Développement de nouvelles stratégies de cartographie de 
\nl’étendue spatiale du couvert nival saisonnier au Québec-et-Labrador à partir des données du capteur optique NOAA-AVHR.

Le couvert nival joue un rôle important dans le cycle hydrologique du Québec. Les approches par télédétection satellitaire du suivi quotidien du couvert nival saisonnier ont atteint divers degrés de maturité et certaines d’entre elles nécessitent d’être améliorées. Les provinces du Québec-et Labrador (Est du Canada) constituent un défi pour l’élaboration de telles approches en raison des conditions particulières d’enneigement (un couvert nival épais) et de la nature très diversifiée de la couverture végétale (toundra, taiga, forêt boréale, forêt de feuillus, forêt mixte, perturbations, terres humides, zones agricoles et zones urbaines). Le sujet de la présente thèse concerne le développement et la validation de nouvelles stratégies de cartographie de l’étendue spatiale du couvert nival saisonnier au Québec-et-Labrador à partir des données optiques et infrarouge thermique du capteur NOAA-AVHRR (1 km). Les objectifs de recherche sont : (1) développer un algorithme de classification à seuils adaptatifs à la température de l’air et à l’occupation du sol à partir des données du capteur AVHRR pour le suivi quotidien des catégories de surfaces neige, non-neige et nuage; (2) d’adapter l’algorithme de classification à seuils adaptatifs à la température de l’air et à l’occupation du sol aux approches de logique floue et (3) d’estimation d’ensemble pour obtenir des probabilités d’appartenance aux catégories de surfaces neige, non-neige et nuage et réduire des erreurs de classification (erreurs d’omission et/ou de commission); (4) de valider les algorithmes de cartographie ainsi développés avec les images de haute résolution spatiale LANDSAT (30 m) et d’y réaliser une analyse comparative de validation avec les produits de neige disponibles sur la région d’étude, c’est-à-dire IMS (4 km), MODIS (500 m) et la version de l’algorithme AVHRR à seuils adaptatifs au jour julien (AVHRR DOY) développé par Chokmani et al. (2009) quelques années plus tôt. L’algorithme AVHRR à seuils adaptatifs au jour julien est un algorithme régional où les paramètres de seuil évoluent en fonction de la moyenne historique pour un jour julien donné. L’algorithme à seuils adaptatifs à la température de l’air et à l’occupation du sol (AVHRR TAIR) est un algorithme local où les paramètres de seuil évoluent en fonction de la température de l’air et de l’occupation du sol, ces deux variables étant plus aptes à saisir les particularités spectrales et thermiques de la neige sous diverses conditions contrairement au jour julien. L’algorithme AVHRR TAIR a été adapté à une approche de logique floue, qui consiste à ajuster des fonctions d’appartenance sur les seuils empiriques de l’algorithme AVHRR et de construire un système d’équations permettant de calculer la probabilité d’appartenance aux catégories de surfaces neige, non-neige et nuage. L’algorithme AVHRR TAIR a été adapté à une approche d’estimation d’ensemble. Le boosting consiste à calibrer de manière séquentielle trois classificateurs comportant chacun des erreurs de classification et de les combiner de telle sorte à obtenir un classificateur fort. Les résultats de l’analyse comparative indiquent une amélioration significative de la qualité de la cartographie du couvert nival saisonnier sur la région du Québec-et-Labrador à l’aide de l’algorithme AVHRR TAIR par rapport à la version précédente. Pour la période de fonte printanière 2006 à 2014, le taux de succès global de classification (TSG) est de 0,92 pour AVHRR TAIR et 0,78 pour AVHRR DOY. Un écart de 0,14 est considéré significatif. Les catégories d’occupation du sol forestières (forêt de conifères, de feuillus et mixte) sont les occupations du sol ayant connu la plus forte amélioration entre les algorithmes. L’amélioration observée pour l’algorithme AVHRR TAIR s’explique par la qualité des échantillons de pixels de calibration et par la flexibilité des seuils de s’ajuster aux conditions locales du couvert nival saisonnier en fonction de la température de l’air et de l’occupation du sol. L’analyse comparative indique un TSG de 0,93 pour MODIS et 0,88 pour IMS sur la région d’étude. L’algorithme AVHRR TAIR possède une performance relativement similaire à MODIS en ce qui concerne la cartographie quotidienne du couvert nival saisonnier sur la région du Québec-et-Labrador et surpasse celle de IMS. En ce qui concerne les approches de logique floue et de boosting qui ont été implantées sur l’algorithme AVHRR TAIR, celles-ci ont permis de maintenir son niveau de performance, sinon la dégrader un peu. L’analyse comparative enregistre un TSG de 0,92 pour l’approche de logique floue et 0,91 pour les approches de boosting avec ou sans logique floue respectivement. La contribution de la cartographie par logique floue permet de restituer les probabilités d’appartenance aux catégories de surfaces neige, non neige et nuage, comprises entre 0 et 1. La présence de valeurs continues dans la cartographie permet d’offrir une certaine flexibilité à l’utilisateur sur l’interprétation du contenu de la carte. La cartographie de logique floue est une classification souple en comparaison avec l’algorithme AVHRR TAIR où la classification est faite selon une approche de tout ou rien (classification dure). La contribution de la cartographie de boosting est l’ajout de robustesse sur la classification obtenue par l’algorithme AVHRR TAIR. <br /><br />Seasonal snow cover plays an important role in Quebec's hydrological cycle. Satellite remote sensing approaches to perform daily monitoring of seasonal snow cover have reached varying degrees of maturity and some of them need to be improved. The provinces of Quebec and Labrador (Eastern Canada) are a challenge in developing such approaches due to the particular snow conditions (thick snow cover) and the very diverse nature of the vegetation cover (tundra, taiga, boreal forest, deciduous forest, mixed forest, disturbances, wetlands, agricultural areas and urban areas). The subject of this thesis concerns the development and validation of new strategies for mapping the spatial extent of seasonal snow cover in Quebec and Labrador using optical and thermal infrared data from the NOAA-AVHRR sensor (1 km). The research objectives are: (1) to develop a classification algorithm with adaptive thresholds based on air temperature and land cover from AVHRR sensor data for daily monitoring of snow, no-snow and cloud; (2) adapt the adaptive threshold classification algorithm to air temperature and land cover approaches to fuzzy logic and (3) ensemble approaches to obtain probabilities of belonging to snow, no-snow and cloud and reduce classification errors (errors of omission and/or commission); (4) to validate the mapping algorithms thus developed with LANDSAT images (30 m) and to carry out a comparative validation analysis with the snow products available in the study area, i.e. IMS (4 km), MODIS (500 m) and the version of the AVHRR algorithm with adaptive thresholds based on Day-of-Year (AVHRR DOY) developed by Chokmani et al. (2009) a few years earlier. The AVHRR algorithm with adaptive thresholds based on Day-of-Year is a regional algorithm where the threshold parameters evolve according to the historical average for a given Day-of Year. The adaptive threshold algorithm based on air temperature and land cover (AVHRR TAIR) is a local algorithm where threshold parameters evolve as a function of air temperature and land cover, these two variables being better able to capture the spectral and thermal peculiarities of snow under various conditions unlike the Day-of-Year. The AVHRR TAIR algorithm has been adapted to a fuzzy logic approach, which consists of adjusting membership functions on the empirical thresholds of the AVHRR algorithm and constructing a system of equations to calculate the probability of belonging to snow, no-snow and cloud. The AVHRR TAIR algorithm has been adapted to an ensemble approach. Boosting consists of sequentially calibrating three classifiers, each with classification errors, and combining them in such a way as to obtain a strong classifier. The results of the comparative analysis indicate a significant improvement in the quality of seasonal snow cover mapping in the Quebec and Labrador region using the AVHRR TAIR algorithm compared to the previous version. For the spring melt period 2006 to 2014, the overall classification success rate (TSG) is 0.92 for AVHRR TAIR and 0.78 for AVHRR DOY. A deviation of 0.14 is considered significant. Forest land cover categories (coniferous, deciduous and mixed forest) are the land use with the greatest improvement between the algorithms. The improvement observed for the AVHRR TAIR algorithm is explained by the quality of the calibration pixel samples and the flexibility of the thresholds to adjust to local snow cover conditions depending on air temperature and land cover. The comparative analysis indicates a TSG of 0.93 for MODIS and 0.88 for IMS on the study area. The AVHRR TAIR algorithm has a relatively similar performance to MODIS in terms of daily seasonal snow cover mapping in the Quebec and Labrador region and surpasses that of IMS. As for the fuzzy logic and boosting approaches that have been implemented on the AVHRR TAIR algorithm, these have made it possible to maintain its level of performance, if not degrade it a little. Comparative analysis records a TSG of 0.92 for the fuzzy logic approach and 0.91 for boosting approaches with or without fuzzy logic respectively. The contribution of mapping by fuzzy logic makes it possible to restore the probabilities of belonging to the categories of snow, no-snow and cloud, between 0 and 1. The presence of continuous values in the map allows for flexibility in interpreting the contents of the map. Fuzzy logic mapping is a flexible classification in comparison with the AVHRR TAIR algorithm where the classification is made according to an all-or-nothing approach (hard classification). The contribution of boosting mapping i

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.