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

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
    [email protected]

    View Slide

  2. Le CESBIO
    Directeur : Mehrez Zribi
    Directeurs adjoints : Valérie Demarez, Lionel Jarlan

    View Slide

  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

    View Slide

  4. Observations
    in situ
    Télédétection
    Modèles
    Surface-climat
    Eau Agro-
    écosystèmes
    Structuration scientifique

    View Slide

  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)

    View Slide

  6. Observations/Instrumentations

    View Slide

  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

    View Slide

  8. Mission SMOS
    Soil Moisture and Ocean Salinity

    View Slide

  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

    View Slide

  10. SM
    t = VOD
    incidence angle (°)
    TB (K)

    View Slide

  11. Impact du SM

    View Slide

  12. Impact du VOD (tau)

    View Slide

  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)

    View Slide

  14. ©A. Al Bitar (CESBIO)
    = 625 km2

    View Slide

  15. ©D. Khvorostyanov, (LOCEAN)

    View Slide

  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.

    View Slide

  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

    View Slide

  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)

    View Slide

  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.

    View Slide

  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)

    View Slide

  21. Salinité des océans (OS) A. Supply (LOCEAN)

    View Slide

  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)

    View Slide

  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)

    View Slide

  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

    View Slide

  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

    View Slide

  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

    View Slide

  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)

    View Slide

  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)

    View Slide

  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)

    View Slide

  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)

    View Slide

  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)

    View Slide

  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

    View Slide

  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

    View Slide

  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)

    View Slide

  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

    View Slide

  36. View Slide