L’humidité du sol est une variable climatique essentielle dont le suivi est requis dans de nombreuses applications, telles que la prévision météorologique et la modélisation hydrologique. Les instruments microondes à bord des satellites fournissent des estimations d'humidité de surface en continu dans le temps et globalement dans l’espace, avec des résolutions spatiales (empreintes) allant de 30 à 100 km.
La précision de ces produits satellitaires doit être validée, ce qui consiste généralement à comparer des séries temporelles d'humidité du sol obtenues par satellite avec celles mesurées au sol. Les capteurs in situ sont généralement représentatifs d’une zone de quelques centimètres (résolution ponctuelle). Celle-ci peut éventuellement être plus grande (“représentativité spatiale”) compte tenu du fait que l'humidité du sol est reliée spatialement, mais elle n’atteint jamais la taille de l’empreinte satellitaire. Cette différence entre l’échelle spatiale des estimations satellitaires et in situ altère le processus de validation et les statistiques obtenues à un niveau qui n’est pas connu actuellement.
Cette thèse vise à améliorer la connaissance de l’impact de la différence de l’échelle spatiale, ainsi qu’à fournir des méthodes d’évaluation de celle-ci applicables à toute zone de validation. Pour ce faire, j’ai d’abord exploré la redistribution spatiale de l'humidité du sol avec un modèle de désagrégation, DISPATCH. Cela a montré que les principaux facteurs de variabilité spatiale de l'humidité du sol varient en fonction de l’occupation des sols et du climat. En ce qui concerne le domaine temporel, l'humidité du sol a montré une dépendance avec l’échelle de temps, que j’ai étudiée en utilisant des transformées en ondelettes.
Sur cette base, la relation entre les échelles spatiales et temporelles a été étudiée. Les séries modélisées à résolution ponctuelle et mesurées sur les régions de Yanco et Little Washita ont été décomposées en échelles de temps comprises entre 0,5 et 128 jours, en utilisant des transformées en ondelettes. La représentativité spatiale des mesures à résolution ponctuelle a ensuite été évaluée, par échelle de temps, avec 4 approches différentes : l’analyse de la stabilité temporelle, la triple colocation, le pourcentage de zones corrélées (CArea) et une nouvelle approche utilisant des corrélations basées sur des ondelettes (WCor). J’ai constaté que la moyenne des valeurs de représentativité spatiale obtenues tend à augmenter avec l’échelle de temps, mais aussi leur dispersion. Cela implique que certaines stations ont de vastes zones de représentativité à des échelles saisonnières, tandis que d’autres ne l’ont pas. Aux échelles sous-hebdomadaires, toutes les stations présentaient de très petites zones de représentativité.
Cette dernière expérience a révélé qu’isoler la différence d’échelle spatiale n’est pas direct car sa magnitude varie avec le point de mesure et l’échelle de temps. Néanmoins, l’une de ses composantes, l’incertitude d’échantillonnage, a été évaluée séparément avec des approches bootstrap et des simulations de Monte Carlo de séries à résolution ponctuelle. Les séries ont été contraintes par des modèles temporels décrivant la dynamique typique de l'humidité du sol dans la région et un modèle spatial décrivant la distribution statistique de l'humidité du sol. Cette thèse a montré que les échelles temporelles et spatiales de l’humidité du sol sont connectées et elle a fourni des outils génériques pour étudier cette connexion. Ceci a des implications importantes pour la validation et la modélisation, qui pourraient être ajustées en fonction de l’échelle de temps. Les approches statistiques non paramétriques, comme Monte Carlo et bootstrap, pourraient également être utilisées de manière opérationnelle dans les campagnes de validation satellitaires. |
Soil moisture (SM) is an essential climate variable and its monitoring is required in many applications, such as meteorological forecasting and hydrological modelling. Satellite borne microwave instruments provide surface SM estimates continuously in time and globally in space, with spatial resolutions (footprint) ranging from 30 to 100 km.
The accuracy of satellite SM products needs to be assessed through validation, which usually consists in comparing satellite-derived and in situ SM time series. In situ sensors typically measure over an area of a few centimetres (point resolution). Their representativeness area can be larger as SM exhibits spatial connection, but it never reaches the satellite footprint size. This spatial scale mismatch between satellite and in situ SM estimates impairs the validation process and the respective summary statistics to an extent that is not currently known.
This thesis aims to improve the knowledge of the spatial scale mismatch, as well as providing methods for its assessment applicable to any validation area. To this end, I first explored the spatial redistribution of SM with a disaggregation model, DISPATCH. This showed that the principal drivers of SM spatial variability do vary as functions of the landscape and the climatic conditions. Regarding the time domain, SM shown time scale dependence, which I studied using wavelet transforms.
From this basis, the connection between the SM spatial and time scales was investigated. Modelled and measured point series at Yanco and Little Washita in situ networks were decomposed into time scales ranging from 0.5 to 128 days, using wavelet transforms. The spatial representativeness of the point measurements was then assessed, on a per time scale basis, with 4 different approaches: temporal stability analysis, triple collocation, the percentage of correlated areas (CArea) and a new approach that uses wavelet-based correlations (WCor). I found that the average of the spatial representativeness values tends to increase with the time scales but so does their dispersion. This implies that some stations had large representativeness areas at seasonal scales, while others do not. At sub-weekly scales, all the stations exhibited very small representativeness areas. Regarding the methods, WCor and CArea gave consistent results at all timescales. WCor is the most robust one as it is the least sensitive to the number of stations.
This latter experiment revealed that isolating the spatial scale mismatch is not straightforward as its magnitude varies with the in situ location and the time scale. Nevertheless, one of the components of the mismatch, the sampling uncertainty, has been assessed separately with bootstrap and Monte Carlo simulations of point-support series. The series followed a temporal model describing the typical SM transitions in the region, and a spatial model describing the statistical distribution of SM.
This thesis has shown that SM time and spatial scales are connected and it has provided some generic tools to study this connection. This has important implications for validation and modelling, which could be adjusted depending on the time scale. Non-parametric statistical approaches, like Monte Carlo and bootstrap, could also be already operationally used in satellite validation campaigns. |