Kato, S., T. Ackerman, J. Mather, E. Clothiaux,
The situation is not so good for the spectral intervals 1999: The k-distribution method and correlated-k ap-
no. 3 [283, 307] nm and 4 [307, 328] nm. The irradiance proximation for shortwave radiative transfer model. –
is underestimated by large – approximately −90 % and J. Quant Spectroscopy Radiative Transfer 62, 109–121 DOI:
−17 % in relative value – because the wavelength inter- 10.1016/S0022-4073(98)00075-2
val is large with respect to the absorption by ozone and Lefevre, M., A. Oumbe, P. Blanc, B. Espinar, B. Gschwind,
a single value of ozone cross section is not enough for Z. Qu, L. Wald, M. Schroedter-Homscheidt, C. Hoyer-
Klick, A. Arola, A. Benedetti, J.W. Kaiser, J.-J. Mor-
each interval. As a consequence, the approach is not di-
crette, 2013: McClear: a new model estimating downwelling
rectly useful for the ultraviolet radiation. solar radiation at ground level in clear-sky conditions. – AMT
The present study has practical implication as it pro- 6, 2403–2418, DOI:10.5194/amt-6-2403-2013.
vides an assessment of the errors made when using the k- Liou, K.-N., 2002: An Introduction to Atmospheric Radiation. –
distribution method and the correlated-k approximation Int. Geophysics Series, Academic Press 84, Second Edition,
proposed by Kato et al. (1999) instead of more detailed 583pp.
calculations that are more demanding in computational Mayer, B., A. Kylling, 2005: Technical note: The libRad-
tran software package for radiative transfer calculations-
resources. description and examples of use. – Atmos. Chem. Phys. 5,
1855–1877, DOI:10.5194/acp-5-1855-2005.
Acknowledgements Mayer, B., A. Kylling, C. Emde, U. Hamann, R. Buras,
2012: libRadtran user’s guide. Edition for libRadtran. – Avail-
The authors thank the teams developing libRadtran able at www.libradtran.org/doc/libRadtran.pdf.
(http://www.libradtran.org) and SMARTS. They also Michalsky, J.J., G.P. Anderson, J. Barnard, J. Delamere,
thank S. Kato for encouraging them to undertake the C. Gueymard, S. Kato, P. Kiedron, A. Mccomiskey, P. Ric-
study. This work was partly funded by the French chiazzi, 2006: Shortwave radiative closure studies from clear
Agency ADEME in charge of energy (grant no. skies during the Atmospheric Radiation Measurement 2003
Aerosol Intensive Observation Period. – J. Geophys. Res.
1105C0028, 2011–2016) and took place within the
111D, D14S90, DOI:10.1029/2005JD006341.
Task 46 “solar resource assessment and forecasting” of Molina, L.T., M.J. Molina, 1986: Absolute absorption
the Solar Heating and Cooling programme of the Inter- cross sections of zone in the 185- to 350 nm wave-
national Energy Agency length range. – J Geophys. Res 91, 14501–14508. DOI:
10.1029/JD091iD13p14501.
References Oumbe, A., P. Blanc, B. Gschwind, M. Lefevre, Z. Qu,
M. Schroedter-Homscheidt L. Wald, 2011: Solar ir-
ASTM, 2003: “Standard tables for reference solar spectral irra- radiance in clear atmosphere: study of parameterisations
diance at air mass 1.5: Direct normal and hemispherical for of change with altitude. – Adv. Sci. Res. 6, 199–203,
a 37 ° tilted surface,” Standard G173-03. – American Society DOI:10.5194/ASR-6-199-2011.
for Testing and Materials, West Conshohocken. Pierluissi, J.H., G.-S. Peng, 1985: New molecular transmis-
Fu, Q., K.-N. Liou, 1992: On the correlated k-distribution sion band models for LOWTRAN. – Optical Engineering 24,
method for radiative transfer in nonhomogeneous at- 541–547, DOI:10.1117/12.7973523.
mosphere. – J. Atmos. Sci. 49, 2139–2156, DOI: Shettle, E., 1989: Models of aerosols, clouds and precipitation
10.1175/1520-0469(1992)049<2139:OTCDMF>2.0.CO;2. for atmospheric propagation studies. – In: Atmospheric prop-
Gueymard, C., 1995: SMARTS2, Simple model of the atmo- agation in the UV, Visible, IR and MM-region and Related
spheric radiative transfer of sunshine: algorithms and per- system aspects, no. 454 in AGARD Conference Proceedings.
formance assessment. – Report FSEC-PF-270-95, Florida Stamnes, K., S.-C. Tsay, W. Wiscombe, I. Laszlo, 2000: DIS-
Solar Center, Cocoa, FL., USA, http://www.fsec.ucf.edu/en/ ORT, a general purpose Fortran program for discrete ordinate
publications/pdf/FSEC-PF-270-95.pdf method radiative transfer in scattering and emitting layered
Gueymard, C., 2004: The sun’s total and the spectral irradiance media: Documentation of methodology. – Tech. Rep., Dept.
for solar energy applications and solar radiations models. – of Physics and Engineering Physics, Stevens Institute of Tech-
Solar Energy 76, 423–452 DOI:10.1016/j.solener.2003.08.039 nology, Hoboken, NJ07030, USA.
Halthore, R.N., D. Crisp, S.E. Schwartz, G.P. Ander- Wang, P., W.H. Knap, P.K. Munneke, P. Stamnes, 2009:
son, A. Berk, B. Bonnel, O. Boucher, F.-L. Chang, Clear-sky shortwave radiative closure for the Cabauw Base-
M.-D. Chou, E.E. Clothiaux, P. Dubuisson, B. Fomin, line Surface Radiation Network site, Netherlands. – J. Geo-
Y. Fouquart, S. Freidenreich, C. Gautier, S. Kato, phys. Res. 114, D14206, DOI:10.1029/2009JD011978.
I. Laszlo, Z. Li, J.H. Mather, A. Plana-Fattori, V. Ra- West, R., R. Goody, L. Chen, D. Crisp, 2010: The correlated-
maswamy, P. Ricchiazzi, Y. Shiren, A. Trishchenko, k method and related methods for broadband radiation cal-
W. Wiscombe, 2005: Intercomparison of shortwave radiative culations. – J. Quant. Spectros. Radiative Transfer 111,
transfer codes and measurements. – J. Geophys. Res. 110, 1672–1673, DOI:10.1016/j.jqsrt.2010.01.013.
D11206. DOI:10.1029/2004JD005293.
 14th EMS Annual Meeting & 10th European Conference on Applied Climatology (ECAC)
Adv. Sci. Res., 12, 5–10, 2015
www.adv-sci-res.net/12/5/2015/
doi:10.5194/asr-12-5-2015
© Author(s) 2015. CC Attribution 3.0 License.

Estimating the photosynthetically active radiation under

clear skies by means of a new approach
W. Wandji Nyamsi, B. Espinar, P. Blanc, and L. Wald
MINES ParisTech, PSL Research University, O. I. E. – Centre Observation, Impacts, Energy,
Sophia Antipolis CEDEX, France
Correspondence to: W. Wandji Nyamsi (william.wandji@mines-paristech.fr)
Received: 2 December 2014 – Accepted: 26 January 2015 – Published: 18 February 2015

Abstract. The k-distribution method and the correlated-k approximation of Kato et al. (1999) is a computa-
tionally efficient approach originally designed for calculations of the broadband solar radiation by dividing the
solar spectrum in 32 specific spectral bands from 240 to 4606 nm. This paper describes a technique for an ac-
curate assessment of the photosynthetically active radiation (PAR) from 400 to 700 nm at ground level, under
clear-sky conditions using twelve of these spectral bands. It is validated against detailed spectral calculations
of the PAR made by the radiative transfer model libRadtran. For the direct and global PAR irradiance, the
bias is −0.4 W m−2 (−0.2 %) and −4 W m−2 (−1.3 %) and the root mean square error is 1.8 W m−2 (0.7 %)
and 4.5 W m−2 (1.5 %). For the direct and global Photosynthetic Photon Flux Density, the biases are of about
+10.3 µmol m−2 s−1 (+0.8 %) and 1.9 µmol m−2 s−1 (−0.1 %) respectively, and the root mean square error is
11.4 µmol m−2 s−1 (0.9 %) and 4.0 µmol m−2 s−1 (0.3 %). The correlation coefficient is greater than 0.99. This
technique provides much better results than two state-of-the-art empirical methods computing the daily mean of
PAR from the daily mean of broadband irradiance.

1 Introduction In situ measurements of PAR are rare in space and time.

This scarcity leads researchers and practitioners to calculate
Photosynthetically active radiation, abbreviated in PAR, is PAR from the global broadband solar irradiance by empirical
the solar radiation in the range [400, 700] nm that can be means. For example, Udo and Aro (1999) proposed a ratio
used by organisms via the process of photosynthesis. PAR is of 2.079 between the daily mean of G and the daily mean of
defined as the incident power per unit surface for this spec- QP :
tral interval and may be expressed in W m−2 . PAR is also a
QP = 2.079G (1)
measure of the photosynthetic photon flux density, abbrevi-
ated in PPFD and expressed in µmol m−2 s−1 , and is defined where the constant 2.079 is in µmol J−1 . Jacovides et
as the number of the incident photons per unit time per unit al. (2004) suggested a ratio of 1.919. These authors acknowl-
surface. Both units are linked by the widely used approxi- edge that the actual ratio depends on the sky conditions and
mation 1 W m−2 ≈ 4.57 µmol m−2 s−1 (McCree, 1972). PAR atmospheric properties.
is a portion of the total, also known as broadband, solar ir- Other approaches to PAR assessment and more generally
radiance. Whatever the spectral interval, the solar radiation to assessment of the solar radiation in any spectral inter-
available at ground level on a horizontal plane is called the val are atmospheric radiative transfer models (RTM). Be-
global radiation. The global is the sum of the direct compo- sides the difficulty in knowing all inputs requested by RTMs,
nent that comes from the direction of the sun and the diffuse their main disadvantage is the computational load because
component that comes from the rest of the sky vault. Let note many spectral calculations must be performed. Several meth-
respectively G, PG and QP , the global broadband irradiance, ods have been proposed to reduce the number of calcula-
the global PAR irradiance, and the global PPFD at ground tions. Among them, are the k-distribution method and the
level. correlated-k approximation proposed by Kato et al. (1999)

Published by Copernicus Publications.

6 W. Wandji Nyamsi et al.: Estimating the photosynthetically active radiation under clear skies

Table 1. KB covering and close to PAR spectral interval, selected sub-intervals δ λi , slopes and intercepts of the affine functions between the
clearness indices in KB and sub-intervals δ λi obtained from libRadtran simulations.

KB Interval 1 λ, Sub-interval δ λ, Global Direct normal

nm nm (#i) Slope ai Intercept bi Slope ci Intercept di
6 363–408 385–386 (#1) 0.9987 −0.0023 1.0030 −0.0032
7 408–452 430–431 (#2) 1.0026 −0.0004 0.9995 0.0013
8 452–518 484–485 (#3) 1.0034 0.0005 0.9979 0.0000
9 518–540 528–529 (#4) 0.9998 −0.0005 1.0008 −0.0013
10 540–550 545–546 (#5) 1.0001 0.0003 1.0003 −0.0003
11 550–567 558–559 (#6) 1.0004 0.0004 0.9997 0.0012
569–570 (#7) 0.9960 −0.0119 1.0024 −0.0100
12 567–605 586–587 (#8) 1.0123 0.0064 0.9929 0.0267
589–590 (#9) 0.9568 −0.0109 0.9804 −0.0434
602–603 (#10) 1.0150 0.0167 1.0051 0.0212
13 605–625 615–616 (#11) 1.0004 0.0009 0.9977 0.0033
625–626 (#12) 1.0104 −0.0174 1.0622 −0.0551
14 625–667 644–645 (#13) 1.0072 0.0029 0.9960 0.0154
656–657 (#14) 0.9915 0.0068 0.9698 0.0205
15 667–684 675–676 (#15) 1.0006 0.0007 0.9978 0.0036
685–686 (#16) 1.0473 0.0212 0.9681 0.1036
16 684–704 687–688 (#17) 0.9602 −0.0130 1.0041 −0.0531
694–695 (#18) 0.9828 −0.0153 1.0323 −0.0642
17 704–743 715–716 (#19) 1.0262 0.0121 0.9771 0.0596

whose approach is implemented in several RTMs. This ap-

Z700
proach was originally designed as a very efficient way to
speed up computations of G and its direct component by us- PB = Bλ dλ (4)
ing 32 specific spectral intervals across the solar spectrum 400
from 240 to 4606 nm. Hereafter, these spectral intervals are Z700
abbreviated in KB. This article deals with the assessment of 1
QPB = Bλ λdλ (5)
the PAR – irradiance and PPFD – using the irradiance of each hc
400
KB covering the PAR spectral range in clear sky conditions.
where Bλ is the direct normal spectral irradiance.
2 Problem statement The integral may be replaced by a Riemann sum using
very narrow spectral intervals or bands, hereafter abbrevi-
The global PAR irradiance PG is mathematically defined as: ated NB. Here, we chose δ λ = 1 nm, assuming that the op-
tical properties of the atmosphere do not change over 1 nm.
Z700 If λi denotes now the center wavelength of each NB of width
PG = Gλ dλ (2) δ λ, it comes:
400 300
X
where Gλ is the global spectral irradiance, λ the wavelength PG = Gδλi (6)
and the integration is made between 400 and 700 nm. The i=1
global PPFD QP is similarly defined as: 1 X300
QP = Gδλi λi . (7)
Z700 hc i=1
1
QP = Gλ λdλ (3)
hc Similar equations hold for PB and QPB .
400 The PAR spectral band [400, 700] nm is covered by 11 KB,
where h is the Planck’s constant and c the velocity of light. from #6 [363, 408] nm to #16 [684, 704] nm (Table 1).
The direct normal irradiance is the irradiance received on a Wandji Nyamsi et al. (2014) demonstrated that as a whole
plane always facing the sun rays with a normal incidence. Let the approach of Kato et al. (1999) offer accurate estimates of
note respectively B, PB , and QPB , the direct normal broad- the spectral irradiance in most of the 32 KB when compared
band irradiance, the direct normal PAR irradiance, and the to detailed spectral calculations in clear sky and cloudy con-
direct normal PPFD: ditions, and especially for the KB #6 to 16. It follows that the

Adv. Sci. Res., 12, 5–10, 2015 www.adv-sci-res.net/12/5/2015/

W. Wandji Nyamsi et al.: Estimating the photosynthetically active radiation under clear skies 7

PAR may be computed by a Riemann sum based on 11 KB Table 2. Ranges and distributions of values taken by the solar zenith
instead of 300 NBs. KB #6 and #16 are partly outside the angle, the ground albedo and the 7 variables describing the clear
PAR range. One solution is a weighted sum based on the atmosphere.
overlap between KBj and the PAR interval. The weight wj
Variable Value
of KBj may be defined as follows:
– Solar zenith angle θs – Uniform between 0 and 89 (degree)
wj = 1, if j is not 6 or 16 – Ground albedo ρg – Uniform between 0 and 0.9
– Total column content of ozone – Ozone content is: 300 × β + 200, in
w6 = (408 − 400)/(408 − 363) = 0.1778 Dobson unit. Beta distribution, with
A parameter = 2, and B parameter = 2,
w16 = (700 − 684)/(704 − 684) = 0.80 to compute β
– Total column content of water – Uniform between 0 and 70 (kg m−2 )
and vapor
– Elevation of the ground above – Equiprobable in the set: {0, 1, 2, 3}
16
X mean sea level (km)
PG = GKBj wj (8) – Atmospheric profiles (Air Force – Equiprobable in the set:
j =6 Geophysics Laboratory {“Midlatitude Summer”,
standards) “Midlatitude Winter”, “Subarctic
16 Summer”, “Subarctic Winter”,
1 X
QP = GKBj wj λKBj (9) “Tropical”, “US Standard”}
hc j =6 – Aerosol optical depth at 550 nm – Gamma distribution, with shape
parameter = 2, and scale
parameter = 0.13
where GKBj is the global irradiance for KBj and λKBj the – Angström coefficient – Normal distribution, with mean = 1.3
center wavelength of KBj . Similar equations hold for PB and and standard-deviation = 0.5
QPB . However, Wandji Nyamsi et al. (2014) reported a rel- – Aerosol type – Equiprobable in the set: {“urban”,
“rural”, “maritime”, “tropospheric”,
ative root mean square error less than 2 % between detailed “desert”, “continental”, “Antarctic”}
spectral calculations and the approach by Kato et al. (1999)
for each KB, from #6 to #16. Though small this error may
be decreased for the PAR by the technique proposed in this
300
article. X
PG = cos (θs ) Eoi KTi (12)
i=1
3 Description of the technique 300
cos (θs ) X
QP = Eo KTi λi . (13)
Actually, the bandwidth in several KB is larger than 30 nm hc i=1 i
and may be considered large for estimating PAR in an accu-
rate manner. The concept underlying the proposed technique Similar equations hold for PB and QPB . A set of 60 000 clear
is to determine several narrower spectral bands NB whose sky atmospheric states is built by the mean of Monte-Carlo
transmissivities are correlated to those of the KB and then technique that will be input to libRadtran. Table 2 reports
use these transmissivities in a linear interpolation process to the nine input variables selected with seven of them describ-
compute the PAR. This technique is elaborated and validated ing the clear sky atmosphere: θs , ground albedo, total column
by the means of the RTM libRadtran (Mayer and Kylling, content of water vapor and ozone, the vertical profile of tem-
2005). perature, pressure, density, and volume mixing ratio for gases
The clearness index KTi and the direct clearness index as a function of altitude, the aerosol optical depth at 550 nm,
KTBi – also called atmospheric transmissivity and direct at- Angström coefficient, and aerosol type, and the elevation of
mospheric transmissivity – are defined as follows: the ground above sea level. The random selection of inputs
takes into account the modelled marginal distribution estab-
Gδλi lished from observation proposed by Lefevre et al. (2013)
KTi = (10) and Oumbe et al. (2011). More precisely, the uniform distri-
Eoi cos (θs )
Bδλi bution is chosen as a model for marginal probability for all
KTBi = (11) parameters except aerosol optical thickness, Angstrom coef-
Eoi
ficient, and total column content of ozone. The chi-square
where θs is the solar zenithal angle; Eoi is the irradiance at law for aerosol optical thickness, the normal law for the
the top of atmosphere on a plane normal to the sun rays for Angstrom coefficient, and the beta law for total column con-
the ith NB. Several solar spectra Eoi have been published. tent of ozone have been selected. The selection of these para-
That of Gueymard (2004) is available in libRadtran and has metric probability density functions and their corresponding
been used here. By introducing the clearness index in Eqs. (6) parameters have been empirically determined from the anal-
and (7), it comes: yses of the observations made in the AERONET network for
aerosol properties and from meteorological satellite-based
ozone products (Lefevre et al., 2013).

www.adv-sci-res.net/12/5/2015/ Adv. Sci. Res., 12, 5–10, 2015

8 W. Wandji Nyamsi et al.: Estimating the photosynthetically active radiation under clear skies

Several plots were made superimposing KTKB and KTi

obtained every nm for the interval [363, 743] nm. A visual
inspection of the differences between KTKB and KTi helps
in establishing a set of selected NB, taking into account that
the number of these sub-intervals should be as small as pos-
sible but still retaining a high accuracy when using a linear
interpolation between the sub-intervals to compute the PAR,
as explained later. Table 1 reports the 12 KB and the 19 sub-
intervals NB. The KB #17 is necessary to obtain NBs en-
closing the PAR interval. All KBs contain one NB, except
KB #12, 14 and 16, where 4, 3 and 3 NBs were found re-
spectively. These bands exhibit strong variations of KTi that
cannot be accounted for with a single NB.
In each selected NB, an affine function is determined by
least-square fitting technique:

KTi = ai KTKBj + bi (14)

KTBi = ci KTBKBj + di . (15)

Table 1 also reports the slope and intercept for the global
and direct clearness indices for each selected NB. This set
of affine functions is established once for all. For any atmo-
spheric state, given the twelve values of KTKBj and KTBKBj ,
the nineteen KTi and KTBi are computed for each corre-
sponding NB using the affine functions. Then, KT and KTB
are computed for each nm between 400 and 700 nm using
a linear interpolation with KTi and KTBi as nodes. Finally,
Eqs. (12)–(13) provide PG and QP . A similar process yields
the direct normal PAR: PB and QPB .

4 Numerical validation
Figure 1. Synthesis of the performance of the proposed technique.
A comparison of the results of the proposed technique
against the results from the detailed spectral calculations
made by libRadtran considered as a reference is performed
to assess the performances of the proposed technique for PG , 11.4 µmol m−2 s−1 (0.9 %). For the global, the bias for PAR
QP , PB and QPB . Then, these performances are compared irradiance, respectively PPFD, is −4.0 W m−2 , i.e. −1.3 %
to those obtained for QP by the methods proposed by Jaco- in relative value, and 1.9 µmol m−2 s−1 , i.e. −0.1 % in rela-
vides et al. (2004), Udo and Aro (1999) and the weighted tive value. The RMSE is respectively 4.5 W m−2 (1.5 %) and
sum (Eq. 9). Another sample of 15 000 atmospheric states 4.0 µmol m−2 s−1 (0.3 %). The coefficient of determination
has been constructed and used for validation. R 2 is greater than 0.99. These figures prove the good level of
performance of the proposed technique.
4.1 Performance of the proposed technique
Deviations: estimates minus reference, are computed for 4.2 Comparison with other methods
each state of the validation sample for PG , QP , PB and
QPB . They are synthesized by the bias, the root mean square Figure 2 exhibits the statistical indicators for QP obtained by
error (RMSE) and the correlation coefficient. The relative the methods of Jacovides et al. (2004), Udo and Aro (1999),
bias and RMSE are computed relative to the mean value weighted sum and the proposed technique. The method of
of the reference. Figure 1 exhibits these statistical param- Jacovides et al. underestimates the PAR by −7.4 %; the rela-
eters for the global and direct normal PAR irradiance and tive RMSE is 9.6 %. The method of Udo and Aro shows bet-
PPFD. For the direct component, the bias for PAR irradi- ter results with a relative bias of 0.3 % and a relative RMSE
ance, respectively PPFD, is −0.4 W m−2 , i.e. −0.2 % in rel- of 4.7 %. The weighted sum exhibits very low relative bias:
ative value, and +10.3 µmol m−2 s−1 , i.e. +0.8 % in rela- −0.2 %, and relative RMSE: 0.3 %. The proposed technique
tive value. The RMSE is respectively 1.8 W m−2 (0.7 %) and shows also a very good agreement with a relative bias of

Adv. Sci. Res., 12, 5–10, 2015 www.adv-sci-res.net/12/5/2015/

W. Wandji Nyamsi et al.: Estimating the photosynthetically active radiation under clear skies 9

shown that the proposed technique provides better results

than two state-of-the-art empirical methods estimating the
global PPFD from the global irradiance (Jacovides et al.,
2004; Udo and Aro, 1999).
The proposed technique is very useful for the operational
estimation of PAR when computational load and great accu-
racy in PAR are major issues. In addition, this technique may
be extended to be able to accurately estimate other spectral
quantities taking into account spectral absorption of photo-
synthetic pigments found in plants and algae such as chloro-
phyll, carotenoids. The authors are aware of the heuristic
way used for selecting the specific NBs for each KB in their
work. Other ways are possible. For example, one may think
of using the variance between KTKB and all KTi within a
Figure 2. Performance of different methods: Jacovides et given KB to determine automatically the need for more than
al. (2004); Udo and Aro (1999), weighted sum and the proposed one sub-interval. The greater the number of sub-intervals, the
technique. higher the accuracy in PAR computation at the expense of a
greater number of affine functions.
−0.1 % and relative RMSE of 0.3 % and offers the same re-
sults than the weighted sum. Acknowledgements. The research leading to these results has
There are two causes for this similarity. The first cause is received funding from the ADEME, research grant No. 1105C0028.
that all KB contain one δ λi , except KB #12, 14 and 16. For
these bands, variations of KTi with λi are very small. If it Edited by: S.-E. Gryning
were the case for all KB, from #6 to #17, the proposed tech- Reviewed by: two anonymous referees
nique and the weighted sum would agree and provide similar
results. But small discrepancies happen between both tech-
niques due to the bands KB #12, 14 and 16, which are sub- References
divided by respectively 4, 3 and 3 δ λi . However, the contri-
bution of these bands to the PAR outside the atmosphere is Gueymard, C.: The sun’s total and the spectral irradiance for solar
only 25 % approximately. As a consequence, these small dis- energy applications and solar radiations models, Solar Energy,
76, 423–452, 2004.
crepancies have a small influence on the final result. Both the
Jacovides, C. P., Timvios, F. S., Papaioannou, G., Asimakopoulos,
weighted sum and the proposed technique exhibit better per- D. N., and Theofilou, C. M.: Ratio of PAR to broadband solar
formances than the empirical method because both take into radiation measured in Cyprus, Agr. Forest. Meteorol., 121, 135–
account the actual atmospheric effects by the means of the 140, 2004.
Kato et al. approach. Kato, S., Ackerman, T., Mather, J., and Clothiaux, E.: The k-
distribution method and correlated-k approximation for short-
wave radiative transfer model, J. Quant. Spectrosc. Ra., 62, 109–
5 Conclusions
121, 1999.
Lefèvre, M., Oumbe, A., Blanc, P., Espinar, B., Gschwind, B.,
The k-distribution method and the correlated-k approxima- Qu, Z., Wald, L., Schroedter-Homscheidt, M., Hoyer-Klick, C.,
tion of Kato et al. (1999) is a computationally efficient ap- Arola, A., Benedetti, A., Kaiser, J. W., and Morcrette, J.-J.: Mc-
proach originally designed for calculations of the broadband Clear: a new model estimating downwelling solar radiation at
solar radiation at ground level by dividing the solar spec- ground level in clear-sky conditions, Atmos. Meas. Tech., 6,
trum in 32 specific spectral bands from 240 to 4606 nm. 2403–2418, doi:10.5194/amt-6-2403-2013, 2013.
This paper describes a technique for an accurate assess- Mayer, B. and Kylling, A.: Technical note: The libRadtran soft-
ment of the PAR under clear-sky conditions using the irra- ware package for radiative transfer calculations – description
diance estimated in twelve of these spectral bands. The val- and examples of use, Atmos. Chem. Phys., 5, 1855–1877,
idation against numerical simulation exhibits very good per- doi:10.5194/acp-5-1855-2005, 2005.
McCree, K. J.: Test of current definitions of photosynthetically ac-
formances. For the direct and global PAR irradiance, the bias
tive radiation against leaf photosynthesis data, Agric. Meteorol.,
is −0.4 W m−2 (−0.2 %) and −4 W m−2 (−1.3 %) and the
10, 443–453, 1972.
RMSE is 1.8 W m−2 (0.7 %) and 4.5 W m−2 (1.5 %). For the Oumbe, A., Blanc, P., Gschwind, B., Lefevre, M., Qu, Z.,
direct and global PPFD, the bias of is +10.3 µmol m−2 s−1 Schroedter-Homscheidt, M., and Wald, L.: Solar irradiance in
(+0.8 %) and 1.9 µmol m−2 s−1 (−0.1 %) and the RMSE clear atmosphere: study of parameterisations of change with alti-
is 11.4 µmol m−2 s−1 (0.9 %) and 4.0 µmol m−2 s−1 (0.3 %). tude, Adv. Sci. Res., 6, 199–203, doi:10.5194/ASR-6-199-2011,
The correlation coefficient is greater than 0.99. It is also 2011.

www.adv-sci-res.net/12/5/2015/ Adv. Sci. Res., 12, 5–10, 2015

10 W. Wandji Nyamsi et al.: Estimating the photosynthetically active radiation under clear skies

Udo, S. O. and Aro, T. O.: Global PAR related to global solar radia- Wandji Nyamsi, W., Espinar, B., Blanc, P., and Wald, L.: How
tion for central Nigeria, Agr. Forest. Meteorol, 97, 21–31, 1999. close to detailed spectral calculations is the k-distribution
method and correlated-k approximation of Kato et al. (1999)
in each spectral interval?, Meteorol. Z., 23, 547–556,
doi:10.1127/metz/2014/0607, 2014.

Adv. Sci. Res., 12, 5–10, 2015 www.adv-sci-res.net/12/5/2015/

Atmos. Chem. Phys., 15, 7449–7456, 2015
www.atmos-chem-phys.net/15/7449/2015/
doi:10.5194/acp-15-7449-2015
© Author(s) 2015. CC Attribution 3.0 License.

Technical Note: A novel parameterization of the transmissivity due

to ozone absorption in the k-distribution method and correlated-k
approximation of Kato et al. (1999) over the UV band
W. Wandji Nyamsi1 , A. Arola2 , P. Blanc1 , A. V. Lindfors2 , V. Cesnulyte2,3 , M. R. A. Pitkänen2,3 , and L. Wald1
1 MINES ParisTech, PSL Research University, O.I.E., Centre Observation, Impacts, Energy, Sophia Antipolis, France
2 FinnishMeteorological Institute, Kuopio, Finland
3 Department of Applied Physics, University of Eastern Finland, Kuopio, Finland

Correspondence to: W. Wandji Nyamsi (william.wandji@mines-paristech.fr)

Received: 21 October 2014 – Published in Atmos. Chem. Phys. Discuss.: 13 January 2015
Revised: 21 June 2015 – Accepted: 23 June 2015 – Published: 09 July 2015

Abstract. The k-distribution method and the correlated-k ap- section changes by more than 2 orders of magnitude over
proximation of Kato et al. (1999) is a computationally ef- the UV band [280, 400] nm. The best estimate of the UV ir-
ficient approach originally designed for calculations of the radiance is made by a spectrally resolved calculation of the
broadband solar radiation at ground level by dividing the radiative transfer for each wavelength followed by integra-
solar spectrum in 32 specific spectral bands from 240 to tion over the UV band. However, such spectrally detailed cal-
4606 nm. Compared to a spectrally resolved computation, its culations are computationally expensive. Therefore, several
performance in the UV band appears to be inaccurate, espe- methods have been proposed to reduce the number of calcu-
cially in the spectral intervals #3 [283, 307] nm and #4 [307, lations. Among them are the k-distribution method and the
328] nm because of inaccuracy in modeling the transmissiv- correlated-k approximation proposed by Kato et al. (1999).
ity due to ozone absorption. Numerical simulations presented It is originally designed for providing a good estimate of the
in this paper indicate that a single effective ozone cross sec- total surface solar irradiance by using 32 specific spectral in-
tion is insufficient to accurately represent the transmissivity tervals across the solar spectrum from 240 to 4606 nm. Here-
over each spectral interval. A novel parameterization of the after, these spectral intervals are abbreviated as KBs (Kato
transmissivity using more quadrature points yields maximum bands). The Kato et al. method is implemented in several
errors of respectively 0.0006 and 0.0143 for intervals #3 and RTMs and is a very efficient way to speed up computations
#4. How to practically implement this new parameterization of the total surface solar irradiance. Its performance over the
in a radiative transfer model is discussed for the case of li- UV band is not very accurate when compared to detailed
bRadtran (library for radiative transfer). The new parameter- spectral calculations made with libRadtran (library for radia-
ization considerably improves the accuracy of the retrieval of tive transfer; Mayer et al., 2005) or SMARTS (Simple Model
irradiances in UV bands. of the Atmospheric Radiative Transfer of Sunshine; Guey-
mard, 1995).
For a spectral interval 1λ where λ is the wavelength, let
I01λ and I1λ denote respectively the irradiance on a hori-
1 Introduction zontal plane at the top of atmosphere and at the surface; the
spectral clearness index KT1λ , also known as spectral global
Radiative transfer models (RTMs) are often used to provide transmissivity of the atmosphere, spectral atmospheric trans-
estimates of the UV irradiance. One of the difficulties in mittance, or spectral atmospheric transmission, is defined as
the computation lies in taking into account the gaseous ab-
sorption cross sections that are highly wavelength dependent I1λ
(Molina and Molina, 1986). For instance, the ozone cross KT1λ = . (1)
I01λ

Published by Copernicus Publications on behalf of the European Geosciences Union.

7450 W. Wandji Nyamsi et al.: Technical Note: A novel parameterization of transmissivity

Wandji Nyamsi et al. (2014) compared KT1λ obtained by

the correlated-k approach against that obtained by spectrally n
resolved computations using libRadtran and SMARTS, both
X
n
To31λ = ai e−ki u/µ0 , (3)
for clear-sky and cloudy conditions for a set of realistic at- i=1
mospheric and cloud coverage states and for each KB. They
found that the Kato et al. method underestimates transmis- where ki are the effective ozone cross sections and ai are the
n
sivity in KBs #3 [283, 307] nm and #4 [307, 328] nm – cov- weighting coefficients obeying
P
ai = 1.
ering the UV range by respectively −93 and −16 % in rel- i=1
ative value – and exhibits relative root mean square errors In the Kato et al. method, only one exponential function
(RMSEs) of 123 and 17 % in clear-sky conditions. Similar (n = 1) is used for each KB to estimate the average transmis-
relative errors are observed for cloudy conditions. sivity To3KB :
The underestimation for these two bands can be explained −kKB µu
by the fact that Kato et al. (1999) assume that the ozone To3KB = e 0 . (4)
cross section at the center wavelength in each interval repre-
sents the absorption over the whole interval. The ozone cross Kato et al. (1999) have chosen the ozone cross section at the
sections were taken from WMO (1985). Actually, the ozone central wavelength for KB #3 and KB #4 for a temperature of
cross section is strongly dependent on the wavelength in the 203 K: kKB3 = 5.84965 × 10−19 cm2 and kKB4 = 4.32825 ×
UV region (Molina and Molina, 1986). Both KBs #3 and #4 10−20 cm2 .
in the UV range are large for considering only a single value
of the ozone cross section. 3 Effective ozone cross section
In order to improve the potential of the Kato et al. method
for estimating narrowband UV irradiances, in particular for Is there a single effective ozone cross section that may rep-
the KBs #3 and #4, a new parameterization is proposed for resent the absorption over the whole interval? If so, this ef-
the transmissivity due to the sole ozone absorption. Then, for fective cross section keff is determined for each KB from the
each spectral interval, an assessment of the performance of combination of Eqs. (2) and (3) with n = 1:
the new parameterization in representing this transmissivity Z
is made for a wide range of realistic cases against detailed −keff µu 1 −k u
To3eff = e 0 = I0λ e λ µ0 dλ. (5)
spectral calculations. A short section describes how to imple- I01λ
ment this parameterization in the practical case of the RTM 1λ
libRadtran 1.7. Finally, in each KB, the performance of the This equation may be rewritten
new parameterization is assessed when the direct normal, up-
Z
ward, downward, and global irradiances at different altitudes u 1 −k u
keff = − ln I0λ e λ µ0 dλ. (6)
are computed. µ0 I01λ
1λ

2 Transmissivity due to ozone absorption Several simulations are made to study this hypothesis. The
ozone cross sections are those from Molina and Molina
The average transmissivity To31λ due to the sole ozone ab- (1986) at 226, 263 and 298 K, and the top-of-atmosphere so-
sorption for 1λ can be defined by Eq. (2). lar spectrum of Gueymard (2004) is used. The ozone cross
u
sections at 203 K are obtained by linear extrapolation for
−k
I0λ e λ µ0 dλ
R
each wavelength (Fig. 1). Samples of 10 000 pairs (µ0 , u)
To31λ =
1λ
R , (2) were generated by a Monte Carlo technique. The random se-
I0λ dλ lection of the solar zenith angles follows a uniform distribu-
1λ tion in [0◦ , 80◦ ]. Similarly to what was done by Lefèvre et
where Ioλ is the spectral irradiance at the top of the atmo- al. (2013) and Oumbe et al. (2014), u is computed in Dobson
sphere on a horizontal plane, kλ the ozone cross section at λ, units as
u the amount of ozone in the atmospheric column and µ0 the
u = 300β + 100, (7)
cosine of the solar zenith angle.
A technique widely used for computing To31λ is based on where β follows the beta distribution with A parameter = 2,
a discrete sum of selected exponential functions (Wiscombe and B parameter = 2.
and Evans, 1977): The 10 000 simulations yield a set X of ( µu0 ) and a set Y
1 −k u
I0λ e λ µ0 dλ; Eq. (6) is then
R
of values − ln I01λ
1λ

keff X = Y, (8)

Atmos. Chem. Phys., 15, 7449–7456, 2015 www.atmos-chem-phys.net/15/7449/2015/

W. Wandji Nyamsi et al.: Technical Note: A novel parameterization of transmissivity 7451

Figure 1. Ozone cross sections at 203 K as a function of the wave-

length.

and keff can be found by least-square fitting technique. For

KBs #3 and #4, the values obtained are respectively keff3 =
2.29 × 10−19 cm2 and keff4 = 2.65 × 10−20 cm2 . The average
transmissivity To3eff with the effective ozone cross section is
then computed with Eq. (5).
Estimated transmissivities To3KB and To3eff computed with
Eq. (4) and Eq. (5) using a second set of 10 000 pairs (µ0 , u)
randomly selected are compared to the reference transmis-
sivity To31λ computed with Eq. (2) for each KB (Fig. 2).
In KB #3, To3KB (red line) strongly underestimates To31λ ,
meaning that the single ozone cross section adopted by Kato
et al. is too large. On the contrary, To3eff (blue line) exhibits a
large overestimation, meaning that the efficient ozone cross
section keff is too low. That may be explained by the fact
that the solar radiation at the short wavelengths is completely Figure 2. Scatterplot between average transmissivity To31λ and the
absorbed and therefore becomes somewhat unimportant for estimated To3KB (red line) and To3eff (blue line) for (a) KB #3 [283,
the effective ozone cross sections. In this interval, the ozone 307] nm and (b) KB #4 [307, 328] nm. The identity line is in green.
cross section is strongly variable as shown in Fig. 1. Since
keff is the optimal value reducing as much as possible the
discrepancy between To3eff and To31λ , it may be concluded 4 New parameterization
that a single effective ozone cross section may not accurately
represent the absorption over the whole KB #3. The new parameterization To3new for computing To31λ con-
In KB #4, To3KB (red line) noticeably underestimates sists in using Eq. (3) with n greater than 1 but as small as
To31λ , meaning that the single ozone cross section adopted possible to decrease the number of calculations while retain-
by Kato et al. is too large. To3eff is closer to To31λ though ing a sufficient accuracy. n can be seen as the number of
it exhibits underestimation when To31λ <0.47 and overesti- sub-intervals δλi included in 1λ for which effective ozone
mation when To31λ >0.47. Like previously stated, it may be cross section and weighting coefficients can be defined. The
concluded that a single effective ozone cross section may not greater the n, the greater the number of calculations, the more
accurately represent the absorption over the whole KB #4. accurate the modeling of To31λ .
Many solutions are possible. No systematic scan of possi-
ble solutions in n, weight ai and δλi was made. This could
be a further work that is computationally expensive and that
requires setting up a protocol for selection of the best trade-
off between accuracy and number of calculations. Here, a

www.atmos-chem-phys.net/15/7449/2015/ Atmos. Chem. Phys., 15, 7449–7456, 2015

7452 W. Wandji Nyamsi et al.: Technical Note: A novel parameterization of transmissivity

Table 1. Sub-intervals, effective ozone absorption coefficient and

weight in each wavelength interval for computing To3new .

Interval Sub-interval Effective ozone cross Weight

1λ, nm δλi , nm section ki (10−19 cm2 ) ai
KB #3 283–307 283–292 11.360 0.250
292–294 8.551 0.250
294–301 3.877 0.250
301–307 1.775 0.250
KB #4 307–328 307–311 0.938 0.250
311–321 0.350 0.250
321–323 0.153 0.250
323–328 0.076 0.250

cross section ki , and weight ai for computing To3new . The ad-

vantage is that such parameterization is defined once for all.
To assess the performance of this new parameterization,
reference transmissivity To31λ and estimated transmissivity
To3new are computed, with respectively Eq. (2) and Eq. (9)
using a fourth set of 10 000 pairs (µ0 , u) randomly selected,
and compared to each other for each KB (Fig. 3). In this val-
idation step, the random selection of the solar zenith angles
follows a uniform distribution in [0◦ , 89◦ ]. Statistical indica-
tors are given in Table 2 for each KB. In general, for both
KBs, the squared correlation coefficient is greater than 0.99
with very low scattering. To3KB (red line) is also reported in
Fig. 3. The difference between To3KB and To3new is striking. In
each KB, To3new is almost equal to To31λ in all cases. While
the mean value for To31λ is respectively 0.0287 for KB #3
and 0.5877 for KB #4 for this data set, the maximum error
in absolute value in transmissivity is respectively 0.0006 and
0.0143.

Figure 3. Scatterplot between average transmissivity To31λ and the 5 Practical implementation in radiative transfer
estimated To3KB (red line) and To3new (blue line) for (a) KB #3 [283, model: the case of libRadtran 1.7
307] nm and (b) KB #4 [307, 328] nm. The identity line is in green.
The file o3.dat in libRadtran 1.7 depicts ozone absorption.
In the corresponding file, a header of seven lines describes
few tests were made with n ranging from 2 to 5. The best the meanings of the following three columns. The first col-
trade-off was found at n = 4. A further study was performed umn contains the number of the spectral interval: KBs #1–32.
for n = 4 by adopting equal weights for the sub-intervals for The second column gives the number of quadrature points
both KBs #3 and #4: in each KB; the value is 1 in UV bands. The third column
4
can be either the value of the single ozone cross section in
each wavelength interval expressed in centimeters squared
X
To3new = 0.25e−ki u/µ0 , (9)
i=1 or −1 when the number of quadrature points is greater
than one. In this last case, libRadtran refers to NetCDF file
where ki is the effective ozone cross section for each of the cross_section.table._O3.noKB.cdf – where noKB is the num-
four sub-intervals. This proposed solution is of empirical ber of the KB – which contains the weight, the effective
nature. Using a third set of 10 000 randomly selected pairs ozone cross section dependent of temperature and pressure.
(µ0 , u), from which To31λ is computed (Eq. 2), the optimal Including the new parameterization needs two actions.
sets of four ki and four sub-intervals δλi minimizing the dis- Firstly, for KB #3 and KB #4, set the second column
crepancy between To31λ and To3new are obtained by using the to 4 and the third column to −1. Secondly, create two
algorithm of Levenberg–Marquardt. Table 1 gives for each NetCDF files named cross_section.table._O3.03.cdf and
KB, the sub-intervals and their corresponding effective ozone cross_section.table._O3.04.cdf containing for each interval

Atmos. Chem. Phys., 15, 7449–7456, 2015 www.atmos-chem-phys.net/15/7449/2015/

W. Wandji Nyamsi et al.: Technical Note: A novel parameterization of transmissivity 7453

Table 2. Statistical indicators obtained by using the new parameterization for computing the transmissivity due to the sole ozone absorption
in each Kato band. No. is the number of KB, R 2 is the squared correlation coefficient, mean is the mean value of the reference average
transmissivity, ε is the maximum error.

No. Mean Bias RMSE rBias (%) rRMSE (%) R2 ε

KB #3 0.0287 −0.0004 0.0004 −1.32 1.49 0.999 0.0006
KB #4 0.5877 −0.0005 0.0030 −0.08 0.52 0.999 0.0143

Figure 4. Mean irradiances (left vertical axis), biases and RMSEs (right vertical axis) at different altitudes in KB #3 and KB #4 for (a) direct
normal, (b) downward, (c) upward and (d) global irradiance.

their corresponding weight and effective cross sections given calculations and the second with the new parameterization.
in Table 1. The RTM libRadtran provides irradiance components that
are called “direct normal”, which is the irradiance received
from the direction of the sun in a plane normal to the sun
6 Performance of the new parameterization in rays; “downward”, which is the diffuse irradiance; “upward”,
calculating irradiances in KBs #3 and #4 in clear-sky which is the upwelling irradiance; and “global”, which is the
conditions sum of the diffuse and direct irradiances, the latter being pro-
jected on a horizontal plane. Each run of libRadtran produces
This section presents the errors made by using the new pa- a set of these components at various altitudes above ground
rameterization in calculating irradiances in KBs #3 and #4. level, from 0 to 50 km, and the deviations between the irra-
To that extent, a set of 10 000 atmospheric states have been diances produced by each run, new parameterization minus
randomly built following the marginal distribution variables detailed spectral calculations, are computed.
described in Table 2 of Wandji Nyamsi et al. (2014), ex- The deviations are summarized by the bias, RMSE and
cept for the solar zenith angle varying uniformly between 0 the correlation coefficient for each altitude and in each KB
and 89◦ . Each atmospheric state is input to libRadtran which (Tables 3, 4). The biases and RMSE at each altitude are sum-
is run twice for KBs #3 and #4: one with detailed spectral marized in Fig. 4 for both KBs. The squared correlation co-

www.atmos-chem-phys.net/15/7449/2015/ Atmos. Chem. Phys., 15, 7449–7456, 2015

7454 W. Wandji Nyamsi et al.: Technical Note: A novel parameterization of transmissivity

Table 3. Statistical indicators of the performances of the new parameterization for computing the irradiances in Kato band #3 at different
altitudes above ground level. Mean is the mean irradiance obtained from the detailed spectral calculations considered as reference.

KB #3
Altitude (km) Direct normal irradiance (W m−2 ) Downward irradiance (W m−2 )
Mean Bias RMSE R2 Mean Bias RMSE R2
0 0.059 −0.008 0.011 0.999 0.108 0.002 0.007 0.999
5 0.170 −0.009 0.013 0.999 0.077 0.007 0.011 0.999
10 0.280 −0.004 0.007 0.999 0.049 0.006 0.008 0.999
15 0.454 0.005 0.010 0.999 0.034 0.004 0.006 0.999
20 0.859 0.025 0.034 0.999 0.034 0.004 0.005 0.999
25 1.784 0.094 0.121 0.999 0.041 0.005 0.007 0.999
30 3.406 0.262 0.301 0.999 0.039 0.005 0.007 0.999
35 5.832 0.453 0.476 0.999 0.015 0.002 0.002 0.996
40 8.436 0.408 0.433 0.998 0.012 0.001 0.001 0.992
50 11.024 0.072 0.178 0.998 0.005 0.000 0.000 0.999
Altitude (km) Upward irradiance (W m−2 ) Global irradiance (W m−2 )
Mean Bias RMSE R2 Mean Bias RMSE R2
0 0.086 −0.002 0.004 0.999 0.162 −0.004 0.008 0.999
5 0.097 0.002 0.005 0.999 0.228 0.000 0.005 0.999
10 0.095 0.004 0.007 0.999 0.293 0.003 0.007 0.999
15 0.079 0.004 0.007 0.999 0.423 0.009 0.014 0.999
20 0.057 0.003 0.005 0.999 0.753 0.025 0.035 0.999
25 0.042 0.003 0.004 0.999 1.484 0.083 0.113 0.999
30 0.040 0.004 0.005 0.999 2.692 0.212 0.263 0.999
35 0.043 0.005 0.005 0.999 4.354 0.327 0.373 0.999
40 0.044 0.005 0.006 0.999 5.980 0.246 0.271 0.999
50 0.049 0.006 0.006 0.999 7.287 0.010 0.034 0.999

efficient is greater than 0.999, in most cases with a minimum The downward irradiance decreases with altitude. The bias
at 0.992. This demonstrates that the new parameterization re- is positive in both KBs #3 and #4. It is fairly constant with
produces well the changes in irradiance in all cases. altitude in KB #3, fluctuating between 0 and 0.007 W m−2
The direct normal irradiance increases with altitude and (9 %). The bias in KB #4 decreases with altitude, from a max-
exhibits negative and positive biases in both KBs #3 and imum of 0.108 W m−2 (5 %, 5 km) down to 0.000 W m−2
#4. The bias varies as a function of the altitude. In KB at altitude of 50 km. In both KBs, the RMSE tends to
#3 it reaches a minimum of −0.009 W m−2 (−5 % of the decrease with altitude, from a maximum of 0.011 W m−2
mean irradiance) at altitude of 5 km, increases with altitude (14 %, 5 km), respectively 0.119 W m−2 (6 %, 5 km), down
up to a maximum of 0.453 W m−2 (8 %) at 35 km and sud- to 0 W m−2 at altitude of 50 km.
denly decreases. The RMSE follows a slightly different pat- The upward irradiance is fairly constant with altitude in
tern, it decreases from 0.011 W m−2 (18 % of the mean ir- both KBs #3 and #4. The bias and the RMSE are fairly
radiance) at the surface down to a minimum 0.007 W m−2 constant with altitude in KB #3, fluctuating respectively
(3 %) at altitude of 10 km, then increases with altitude till between −0.002 W m−2 (−2 %, 0 km) and 0.006 W m−2
a maximum of 0.476 W m−2 (8 %) at 35 km and suddenly (12 %, 50 km), and between 0.004 W m−2 (5 %, 0 km) and
decreases. The bias and RMSE in KB #4 are less depen- 0.007 W m−2 (9 %, 15 km). The bias and RMSE in KB #4
dent on altitude. The bias is slightly negative at ground level, increase with altitude. The minimum and maximum are re-
−0.043 W m−2 (−3 %), then increases with altitude till a spectively 0.035 W m−2 (1 %, 0 km) and 0.141 W m−2 (6 %,
maximum of 0.097 W m−2 (1 %) at 20 km and gently de- 50 km), and 0.006 W m−2 (3 %, 0 km) and 0.155 W m−2
creases down to −0.105 W m−2 (−1 % of the mean irradi- (6 %, 50 km).
ance). The RMSE is fairly constant and ranges between a The global irradiance increases with altitude and exhibits
minimum of 0.039 W m−2 (1 %, 5 km) and a maximum of negative and positive biases in both KBs #3 and #4. The bias
0.132 W m−2 (1 %, 25 km). varies as a function of the altitude. In KB #3, similarly to the
case of the direct normal irradiance, the bias exhibits a mini-

Atmos. Chem. Phys., 15, 7449–7456, 2015 www.atmos-chem-phys.net/15/7449/2015/

W. Wandji Nyamsi et al.: Technical Note: A novel parameterization of transmissivity 7455

Table 4. Statistical indicators of the performances of the new parameterization for computing the irradiances in Kato band #4 at different
altitudes above ground level. Mean is the mean irradiance obtained from the detailed spectral calculations considered as reference.

KB #4
Altitude (km) Direct normal irradiance (W m−2 ) Downward irradiance (W m−2 )
Mean Bias RMSE R2 Mean Bias RMSE R2
0 1.694 −0.043 0.050 0.999 3.105 0.088 0.111 0.999
5 4.395 −0.029 0.039 0.999 2.180 0.108 0.119 0.999
10 6.373 0.028 0.048 0.999 1.346 0.078 0.084 0.999
15 8.066 0.077 0.095 0.999 0.775 0.047 0.049 0.999
20 9.711 0.097 0.125 0.999 0.473 0.025 0.027 0.999
25 11.491 0.084 0.132 0.999 0.301 0.012 0.014 0.999
30 13.119 0.049 0.127 0.999 0.166 0.005 0.006 0.999
35 14.451 −0.002 0.117 0.999 0.042 0.002 0.002 0.999
40 15.121 −0.058 0.097 0.999 0.022 0.001 0.001 0.999
50 15.527 −0.105 0.106 0.999 0.007 0.000 0.000 0.999
Altitude (km) Upward irradiance (W m−2 ) Global irradiance (W m−2 )
Mean Bias RMSE R2 Mean Bias RMSE R2
0 2.448 0.035 0.060 0.999 4.547 0.055 0.079 0.999
5 2.921 0.074 0.090 0.999 5.722 0.091 0.105 0.999
10 3.136 0.094 0.107 0.999 6.290 0.100 0.111 0.999
15 3.121 0.106 0.118 0.999 6.838 0.094 0.105 0.999
20 2.955 0.115 0.126 0.999 7.565 0.076 0.089 0.999
25 2.763 0.124 0.135 0.999 8.434 0.045 0.064 0.999
30 2.644 0.130 0.142 0.999 9.163 0.010 0.042 0.999
35 2.585 0.135 0.148 0.999 9.653 −0.025 0.044 0.999
40 2.554 0.139 0.152 0.999 9.906 −0.052 0.062 0.999
50 2.543 0.141 0.155 0.999 10.037 −0.070 0.078 0.999

mum of −0.004 W m−2 (−3 %) at the surface, then increases eterization improves considerably the irradiances estimated
with altitude up to 0.327 W m−2 (8 %) at 35 km and suddenly in KB #3 and KB #4.
decreases down to 0.010 W m−2 (0 %) at 50 km. The RMSE
follows a similar trend, with a minimum of 0.005 W m−2
(2 %) at altitude of 5 km, then increases up to 0.373 W m−2 7 Conclusions
(9 %) at 35 km and suddenly decreases down to 0.034 W m−2
(1 %) at 50 km. The situation is different in KB #4 where the The present paper has shown the inadequacy of parameteri-
bias and RMSE are less dependent with altitude. The bias is zation of the transmissivity due to the sole ozone absorption
small and fluctuates between a minimum of −0.070 W m−2 based on a single ozone cross section for the bands KB #3
(−1 %) at 50 km and a maximum of 0.100 W m−2 (2 %, [283, 307] nm and KB #4 [307, 328] nm in the k-distribution
10 km). The RMSE is fairly constant and ranges between a method and correlated-k approximation of Kato et al. (1999).
minimum of 0.042 W m−2 (1 %, 30 km) and a maximum of A novel parameterization using more quadrature points bet-
0.111 W m−2 (2 %, 10 km). ter represents the transmissivity with maximum errors of re-
A similar comparison was made by Wandji Nyamsi et spectively 0.0006 and 0.0143 for interval KBs #3 and #4. The
al. (2014) with the original approach of Kato et al. (1999) estimates of the various components of the irradiance – di-
but for altitudes varying between 0 and 3 km. They reported rect normal, downward, upward, and global – in these Kato
relative bias, relative RMSE and R 2 for the spectral clear- bands by using the new parameterization are considerably
ness index KT1λ of respectively −92 %, 123 % and 0.718 improved when compared to detailed spectral calculations.
for KB #3 and −16 %, 17 % and 0.991 for KB #4. For the The squared correlation is greater than 0.992 in any case, and
new parameterization, with altitudes in the range [0, 3] km, greater than 0.999 in most cases. The bias and RMSE vary
the same quantities are respectively −2 %, 4 % and 0.999 for with the altitude but are never greater than 0.5 W m−2 for the
KB #3 and −2 %, 3 % and 0.999 for KB #4. The new param- direct normal or global in KB #3, and 0.1 W m−2 in KB #4.
They are smaller in KB #3 for the downward and upward
irradiances (0.01 W m−2 ) and similar in KB #4 (0.1 W m−2 ).

www.atmos-chem-phys.net/15/7449/2015/ Atmos. Chem. Phys., 15, 7449–7456, 2015

7456 W. Wandji Nyamsi et al.: Technical Note: A novel parameterization of transmissivity

This novel parameterization opens the way for more accurate Lefèvre, M., Oumbe, A., Blanc, P., Espinar, B., Gschwind, B.,
estimates of the irradiance at the surface in the UV range and Qu, Z., Wald, L., Schroedter-Homscheidt, M., Hoyer-Klick, C.,
possibly in narrower spectral bands such as UV-A and UV-B. Arola, A., Benedetti, A., Kaiser, J. W., and Morcrette, J.-J.: Mc-
Clear: a new model estimating downwelling solar radiation at
ground level in clear-sky conditions, Atmos. Meas. Tech., 6,
Acknowledgements. The authors thank the teams developing 2403–2418, doi:10.5194/amt-6-2403-2013, 2013.
libRadtran (http://www.libradtran.org) and SMARTS and the Mayer, B. and Kylling, A.: Technical note: The libRadtran soft-
referees whose remarks helped to improve the content of the article. ware package for radiative transfer calculations – description
This work was partly funded by the French Agency ADEME in and examples of use, Atmos. Chem. Phys., 5, 1855–1877,
charge of energy (grant no. 1105C0028, 2011-2016) and took place doi:10.5194/acp-5-1855-2005, 2005.
within the Task 46 Solar Resource Assessment and Forecasting Molina, L. T. and Molina, M. J.: Absolute absorption cross sections
of the Solar Heating and Cooling programme of the International of ozone in the 185- to 350-nm wavelength range, J. Geophys.
Energy Agency. W. Wandji Nyamsi has benefited from a personal Res., 91, 14501–14508, 1986.
grant of the Foundation MINES ParisTech for a 3-month visit to Oumbe, A., Qu, Z., Blanc, P., Lefèvre, M., Wald, L., and Cros, S.:
the Finnish Meteorological Institute. Decoupling the effects of clear atmosphere and clouds to sim-
plify calculations of the broadband solar irradiance at ground
Edited by: S. Kazadzis level, Geosci. Model Dev., 7, 1661–1669, doi:10.5194/gmd-7-
1661-2014, 2014.
Wandji Nyamsi, W., Espinar, B., Blanc, P., and Wald, L.: How
close to detailed spectral calculations is the k-distribution
References method and correlated-k approximation of Kato et al. (1999)
in each spectral interval?, Meteorol. Z., 23, 547–556,
Gueymard, C.: SMARTS2, Simple model of the atmospheric ra- doi:10.1127/metz/2014/0607, 2014.
diative transfer of sunshine: algorithms and performance assess- Wiscombe, W. J. and Evans, J. W.: Exponential-Sum fitting of radia-
ment, Report FSEC-PF-270-95, Florida Solar Center, Cocoa, tive transmission functions, J. Comput. Phy., 24, 416–444, 1977.
FL., USA, 78 pp., 1995. WMO: Atmospheric ozone 1985, World Meteorological Organiza-
Gueymard, C.: The sun’s total and the spectral irradiance for solar tion Global ozone research and monitoring project, Report no.
energy applications and solar radiations models, Sol. Energy, 76, 16, Geneva, Switzerland, 520 pp., 1985.
423–452, 2004.
Kato, S., Ackerman, T., Mather, J., and Clothiaux, E.: The k-
distribution method and correlated-k approximation for short-
wave radiative transfer model, J. Quant. Spectrosc. Radiat.
Transf., 62, 109–121, 1999.

Atmos. Chem. Phys., 15, 7449–7456, 2015 www.atmos-chem-phys.net/15/7449/2015/

XXVI
Vers une méthode automatique d'estimation de la distribution spectrale du rayonnement
solaire. Cas du ciel clair. Applications à la lumière du jour, photosynthèse et ultraviolet

RESUME : Nous nous intéressons à l’estimation de la distribution spectrale de l’éclairement solaire au sol
en tout lieu et tout instant. Etant donné le très petit nombre de stations de mesure au sol, nous nous
proposons de développer une méthode numérique exploitant des estimations de la composition
atmosphérique faites quotidiennement. Cette méthode doit être suffisamment rapide pour être utilisée en
mode intensif de manière opérationnelle. Les domaines d’applications ciblés sont l’ultraviolet (UV), la
photosynthèse et la lumière du jour, avec une limitation au cas du ciel clair. Notre première innovation est
de partir paradoxalement des approches numériques très rapides et précises de calcul de l’éclairement
total. Ces approches développées donnent une description de la distribution spectrale du rayonnement
solaire en un nombre restreint de bandes discrètes. La plus fine et la plus récente de ces approches est la
«k-distribution method and the correlated-k approximation» de Kato et al. (1999). Elle fournit des
estimations de l’éclairement dans 32 bandes spectrales. Pour atteindre l’objectif de la thèse, nous avons
tout d’abord, étudié la précision de cette approche dans chacune des 32 bandes. Les résultats sont bons
dans toutes les bandes excepté l’UV. Nous avons proposé une nouvelle paramétrisation de la
transmittance de l’ozone, que nous avons intégré au code numérique de transfert radiatif libRadtran.
Enfin, nous avons élaboré deux techniques de ré-échantillonnage permettant d’obtenir à partir des 32
valeurs discrètes, des estimations de l’éclairement dans n’importe quel intervalle spectral, y compris en
prenant en compte une réponse spectrale du système éclairé. Des validations ont pu être faites à l’aide de
quelques stations de mesures. Les premiers résultats sont jugées encourageants en comparaison avec la
précision relevée sur les instruments de mesure de qualité. Des voies d’améliorations ont pu être
recensées pour un gain de précision notable.

Mots clés : Albédo ; approche k-corrélés ; atmosphère ; rayonnement solaire ; spectral

Towards an automatic method for estimating the spectral distribution of the solar
radiation in clear-sky conditions. Application cases: daylight, photosynthesis, UV

ABSTRACT: This thesis deals with a fast numerical method for the estimation of the spectral distribution
of the solar irradiance at the ground level in any place and time in clear-sky conditions. The k-distribution
method and the correlated-k approximation of Kato et al. (1999) is a smart approach originally designed
for broadband calculations of the solar radiation at ground level by dividing the solar spectrum in 32
spectral bands. The approach is a priori not suited for calculation of spectral irradiance. Nevertheless, the
performance is evaluated in comparison to more detailed spectral calculations serving as references for
the spectral intervals #3 [283, 307] nm to #26 [1613, 1965] nm for clear situations. The evaluation is based
on numerical simulations. The results are good in all the bands except in the UV where the performance in
the UV band appears to be inaccurate, especially in the spectral intervals #3 [283, 307] nm and #4 [307,
328] nm because of inaccuracy in modeling the transmissivity due to ozone absorption. A novel
parameterization of the transmissivity using more quadrature points is proposed and yields very small
errors for intervals #3 and #4. How to practically implement this new parameterization in a radiative
transfer model is discussed for the case of libRadtran (library for radiative transfer). The new
parameterization considerably improves the accuracy of the retrieval of irradiances in UV bands. Finally,
two techniques are proposed for re-sampling the 32 values in order to estimate irradiance in any spectral
interval possibly taking into account spectral response of illuminated system. Experimental validations
have been carried out with measurements at several ground stations. The results are encouraging in
comparison with the accuracy of the measuring instruments. Ways of improvements are discussed.

Keywords: Albedo; atmosphere; correlated-k approach; solar radiation; spectral