Centre Eau Terre Environnement
490, rue de la Couronne
INRS-ETE
Québec
Québec, Canada
G1K 9A9
Développement de nouvelles stratégies de cartographie de l’étendue spatiale du couvert nival saisonnier au Québec-et-Labrador à partir des données du capteur optique NOAA-AVHRR
Le couvert nival joue un rôle important dans le cycle hydrologique du Québec. Les approches par télédétection satellitaire du suivi quotidien du couvert nival saisonnier ont atteint divers degrés de maturité et certaines d’entre elles nécessitent d’être améliorées. Les provinces du Québec-et-Labrador (Est du Canada) constituent un défi pour l’élaboration de telles approches en raison des conditions particulières d’enneigement (un couvert nival épais) et de la nature très diversifiée de la couverture végétale (toundra, taiga, forêt boréale, forêt de feuillus, forêt mixte, perturbations, terres humides, zones agricoles et zones urbaines).
Le sujet de la présente thèse concerne le développement et la validation de nouvelles stratégies de cartographie de l’étendue spatiale du couvert nival saisonnier au Québec-et-Labrador à partir des données optiques et infrarouge thermique du capteur NOAA-AVHRR (1 km). Les objectifs de recherche sont : (1) développer un algorithme de classification à seuils adaptatifs à la température de l’air et à l’occupation du sol à partir des données du capteur AVHRR pour le suivi quotidien des catégories de surfaces neige, non-neige et nuage; d’adapter l’algorithme de classification à seuils adaptatifs à la température de l’air et à l’occupation du sol aux approches (2) de logique floue et (3) d’estimation d’ensemble pour obtenir des probabilités d’appartenance aux catégories de surfaces neige, non-neige et nuage et réduire des erreurs de classification (erreurs d’omission et/ou de commission); (4) de valider les algorithmes de cartographie ainsi développés avec les images de haute résolution spatiale LANDSAT (30 m) et d’y réaliser une analyse comparative de validation avec les produits de neige disponibles sur la région d’étude, c’est-à-dire IMS (4 km), MODIS (500 m) et la version de l’algorithme AVHRR à seuils adaptatifs au jour julien (AVHRR DOY) développé par Chokmani et al. (2009) quelques années plus tôt.
L’algorithme AVHRR à seuils adaptatifs au jour julien est un algorithme régional où les paramètres de seuil évoluent en fonction de la moyenne historique pour un jour julien donné. L’algorithme à seuils adaptatifs à la température de l’air et à l’occupation du sol (AVHRR TAIR) est un algorithme local où les paramètres de seuil évoluent en fonction de la température de l’air et de l’occupation du sol, ces deux variables étant plus aptes à saisir les particularités spectrales et thermiques de la neige sous diverses conditions contrairement au jour julien. L’algorithme AVHRR TAIR a été adapté à une approche de logique floue, qui consiste à ajuster des fonctions d’appartenance sur les seuils empiriques de l’algorithme AVHRR et de construire un système d’équations permettant de calculer la probabilité d’appartenance aux catégories de surfaces neige, non-neige et nuage. L’algorithme AVHRR TAIR a été adapté à une approche d’estimation d’ensemble. Le boosting consiste à calibrer de manière séquentielle trois classificateurs comportant chacun des erreurs de classification et de les combiner de telle sorte à obtenir un classificateur fort.
Les résultats de l’analyse comparative indiquent une amélioration significative de la qualité de la cartographie du couvert nival saisonnier sur la région du Québec-et-Labrador à l’aide de l’algorithme AVHRR TAIR par rapport à la version précédente. Pour la période de fonte printanière 2006 à 2014, le taux de succès global de classification (TSG) est de 0,92 pour AVHRR TAIR et 0,78 pour AVHRR DOY. Un écart de 0,14 est considéré significatif. Les catégories d’occupation du sol forestières (forêt de conifères, de feuillus et mixte) sont les occupations du sol ayant connu la plus forte amélioration entre les algorithmes. L’amélioration observée pour l’algorithme AVHRR TAIR s’explique par la qualité des échantillons de pixels de calibration et par la flexibilité des seuils de s’ajuster aux conditions locales du couvert nival saisonnier en fonction de la température de l’air et de l’occupation du sol. L’analyse comparative indique un TSG de 0,93 pour MODIS et 0,88 pour IMS sur la région d’étude. L’algorithme AVHRR TAIR possède une performance relativement similaire à MODIS en ce qui concerne la cartographie quotidienne du couvert nival saisonnier sur la région du Québec-et-Labrador et surpasse celle de IMS. En ce qui concerne les approches de logique floue et de boosting qui ont été implantées sur l’algorithme AVHRR TAIR, celles-ci ont permis de maintenir son niveau de performance, sinon la dégrader un peu. L’analyse comparative enregistre un TSG de 0,92 pour l’approche de logique floue et 0,91 pour les approches de boosting avec ou sans logique floue respectivement. La contribution de la cartographie par logique floue permet de restituer les probabilités d’appartenance aux catégories de surfaces neige, non-neige et nuage, comprises entre 0 et 1. La présence de valeurs continues dans la cartographie permet d’offrir une certaine flexibilité à l’utilisateur sur l’interprétation du contenu de la carte. La cartographie de logique floue est une classification souple en comparaison avec l’algorithme AVHRR TAIR où la classification est faite selon une approche de tout ou rien (classification dure). La contribution de la cartographie de boosting est l’ajout de robustesse sur la classification obtenue par l’algorithme AVHRR TAIR.