| Attributes | Values |
|---|
| type
| |
| Thesis advisor
| |
| Author
| |
| alternative label
| - Télédétection de l'humidité du sol à partir des observations satellitaires multi-instrument
|
| dc:subject
| - Humidité du sol
- Thèses et écrits académiques
- Télédétection
- Hydrologie de la surface
- Observations satellitaires
- Synergie des données
|
| preferred label
| - Soil moisture retrieval from multi-instrument satellite observations
|
| Language
| |
| Subject
| |
| dc:title
| - Soil moisture retrieval from multi-instrument satellite observations
|
| Degree granting institution
| |
| note
| - Dans cette thèse, un algorithme de restitution à base de réseaux de neurones a été développé afin d’estimer l’humidité du sol à partir d’une combinaison d’observations satellitaires en micro-ondes, infrarouge et visible. Une estimation globale des valeurs mensuelles d’humidité du sol a été obtenue pour la période 1993-2000 et est fournie sur une grille à pixel de surface constante avec une résolution équatoriale de 0,25 ◦. Cette estimation de l’humidité du sol a été évaluée avec des données modélisées, des données de télédétec- tion et des observations in situ et a montré une bonne performance à différentes échelles spatiales et temporelles. Une analyse de contenu en information a montré que chacune des différentes observations satellites contribue à une information différente sur l’humidité du sol, avec les données micro-ondes actives plus sensibles à l’évolution temporelle et les données infrarouges thermiques reproduisant mieux les structures spatiales. En outre, une analyse de synergie a révélé que la combinaison de toutes les observations permet une réduction de l’incertitude de restitution de plus de 18 % et que la méthode des réseaux de neurones exploite de manière optimale la synergie des observations par comparaison avec autres approches. Une analyse a démontré la cohérence de l’humidité du sol resti- tuée avec d’autres produits satellitaires réprésentatifs d’autres paramètres hydrologiques (inondations, précipitations) à l’échelle du globe. Cela souligne le potentiel de nôtre jeu de données d’humidité du sol pour les études du cycle de l’eau terrestre. Enfin, il a été démon- tré que la méthode de réseaux de neurones proposée, constitue également un outil efficace pour évaluer les modèles de surface continentale ainsi que la modélisation des processus.
- In this thesis, a neural network based retrieval algorithm has been developed to compute surface soil moisture from a combination of microwave, infrared and visible satellite obser- vations. A global estimate of monthly mean soil moisture values has been computed for the period 1993-2000 and is provided on an equal-area grid with an equatorial resolution of 0.25◦. This soil moisture estimate has been evaluated against modelled, remotely sensed and in situ observations and was found to perform well on different spatial and temporal scales. An information content showed that each of the various satellite observations con- tributes information about a different soil moisture variation, with the active microwave data being more sensitive to the temporal evolution and the thermal infrared data better capturing the spatial patterns. Furthermore, a synergy analysis revealed that the combina- tion of all observations permits a reduction of the retrieval uncertainty by more than 18% and that the neural network methodology optimally exploits the synergy of observations compared to other approaches. A joint analysis of various remotely sensed datasets of ter- restrial water cycle components demonstrated the coherence of the retrieved soil moisture with other retrieval products and with global hydrological processes. This underlined its potential to be used for observation-based studies of the terrestrial water cycle. Finally, it has been shown that the proposed neural network methodology also provides an effective tool to evaluate Earth System Models on both a variable and a process basis.
|
| dc:type
| |
| http://iflastandar...bd/elements/P1001
| |
| rdaw:P10219
| |
| has content type
| |
| is primary topic
of | |
| is rdam:P30135
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
