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 de croissance modèle bilans eau et énergie NDVI températures directionnelles émissivité modèle de réflectance mod émission infra rouge thermique mod émission micro-onde biomasse humidité sol températures sol + plante

observation satellite simulée transfert radiatif observation satellite mesurée ? forçage climatique paramètre constant conditions initiales couplé modèle 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 ensemble Monte-Carlo conditions initiales paramètres constants initialisation statistiques connues temps Variables d’état calcul matriciel mise à jour observation satellite “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_mes 1 … obs_mes 4 ) échelle d’estimation (obs_sim 1 ) 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 échelle de la mesure (obs_mes 1 ) échelle d’estimation (obs_sim 1... obs_sim 4 )

oui le réajustement des variables d’état suffit-il à contrôler la trajectoire ? fin non étalonnage en ligne Les paramètres sont des variables d’équation dynamique p(t+dt)=p(t)+bruit étalonnage pluri- et mono-saisonnier paramètres significativement différents ? évolution de la modélisation assimilation séquentielle oui non le réajustement des paramètres suffit-il à contrôler la trajectoire ? nonoui 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 QUALIFICATION DU COMPORTEMENT PHENOLOGIQUE

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 Résultats VALIDATION DU MODELE (Résultats)

Dimensionless (~) instantaneous evaporation is: Where: and Cas thermique / interprétation des chroniques (cf. Boulet et al., WRR, 2004)

Selection of two dry-downs

is t a accessible through remote sensing ? Bare soil (DOY 35-45)Vegetation (DOY ) 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

Soil Properties with Eff/LE > 0.9Eff max 145 / combinations

Soil Properties: abs(t a_sim -t a_obs )<1 day 492 / combinations

evaporationtime to stress Scale factor conductivity curve Scale factor retention curve