Étant donné son rôle dans les cycles du carbone, de l'eau et de l'équilibre énergétique de la Terre, l'étude mondiale de la végétation est cruciale, particulièrement dans le contexte actuel du changement climatique. Diverses méthodes ont été proposées pour étudier la végétation, dont la télédétection. Les images optiques et infrarouges, via les indices tels que le NDVI ou LAI, sont des références pour l’étude de la végétation. Depuis, les données microondes passives (PMW) sont une alternative complémentaire aux indices classiques. Les PMW interagissent avec la végétation selon sa teneur en eau liquide (VWC), de sorte que plus la VWC augmente, plus les plantes deviennent opaques aux micro-ondes émises par le sol et émettent elles-mêmes davantage. Ces effets sont paramétrisés par la profondeur optique de la végétation (VOD), sensible à la VWC. Des études récentes ont montré une forte relation entre la VOD et la biomasse aérienne de la végétation (AGB), notamment dans la bande L, via des fonctions paramétriques. Cependant, comme la VOD est dérivée de modèles de transfert radiatif simplifiant la réalité, son utilisation peut ajouter des incertitudes à l'estimation de l'AGB. Cette thèse vise deux objectifs principaux.
Le premier explore une nouvelle approche pour estimer l'AGB à partir des PMW, éliminant la dépendance aux modèles de transfert radiatif et aux variables intermédiaires comme la VOD. Cette approche cherche à exploiter directement les informations contenues dans les TB. Cela est réalisé par l'utilisation de techniques d'apprentissage automatique, notamment les réseaux neuronaux (NN). Trois approches d'estimation de l'AGB ont ainsi été comparées: [1] une méthode utilisant uniquement les TB en entrée d'un NN, [2] une approche hybride combinant TB et VOD avec un NN, et [3] la méthode conventionnelle employant VOD avec des fonctions paramétriques. Les estimations d'AGB par l'approche [1] ont montré des avantages par rapport à la méthode actuelle [3]. En effet, elle permet de mieux reproduire les structures spatiales de biomasse, expliquant jusqu'à 88% de sa variabilité. Des résultats similaires sont obtenus avec la méthode hybride [2].
Le second objectif explore la sensibilité des PMW au VWC. Le comportement des VOD à différentes fréquences, et des indices optiques a été étudié pour des surfaces agricoles. Des algorithmes de classification non supervisée ont été utilisés pour classer les réponses temporelles des PMW et du NDVI à la SM. La VOD à basse fréquence est plus sensible aux grands composants de la végétation comme les troncs. L'objectif est donc d'étudier plusieurs VOD afin d'obtenir des informations sur la VWC. Dans l'ensemble, la classification obtenue correspond aux catégories agricoles et climatiques établies. Un décalage de 15 à 49 jours a été noté entre le NDVI et les PMW à hautes fréquences (bandes C, X et Ku). Nous avons observé que le comportement du VOD en bande L variait selon les régions. Notamment, dans les régions dominées par le maïs, comme la ceinture de maïs aux États-Unis, le NDVI réagit en premier, suivi par la VOD en bande L qui est en phase avec les VOD à hautes fréquences. Cette synchronisation entre les VOD indique une évolution uniforme du contenu en eau dans l’ensemble de la plante, et montre que les VOD hautes fréquences ne saturent pas. En revanche, dans les zones dominées par le blé, comme en Australie et en Afrique, le VOD bande L était plus synchronisé avec le NDVI, tandis que le VOD haute fréquence avait un retard de 27 à 57 jours par rapport à ces derniers. Dans ces régions, les décalages des VOD et du NDVI par rapport à SM étaient plus faibles que pour le maïs, montrant une plus grande réactivité du contenu en eau des plantes à l'humidité du sol. D'autres classes ont montré des comportements intéressants, où des décalages significatifs entre les VOD, le NDVI et la SM ont été observés, suggérant des interactions PMW-surfaces complexes nécessitant davantage de recherches. |
Given its role in the Earth's carbon, water, and energy balance cycles, the global study of vegetation is crucial, particularly in the current context of climate change. Various methods have been proposed to study vegetation, including remote sensing. Optical and infrared images, through indices such as NDVI or LAI, are widely used for vegetation studies. Since then, Passive MicroWave (PMW) data have been proposed as a complementary alternative to traditional indices. PMWs interact with Vegetation according to its liquid Water Content (VWC), as VWC increases, plants become more opaque to microwaves emitted by the soil and emit more themselves. These effects are parameterized by the Vegetation Optical Depth (VOD), which is sensitive to VWC. Recent studies have shown a strong relationship between VOD and Above-Ground Biomass (AGB), particularly in the L-band, through parametric functions. However, since VOD is derived from radiative transfer models that simplify reality, its use can add uncertainties to AGB estimation. Therefore, this thesis has two main objectives.
The first objective explores a new approach to estimate AGB from PMW, eliminating dependence on radiative transfer models and intermediate variables such as VOD. This approach seeks to directly exploit the information contained in the Brightness Temperatures (TB). This is achieved through the use of machine learning techniques, particularly Neural Networks (NN). Three AGB estimation approaches were compared: [1] a method using only TB as input to an NN, [2] a hybrid approach combining TB and VOD with an NN, and [3] the conventional method using VOD with parametric functions. AGB estimates from approach [1] showed advantages over the current method [3]. Indeed, it better reproduces spatial biomass structures, explaining up to 88$%$ of its variability. Similar results were obtained with the hybrid method [2].
The second objective explores the sensitivity of PMW to VWC. The behavior of VOD at different frequencies and optical indices was studied for agricultural surfaces. Unsupervised classification algorithms were used to classify the temporal responses of PMW and NDVI to Soil Moisture (SM). Low-frequency VOD is more sensitive to large vegetation components such as trunks. The goal is therefore to study multiple VODs to obtain information on the VWC. Overall, the classification obtained corresponds to established agricultural and climatic categories. A delay of 15 to 49 days was observed between NDVI and high-frequency PMW (C, X, and Ku bands). We observed that the behavior of L-band VOD varied by region. Notably, in corn-dominated regions such as the U.S. Corn Belt, the NDVI responds first, followed by L-band VOD, which is in phase with high-frequency VOD. This synchronization between the VODs indicates a uniform evolution of the water content throughout the plant and shows that the high-frequency VOD does not exhibit saturation. In contrast, in wheat-dominated areas like in Australia and Africa, L-band VOD was more synchronized with NDVI, while high-frequency VOD lagged behind by 27 to 57 days relative to the latter. In these regions, the delays of VOD and NDVI relative to SM were smaller than for corn, indicating greater plant water content reactivity to water availability. Other classes exhibited interesting behaviors, where significant delays between VOD, NDVI, and SM were observed, suggesting complex PMW-surface interactions that require further research. |