Une évaluation et une sélection minutieuses des ensembles de données pour la recherche scientifique sont essentielles, en particulier pour les régions mal observées comme l'Asie centrale. L'ERA5, la réanalyse de nouvelle génération du Centre européen de prévisions météorologiques à moyen terme (ECMWF), est le plus fiable pour révéler les caractéristiques spatio-temporelles de la vapeur d'eau précipitable (PWV) en Asie centrale, par rapport à d'autres ensembles de données de réanalyse, selon une étude récente publiée dans Sciences de la Terre et de l'Espace .

L'étude se concentre spécifiquement sur l'Asie centrale, un vaste, région semi-aride à aride, car il a souffert de graves pénuries d'eau au cours du dernier demi-siècle, impactant le développement durable de la société. En tant qu'élément de base du cycle de l'eau, la vapeur d'eau atmosphérique joue un rôle important dans le système climatique et les ressources en eau. Comprendre les variations spatio-temporelles de la vapeur d'eau atmosphérique est essentiel pour la compréhension du cycle de l'eau et la gestion des ressources en eau.

« Les observations des stations sont limitées en Asie centrale en raison des distributions spatiales clairsemées et des inhomogénéités des observations, " a déclaré Jie Jiang de l'Institut de physique atmosphérique de l'Académie chinoise des sciences, le premier auteur de l'article. « Les produits satellitaires et les jeux de données de réanalyse sont des compléments utiles des observations in situ. Cependant, la fiabilité et l'exactitude de ces ensembles de données en Asie centrale restent floues."

Les scientifiques ont évalué plusieurs ensembles de données satellitaires et de réanalyse PWV par rapport aux observations de radiosondes en Asie centrale. L'évaluation a montré que deux produits satellites majeurs, à savoir, Sondeur infrarouge atmosphérique uniquement (AIRS uniquement) et sondeur infrarouge atmosphérique/unité de sondage hyperfréquence avancée (AIRS/AMSU), peut raisonnablement saisir les distributions climatologiques, cycle annuel et variations mensuelles de PWV. Parmi les huit ensembles de données de réanalyse de pointe actuels, y compris la réanalyse intermédiaire du CEPMMT (ERAIM), la réanalyse atmosphérique ECMWF de cinquième génération (ERA5), Centres nationaux de prévision environnementale (NCEP)1, NCEP2, Réanalyse du système de prévision climatique (CFSR), Projet de réanalyse japonaise moderne de 55 ans (JRA55), Analyse rétrospective de l'ère moderne pour la recherche et les applications (MERRA), et MERRA version 2 (MERRA2), ERA5 et MERRA2 ont de meilleures performances à la fois dans les caractéristiques climatologiques et les variations interannuelles, tandis que NCEP1 et NCEP2 fonctionnent moins bien car ces produits n'ont assimilé ni les données AIRS ni AMSU.

"Il n'y a pas de "meilleur" ensemble de données de réanalyse, comme différents ensembles de données ont leurs propres forces et faiblesses dans différents aspects, " a commenté le professeur Tianjun Zhou, auteur correspondant de l'article et scientifique principal à l'Institut de physique atmosphérique de l'Académie chinoise des sciences. Ainsi, ils ont en outre construit une moyenne d'ensemble pondérée par les compétences des ensembles de données de réanalyse, sur la base des différentes performances des ensembles de données individuels. "On s'attend à ce qu'il soit plus fiable pour révéler les modèles spatiaux climatologiques de PWV, par rapport à la moyenne d'ensemble simple et aux jeux de données individuels, " ajouta Zhou.

L'équipe a ensuite étudié les processus physiques dominant les variations de PWV en Asie centrale. Ils ont constaté que les variations d'une année à l'autre de la PWV sont largement modulées par le cycle de l'eau local, suivi du forçage à distance depuis l'Atlantique Nord

"Ce travail fournit des informations précieuses pour les futures recherches sur le cycle de l'eau en Asie centrale. L'utilisation de la pondération des compétences est une nouvelle tentative de fusion de différents ensembles de données de réanalyse, comme la méthode est généralement plus souvent utilisée dans les études multimodèles, " dit Zhou.