Les propriétés du sol et de la végétation des montagnes dépendent largement de la durée de la neige saisonnière et de la date de fonte. Par conséquent, les informations sur la variabilité spatio-temporelle de la surface d’enneigement sur de longues périodes sont essentielles pour étudier la réponse des écosystèmes de montagne au changement climatique. Dans le cadre du projet "Trajectoires des systèmes agrO-Pastoraux en montagne: adaptation des pratiques aux changments climatiques, écologiques et socio-économiques" (TOP), cette thèse vise à améliorer nos connaissances sur l'évolution récente de la couverture neigeuse et en particulier de la date de fonte dans les Pyrénées et les Alpes françaises en produisant des indicateurs spatialement distribués de la surface d’enneigement à haute résolution spatiale sur plusieurs décennies. L'initiative récente du Centre National d’Études Spatiales (CNES) de mettre dans le domaine public la collection complète d'images SPOT1-5 dans le cadre du programme SPOT World Heritage offre une occasion unique de densifier la série temporelle Landsat entre 1986 et 2015, avec des dizaines de milliers d'images multispectrales d'une résolution de 20 m. Combiné à Sentinel-2, à partir duquel des cartes d’enneigement sont générées à l'échelle paneuropéenne, SPOT World Heritage ouvre la voie à un jeu de donné à haute résolution spatiale et temporelle sans précédent de 1986 à 2023, soit une période plus longue que les 30 ans minimum requis pour les tendances liées au climat. La difficulté de produire des cartes de neige à partir des données SPOT réside dans la faible qualité radiométrique et dans l'absence de la bande infrarouge à ondes courtes pour différentier neige et nuage. Une solution pour surmonter ces problèmes consiste à utiliser des méthodes d'apprentissage profond qui peuvent prendre en compte à la fois les informations spectrales et spatiales pour segmenter une image satellite en carte de neige, non-neige, et nuages. Cependant, le manque de données historiques de référence entrave leurs mises en œuvre.
Cette thèse présente un émulateur d'images SPOT qui prend en entrée une image Sentinel-2. L'image SPOT émulée peut ensuite être associée à une carte de neige de référence générée à partir de l'image Sentinel-2 pour entraîner le U-net qui apprend alors à classer les données historiques SPOT. La méthode offre une grande précision dans la détection de la neige, avec un minimum de fausses identifications de pixels de neige, mais au prix d'une surestimation des pixels de nuages autour des nuages et des zones fortement saturées. Cette méthode a permis de calculer à 20 m de résolution les tendances des dates de fonte pour la période 1986-2023 à partir de la combinaison des données SPOT, Landsat et Sentinel-2. Nous avons constaté une réduction moyenne de 0,42 jour/an dans les Alpes françaises et de 0,28 jour/an dans les Pyrénées. De plus, dans les Alpes, on observe une transition des tendances négatives statistiquement significatives du nord des Alpes à 1500 m d’élévation vers le sud à 2100 m. Il existe de plus une relation linéaire entre les incertitudes et le nombre des observations claires par satellite à partir desquelles la date de fonte a été calculée. |
Information on the spatial-temporal variability of the snow cover area over long time periods is critical to study the response of mountain ecosystems to climate change. In the context of the project "Trajectories of agrO-Pastoral systems in mountains: land management adaptations to climate, ecological and socio-economic changes" (TOP), this thesis aims to improve our knowledge on the recent evolution of the snow cover and in particular the snow melt-out date in the French Alps and Pyrenees by producing spatially distributed indicators of the snow cover at high spatial resolution over several decades. The recent initiative by the French Space Agency (CNES) to release in the public domain the full collection of SPOT1-5 images with the SPOT World Heritage (SWH) program provides a unique opportunity to densify the Landsat time series from 1986 to 2015, with tens of thousands of 20 m resolution multispectral images. Combined with Sentinel-2, from which snow maps are generated on a pan-European scale, SPOT World Heritage opens the door to an unprecedented high spatial and temporal resolution time series from 1986 to 2023, i.e. a period longer than the minimum 30 years required for climate-related trends. The challenge in producing snow maps from SPOT data are the low radiometric quality and the absence of the shortwave infrared band necessary for snow/cloud discrimination. A solution to overcome these issues is to use deep learning methods which can take into account both the spectral and spatial information to classify a satellite image into snow, snow-free, and clouds. However, the lack of historical reference data impedes their implementation.
This thesis presents an emulator of SPOT images which takes as input a Sentinel-2 image. The emulated SPOT image can then be paired with a reference snow map generated from its source Sentinel-2 image to train the U-net which then learn to classify historical SPOT data. The method yields high precision in detecting snow, with minimal false snow pixel identification but at the cost of overestimating cloud pixels around clouds and highly saturated areas. This led to the calculation of 20 m resolution trends of snow melt-out dates for 1986-2023 from the combination of SPOT, Landsat and Sentinel-2 data. We found an average reduction of 0.42 days/year over the French Alps and of 0.28 days/year over the Pyrenees. There is moreover in the Alps a transition of the statistically significant negative trends from the north at 1500 m to the south at 2100 m. Additionally, There exist a linear relation between the uncertainties and the number of clear satellite observations from which the melt-out date was computed. |