Scénarios d’obtention des données satellite

Dans cette section, l’approche proposée est utilisée pour évaluer l’impact des scénarios d’acquisition de données satellitaires (i.e. date de passage des satellites) sur la performance du modèle TSVA. Cela s’inscrit dans le cadre de l’utilisation du modèle au niveau régional, à partir de données d’ET R estimées par satellite, et potentiellement couplé avec un modèle hydrologique distribué. Sur la base d’une simulation de référence utilisée comme proxy des observations, trois scénarios sont analysés. Ces trois scénarios se rapportent aux dates de passage des satellites ASTER et Landsat, dont la résolution spatiale est compatible avec celle du parcellaire agricole: (1) dates de passage des deux satellites (ScAL), (2) dates de passage d’ASTER (ScA), et (3) dates de passage deLandsat (ScL). Ainsi, l’idée est d’évaluer la performance du calage en fonction des données disponibles dans un contexte de télédétection.

Dans la Fig. 8.10, sont montrées les simulations de référence pour ET R et θ ainsi que les valeurs correspondant aux dates de passage des satellites utilisées ensuite pour la calibration du modèle. On observe que les dates de passage ASTER sont principalement concentrées dans la période de croissance active de la vigne, tandis que les dates Landsat sont distribuées de façon plus uniforme au cours de la période d’étude. Par ailleurs, on observe qu’il y a quatre dates de passage qui coïncident. De cette façon et pour chacun des trois scénarios, la méthode MCIP a été appliquée pour étalonner le modèle et sa performance relativement à la simulation de référence est analysée.

Figure8.10 – Séries temporelles des simulations de référence pour (a) ET R et (b) θ, et leurs valeurs correspondant aux dates de passage ASTER et Landsat.

Les séries temporelles des simulations d’ET R et theta en utilisant les trois scénarios d’acquisition de données satellite sont montrées dans la Fig. 8.11. La Fig. 8.12 compare les valeurs estimées aux valeurs de référence. Tout d’abord, il faut mentionner la similitude des courbes des trois scénarios par rapport à la simulation de référence. Ainsi, un compor-tement plutôt aléatoire de l’erreur sur ET R est observé pour les cas ScAL (Fig. 8.12a), mais une légère sous-estimation par rapport à la simulation de référence est observée à la fois pour le cas ScA et ScL (Fig. 8.12b-c). Bien que les trois scénarios fournissent de bons résultats, on peut voir qu’il ya une meilleure estimation avec les scénarios ScAL et ScL: la simulation faite en considérant les dates de passage ASTER (ScA) donne une plus forte dispersion des valeurs simulées (Fg. 8.12b).

Les courbes de θ (Fig. 8.11b) montrent un bon accord pour le cas ScAL. Par contre, pour le scénario ASTER (ScA), les valeurs d’humidité du sol sont sous-estimées durant une partie importante de la période de simulation. Cela peut aussi être vérifié dans la Fig. 8.12e. Pour le cas Landsat (ScL), on observe une sous-estimation pour les faibles valeurs de θ, qui correspondent à la première partie de la période de simulation (début 2007) (Fig. 8.11a). La sous-estimation avec le scénario ScA est observée surtout pendant la période de sénescence et le début du cycle végétatif (janvier-mai 2008). Ces deux résultats sont clairement associés aux différentes périodes d’acquisition de données ASTER et Landsat: pour le cas Landsat, il n’existe pas de données pour le début de la période de simulation, ce qui n’a pas permis d’optimiser la valeur initiale de teneur en humidité du sol. Par contre, les observations Landsat sont relativement bien distribuées en 2007 et 2008, de sorte que la performance du modèle est tout à fait acceptable. Dans le cas ASTER, les observations

8.3. Résultats et discussion ont été faites uniquement pendant la période de croissance de la vigne (Fig. 8.10), et donc une longue période n’a pas été échantillonnée. Ceci conduit à une plus grande incertitude dans les résultats du modèle au cours de la période de sénescence de la vigne (Fig. 8.12). Ces derniers résultats permettent de conclure que, l’utilisation conjointe des observations ASTER et Landsat disponibles permet d’améliorer la performance du modèle TSVA dans le cadre d’une application à l’échelle régionale. Ceci est confirmé dans les Figs. 8.11 et 8.12, où le scénario ScAL (les deux jeux de données) montre un meilleur accord avec la simulation de référence.

Figure 8.11 – Séries temporelles des simulations de référence et des trois scénarios

Figure8.12 – Diagramme de dispersion entre les valeurs journalières de la simulation de référence et des trois scénarios d’acqusition de données pour (a)-(c) ET R et (d)-(f) θ.

8.4 Conclusions

Dans ce chapitre, le modèle TSVA développé pour la vigne enherbée dans le Chapitre 7, a été exploré au moyen d’une analyse de sensibilité, puis la méthode multi-critère de calibration MCIP a été appliquée pour obtenir un ensemble de paramètres optimisés.

L’analyse de sensibilité MOGSA a permis (1) d’obtenir de l’information sur les pa-ramètres et processus qui ont la plus forte influence sur le comportement du modèle, (2) tester la méthode MCIP pour calibrer le modèle en considérant à la fois λE et θ comme variables de sortie sur la période complète de mesure depuis juillet 2007 jusqu’à septembre 2008. Les résultats indiquent que le modèle est très sensible aux paramètres liés aux transferts d’eau à partir du feuillage principal (résistance stomatique) et du sol nu et aux limites définissant la capacité de stockage en eau du réservoir profond du sol. L’utilisation des méthodes stochastiques a l’avantage de permettre une détermination des paramètres les plus sensibles, dans le cas actuel la conductance stomatique maximale

(gx,f), car les valeurs mesurées ou estimées dans la littérature montrent une forte

disper-sion. Les autres paramètres liés à la résistance de surface (Kf

8.4. Conclusions valeurs empiriques ajustées, de sorte que leur utilisation directe à partir de la littérature

n’est pas conseillée. Enfin, si les paramètres θf c,3, θf,wp, et θini,3 peuvent être accessibles

par des mesures directes, il y a toujours une incertitude associée aux méthodes de mesure et à la discrétisation du sol pour obtenir une valeurs intégrée.

En ce qui concerne la calibration multi-critère du modèle, les résultats de l’application de l’algorithme MCIP au bilan hydrique a permis d’avoir un jeu de paramètres optimisés fournissant des très bonnes séries temporelles de ET R et θ utilisées comme simulation de référence. Cette calibration a été faite dans le cadre de l’approche de spatialisation présentée par la suite. L’importance de la période d’obtention de données satellites a aussi été montrée. Si de bonnes simulations ont été obtenues avec les dates de passage des deux satellites, c’est que le bon échantillonnage des différentes périodes du cycle de croissance de la vigne est très important.

Enfin, l’approche utilisée correspond à une étude exploratoire qui certainement doit être approfondie. Dans ce sens, l’évaluation de la calibration du modèle en utilisant uni-quement l’ET R ou uniuni-quement θ, ou en sélectionnant les dates des observations en fonc-tion du passage de quelques satellites apparaissent comme des pistes intéressantes. À cet égard, l’accès à des données d’humidité du sol par des micro-ondes passives représente une opportunité intéressante afin de proposer des scénarios de calage plus réalistes.

PARTIE V

Introduction à la Partie V

Dans les chapitres précédents, la modélisation de l’évapotranspiration réelle (ET R) a été abordée du point de vue théorique et appliquée à l’échelle locale, afin de modéliser les transferts SVA dans des couverts en rangs, tels que la vigne enherbée. Cette approche a permis de simuler les échanges d’énergie et d’eau dans le continuum sol-plante-atmosphère ainsi que le bilan hydrique de la surface et de la zone racinaire, mais aussi d’interpréter les résultats, et ce au niveau local. Dans la suite de la thèse, nous explorons la possibilité de simuler les échanges de façon multi-locale en considérant plusieurs parcelles viticoles à l’intérieur du bassin versant de la Peyne.

Les processus d’interaction surface-atmosphère dépendent fortement des conditions du milieu qui varient spatialement (Kustas et Norman, 1996). L’extension spatiale, de-puis la parcelle au niveau local jusqu’au bassin versant au niveau régional, implique des variations dans la densité foliaire, les propriétés du sol et les variables météorologiques (Albertson et al., 2001; Katul et al., 2012). L’intégration des observations terrain avec des outils de télédétection optique permet d’appréhender la variabilité spatiale des processus d’échange surface-atmosphère tels que l’ET R (Jiménez et al., 2009) en conjonction avec l’utilisation de modèles (Gonzalez-Dugo et al., 2009).

Différentes approches ont été développées pour faire la liaison entre les processus physiques à l’échelle locale et les variables d’état mesurées par télédétection (e.g. la

tem-pérature de surface Ts, réflectance de surface, indice foliaire LAI). Ces approches peuvent

être classées en deux catégories:

• Les modèles TSVA sont contraints par des variables d’état que l’on peut mesurer par télédétection (e.g. indice foliaire, température de surface, humidité de surface). On distingue alors le calage, qui permet d’estimer des paramètres du modèle, et le contrôle, qui permet de corriger les simulations par mise à jour des variables d’état (Calvet et al., 1998; Demarty et al., 2005; Caparrini et Castelli, 2004). Contraindre les modèle par télédétection peut nécessiter préalablement le couplage du modèle de processus (modèle TSVA) avec des modèles d’observation (modèle de transfert radiatif) qui simulent les mesures télédétectées (e.g. température de surface). • La spatialisation des variables d’état telle que l’ET R ou l’indice foliaire. Dans le

cas de l’ET R, la spatialisation peut se faire en ayant recours à différents types d’approche.

◦ Des approches statistiques telles que des régressions linéaires estimant l’ET R

à partir de Ts ou d’indices de végétation: fregress(Ts, N DV I, ...) (Wang et al.,

2007);

◦ Des méthodes contextuelles reliant directement les variables mesurées telles

que Ts et l’albédo (Menenti et al., 1989; Roerink et al., 2000) avec la fraction

de couvert végétal (Tang et al., 2010; Yang et Shang, 2013);

◦ Des méthodes physiques basées, par exemple, sur la résolution du bilan d’éner-gie (e.g. TSEB; Norman et al., 1995), l’équation de Penman-Monteith (Cleugh et al., 2007; Yuan et al., 2010), l’équation de Priestley-Taylor (Fisher et al., 2008) ou même une combinaison des deux dernières (Mallick et al., 2013).

formuler plusieurs choix.

• Dans un premier temps, nous pouvons caler le modèle à partir de mesures télédé-tectées de la température de surface. Il s’agit cependant d’une procédure complexe qui demande de prendre en compte la structure géométrique des couverts de vigne pour la modélisation du transfert radiatif. Une alternative est alors de remplacer, dans la procédure de calage, la température de surface par une estimation de l’ET R elle-même déduite de la température précitée.

• Dans un second temps, nous considérons aussi la possibilité d’inclure les mesures d’humidité du sol dans la procédure de calage. Dans nos conditions méditerra-néennes, la dynamique de l’eau du sol reflète la dynamique de l’ET R.

L’objectif des travaux est d’explorer le recours à la télédétection pour simuler, sur le cycle annuel, les échanges d’eau et d’énergie dans le continuum sol-plante-atmosphère, et ce à l’aide d’un modèle parcimonieux qui permette d’appréhender une culture complexe comme la vigne, cette dernière étant caractérisée par sa pérennité, son enracinement profond et sa structure aérienne en rang.

La zone d’étude étant caractérisée par un parcellaire agricole de petite taille, nous devons recourir à l’imagerie satellite à haute résolution spatiale, et donc à des observations collectées selon une fréquence nominale de 15 jours. Il en résulte des questionnements sur les performances de calage du modèle TSVA selon la disponibilité des observations satellite.

Le premier chapitre de cette partie (Chapitre 9) a pour but d’évaluer les possibilités en termes d’imagerie satellite. Le second chapitre de cette partie (Chapitre 10) a pour but d’analyser les performances de calage du modèle TSVA selon plusieurs scénarios de disponibilité des mesures satellite.

Chapitre 9

Estimation spatialisée de

l’évapotranspiration à partir des

capteurs ASTER et Landsat

Sommaire

9.1 Introduction . . . 146 9.2 Démarche . . . 146 9.3 Obtention des variables biophysiques à partir de

l’image-rie ASTER . . . 149 9.3.1 Réflectance de surface et température radiométrique de surface149 9.3.2 Albédo et NDVI . . . 149 9.3.3 Rayonnement net et flux de chaleur dans le sol . . . 149 9.4 Obtention des variables biophysiques à partir de

l’image-rie Landsat . . . 150 9.4.1 Corrections instrumentales . . . 151 9.4.2 Corrections atmosphériques: domaine solaire . . . 151 9.4.3 Corrections atmosphériques: domaine infrarouge thermique 154 9.4.4 Réflectance de surface et température de brillance de surface 155 9.4.5 Albédo et NDVI . . . 156 9.4.6 Température radiométrique . . . 157 9.4.7 Rayonnement net et flux de chaleur dans le sol . . . 157

9.5 Superposition des images ASTER et Landsat . . . 157

9.6 Évapotranspiration S-SEBI . . . 158

9.7 Indicateurs statistiques pour comparer ASTER et Landsat160

9.8 Comparaison ASTER et Landsat . . . 160 9.8.1 Variables d’entrées de S-SEBI . . . 160 9.8.2 Variables de sortie de S-SEBI . . . 169 9.9 Discussion et conclusions . . . 173

9.1 Introduction

Pour le bassin versant de La Peyne, Galleguillos et al. (2011a,b) ont appliqué la méthode contextuelle S-SEBI (Roerink et al., 2000) afin d’estimer l’ET R journalière à partir de données satellite. Ils ont obtenu des estimations avec une précision moyenne de

0.8 mm j−1. Ces auteurs ont implémenté S-SEBI avec des images ASTER, instrument

qui fournit des mesures avec une bonne qualité radiométrique. La méthode S-SEBI a été choisie car son implémentation est facile, mais aussi parce qu’elle correspond à une méthode déjà éprouvée via de multiples études. Cependant, ASTER est un instrument expérimental. Il acquiert de ce fait des images ponctuellement, et ne permet donc pas de faire le suivi systématique des surfaces continentales. Le capteur Landsat-7 ETM+, en revanche, collecte des images en routine tous les 15 jours, mais sa qualité radiométrique est moins bonne que celle d’ASTER. L’approche contextuelle S-SEBI est basée sur une différenciation de température. On peut donc supposer que les erreurs sur les températures Landsat sont atténuées via la différentiation, en particulier si ces erreurs s’apparentent surtout à des biais systématiques.

Dans ces conditions, nous menons ici un exercice de comparaison qui a pour but de quantifier (1) les différences observées entre observations ASTER et Landsat en tem-pérature, (2) les différences résultantes sur les estimations ASTER et Landsat en ET R; sachant que des différences minimes sur l’ET R permettrait de spatialiser l’ET R avec des observations Landsat continues au cours du cycle annuel.

Dans ce qui suit, nous présentons l’implémentation de la méthode S-SEBI sur les imageries ASTER et Landsat dans l’optique d’estimer l’ET R de façon spatialisée, et nous exposons les résultat obtenus avec l’exercice d’inter-comparaison entre estimations AS-TER et Landsat pour l’ensemble des variables biophysiques impliquées, incluant variables d’entrée (température, albédo), variables intermédiaires (rayonnement net) et variables de sortie (fraction évaporative, évapotranspiration journalière).

Une partie des résultats du présent chapitre est issu du mémoire intitulé “Utilisa-tion de l’imagerie ASTER et Landsat pour caractériser le statut hydrique des couverts végétaux”. Ce mémoire fut rédigé par Wenjing Ma afin d‘obtenir le grade de Master “Géo-ressources et Environnement, parcours Télédétection et Imagerie des Géo-“Géo-ressources” de ENSEGID / IPB / Bordeaux 3, sous la direction de Carlo Montes et Frédéric Jacob entre avril et septembre de 2012.

9.2 Démarche

Une partie de l’imagerie satellitaire utilisée ici est issue de travaux antérieurs. En particulier, les estimations issues de l’imagerie ASTER ont été obtenues et validées avec des mesures in-situ par Galleguillos et al. (2011a,b).

Les images Landsat 7 ETM+ collectées correspondent à des données brutes qui doivent être prétraitées préalablement à l’implémentation de la méthode S-SEBI. Cela inclut plusieurs étapes (Figure 9.1):

9.2. Démarche • corrections radiométriques incluant le traitement des perturbations

instrumen-tales et atmosphériques;

• corrections géométriques incluant le géoréférencement et la superposition des ima-geries ASTER et Landsat;

• estimation de la température de surface, l’émissivité, ainsi que des variables bio-physiques telles que l’albédo, NDVI, rayonnement net et flux de chaleur dans le sol;

• estimation de la fraction évaporative EF et de l’évapotranspiration journalière ET Rd.

Finalement, après l’obtention de l’ET R spatialisée par la méthode S-SEBI, les résul-tats issus de l’imagerie Landsat sont comparés avec ceux issus de l’imagerie ASTER.

Figure 9.1 – Démarche adoptée pour l’obtention et l’inter-comparaison des estimations

d’ETR issues des imageries ASTER et Landsat. L_j et ρ_j sont la radiance et la réflectance

sur la bande spectrale j, respectivement. 6S et MODTRAN sont des codes de transfert

radiatif atmosphérique. TBB et TR sont la température de brillance et la température

ra-diométrique, respectivement (la température radiométrique est la température de brillance corrigée des effets d’émissivité ε). TES (Temperature Emissivity Separation) est un modèle de transfert radiatif de surface destiné à découpler les effets d’émissivité et de

tempéra-ture (Gillespie et al., 1998). R_n et G sont le rayonnement net et le flux de chaleur dans

le sol, respectivement. EF et ET Rd sont la fraction évaporative et l’évapotranspiration