Étude comparative de la performance de données d’humidité du sol in situ et satellitaires pour la simulation hydrologique
Bibliographic record
Abstract
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.
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.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".