Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Suivi de la biomasse à large échelle grâce au satellite SMOS - Toulouse Data Science - Emma Bousquet

Suivi de la biomasse à large échelle grâce au satellite SMOS - Toulouse Data Science - Emma Bousquet

Suivi de la biomasse à large échelle grâce au satellite SMOS

Emma Bousquet - CESBIO

Meetup Toulouse Data Science #53

6aa4f3c589d3108830b371d0310bc4da?s=128

Toulouse Data Science

December 15, 2021
Tweet

More Decks by Toulouse Data Science

Other Decks in Technology

Transcript

  1. Toulouse Data Science Meetup Observation de la Terre 15/12/2021 Emma

    Bousquet, CESBIO emma.bousquet@cesbio.cnes.fr
  2. Le CESBIO Directeur : Mehrez Zribi Directeurs adjoints : Valérie

    Demarez, Lionel Jarlan
  3. Centre d’Etudes Spatiales de la Biosphère • Etude du fonctionnement

    des surfaces continentales en contexte de changement climatique et anthropique avec un usage important de la télédétection spatiale • Contribution à la conception de missions spatiales
  4. Observations in situ Télédétection Modèles Surface-climat Eau Agro- écosystèmes Structuration

    scientifique
  5. Cartes d’occupation du sol 29/06/2006 26/07/2006 09/09/2006 Cartes de Green

    Area Index Modèle de transfert radiatif (e.g. BV-net de l'INRA Avignon) Cartes des sols Ré-analyses Météo Spot, Landsat, Sentinel 2 Yiel d Réserve Utile Forçage, calibration m2 feuille/m2 sol Bilan C des parcelles de blé en 2011 (gC.m-2) Sentinel 1, Terrasar X Biomasse, HR% du sol Paramètres Sol + culture Validation par stations de mesure des flux (ET, humidité du sol…) SAMIR Eau SAFY Rendement SAFYE SAFYE- CO2 CO2 Modèle spatialisé Initialisation, assimilation NDVI indice foliaire Exemple de sortie Modélisation spatialisée Validation par statistiques régionales (rendement, irrigation)
  6. Observations/Instrumentations

  7. 2010 2012 2014 2016 2018 2020 2022 2024 2026 2028

    2030 2032 2008 SMOS (ESA, CNES) PI Yann Kerr SMOS-HR TRISHNA (CNES/ISRO) PI Jean-Louis Roujean VENµS (CNES, IAI) PI Gérard Dedieu Biomass (ESA) PI Thuy LeToan Le spatial au CESBIO Thermal L-Band Passive Optical Radar Thermal Passive Microwave Optical Radar
  8. Mission SMOS Soil Moisture and Ocean Salinity

  9. Mission SMOS • Satellite lancé en Novembre 2009 par l’ESA

    ; données disponibles depuis Janvier 2010 (phase de recette en vol) • PI : Yann Kerr (CESBIO) • Mesure l’humidité du sol (Soil Moisture SM), l’épaisseur optique de végétation (Vegetation Optical Depth VOD), et la salinité des océans (Ocean Salinity OS) • Spécifications : - Radiomètre en bande L (f = 1.4 GHz, λ = 21 cm) - Résolution spatiale : ~43 km, reprojection à ~25 km - Résolution temporelle : couverture globale en 3/4 jours • Heures d’observation : 6h à l’équateur au nadir pour les orbites ascendantes (ASC), 18h pour les orbites descendantes (DES) • Le satellite est toujours en bonne santé, extension de mission prévue jusqu’en 2025
  10. SM t = VOD incidence angle (°) TB (K)

  11. Impact du SM

  12. Impact du VOD (tau)

  13. Produits • Niveau 1 : ESA, grille 15 km Température

    de Brillance (TB) en polarisation X/Y • Niveau 2 : ESA, grille 15 km SM, VOD, OS par demi orbites • Niveau 3 : CATDS, grille 25 km www.catds.fr/Products/Available-products-from-CPDC SM, VOD, OS TB en polarisation H/V TB en projection polaire • Niveau 4 : Applications. Combinaison des données SMOS avec des modèles, d’autres données satellites, etc. SM désagrégé @ 1 km avec température de surface MODIS. Humidité du sol en zone racinaire (RZSM) Indice de sécheresse (DI) Surface en eau (G-SWAF) Epaisseur de neige Estimation des pluies SM, VOD avec algo simplifié (SMOS-INRAe-CESBIO)
  14. ©A. Al Bitar (CESBIO) = 625 km2

  15. ©D. Khvorostyanov, (LOCEAN)

  16. SMOS neural network N. Rodriguez-Fernandez (CESBIO), P. De Rosnay (ECMWF)

    NNSM : produit « neural network soil moisture » Réseau de neurones pour retrouver le SM directement à partir des températures de brillance (TB) SMOS. SM de référence : ECMWF. Validation avec mesures in situ : qualité NNSM comparable avec SM classique. Rodríguez-Fernández et al., 2015; Rodríguez-Fernández et al., 2016; Rodríguez-Fernández et al., 2019.
  17. Le changement climatique impacte le cycle de l’eau (Climate change

    and water, IPCC 2008) => intérêt de SMOS Applications de SMOS Permet d’observer divers éléments du cycle de l’eau : - humidité du sol - contenu en eau de la végétation - pluies - zones inondées - océans
  18. Concept de PrISM : Exploiter les différences entre les mesures

    satellites de SM (SMOS/SMAP/ASCAT) et les SM simulés => amélioration des produits de précipitations PrISM Precipitation Inferred from Soil Moisture Pellarin et al. 2008, 2009, 2013, 2020; Louvet et al. 2015; Brocca et al. 2016; Román-Cascón et al. 2017 ; Zhang et al. 2019 Amélioration des produits de précipitations T. Pellarin (IGE)
  19. Mixt signal at 40km Al Bitar et al., IGARSS, 2020

    SWAF HR @ 1km (Amazonie) Parrens et al., JAG 2019 G-SWAF - Global SMOS WAter Fraction A. Al Bitar (CESBIO) G-SWAF : fraction d’eau estimée à partir des TB SMOS.
  20. Panama Upwelling Weather forecast Climate indices Salinity TB Ocean Circulation

    Modeling Hurricane tracking (Reul et al.) La Niña detection (Boutin et al.) Upwelling detection (Alory et al.) Gulf Stream monitoring (Reul et al.) Salinité des océans (OS) J. Boutin (LOCEAN), N. Reul (Ifremer)
  21. Salinité des océans (OS) A. Supply (LOCEAN)

  22. • Détection du sol gelé avec TB SMOS => Détection

    des dates de gel/dégel (freezing and thawing F/T) • Application pour l’estimation des budgets de méthane sur les hautes latitudes lors des périodes de gel/dégel. Parameter Description Temporal coverage July 2010 - present Temporal resolution: Daily Spatial coverage: 0° - 85° N; 180°W - 180°E Spatial sampling 25 km x 25 km Projection Polar-stereographic Grid EASE-2 Data dimension 720 x 720 (columns x rows) Comparison between SMOS L3 F/T product and in situ observations Cryosphère : suivi du gel/dégel et du flux de méthane K. Rautiainen (FMI)
  23. • Estimation de l’épaisseur de la glace avec TB SMOS

    sur le Groenland. • Résultats similaires à ceux du NSIDC. • Epaisseur de la glace de mer diminue depuis 10 ans. • Automne 2020 : croissance très lente de la glace, anomalie négative record. https://spaces.awi.de/display/CS2SMOS https://smos-diss.eo.esa.int/ Cryosphère : épaisseur de la glace de mer L. Kaleschke (univ. Hambourg)
  24. Cryosphère : fonte de l’Antarctique M. Leduc-Leballeur (IGE) • Durée

    de la fonte de la glace estimée en Antarctique. Leduc-Leballeur et al., Melt in Antartica derived from SMOS observations at L band, The Cryosphere, 2020. • Produit disponible au CATDS : https://www.catds.fr/Products/Available-products-from-CEC-SM/CryoSMOS-project
  25. • VOD : représente le contenu en eau de la

    couche de végétation • Forte corrélation entre VOD et quantité de biomasse (Above Ground Biomass AGB) • Intérêt de SMOS : haute revisite temporelle => cartes de biomasse dynamiques ? • Attention : VOD aussi sensible à la quantité d’eau dans la végétation (Vegetation Water Content VWC), qui fluctue selon les saisons et les sècheresses Vegetation Optical Depth (VOD) E. Bousquet, A. Mialon, N. Rodriguez-Fernandez (CESBIO) AGB
  26. Rodriguez et al., Biogeosciences, 2018 Vegetation Optical Depth (VOD) E.

    Bousquet, A. Mialon, N. Rodriguez-Fernandez (CESBIO) • Indices classiques (optiques/IR) de végétation : EVI, NDVI, LAI (MODIS, Proba-V) • VOD en bandes C et X : C-VOD et X-VOD (AMSR) • VOD en bande L : L-VOD (SMOS) La fréquence impacte la profondeur de pénétration => optique : sature beaucoup plus vite car ne reflète que la surface de la végétation (canopée) => bande L : reflète la quasi-totalité de la couche de végétation => L-VOD = indice le mieux corrélé à l’AGB Frappart et al., 2020; Wigneron et al., 2020; Qin et al., 2021
  27. Vegetation Optical Depth (VOD) • Cross correlation entre L-VOD et

    autres variables climatiques ou de végétation. = Corrélation (Pearson) de 2 séries temporelles mensuelles décalées de -6/+6 mois. Δt : décalage temporel qui optimise la corrélation entre les variables. Rmin = 0.5. Bousquet et al., IGARSS 2020 E. Bousquet, A. Mialon, N. Rodriguez-Fernandez (CESBIO)
  28. Vegetation Optical Depth (VOD) • Cross correlation entre L-VOD et

    autres variables climatiques ou de végétation. = Corrélation (Pearson) de 2 séries temporelles mensuelles décalées de -6/+6 mois. Δt : décalage temporel qui optimise la corrélation entre les variables. Rmin = 0.5. Bousquet et al., IGARSS 2020 E. Bousquet, A. Mialon, N. Rodriguez-Fernandez (CESBIO)
  29. Vegetation Optical Depth (VOD) • Cross correlation entre L-VOD et

    autres variables climatiques ou de végétation. = Corrélation (Pearson) de 2 séries temporelles mensuelles décalées de -6/+6 mois. Δt : décalage temporel qui optimise la corrélation entre les variables. Rmin = 0.5. Bousquet et al., IGARSS 2020 E. Bousquet, A. Mialon, N. Rodriguez-Fernandez (CESBIO)
  30. Vegetation Optical Depth (VOD) • Cross correlation entre L-VOD et

    autres variables climatiques ou de végétation. = Corrélation (Pearson) de 2 séries temporelles mensuelles décalées de -6/+6 mois. Δt : décalage temporel qui optimise la corrélation entre les variables. Rmin = 0.5. Bousquet et al., IGARSS 2020 E. Bousquet, A. Mialon, N. Rodriguez-Fernandez (CESBIO)
  31. Vegetation Optical Depth (VOD) • Cross correlation entre L-VOD et

    autres variables climatiques ou de végétation. = Corrélation (Pearson) de 2 séries temporelles mensuelles décalées de -6/+6 mois. Δt : décalage temporel qui optimise la corrélation entre les variables. Rmin = 0.5. => décalage temporel L-VOD – SM élevé sur zones humides car l’eau n’est pas le paramètre limitant Bousquet et al., IGARSS 2020 E. Bousquet, A. Mialon, N. Rodriguez-Fernandez (CESBIO)
  32. Vegetation Optical Depth (VOD) • Déforestation : Impact de la

    déforestation massive en Amazonie très visible sur les tendances de VOD E. Bousquet, A. Mialon, N. Rodriguez-Fernandez (CESBIO) ©Hansen et al., 2013
  33. Santarem area Vegetation Optical Depth (VOD) • Feux : Dans

    les forêts denses, le L-VOD est nettement impacté par les feux et récupère beaucoup plus lentement que les indices classiques de végétation (EVI, NDVI, LAI, etc.) • ex : Santarem (Amazonie) : Bousquet et al., Biogeosciences Discussions, 2021 E. Bousquet, A. Mialon, N. Rodriguez-Fernandez (CESBIO) ©Hansen et al., 2013
  34. Vegetation Optical Depth (VOD) • Feux : Dans les forêts

    denses, le L-VOD est nettement impacté par les feux et récupère beaucoup plus lentement que les indices classiques de végétation (EVI, NDVI, LAI, etc.) • généralisation à l’échelle des forêts tropicales : Bousquet et al., Biogeosciences Discussions, 2021 E. Bousquet, A. Mialon, N. Rodriguez-Fernandez (CESBIO)
  35. Conclusions • SMOS est un succès, 12 années de données

    SM, VOD et OS qui montrent de très bons résultats • Nombreuses applications terres émergées & océans • Beaucoup de publis dont certaines dans des journaux majeurs • Futur : SMOS HR • VOD : permet d’améliorer les connaissance sur le cycle de la végétation • Biomasse : - équipe SMOS impliquée dans le CCI Biomass (ESA) - thèse synergies SMOS/Biomass en cours (C. Salazar) - Cycle du carbone : SMOS Veg et Land Carbon Constellation (ESA) • Perspectives : - Distinguer les contributions AGB/VWC dans le L-VOD - TropiRAD : Tour en Guyane équipée d’un radiomètre en bande L et de sondes d’humidité du sol depuis Juillet 2021 => validation in situ
  36. Merci pour votre attention emma.bousquet@cesbio.cnes.fr emma.bousquet.cesbio@gmail.com arnaud.mialon@cesbio.cnes.fr nemesio.rodriguez@cesbio.cnes.fr