Les caractéristiques du sol sous-jacent à la végétation et au couvert nival peuvent apporter une contribution non négligeable à la rétrodiffusion totale d’une cible observée en milieu subarctique. En effet, non seulement la nature hétérogène du territoire entraîne la présence de nombreuses zones de sols nus, mais le signal radar pénètre également le couvert végétal et nival interagissant ainsi avec le sol. Les caractéristiques principales du sol affectant la rétrodiffusion seront donc présentées.
Le sol peut être assimilé à un diffuseur de surface aux fréquences utilisées dans la présente étude étant donné que l’on observe très peu de pénétration du signal au delà des premiers cen- timètres. Deux caractéristiques principales viennent donc affecter la puissance et la polarisation du signal rétrodiffusé par cette surface, soit l’humidité et la rugosité du sol. Divers modèles ont été développés afin de lier ces caractéristiques au signal RSO et seront brièvement abordés ici.
Interface
Neige-sol
VolumeNeige
Interaction
Surface-volume
Air
Neige
Sol
Interface
Air-neige
Volume
Végétation
FIGURE2.5 – Illustration simplifiée des différents types de mécanismes de rétrodiffusion observés lors de l’in- teraction du signal RSO avec une cible dans un environnement subarctique.
Humidité et rugosité du sol
L’humidité du sol ou teneur volumique en eau est le rapport entre le volume d’eau présent dans un sol et son volume total, exprimé en pourcentage. Celle-ci est directement lié à la constante diélectrique du sol et l’on observe une relation positive entre l’humidité et la constante diélectrique. Toutefois, cette relation dépend également, en plus faible proportion, de la texture du sol (Ulaby et al., 1982; Hallikainen et al., 1985). Ainsi, considérant un sol de rugosité uniforme, la rétrodiffu- sion aura tendance à augmenter en fonction de l’humidité du sol. Le taux d’augmentation dépendra toutefois de la rugosité du sol ainsi que des paramètres du capteur tels que l’angle d’incidence, la fréquence ainsi que la polarisation.
Le paramètre de rugosité du sol est l’autre paramètre majeur affectant la réponse du signal radar. De fait, cette information est indissociable de l’humidité et doit donc être considérée au même niveau lors de l’estimation des caractéristiques du sol à l’aide de données RSO. La rugo- sité du sol, dans le contexte de l’analyse du signal radar, est représentée par deux paramètres soit l’écart type des hauteurs (s) et la longueur de corrélation de la surface (l) qui décrivent les variations statistiques de la composante aléatoire de la hauteur du sol relatives à une hauteur de référence. L’influence de ces paramètres sur la rétrodiffusion est intimement lié à la longueur d’onde λ utilisée et ceux-ci sont donc généralement représentés en combinaison avec le nombre d’onde k (k = 2π/λ), les paramètres ks et kl sont donc généralement utilisés pour représenter la rugosité indépendamment de la fréquence. Afin de réduire le nombre de paramètres associés à la rugosité, certains modèles utilisent un paramètre composé, la moyenne quadratique de la pente m (en anglais rms slope), définie par l’équation (Ulaby et al., 1986):
m = s
q
|ρ00(0)| (2.20)
où ρ00(0) est la seconde dérivée de la fonction d’autocorrélation évaluée à 0. La fonction d’auto- corrélation est une mesure de similarité entre les hauteurs mesurées en deux points distincts. Par exemple, pour une fonction d’autocorrélation gaussienne, m sera exprimé par:
m = √
2s/l (2.21)
La forme de la fonction d’autocorrélation demande toutefois une connaissance de la surface étu- diée et doit être ajustée en fonction du type de milieu. En règle générale, plus la rugosité d’un sol augmente, plus la rétrodiffusion sera forte et, tout comme l’humidité, la sensibilité dépend de l’angle d’incidence et de la polarisation utilisée.
Modélisation de la diffusion de surface
L’estimation des caractéristiques du sol à l’aide de données radar est un sujet qui a fait l’objet de multiples recherches, de nombreux modèles tant directes qu’inverses ont donc été développés afin de simuler l’interaction du signal radar avec le sol. Certains modèles dits classiques tels que le modèle des faibles Perturbations (SPM de l’anglais Small Perturbation Model) le modèle optique physique (PO pour Physical Optics) et le modèle optique géométrique (GO pour Geometrical Op-
tics) ont une forme relativement simple, mais leur domaine de validité est limité (Oh et al., 1992). Plus récemment, la méthode de l’équation intégrale (IEM pour Integral Equation Method ) dévelop- pée par Fung et al. (1992) ainsi que le modèle de l’équation intégrale avancé (AIEM) développé par Chen et al. (2003) ont permis d’étendre le domaine de validité des modèles et de mieux esti- mer la rétrodiffusion d’un sol nu. Les modèles directes demandent toutefois un grand nombre de paramètres en entrée et une très bonne caractérisation du milieu à modéliser.
Afin d’obtenir l’information sur les caractéristiques du sol à partir d’images RSO, des modèles d’inversion semi empiriques ont été élaborés. Les premiers modèles utilisaient seulement le co- efficient de rétrodiffusion provenant des différentes polarisations pour récupérer l’humidité et la rugosité des sols observés (Oh et al., 1992; Dubois et al., 1995). Bien que les résultats étaient acceptables, le domaine de validité était relativement limité. L’utilisation de données pleinement polarimétriques a permis d’améliorer le domaine de validité des modèles ainsi que leur précision en utilisant les informations contenues dans la différence de phase copolarisée (Oh et al., 2002) ainsi que celles contenues dans les valeurs propres et vecteurs propres de la matrice de cohé- rence (Hajnsek et al., 2003).
L’un des défis importants de la modélisation inverse demeure toutefois la présence de vé- gétation recouvrant le sol qui vient interférer avec les modèles. Certaines études ont permis de récupérer l’humidité du sol sous un couvert végétal à partir de données multipolarisées (de Roo et al., 2001) et polarimétriques (Hajnsek et al., 2009; Jagdhuber et al., 2012) avec plus ou moins de succès. Toutefois, ces résultats ont été obtenus pour des milieux agricoles où la végétation est re- lativement homogène et ayant une structure relativement simple ce qui est très loin des conditions rencontrées en milieu naturel subarctique.