Assimilation de données de biomasse satellite - dans le modèle global ORCHIDEE pour contraindre le bilan de carbone des écosystèmes forestiers et son évolution future sous changements globaux

Assimilation of satellite data - derived above ground biomass data in the ORCHIDEE land surface model to constrain the carbon budget of forest ecosystem and its fate under global changes

• Auteur / Autrice : Augustin Poinssot
• Direction : Nicolas Viovy, Benjamin Pey
• Type : Projet de thèse
• Discipline(s) : Géosciences
• Date : Inscription en doctorat le 04/11/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale des sciences de l'environnement d'Île-de-France
• Partenaire(s) de recherche : Laboratoire : Laboratoire des Sciences du Climat et de l'Environnement - DRF
• Partenaire(s) de recherche : Référent : Université de Versailles-Saint-Quentin-en-Yvelines

Mots clés

Mots clés libres

Cycle du carbone

Assimilation de données

Écosystème forestier

Modélisation

Carbon cycle

Data assimilation

Forest ecosystem modeling

Résumé

Les rétroactions entre cycle du carbone et climat représentent une source majeure d'incertitude dans les prédictions du changement climatique, en particulier la réponse de la biosphère terrestre, qui constitue le principal facteur contributif (Friedlingstein et al., 2006). Comprendre l'évolution de la capacité des écosystèmes terrestres à absorber du dioxyde de carbone (CO2) de l'atmosphère et identifier ceux susceptibles de devenir des puits affaiblis ou même des sources de carbone (C) en raison des changements climatiques, de l'utilisation des terres et des pratiques de gestion reste un challenge scientifique majeur. Dans ce contexte, les modèles de surface terrestre (Land Surface Models, LSM) sont essentiels pour quantifier et prédire la réponse des écosystèmes terrestres face aux perturbations anthropiques, et pour évaluer la durabilité des services écosystémiques, notamment la séquestration du carbone. Cependant, les LSM actuels présentent des incertitudes importantes, dues principalement à des erreurs structurelles de modélisation (procédés manquants) et à une mauvaise calibration des paramètres. Parallèlement, les données d'observation de la Terre offrent une source inédite d'informations sur l'état et l'évolution de la biosphère terrestre, mais leur intégration au sein des LSM reste encore fragmentée et sous-exploitée. Les récentes estimations de biomasse aérienne (AGB) issues de divers instruments satellitaires offrent un nouveau levier pour calibrer les modèles d'écosystèmes, en particulier pour les dynamiques forestières. Ces données, notamment pour les écosystèmes tropicaux, apportent des informations cruciales sur les stocks de carbone des forêts. Plusieurs produits d'observation de pointe, comme l'ESA-CCI Biomass, fournissent des estimations fiables de la répartition spatiale du carbone stocké dans la végétation ligneuse. Simultanément, les LSM ont récemment été améliorés avec des modèles démographiques qui simulent explicitement la structure de taille et d'âge des arbres. Ces modèles permettent d'améliorer l'évaluation de l'absorption de carbone par les forêts et de mieux représenter les régimes de perturbation ainsi que les pratiques de gestion forestière. ORCHIDEE, le modèle utilisé dans cette thèse, est l'un de ces modèles et constitue le composant de surface terrestre du modèle climatique de l'IPSL (IPSL-ESM). La dernière version, intégrant les dynamiques forestières et la gestion forestière, sera utilisée pour valoriser les données de biomasse forestière issues de l'observation satellitaire. L'assimilation des données (DA) est une technique statistique permettant d'optimiser les paramètres des modèles en fonction des observations. L'équipe LSCE a acquis une expertise solide en DA avec ORCHIDEE, mais l'assimilation des données de biomasse reste encore peu développée. Ce projet de thèse vise à développer un cadre générique pour l'assimilation des données de biomasse et la calibration des paramètres associés dans les modèles démographiques. Le projet se déroulera au Laboratoire des Sciences du Climat et de l'Environnement (LSCE), en collaboration avec des experts en biomasse dérivée de satellite et en dynamiques forestières, à l'Université Paris-Saclay et à la VU d'Amsterdam.

The carbon-cycle/climate feedback is a key source of uncertainty in predicting climate change, with the response of the terrestrial biosphere to climate change being the largest contributor (Friedlingstein et al., 2006). Understanding whether terrestrial ecosystems will continue to absorb carbon dioxide (CO2) from the atmosphere and identifying those that could become weaker sinks or even carbon (C) sources under changes in climate, land use and management remains a major scientific challenge. In this context, process-based Land Surface Models (LSMs) are crucial tools to quantify and further predict how land ecosystems may respond to anthropogenic perturbations and assess the sustainability of ecosystem services, particularly C sequestration. However, current LSMs bear large uncertainties and biases in their simulation of carbon/water/energy budgets, mainly due to model structural errors (i.e., missing processes) and the poor calibration of the main parameters underlying the embedded processes. On the other hand, Earth Observation (EO) data are providing an unprecedented source of information on the state and evolution of the terrestrial biosphere, like vegetation structure, phenology, C stocks or land surface temperature. However, the utilization of recent and emerging EO data by the LSM community remains fragmented and under-used, calling for new research on the coupling of spatially explicit data to predictive models. Ideally, these new EO data-streams should be synergistically assimilated within an LSM to jointly constrain different model processes acting at various spatial and temporal scales. The recent estimations of above ground biomass (AGB) from various satellite instruments are bringing a new set of observational constraints to calibrate the ecosystem model and especially the dynamic of forests. These data provide crucial information on the stock of above ground carbon by forest ecosystems, and more recently on stock variations over the most recent decade. These data are particularly important for tropical ecosystems, given the high forest C stocks and the lack of dense in-situ observations. Multiple state-of-the-art retrieval approaches based on remote sensing data and machine learning have led to different products: ESA-CCI global Biomass product (Santoro et al., 2020) or BIOMASCAT (Santoro et al. 2022), African biomass (Bouvet et al. 2018), France biomass product (Schwartz et al., 2023), all proven to capture the spatial distribution of C stored in woody vegetation. In parallel, LSMs have recently been improved and a new generation of vegetation demographic enabled LSMs is currently maturing, which explicitly model forest demography via tree size structure, tree age structure, or both. These new models have the potential to improve our ability to assess C uptake by forests, to represent changes in disturbance regimes and land-use and land-management practices, and to link to observed tree size/biomass and tree age distributions. The global LSM, ORCHIDEE, is one of them and it will be at the core of this PhD. It is the land surface component of the IPSL Earth System Model (IPSL-ESM) used for climate predictions. The new version (to be used for the next CMIP-7 climate intercomparison project) now integrates forest stand dynamics and forest management practices (Naudts et al., 2015) as well as the nitrogen cycle (Vuichard et. al., 2019), which offer a unique opportunity to valorize multiple EO data, and in particular forest biomass data. In addition, we will also use the forest specific model, CASTANEA, that follows similar process descriptions. Combining models and observations can be made through Data Assimilation (DA) techniques that allow optimizing model parameters to better fit the observations, using a statistical approach (Bayesian approach) that allows to account for all sources of uncertainties (linked to observations and model). On this aspect, a strong experience in Data Assimilation with ORCHIDEE has been gained by the LSCE team (see https://orchidas.lsce.ipsl.fr/). However, most of the carbon cycle DA studies conducted so far have focused on the use of flux measurements at site level or proxies of vegetation state (NDVI, fluorescence, ) but rarely on the use of biomass data. Assimilating observations related to vegetation C pools and linked to slow C processes is indeed more challenging. Such a challenge will be at the core of this PhD, in order to establish a generic framework for the assimilation of AGB and calibration of related parameters in process-based demographic models, tested with ORCHIDEE but also applicable to the CASTANEA model. The project will be carried out at the Laboratory for the Science of Climate and Environment (LSCE), in the southern part of the Paris area. The candidate will be in the MOSAIC team and will work also in collaboration with partners experts in satellite derived biomass products (LSCE experts as well as CESBIO experts) and in forest dynamics (ESE laboratory, Paris-Saclay as well as VU university in Amsterdam).