Étude comparative de la performance de données d’humidité du sol in situ et satellitaires pour la simulation hydrologique
Notice bibliographique
Résumé
La prévision des débits en rivière permet aux secteurs de l’agriculture et de l’énergie comme la protection civile de faire une bonne gestion de la ressource en eau. L’humidité du sol est une variable clé dans la génération du ruissellement. L’arrivée de nouveaux satellites dotés de radars capables de monitorer l’humidité du sol permet de corriger l’état initial du modèle hydrologique. Certains chercheurs ont réussi à réduire de façon appréciable l’erreur (RMSE) de simulation sur les débits en ce sens, mais malgré ceci, il y a encore un besoin d’approfondir le sujet. Si on considère faire la mise à jour de l’état initial par le biais de données estimées, alors existe-t-il une source meilleure qu’une autre? La présente vise à faire l’évaluation du gain de la télédétection de l’humidité du sol pour la simulation hydrologique et d’en faire la comparaison d’avec l’utilisation de stations de mesure. Une méthodologie est développée afin de répondre à cet objectif. L’état dans le modèle hydrologique Hydrotel est mis à jour suivant les observations d’humidité du sol extraites de l’onde radar rétrodiffusée à la surface du sol en provenance du satellite Sentinel-1A doté d’un radar à synthèse d’ouverture en bande C. Un modèle par régression linéaire est construit en corrélant le signal radar rétrodiffusé à l’humidité de surface avec des observations obtenues d’un réseau de stations de mesure déployé sur deux bassins versants au Canada. L’humidité du sol en terres agricoles est estimée avec un RMSE de 0.030 m³/m³ lorsque la végétation est faible et avec un RMSE de 0.033 m³/m³ lorsque celle-ci est forte . Un modèle mathématique transforme ensuite cette humidité de surface (0-5 cm) à la zone racinaire (20 cm) et dépend uniquement de l’humidité de surface et du type de sol. Un RMSE moyen de 0.0319 m³/m³ est obtenu par rapport aux données mesurées. La mise à jour du modèle Hydrotel est donc possible par l’insertion directe de l’estimation faite pour ces deux profondeurs. Les résultats indiquent que la télédétection permet de réduire en moyenne le RMSE de 19% tandis que la réduction moyenne est de 22% lorsque la mise à jour est basée sur l’utilisation directe des stations. La performance du scénario impliquant Sentinel-1A est influencée par la proportion des terres agricoles au sein du bassin versant. Un moyen de pallier à ce problème serait l’utilisation d’un capteur radar pénétrant la canopée (par exemple en émettant un signal en bande L) comme c’est le cas du futur satellite NISAR qui sera lancé en 2022. De plus, la validation du modèle sur d’autres années est fortement suggérée pour évaluer avec certitude la méthodologie développée. Dans de futures collaborations, il serait souhaitable de tester la méthode sur différents bassins versants ayant des pourcentages et des répartitions différentes de terres agricoles afin de généraliser les résultats.
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.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».