Apport de la télédétection et des variables auxiliaires dans l'étude de l'évolution des périodes de sécheresse

Remote sensing and auxiliary data contribution in the study of periods of droughts

• Auteur / Autrice : Nesrine Farhani
• Direction : Gilles Boulet, Zohra Lili Chabaane
• Type : Thèse de doctorat
• Discipline(s) : Surfaces et interfaces continentales, Hydrologie
• Date : Soutenance le 07/02/2022
• Etablissement(s) : Toulouse 3 en cotutelle avec Université de Carthage (Tunisie)
• Ecole(s) doctorale(s) : École doctorale Sciences de l’univers, de l’environnement et de l’espace (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Centre d'études spatiales de la biosphère (Toulouse ; 2001-....)
• Jury : Président / Présidente : Lionel Jarlan
• Jury : Examinateurs / Examinatrices : Gilles Boulet, Zohra Lili Chabaane, Hedia Chakroun
• Jury : Rapporteurs / Rapporteuses : Etienne Leblois, Yves Tramblay, Sihem Ben Abdallah

Mots clés

Mots clés contrôlés

Temps (météorologie)

Tunisie

Télédétection

Prévision

Sécheresse

Mots clés libres

Variables météorologiques

Évapotranspiration

Semi-arides

Modèle d'énergie

ERA5

Indice de stress

Générateur stochastique

Meteorological variables

Evapotranspiration

Semi-arid

Dual energy balance model

ERA5

Stress index

Weather generator

Résumé

La surveillance des sécheresses dans les régions arides et semi-arides est cruciale car ses conséquences pour l'agriculture peuvent être dramatiques. Afin d'aider les décideurs à établir de bonnes pratiques de gestion de la ressource en eau et d'atténuation du risque des sécheresses, nous nous intéressons à l'analyse des indices de stress hydriques. À cette fin, un modèle de bilan d'énergie à double source permet, en combinant de l'information satellitaire (température de surface, NDVI, albédo et LAI) et de l'information météorologique (température de l'air, humidité relative de l'air, vitesse du vent et rayonnement global), de simuler l'évapotranspiration ainsi que le stress hydrique. Ces deux variables doivent être fournies d'une façon continue et sur une longue période temporelle pour une analyse adéquate des périodes de sécheresses. Or, les réseaux d'observations météorologiques sont parfois insuffisants (faible densité des sites instrumentés et périodes d'observation courtes et souvent non-concomitantes). Notre premier objectif est alors de simuler des scénarios de différentes variables climatiques afin de les prolonger. Nous avons adapté un générateur de conditions météorologiques "MetGen" qui permet de combler les lacunes présentes sur une période d'observation et de projeter des scénarios sur une période distincte de la période d'observation. MetGen exploite parmi ses co-variables, les données de réanalyses qui fournissent des variables à faible résolution spatiale (environ 31 km), comme source d'information importante. Nous comparons cette méthode avec des méthodes de correction de biais (univariée et multivariée) qui exploitent également les données de réanalyses. Cette approche statistique est validée selon deux volets : l'évaluation de la capacité (1) à bien reproduire les variables météorologiques et (2) à bien restituer les variables de bilan d'énergie. Les analyses, menées avec les données des stations météorologiques du système d'observations, ont permis de valider MetGen sur une période de validation (2011-2016). Nous avons utilisé alors cette méthode afin de simuler des données climatiques sur toute la période d'étude (2000-2019). Cette série ainsi que celle provenant des réanalyses brutes sont utilisées comme forçages climatiques du modèle d'énergie à double source SPARSE, afin de simuler deux indices de stress thermiques SI(SWG) et SI(ERA5) issus du générateur et des réanalyses ERA5 respectivement, à une échelle kilométrique. Ces deux indices sensibles aux anomalies de température de surface, sont comparés avec d'autres indices standardisés issus de différentes longueurs d'onde : le NDVI issu du visible/proche infrarouge, SWI du micro-onde et un indice standardisé de précipitations UPI qui est utilisé comme une référence pour notre analyse. Cette analyse est effectuée en termes de pertinence, de cohérence et de précocité pour la détection d'une sécheresse agronomique. Les deux indices thermiques ont montré des bonnes performances pour la détection du stress, notamment SI(SWG) qui a montré plus de précision et de capacité à détecter le stress hydrique d'une façon précoce. Ces analyses et tous ces approches statistiques sont effectuées au niveau du bassin versant de Merguellil situé au centre de la Tunisie et qui présente un modèle typique des régions semi-arides.

In arid and semi-arid areas, water is a major limitation factor for agricultural production. Indeed, these areas are characterized by a short rainy season and strong irregularity in time and space of precipitation events. This induces more frequent annual and intra-seasonal droughts. Evapotranspiration that characterizes plant water use and water stress are needed to better manage water resources and agrosystem health. They both can be simulated by a dual source energy balance model that relies on meteorological variables (air temperature, relative humidity, wind speed and global radiation) and satellite data (surface temperature, NDVI, albedo and LAI). These variables might be simulated for a long period in order to be adequate for drought studies purposes. However, available meteorological observations may often be insufficient to account for the temporal variability present in the study area (sparsity of gauged networks, the lack of long observation periods and the presence of numerous gaps). Our first objective is then to adapt a stochastic weather generator "MetGen" driven by large-scale reanalysis data (about 31 km of spatial resolution) to semi-arid climates and to the sub-daily resolution. MetGen serves to fill in missing data and to provide a temporal extension of multiple meteorological variables. It is compared with two state-of-the-art bias correction methods, univariate and multivariate methods, applied to large-scale reanalysis data. The surrogate series that are either produced by MetGen and the bias correction methods or taken as the un-processed reanalysis data, are evaluated in terms of their ability (1) to reproduce the statistical properties of the meteorological observations and (2) to reproduce energy balance outputs when constrained by observations series. The evaluation of these different statistical methods is performed on a validation period which included the observation period (2011-2016). Then, we used MetGen and the unprocessed reanalyses data to generate meteorological data during the whole study period (2000-2019). These surrogate series are used therefore to constrain the dual-source model Soil Plant Atmosphere and Remote Evapotranspiration (SPARSE) in order to simulate water stress indices SI(SWG) and SI(ERA5) from MetGen and ERA5 reanalyses successively. Stress index anomalies retrieved from SPARSE are then compared to anomalies in other wave lengths in order to assess their consistency, reliability and capacity to detect incipient water stress and early droughts at the kilometer resolution. Those are the root zone soil moisture at low resolution derived from the microwave domain, active vegetation fraction cover deduced from NDVI time series and a uniformized precipitation index UPI as a reference for these analyses. Both thermal stress indices show a good performance to detect water status, especially using SI(SWG) which show more precision and ability to identify incipient water stress. Our analyses are carried on in the Kairouan area in central Tunisia which is subject to semi-arid climate.