assimilation des données satellitales dans les modèles éco-hydrologiques: stratégies et travaux...
TRANSCRIPT
assimilation des données satellitales dans les modèles éco-hydrologiques:
stratégies et travaux en cours
G. Boulet, B. Duchemin, P. Maisongrande,
O. Merlin, I. Ben Hadj, G. Chehbouni ...
Réunion PNTS INRA Avignon 8-9/11/2004
Le Système d’Observation
modèle decroissance
modèle bilanseau et énergie
NDVItempératuresdirectionnelles
émissivité
modèle deréflectance
mod émission infrarouge thermique
mod émissionmicro-onde
biomasse
humidité sol
températuressol + plante
observationsatellite simulée
transfertradiatif
observationsatellite mesurée
?
forçageclimatique
paramètreconstant
conditionsinitiales couplé
modèlevar. état var. état
couplé
modèle
Assimilation des Données = méthodes d’utilisation OPTIMALE de toutes les informations d’un système
calibration
contrôle / estimation optimal
inversion
couplé
modèle
« 1D »
propagation
Filtre de Kalman : estimation optimale Algorithme d’Assimilation
ensembleMonte-Carlo
conditionsinitiales
paramètres constants
initialisation
statistiques connues
temps
Variables d’état
calculmatriciel
mise à jour
observationsatellite
“mesurée”
état “vrai”
Synergie optique/thermique
(Pellenq et Boulet, Agronomie, 2003)
Désagrégation: surface d’estimation plus petite que celle des mesures
Agrégation: surface d’estimation plus grande que celle des mesures
échelle de la mesure
(obs_mes1…obs_mes4)
échelle d’estimation (obs_sim1)
Le changement d’échelle est pris en compte implicitement si les règles d’agrégation des mesures satellite sont bien définies (i.e. linéaire ici)
aspects spatiaux
4
11 __
iisimobsmesobs
14
13
12
11
__
__
__
__
simobsmesobs
simobsmesobs
simobsmesobs
simobsmesobs
échelle de la mesure
(obs_mes1)
échelle d’estimation (obs_sim1... obs_sim4 )
oui
le réajustement des variables d’état suffit-il à contrôler la trajectoire ?
fin
non étalonnageen ligne
Les paramètres sontdes variables
d’équation dynamiquep(t+dt)=p(t)+bruit
étalonnage pluri- et mono-saisonnier
paramètres significativement différents ?
évolution de la modélisation
assimilationséquentielle
oui non
le réajustement des paramètres suffit-il à contrôler la trajectoire ?
non oui
Proposition d’algorithme pour l’étalonnage et l’assimilation
Cas optique / modèle de croissance / pilotage auto de l’irrigation
(cf. stage I. Ben Hadj, 2004)
chronique images SPOT/TM Zone R3 du Haouz
• Démarche « en aveugle » pixel à pixel
• Démarche « raisonnée »– Paramètres phénologie calés sur « pixels non
stressés »– Paramètres de stress calés localement (3
parcelles)
• Autre ???
Cas optique / modèle de croissance / pilotage auto de l’irrigation
Étude exhaustive
Critère Nombre de pixels PourcentageRmse LAI <= 0.2 4797 pixels sur 7204 66,50%
0.2<Rmse LAI <=0.45 1860 pixels sur 7204 25,81%Rmse LAI >0.45 547 pixels sur 7204 7,59%
7204 100%
QUALIFICATION DU COMPORTEMENT PHENOLOGIQUE
Carte de cumul d irrigation
50 100 150
50
100
1500
100
200
300
Carte de jour de levée
50 100 150
50
100
1500
50
100
Carte de la biomasse à l origine
50 100 150
50
100
1500
2
4
Carte de lefficience de conversion de la lumière en biomasse aérienne
50 100 150
50
100
1500
1
2
3
4
Carte de seuil déclanchant l irrigation
50 100 150
50
100
1500
0.2
0.4
0.6
0.8
Carte de RMSE LAI
50 100 150
50
100
1500
0.2
0.4
0.6
•Comparaison des profils de l’evapotranspiration (ETR) et de l’indice foliaire (LAI) (1 exemple parcelle F )
Méthode raisonnée
Méthode raisonnée
Méthode aveugle
Méthode aveugle
VALIDATION DU MODELE (Résultats)
(cf. Duchemin et al., AWM, 2004)
•Comparaison des cumuls saisonniers d'irrigation (en mm) entre les différents méthodes de calibration
Méthode Raisonnée Méthode Aveugle Observations Parcelle F 100 0 100 Parcelle I 200 200 150 Parcelle L 150 50 100
Méthode dite raisonnée Méthode dite aveugle Profils LAI bien ajustés Profils LAI bien ajustés Profils ETR bien ajusté Profils présentant des pics en fin
de saison agricole Surestimation des apports d’eau pour le cas des parcelles I et L.
Apports d’eau estimés apparaissent très faibles et
irréalistes
Résultats
VALIDATION DU MODELE (Résultats)
tettt
tett
etett
caa
pa
~~1
1ln~~~~~
1,~~
~~~,~~
Aet
tetAt
pa
apac ~~~
~~~~~
Aet
te
pa
aAet pa
~~~
~1
~~~
Dimensionless (~) instantaneous evaporation is:
Where:
and
Cas thermique / interprétation des chroniques
(cf. Boulet et al., WRR, 2004)
Selection of two dry-downs
0
50
100
150
200
0 5 10 15 20 25 30 35
LE obs bare soilLE reference bare soilLE obs vegetationLE reference vegetation
Da
ily M
ea
n L
ate
nt H
ea
t Flu
x (W
/m2
)
Time (days since irrigation)
is ta accessible through remote sensing ?
0
5
10
15
20
25
30
35
36 38 40 42 44
Ts narrox FOVTs large FOV
Ra
dia
tive
su
rfa
ce te
mp
era
ture
(°C
)
Time (DOY)
Bare soil (DOY 35-45)
10
15
20
25
30
35
40
45
50
110 115 120 125 130 135 140 145
Ts narrox FOVTs large FOV
Ra
dia
tive
su
rfa
ce te
mp
era
ture
(°C
)
Time (DOY)
Vegetation (DOY 110-145)
1 Kipp and Zonen CNR1 and 1 Apogee IRT-SP IRTs
Other more classic indicators,Ts-Ta, (Ts-Ta)/Rg, albedo…, less successful
Calibration result / Observed LE
20
40
60
80
100
120
140
160
0 5 10 15 20 25 30 35
LE obs vegetationLE sim vegetationLE obs bare soilLE sim bare soil
Da
ily A
vera
ge
La
ten
t He
at F
lux
(W/m
2)
Time (days since irrigation)
0
20
40
60
80
100
120
140
160
0 5 10 15 20 25 30 35
LE obs vegetationLE sim vegetationLE sim vegetation minLE sim vegetation maxLE obs bare soilLE sim bare soilLE sim bare soil minLE sim bare soil max
Da
ily M
ea
n L
ate
nt H
ea
t Flu
x (W
/m2
)
Time (days since irrigation)
Soil Properties with Eff/LE > 0.9Effmax
145/160000 combinations
Soil Properties: abs(ta_sim-ta_obs)<1 day
0
20
40
60
80
100
120
140
160
0 5 10 15 20 25 30 35
LE obs vegetationLE sim vegetation calibration / taLE sim min vegetationLE sim max vegetationLE obs bare soilLE sim bare soil calibration / taLE sim min bare soilLE sim max bare soil
LE
ob
s ve
ge
tatio
n
Time (days since irrigation)
492/160000 combinations
evaporation time to stressSca
le f
act
or
conduct
ivit
y c
urv
e
Scale factor retention curve