Exploitation des outils de la science des données pour le suivi de la quantité et de la qualité des eaux de surface à l'échelle régionale à partir de données de télédétection haute résolution Sentinel-2

Use of Data Science tools for Assessing Inland Water Surface and Quality on Regional Scales Through High-Resolution Sentinel-2 Remote Sensing Images

• Auteur / Autrice : Mauricio Cezar Rebello Cordeiro
• Direction : Jean-Michel Martinez
• Type : Thèse de doctorat
• Discipline(s) : Surfaces et interfaces continentales, Hydrologie
• Date : Soutenance le 06/12/2022
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Sciences de l’univers, de l’environnement et de l’espace (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Géosciences Environnement Toulouse (2011-....)
• Jury : Président / Présidente : Bruno Lartiges
• Jury : Examinateurs / Examinatrices : Sabine Simeoni-Sauvage, Brigitte Vinçon-Leite
• Jury : Rapporteurs / Rapporteuses : Osmar Abiolio, Jean-Stéphane Bailly

Mots clés

Mots clés contrôlés

Apprentissage automatique

Acquisition des connaissances (systèmes experts)

Qualité de l'eau

Télédétection

Ressources en eau

Mots clés libres

Télédétection

Ressources en eau

Science des données

Apprentissage automatique

Big data

Remote sensing

Water resources

Data science

Machine learning

Big data

Résumé

La gestion des ressources en eau est devenue une priorité en fonction de l'augmentation de la demande en eau douce dans le monde entier. Elle a été élue par les Nations Unies comme l'un des objectifs de développement durable de l'Agenda 2030. À cet égard, la surveillance de l'eau est essentielle pour comprendre ses changements en termes de quantité et de qualité et pour la définition de plans de gestion adaptés. Cependant, la surveillance périodique reste un défi en raison des coûts élevés liés à la réalisation de mesures sur le terrain et d'analyses en laboratoire et de la difficulté d'accéder à des sites éloignés. En outre, les mesures ponctuelles éparses ne permettent pas souvent de saisir les variations spatiales et temporelles complexes caractéristiques du cycle de l'eau. Dans ce contexte, la télédétection apparaît comme un outil qui peut être utilisé pour compléter ou même remplacer les études traditionnelles au sol tout en offrant des avantages tels qu'un bon rapport coût-efficacité, une fréquence temporelle plus élevée et une continuité spatiale. Cependant, jusqu'à présent, il manque d'outils et de produits opérationnels axés sur la surveillance des masses d'eaux intérieures, contrairement à plusieurs produits disponibles pour des applications terrestres ou océaniques. Afin de combler certaines de ces lacunes, la première partie de cette thèse s'est concentrée sur le développement d'un algorithme de détection d'eau entièrement automatisé pour l'imagerie optique : WaterDetect. L'algorithme utilise une approche de regroupement multidimensionnel pour fournir une détection robuste indépendamment du type de couverture du sol et sans calibration spécifique. WaterDetect associe un échantillonnage aléatoire et un code de machine learning subséquent afin de fournir des performances élevées et une faible consommation de mémoire. La deuxième partie analyse l'apport de la classification optique des masses d'eaux afin d'améliorer la précision finale de l'inversion de paramètres de qualité des eaux. Le regroupement agglomératif a été utilisé pour classer les spectres provenant de plus de 1000 mesures radiométriques de terrain, et la solution a été optimisée afin de réduire les erreurs d'inversion pour estimer la concentration des matières en suspension (MES) des eaux. Nous démontrons qu'en calibrant les modèles d'inversion pour les MES pour seulement quatre types d'eau optiques, la précision globale obtenue correspond à celle atteinte en calibrant un modèle pour chaque rivière/bassin. Ces résultats permettent d'adopter un schéma de classification simple pour une application régionale et globale, indépendamment des caractéristiques inhérentes à chaque masse d'eau. Pour finir, dans la troisième partie, une méthodologie complète a été proposée afin de généraliser et d'analyser, à grande échelle, les paramètres de surface et de qualité des eaux intérieures. Dans cette partie, l'étude s'est concentrée sur l'évaluation des effets de la grande sécheresse qui a frappé le sud-est du Brésil en 2021, couvrant une zone de 320 000 km², en exploitant plus de 12000 images Sentinel-2/MSI. Les données satellites permettent de mieux comprendre l'évolution de la sécheresse spatialement et son impact par type de taille de lacs et retenues. L'analyse de la qualité des eaux permet de mettre en lumière les variations saisonnières de paramètres de qualité des eaux (turbidité et Chl-a) et comment la sécheresse contrôle ces variations. En conclusion, la présente thèse permet d'envisager une exploitation opérationnelle des images de télédétection pour suivre les eaux intérieures en abordant plusieurs verrous scientifiques. En outre, elle représente un pas en avant en matière de surveillance de l'eau à grande échelle en termes de quantité et de qualité et elle ouvre également la voie à de meilleures pratiques en matière de gestion des ressources en eau.

As demand for freshwater increases worldwide, water resources management is a priority for most countries. It has been elected by the United Nations (UN) as one of the Sustainable Development Goals for the 2030 Agenda. In this regard, water monitoring is essential for understanding water changes in terms of quantity and quality supporting decision-makers. However, periodic monitoring remains challenging due to the high costs involved in performing field measurements and laboratorial analysis and the difficulty accessing remote locations. Moreover, sparse punctual measurements do not capture the complex spatial and temporal variations that may occur. In this context, Remote Sensing (RS) emerges as a potential tool that can be used to complement or even replace traditional ground-based surveys while providing advantages such as cost-effectiveness, higher temporal frequency, and spatial continuity. However, until the present, it lacks operational tools and products focusing on inland water bodies monitoring, in contrast to several products available for land or oceanic applications. In order to bridge some of these gaps, the first part of this thesis focused in developing a fully automated water detection algorithm for optical imagery: WaterDetect. The algorithm uses a multidimensional clustering approach to provide robust detection regardless of land coverage type and specific calibration. WaterDetect is coupled with a random sampling and a subsequent machine learning classifier to deliver high performance and low memory consumption. The second part proposes to obtain water classification schemes to improve water quality inversion accuracy using unsupervised machine learning . Agglomerative clustering has been used to classify spectra from more than 1,000 field radiometric measurements, and the solution has been optimized to decrease Suspended Particle Matter (SPM) retrieval errors. It is shown that by calibrating SPM models for just four optical water types (OWT), the overall accuracy matches the one obtained by calibrating one model individually for each river/basin. These finds make it possible to adopt one simple classification scheme for regional and global application, regardless of the inherent characteristics of each water body. Finally, in the third part, a comprehensive methodology has been proposed aiming at large-scale generalization and analysis of inland water surface and water quality parameters. In this part, a case study has been performed to demonstrate the applicability of RS in regional-scale water assessment. The study focused in evaluating the effects of the major drought that hit Brazil’s southeast in 2021, covering an area of 320,000 km2. Several analyses considering water quantity and water quality (turbidity and Chl-a) were performed and validated with available field data. In summary, the present thesis demonstrates the feasibility of using RS imagery for inland water assessment by addressing some of its scientific bottlenecks. Moreover, it represents a step forward in terms of large-scale and operational water monitoring in terms of quantity and quality and it also opens the path to better practices in water resources management.