Development of high-precision snow mapping tools for Arctic environments

Le manteau neigeux varie grandement dans le temps et l’espace, il faut donc de nombreux points d’observation pour le décrire précisément et ponctuellement, ce qui permet de valider et d’améliorer la modélisation de la neige et les applications en télédétection.
\nL’analyse traditionnelle par des coupes de neige dévoile des détails pointus sur l’état de la neige à un endroit et un moment précis, mais est une méthode chronophage à laquelle la distribution dans le temps et l’espace font défaut. À l’opposé sur la fourchette de la précision, on retrouve les solutions orbitales qui couvrent la surface de la Terre à intervalles réguliers, mais à plus faible résolution.
\nDans l’optique de recueillir efficacement des données spatiales sur la neige durant les campagnes de terrain, nous avons développé sur mesure un système d’aéronef télépiloté (RPAS) qui fournit des cartes d’épaisseur de neige pour quelques centaines de mètres carrés, selon la méthode Structure from motion (SfM). Notre RPAS peut voler dans des températures extrêmement froides, au contraire des autres systèmes sur le marché. Il atteint une résolution horizontale de 6 cm et un écart-type d’épaisseur de neige de 39 % sans végétation (48,5 % avec végétation).
\nComme la méthode SfM ne permet pas de distinguer les différentes couches de neige, j’ai développé un algorithme pour un radar à onde continue à modulation de fréquence (FM-CW) qui permet de distinguer les deux couches principales de neige que l’on retrouve régulièrement en Arctique : le givre de profondeur et la plaque à vent. Les distinguer est crucial puisque les caractéristiques différentes des couches de neige font varier la quantité d’eau disponible pour l’écosystème lors de la fonte. Selon les conditions sur place, le radar arrive à estimer l’épaisseur de neige selon un écart-type entre 13 et 39 %.
\nvii
\nFinalement, j’ai équipé le radar d’un système de géolocalisation à haute précision. Ainsi équipé, le radar a une marge d’erreur de géolocalisation d’en moyenne <5 cm. À partir de la mesure radar, on peut déduire la distance entre le haut et le bas du manteau neigeux. En plus de l’épaisseur de neige, on obtient également des points de données qui permettent d’interpoler un modèle d’élévation de la surface solide sous-jacente. J’ai utilisé la méthode de structure triangulaire (TIN) pour toutes les interpolations. Le système offre beaucoup de flexibilité puisqu’il peut être installé sur un RPAS ou une motoneige.
\nCes outils épaulent la modélisation du couvert neigeux en fournissant des données sur un secteur, plutôt que sur un seul point. Les données peuvent servir à entraîner et à valider les modèles. Ainsi améliorés, ils peuvent, par exemple, permettre de prédire la taille, le niveau de santé et les déplacements de populations d’ongulés, dont la survie dépend de la qualité de la neige. (Langlois et coll., 2017.) Au même titre que la validation de modèles de neige, les outils présentés permettent de comparer et de valider d’autres données de télédétection (par ex. satellites) et d’élargir notre champ de compréhension. Finalement, les cartes ainsi créées peuvent aider les écologistes à évaluer l’état d’un écosystème en leur donnant accès à une plus grande quantité d’information sur le manteau neigeux qu’avec les coupes de neige traditionnelles.

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.