Apport de l'apprentissage automatique pour l'intégration d'observations satellitaires dans un modèle global du système sol-plante

Auteur moral

Université Toulouse 3 Paul Sabatier : UT3

Auteur moral

Calvet, Jean-Christophe ; Rodriguez-Fernandez, Nemesio

Année de publication

2024

Dans un contexte marqué par le réchauffement climatique, où les événements météorologiques extrêmes comme les sécheresses deviennent plus fréquents et plus intenses, une modélisation améliorée de la réponse de la végétation au climat est cruciale. Pour surveiller l'impact de ces événements sur les surfaces terrestres, il est essentiel de prendre en compte diverses variables du système sol-plante, telles que l'humidité et la température du sol ainsi que l'indice de surface foliaire (LAI). Ces variables influent sur les échanges de carbone, d'eau et d'énergie à la surface du sol et peuvent être suivies soit grâce à la quantité sans précédent de données provenant de la flotte de satellites d'observation de la Terre, soit en utilisant des modèles des surfaces terrestres. Une approche efficace consiste à combiner ces différentes sources d'informations grâce à l'assimilation de données. Cette méthode prend en compte les incertitudes et produit une analyse des variables terrestres qui représente au mieux la réalité en intégrant des observations satellitaires dans un modèle. Le modèle doit être capable de simuler les observations à assimiler. Le système d'assimilation LDAS-Monde, développé par le Centre National de Recherches Météorologiques (CNRM), est un outil qui permet l'intégration dans le modèle des surfaces terrestres ISBA de Météo-France de produits satellitaires élaborés, tels que l'humidité superficielle du sol et de LAI. Les variables analysées sont la biomasse foliaire et l'humidité du sol de plusieurs couches de sol dans la zone racinaire. Les produits satellitaires élaborés utilisés jusqu'à présent proviennent de radiances observées par les instruments embarqués. La récupération de produits élaborés à partir des radiances peut engendrer une perte d'information et compliquer la quantification des incertitudes. Il est préférable d'assimiler directement des radiances ou des produits proches de l'observation initiale, mais cela nécessite le développement d'opérateurs d'observation pour établir un lien entre ces produits et les variables de sortie du modèle ISBA. L'objectif de ce travail de thèse est de développer des opérateurs d'observation dans ISBA pour assimiler des données micro-ondes. Deux types de données ont été considérés : (1) les coefficients de rétrodiffusion radar (sigma0) de l'instrument Advanced SCATterometer (ASCAT) sur MetOp, (2) les températures de brillance (Tb) du satellite Soil Moisture and Ocean Salinity (SMOS). Une première étape a consisté à élaborer des opérateurs d'observation basés sur des réseaux de neurones entraînés à simuler sigma0 et Tb à partir d'observations de LAI et de sorties du modèle ISBA. Une deuxième étape a consisté à intégrer ces opérateurs d'observation dans LDAS-Monde et à assimiler sigma0 et Tb. Une étude de cas sur le sud-ouest de la France a montré que l'assimilation des sigma0 dans ISBA améliore la simulation des variables de la végétation et l'humidité du sol, notamment dans les zones agricoles. Ce résultat a été généralisé à l'ensemble des zones agricoles à l'échelle mondiale, avec sigma0 et avec Tb. Les avantages et des inconvénients de l'assimilation des produits provenant d'ASCAT et de SMOS ont pu être déterminés. Enfin, il est démontré que l'apprentissage automatique peut également être utilisé pour explorer les relations entre les variables des surfaces terrestres. Des réseaux de neurones entraînés sur les données d'une station de mesure, Météopole-flux, permettent de simuler l'albédo, le LAI et d'autres variables. Une analyse de sensibilité des réseaux de neurones permet d'explorer l'impact de ces variables les unes sur les autres.</div>

  Accès à la notice sur le site du portail documentaire de Météo-France

  Liste complète des notices publiques