riations spatio-temporelles de l’état hydrique inter-parcellaire
pour une même culture
Les instruments de télédétection infrarouge thermique fournissent une température de brillance qui donne une température radiative après correction des effets atmosphériques et d’émissivité. Si les différences de température de surface entre parcelles peuvent renseigner sur la variabilité d’état de surface, cette approche reste limitée à une analyse purement spatiale et instantanée. En effet, la température de surface moyenne présente une variation temporelle au cours de l’année (Figure 4.1). Cette variation empêche la comparaison directe des températures de surface au cours de l’année, la différence pouvant s’expliquer par une variation de la demande évaporative ou par la variation saisonnière.
Pour le suivi d’évapotranspiration, il a été constaté que la différence entre température de surface et température de l’air était liée de façon linéaire au déficit de pression de vapeur d’eau [Idso et al., 1981, Jackson et al., 1981, Alderfasi and Nielsen, 2001]. Le déficit de pression de vapeur d’eau étant à l’origine de l’évapotranspiration. Cette dernière peut donc être reliée à la différence de température entre l’air et la sur- face [Moran et al., 1994b].
Figure 4.1 – Variation de la température moyenne journalière de surface in-situ au cours de l’année pour la parcelle B10
La différence de température présente aussi l’intérêt de normaliser la variation saisonnière de la tempéra- ture de surface. En effet la température de l’air montre la même variation saisonnière que la température de surface et la différence entre les deux ne dépend que des conditions météorologiques locales : rayonnement incident, pression, humidité, vent et les effets d’advection. La différence a pour effet de diminuer l’amplitude du cycle saisonnier la variation saisonnière (Figure 4.2)
(a) T s (b) T s − Ta
Figure 4.2 – Profils de température de la température de surface (Ts) et de la différence avec la température de l’air (Ts-Ta) illustrant l’effet de l’utilisation de la différence entre température de surface et température de l’air sur le profil temporel de mesures de télédétection IRT (b). L’augmentation de Ts (a) lié aux saisons est atténuée.
Pour l’ensemble de l’étude, nous utilisons les valeurs de température de surface ainsi que la température de l’air issue des réanalyses SAFRAN. Les acquisitions satellite ont lieu à un horaire fixe, autour de 10h30. Nous utilisons la valeur moyenne de la température de l’air entre 9h et 12h pour calculer la différence T s − Ta.
La différence de température entre la surface et l’air permet alors d’obtenir une grandeur liée à l’évapo- transpiration qui diminue l’amplitude du cycle saisonnier (Figure 4.2). Nous pouvons alors l’utiliser pour le
suivi temporel multi-dates. L’emploi des données SAFRAN crée cependant deux problèmes : la disparition de variation entre les parcelles présentes dans une même maille et la création d’une hétérogénéité synthétique entre les mailles SAFRAN.
L’homogénéisation de la température de l’air avec les données SAFRAN est liée à l’échelle utilisée, plu- sieurs parcelles se trouvent dans une même maille SAFRAN (8x8km). La variation de température de l’air pouvant exister à l’intérieur de la maille n’est pas prise en compte. La comparaison des données des stations météo d’Auradé et Lamasquère montre cependant que les températures de l’air mesurées pour deux stations situées à 15 km d’écart sont faibles, avec un biais de -0,17 K et un RMSD de 1,15 K au cours de l’année 2010.
Les données SAFRAN font aussi apparaître une hétérogénéité artificielle liée à la grille dans laquelle se trouve la parcelle étudiée. Si la variation de température de l’air entre les deux points de grille est faible, -0,35 K de Biais et 1,29 K de RMSD. Cette variation doit être normalisée sur l’ensemble de la zone afin d’obtenir une température relative comparable entre les parcelles, parfois distantes de plusieurs kilomètres. Par la suite nous utiliserons un indice de température corrigé de ces deux variabilités, spatiale et temporelle, que l’on nomme T s∗ (Équation 4.1). Cette valeur sera exprimée en pourcentage dans la suite du manuscrit.
T s∗= T s − T a
T a (4.1)
Avec :
T s Température de surface (en K). T a Température de l’air (en K).
La température corrigée Ts* est un écart relatif à la température de l’air. Il est donc intéressant de la comparer à un indicateur de stress comme le CWSI (Equation 4.2)([Jackson et al., 1981, Boulet et al., 2007]) basé sur la limitation du flux LE. Le CWSI a été choisi car il permet d’analyser une série temporelle de don- nées, grâce à la pondération par le flux LE potentiel. Il s’agit aussi d’un indice auquel nous pouvons avoir accès facilement, avec les mesures terrain pour le flux LE et en utilisant les formules climatiques pour le flux LE potentiel. Nous vérifions si l’indicateur de température Ts* que nous utilisons est ainsi sensible au statut hydrique de la parcelle. Pour cela, nous utilisons les mesures issues de la parcelle B10, la parcelle flux. Le flux LE est directement issu des mesures de la stations, tandis que le flux LE potentiel (LEpot) est calculé à partir des données météo en utilisant la méthode FAO [Allen et al., 1998]. Pour T s∗, nous utilisons la mesure de température de l’air mesurée par la station installée sur la parcelle et la température de surface à partir du flux radiatif grandes longueurs d’onde et en inversant la loi de Stefan.
CW SI = 1 − LE LEpot
(4.2) Avec :
LEpot Le flux de chaleur latente potentiel (en W m−2).
La valeur de T s∗ est comparée au CWSI pour la période de culture du blé, du jour 1 au jour 193. Il ne s’agit pas de la période pour laquelle la demande climatique est la plus importante mais celle par laquelle la série de données in situ est la plus complète. Cela signifie que les valeurs d’évapotranspiration potentielle peuvent être faibles. l’estimation du CWSI est alors faussée pour ces faibles valeurs de l’ordre de grandeur de l’incertitude sur la mesure du flux LE. Un flux LE faible aura une incertitude de mesure importante (Figure 4.3). Une forte incertitude sur la valeur du flux LE va créer des valeurs de CWSI artificiellement importantes voire hors de la gamme habituelle de cet indice ([0-1]). Les données ont donc été filtrées pour éliminer ces va- leurs aberrantes. Dans un premier temps, nous n’avons conservé que les données acquises pendant la journée, entre 8h et 18h. Un second filtre a aussi été mis en place sur les valeurs d’évapotranspiration potentielle. Ces cas sont associés à une faible demande climatique, pour laquelle les mesures d’évapotranspiration réelle sont faibles et donc soumises à une forte incertitude. Le calcul des valeurs d’évapotranspiration potentielle avec la formule de la FAO donne des valeurs pouvant atteindre 550 W m−2. Nous avons utilisé un seuil à 150 W m−2.
Figure 4.3 – Nuage de points des valeurs de flux d’évapotranspiration réelle et potentielle sur la parcelle B10 avant filtrage.
Le tracé du nuage de points T s∗− CW SI (Figure 4.4) est ensuite ajusté en utilisant une loi exponen- tielle (Équation 4.3). Cet ajustement a été préféré à une régression linéaire pour reproduire la croissance importante de Ts* pour des valeurs de CWSI élevée (> 0, 6). Ces valeurs sont associées à un pilotage de la température de surface par le rayonnement incident, les valeurs de température ne sont alors plus modérées par l’évapotranspiration et montrent une plus forte élévation.
T s∗= A ∗ exp(B ∗ CW SI) + C (4.3)
L’ajustement sur l’ensemble des valeurs donne des résultats statistiquement moyens, R2 = 0, 33. Ces résultats sont cependant obtenus sur une période pour lequel le stress hydrique reste faible, avec 190 points
sur 289 pour lesquels le CWSI est inférieur à 0,5 sur 289. Pour ne conserver que les jours avec la demande climatique la plus forte, nous avons testé trois seuils sur le facteur de stress : 0,5 ,0,6 et 0,7. Les ajustements exponentiels ont été recalculés dans chaque cas (Tableau 4.1). On constate une amélioration de 0,10 du co- efficient de détermination pour le cas d’un seuil à 0,6. Il sera difficile d’obtenir de fortes valeurs de R2 car le
nuage de points présente une forte dispersion des valeurs.
Figure 4.4 – Nuage de points CW SI − T s∗ sur la parcelle B10 avec ajustement exponentiel.
Seuil sur CWSI R2 dela régression
0 0,33
0,5 0,37
0,6 0,43
0,7 0,33
Tableau 4.1 – Coefficients de détermination obtenus pour les ajustements sur le nuage de points T s∗− CW SI avec différents seuils sur la valeur de CWSI.