Expériences jumelles :

1. V1 V2 2 VARIÉTÉS assimilation de LAI sur chaque pixel LAI MTR-1 RMSE=0.353 RMSE=0.434 RMSE=0.831 5 PARCELLES par variété RMSE=0.572 Image SPOT Fundulea Carte de LAI p2 p3 p5 p4 p1 V1 V1 V1 V1 V1 LAI LAI après assimilation V2 V2 V2 V2 V2 Variété 2 p6 p8 p9 p10 p7 p5 LAI observés LAI observés LAI observés LAI observés 100 pixels 10 PIXELS par parcelle p4 Avec CS : p3 Variété 1 Jours cumulés p2 p1 RMSE=0.354 RMSE=0.396 RMSE=0.445 RMSE=0.716 p8 LAI après assimilation LAI observés LAI observés LAI observés LAI observés estimation des paramètres du MFC PRISE EN COMPTE DE CONTRAINTES SPATIALES POUR L'ASSIMILATION D'IMAGES DANS UN MODELE DE FONCTIONNEMENT DU COUVERT VEGETAL Claire Lauvernet , Frédéric Baret, François-Xavier Le Dimet, Roxana Vintila, Jean-Claude Favard, Hélène Deboissezon • Introduction : l’assimilation de données de télédétection en agronomie s’effectue essentiellement « pixel par pixel » •  l’information disponible sur tout le territoire est mal prise en compte • le problème inverse est mal posé • on répète la même action un très grand nombre de fois Objectifs de l’étude: 1. quelles structures spatiales exploiter pour réduire la taille du problème et le rendre inversible? 2. comment transformer le schéma d’assimilation habituel à un ensemble de pixels? • par une méthode d’assimilation variationnelle • sur un modèle d’étude de fonctionnement du couvert végétal (MFC)  en étudiant l’intérêt de ce type de méthode dans le cadre de la diminution de la fréquence de revisite des satellites Introduction de contraintes spatiales dans le schéma d’AD Le projet ADAM • Définition de contraintes spatiales • Nouveau modèle prenant en compte ces contraintes: • Paramètres généraux • sans signification • peu influents  égaux sur toutes les parcelles de l’image g  généraux x  variété y  parcelle z  pixel Assimilation de Données (AD) dans les Agro-Modèles  développer une méthodologie pour améliorer la description du couvert végétal avec la télédétection pour l’aide à la décision et la gestion de l’environnement  création d’une base de données scientifiques à p. d’une expérimentation à Fundulea (Roumanie). http://medias.obs-mip.fr/adam [ mesures terrain (biomasse, LAI, sol…) ; Météorologie ; techniques culturales ; 28 images SPOT (octobre-juillet)] description du LAI et de la biomasse, en fonction des températures cumulées; 9 paramètres à renseigner, dont 6 pour le LAI + climat • égaux sur les parcelles de même variété • Paramètres variétaux • Stades phénologiques, • propriétés des feuilles MACRO-BONSAÏ(g,x,y,z) BONSAÏ(g,x(V1),y(p1),z1) 3. Paramètres dépendant de la parcelle Techniques culturales égaux sur les pixels d’une même parcelle ... BONSAÏ(g,x(VnbVar),y(pnbPar),znbPix) Le modèle • Nouvelle fonction coût à minimiser 4. Paramètres dépendant du pixel Propriétés du sol variables d’un pixel à son voisin LAI (Leaf Area Index) • Modèle adjoint calculé en fonction de ces variables (g,x,y,z) simultanément sur l’ensemble des images satellites temps oct. jul. biomasse temps oct. jul. Résultats : intérêt des contraintes spatiales par rapport à la méthode classique I. Estimation de la variable d’état (LAI) sur une quantité faible d’observations disponibles II. Étude sur la fréquence de revisite du satellite par expériences jumelles Expériences jumelles : Intérêt sur l’estimation du LAI LAI après assimilation pixel à pixel LAI après assimilation avec CS 7 jours Sans CS : 3 jours 15 jours 30 jours Choix de différents scénarios satellitaires : • 4 types de fréquences de revisite du satellite: tous les 3 jours, 7 jours, 15 jours, 30 jours. • Probabilité de couverture nuageuse de 0.5 selon une loi uniforme • Sur 1000 cas de probabilités de couverture nuageuse différentes. Intérêt sur l’identification des paramètres Forte amélioration des résultats par les contraintes spatiales (CS) (résultats similaires à l’assimilation de 23 observations pixel/pixel) Conclusion partielle : peu d’observations Assimilation pixel/pixel puis valeurs des paramètres moyennées sur les variétés et les parcelles Avec contraintes spatiales • 3. Vitesse de convergence: ↓ nombre d’itérations mais même temps CPU • 4. Identification des paramètres: • Identification globale : 48%  28% de RRMSE • Meilleure estimation des paramètres très influents pour fréquences faibles • Meilleure estimation des paramètres peu sensibles (date de semis) • + robuste : pas de minima locaux • + de stabilité selon la couverture nuageuse Conclusion: 1. Réduction de la taille du problème: Exp.jum: 600  314 paramètres à estimer ADAM : 90  24 paramètres à estimer 2. Estimation du LAI: + robuste si moins d’observations ↓ Fréquence de revisite: - sans CS: stabilité  1/7j  23 obs - avec CS: stabilité 1/15j  10 obs