apport de la télédétection pour estimer les flux et ... · climats semi-arides:...

Apport de la télédétection pour estimerles flux et propriétés hydriques des surfaces

Frédéric JACOB ([email protected]) UMR LISAH, Montpellier SupAgro

IRD - Département Environnement et Ressources

Avec les contributions deLaurent Prévot (LISAH)Jérôme Demarty (HSM)Albert Olioso (EMMAH)

Gilles Boulet et Benoît Coudert (CESBIO)Catherine Ottlé (LSCE)

Stage « Éléments de télédétection depuis l'espace »Rennes, 22 - 26 novembre 2010

2

Plan

� Motivations� Processus considérés et variables ciblées� Estimation directe de l’évapotranspiration � Estimation indirecte de l’évapotranspiration � Contraintes spatiotemporelles� Compléments

3

Motivations

Évapotranspiration et état hydrique des surfaces pour

� Conditions aux limites en hydrologie:– Humidité de surface

qui influence la répartitionruissellement / infiltration

– Humidité de la zone racinaire qui influence leséchanges surface – souterrain

Processuspendant et entre les pluies(storms et inter-storms)

4

Bilan hydrologique annuel sur le bassin versant de Roujan (Hérault)

PluieRuissell.Surface

Ecoulement de base

Total écoulement

Variations Stock

Evapo-transpiration

P S B R=S+B DS E=P-R-DS

1992-93 713 37 172 208 -10 514

1993-94 836 85 223 309 -25 552

1994-95 691 77 159 236 4 451

1995-96 1369 212 390 602 64 703

moyenne 902 102 236 339 8 555% de P 100% 11% 26% 38% 1% 62%

Année hydrologique (01/09 à 31/08)

Climats semi-arides: évapotranspiration ≈ 2/3 des pluies

Motivations

5


� Conditions aux limites pour la couche limite atmosphérique :– Échanges d’humidité et de chaleur (dynamique des écoulements)– Dissémination abiotique (pesticides) et biotique (pollens, insectes)

Time evolution of temperature and velocity of a convective PBL(Sullivan, Patton and Moeng, NASA Land Surface Hydrology Program)

Motivations

6


� Fonctionnement végétation– Flux de C02 (lien entre transpiration et photosynthèse)– Cycle cultural et rendements (efficience d’utilisation de l’eau)

Motivations

7


� Conditions microclimatiques – conditions de croissance, phénologie– stress thermiques et maladies

Motivations

e.g. microclimat• lumineux,• thermique, • hydrique,• gazeux (C02)

8


� Changements climatiques

– rôle des agro écosystèmes pour source – puit CO2– autres GES émis par les agro écosystèmes

– effets sur la production agricole(précipitation, demande évaporative)

INFLUENCE

RETROACTION

Motivations

9

� Motivations� Processus considérés et variables ciblées

– Bilans énergétique et hydrique, fonctionnement végétation– Variables accessibles par télédétection

� Estimation directe de l’évapotranspiration � Estimation indirecte de l’évapotranspiration � Contraintes spatiotemporelles� Compléments

Plan

10G: flux de chaleur dans le solG: flux de chaleur dans le sol

Processus considérés : bilan d’énergie

Rn : bilanRn : bilan

radiatifradiatif

(mono ou

bi-source)

LE: flux LE: flux chaleur chaleur latentelatente

H: flux H: flux chaleur chaleur sensiblesensible TranspirationTranspiration

++ÉÉvaporationvaporation

11

Processus considérés : bilan hydrique

ÉÉvaporationvaporation TranspirationTranspirationSurface (transferts 1D):+ précipitations+ remontées capillaires de

la zone racinaire– flux gravitaires vers

zone racinaire– évaporation

Zone racinaire (transferts 1D):+ flux gravitaires depuis la surface+ remontées capillaires du réservoir– flux gravitaires vers le réservoir– remontées capillaires vers la

surface– transpiration

Réservoir(saturé ou non)

12

Processus considérés : bilan hydrique

ÉÉvaporationvaporation TranspirationTranspiration

Réservoir(saturé ou non)

Richards Richards –– 1D1D((ééquation continuitquation continuitéé))

ExtractionExtractionpar lespar lesracines racines

ConductivitConductivitééhydrauliquehydraulique

Gradient de Gradient de hauteur de hauteur de chargecharge

13

Processus considérés : fonctionnement végétation

Absorption du rayonnement Absorption du rayonnement photosynthphotosynthéétiquement actiftiquement actif

TranspirationTranspiration

Captation du carbone Captation du carbone atmosphatmosphéériquerique

Production matiProduction matièère (sucres)re (sucres)

Allocation (organes)Allocation (organes)

CroissanceCroissance

14

Processus considérés : fonctionnement végétation

),(*)(*)(*)(),( jcAllocationjLUEjfAPARjPARjcM =

•• M:M: matimatièère produitere produite•• c:c: compartimentcompartiment•• j:j: jourjour•• PAR:PAR: Photosynthetically Photosynthetically

Active Radiation (flux)Active Radiation (flux)•• fAPAR:fAPAR: fraction of fraction of

Absorbed Photosynthetically Absorbed Photosynthetically Active RadiationActive Radiation

•• LUE:LUE: Light Use Efficiency Light Use Efficiency (stress dependent)(stress dependent)

15

Processus considérés : évapotranspiration

16

Précision recherchée pour évapotranspiration

� Précision pour valeurs instantanées– 50 W/m2

� Précision pour valeurs journalières– 0.8 mm/jour

� Valeurs régulièrement atteintes en situations favorables

Processus considérés : évapotranspiration

17

� Motivations� Processus considérés et variables ciblées

– Bilans énergétique et hydrique, fonctionnement végétation– Variables accessibles par télédétection

� Estimation directe de l’évapotranspiration � Estimation indirecte de l’évapotranspiration � Contraintes spatiotemporelles� Compléments

Plan

18

Variables accessibles par télédétection

Domaine solaire [0.3Domaine solaire [0.3--3] 3] µµmm

•• AlbAlbéédodo•• Fraction de couverture vFraction de couverture vééggéétaletale•• Indice foliaireIndice foliaire•• Inclinaison des feuillesInclinaison des feuilles•• Contenu en chlorophylle de la vContenu en chlorophylle de la vééggéétationtation•• Contenu en eau de la vContenu en eau de la vééggéétationtation

Bilan Bilan éénergie et nergie et fonctionnement vfonctionnement vééggéétationtation

DomainesDomaines infrarouge moyen [3infrarouge moyen [3--5] 5] µµmminfrarouge thermique [8infrarouge thermique [8--14] 14] µµmm

•• TempTempéérature de surfacerature de surface Bilan Bilan éénergie et hydrique nergie et hydrique ((éévapotranspiration)vapotranspiration)

Domaine microonde [3Domaine microonde [3--5] 5] µµmm

•• HumiditHumiditéé solsol•• Contenu en eau de la vContenu en eau de la vééggéétation tation

Bilan Bilan éénergie et hydrique nergie et hydrique ((éévaporation)vaporation)

19


� Les changements d’état de l’eau consomment / libèrent une grande quantité d’énergie :– chaleur latente de vaporisation L = 2460 J g-1

– capacité calorifique Cp = 4.19 J g-1 °C-1

� Il faut 6 fois plus d’énergie pour évaporer 1 g d’eau que pour le chauffer de 0°C à 100°C (sans évaporation)

� chaleur latente de fusion (glace → eau) : 335 J g-1

La tempLa tempéérature de surface ?rature de surface ?

20


HRn

G

LE H

Rn

G

LE

Surface sèche :

H ≈ Rn ⇒ Ts-Ta �LE ≈ 0

Surface irriguée :

LE ≈ RnH (et G) ≈ 0 ⇒ Ts-Ta ≈ 0

La tempLa tempéérature de surface ?rature de surface ?

21

Land surface temperature (LST) and daily evapotranspiration (ET)Land surface temperature (LST) and daily evapotranspiration (ET) retrieved retrieved from Airborne Hyperspectral Scanner (AHS) data over the Barrax afrom Airborne Hyperspectral Scanner (AHS) data over the Barrax agricultural gricultural area during the SEN2FLEXarea during the SEN2FLEX--2005 campaign (Sobrino et al., 2008).2005 campaign (Sobrino et al., 2008).


22


Landsat Landsat (op(opéérationnel)rationnel)ASTER ASTER (exp(expéérimental)rimental)

MODISMODISAATSRAATSR

NadirNadirviewview

Across Across tracktrackviewview

Along Along tracktrackviewview

AATSRAATSR

23


TELEDETECTION TELEDETECTION AEROPORTEEAEROPORTEE

24


La tempLa tempéérature de surface :rature de surface :un composite qui run composite qui réésultesultedes des éémissions / rmissions / rééflexion desflexion des

-- feuillesfeuilles-- branchesbranches-- solsol-- ombragesombrages-- ensoleillementsensoleillements

( ) ( )( ) ascRatm

TradLTbLsurf Planck

,1 εε

−+=

TempTempéératureraturemesurmesurééee

TempTempéératureraturerecherchrecherchééee

25

Plan

� Motivations� Processus considérés et variables ciblées� Estimation directe de l’évapotranspiration

– Bilan d’énergie mono source– Température aérodynamique et paramètre kB-1

– Bilan d’énergie bi-source– Modèles multi-locaux– Modèles spatialisés

� Estimation indirecte de l’évapotranspiration � Contraintes spatiotemporelles� Compléments

26

Processus considérés : principe du bilan d’énergie

� loi de conservation :

∑∑ −=∆ se FFSt

� s’applique à toutes les échelles d’espace (feuille, parcelle, BV, région) et à toutes les échelles de temps

� « flux » = densités de flux [ W/m², kg/(m².s), …]

27

Bilan d’énergie mono source

Rayonnement solaire incident Rg

(Direct + Diffus par atmosphère)

Rayonnement solaire

réfléchi a.Rg

• Hémisphère supérieur

• Toutes longueurs d’onde sur

[0.3 - 3] µm

Énergie absorbée: (1-a).Rg

Rayonnement solaire

28

Rayonnement atmosphérique Rayonnement atmosphérique

incident Ra sur [3-100] µm

Rayonnement atmosphérique

réfléchi ρ.Ra = (1-ε).Ra

(Ra = ρ.Ra + ζ.Ra = ρ.Ra + ε.Ra)

Énergie absorbée: (1 - ρ).Ra = ε.Ra

Rayonnement solaire



• Toutes longueurs d’onde

sur [3 - 100] µm

29


Rayonnement terrestre

émis sur [3-100] µm

Énergie émise: - ε.σ.T4

4TM σε=

Rayonnement solaire


• Toutes longueurs d’onde

sur [3 - 100] µm

Émissionterrestre


30


Énergie émise: - ε. σ.T4

Énergie absorbée: ε.Ra

Énergie absorbée: (1-a).Rg

)()1( 4TRaRgaRn σε −+−=

Bilan radiatifBilan radiatif

Rayonnement solaire


radiatifradiatif

Émissionterrestre


31

Flux de conduction Gproportionnelau gradient de température

z

TG

∂∂−= λ

λ : conductivité thermiquedu milieu (Wm-1K-1)



radiatifradiatif

G: flux de chaleur dans le solG: flux de chaleur dans le sol

32


� Méthodes de détermination de G et des propriétés thermiques lourdes et assez imprécises

� Expression pour une couche de surface ∆z :

z

ToTsG

∆−= λ

: conductivité thermiqueéquivalente de la couche ∆z

Ts : température de surfaceTo : température à la base de la

couche ∆z

λ

33



H: flux H: flux chaleur chaleur sensiblesensible


radiatifradiatif


34

Bilan d’énergie mono et bi-sourceBilan d’énergie mono source

Couche limite de surface

� zone d’écoulement directement en équilibre avec la surface et

dans laquelle les flux sont conservatifs (hauteur = quelques mètres

à quelques dizaines de mètres)

35

Bilan d’énergie mono et bi-source

� Écoulement laminaire : les filets d’air ne s’interpénètrent pas → échanges réduits (≈ conduction)

� Écoulement turbulent : toute une gamme de tourbillons dans le fluide → échanges amplifiés

� nombre de Reynolds : Re = v L / ν = inertie / viscosité– Re > 2500 → écoulement turbulent


Régimes de convection : laminaire / turbulent

36


� Convection forcée : moteur de la convection externe (soufflerie, vent, …)

� Convection libre : mouvement uniquement dû à un gradient thermique

� Convection mixte : mélange des deux

� Convection libre, laminaire : rare (fumée de cigarette)� Convection libre, turbulente : fumée de cigarette à distance, cumulus� Convection forcée, laminaire : feuilles de végétal� Convection forcée, turbulente : temps couvert et venteux� Convection mixte, turbulente : cas général

37


� par analogie avec les transferts diffusifs (conduction de la

chaleur, diffusion moléculaire), on considère que les flux Fc sont proportionnels au gradient de la variable scalaire cconsidérée (température, concentration)

– le coefficient de proportionnalité Kc est appelé diffusivitéturbulente

z

CKF CC ∂

∂−=

38


� l’intégration entre deux niveaux z1 < z2 conduit àl’expression du flux :

12

21

aC r

CCF

−∝

– le terme ra12 est appelé résistance aérodynamique, il dépend des vitesses U1 et U2, des caractéristiques de la surface et de la stabilité atmosphérique.

39




radiatifradiatif


40


� par intégration entre deux niveaux, le flux de chaleur sensible s’écrit :

12

21

ap r

TTcH

−= ρ

ρ est la masse volumique et cp est la chaleur massique de l’air

� si le niveau z1 est à la surface, l’expression du flux de chaleur sensible devient :

aH

asp r

TTcH

−= ρ

Ta est la température de l’air au niveau de référenceTs est la température de la surface

41





radiatifradiatif


42


Expression similaire à celledu flux de chaleur sensible :

es et ea : pressions de vapeur de surface et au niveau de référence zaρ : masse volumique, cp : chaleur massique de l’airγ : constante psychrométrique

aLE

asp

r

eecLE

−=γ

ρ

Pression de vapeuren surface ?

Canopée = feuille unique : cavité stomatique unique où l’airest saturé en vapeur d’eau à la température de surface Ts

ea : pression partielle de vapeurd’eau au niveau de référence

esat(Ts) : pression de vapeur saturanteà la température de la surface

rc : résistance stomatique

aLEc

assatp

rr

eTecLE

+−= )(

γρ

43





LEHGRn −−−=0


radiatifradiatif


44


� Hypothèses :

� couvert végétal uniforme et suffisamment étendu : transferts selon la direction verticale (échanges latéraux négligés)

� couvert végétal assimilé à une surface mince : stockage d’énergie négligeable (faux pour les forêts)

� processus chimiques (photosynthèse) négligeables en termes énergétiques

LEHGRn −−−=0

45



LEHGRn −−−=0

ac

assatp

a

asp rr

eTec

r

TTc

z

ToTsTsRaRga

+−+−+

∆−=−+− )(

)()1( 4

γρ

ρλσε

Rn = G + H + LE

température de surface Ts intervient dans tous les termes

→ variable d’équilibre du bilan d’énergie

46

Plan





47

( ) ( )

−−

−==−MO

mom

*om L

dzψ

z

dzlog

k

uzzuzu Profil de vent

pseudo-logarithmique

d : hauteur de déplacement= shift des profils à cause

du couvert végétal

Température aérodynamique et paramètre kB-1

48

u : vitesse du vent au niveau de référenced: hauteur de déplacement ≈ 0.7 h (h: hauteur du couvert végétal)z0m : longueur de rugosité mécanique ≈ 0.13 hu*: vitesse de friction (contrainte de cisaillement)LMO : longueur de Monin-Obhukov, nombre adimensionnel qui

caractérise la stabilité thermiquek : constante de Von Karman = 0.4ψm: fonctions permettant de tenir compte de l’effet de la stabilité

( ) ( )

−−

−==−MO

mom

*om L

dzψ

z

dzlog

k

uzzuzu


49

( ) ( )( )

( ) ( )( )

−−

−=−−=

−−

−=−−=

−=−=

MOm

om*

om

MOm

om

om*

**

2*

Ldz

ψz

dzlog

ku1

zzuzuρτ

Ldz

ψz

dzlog

zzuzukρuτ

uρuτ

ρuτ


−−

−=MO

mom*

aM L

dzψ

z

dzlog

ku

1r

Flux de quantité de mouvement et résistance aérodynamique associée

Flux

Résistance

Gradient

50

−−

−

−−

−=

−−

−=

MOm

om2

MOh

ohaH

*MOh

ohaH

L

dzψ

z

dzlog

uk

1

L

dzψ

z

dzlogr

ku

1

L

dzψ

z

dzlogr

u : vitesse du vent au niveau de référenced: hauteur de déplacement ≈ 0.7 h (h: hauteur du couvert végétal)z0m : longueur de rugosité mécanique ≈ 0.13 hz0h : longueur de rugosité thermique, avec mécanique z0h / z0 ≈ 0.1u*: vitesse de friction (contrainte de cisaillement)LMO : longueur de Monin-Obhukov, nombre adimensionnel qui

caractérise la stabilité thermiquek : constante de Von Karman = 0.4ψh, ψm: fonctions permettant de tenir compte de l’effet de la stabilité

z

CKF CC ∂

∂−=

Intégration


51


aH

asp r

TTcρH

−=

Température de surface: température aérodynamique

Rugosité thermique Rugosité mécanique

Température aérodynamique et rugosité thermique : Grandeurs aux significations physiques équivoques

−−

−

−−

−=

−−

−=

MOm

om2

MOh

ohaH

*MOh

ohaH

L

dzψ

z

dzlog

uk

1

L

dzψ

z

dzlogr

ku

1

L

dzψ

z

dzlogr

−−

−=MO

mom*

aM L

dzψ

z

dzlog

ku

1r

52


Rugosité mécanique zom : hauteur pour laquelle la vitesse du vent est nulle dans l’hypothèse où son profil est logarithmique jusqu’à la surface

53

Rugosité thermique zoh : hauteur à laquelle la température de l’air est égale à la température de surface, nommée température aérodynamique


54

Température aérodynamique : grandeur effective qui symbolise les sources de chaleur que constituent le sol et la végétation


55


résistance aux transfertsde quantité de mouvement

résistance auxtransferts de chaleur > (Thom, 1972 ;

Garatt, 1978)

zom > zoh

*

1aMaH

*oh

om

*MOh

omaH

*MOh

oh

om

omaH

*MOh

oh

om

om*MOh

ohaH

ku

1kBrr

ku

1

z

zlog

ku

1

L

dzψ

z

dzlogr

ku

1

L

dzψ

z

zlog

z

dzlogr

ku

1

L

dzψ

z

z

z

dzlog

ku

1

L

dzψ

z

dzlogr

−+=

+

−−

−=

−−

+

−=

−−

−=

−−

−=

=−

h

om

z

zkB log1

excess resistance

56


*

1

*MOh

om

asp

ku1

kBku1

Ldz

ψz

dzlog

TTcρH

−+

−−

−−=

Températureaérodynamique(souffleries &inversion H,modélisation)

Injectiontempérature

Facteur decorrection

[ ]1521 −∈−kB

Influences - structure du couvert- vent- position solaire- état hydrique

Températureradiométrique [ ]4021 −∈−kB

Influences additionnelles - angle de visée- intervalle spectrale- résolution spatiale

57


( )TaTradUfkB −=− ,1 Kustas et al. (1989)

Chehbouni et al. (2000)

*

1log

kuL

dz

z

dz

TT

TT

TTcH

MOh

om

arad

arad

aaerop

−−

−−

−−=

ψρ

Coefficient empirique

58


SVAT modelled

inverted fromobservations

59


Température aérodynamique et rugosité thermique: Grandeurs aux significations physiques équivoques

Modélisation bi-source (sol et végétation)

aH

asp r

TTcρH

−=

−−

−

−−

−=

−−

−=

MOm

om2

MOh

ohaH

*MOh

ohaH

L

dzψ

z

dzlog

uk

1

L

dzψ

z

dzlogr

ku

1

L

dzψ

z

dzlogr

60

Plan





61

Bilan d’énergie bi-source

Tveg qsat(Tveg)

qav

62

Bilan d’énergie bi-source

Température aérodynamique non équivoque

ras

ra

rav

raras

TT

rav

TT

cH

asolaveg

p

++

−+−

=1

ρaH

asp r

TTcH

−= ρ

63

Plan





64

Modèles multi locaux

ON A PIXEL BASIS

65


� Rn et G par télédétection : OK par rapport aux mesures terrain� Rn = f ( solar et atmosphere irradiance, albedo, surface temperature )

� G = φ . Rn avec φ = f (albedo, surface temperature )

� Modèle mono source de Kustas et al. (année 1990)� évapotranspiration résultante du bilan d’énergie: LE = Rn – G - H

� Validation OK à l’échelle locale, précision de l’ordre de 50 W/m2

� spatialisation difficile (température de l’air et vitesse du vent ?)

� Modèle bi-source de Kustas et Norman (1995-2000)� Température composite � température sol et végétation

� Validation OK à l’échelle régionale, précision de 50 W/m2

� Problèmes de paramétrages sur les résistances (fonctions complexes avec profils de vent et de LAI dans le couvert végétal)

66


∆+∆=

γα nVGV RfLE

SHAH

ASpS rr

TTcH

+−= ρ

Z=zom

Z=zref

VVV LERnH −=

rsH

raHSSS HGRnLE −−= 0

No aero resistance

Découplage Ts et Tv

67

ξθθ1

minmax

max )(1)(

−−−=

NDVINDVI

NDVINVVIf

( )[ ] 41

44 1)( SVrad TfTfT θθθ −+=

)(

)1ln(

l

fLAI

θβ−=


68


∆+∆=

γα nVGV RfLE

Z=zom

Z=zref

VVV LERnH −= 1

2

69

( )[ ] 41



3 4

VVV LERnH −=

2

TempTempéératureraturemesurmesurééee

70


SHAH

ASpS rr

TTcH

+−= ρ

rsH

raHSSS HGRnLE −−= 0

( )[ ] 41


45

6

71


∆+∆=

γα nVGV RfLE

Z=zom

Z=zref

Condensation LEs < 0Correction LEs avec Bowen (H/LE) = 10

On reprend le système d’équations des flux

Condensation LEv < 0Correction avec LEv = 0 et LEs = 0

On reprend le système d’équations des flux

Prise en compte stress

72


Exemple validationTSEB SurMOONSOON’90et SGP’97 (petitesrégions agricoles)

Timmermans et al., 2007Timmermans et al., 2007

RMSE = 35W/m2

RMSE =30W/m2

RMSE =60W/m2

RMSE =40W/m2

73


Exemple validation TSEB sur SMACEX’02(petite région agricole)

74

Plan





75Calculs sur un pixel en fonction des autres pixels

Modèles spatialisés

76

� Rn et G par télédétection : OK par rapport aux mesures terrain� Rn = f ( solar et atmosphere irradiance, albedo, surface

temperature )� G = φ . Rn avec φ = f (albedo, surface temperature )

� Modèle mono source exclusivement� Pas de discrimination sol et végétation

� évapotranspiration résultante du bilan d’énergie� LE = Rn – G - H


77


LE = Rn – G - H

78


VariablesVariablesatmosphatmosphéériquesriqueshomoghomogéénnééisisééss

79


Ts,min

80


Exemple validation SEBAL sur RESEDA(zone agricole 25 km2)

Ta: résultats similaires sur Sud-Ouest (RMSE = 1K)

RMSE = 1m/s

RMSE = 1K

81

Modèles spatialisés Exemple validation SEBAL sur RESEDA(zone agricole 25 km2)

RMSE = 20W/m2RMSE =40W/m2

RMSE =70W/m2

RMSE =50W/m2

82


S-SEBI (Roerink et al., 2000)

Albedo

SurfaceTemperature

83


Requirements: capturing the relevant variability in water status

B

A

)( GRnLE −Λ=

LEH

SH

TTTT

−−=ΛT

H

TLE

TS

Hmax

LEmax

S-SEBI (Roerink et al., 2000)

Albedo

Th

Ts

TLE

Surface temperature

Contextual estimation

LEH

LE

+=ΛFraction

Evaporative

84


Requirements: relevance of vertex characterization

TA-TBTA-TCWDI =

( ) ETMWDI1ET −=

Theoretical estimation(energy balance inversion)

WDI (Moran et al., 1994) ETM

ET1WDI −=

85


Requirements: relevance of vertex characterization

TA-TBTA-TCWDI =

( ) ETMWDI1ET −=

Theoretical estimation(energy balance inversion)

WDI (Moran et al., 1994)

86


87


RMSE = 0.8 mm/d

RMSE = 1.1 mm/d

HYDRUS-1D based validation (7 sites)

S-SEBI

WDIOverall literature

performances ≈≈≈≈ [0.8-1.2] mm/d

Exemple validation SSEBI et WDI sur La Peyne (bassin versant ressource 100 km2)

88


)G(RnLEΛ

ii

ii −=

S-SEBI

89


Irregularly stonycalcosols and luvisols on plio-Villafranchian

alluvium

Fluvisols

Calcosols on wurm terraces and

Miocene sediments

Very Stony luvisolsOn Wurm terraces

Calcaric cambisolson colluvium of

Miocene sediments (with watertable)

Discrimination of coarse soil classes

evaporative fraction

Soil units 1 : 25000

90


B

A

TH

TLE

TS

Albedo

Th

TLE

WDIS-SEBI

Ts

Surface temperature

Capturing the relevantvariability in water status

Sensitivity studies on underlyingassumptions and key points

Relevance of vertexcharacterization

91


Contextual approaches: impact of the study area

Reference area

Variation 10%Variation 40%

Extended area Restricted area (vine)

S-SEBI

92

Wind speed in aerodynamic resistances: 1 m.s-1 variation � up to 40% on ∆(WDI)

Variability of the WDI inputs:• bibliographic information (Giordani et al. 1996, Sene et al. 1994,

Jacob et al. 2002, Thome et al. 1998)• measured information

• sensitivity < 5% : Patm, max. canopy resistance• sensitivity є [5-10]% : Ta, Ts, G0, SAVI, zom/zoh, zom, veg. height,

humidity, min canopy resistance, net radiation• sensitivity > 10 % : wind speed

∆(WDI) =WDIref - WDIsim


93

Plan

� Motivations� Processus considérés et variables ciblées� Estimation directe de l’évapotranspiration � Estimation indirecte de l’évapotranspiration

– Bilan hydrique et fonctionnement végétation– Principe de l’assimilation– Calibration multi-critère et multi-objectif– Contrôle par filtre de Kalman

� Contraintes spatiotemporelles� Compléments

94

Bilan hydrique et fonctionnement végétation

Vegetation parameters

including LAI and veg. heightSoil

description

Hourly meteodata

Water balance Energy balance

Water transf.

Turbulent transf.

Radiative transf.

Evapotranspiration

Surface temp.

Energy fluxes

ISBA

Stomatal conductance

95

Vegetation parameters

including LAI and veg. heightSoil

description

Hourly meteodata

Water balance Energy balance

Water transf.

Turbulent transf.

Radiative transf.

Evapotranspiration

Surface temp.

Energy fluxes

ISBAAgs

Stomatal conductance

Photosynthesis

Biomass

LAI


96


97

Plan




98

Radiometric data (simulated)

RT models

Principe de l’assimilationRadiometric data(measurements)

adjustement canopy and soilvariables

Canopy stateproductionSVA fluxes

Environ. budgetSVAT model

Canopy &soilforcing

Canopy func-tioning model

LAI, Cabwater content

heightstructure

soil moisturetemperature

99

Principe de l’assimilation

t0 t1 t2 t3 time

LAI

time

ci 1

ci 2

t0 t1 t2 t3

LAI

1. Méthodes séquentielles Prédiction - correction

� Filtre Kalman

2. Méthodes variationnellesContrôle optimal

� calibration multi-critère multi-objectif

� méthode de l’adjoint

Mise à jour des variables d’état

Estimation paramètres et initialisation

100

Plan




101

Calibration multi-critère et multi-objectif

� Le problème d’assimilation de données est transformé en un problème d’optimisation.

� La recherche du minimum de la fonction coût

J = |simulations - observations|² + erreur modèle + info a priori

est effectuée avec des méthodes standard (gradient conjugué, Quasi-Newton)

� Cette méthode requiert le calcul du gradient de J (condition d’optimalité):

∇J = 0 � J est un optimum

� approximation analytique (simulations stochastiques)� méthode du modèle adjoint

Apport de la tApport de la t ééllééddéétection multitection multi --capteurs dans la modcapteurs dans la mod éélisation TSVAlisation TSVA

Modèles de Transfert Radiatif

GG

LELERRnn

Rg

RaRa

HH PP

Modèle TSVA

Variables atmosphériques

Conditions initiales

Quelle méthode pour exploiter l'information satellitale ?

Propriétés du Sol / Végétation

Télédétection

multi-capteurs

ProblProbl éématiquematique

Signaux

radiométriques

Flux NRJ/EauTempératures

Humidités

ComparaisonCaractérisation de la surface

(Méthode d'assimilation)

Quelle mQuelle m ééthode pour exploiter l'information thode pour exploiter l'information satellitalesatellitale ??

Paramètres Variables d'intérêt

MODELE

Y1(t,θθθθ)Y2(t ,θθθθ)...Yj(t ,θθθθ)

θθθθ1

θθθθ2

…θθθθk

Observations satellitales

O1(t)O2(t)…Oj(t)

ComparaisonX =

MMééthode thode d'assimilation ?d'assimilation ?


Nombre important de paramètres et de variables d'in itialisation


MODELE


θθθθ1

θθθθ2

…θθθθk


O1(t)O2(t)…Oj(t)

ComparaisonX =



Nombreux processus non linéaires et couplés



MODELE


θθθθ1

θθθθ2

…θθθθk


O1(t)O2(t)…Oj(t)

ComparaisonX =



Nombreux processus non linéaires et couplés


Comparaison simultanée de plusieurs variables


MODELE


θθθθ1

θθθθ2

…θθθθk


O1(t)O2(t)…Oj(t)

ComparaisonX =



Méthodes stochastiques et multiobjectifs

MCIP (Demarty et al., WWR, 2003)

MODCOM-UA (Yapo et al., WWR, 1998)


MODELE


θθθθ1

θθθθ2

…θθθθk


O1(t)O2(t)…Oj(t)

ComparaisonX =


MMééthode d'assimilation MCIPthode d'assimilation MCIP

θθθθ1,min θθθθ1,max

- Tirage aléatoire des k paramètres du modèle

Espace des paramEspace des paramèètrestres

θθθθ2,min θθθθ2,max

θθθθk,min θθθθk,max

Tirage de N jeux de paramètres Xi= {θ1i, θ2

i,.., θki } ; i =1,…,N

��


Modèle


- Génération d'un ensemble de N simulationsCaractère stochastique

Espace des paramEspace des paramèètrestres

θ1,min θ1,max

θ2,min θ2,max

θk,min θk,max

Génération de N simulations

��

��


Modèle Observations

RMSE2

RMSE1

••••

••••

••••

••••

••••••••

••••••••

••••

••••

••••

••••

••••

•••• ••••

••••

••••

••••

••••

••••••••

••••

••••

••••

••••

••••••••

••••

••••

••••

••••

••••

••••

•••• ••••

••••

••••

••••

••••

••••

••••

••••••••

••••

••••

••••

••••

••••

••••

••••

••••

•••• ••••

••••

••••

••••

•••••••• ••••

••••••••

••••

••••

••••

••••

••••••••

••••


- Génération d'un ensemble de simulations

- Évaluation des performances (Fonctions objectifs)

Espace des paramEspace des paramèètrestres Espace des critEspace des critèèresres(exemple simple pour 2 RMSE)

θ1,min θ1,max

θ2,min θ2,max

θk,min θk,max

��

��

��


••••••••

RMSE2

RMSE1

••••

••••

••••

••••

••••••••

••••••••

••••

••••

••••

••••

••••

•••• ••••

••••

••••

••••

••••

••••••••

••••

••••

••••

••••

••••••••

••••

••••

••••

••••

••••

••••

•••• ••••

••••

••••

••••

••••

••••

••••••••••••

••••

••••

••••

••••

••••

••••

••••

••••

•••• ••••

••••

••••

••••

•••••••• ••••

••••••••

••••

••••

••••

••••

••••

••••

••••

SeuilSeuil 11

Modèle




-Technique de sélection des "meilleures" simulations

� Seuillage + Rangement de Pareto

Caractère multiobjectif

��

��

��

Espace des paramEspace des paramèètrestres Espace des critEspace des critèèresres(cas simple pour 2 RMSE)

θ1,min θ1,max

θ2,min θ2,max

θk,min θk,max

••••••••

SeuilSeuil 22

Observations


••••

••••

RMSE2

RMSE1

••••

••••

••••

••••

••••••••

••••••••

••••

••••

••••

••••

••••

•••• ••••

••••

••••

••••

••••

••••••••

••••

••••

••••

••••

••••••••

••••

••••

••••

••••

••••

••••

••••

••••

••••

••••

••••

••••

••••

••••••••

••••

••••••••

••••

••••

••••

••••

••••

••••

••••

••••••••

•••••••• ••••

••••••••

••••

••••••••••••

••••

••••





- Technique de sélection des "meilleures" simulations

- Réduction des intervalles d'incertitude des paramètres

��

��

��

θ1,min θ1,max

θ2,min θ2,max

θk,min θk,max

Modèle

Processus ItProcessus It éératifratif

Observations


••••

••••

RMSE2

RMSE1

•••• ••••

••••••••

••••••••

•••• •••• ••••

••••

••••••••••••

••••••••

••••••••

••••

••••

••••

•••••••••••••••• ••••••••

••••

••••••••••••

••••••••

••••••••

••••

••••

•••• ••••••••

••••

••••••••

••••••••••••

••••

••••

•••••••• ••••••••

••••••••••••••••••••••••

••••

••••••••

••••••••

••••

••••••••





- Technique de sélection des "meilleures" simulations

- Réduction des intervalles d'incertitude des paramètres

��

��

��

θ1,minθ1,max

θ2,min θ2,max

θk,minθk,max

Modèle

Processus ItProcessus It éératifratif

∆∆∆∆∆∆∆∆RMSE2RMSE2

∆∆∆∆∆∆∆∆RMSE1RMSE1Observations

DDééveloppement des outils de modveloppement des outils de mod éélisationlisation

Couplage ISBA-Ags avec MTR

ISBA Ags

Ts

θθθθs

θθθθs

(µondes passives)

TauTau--omomééga ga

22MM --SSAAII LL

(Visible-IR)ττττv, ααααv, …

TempTempéératures ratures de brillancede brillance

BeerBeer--LambertLambert

(IR Thermique)

RRééff lelectctanancceses

TempTempéératures ratures de brillancede brillance

LAI

LAI

LAI

Application de MCIP : ISBAApplication de MCIP : ISBA --AgsAgs

RMSE Tb IRT (K) RMSE Tb IRT (K)

RM

SE

Tb

µ-o

ndes

(K)

Processus itProcessus it éératif ratif

9 it9 it éérations de 5000 simulations (1rations de 5000 simulations (1 semainesemaine ))

RMSE H (W.m-2)

RM

SE

LE

(W

.m-2

)

RMSE² H (W.m-2)

RMSE Tb IRT ≈≈≈≈ 1.5 K

RMSE Tb µ ≈≈≈≈ 6.6 K

RMSE H ≈≈≈≈ 45 W.m-²

RMSE LE ≈≈≈≈ 55 W.m-²


Évapora

tion (m

m.j

-1)

Dynamique de la vDynamique de la v ééggéétationtation

Jour julien Jour julien

Indic

e F

oli

air

e (m

2.m

-2)

Impacts des assimilations IRT et µondes dans le

modèle ISBA-Ags

Observations in situ

Ensemble des simulations finales

HumiditHumidit éé de la zone racinairede la zone racinaire

ÉÉvaporation journalivaporation journali èèrere

Jour julien

Hum

idit

é(m

3.m

-3)

Application de MCIP : ISBAApplication de MCIP : ISBA --AgsAgsCas IRT Cas IRT + µondes Cas µondes

Dynamique de la vDynamique de la v ééggéétationtation

HumiditHumidit éé de la zone racinairede la zone racinaire

RMSE Tb IRT ≈ 1.5 K

RMSE Tb µ ≈ 6.6 K

RMSE Tb IRT ≈ 1.4 K RMSE Tb IRT ≈ 2.9 K

RMSE Tb µ ≈ 5.6 K

120

Plan




121

Contrôle par filtre de Kalman

Extended KalmanFilter (EKF)

avec

observation

ébauche

analyse

Temps

Variable d’état

sequence

innovation

122


Ensemble Kalman Filter (EnKF)

Principle :

Generation of an ensemble of model trajectories to estimate the error covariance matrices at the

time of the update

123


Ensemble Kalman Filter

simulated state-observations

cross-covariance matrix

simulated observation variance-covariance matrix

measured observation variance-covariance matrix

124


� Modèle FAO-56 simple

ET0 Kc Ks AET =

RAW-TAW

Dr-TAW Ks =

TAW = réserve utile zone racinaireRAW = eau extractible par planteRAW = p . TAW (p d’après FAO)Dr = assèchement zone racinaire

Dr par bilan hydrique:Dr(i) = Dr(i-1) – I(i) – P(i) +AET(i)

125


� Modèle FAO-56 simple

AET observée par TLD avecmodèle mono source (type Kustas)

MISE à JOUR

ET0 Kc Ks AET =

RAW-TAW

Dr-TAW Ks =

126


127


128


129

Plan


130

Processus considérés et variables ciblées

Landsat Landsat (op(opéérationnel)rationnel)ASTER ASTER (exp(expéérimental)rimental)

MODISMODISAATSRAATSR

NadirNadirviewview

Across Across tracktrackviewview

Along Along tracktrackviewview

AATSRAATSR

131

Contraintes spatiotemporelles

Tem

psTe

mps

EspaceEspace

heureheure

jourjour

semainesemaine

moismois

1 m1 m 100 m100 m 1 km1 km 10 km10 km

QuickbirdQuickbird

10 m10 m

IKONOSIKONOS

AATSRAATSR

MODISMODIS

AVHRRAVHRR

VGTVGT

GOESGOES

MSGMSG

PolDERPolDER

ParasolParasol

MERISMERIS

MISRMISR

ASTERASTER

LandSATLandSAT

SPECTRASPECTRAVENUSVENUS

RocSatRocSat

SPOTSPOT

HHÉÉTTÉÉROGROGÉÉNNÉÉITITÉÉ

SUIVI TEMPORELSUIVI TEMPOREL

SMOSSMOS

132

Plan


– Notions sur les échanges radiatifs– Télédétection infrarouge thermique et température de surface

133

reflectance : Er / Eitransmittance : Et / Ei grandeurs spectralesabsorptance : Ea / Ei

énergie réfléchie (albédo) : Er = a.Eiénergie transmise : Et = 0 (surface opaque)énergie absorbée : Ea = Ei – Er = (1-a).Ei

EiEr

Ea

Et

surface « mince »

Ei = Er + Ea + Et (W/m²)

}

Notions sur les échanges radiatifs

134

� tout corps émet un rayonnement lié à sa température

� corps noir = émetteur parfait (transforme l’énergie thermique en énergie radiative avec un maximum d’efficacité)

T : température du corps noir (K) λ : longueur d’onde (m) h : constante de Planck = 6.63.10-34 J.s k : constante de Boltzmann = 1.38.10-23 J/K

� luminance spectrale du corps noir via la loi de Planck :

)1)/(exp(/2 52 −= − TkhchcL λλλ


135

4TM σε= (W/m²)

� énergie émise par un corps réel : notion d’émissivité ε

� l’émissivité ε est comprise entre 0 et 1 (corps noir)

σ : constante de Stephan-Boltzmann = 5.6687.10-8 Wm-2K-4

T : température du corps noir (K)

4TM σ=

� énergie émise par un corps noir (exitance totale obtenue par intégration spectrale et directionnelle de ) :

(W/m²)

λL

λλε L


136

� corps noir à l’équilibre thermique avec son environnement


EiEr

Easurface « mince »

Ei = Er + Ea (opacité)

1 = ρ + a = 0 + ε

� corps gris à l’équilibre thermique avec son environnement Ei

Er

Easurface « mince »

Ei = Er + Ea (opacité)

1 = ρ + a

1 = ρ + ε

Ee = Ea

Ee = Ea

137

� longueur d’onde du maximum d’émission : loi de Wien

λ : longueur d’onde (m)T : température du corps noir

(K)

Tm /10.879.2 3−=λ

� 99% de l’émission du corps noir entre 0.5 λm et 8 λm


138

� le soleil peut être assimilé à un corps noir à 6000 K� maximum d’émission = 0.55 µm� 99% de l’énergie émise entre 0.28 et 4.4 µm

forte influence de l’atmosphère


139

� Les surfaces terrestres émettent un rayonnement d’origine thermique selon la température de leur surface Ts et selon leur émissivité ε

� pour une surface à 288 K (15 °C), le maximum d’émission(loi de Wien) est à 10 µm

� 99% de l’énergie est émise entre 0.5 µm et 80 µm

4TM σε= (W/m²)


140

solaire = courtes longueurs d’ondes

thermique = grandes longueurs d’ondes


141

� les molécules et aérosols contenus dans l’atmosphère émettent du rayonnement selon la loi de Planck : c’est le « rayonnement atmosphérique », noté Ra

� ordre de grandeur : 300 à 400 W/m²

� varie selon la composition de l’atmosphère et selon sa température


142

Plan



– Processus impliqués et température de brillance– Grandeurs composites: température radiométrique et émissivité– Températures radiométriques sol et végétation

143

Télédétection IRT et température de surface

Entre 8 et 14 µm

(entre 3 et 5 µm)

144Atmospheric transmissivity for a midlatitude summer atmosphere wAtmospheric transmissivity for a midlatitude summer atmosphere with a totalith a totalatmospheric water vapor content of 2 g/cmatmospheric water vapor content of 2 g/cm22

Absorption par 03

Absorption par H20


145

Émission par 03

Émission par H20

Spectral variation of the atmospheric Spectral variation of the atmospheric downwellingdownwelling emittanceemittance for the 6 for the 6 atmospheric models belonging to the MODTRAN database and used toatmospheric models belonging to the MODTRAN database and used to generate generate the simulated database: midlatitude (the simulated database: midlatitude (midlamidla) and ) and subarticsubartic ((subarsubar) / winter (win) ) / winter (win) and summer (sum), tropical and US standard (and summer (sum), tropical and US standard (usstandausstanda) atmosphere. ) atmosphere.


146

Mean Mean emissivityemissivity spectrum for 108 natural samples including rocks, soils, spectrum for 108 natural samples including rocks, soils, vegetation, water and ice. Maximum, minimum, mean plus standard vegetation, water and ice. Maximum, minimum, mean plus standard deviation and deviation and mean minus standard deviation are also plotted.mean minus standard deviation are also plotted.


147

Température de brillance

)1)/(exp(/2 52 −= − TkhchcL λλλ

Température équivalente àcelle d’un corps noir émettant la même énergie radiative

148


ascLatmTbTaLsurfLmes ,)( +=

Corrections atmosphériquespar:1. simulation du transfert

radiatif atmosphérique,2. sondage atmosphérique

(e.g. rapport de radiance proche infrarouge pour contenu en vapeur d’eau)

Sondage simultané

149


Atmospheric TIR radiative regime for an off nadir propagation. TAtmospheric TIR radiative regime for an off nadir propagation. The key processes to be he key processes to be considered for atmospheric corrections are emission and absorpticonsidered for atmospheric corrections are emission and absorption by atmospheric on by atmospheric constituents. Within a horizontally homogeneous atmosphere, the constituents. Within a horizontally homogeneous atmosphere, the radiative regime depends radiative regime depends on the vertical fields of temperature and density for emitters aon the vertical fields of temperature and density for emitters and absorbers. Regardless of nd absorbers. Regardless of considered layer (considered layer (zizi or or zkzk), radiative regime is driven by atmospheric absorption (1), ), radiative regime is driven by atmospheric absorption (1), atmospheric emission (2), and surface emission through atmospheratmospheric emission (2), and surface emission through atmosphere transmission (3).e transmission (3).

Simulation du transfert radiatif atmosphérique:

Connaissance des profils verticaux (pression, température humidité)

Profilsatmosphériquesmesurés ou simulés

150

Plan




151

Température radiométrique et émissivité

( ) ascRatm

TradLTbLsurf Planck

,1

)()(

εε

−+=

Pour une mesure sur un intervalle spectral

N intervalles:-> N équations-> N+1 inconnues que sont

N émissivités1 température

TempTempéératureraturede brillancede brillance

TempTempéératureratureradiomradioméétriquetrique

152


( ) ( ) ( )( ) ( ) ( )

( ) ( ) ( )( ) ( ) ( ) ascRatmjTradLjTbLsurf

ascRatmiTradLiTbLsurf

ascRatmjTradLjTbLsurf

ascRatmiTradLiTbLsurf

tPlanckt

tPlanckt

tPlanckt

tPlanckt

,1

,1

,1

,1

22

22

11

11

εεεε

εεεε

−+=−+=

−+=−+=

4 équations4 inconnues que sont

2 émissivités2 températures

Satellites géostationnaires à deux bandes spectrales

Temps t1

Temps t2

Émissivités εi et εj ne varient pasentre t1 et t2

153


ascRatmTradLTbLsurf Planck ,)1()()( ε−+= 1 équation1 inconnue qu’est

1 température

Observations domaine solaire

F(NDVI)

En général, exploitation information- sur le domaine solaire- sur le domaine thermique -> dimension spectrale

-> dimension directionnelle-> dimension temporelle

154


Méthodes éprouvées et robustes

Comparaison

ASTER/TES et MODIS / TISIE

155

Plan




156

Températures radiométriques sol et végétation

Simulating measured brightness temperature over a maize canopy iSimulating measured brightness temperature over a maize canopy in row n row structure, with a resulting angular dynamic about 8 K. Black stastructure, with a resulting angular dynamic about 8 K. Black star indicates the r indicates the solar direction. The brightness temperature maximum value is locsolar direction. The brightness temperature maximum value is located in the ated in the solar direction. However, this hot spot effect is not systematicsolar direction. However, this hot spot effect is not systematicalal

Dynamique angulaire

157


ξθθ1

minmax

max )(1)(

−−−=

NDVINDVI

NDVINVVIf

( )[ ] 41


)(

)1ln(

l

fLAI

θβ−=

2 directions de visée � 2 équations et 2 inconnues (Ts et Tv)

158


Performance intercomparison for different parameterizations. MeaPerformance intercomparison for different parameterizations. Mean errors on soil (left) n errors on soil (left) and vegetation (right) temperature retrievals as functions of LAand vegetation (right) temperature retrievals as functions of LAI, with standard deviations I, with standard deviations (bars). (bars). ““Mod 1Mod 1”” is a probabilistic simulation model. is a probabilistic simulation model. ““SAIL IRTSAIL IRT”” is the TIR version of the is the TIR version of the SAIL model. SAIL model. ““Mod 2Mod 2””, , ““Mod 3Mod 3”” and and ““Mod 4Mod 4”” are simplified parameterization.are simplified parameterization.

Inversion températuressol et végétation

apport de la télédétection pour estimer les flux et ... · climats semi-arides:...

Documents