Evaluation des effects de la dynamique de l'usage des sols sur la qualité de l'eau et le risque d'inondation grâce à la télédétection, l'apprentissage machine et la modélisation hydrologique : le lac Tonle Sap au Cambodge comme cas d'étude

Assessing the effects of land use dynamics on water quality and flood risk using satellite imagery, machine learning and hydrological modeling: the Tonle Sap Lake in Cambodia as a test case

• Auteur / Autrice : Chhenglang Heng
• Direction : Renaud Hostache, Vannak Ann
• Type : Projet de thèse
• Discipline(s) : STE-Sciences de l'Eau
• Date : Inscription en doctorat le 01/09/2023
• Etablissement(s) : Université de Montpellier (2022-....) en cotutelle avec Institut de technologie du Cambodge
• Ecole(s) doctorale(s) : École Doctorale GAIA Biodiversité, agriculture, alimentation, environnement, terre, eau (Montpellier ; 2015-...)
• Partenaire(s) de recherche : Laboratoire : Observation Spatiale, Modèles et Science Impliquée

Mots clés

Mots clés libres

Télédétection

Qualité de l'eau

Inondations

Modélisation hydrologique

Usage des sols

Apprentissage machine

Remote sensing

Water quality

Floods

Hydrological modelling

Land Use

Machine learning

Résumé

L'eau continentale est essentielle à la vie mais elle représente également un risque pour les populations et l'environnement lors des crises telles que les inondations, les sécheresses, ou les contaminations. Ces crises sont actuellement de plus en plus fréquentes en raison des changements climatiques, sociétaux et anthropiques. Le lac Tonle Sap (TSL) au Cambodge est le plus grand lac d'eau douce d'Asie du Sud-Est. En raison de sa place socio-économique et de sa riche biodiversité, le TSL et sa plaine inondable jouent un rôle important dans la vie des Cambodgiens, les écosystèmes du lac et la biodiversité. Les moyens de subsistance des habitants du TSL et des environs (c'est-à-dire de la plaine d'inondation) dépendent fortement des ressources naturelles du lac, qui sont désormais vulnérables aux activités anthropiques, aux changements d'occupation et d'usage des sols (OS/US) et aux extrêmes hydrologiques. Il est donc primordial de développer des méthodes et des outils efficaces pour surveiller les eaux de surface et mieux anticiper les événements extrêmes. Ces dernières décennies, l'observation de la Terre a connu un développement offrant des informations pertinentes à large échelle. Depuis les années 2000, l'accès aux données satellitaires est grandement facilitée, avec de grands jeux de données désormais disponibles librement (e.g., Landsat, MODIS, Sentinel). Des études ont montré la capacité de plusieurs produits satellitaires (MODIS, GRACE …) à fournir des informations hydrologiques ponctuelles (par exemple, l'étendue des crues) sur le TSL et dans les zones inondables. Afin d'améliorer notre compréhension du fonctionnement hydrologique du TSL sous pression climatique et anthropique et de faire progresser les connaissances sur la surveillance et de modélisation d'un système aussi complexe, l'objectif général du doctorat est de tirer parti de l'exploitation de la télédétection SAR et optique au Cambodge et de d'intégration des informations dérivées de la télédétection dans les modèles. Les objectifs plus spécifiques sont les suivants : 1) Cartographie et suivi des changements spatio-temporels de l'OS/US dans le TSL, à partir d'images Sentinel (1 et 2). 2) Évaluation des effets des changements spatio-temporels de l'OS/US sur la dégradation de la qualité de l'eau et développement d'un outil de modélisation pertinent dans le TSL en utilisant une approche d'apprentissage machine. 3) Mise en place d'un système de surveillance/modélisation hydrologique du TSL et de sa plaine inondable. La collecte des données satellitaires sera effectuée via la plateforme Copernicus pour les images satellitaires et les données environnementales seront achetées sur la plateforme de donnée de la Mekong River Commission (MRC). Un algorithme de détection des changements d'OS/US (IOTA2) sera exploité, les séries temporelles Sentinel seront prétraitées à l'aide de SNAP et l'ensemble de données d'entraînement nécessaire pour la classification supervisée sera produit en combinant les données existantes de la MRC et de nouvelles données collectées sur le terrain. L'approche d'apprentissage automatique sera utilisée pour proposer un modèle permettant de corréler les changements d'OS/US et la dégradation de la qualité de l'eau dans le TSL pour atteindre l'objectif 2. Pour atteindre l'objectif 3, nous proposons de mettre en place un système de surveillance nous permettant de dériver automatiquement des cartes d'étendue des eaux à partir d'images Sentinel 1 et 2 en utilisant des algorithmes automatiques. Cela permettra de collecter une longue archive de cartes d'eau de surface et d'évaluer comment les changements passés du US/OS ont eu un impact sur les ressources en eau de surface et le risque d'inondation. Un modèle hydrologique spatialement distribué sera mis en place pour permettre la prédiction de l'évolution temporelle des eaux de surface au cours des dernières décennies sous pression anthropique et proposer un système de prévision hydrologique.

Continental water is essential for life but it also represents a risk for the populations and the environment during crises such as floods, droughts, or contaminations. These crises are currently becoming more and more pressing as a result of climatic, societal and anthropic changes. Tonle Sap Lake (TSL) in Cambodia is the largest inland freshwater lake in Southeast Asia. Due to its socio-economic value and its rich biodiversity, TSL and its floodplains play an important role in the lives of Cambodians, the lake's ecosystems and biodiversity. The livelihoods living in the TSL and around (i.e., in floodplain) strongly depend on the lake's natural resources, being now vulnerable to anthropic activities, land use / land cover (LULC) changes and hydrological extremes. It is therefore of primary importance to develop efficient methods and tools to monitor surface water and better anticipate extreme events. Last decades have witnessed a rapid development of Earth observation via aerial and satellite remote sensing technologies that enables the acquisition of relevant information on Earth surface at large scales. Since the 2000s, access to data from Earth and weather observation satellites has improved, with large datasets now freely available (e.g., Landsat images, Moderate Resolution Imaging Spectroradiometer (MODIS), Copernicus Sentinel products). Previous studies have shown the value of several satellite products (i.e., MODIS, GRACE, TRMM) to derive punctual hydrological information (e.g., flood extents) over the TSL in flood-prone area To further develop our understanding of the TSL hydrological functioning under climate and anthropic pressure and to advance knowledge on monitoring and modelling approaches of such a complex system, the overall long-term objective of the PhD is to leverage the exploitation of SAR and optical remote sensing in Cambodia and the integration of remote sensing derived information with models. More specific objectives are as follow: - 1) Mapping and monitoring of spatio-temporal LULC changes in the TSL, from Sentinel (1 and 2) images, using state-of-the-art algorithms. - 2) Assess the effects of the spatio-temporal LULC changes (i.e., land use classes) on water quality degradation and develop a relevant modeling tool in the TSL using a machine learning approach. - 3) Setup a hydrological monitoring/modeling system of the TSL and its floodplain to better anticipate extreme events and available water resources. The satellite data collection will be carried out via the Copernicus Open Access Hub platform for satellite images and the environmental data will be purchased from Mekong River Commission (MRC) Data Portal platform. An algorithm for detecting the LULC changes of the TSL will be used after the preprocessing of Satellite images step using SNAP, IOTA2 tools and QGIS to archive objective 1. Sentinel time series will be preprocessed using SNAP and the training dataset required to carry out the supervised classification will be produced gathering existing data from the MRC and new in-situ data collected in the field. Machine learning approach will be used to propose a model enabling correlating LULC changes and water quality degradation in the TSL to achieve the objective 2. To achieve objective 3, we propose to set up a monitoring system enabling us to automatically derive water/flood extent maps from SAR and optical satellite images using state of the art and further developed algorithms. This will allow for collecting a rather long archive of water surface extent and evaluate how the LULC past changes have impacted surface water resources and flood risk. Moreover, a spatially distributed hydrological model will be set up to enable the prediction of surface water time evolution over the past decades under anthropic pressure and pave the way for an operational hydrological forecasting system.