Indices et indicateurs usuellement utilisés pour la détection du stress hydrique 

Télécharger le fichier original (Mémoire de fin d’études)

Indices et indicateurs usuellement utilisés pour la détection du stress hydrique

L’estimation des périodes de sécheresse hydrique nécessite une quantification précise des évènements de stress. Pour ce faire, on a recours à des indices de sécheresse qui sont d’après l’Organisation Météorologique Mondiale (OMM), « des représentations numériques de l’in-tensité des sécheresses, que l’on calcule à partir des valeurs climatiques ou hydrométéoro-logiques. Ils mesurent l’état qualitatif d’une sécheresse à un emplacement donné pour une période donnée » (Svoboda & Fuchs, 2016). Ces indices utilisent par ailleurs, des variables hydrométéorologiques (les précipitations, la température, l’écoulement fluvial, l’humidité du sol…) qui servent à décrire son intensité, sa répartition géographique et sa durée. Du fait de leur relation avec le statut hydrique de la plante, ses paramètres biophysiques et physiolo-giques (photosynthèse, conductance stomatique, teneur en chlorophylle, potentiel hydrique, etc.), ces indices peuvent être utilisés comme des indicateurs de l’état hydrique de la végéta-tion (Narasimhan & Srinivasan, 2005). Plusieurs Indices basés sur ces variables biophysiques ont été développés pour quantifier la sécheresse. Ces indices peuvent être classés selon deux catégories : Indices de sécheresse basés sur des variables climatiques ou bien basés sur des observations satellitaires des états de surface.

Indices basés sur les données météorologiques

Les indices de sécheresse les plus anciens sont basés essentiellement sur des variables mé-téorologiques fournies à partir des observations in-situ. La majorité de ces indices utilisent les données de précipitations, seules ou en combinaison avec d’autres variables météorolo-giques (Mishra & Singh, 2010). L’indice météorologique le plus utilisé est le Standardized Precipitation Index (SPI) (McKee et al., 1993), défini comme la différence entre la valeur des précipitations et sa moyenne pour une période donnée, divisée par son écart type calculé sur la même période (McKee et al., 1993), voir le tableau 2.1. Le SPI est conçu pour quanti-fier le déficit des précipitations sur différentes échelles temporelles (1 mois, 3 mois ou plus), définies selon le domaine d’application. Les courtes durées sont plus appropriées pour les ap-plications agricoles, et les durées plus longues sont utilisées pour la gestion de l’eau à long termes (Guttman, 1998). Le calcul de l’indice SPI est basé sur un historique des précipitations sur une longue durée (minimun 20 à 30 ans). SPI repose sur le calcul de la probabilité de la pluie pour donner une idée sur l’intensité des précipitations sur une période donnée (McKee et al., 1993). Ensuite, cette longue série de précipitations est transformée en une distribution normale. Ainsi, McKee et al. (1993), ont pu définir un système de classification des valeurs de l’indice SPI pour attribuer l’intensité des épisodes de sécheresse à la valeur de l’indice, tel que, les valeurs positives de l’indice SPI indiquent des précipitations supérieures à la médiane et les valeurs négatives, indiquent des précipitations inférieures à la médiane. Étant donné que l’indice est normalisé, SPI se révèle efficace pour analyser de la même manière, les périodes humides et les périodes sèches, et d’assurer par conséquent la surveillance de la sécheresse, l’analyse de sa fréquence et l’identification de ses différentes classes. (OMM N°1090, 2012). Par ailleurs, SPI présente l’avantage d’être à la fois un indice puissant et simple à calculer, ayant les données de précipitations comme le seul paramètre à introduire. Il est exploité dans plus de 70 pays (Daki et al., 2016).
L’indice Palmer drought severity PDSI (Palmer, 1965) est également largement utilisé pour la détection des périodes de sécheresse ou humides prolongées (Narasimhan & Sriniva-san, 2005). Cet indice utilise les données mensuelles ou hebdomadaire de précipitations, de températures de l’air et la teneur en eau disponible au niveau du sol afin de résoudre des équations de bilan hydrique et déterminer l’évapotranspiration, le taux de recharge du sol, le ruissellement et la perte d’eau de la couche superficielle du sol (Alley, 1984). Ces variables permettent d’estimer l’état d’humidité du sol, et constituent la variable Z « moisture anomaly index », nécessaire pour le calcul de l’indice PDSI (voir l’équation au niveau du tableau 2.1). Palmer (1965) a ajusté l’équation de calcul de cet indice, présentée dans le tableau 2.1. Il est calibré par des facteurs de pondération, relatives aux conditions normales des variables climatologiques (précipitations normales, évapotranspiration potentielle, taux de recharge po-tentiel, etc.,). La détermination de l’intensité de sécheresse est effectuée selon des classes pré-définies de l’indice par Palmer (1965), et qui ont été déterminées à partir de l’observation de sécheresses extrêmes historiques pour sa zone d’étude. Une sécheresse sévère par exemple correspond à un P DSI = 4. Cet indice présente néanmoins plusieurs limitations selon Alley (1984), notamment dues aux choix arbitraires de ses classes de sécheresses ajustées seulement selon des régions de la zone d’étude (Iowa et Kansas).
L’indice surface water supply index (SWSI) est un indicateur normalisé (voir le tableau 2.1), permettant de comparer différentes régions, pour des périodes mensuelles. Il a été développé par Shafer & Dezman (1982), en tant qu’indice complémentaire de l’indice PDSI Palmer (1965), afin de décrire les différents régimes hydrauliques. SWSI est développé comme un indicateur de disponibilité en eau pour les régions où la fonte des neiges est la principale source d’écoulement fluvial (régions montagneuses généralement, où la neige contribue par 65 % à 85 % au débit annuel du fleuve) (Shafer & Dezman, 1982). En effet, en printemps, la couche de neige se transforme en ruissellements et rejoint les ressources en eau disponibles (précipitations liquides et réservoirs) (Shafer & Dezman, 1982) avec un temps de latence par rapport à la date d’apport neigeux, délai à prendre en compte pour les régions à fort régime nival. Par ailleurs, cet indice est calculé à l’échelle du bassin hydrographique d’une façon différente en fonction des saisons. Il est calculé à partir du manteau neigeux, du débit des précipitations et du stockage dans le réservoir (voir le tableau 2.1) pendant les saisons d’hiver. En revanche, pendant les saisons d’été, le manteau neigeux est remplacé par l’eau de ruissellement. Narasimhan & Srinivasan (2005) trouvent que cet indice a une bonne per-formance pour identifier les impacts des sécheresses hydrologiques sur la demande urbaine et industrielle ainsi que le potentiel hydroélectrique, mais il n’est pas adéquat pour la détec-tion de la sécheresse agronomique à cause de la période de latence nécessaire à prendre en compte pour identifier un déficit de précipitations par rapport au bilan des ressources d’eau disponibles superficielles ou souterraines qui sont utilisées pour l’agriculture. On cite aussi, le Rainfall Anomaly Index (RAI) (Van Rooy, 1965) qui se base seulement sur les données de précipitations. Olukayode Oladipo (1985) a montré que les indices basés seulement sur les précipitations ont une performance très comparables aux autres indices météorologiques plus complexes. On présente les équations de chaque indice présenté au niveau de ce paragraphe, ses variables d’entrées ainsi que son échelle temporelle au niveau du tableau 2.1.
Malgré la facilité de leur utilisation et leur efficacité pour identifier les périodes de séche-resse, les indices météorologiques montrent plusieurs limites : D’une part, ils sont incapables de prendre en compte la variabilité spatiale des variables climatiques à cause de la disponibilité insuffisante des stations synoptiques notamment dans les pays les moins développés (Mishra & Singh, 2010). Ainsi, les données météorologiques issues des stations synoptiques sont dis-ponibles à large échelle en général. D’autre part, les données météorologiques comportent des périodes d’observations manquantes qui peuvent dépasser le mois (AghaKouchak, 2017)

Indices basés sur les données satellitaires

Comme présenté au début du chapitre, les indices basés sur les données météorologiques sont souvent issus soit de donnés météorologiques acquises par des réseaux de station in-situ peu denses, soit par des sorties de modèles mésoéchelle à maille très grossière. La télédétection spatiale permet d’obtenir un suivi des états de surfaces en tout point du globe pour une large gamme de résolutions spatiales et temporelles (Zhang et al., 2013). Les caractéristiques des surfaces observées par satellite sont nombreuses : couverture végétale, humidité du sol ou bien température de surface (Kogan, 1995; Le Page & Zribi, 2019). Ces variables biophysiques sont obtenues à partir de différents domaines spectraux : domaine visible/proche infrarouge, micro-ondes (radiomètre passif ou actif) et infrarouge thermique (voir figure 2.2).
1. Indicateurs issus du visible/Proche infra rouge
Les bandes rouge (R) et proche infrarouge (IR) sont particulièrement utiles à l’étude de la couverture végétale. En effet, ces bandes contiennent la majorité des informations utiles relatives à la végétation (Bannari et al., 1995). Les mesures quantitatives issues des différentes combinaisons de ces canaux forment les indices de végétation (Bannari et al., 1995). Ces indices permettent de détecter les changements des occupations des sols, de l’évaluation de la densité du couvert végétal et l’estimation des types des cultures (Baret et al., 1986). En effet, ces indices utilisent la réflectance mesurée à la fois dans le visible et dans l’infrarouge, afin de déterminer la quantité de biomasse verte de la végétation, son activité photosynthétique et par conséquent son fonctionnement. Comme illustré au niveau de la figure 2.3, le sol n’a pas le même taux de réflectivité en bande R et IR, d’une végétation saine (bien développée et verte), qui montre un taux de réflectivité plus important en bande IR et moins importante en bande R qu’une végétation malade (moins développée, moins de verdure,..). Par ailleurs, les indicateurs qui utilisent les données de l’indice de végétation forment un moyen pertinent pour le suivi de la variation inter-annuelle de l’état du couvert végétal et de son état hydrique (AghaKouchak, 2017; Kennedy, 1989).
Figure 2.3 – Réflectance de la végétation au niveau du bande rouge (R) et proche infrarouge (IR) en fonction de l’état de la végétation (saine, malade).
Dans la littérature, La majorité des travaux utilisent les données des capteurs optiques, tels que Advanced Very High Resolution Radiometer (AVHRR), SPOT-Vegetation et Moderate-Resolution Imaging Spectroradiometer (MODIS), afin d’identifier les anoma-lies dans la croissance de la végétation (retard d’émergence, sénescence précoce, etc.). Ces capteurs ont une résolution spatiale qui varie entre 250 et 1000m. L’indice Nor-malized Difference Vegetation Index (NDVI) (Tucker, 1979) est l’indice de végétation principalement utilisé, en raison de sa forte corrélation avec l’activité photosynthétique du couvert végétal. Le NDVI met en valeur la différence entre la bande visible du rouge (R) et celle du proche infrarouge (PIR) (NDV I = (P IR R)=P IR + R)). Cependant cet indice est démontré déficient pour la surveillance des sécheresses dans les régions semi arides de la Tunisie (Kennedy, 1989). En effet, un pourcentage de couverture vé-gétale faible engendre un signal relativement faible et peu représentatif dans les pixels de l’image (Kennedy, 1989; Kogan, 1990). Par exemple, l’utilisation des observations sa-tellitaires de SPOT pour la surveillance des sécheresses requiert une couverture végétale supérieure à 30%-40%. Ce seuil est nécessaire pour garantir une corrélation significative avec l’humidité du sol (Chahbi Bellakanji et al., 2018). Ainsi, les mesures du NDVI pré-sentent certaines limites, essentiellement dues à la brillance de fond du sol qui affecte les mesures du NDVI (Bausch, 1993; Huete et al., 1985).
Comme expliqué avant, la détection de stress hydrique en se basant sur les réflectances optiques de la végétation dans le visible, reste limitée à l’apparition et à la bonne dé-tection des impacts du stress sur le fonctionnement photosynthétique de la végétation. Ce fait forme un inconvénient majeur pour une détection précoce d’un stress hydrique et pour la prévention des dégâts de la sécheresse sur la production végétale, particuliè-rement au niveau des zones arides à semi-arides (Smith et al., 2019).
2. Indicateurs issus du micro-ondes
Durant les deux dernières décennies, la télédétection par micro-ondes a montré un ap-port considérable pour l’estimation des propriétés diélectriques du sol et par conséquent, l’estimation de l’humidité du sol (Mohanty et al., 2017). Cette variable est l’une des variables du sol les plus importantes. En effet, elle établie une liaison directe entre la surface du sol et les processus atmosphériques (Babaeian et al., 2019). Cette variable contrôle la partition des énergies de flux de chaleur sensible et le flux de chaleur latente essentiellement au niveau des régions caractérisées par un régime évaporatif limité par la disponibilité en eau (Entekhabi et al., 2010). L’humidité du sol a souvent été consi-dérée comme un indicateur de sécheresse agronomique. En effet, ce type de sécheresse est défini comme un déficit d’humidité dans la zone racinaire, cette dernière étant re-liée directement à l’humidité de surface. D’autre part, sous des conditions de stress hydrique, les anomalies de la teneur en eau précèdent l’apparition des anomalies des indices de végétation, ce qui est primordial pour une détection précoce de la sécheresse agronomique (Babaeian et al., 2019).
On distingue deux types de capteurs pour la mesure de l’humidité du sol : des capteurs passifs, lorsque la source d’énergie provient d’émetteur à la surface, et actifs lorsque la source d’énergie provient d’émetteur radar (voir figure 2.4). Les deux types de cap-teurs (actifs et passifs) sont sensibles uniquement aux premiers centimètres du sol (5 cm) (Pellarin et al., 2006). Cependant, les applications agronomiques nécessitent d’avoir des mesures au niveau de la zone racinaire, afin de quantifier la teneur en eau dispo-nible, nécessaire pour la transpiration et la production de biomasse (photosynthèse par exemple) (Babaeian et al., 2019). Il est alors nécessaire de recourir à l’estimation du profil de l’humidité du sol à partir de celle mesurée à la surface du sol.
Les capteurs passifs et actifs offrent des mesures à différentes échelles spatiales : à l’échelle parcellaire, à l’échelle du bassin versant, à l’échelle régionale et ainsi à l’échelle continentale et mondiale (Babaeian et al., 2019). Parmi les capteurs passifs, on peut ci-ter le satellite SMOS (Soil Moisture and Ocean Salinity) (Kerr et al., 2001), dédiée à la cartographie de l’humidité de surface à une très faible résolution spatiale (40 Km) (Wi-gneron et al., 2017; Babaeian et al., 2019). SMOS est lancé en Novembre 2009 et présente une revisite comprise entre 1 à 3 jours. Il permet un suivi global de la salinité des océans et l’humidité de surface en se basant sur la température de brillance (Tb) sur la bande L (de 15 à 30 cm) (Kerr et al., 2001). On cite aussi la mission Soil Moisture Active Passive (SMAP), lancée en 2015 et qui forme le capteur micro-onde le plus ré-cent pour la mesure et la cartographie de l’humidité de surface (Babaeian et al., 2019). SMAP utilise à la fois un capteur passif et actif sur la bande L, pour fournir des mesures globales de rétrodiffusion radar et de Tb à 36 km de résolution spatiale et une revisite de 1 à 3 jours (Burgin et al., 2017; Babaeian et al., 2019). D’autre part, on trouve la technique active (Radar) qui a apporté une forte contribution dans l’estimation de l’état hydrique du sol avec sa large gamme de résolution spatiale (Amri et al., 2012). On cite par exemple European Meteorological Operational (MetOp-A, MetOp-B, et MetOp-C) avec le capteur Advanced Scatterometer (ASCAT) en bande C (de 3.75 à 7.5 cm de longueur de pénétration). MetOp-A et B ont été lancés respectivement en 2006 et 2012. MetOp-C est lancé récemment, en 2018. L’instrument a été largement utilisé pour les mesures de l’humidité de surface grâce à sa haute précision radiométrique et de calibration, à une résolution spatiale de 25 km et une revisite temporelle de 1-2 jours (Babaeian et al., 2019). Ainsi, ASCAT fournit des estimations précises d’humidité de surface pour les sols nus et pour un couvert végétal épars, ce qui met en exergue l’utilité de l’utilisation des courtes longueurs d’onde (bande C) (Baghdadi et al., 2012). Des résolutions spatiales encore beaucoup plus fines sont disponibles par la micro-onde active à des échelles régionales : ALOS-2 PALSAR et Sentinel-1 ayant une résolution décamétrique (6 et 10 mètres respectivement), ce qui leur confère à accéder à des échelles intéressantes pour les applications agrohydrologiques, celles de la parcelle ou du petit bassin versant. En revanche, ces satellites, comme Sentinel-1, a une période de revisite de l’ordre de 3-12 jours, ce qui n’est pas adéquat pour une analyse chrono-logique d’humidité du sol (Mohanty et al., 2017). Le tableau 2.2, présente un résumé des avantages et inconvénients des capteurs actifs et passifs.
ASCAT fournit un indice global et journalier basé sur l’humidité de surface du sol, Soil Water Index (SWI), à une résolution spatiale de 12.5 km, utilisant les données de MetOp disponibles initialement à une résolution spatiale de 25 km. Paulik et al. (2014) ont évalué les estimations de SWI aux États-Unis pendant une période de 5 ans, et ils ont trouvé des bonnes corrélations avec les mesures in situ d’humidité du sol issu de International Soil Moisture Network (ISMN). De plus, ce produit a été validé à l’échelle globale par Paulik et al. (2012). Cet indice, développé par EUMETSAT, a été utilisé aussi pour fournir une estimation d’humidité du sol au niveau de la zone racinaire. Ce produit représente la teneur en eau au niveau de la zone racinaire le long du premier mètre du sol sous forme d’unité relative comprise entre le point de flétrissement (SWI=0) et la capacité au champ (SWI=1). Cet indice est obtenu à partir de l’humidité de surface du sol, à l’aide d’un modèle de filtrage temporel exponentiel. Ce modèle décrit la relation entre la teneur volumétrique de l’humidité de surface ( sur f ace ) à une profondeur (Z=0) et le profil d’humidité du sol à une profondeur L, en fonction du temps (t) en se basant sur une simple équation de bilan de masse (Wagner et al., 1999) (voir équation 2.1), et en tenant compte de coefficient de diffusivité (C), qui dépend des propriétés du sol (Babaeian et al., 2019).

Table des matières

1 Introduction 
2 Partie A 
2.1 Etat de l’art
2.1.1 Indices et indicateurs usuellement utilisés pour la détection du stress hydrique
2.1.1.1 Indices basés sur les données météorologiques
2.1.1.2 Indices basés sur les données satellitaires
2.1.2 Indices basés sur les anomalies
2.1.2.1 Indices issus d’une normalisation basée sur le minimum et le maximum
2.1.2.2 Indices issus d’une normalisation standard
2.1.3 Indices et anomalies combinés
2.1.4 Mise en regard de certains indices et anomalies appliqués aux régions semi-arides de la Méditerranée
2.1.5 Modèle de bilan d’énergie pour la détermination de l’évapotranspiration
2.1.5.1 Approches contextuelles
2.1.5.2 Approches de single source
2.1.6 Méthodes de descente d’échelle
2.1.6.1 Méthodes Perfect-prog
2.1.6.2 Model output statistics MOS
2.1.6.3 Revue sur les travaux de comparaison des différentes méthodes
2.2 Matériel et Méthodes
2.2.1 Zone d’étude
2.2.1.1 Contexte géographique
2.2.1.2 Contexte climatique
2.2.1.3 Contexte hydrique
2.2.1.4 Contexte pédologique et occupation du sol
2.2.2 Données climatiques
2.2.2.1 Données climatiques ponctuelles
2.2.2.2 Données climatiques à large échelle : la ré-analyse
2.2.3 Données satellitaires
2.2.4 Données d’occupation du sol
2.3 Conclusion partielle et synthèse
3 Partie B 
3.1 Introduction
3.2 Développement de la méthode statistique
3.2.1 Résumé de l’article
3.2.2 Publication
3.3 Résultats complémentaires
3.3.1 Ajustement des variables
3.3.1.1 Dépendance inter-variables
3.3.1.2 Lois de probabilité choisies
3.3.1.3 Jeu de co-variables choisi
3.3.2 Simulation des variables
3.3.2.1 Extension temporelle
3.3.2.2 Imputation
3.4 Conclusion partielle et synthèse
4 Partie C 
4.1 Introduction
4.2 Interpolation journalière de l’Evapotranspiration
4.2.1 Interpolation basée sur le rayonnement global
4.2.2 Interpolation basée sur API
4.2.3 Comparaison des deux méthodes d’interpolation Rg/API
4.3 Indices de sécheresse
4.3.1 Résumé de l’article
4.3.2 Publication
4.4 Utilisation de l’indice thermique pour le stress de la végétation
4.4.1 Simulation de la transpiration
4.4.2 Indice de stress végétation
4.5 Comparaison SI et ESI
4.6 Conclusion partielle et synthèse
5 Conclusion et perspectives 

Télécharger le rapport complet