Télécharger la présentation
La présentation est en train de télécharger. S'il vous plaît, attendez
Publié parUrilla Maillot Modifié depuis plus de 10 années
1
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
2
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
3
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
4
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”
5
Synergie optique/thermique (Pellenq et Boulet, Agronomie, 2003)
6
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 )
7
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
8
Cas optique / modèle de croissance / pilotage auto de l’irrigation (cf. stage I. Ben Hadj, 2004)
9
chronique images SPOT/TM Zone R3 du Haouz
10
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
11
Étude exhaustive QUALIFICATION DU COMPORTEMENT PHENOLOGIQUE
13
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)
14
Comparaison des cumuls saisonniers d'irrigation (en mm) entre les différents méthodes de calibration Résultats VALIDATION DU MODELE (Résultats)
15
Dimensionless (~) instantaneous evaporation is: Where: and Cas thermique / interprétation des chroniques (cf. Boulet et al., WRR, 2004)
16
Selection of two dry-downs
17
is t a accessible through remote sensing ? Bare soil (DOY 35-45)Vegetation (DOY 110-145) 1 Kipp and Zonen CNR1 and 1 Apogee IRT-SP IRTs Other more classic indicators,Ts-Ta, (Ts-Ta)/Rg, albedo…, less successful
18
Calibration result / Observed LE
19
Soil Properties with Eff/LE > 0.9Eff max 145 /160000 combinations
20
Soil Properties: abs(t a_sim -t a_obs )<1 day 492 /160000 combinations
21
evaporationtime to stress Scale factor conductivity curve Scale factor retention curve
Présentations similaires
© 2024 SlidePlayer.fr Inc.
All rights reserved.