Regional Soil Moisture and Evapotranspiration Estimates for Quantifying Irrigation Water Demand

L’irrigation est essentielle pour améliorer la productivité agricole et accroître les rendements des cultures. Face à la demande croissante en ressources en eau douce dans un contexte de changement climatique, une planification rigoureuse de l’irrigation s’avère cruciale. Ainsi, l’objectif général de notre étude visait à évaluer l’humidité du sol et l’évapotranspiration à l’échelle spatiotemporelle dans des zones clés d’irrigation, en vue d’optimiser la gestion de l’eau. Pour atteindre cet objectif, quatre objectifs spécifiques ont été définis. Dans un premier temps, des modèles d’apprentissage automatique supervisé ont été appliqués pour relier la rétrodiffusion radar Sentinel-1, leurs combinaisons mathématiques de bandes ainsi que des indices de végétation influents à la restitution de l’humidité de surface. L’ajout d’indices de végétation tels que le NDVI, le NDMI et la rugosité de surface approximée, Zom, a considérablement amélioré la restitution de l’humidité du sol (r > 0,6; RMSE ~ 0,05 m³ m-³). Le deuxième objectif a porté sur l’étude des magnitudes de cohérence interférométrique ainsi que des variables auxiliaires spatiotemporelles telles que les précipitations et la texture du sol, pour l’estimation de l’humidité de surface. Les résultats ont révélé que la cohérence présentait une relation faible avec l’humidité du sol. Toutefois, l’intégration des rétrodiffusions et des variables auxiliaires a significativement amélioré les prédictions d’humidité (r = 0,83; R² ajusté = 0,68; RMSE = 0,046 m³ m-³). Ces résultats confortent notre hypothèse selon laquelle les produits Sentinel-1 peuvent être utilisés pour limiter la nécessité de mesures complexes de terrain telles que la rugosité de surface ou la teneur en eau de la végétation pour la surveillance de l’humidité du sol. Parmi les modèles d’apprentissage automatique, les modèles arborescents validés par recoupement ainsi que les machines à vecteurs de support ont montré les meilleures performances en termes de prédiction.Le troisième objectif a consisté à proposer une stratégie d’irrigation résiliente à la sécheresse en combinant les estimations de l’évapotranspiration réelle (ETR) et des rendements des cultures. Les estimations d’ETR issues du bilan énergétique de surface ont été exploitées pour quantifier la sévérité potentielle de la sécheresse. L’indice de sécheresse basé sur la demande en eau a anticipé une augmentation de 220% de la demande en eau durant les années sèches. Plusieurs régimes d’irrigation ont été testés à l’aide du modèle AquaCrop pour minimiser les impacts de la sécheresse sur les rendements. Les simulations ont montré que le maintien de 50% de l’humidité disponible du sol permettait d’obtenir des rendements significatifs avec une productivité en eau optimale, comparativement aux conditions pluviales. Enfin, le dernier objectif a évalué les éventuels changements dans les rendements et les besoins en irrigation dans un contexte de projections climatiques futures. Deux districts d’irrigation à cultures à haute valeur ajoutée ont été étudiés: Leamington (Ontario), pour les tomates, et Lethbridge (Alberta), pour les pommes de terre et le blé de printemps. Une stratégie d’adaptation aux risques climatiques basée sur la déplétion admissible de l’eau disponible totale (MAD) a été proposée pour chaque culture afin de maintenir les rendements malgré le changement climatique. En comparaison à la période de référence historique, les rendements futurs sous conditions pluviales ont augmenté en moyenne de 17%, tandis qu’une augmentation de 28,3% a été observée avec l’irrigation basée sur MAD. De plus, cette stratégie a permis une économie de 40% d’eau par rapport à une irrigation intégrale. À travers ces résultats, l’étude apporte les contributions suivantes à l’état des connaissances: (i) exploration des caractéristiques polarimétriques et interférométriques complexes de Sentinel-1 pour la restitution de l’humidité du sol; (ii) amélioration des prédictions de l’humidité par des approches d’apprentissage automatique; (iii) analyses spatiotemporelles de la sévérité des sécheresses via des indices dérivés de satellites; (iv) proposition d’une stratégie d’adaptation de l’irrigation résiliente à la sécheresse pour maintenir les rendements; (v) identification de la variabilité des besoins en irrigation et des rendements futurs face aux scénarios climatiques projetés. Dans l’ensemble, ces résultats présentent une méthodologie intégrée pour la génération de cartes spatiotemporelles de l’humidité du sol et de l’évapotranspiration des cultures. Ces cartes permettent une analyse approfondie et une compréhension élargie de la demande en eau sur plusieurs saisons, menant à une estimation plus précise des besoins en irrigation dans les contextes actuels et futurs

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.