La télédétection satellite est couramment utilisée pour suivre le cycle de l’eau depuis les bassins fluviaux jusqu’à l’échelle planétaire. Pourtant, il est difficile d’obtenir un bilan d’eau à l’équilibre en utilisant ces données de télédétection, ce qui met en évidence les erreurs et incertitudes liées aux données d’observation de la Terre.

Ce travail de thèse vise à améliorer les estimations des précipitations, de l’évapotranspiration, du débit des rivières et du changement du contenu total en eau à l’échelle planétaire en utilisant une combinaison de méthodes analytiques (interpolation optimale, OI) et de méthodes de modélisation statistique, en particulier les réseaux neuronaux (NN).

Ces modèles ont été entraînés sur un ensemble de 1358 bassins fluviaux, validés sur un ensemble indépendant de 340 bassins et évalués avec des mesures in situ pour la précipitations, l’évapotranspiration et le débit des rivières. Les modèles sont ensuite utilisés pour faire des prévisions à l’échelle du pixel à la résolution de 0,5° pour une couverture quasi globale.

Les ensembles de données ainsi corrigés améliorent le bilan d’eau pour les bassins de validation : la moyenne et l’écart-type du résidu sont de 11 ± 44 mm/mois pour les données non corrigées et de 0,03 ± 24 mm/mois après calibration par les modèles NN.

En outre, cette approche nous permet de faire des estimations plus précises des composantes manquantes du cycle de l’eau, par exemple pour estimer l’évapotranspiration dans les zones non instrumentées, ou pour prédire le débit des rivières dans des bassins non jaugés.

Les résultats peuvent également indiquer aux producteurs de données là où leurs produits semblent incohérents par rapport à d’autres produits et où un étalonnage plus poussé pourrait apporter des améliorations.

Enfin, cette recherche montre le fort potentiel de l’utilisation des réseaux neuronaux et de l’apprentissage machine pour l’intégration des données satellites et l’étude du cycle de l’eau.

Abstract

Satellite remote sensing is commonly used to observe the hydrologic cycle at spatial scales ranging from river basins to the globe. Yet, it remains difficult to obtain a balanced water budget using remote sensing data, which highlights the errors and uncertainties in earth observation (EO) data.

This research aimed to improve estimates of precipitation, evapotranspiration, runoff, and total water storage change at the global scale using a combination of analytical methods (optimal interpolation, OI) and statistical modeling methods including neural networks (NN).

Models were trained on a set of 1,358 river basins and validated them on an independent set of 340 basins and in-situ observations of precipitation, evapotranspiration, and river discharge. The models are extended to make pixel-scale predictions in 0.5° grid cells for near-global coverage. Calibrated datasets result in lower water budget residuals in validation basins: the mean and standard deviation of the imbalance is 11 ± 44 mm/mo when calculated with uncorrected EO data and 0.03 ± 24 mm/mo after calibration by the NN models. The results allow us to make more accurate estimates of missing water cycle components, for example to estimate evapotranspiration in un-instrumented areas, or to predict discharge in ungaged basins.

The results can also indicate to data producers where their products seem incoherent with other datasets and where enhanced calibration could lead to improvements. Finally, this research demonstrates the use of neural networks and machine learning for the integration of satellite data and for the study of the water cycle.

Lieu
Paris Observatory
77 Avenue Denfert Rochereau, 75014 Paris
Salle JF Denisse

If you wish to attend in person, please send your name to to make arrangements with security.

Via Zoom
https://us02web.zoom.us/j/87617079381?pwd=WldyUmRtZytqWGI5MmMwNkFaLy9PZz09
Meeting ID: 876 1707 9381
Passcode: 983913

• Hélène CHEPFER, Sorbonne Université
• Aaron BOONE, Météo France, Toulouse
• Frédéric FRAPPART, INRAE, Villenave d’Ornon
• Hélène BROGNIEZ, Université Paris-Saclay
• Ming PAN, Univ. of California at San Diego
• Fabrice PAPA, IRD, Brasilia, Brazil
• Filipe AIRES, LERMA/CNRS, Paris