Données thermiques infrarouges

La température de surface (LST) est une variable essentielle qui module les fluxes de chaleur radiative, latente et sensible à l'interface sol-plante-atmosphère. La LST peut être obtenu globalement et opérationnellement à partir d'observations de télédétection infrarouge thermique. Par conséquent, la LST est une variable utile pour le suivi des flux de carbone, d'eau et d'énergie des champs aux échelles régionales (Anderson et al., 2008). La LST a été une variable de surface clé pour de nombreuses applications environnementales et hydrométéorologiques, y compris les études climatologiques (Anderson et al., 2007; Hansen et al., 2010), la surveillance des conditions météorologiques extrêmes comme le suivi de la sécheresse (Anderson et al.., 2011; Jiménez-Muñoz et al. 2016; McVicar et Jupp, 1998), des estimations de l'humidité du sol (Amazirh et al. 2018; Merlin et al. 2012b) et de l'irrigation et la gestion des ressources en eau (Anderson et al. 2012b; Bastiaanssen et al. 2007; Droogers et al. 2010). La LST est particulièrement utile pour le suivi de la gestion de l'eau des cultures, car il est très sensible au stress hydrique des plantes et constitue un bon indicateur des changements de l'humidité du sol dans la zone racinaire (Anderson et al., 2012a, 1997; Moran et al., 2009). Ainsi, le LST peut être relié à l'humidité du sol de la zone racinaire (RZSM) au moyen de la température de la canopée et de la transpiration de la plante associée (Boulet et al., 2007; Hain et al., 2009; Moran et al., 1994) étant donné le couplage entre le bilan d'énergie de surface et le bilan hydrique.

La LST peut être dérivé de capteurs thermiques satellitaires à différentes échelles spatiales et temporelles, mais la principale limite des missions thermiques existantes est l'indisponibilité de hautes résolutions spatiales et temporelles en même temps. Par exemple, les missions offrant un temps de revisite haut (e.g. MODIS, MSG/SEVIRI, VIIRS et Sentinel-3) offrent habituellement une faible résolution spatiale et, inversement, celles offrant une résolution spatiale élevée (e.g. Landsat et ASTER) offrent une faible résolution temporelle (Fig. 1.3). Par conséquent, la capacité de surveiller les ressources en eau à l'échelle de la parcelle agricole (~100 m) est limitée par le peu de temps de revisite et même entravée par des conditions nuageuses, ne permettant pas de surveiller les changements rapides de l'état de la végétation.

Des études récentes ont mis en évidence l'importance des observations thermiques à haute résolution avec une revisite quasi journalière de l'état hydrique de la végétation (Cao et al., 2019; Guzinski et Nieto, 2019; Sobrino et al., 2016). Ainsi, idéalement, une constellation de satellites en orbite polaire (e.g. Landsat, ASTER) apparaîtrait comme la meilleure solution pour répondre à ces exigences, qui est potentiellement capable d'accomplir la mission ECOSTRESS (Hulley et al., 2017), lancée récemment en juin 2018, ou la future mission TRISHNA (Lagouarde et Bhattacharya, 2018). ECOSTRESS, à bord de la Station Spatiale Internationale, abordera des questions cruciales sur la dynamique eau- plante et les changements futurs des écosystèmes en fonction du climat au moyen des

28 1.2. Données de télédétection pertinentes pour le suivi du bilan hydrique des cultures

produits de données de LST, ET, Efficacité de l'utilisation de l'eau, et Indice de Stress d’Evaporation à une résolution spatiale de ~60 m tous les 2 – 5 jours à différents temps de passage. Par conséquent, la détection est encore améliorée dans les environnements hétérogènes (comme les zones agricoles) par la haute résolution spatio-temporelle (Hulley et al., 2017). Cependant, le temps de passage de ECOSTRESS change et n'offre pas une couverture globale, il n'est donc pas optimal pour le suivi de la gestion des cultures dans le cadre de mises en œuvre opérationnelles. La mission TRISHNA combinera une haute résolution spatiale (50m) et un haut temps de revisite (environ 3 jours) dans le infrarouge thermique avec une couverture globale. Les deux principaux objectifs scientifiques de la mission sont le suivi des bilans énergétiques et hydriques de la biosphère continentale et le suivi des eaux côtières et continentales (Lagouarde et Bhattacharya, 2018).

Fig. 1.2. Différentes résolutions spatiales et temporelles des observations actuelles et futures des satellites thermiques liées aux différentes échelles d'observation ciblées. Avant le lancement de la mission TRISHNA, il est possible de désagréger les données LST à basse résolution existantes à haute résolution spatiale avec une précision relativement satisfaisante. Les méthodes de désagrégation se centrent sur la décomposition des températures au sein du pixel, ce qui permet d'obtenir un meilleur ensemble de données LST avec des résolutions temporelles et spatiales plus fines à partir des informations obtenues par différents capteurs. Par conséquent, les méthodes de désagrégation visent à obtenir des données LST appropriées pour le suivi du bilan hydrique des cultures à

l'échelle de la parcelle agricole (illustré dans la Fig. 1.3). L'idée de base derrière ces méthodes est d'établir une corrélation statistique ou un modèle physique entre LST à faible échelle et les variables auxiliaires à échelle fine. Dans ces méthodes, les données satellitaires dans les longueurs d'onde VNIR disponibles à une résolution plus fine que celle de la plupart des capteurs thermiques ont été des données auxiliaires essentielles pour combler l'écart entre une faible résolution spatiale et une haute résolution temporelle de LST (Zhan et al., 2013). Par conséquent, la plupart des méthodes de désagrégation ont été basées sur une relation d'invariance d'échelle entre LST et VI, en grande partie liée à la couverture végétale. Les méthodes basées sur de VI restent les approches opérationnelles les plus utilisées en raison de la disponibilité de données à haute résolution spatiale et temporelle, telles que DisTrad, TsHarp, entre autres algorithmes (Agam et al., 2007a; Bindhu et al, 2013; Kustas et al, 2003; Mukherjee et al, 2014; Zhan et al., 2013). En plus de l'utilisation des données VNIR, d'autres méthodes de désagrégation plus complexes ont été proposées: l'utilisation de l'espace à deux dimensions LST-VI pour dériver des indices d'état hydriques du sol/végétation qui pourraient mieux représenter la variabilité du LST et ainsi améliorer la précision de la désagrégation sur des zones agricoles à forte teneur en eau (Chen et al., 2010; Sandholt et al., 2002; Yang et al., 2010). Cette procédure a été étendue à l’utilisation des facteurs supplémentaires qui modulent le LST, reflétant la teneur en humidité du sol et le type de végétation (Amazirh et al., 2019; Merlin et al., 2012a, 2010; Yang et al., 2011). Par exemple, Merlin et al. (2010) ont établi une distinction entre la végétation photosynthétiquement active et la végétation non photosynthétiquement active à partir de séries temporelles de données optiques à ondes courtes à inclure dans la procédure de désagrégation. Ensuite, les variables substitutives MSS dérivées des données micro- ondes peuvent prendre en compte les effets de l'humidité du sol sur la désagrégation du LST (Merlin et al., 2012a; Amazirh et al., 2019). Bien que ces dernières méthodes puissent fournir de meilleures précisions que l'utilisation des seules relations LST-VI, elles nécessitent des paramètres supplémentaires qui deviennent difficiles à mettre en œuvre sur le plan opérationnel. Par conséquent, la mise en œuvre de méthodes de désagrégation sur une base opérationnelle avec une précision raisonnable implique de nouveaux défis dans les méthodes.