Développement d’une approche d’estimation de la densité du couvert nival à l’aide des données de télédétection hyperspectrale proximale dans l’infrarouge proche.

La transcription des symboles et des caractères spéciaux utilisés dans la version originale de \nce résumé n’a pas été possible en raison de limitations techniques. La version correcte de ce \nrésumé peut être lue en PDF. La neige joue un rôle primordial dans le bilan hydrique, le climat et l'économie de nombreuses régions géographiques. Le manteau neigeux est l'ensemble des couches de neige qui s'accumulent sur le sol tout au long de l'hiver. Chacune de ces couches a une densité donnée. La quantification de la variabilité de la densité dans le temps et l'espace est essentielle pour l'estimation de l'équivalent en eau de la neige, la production d'énergie hydroélectrique et l'évaluation des risques naturels (avalanches, inondations, etc.). La densité de la neige est mesurée à l'aide de diverses méthodes et technologies. Parmi celles-ci, on trouve des mesures manuelles en prélevant des carottes dans le manteau neigeux, ou l'installation de dispositifs qui reposent à plat sur le sol et pèsent la neige au fur et à mesure qu'elle s'accumule sur le dessus. Il existe également d'autres méthodes pour mesurer la densité de la neige, comme la télédétection proximale, aérienne et spatiale. Cependant, ces méthodes présentent plusieurs inconvénients; par exemple, elles ne mesurent pas la densité de chaque couche de neige qui compose la stratigraphie verticale du manteau neigeux, mais seulement la densité moyenne de ce dernier. Par conséquent, l'objectif de cette étude est de développer une approche de télédétection proximale pour estimer la densité de la neige dans une optique de suivi de la dynamique et l'évolution spatiale de ce paramètre. Pour relever ce défi, nous proposons dans cette thèse de : 1) développer une méthode innovante de classification du manteau neigeux saisonnier à partir des données hyperspectrales proche infrarouge afin de discriminer des classes de neige homogènes présentant différents degrés de métamorphose; 2) développer un modèle hybride d'estimation de la densité de la neige à partir des données proche infrarouge. Le principe de ce modèle est de classifier la densité de la neige avant son estimation au moyen d'un estimateur spécifique correspondant à chaque classe prédéterminée d’état métamorphique de la neige; 3) l'utilisation d'un modèle basé sur les méthodes d'ensemble pour améliorer la qualité et la robustesse de l'estimation de la densité, quel que soit l'état d'évolution ou de métamorphose de la neige tout en fournissant un niveau d'incertitude sur l'estimation. La réalisation de ces objectifs a nécessité des campagnes de terrain hebdomadaire dans un site situé à Québec, étalées sur trois hivers, dans le but de collecter des données in situ des propriétés physiques (densité, taille des grains et type des grains) et optiques (réflectance spectrale dans le proche l’infrarouge) du profil vertical du manteau neigeux. Cent quatorze échantillons de neige ont été collectés et ensuite utilisés à des fins de calibration et de validation des modèles développés. Nos travaux ont ainsi démontré dans un premier temps qu’il est possible de classifier la neige en trois classes de neige (faiblement métamorphosée, modérément métamorphosée, et fortement métamorphosée) à l’aide des données hyperspectrales proche infrarouge avec un taux de succès global de 83% et un indice kappa de 0.75. En ce qui concerne la performance globale du modèle d’estimation de la densité de neige en deux étapes (classification suivie d’une régression), il a été démontré que l'utilisation de l'imagerie hyperspectrale proche infrarouge proximale permet d’estimer la densité de la neige avec une bonne exactitude (R2 = 0,88 et RMSE = 46,79 kg m-3 ). De même, le modèle basé sur les méthodes d'ensemble quant à lui, a permis d’obtenir d’aussi bons résultats (R2 = 0,90 et RMSE = 44,45 kg m-3 ), avec plus de robustesse (écart-typeNASH = 0,18 et écart-typeRQM = 15,04 kg m-3 versus écart typeNASH = 0,02 et écart-typeRQM = 4,27 kg m-3 pour le modèle hybride et modèle basé sur les méthodes d'ensemble, respectivement) puisque le modèle intègre explicitement les erreurs inévitables de classification de la neige préalable à l’estimation de la densité de la neige. L'automatisation de cette approche à des fins opérationnelles permettra aux intervenants de surveiller la dynamique spatiale des accumulations de neige saisonnières à des coûts abordables et dans un temps plus court.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.