Université du Québec INRS-Eau Terre et Environnement Développement d'un algorithme satellitaire à seuils évolutifs pour le suivi de l'étendue spatiale du couvert nival au Québec-Labrador et son adaptation à l'estimation d'ensemble Par Sophie Roberge Mémoire présenté pour l'obtention du grade de Maître es Sciences (M.Sc.) en Sciences de l'eau Jury d'évaluation Karem Chokmani Directeur INRS-ETE Danielle De Sève Co-directrice Institut de recherche d'Hydro-Québec Alain Rousseau Examinateur interne INRS-ETE Jean-Pierre Dedieu Examinateur externe Université Joseph-Fourier Août 2013 © Sophie Roberge, 2013 Remerciements Je tiens à remercier personnellement mon directeur Karem Chokmani et ma co~directrice Danielle De Sève de m'avoir fait confiance durant ces deux années et demie pour mener à bien ce projet de recherche. Les judicieux conseils de Karem et Danielle ont été cruciaux pour le bon déroulement de cette étude et la rédaction de mon mémoire de maîtrise. Je les remercie aussi de m'avoir offert l'opportunité de faire des stages pratiques dans les locaux de l'Institut de Recherche d'Hydro~Québec (IREQ) à Varennes et de présenter les résultats de mes recherches à l'assemblée générale de l'European Geosciences Union 2012 à Vienne. Je tiens également à remercier le réseau Mitacs, le Fonds Québécois de Recherche sur la Nature et les Technologies (FQRNT) ainsi que l'IREQ qui ont financé ce projet. Je remercie aussi Rasim Latifovicdu Centre Canadien de Télédétection de nous avoir fourni le système de prétraitement automatisé des images NOAA~AVHRR, sans lequel je serais encore entrain de géoréférencer manuellement mes images! Je remercie mes examinateurs Alain Rousseau et Jean~Pierre Dedieu, pour avoir accepté de réviser ce mémoire. Leurs commentaires et suggestions m'ont permis de mieux expliquer mes travaux et mes résultats de recherche. À mes collègues étudiant(e)s et ami(e)s, merci pour le support et la bonne compagnie durant ces années ardues. Le temps passe toujours plus rapidement lorsqu'on est bien entouré. iii Résumé Le couvert nival joue un rôle important dans le cycle hydrologique du Québec. Par conséquent, l'évaluation de son étendue spatiale intéresse au plus haut point les autorités responsables de la gestion des ressources en eau, en particulier Hydro-Québec. L'objectif de la présente étude est le développement d'un algorithme satellitaire à seuils évolutifs pour le suivi de l'étendue spatiale du couvert nival au Québec-Labrador et son adaptation à l'approche de l'estimation d'ensemble. Cet algorithme est spécifique à la météorologie et à l'occupation du sol prévalant sur ce territoire. Il est constitué de six seuils hiérarchiques, appliqués de façon séquentielle pour la détection de la neige, de la non-neige et des nuages sur les images AVHRR-KLM (1 km) acquises durant les périodes transitoires d'établissement et de fonte printanière du couvert nival pour la période 1988 à 2011. Les sorties cartographiques des approches classique et d'estimation d'ensemble ont été validées à partir des observations locales de neige au sol à 20 stations météorologiques et sept stations GMON pour déterminer la performance de l'algorithme de cartographie. Le taux de succès global de l'algorithme classique est supérieur à 95%. Le taux de détection de la neige est supérieur à 90%. " chute toutefois à 65% en zone forestièré. L'approche d'estimation d'ensemble possède une performance inférieure à celle de l'algorithme classique. Cette performance plus faible en zone forestière par les deux approches s'explique par le fait que les seuils empiriques de l'algorithme ont été calculés sur l'ensemble des conditions historiques du Québec-Labrador sans toutefois faire une distinction entre les différentes occupations du sol ni les conditions météorologiques actuelles. Ce calcul cause donc une omission de la neige dans certaines régions que sont les zones forestières du sud du Québec. Cet effet est exacerbé dans l'estimation d'ensemble en raison du déplacement des frontières de délimitation entre la neige, la non-neige et les nuages. " est recommandé d'adapter les seuils de l'algorithme en fonction de l'occupation du sol et des conditions météorologiques actuelles afin d'améliorer la qualité des sorties cartographiques pour le suivi du couvert nival en temps réel. Mots-clés: couvert nival, neige, algorithme de cartographie, seuils évolutifs, NOAA-AVHRR, Québec, Labrador, estimation d'ensemble v Table des matières Remerciements ...........................................................................................................................iii Résumé ....................................................................................................................................... v Table des matières .....................................................................................................................vii Liste des tableaux ...................................................................................................................... ix Liste des figures ......................................................................................................................... xi Liste des abréviations, sigles et symboles ................................................................................. xiii 1. 2. 3. Introduction générale ........................................................................................................... 1 1.1 Problématique ................................................................................................................ 1 1.2 Objectifs ........................................................................................................................ 6 1.3 Structure du mémoire .................................................................................................... 6 Revue de littérature .............................................................................................................. 7 2.1 Télédétection de la neige .............................................................................................. 7 2.2 Algorithmes et produits opérationnels de neige ........................................................... 11 Méthodologie ..................................................................................................................... 15 3.1 Zone d'étude et observations de neige au sol ............................................................. 15 3.2 Imagerie satellitaire NOAA-AVHRR ............................................................................ 18 3.2.1 Description du capteur NOAA-AVHRR. ................................................................ 18 3.2.2 Série historique d'images quotidiennes pour le suivi du couvert nival .................. 20 3.2.3 Prétraitements des images NOAA-AVHRR .......................................................... 21 3.3 Étalonnage de l'algorithme classique .......................................................................... 23 3.3.1 Définition de l'algorithme ...................................................................................... 23 3.3.2 Procédure d'étalonnage ....................................................................................... 25 3.4 Adaptation de l'algorithme à l'approche d'estimation d'ensemble ................................ 27 vii - - - - - - 3.4.1 Cadre théorique ................................................................................................... 27 3.4.2 Création de l'ensemble ........................................................................................ 29 3.4.3 Combinaison des résultats ................................................... ,............................... 31 3.5 4. - - Validation de l'algorithme ............................................................................................ 31 Résultats et discussion ....................................................................................................... 33 4.1 Algorithme classique ................................................................................................... 33 4.1.1 Étalonnage des seuils de l'algorithme .................................................................. 33 4.1.2 Cartes de neige .................................................................................................... 37 4.1.3 Validation de l'algorithme avec les observations empiriques ................................ 40 4.1.4 Validation de l'algorithme aux stations météorologiques ...................................... 43 4.1.5' Validation de l'algorithme aux stations GMON ..................................................... 46 4.1.6 Comparaison des résultats de validation .............................................................. 48 4.2 Algorithme d'estimation d'ensemble ............................................................................ 50 4.2.1 Analyse visuelle des cartes de neige ................................................................... 50 4.2.2 Validation de l'algorithme avec les observations empiriques ................................ 52 4.2.3 Validation de l'algorithme aux stations météorologiques et GMON ...................... 53 5. Conclusion générale ............................................................ '" ........................................... 57 6. Références bibliographiques .............................................................................................. 61 Annexe 1.................................................................................................................................... 70 Annexe Il ................................................................................................................................... 79 Annexe III .................................................................................................................................. 83 Annexe IV ................................................................................................................................. 87· Annexe V .................................................................................................................................. 91 Annexe VI ................................................................................................................................. 95 Annexe Vii .............................................................................................................................. 103 Annexe VIII ............................................................................................................................. 107 viii Liste des tableaux Tableau 2-1. Caractéristiques des principaux capteurs optiques pour la détection de la neige (Dietz et al. (2012» ................................................................................................................... 10 Tableau 2-2. Caractéristiques des principaux capteurs micro-ondes passives pour la détection de la neige (Dietz et al. (2012»................................................................................................. 10 Tableau 2-3. Caractéristiques des principaux capteurs micro-ondes actives pour la détection de la neige (Dietz et al. (2012» ...................................................................................................... 11 Tableau 2-4. Synthèse des méthodes de cartographie automatique du couvert nival et leurs caractéristiques (Dietz et al. (2012), revue et augmentée) ........................................................ 13 Tableau 3-1. Liste des stations météorologiques et GMON ....................................................... 17 Tableau 3-2. Caractéristiques spatiales et spectrales du capteur NOAA-AVHRR. .................... 19 Tableau 3-3. Nombre d'images incluses dans la série historique .............................................. 21 Tableau 3-4. Nombre d'images retenues pour l'étalonnage de l'algorithme ............................... 25 Tableau 3-5. Percentiles utilisés dans les seuils de l'algorithme ................................................ 26 Tableau 3-6. Modèles de percentiles pour générer la diversité dans les seuils de détection des catégories de surfaces dans l'algorithme d'estimation d'ensemble ............................................ 30 Tableau 4-1. Matrice d'erreur de la classification des échantillons de pixels qui ont servi à la validation de l'algorithme de cartographie des images AVHRR du printemps pour la période 1988 à 2011 .............................................................................................................................. 42 Tableau 4-2. Matrice d'erreur de la classification des images AVHRR du printemps comparée aux observations de neige au sol au niveau des 20 stations météorologiques pour la période 1988 à 2011 ....................................................................."......................................................... 45 ix Tableau 4-3. Matrice d'erreur de la classification des images AVHRR du printemps comparée aux observations de neige au sol au niveau des sept stations GMON pour la période 2007 à 2011 .......................................................................................................................................... 47 Tableau 4-4. Matrice d'erreur de la classification des images AVHRR du printemps comparée aux observations de neige au sol au niveau des sept stations GMON pour la période 2007 à 2011, avec un seuil de détection de 60 mm d'équivalent en eau de la neige ............................ .47 Tableau 4-5. Matrice d'erreur de la classification d'ensemble sur les échantillons de pixels qui ont servi à la validation de l'algorithme de cartographie des images AVHRR du printemps pour la période 1988 à 2011 ................................................................................................................. 52 Tableau 4-6. Matrice d'erreur de la classification d'ensemble des images AVHRR du printemps comparée aux observations de neige au sol au niveau des 20 stations météorologiques pour la période 1988 à 2011 ................................................................................................................. 55 Tableau 4-7. Matrice d'erreur de la classification d'ensemble des images AVHRR du printemps comparée aux observations de neige au sol au niveau des sept stations GMON pour la période 2007 à 2011 .............................................................................................................................. 55 x Liste des figures Figure 2-1. Réfle~tance de la neige et des nuages dans la région du spectre électromagnétique comprise entre 0,4 et 2,5 !-lm (Jensen (2007» ............................................................................. 8 Figure 3-1. Occupation du sol du Québec-Labrador et localisation des stations météorologiques et GMON utilisées dans la validation de l'algorithme de cartographie du couvert nival. Les informations concernant les deux réseaux de stations sont consignées dans le Tableau 3-1. L'encadré est un agrandissement de la région du bassin des Cascades ................................... 16 Figure 3-2. Algorithme de classification adapté à la série AVHRR-KLM : (a) bande 38 (MIR) et (b) bande 3A (SWIR) ................................................................................................................. 24 Figure 3-3. Procédure de calcul des seuils T 4max et T4min du printemps .................................... 27 Figure 3-4. Combinaison de classificateurs pour établir la frontière entre les classes d'appartenance dans l'estimation d'ensemble (Polikar (2006» ............................... ;.................. 28 Figure 4-1. Valeurs des seuils de détection des catégories de surfaces sur les images AVHRR du printemps avec la bande 38 ................................................................................................. 35 Figure 4-2. Cartes de neige du printemps 2010 ......................................................................... 38 Figure 4-3. Cartes de neige de l'automne 2010 ......................................................................... 39 Figure 4-4. Suivi de la classification des échantillons de pixels de validation de neige, de nonneige et des nuages par l'algorithme de classification pour les images AVHRR du printemps avec la bande 38 ...................................................................................................................... 41 Figure 4-5. Détectabilité de la neige aux stations météorologiques par la version bande 38 de l'algorithme du printemps .......................................................................................................... 44 Figure 4-6. Détectabilité de la neige aux stations GMON par la version bande 38 de l'algorithme du printemps ............................................................................................................................. 46 xi Figure 4-7. Évolution des paramètres radiométriques de la neige et de la non-neige aux stations GMON sur les images AVHRR du printemps avec la bande 38 ................................................ 48 Figure 4-8. Aperçu global de la carte d'estimation d'ensemble du 10 novembre 2010 ............... 51 Figure 4-9. Détectabilité de la neige aux stations météorologiques par la version bande 38 de l'algorithme d'estimation d'ensemble du printemps ................................................................... Q4 Figure 4-10. Détectabilité de la neige aux stations GMON par la version bande 38 de l'algorithme d'estimation d'ensemble du printemps ................................................................... 55 xii Liste des abréviations, sigles et symboles MTSR Advanced Along Track Scanning Radiometer ADEOS ADvanced Earth Observing Satellite AMSR-E Advanced Microwave Scanning Radiometer for Earth observation system ASAR Advanced Synthetic Aperture Radar ASCAT Advanced SCA Tterometer ATSR Along Track Scanning Radiometer AVHRR Advanced Very High Resolution Radiometer A1 Albédo dans la bande 1 d'AVHRR (0,58-0,68 IJm) A2 Albédo dans la bande 2 d'AVHRR (0,72-1,00 IJm) A3 Albédo dans la bande 3 d'AVHRR (1,58-1,64IJm) ilT34 Différence de température entre les bandes 3 et 4 d'AVHRR ilT45 Différence de température entre les bandes 4 et 5 d'AVHRR EEN Équivalent en eau de la neige EODM-NRT Earth Observation Data Manager-Near Real Time ENVISAT ENVlronmental SATellite ERS European Remote Sensing satellite K Coefficient kappa GOES Geostationary Operational Environmental Satellite GMON Gamma MONitor HRPT High Resolution Picture Transmission IMS Ice Mapping System JERS Japanese Earth Resources Satellite LANDSAT-MSS LA ND SA T-Multi Spectral Scanner LAN DSAT-TM LA ND SA T- Thematic Mapper LAN DSAT-ETM+ LANDSA T-Enhanced Thematic Mapper+ MERlS MEdium Resolution Imaging Spectrometer METOP METeorological OPerationnal satellite MODIS MODera te Resolution Imaging Spectroradiometer MRCC Modèle Régional Canadien du Climat xiii NOSI Normalized Difference Snow Index NOVI Normalized Difference Vegetation Index NESOIS National Environmental Satellite Data and Information Service NOM National Oceanographie and Atmospheric Administration NOHSRC National Operational Hydrological Remote Sensing Center NORAO North American Aerospace Defense Command NSCAT Nasa SCA Terometer QSCAT Quik SCA Terometer SAR Synthe tic Aperture Radar SMMR Scanning Multichannel Microwave Radiometer SSM/I Special Sensor Microwave Imager SPOT Satellite Pour l'Observation de la Terre SR50 Sonic Ranging sensor 50 TBUS Bulletin TBUS TLE Two-Line Elements T3 Température dans la bande 3 d'AVHRR (3,55-3,93 IJm) T4 Température dans la bande 4 d'AVHRR (10,3-11,3IJm) T5 Température dans la bande 5 d'AVHRR (11,5-12,5 IJm) xiv 1. Introduction générale 1.1 Problématique Le couvert nival joue un rôle important dans le bilan d'énergie thermique de la Terre en réfléchissant un pourcentage considérable de rayonnement solaire. Durant le cycle annuel, en moyenne entre 7 à 40% de la superficie de l'Hémisphère Nord est recouverte de neige durant l'hiver. Au Canada et au Québec, le couvert nival s'établit et disparaît à l'intérieur d'une période de six mois. Il représente une source d'eau importante puisque sa fonte est le mécanisme responsable de la recharge de la nappe dans le sud du Québec ainsi que la majorité des crues printanières (Evora et aL, 2008). La source conventionnelle d'information sur le couvert nival est le réseau de stations météorologiques où des observations de la présence ou de l'épaisseur de la neige y sont relevées quotidiennement; l'équivalent en eau de la neige (EEN) est estimé sur une base bihebdomadaire. En raison de sa faible densité et de sa distribution spatiale nonoptimale au Québec et au Canada, le réseau d'observations locales d'Environnement Canada ne permet pas de fournir des données assez précises pour cartographier l'étendue et l'équivalent en eau de la neige de manière spatialement consistante sur de grandes superficies avec une résolution spatiale adéquate (Derksen et al., 2000, Brown et al., 2008, Brown, 2010). Ce qui se traduit par une incapacité de suivre avec précision l'état de la surface terrestre sur de longues périodes et de suivre l'évolution de l'état du couvert nival durant les périodes critiques d'établiss~ment en automne et de la fonte des neiges au printemps. La télédétection spatiale constitue alors une source alternative de données sur l'état du couvert nival. Elle permet une couverture spatiale synoptique et une grande fréquence temporelle ainsi que des coûts 2 d'acquisition par km très avantageux (Derksenet aL, 2000). Or les approches par télédétection satellitaire des propriétés du couvert nival, en particulier son étendue spatiale, ont atteint divers degrés de maturité et certaines nécessitent d'être améliorées (Dietz et aL, 2012). De plus, le territoire du Québec constitue un défi majeur pour l'élaboration de telles approches en raison des conditions particulières d'enneigement (un couvert nival épais) et de la nature très diversifiée du couvert végétal (toundra, taïga, forêt boréale, forêt mixte, forêt de feuillus, brûlis, terres humides, zones agricoles, etc.). 1 Hydro-Québec produit 98% de son énergie à partir de l'eau. Son parc de production compte 59 centrales hydroélectriques et deux centrales thermiques, ce qui représente un actif de 25,8 G$ et une puissance installée de 35,7 GW. Des aménagements comportant 26 grands réservoirs d'une capacité de stockage de 175 TWh, auxquels s'ajoutent 761 barrages et ouvrages régulateurs complètent ce réseau. Son réseau de transport compte 33 911 km de lignes et celui de distribution 114649 km. L'électricité est distribuée à la population québécoise et les surplus sont vendus aux provinces de l'Ontario, du Nouveau-Brunswick et dans les états du nord des États-Unis. Ce qui en fait un des plus grands fournisseurs d'électricité en Amérique du Nord (www.hydroquebec.com). Avec un réseau d'une telle ampleur, l'évaluation de l'étendue spatiale du couvert nival en temps quasi-réel intéresse au plus haut point les gestionnaires d'HydroQuébec. La fonte printanière est une période critique dans le cycle hydrologique du Québec par la génération des crues. La période d'établissement du couvert nival à l'automne représente aussi une période critique pour les gestionnaires (crue subite, gestion des barrages, etc.). Une meilleure connaissance du stock de neige devient alors un enjeu important pour la prédiction des volumes de crue à venir (Royer et al., 2010). Toutefois, la distribution spatiale des ouvrages hydroélectriques aux quatre coins de la province ne facilite pas le suivi de la neige. En plus d'avoir un réseau d'observations locales de la neige au sol en place (lignes de neige, épaisseur et équivalent en eau de la neige), Hydro-Québec se sert de données de télédétection satellitaire pour le suivi de la neige sur un territoire aussi vaste. Ses équipes de recherche ont développé une expertise pour le traitement des images du capteur de micro-ondes passives SSMII (De Sève et al., 1997, De Sève et al., 2001, De Sève et al., 2007, Evora et al., 2008, Royer et al., 2010, Vachon et al., 2010, De Sève et al., 2012). Toutefois, la cartographie est relativement grossière à cause de la résolution spatiale de 25 km au sol du capteur SSM/I. Par conséquent, il existe un besoin réel de disposer de données satellitaires de plus haute résolution spatiale (5 km et moins) pour le suivi du couvert nival, ce que les capteurs optiques permettent d'obtenir. Ainsi, la collaboration de recherche initiée entre l'INRS-ETE et l'IREQ permettra à HydroQuébec de bénéficier d'une expertise dans le domaine optique et de ce fait, de disposer d'une source additionnelle de données (dans un contexte d'estimation d'ensemble) pour le suivi de couvert nival et ainsi améliorer l'estimation des volumes de crue à venir. Dans le cadre de cette collaboration, le présent projet a été financé par une bourse industrielle, subventionnée conjointement par MITACS Accélération, l'IREQ et le FQRNT. Un nombre considérable d'algorithmes ont été développés depuis les années 1960 et 1970 dans le but de cartographier les propriétés physiques du couvert nival, comme son étendue 2 spatiale, son équivalent en eau et la sous-fraction de neige, à partir des capteurs opérant dans le domaine optique (AVHRR, GOES, MODIS, VEGETATION, etc.), les micro-ondes passives (SMMR, SSM/I, AMSR-E) et actives (ERS, RADARSAT, QUIKSCAT, etc.) et ce, pour diverses échelles spatiales: globale (couverture complète de la Terre), continentale, régionale et locale (Dozier, 1989, Grody et al., 1996, Baghdadi et al., 1997, Voigt et al., 1999, Nagler et al., 2000, Armstrong et al., 2001, Hall et al., 2002, Xiao et al., 2002, Kelly et al., 2003, Salomonson et al., 2006). Certains de ces algorithmes combinent deux capteurs (et parfois jusqu'à trois) afin d'allier la haute résolution spatiale du capteur optique à la capacité de pénétrer les nuages du capteur de micro-ondes passives ou actives (Romanov et al., 2000, Tait et al., 2001, Chokmani et al., 2006a, Gao et al., 2010, Foster et al., 2011). Ce type d'approche permet d'améliorer la qualité de la cartographie en tirant avantage des caractéristiques de chacun des capteurs comparativement à une cartographie basée sur un seul capteur. Il est important d'évaluer avec exactitude les produits opérationnels de neige disponibles pour déterminer leur performance (quantification du taux de succès global, des erreurs d'omission et de commission) et leurs limites d'application sur la région choisie. Peu d'études ont porté sur la validation systématique des algorithmes opérationnels de cartographie du couvert nival pour les conditions de l'Est du Canada, ni de les comparer entre eux sur une longue période de temps (Bussières et al., 2002, Simic et al., 2004, Zhao et al., 2009). Il est possible qu'un produit de neige soit mieux adapté à une région donnée ou pour une période particulière de l'année. La plupart de ces produits emploient des seuils fixes, c'est-à-dire que la valeur de seuil est appliquée peu importe le jour de la saison hivernale pour la détection des catégories de surfaces sur les images satellitaires. L'utilisation de ce type de seuils dans les algorithmes est plus ou moins appropriée bien qu'elle donne de bons résultats globalement: d'une part les seuils ne s'ajustent pas à l'évolution de l'état du couvert nival au cours de la saison hivernale et d'autre part, ils ne sont pas performants dans certains milieux, en particulier dans la forêt boréale où la présence de neige est souvent omise à cause de la valeur prédéfinie pour le seuil (Hall et al., 2002, Derksen et al., 2005, Chokmani et al., 2010). Pour les raisons évoquées ci-dessus, il est nécessaire de développer un produit opérationnel de neige adapté à la région choisie. Il est attendu qu'un algorithme dont les seuils ont été calibrés sur la région d'étude et qui sont évolutifs durant la saison hivernale fournira de meilleures estimations de l'étendue spatiale du couvert nival. L'équipe de télédétection de l'INRS-ETE a développé un algorithme de cartographie de la neige adapté au territoire du Québec (Chokmani et al., 2006a, Chokmani et al., 2006b, Chokmani et al., 2009). L'algorithme combine les résultats de cartographie réalisés à l'aide des capteurs 3 AVHRR à bord du satellitaire NOM (visible et infrarouge, 1 km de résolution) et SSM/I à bord du satellite DMSP (micro-ondes passives, 25 km de résolution) (Langlois et aL, 2004, Mialon et aL, 2005). Le choix de ces capteurs a reposé sur le fait que les deux offrent une longue série d'observations quotidiennes de la surface terrestre d'une qualité constante, ce qui les rend appropriés pour les études de changement climatique et le suivi temporel de l'état de la surface terrestre. L'algorithme tire avantage des caractéristiques des deux capteurs tout en minimisant les limites à leur application et permet de produire ainsi une série de cartes quotidiennes de la neige durant les mois d'avril et de mai de chaque année des 12 années ciblées par l'étude (1988-1999). La précision globale de l'algorithme a été estimée à 86% (en comparaison avec les observations de la hauteur de neige au sol au niveau des stations météorologiques d'Environnement Canada). Les cartes ainsi produites sont exemptes de nuages et ont une résolution nominale au sol de 1 km x 1 km. Celles-ci ont rendu possible la production d'un atlas régional interactif disponible en ligne (www.nival.ete.inrs.ca) et aussi contribué à la validation de la composante neige du Modèle Régional Canadien du Climat (MRCC) (Caya et aL, 1999) sur le Québec-Labrador (Wirtensohn, 2010). Par ailleurs, la longue série historique ainsi développée offrirait la possibilité de pouvoir s'intégrer aux résultats générés à partir des capteurs de nouvelle génération, comme MODIS et AMSR-E. La version originale de l'algorithme développé pour la période de fonte printanière n'est pas applicable aux images satellitaires du capteur de nouvelle génération AVHRR-KLM. Les images produites par ce nouveau capteur ont la particularité d'offrir une alternance entre deux bandes spectrales dans le canal 3 d'AVHRR : la bande du moyen infrarouge (3,55-3,93 !-lm) et la bande de l'infrarouge à ondes courtes (1,58-1,64 !-lm). Or, jusqu'aux années 2000, seule la bande du moyen infrarouge était disponible dans les images d'AVHRR. Par conséquent, il est nécessaire d'adapter l'algorithme développé pour la période de fonte printanière à la série AVHRR-KLM. La série historique déjà constituée a été étendue à la période de fonte printanière pour les années 2000 à 2010. La bande de l'infrarouge à ondes courtes ayant été étalonnée, l'algorithme est désormais applicable à la série AVHRR-KLM. La procédure de traitement des images KLM a été implantée en mode pré-opérationnel chez Hydro-Québec (Roberge et aL, 2010). Les réseaux de stations de mesure de l'épaisseur et de l'équivalent en eau de la neige installés dans les bassins de la Gatineau et des Cascades ont démontré que la fonte printanière peut s'amorcer dès le mois de mars dans le sud de la province. Par conséquent, il est nécessaire de parfaire l'algorithme développé pour la période de fonte printanière. Celui-ci devra être ré-étalonné pour y inclure de nouveaux échantillons prélevés sur les images acquises durant les deux dernières 4 semaines du mois de mars, soit du 16 mars au 31 mai. L'intégration de ces données permettra à Hydro-Québec de suivre en temps quasi-réel le couvert nival durant cette période de l'année mais aussi d'améliorer la prédiction des volumes de crue à venir par télédétection satellitaire. Par ailleurs, lors du développement de la version originale de l'algorithme, il a été démontré par Chokmani et al. (2006b) que les caractéristiques radiométriques des surfaces enneigées et nonenneigées sont significativement différentes dépendamment s'il s'agit d'images d'automne ou du printemps, d'où la nécessité d'étalonner l'algorithme sur ces deux périodes. En raison de contraintes de temps (à l'époque du développement de la version initiale), il a été décidé de se concentrer sur la période de fonte printanière seulement. Il est donc nécessaire de développer un nouvel algorithme de cartographie pour la période d'établissement du couvert nival à l'automne. Ceci nécessite la constitution d'une base de données historique (de calibration et de validation) d'images quotidiennes NOAA-AVHRR acquises durant la phase d'établissement du couvert nival, entre le 1ier octobre et le 31 décembre de chaque année, pour la période 1988 à 2011. Comme celui qui a été développé pour la période de fonte printanière, l'algorithme de la phase d'établissement est conçu pour classifier les images AVHRR-KLM en trois catégories de surfaces: la neige, la non-neige et les nuages. 1\ s'agit d'un algorithme empirique constitué d'une combinaison de six seuils séquentiels. Un pixel qui réussit à passer à travers tous les seuils est alors classé comme neige, sinon il est catégorisé comme non-neige ou nuage. Les produits opérationnels de neige produisent un résultat dichotomique: présence ou absence de neige. Cette manière rigide qu'ont les algorithmes de classification de faire la distinction entre les catégories de surfaces rend impossible la prise de décision en fonction d'une incertitude. Disposer d'une telle donnée serait donc un avantage pour les prévisionnistes d'Hydro-Québec (De Sève et al., 2012); l'estimation d'ensemble a fait ses preuves dans plusieurs domaines mais demeure encore peu utilisée en télédétection. À ce jour, seul le produit MODIS offre de l'information sur la sous-fraction de neige (pourcentage de couverture de neige présente dans un pixel), celui-ci n'ayant pas été validé sur le territoire du Québec non plus. Par conséquent, il est nécessaire d'implanter l'algorithme de cartographie du couvert nival développé pour les données du capteur optique AVHRR-KLM en mode d'estimation d'ensemble. L'algorithme se prête bien à ce type d'exercice. 1\ est prévu de produire plusieurs classifications d'une image AVHRR-KLM où les paramètres de seuil utilisés pour la détection de la neige se déplaceraient à chaque classification. Le résultat final est une carte de probabilité de présence de neige (variant entre 0 et 1). Ce type de cartographie permettrait de matérialiser l'emplacement des régions dont nous sommes convaincus de la présence et de l'absence de neige, ces régions affichant 5 une probabilité de présence de neige de 100% et 0% respectivement. les probabilités intermédiaires permettraient quant à elles de localiser la zone de transition (ou de l'incertitude) du front de neige. 1.2 Objectifs l'objectif principal du projet de recherche est le développement d'une stratégie de cartographie en temps quasi-réel de l'étendue spatiale du couvert nival à partir des données de télédétection optique et de l'estimation d'ensemble. Cette stratégie de cartographie pourrait être intégrée à moyen terme par Hydro-Québec au processus de prévision des apports ,en eau issus de la fonte des neiges. Cet objectif se décline en deux sous-objectifs spécifiques: 1. Dans le premier volet du projet, il s'agit de développer un algorithme satellitaire à seuils évolutifs pour la cartographie en temps quasi-réel de l'étendue spatiale du couvert nival au Québec-Labrador adapté au capteur optique A VHRR-KLM. les seuils de détection des catégories de surfaces de cet algorithme auront la particularité de tenir compte de la période de l'année (établissement et fonte printanière) ainsi que d'évoluer durant la saison afin de tenir compte de l'évolution temporelle de l'état du couvert nival. Il est attendu que l'algorithme ainsi développé produira de meilleures estimations que la version originale. 2. Dans le deuxième volet du projet, il s'agit d'adapter l'algorithme ainsi développé à l'approche de l'estimation d'ensemble. 1.3 Structure du mémoire le présent mémoire est divisé en quatre parties qui suivent l'introduction générale. le chapitre 2 consiste en une revue de littérature en lien avec la problématique de recherche. le chapitre 3 présente ensuite la méthodologie générale. le chapitre 4 explique les résultats obtenus pour le développement de l'algorithme classique et d'estimation d'ensemble de cartographie du couvert nival au Québec-labrador. le chapitre 5 conclut le projet et propose des pistes de solution concernant l'amélioration de l'algorithme de suivi de la neige en mode opérationnel. 6 2. Revue de littérature Ce chapitre dresse un portrait global concernant l'état des connaissances sur la cartographie de la neige par télédétection satellitaire (§2.1) ainsi que les algorithmes de classification des images satellitaires et les principaux produis opérationnels de neige disponibles (§2.2). 2.1 Télédétection de la neige Le couvert nival est constitué essentiellement d'air et de glace. Il se différencie donc des autres surfaces terrestres dans les différentes régions du spectre électromagnétique par ses propriétés optiques et diélectriques (Warren, 1982, Bernier, 1987, Winther et al., 1999, Kônig et al., 2001). Ce sont d'ailleurs ses propriétés physiques bien distinctes qui sont exploitées par les algorithmes pour sa détection sur les images satellitaires. Les concepts fondamentaux de physiques ont été traités dans les manuels spécialisés de télédétection, citons entre autres Ulaby et al. (1981) et Colwell (1983) ainsi que les références subséquentes. La télédétection des surfaces terrestres, incluant la neige, se fait à l'aide de trois grandes familles de capteurs: les capteurs optiques, de micro-ondes passives et actives. Les capteurs optiques exploitent la composante réflective comprise entre 0,1 et 15 IJm du spectre électromagnétique pour distinguer les surfaces terrestres. La neige se distingue des surfaces non-enneigées (eau, forêt, etc.) par son albédo plus élevé et sa température plus froide étant donné qu'elle emmagasine peu le rayonnement solaire sous forme de chaleur. La neige et les nuages présentent un fort albédo dans le visible, ce qui occasionne une confusion entre les deux surfaces. C'est plutôt dans le domaine de l'infrarouge du spectre électromagnétique, c'est-à-dire à partir d'une longueur d'onde de 1,5 IJm qu'il est possible de mieux les différencier. En effet, l'albédo de la neige est de loin plus faible (variant entre 0 et 20% selon la longueur d'onde) que celle des nuages (variant entre 40 et 60% selon la longueur d'onde) (Figure 2-1). Le contraste observé au niveau de leur signature spectrale s'explique par la taille plus grossière des grains de neige (100-300 IJm) et celle plus fine des cristaux de glace ou des gouttelettes d'eau des nuages (10-40 IJm). La neige est généralement plus chaude que les nuages. L'avantage des capteurs optiques est leur haute résolution spatiale au sol, variant entre 1 et 4 km selon le capteur choisi. 7 Leur principale limitation est la présence et la persistance des nuages qui obstrue le sol sousjacent. L'information extraite à partir de ces capteurs concerne l'étendue spatiale du couvert nival ainsi que la sous-fraction de neige (pourcentage de couverture de neige présente dans un pixel). Renectance or Clouds and Snow 80 "~ 60 J! u c::: " ~ 40 ë... ~ 20 0.4 0.7 1.0 1.5 Wavelength,lIm 2.0 2.5 Figure 2-1. Réflectance de la neige et des nuages dans la région du spectre électromagnétique comprise entre 0,4 et 2,5 ~m (Jensen (2007». Les capteurs de micro-ondes passives exploitent plutôt la composante d'émissivité de la surface terrestre, comprise entre 1 mm et 1 m du spectre électromagnétique. Ici c'est la différence entre deux fréquences polarisées (19 et 37 GHz) qui détermine la présence ou l'absence de neige au sol. Le potentiel des micro-ondes passives repose sur le fait qu'il existe une relation directe entre l'accumulation d'une couche de neige et la variation des températures de brillance des surfaces (Tb) enregistrées par le capteur. Donc, pour un sol recouvert de neige, la valeur des Tb diminue à mesure que l'épaisseur du couvert nival augmente, réduisant ainsi l'intensité du rayonnement émis initialement par le sol sous-jacent (De Sève et al., 2001). Des coefficients standards de température et de densité sont ensuite appliqués sur les Tb pour obtenir l'épaisseur de la couche de neige au sol ainsi que son équivalent en eau. Par contre, lorsque la neige est très mouillée, l'émissivité du couvert nival se rapproche de celle d'une surface humide sans neige. Il est difficile de distinguer précisément la date de disparition du couvert nival avec les micro-ondes passives puisque la neige humide, bien qu'encore présente au sol, apparaît plus chaude pour le capteur. Les capteurs de micro-ondes actives sont plus appropriés en présence de nejge humide. Ils y sont sensibles étant donné que l'humidité de la neige réduit la profondeur de pénétration du 8 signal radar, rendant ainsi la diffusion de surface (à l'interface neige-sol) plus dominante que la diffusion de volume (à l'intérieur de la couche de neige). L'interprétation des données d'interférométrie 0° est aussi plus complexe en raison de l'amplification des processus de diffusion par l'émission d'un signal radar (Bernier, 1987, Kënig et al., 2001, Foster et al., 2011). Les capteurs de micro-ondes passives et actives ont la capacité de pénétrer le couvert nuageux et fonctionnent autant le jour que la nuit. Ils sont limités par leur résolution spatiale grossière. Une grande variété de capteurs optiques, de micro-ondes passives et actives ont vu le jour depuis les années 1960 et 1970 pour la cartographie globale, continentale et régionale des propriétés physiques du couvert nival. Parmi les plus anciens sont les capteurs optiques AVHRR et GOES (Tableau 2-1) ainsi que la suite de micro-ondes passives SMMR et SSMII (Tableau 2-2). À eux seuls ces capteurs offrent les plus longues séries d'images quotidiennes et une couverture complète de la Terre. Un minimum de trente années est nécessaire pour établir une climatologie de la neige (date probable d'établissement et de fonte du couvert nival, durée de la saison hivernale). Débutant aussi à la même époque, les capteurs de la série LANDSAT (Tableau 2-1) permettent d'obtenir les cartographies les plus détaillées du couvert nival parsa haute résolution spatiale au sol, variant entre 15 et 120 m selon la bande spectrale et le capteur considéré (-MSS, -TM ou -ETM+). Les images de haute résolution LANDSAT ont contribué au développement et à la validation de divers produits de neige dont l'algorithme SNOWMAP de MODIS. Les capteurs optiques ATSR, MTSR, MERlS, MODIS et VEGETATION (Tableau 2-1) ainsi que le capteur de micro-ondes passives AMSR-E (Tableau 2-2) figurent parmi les plus récents et sont de qualité comparable aux capteurs AVHRR, GOES et SSM/I. Disponibles depuis le milieu des années 90, les capteurs de micro-ondes actives (Tableau 2-3) constituent une technologie relativement récente si on les compare à l'historique des capteurs optiques et de micro-ondes passives. Ceux-ci sont utilisés principalement dans les applications de suivi des glaces de mer et de l'humidité du couvert nival à des échelles spatiales et temporelles plus restreintes. Donc, pour répondre aux besoins opérationnels d'Hydro-Québec, les capteurs AVHRR, GOES, MODIS, SSM/I et AMSR-E sont les plus appropriés pour le suivi quotidien du stock de neige sur de grandes surfaces. 9 Tableau 2-1. Caractéristiques des principaux capteurs optiques pour la détection de la neige (Dietz et al. (2012». Bandes spectrales Résolution spatiale Champ Fréquence depuis ÜJm) (m) balayé d'acquisition LANDSAT 1-3/MSS 1972/1983 0,5-0,6; 0,6-0,7; 0,7-0,8; 0,8-1,1 79 185 km 18 jours LANDSAT 4-5/TM 1982/aujourd'hui 0,45-0,52; 0,52-0,60; 0,63-0,69; 30, 120 185 km 16 jours 15,30,60 185 km 16 jours 250,500,1000 2330 km 2 par jour 1100 2700 km Quotidienne 1000,4000,8000 Couverture À chaque 3 complète de heures Satellite/capteur En opération 0,76-0,90; 1,55-1,75; 2,09-2,35; 10,4-12,5 LANDSAT 7/ETM+ 1999/aujourd'hui 0,45-0,52; 0,53-0,60; 0,63-0,69; 0,78-0,90; 1,55-1,75; 2,09-2,35; 10,4-12,5; 0,52-0,90 TERRA&AQUAIMODIS 2000/aujourd'hui 36 bandes spectrales comprises NOAAlAVHRR 1978/aujourd'hui 0,58-0,68; 0,72-1,00; 1,58-1,64; GOES 1975/aujourd'hui 0,52-0,72; 3,78-4,03; 6,47-7,02; entre 0,62 et 14,38 3,55-3,93; 10,3-11,3; 11,5-12,5 10,2-11,2; 11,5-12,5 la Terre SPOTNEGETATION 1998/aujourd'hui 0,43-0,47; 0,61-0,68; 0,78-0,89; 1150 2200 km 1-2 jours 512 km 2-3 jours 1,58-1,75 ERS2/ATSR2 1995/aujourd'hui 0,55; 0,66; 0,87;1,6; 3,7; 10,8; 12,0 1000 ENVISAT/AATSR 2002/aujourd'hui 0,55; 0,66; 0,87; 1,6; 3,7; 11,0; 12,0 1000 500 km 2-3 jours ENVISAT/MERIS 2002/aujourd'hui 15 bandes spectrales comprises 300 1150 km 2-3 jours entre 0,39 et 1,04 Tableau 2-2. Caractéristiques des principaux capteurs micro-ondes passives pour la détection de la neige (Dietz et al. (2012». En opération depuis Plateforrne SMMR SSM/I AMSR-E 1978/1987 1987/aujourd'hui 2002/aujourd'hui NIMBUS-7 DMSP Fréquences et IFOV 6,6 GHz 156 x 156 (km xkm) 10,7 GHz 97 x 97 18,0 GHz 60 x60 AQUA nIa nIa 69 x43 19,3 GHz 74 x43 6,9 GHz 10,6 GHz 51 x30 18,7 GHz 27 x 16 21,0 GHz 60 x60 22,2 GHz 60 x40 23,8 GHz 31 x 18 37,0 GHz 30 x 30 37,0 GHz 37 x29 36,5 GHz 14 x 8 85,5 GHz 15 x 13 89,0 GHz 6x 4 nIa Polarisation Horizontale, verticale Horizontale, verticale Horizontale, verticale Angle d'incidence 49° 53° 53° Fréquence d'acquisition Le jour suivant Quotidienne Quotidienne Champ balayé 780 km 1400 km 1600 km 10 Tableau 2-3. Caractéristiques des principaux capteurs micro-ondes actives pour la détection de la neige (Dietz et al. (2012». Satellite/Capteur En opération Bandes Résolution Champ balayé spatiale depuis Fréquence d'acquisition ADEOS-IINSCAT 1996/1997 Ku (14,0 GHz) 50 km 2x600km Le jour suivant QSCAT/SEAWINDS 1999/2009 Ku (13,4 GHz) 25 km 1800 km Quotidienne ADEOS-II/SEAWINDS 2002/aujourd'hui Ku (13,4 GHz) 25 km 1800 km Quotidienne METOP/ASCAT 2005/aujourd'hui C (5,25 GHz) 25 km, 50 km 2 x550 km Le jour suivant RADARSAT-1/SAR 1995/aujourd'hui C (5,3 GHz) 8-100 m 45-500 km 24 jours RADARSAT-2/SAR 2007/aujourd'hui C (5,4 GHz) 3-100 m 20-500 km 24 jours ENVISAT/ASAR 2001/aujourd'hui C (5,3 GHz) 30,150,1000 m 60-100,400 km 35 jours JERS-1/SAR 1992/1998 L (1,275 GHz) 18m 75 km 44 jours TERRASAR-XlSAR 2007/aujourd'hui X (9,6 GHz) 1,3,18m 10,50,150 km 11 jours TANDEM-XlSAR 2.2 Algorithmes et produits opérationnels de neige Plusieurs techniques exploitant les propriétés de la neige ont été appliquées avec succès pour la cartographie de la neige: classification spectrale supervisée (Qobilov, 2001), classification spectrale non-supervisée (Slater et al., 1999), réseaux de neurones artificiels (Welch et al., 1992, Tedesco et al., 2004, Evora et al., 2008, Takala et al., 2008), techniques de segmentation (Simpson et al., 2001), modélisation sous-pixels (Rosenthal et al., 1996, Kaufman et al., 2002, Vikhamar et al., 2002). Cependant, ces techniques ne sont pas adaptées à l'échelle régionale, continentale ou globale puisqu'elles requièrent un effort soutenu pour leur étalonnage et leur application .. Par conséquent, pour les études de suivi de la neige sur de grandes étendues et sur une longue période de temps, des techniques de seuillage sont plus appropriées en raison de leur simplicité, leur transparence et leur rapidité (Hall et al., 1995). Afin de discriminer les différentes catégories de surfaces présentes dans l'image, les seuils employés sont conçus en se basant sur les différences dans leur réponse spectrale dans les différents canaux du capteur retenu. Les différents seuils correspondent à une valeur de bande ou à une combinaison de bandes; la valeur de seuil détermine la classe d'appartenance du pixel. Ils sont déterminés empiriquement et diffèrent d'un algorithme à l'autre. Ils sont appliqués à l'ensemble de l'image, pixel par pixel. 11 le plusconnu L'exemple de seuillage d'algorithme compldtement la technique automatis6 utilisant dansle visible,le est sanscontesteSNOWMAPde MODIS(Tableau2-4).ll utilisela r6flectance procheinfrarougeet I'infrarouge Difference i ondescourtespour calculerle NDVI(Normalized Vegetationlndex)et le NDSI(NormalizedDifferenceSnowIndex): NDVI = N DSI= MODISs2- MODISbI MODIS52+ MODIS5I MODISb4- MODISb5 + MODIS56 MODIS6a pm), 2 (0,841Ce qui correspond d la r6flectance dans les bandesspectrales1 (0,620-0,670 pm) et 6 (1,628-1,625 pm) de MODIS.Pourcartographier la neige 0,876pm), 4 (0,545-0,565 avec le NDSI,une valeurde NDSI>O,4 est utilis6epour indiquerla pr6sencede neigesur les images.Cettevaleura 6t6 propos6epar Hallef a/. (1995)aprdsune6tudeextensive des Etatsque le seuildu NDSI Unis.Kleinet al. (2003)ont validEles cartesquotidiennes et ont d6montr6 indiqueeffectivement la pr6sencede neige.Toutefois,dans les r6gionsde for6t,des erreursde peuventse produire. le sous-estimation et de surestimation Afinde pr6venirla sous-estimation, seuildu NDSIa 6t6 abaiss6parceque lesfor6tsont tendanced masquerla neigesous-jacente. peuvent6galement Hallef al. (2002)onttrouv6que lesvaleursde NDSI<O,4 indiquerla pr6sence de neigem€mequandle NDVIest d'environ le NDVI.Ainsi, 0,1.La neigea poureffetd'abaisser m€mesi le NDSIest inf6rieur d 0,4en zoneforestidre, unevaleurde 0,1de ce derniersuggdrela pr6sencede neige.Afin de pr6venirla surestimation, la r6flectance d'unesurfacedans la bande 4 de MODISdoit6tresup6rieure comme6tantde la neige(Klein d 10%pour6trecartographi6e parceque les surfacesfonc6es,commeles et a1.,1998). Ce testsuppl6mentaire est n6cessaire for€ts,r6duisentla r6flectance. L'algorithme SNOWMAPest efficacepour des pixelsavec une sous-fraction de neigesup6rieured 50o/o; dans le cas contraire,l'6tenduespatialedu couvert nivaln'est pas suffisantepour 6tre d6tect6e.Une sous-fraction de neigeinf6rieured 50% peut conduired des erreursde classification comme6tantde la neige. des surfacesnon-enneig6es (Rosenthal Des techniquesd'estimation de la sous-fraction et al., sont alorsplus appropri6es 1996,Salomonson Le tauxde succds et al.,2004,Salomonson Painter et a\.,2009). et a1.,2006, 12 globaldu produitquotidien de neigeMODISpeutatteindre93o/o en condition de cielclair,maisil peutvarierenfonctionde I'occupation du sol et des conditions de neige(Hallef al.,2007,Dietz et a1.,2012). Par ailleurs,la proc6dure SNOWMAP a 6t6 appliqu6e avecsuccdssur les images' par Xiao ef al. (2001),Xiao et al. (2002)et Dankerset al. (2004)sur le du capteurVEGETATION plateautib6tainet en Scandinavie parVoigtef a/.(1999) L'algorithme respectivement. d6velopp6 pourle capteurAVHRRutilisesix seuilsappliqu6s dansI'ordresuivant: la temp6rature maximale de la neige,la temp6rature minimalede la neige,la diff6rence de temp6rature entreles deux canauxthermiques, le NDVI,la diff6rence de temp6rature entrelescanauxde I'infrarouge moyen et I'infrarouge thermiqueet la r6flectance dansle visible.D'autresvariantesexistentaussipourle (Saunders capteurAVHRR et a).,1988, Gesell,1989,Derrien et al.,1993, Hutchison ef al.,1997, Kangasetal.,2001,Ananasso Kriebel eta1.,2003, Appeleta1.,2003, eta1.,2003, Khlopenkovef a\.,2007,Husleret a1,,2012). Tableau24. Synthise des m6thodesde cartographieautomatiquedu couvert nival et leurs caract6ristiques (DieEet al. (20121, revueet augment6e). Capteur NDSI, SNOWFRAC, lmage composite AQUA+TERRA, MODSCAG Hall et al. (2002), Vikhamaref a/. (2002), Klein et al. (2003),Salomonson et al. (2OO4), Salomonsonef a/. (2006),Hall et a/. (2007), Painter ef a/. NDSI,Arbresde d6cision, SNOWFMC SCAMOD Rosenthale/ a/. (1996),Vikhamaref at. (2002) Metsdmdkief a/. (2005) Changef a/. (1987) 8 jours, mensuelle (200e) LANDSAT AVHRR SMMR SSMiI AMSR-E GOES+SSM/I AVHRR+SSM/I MODIS+AMSR-E MODIS+AMSR-E +QSCAT Gradientspectral (T616-T67) xc -ESN : 6tenduespatialede la neige,SFN : A chaque16 jours 1km Quotidienne 25 km 25 km Moddled'inversion Pulliainene/ a/. (2001),Derksenef automatique d'6missionde la al. (2003a), Derksen neige ef a/. (2003b), Goita et al. (2003) SWEMAP Chang ef al. (2000) Combinaisonde produits Combinaisonde produits Combinaisonde produits ANSA 30m 25 km R2=0,979 Comparablea SNOWMAP 2,2 c,rn,1,5 c,rn Quotidienne, 5 jours d'erreur,R2=0,750,8 2,3 cm, 1,4Quotidienne, 5 jours 3,3 crn, 1,5cm d'erreur ESN, SFN EEN, E EEN,E 3,7 crn d'erreur EEN, E, ESN -85% ESN 1km 87-90% ESN 500 m Quotidienne -85% ESN 25km Quotidienne Meilleureque les produits individuels ESN, EEN, E, SFN, fonte sous-fractionde la neige,EEN : 6quivalenten eau de la neige,E : 6paisseur 13 ESN,SFN Quotidienne, . 5 jours Achaque 30 minutes Quotidienne 4km Romanovel a/. (2000) Chokmanief al. (2009) Liangel al. (2008), Gao et al. (2010\ Fosterela/.(2011) clair) Alb6do,taille 3145% (pour des grains toutes les conditions m6t6orologiques) Alb6do : 95%. Eneur de la taille des grains : 51 pm D'autresm6thodesmarginalessont 6galementdisponibles.Jusqu'en 1997, les produits ont 6t6 les cartes hebdomadaires manuellesIMS couvrantI'H6misphdreNord op6rationnels parle NESDIS(Ramsay,1998).Cescartes6taientr6alis6es produites manuellement d partirdes L'analystese basaitsur imagesAVHRRet des satellitesg6ostationnaires GOESet METEOSAT. l'6tenduespatialede la neige.Ensuite,le la dernidreimageclairepourd6limitermanuellement d une r6solution r6sultat6taitnum6ris6 nominale de 190km.Ce systdmea 6t6 am6lior6en 1997 journalidres avec une rdsolutionde afinde produirede fagonsemi-automatique des couvertures 24km.La r6solution spatialedu produitest pass6ed 4 km d partirde 1999.ll est pr6vud'ajouter dds d'autressourcesde donn6esau systdmeinteraclifIMS(Helfrichef a/., 2007).Paralldlement, r6gionalede l'6tendue 1986,le NOHSRCmettaitd la dispositiondes usagersune cartographie journalidre et dans le sud du de la neigepour 3000 a 4O0Obassinsversantsaux Etats-Unis d partirdes donn6esAVHRR Canada.Ces cartessont produitesde manidresemi-automatique Egalement, depuis et GOESd une r6solution spatialenominalede 1 km (Bitneret al., 2OO2). : une 2001,des cartesde couvertnivalr6alis6esd partirdes imagesMODISsontdisponibles (durantles huit derniersjours)de l'6tenduespatialeet couverturequotidienne et hebdomadaire globalede r6solution de la fractionde neiged une r6solution de 500 m ainsiqu'unecouverture de 0,5 degr6s(http://modis-snow-ice.qsfc.nasa.qov/). En 2008, I'agencespatialeeurop6enne (www.qlobsnow.info). l'6paisseur et la fraction concernant offrele produitGlobSnow L'information de neigeont 6t6 extraitesd partirdes capteursoptiquesAATSRet ATSR-2pourla p6riode1995 des capteursSMMR,SSM/Iet AMSRir 2012.Cellesconcefnantl'6quivalent en eau proviennent ainsique des E pour la p6riode1978a 2U2. Le produitcomprenddes cartesquotidiennes ici les produitsde neigepr6sent6s cartescomposites hebdomadaires et mensuelles. Toutefois, spatialelimitee(NOHSRC bridvement sont inadapt6s.Ceci est en raisonde leur couverture (190kmjusqu'en grossidre couvrele suddu Canadaseulement), de leurr6solution spatialetrop pr6sentant des 1997pour IMS),ou d causede la non-disponibilit6 d'unes6ried'observations (MODISest caract6ristiques spatialesconstantes ou couvrantune p6riodede tempssuffisante disponible depuis2001). 14 3. M6thodologie Ce chapitrepr6sentela m6thodologie communeau d6veloppement desalgorithmes classique et (Estdu Canada). d'estimation d'ensemble de cartographie du couvertnivalau Qu6bec-Labrador Le territoired'6tude,les observations de neigeau sol, le pr6traitement des imagessatellitaires NOAA-AVHRR et de validation desalgorithmes et la proc6dure d'6talonnage serontabord6s. 3.1 Zone d'6tude et observations de neige au sol (Figure3-1)repr6sente Le territoire un d6fimajeurpourla cartographie du Qu6bec-Labrador du particulidres (un couvertnival6pais)et de couvertnivalen raisondes conditions d'enneigement la naturetrds diversifi6e du couvertv6g6tal(toundra,fordtde transition,for6tde conifdres,for6t mixte,for6tde feuillus,br0lis,terreshumides, zonesagricoles et urbaines). Deuxtypesd'observations de la pr6sencede neigeau sol ont 6t6 retenuspourla validation du r6sultatde I'algorithme satellitaire de cartographie de l'6tendue spatialedu couvertnival.ll s'agit du r6seaude stationsm6t6orologiques d'Environnement Canadaet du r6seaude stationsGMON (Figure3-1 et Tableau3-1).Vingtstationsm6t6orologiques d'Hydro-Qu6bec ont 6te utilis6es les sitesde validation commer6f6rencede base.Leur r6partition spatialepermetd'optimiser possible. pourqu'ilssoientr6partissur le territoire le plusuniform6ment Le nordet le moyen-nord (parrapportau sud)en raisonde I'absence du Qu6becdemeurent sous-repr6sent6s de stations m6t6orologiques. les plus longues(de 1988d Ces stationspossddentles s6rieshistoriques de I'air et la profondeurde neige aujourd'hui). Ellesenregistrent notammentla temp6rature dansditf6rents typesd'occupation du sol et d des accumul6e au sol sur une basequotidienne, altitudes comprises entre6 m et 550m. ll s'agitde stationssitu6es SeptstationsGMONont 6t6 utilisdes commer6f6rence additionnelle. dans le bassinversantdes Cascades.Les stationssont 6quip6esde capteurgammaGMON pour (GammaMONitor)de CampbellScientific /nc. (http://wrryw.campbellsci.com/qmon3-article) le suivien tempsr6elde l'6quivalent en eaude la neige.Le capteurmesurela transmission de la en eau de la neige radiationgammanaturelle d traversdu couvertnivalet il donnel'6quivalent et al., 2008).Les sur une surfacede 100m' pour un comptenum6riquede 24h (Choquette 15 puisque observations des GMON sont plus repr6sentatives des conditionsenvironnantes install6sen sous-boisavecun am6nagement trds peu perturb6.Les stationsm6t6orologiques sontg6n6ralement install6es sur des sitesd6gag6squi danscertainscassonttrdsdiff6rents des (Chokmani zonesenvironnantes ef a/.,2006b).Ellessont6quip6esde la technologie SR50de permettant CampbellScientific /nc.(www.campbellsci.ca), acoustique de mesurer un instrument l'6paisseur de neigeau sol. lls doivent6tre install6ssur une baseen b6tonpours'assurerde (Brown conserver unedistanceconstante entreI'instrument de mesureet le niveaude r6f6rence et a|.,2008).Cettenormed'installation la neigedisparaitplus faiten sorteque malheureusement rapidement sur la dallede b6tonalorsque la couverture nivaleest encorepr6sentedans les environs(DeSdve, comm.pers.,2012). Occupaton du rol I- f ora a! conltanr.lu nord l- rora rt. conitacr de rud E Forar d. roiuur I- ,o.at m irt. d. conir&.r f orar 6rrb I Forat m irt d. ld illsr Brilar Foril Ianar rr. trn r.lren r.burliF h0nitar al |rbc ilal f oend.a Iouoatr! rrburliF.l tocnd.r de l,chor da lichml d'ha'tacaar Sol ns l.o s|qu. l.{.icu||0r. .l bolrarl Yorrqua lrg.icuiu.r al uftrinl Figure 3-1.Occupationdu sol du Qu6bec-Labradoret localisationdes stations m6t6orologiqueset GMON utilis6esdans la validationde I'algorithmede cartographiedu couvert nival. Les informationsconcernantles deux r6seauxde stations sont consign6esdans le Tableau3-1. L'encadr6est un agrandissementde la 169ion du bassin des Gascades. 16 Tableau 3-1. Liste des stations m6t6orologiques et GMON. No. Station Source' Coordonn6es**f (latitude,longitude) Altitude.-t (m) P6riode Type de couverte zone Occupationdu sol*"* 1 Wright EC 76"03'00"O 46"04',00"N, 141,7 1988-201 3 2 Belleterre EC 78' 42', 47"23'00"N, 00"O 321,6 1988-2004 Forestidre ForCtmixte Forestidre For€tde feuillus 3 Taschereau EC 48'40'00"N, 78"42',00"O 310,0 1988-2004 Forestidre For6t de conifdresdu nord 4 Bromptonville EC 45"29'00"N. 71'57'00"O 130,0 198&2013 Ouverte 5 La Tuque EC 72' 47', 47'24'00"N, OO" O 152,0 1988-2004 Forestidre For6t mixte 6 St-Urbain EC 70'33'00"O 47'34',00"N, 91,4 7 Bagotuille EC 48'20'00"N, 71'00'00"o 159,1 1988-201 3 I Hemon EC 49'04'00"N, 72"36'OO" O 182,9 1988-2004 Forestidre For6t de transitionarbustive 9 Chapais EC 49'47'00"N, 74"51'00"O 396,2 198&2004 Forestidre For6t de transitionarbustive 10 Causapscal EC 48"22'00"N, 67"14',00"O 168,0 1988-201 3 11 Bonnard EC La-Grande-Rividre EC 506,0 194,8 198&2000 Forestidre For6t de transitionarbustive 12 71'03'00"O 50"44'00"N, 53"38'00"N,77" 42',00"O 13 Kuujjuarapik EC 55'17'00"N,77"45',00"O 10,4 Mosaique(agricultureet bois6s) 1988-2004 Forestidre For6t mixtede feuillus Ouverte Ouverte Agriculture MosaiQue(bois6s et agriculture) 198&2013 Ouverte Toundraarbustiveet lichens 1988-2013 Ouverte Toundrade lichens 14 Rividre-au-Tonnerre EC 64'47',00"O 50"17',00"N, 15.2 1988-201 3 Ouverte Terres humides et arbustes 15 Natashquan EC 10,7 1988-201 3 Ouverte Toundraarbustiveet lichens 16 WabushLake EC 61'48'00"O 50'11'00"N, 52'55'38"N, 66"52', 27"O 551,1 1988-201 3 Ouverte Terres humideset arbustes 17 Blanc-Sablon EC 57'11',00"O 51'27'00"N, 36,9 1988-201 3 Ouverte Toundraarbustiveet lichens 18 Goose EC 53'19'00"N,60'25'00"O 48,8 1988-201 3 Ouverte Toundraarbustiveet lichens 19 Makkovik EC 59"11'19"O 55'04',56"N, 69,5 1988-2005 Ouverte Toundrad'herbac6es 61"41'00"O 56'33',00"N, 1988-201 3 Toundrade lichens 6,7 20 Nain EC 21 Shawinigan HQ n/d n/d 2007-2013 Ouverte Ouverte 22 Matawin HQ n/d n/d 2007-2013 Forestiere For6t mixte 23 Flamand HQ n/d n/d 2007-2013 Forestidre For€t de conifdresdu sud 24 Rapide.Blanc HQ n/d n/d 2007-2013 Forestidre For€t mixte 25 Gouin HQ n/d n/d 2007-2013 Forestidre For6t mixte 26 La Loutre HQ n/d n/d 2007-2013 Forestidre For6t de transitionarbustive 27 Cooper HQ n/d n/d 2007-2013 Forestidre For6t de transitionarbustive Urbain * EC : Environnement Canada,HQ : Hydro-Qu6bec. (#1-20)ont 6t6 extraitesdes < donn6es et I'altitudedes stationsm6t6orologiques "* Les coordonnees climatiques en ligne> d'Environnement Canada(http://vwvw.climat.meteo.qc.calclimateData/canada f.html, dernidreconsultation le 25 octobre2012). *** Lescategories d'occupation du sol ont ete extraitesdu LandCover95 6tablipar le CentreCanadiende (ftp.ccrs.nrcan.sc.caladlEMS/landcover95, le 25 octobre2012). T6l6d6tection dernidre consultation les stationsGMON(#21-27)sontconfidentielles. f Lesdonn6esconcernant 17 3.2 lmageriesatellitaireNOAA-AVHRR 3.2.1 Description du capteurNOAA-AVHRR Le capteurAVHRRest un capteuroptiqueembarqu6 de la NOAA.Depuis d borddes satellites 1979,il fournitla pluslongues6riehistorique ce qui de qualit6constante, d'imagesquotidiennes en fait un capteurappropri6pour les 6tudesde suivi de l'6tat de la surfaceterrestre(NOAA, 1998,NOM, 2007} ll s'agitd'un radiomdtre A miroirrotatifmesurantle rayonnement 6lectromagn6tique danscinq r6gionsspectrales allantdu visibled I'infrarouge thermique(Tableau3-2).Grdced son anglede balayagede t55,4o,il couvreune importante spatiale scdnede 2700 km avec une r6solution nominalede 1,1km x 1,1km au nadir(NOAA,1998,NOAA,2OO7). Lanc6en 1998,le capteur AVHRR/3se distinguedu pr6c6dentpar la pr6senced'unesixidmebandespectrale: la bandede pm).La particularit6 l'infrarouge est i ondescourtes(SWIR: 1,58-1,64 de cettebandespectrale qu'ellepermetunemeilleure discrimination entrela neigeet un certaintypede nuages.En effet, danscetteportiondu spectre6lectromagn6tique, la r6flectance de la neigeest d son minimum (<10%)tandisquecelledesnuagesestd sonmaximum (>40%)(Jensen,2007). pm) ne Les canauxde I'infrarouge moyen(MlR: 3,55-3,93 d ondes courteset I'infrarouge peuvent6tretransmisen m6metempspar les satellites AVHRR-KLM. La NOAApeutoffrirun produitcomp6titif d ses usagerspar I'activation de I'unde ces canaux;par exemple,le canalde I'infrarouge moyenpermetde mesurerl'6nergie6misepar les surfacesterrestres(feuxde for6t) durantla nuit.De ce fait,deuxversionsde l'algorithme du couvertnivalont 6te de cartographie d6velopp6es afinde tenircomptede cettealternance dansle canal3. La des bandesspectrales premidreversionest adapt6ed la bandede l'infrarouge moyen(c'estla plusfr6quentedansles imagesAVHRR-KLM) et la seconded la bandede l'infrarouge d ondescourtes.Nous les d6signerons dor6navant comme6tantles versionsbande38 (MlR)et bande34 (SWIR)dansle texte. 18 Tableau3-2.Caract6ristiques spatialeset spectralesdu capteurNOAA-AVHRR. Paramitres spatiaux Angle de balayage 155,4' Champ balay6 2700km R6solutionspatiale 1 , 1x 1 , 1k m a u n a d i r 2,4 x6,9 km d la limitedu champbalay6 Capteur AVHRR/2(ancienne 96n6ration) NOAA-e(F) NOM-11(H) NOAA-12(D) NOAA-14(J) Lancement 1984 1988 1991 1994 Hors-service 1988 1995 1998 op6rationnel Satellites Paramdtres spectraux 1 2 Rouge Proche Infrarouge Infrarouge Infrarouge infrarouge moyen thermique thermique 0,725-1,00 3,55-3,93 10,3-11,3 11,5-12,5 Canal R6gion spectrale 3 4 5 Bande spectrale(pm) 0,58-0,68 Capteur AVHRR/3(nouvelle g6n6ration) NOAA-15(K) NOAA-16(L) (M) NOAA-17 (N) NOAA-18 NOM-1e(P) Lancement 1998 2000 2002 2005 2009 Hors-service op6rationnel op6rationnel 2013 Satellites op6rationnel op6rationnel Paramitres spectraux Canal R6gion 4 5 1 2 3A 3B Rouge Proche Infrarouged Infrarouge Infrarouge Infrarouge moyen infrarouge ondes courtes thermique thermique (vrs) (PrR) (swlR) (MrR) (tR) (tR) 0,58-0,68 0,725-1,00 1,58-1,64 3,55-3,93 1 0 , 3 - 1, 31 spectrale Bande spectrale(pm) 19 11,5-12,5 dans les directement La r6flectance dans la bande3 (infrarouge moyen)n'estpas disponible donn6esAVHRR.En fait, le rayonnement mesur6par le capteurdanscetter6gionspectraleest compos6,durantle jour,du rayonnement solairer6flechipar la surfaceterrestreet de l'6nergie 6misepar la terre). de l'6nergie 6misepar celle-ci(durantla nuit,elleest compos6e uniquement Certainsauteurs(Gesell,1989, Allen et al., 1990) ont propos6une m6thodeindirecte de brillance dansla bande d'estimation de la r6flectance dansla bande3 utilisantla temp6rature pourestimerl'6nergie 4 (infrarouge thermique) 6misepar la surfaceterrestredansla bande3 et la soustraireensuitepar l'6nergiemesur6epar le capteurdanscettebande.Kangaset al. (2001) ont propos6une autrem6thoded'estimation dans la bande3. Elle consiste de la r6flectance plut6t d utiliser la diff6rencede temp6ratureentre ces deux bandes (T3-T4) comme une ( mesure> de la r6flectancedans l'infrarougemoyen.C'est cette m6thodeque nous avons adopt6et appliqu6dans la pr6sente6tude (Chokmaniet al., 2006b).Ce calculn'est pas 6tantdonn6 n6cessaire en pr6sencede la bandede I'infrarouge d ondescourtes(AVHRR-KLM) qu'ellecontientseulementde l'6nergiesolairer6fl6chieet il est par cons6quentpossiblede calculerla r6flectance de la surfacedanscettebande. pour le suividu couvertnival 3.2.2 S6riehistoriqued'imagesquotidiennes (1988e 2U 1) en formatHRPTa et6 collig6epourle Unes6riehistorique d'imagesquotidiennes suivi de l'6tenduespatialede la couverturenivaleau Qu6bec-Labrador durantles phases critiquesdu cyclehydrologique. L'6tablissement du couvertnivald l'automnese produitvers le 15octobredanslesr6gionssubarctiques et le 15 decembre dansles r6gionsdu suddu Qu6bec. La fonteprintanidre se produithabituellement vers le 1'"'avrildansles rEgionsdu sud et le 15 juin dansles r6gionssubarctiques historiques, (Brown,2010).Comptetenude ces statistiques les imagesNOAA-AVHRR du 1i"'octobreau 31 d6cembreainsique du 16 marsau 31 mai de chaqueann6eont 6t6 retenuesd cet effet (Tableau3-3). Ces p6riodespermettentde suivre l'6volution temporelle de la zoned'6tude. de l'6tenduespatialedu couvertnivalsur I'ensemble au-deld L'algorithme de classification des imagesNOAA-AVHRR n'esttoutefoispas applicable que la neigeest d son 6tenduemaximale de janvierd la mi-marset de ces dates.On considdre qu'elleest absentedejuind septembre (d I'exception Les et subarctiques). desbassinsarctiques seuilsdevront6tre r6-6talonn6s si on souhaite6tendrela p6riodede suividu couvertnival.ll est pertinentde mentionner que les seuilsfont r6f6rence permettant la aux fonctionspolynomiales lls sontau nombrede six d6tectiondes cat6gories de surfacessur les imagesNOAA-AVHRR. (voir$3.3). dansnotrealgorithme 20 Tableau3-3.Nombred'imagesinclusesdansla s6riehistorique. Versionde l'algorithme Automne Printemps Bande38 1824 1354 Bande3A 369 333 Total 2193 1687 P6riodevis6e 198842011 2000a 2011 puisqu'elles Les imagesdu d6butde I'aprds-midi ont 6t6 privil6gi6es sont moinssensiblesaux par des variationsdans les conditionsd'illumination qui se manifestent effetstopographiques (Voigtet a|.,1999).L'heured'acquisition des imagesest compriseentre11het 15h.Lesimages avec la bandede l'infrarouge d ondes courtes(bande3A) sont acquisesplus tOt le matin comparativement d cellesavecla bandede I'infrarouge moyen(bande3B).Lessatellites avecla du Qu6becet du Labrador bande3A activ6epassentau-dessus entre1t h et 13het ceuxavecla bande38 activ6e,entre13h et 15h.Les duosd'images34 et 38 ont 6t6 command6s lorsque possible.Le delaidans I'heurede passagedes satellitescontribueA une variationentre les La temp6rature de brillancede la neigesur conditions d'illumination du matinet de I'aprds-midi. les imagesavec la bande3A est plusfroide(de 1"C a 3"C) que cellesur les imagesavec la quecet bande38 6tantdonn6qu'elten'a pasencoreeu le tempsde se r6chauffer. On considdre 6cart de temp6ratureentre le matinet I'aprds-midi est suffisantpour affecterle r6sultatde la ont6t6d6velopp6es afinde prendreen compte cartographie. Ainsi,deuxversionsde I'algorithme de I'effetdesconditions entrelesimagesavecla bande38 et 3A. d'illumination 3.2.3 Pr6traitemenfs des imagesNOAA-AVHRR Les 3880 imagesde la s6riehistoriqueont 6t6 trait6esavecle systdmeEarthObservation Data (Latifovicet a|.,2005).ll s'agitd'unsystdmeautomatique Manager-Near RealTime(EODM-NRT) g6om6trique par le de calibration radiom6trique et de correction des imagesAVHRR,d6velopp6 permetde transformerles CentreCanadiende T6l6d6tection. La calibrationradiom6trique donn6esbrutesfourniespar le capteuren paramdtresphysiquesen tenantcomptede la d6gradation du signaldurantla vie activedu capteur(Raoef a/., 1995).Les donn6esdans le visibleet I'infrarouge d ondescourtes(canaux1, 2 et 3A) sontconverties en alb6do(A1,A2 et A3). Les donn6esdansle moyeninfrarouge thermique(canaux38, 4 et 5) sont et I'infrarouge 21 de brillance(T3, T4 et T5). Cetteop6rationpermetde comparerles convertiesen temperature du diff6rentes donn6esd I'int6rieur d'unem6meimageainsique cellesde datesd'acquisition consisted r6duire m6mecapteurou de capteursde diff6rentes s6ries.La correctiong6om6trique les d6formations spatiales dansles images(duesd la courburede la tene et au positionnement du satellite)et de les rattacherd un systdmede projectionusuelen se bas'antsur une s6riede points d'appui au sol. Le systdmeEODM-NRTeffectued'abordles correctionsd'orbitedu NORAD-TLE TBUS1oudes 6ph6m6rides d I'aidedes bulletins satelliteet de I'orbiteterre-soleil (www.space-track.oro). de I'imagepar uneproc6dure ll am6lioreensuitela qualit6du g6ocodage de corr6lationd'imagettes(chp-matching). Cette6tapeconsistei comparerI'imageavec une AVHRRd cielclairde taille64 pixelsx 64 pixelsd'616et d'hiver s6riede milliersde sous-images repr6sentant diff6rentescaract6ristiques du paysage(par exempletraitde c6te,contourde lacs et dans le norddes Etats-Unis, au Canada,en Alaska,au Groenland et de rividres),r6parties Les imagesainsitrait6esavecle sur le terrainsontconnuesavecpr6cision. dont les positions coniqueconforme systdmeEODM-NRT ont une r6solution spatialeau sol de 1 km en projection aux autresmissions(par exemple, de Lambert.Ellessontde qualit6constanteet comparable Environ25%des imagesn'ontpu 6tre MODIS,VEGETATION et MERIS)(Latifovic et a1.,2005). en raisonde la persistance desnuages. corrig6es automatiquement de sontaffect6espar les constituantes Lesdonn6esNOAA-AVHRR dans le visibleet I'infrarouge (H2O,Og,COzet les a6rosols).La correctiondes effetsatmosph6riques requiert I'atmosphdre pressionet temp6rature (composition, de I'atmosphdre) des donn6esde profilsatmosph6riques pas de nousne disposons obtenuesau momentde I'acquisition de l'image.Malheureusement, standardsne ferait qu'alourdirla telles donn6eset I'utilisation de profilsatmosph6riques proc6dure des imagessanspourautantque le gainen pr6cisionsoit6vident. de pr6traitement 6tudes(Gesell,1989,Voigtet les proc6dures D'ailleurs, de d6tection de la neigede nombreuses au desdonn6es Appelet a1.,2003) utilisent Ananasso et a1.,2003, al.,1999,Kangaset a1.,2001, affect6epour sommetde l'atmosphdre sansque la qualit6des r6sultatsn'en soit grandement les imagesNOAA-AVHRR utilis6esici n'ont subi aucunecorrection autant.Par cons6quent, (Chokmani et a/.,2006b). atmosph6rique t Les bulletins TBUS sont archiv6s sur le site FTP du Centre Canadien de T6l6d6tection (ftp.ccrs.nrcan.qc.ca) et de l'Universit6 de Tokyo(fto://ftp.tkl.iis.utokvo.ac,ip/oub/TBUS). 22 3.3 Etalonnage de I'algorithme classique 3.3.1 D€finitionde I'algorithme parVoigt L'algorithme de classification des imagesNOAA-AVHRR est inspir6de celuid6veloppe et al. (1999).ll est congupourdistinguer troiscat6gories de surface: la neige,la non-neige et les nuages.L'algorithmeest constitu6d'une combinaisonde six seuils s6quentielsdont les paramdtres de seuils6voluenten fonctiondu jour de la saison.Les critdresde d6tectiondes cat6gories de surfacesont 6t6 organis6s de sorted appliquerles seuilsles moinsrestrictifs en premier(la temp6rature) et les pluss6vdresen dernier(la r6flectance dansle visible).Un pixel qui r6ussitd passerd traverstouslesseuilsestalorsclass6commeneige,sinonil est cat6goris6 commenon-neige ou nuages. La Figure3-2 pr6senteI'algorithme de classification des imagesAVHRRadapt6d la s6rieKLM. A gauchese trouvela proc6dure sp6cifique d la versionbande38. Chaquepixelde I'imageest test6selonles critdressuivants: Seuil1 Le pixeldoit avoirune valeurde temp6rature dans la bande4 (T4) inf6rieure d la maximaleque pourraitavoir la neige.Sinon,le pixelest cat6goris6 temp6rature (pluschaudquela neige); commenon-neige Seuil2 Le pixeldoit avoirune valeurde temp6rature dansla bande4 (T4)sup6rieure d la temp6ratureminimaleque po{.Jrrait avoir la neige.Sinon,le pixel est cat6goris6 commenuages(plusfroidquela neige); Seuil3 Le pixel doit avoir une diff6rencede temp6ratureentre les bandes4 et 5 (AT45) inf6rieure d celledesvoilesnuageux(lescirrus).Sinon,le pixelest cat6goris6 comme nuages; Seuil4 (NDVI=(A1-A2)/(A1+A2)) Le pixeldoit avoir un indicede v6g6tation normalis6 inf6rieurau maximumque pourraitavoir la neige.Sinon,le pixel est cat6goris6 Lesvaleursde NDVIvariententre-1 et +1. La neigepr6sentedes commenon-neige. valeursn6gatives de NDVIou de faiblesvaleurspositives; 23 Seuil5 : Le pixel doit avoir une diff6rencede temp6ratureentre les bandes3 et 4 (AT34) inf6rieured la valeur maximaleque pourraitavoir la neige.Sinon,le pixel est de la moyen,la r6flectance cat6goris6 commenuages.Dansla bandede I'infrarouge plusbassequecelledesnuages,ce qui se traduitparunevaleur neigeest beaucoup 6lev6ede AT34pourlesnuages; Seuil6 : d la Le pixeldoit avoirune valeurde r6flectance dans la bande1 (A1) sup6rieure valeurminimaled'alb6doque pourraitavoirla neige.Sinon,le pixelest cat6goris6 aux autres le visiblesup6rieur La neigepossddeun alb6do.dans commenon-neige. surfaces. A droitese trouvela procdduresp6cifiqued la versionbande3A. Elleest identiqued celled6crite parA3. pr6c6demment d I'exception du cinquidme seuiloirAT34est remplac6 Seuil5 : d la Le pixeldoit avoir une valeurde r6flectance dans la bande3 (A3) inf6rieure valeurmaximaled'alb6doque pourraitavoirla neige.Sinon,le pixelest cat6goris6 commenuages. PIXEL NON T4< T,*nax --.-a..t )ur J p ltoN /aros.\ itotl NUAGE {?> cur I -d> NON NON+{EIGE {y2 )ur J NON NUAGE {*? )ut ,,|/ NON <2 NON.I{EIGE )ur I (a) (b) NEIGE Figure 3-2. Algorithme de classification adapt6 i la s6rie AVHRR-KLM : (a) bande 38 (MlR) et (b) bande 3A (swrR). 24 3.3.2 Proc6dured'6talonnage En vue d'6talonner I'algorithme de cartographie du couvertnival,une s6lectionde 700 imagesd cielclaircouvranttoutela p6rioded'6tudea 6t6 retenuepourle suivide l'6volution de l'6tatdu (Tableau couvertnival,d I'automne et au printemps 3-4). Tableau 34. Nombre d'images retenues pour l'6talonnage de I'algorithme. Versionde I'algorithme Printemps Automne P6riodevis6e Bande38 272 187 1988a 2011 Bande3A 160 81 2000d2011 Total 432 268 et de nuagespr6sentssur les imagesont 6t6 Des6chantillons de pixelsde neige,de non-neige (selonles connaissances identifi6svisuellement de I'observateur) et d6limit6smanuellement La d6limitation dans le systdmeGeomatica des pixelsa 6t6 de PCI (www.pciqeomatic6.com). la phased'6talonnage. faitepar surfaceau lieud'uneapprochepixelpar pixelafin d'acc6l6rer partoutsur le territoire Les6chantillons d'6tudeafinde tenircomptede de pixelsse r6partissent et la diversit6des paramdtresradiom6triques de la neige et de la non-neige(temp6rature propresauxdiff6rentes Les6chantillons r6flectance) occupations du sol au Qu6bec-Labrador. de pixelsainsiacquispourchacunedes cat6gories de surfaceont 6t6 compil6sdansune basede et i sa validation. Les lignesde la basede donn6esconsacr6ed l'6talonnage de I'algorithme La donn6esont 6t6 permut6es de manidreal6atoirepour r6duireles biaisd'6chantillonnage. premidremoitiedespixelsa 6t6 consacr6e pourl'6talonnage de I'algorithme et I'autremoiti6d sa validation. des donn6esradiom6triques Les seuilsde I'algorithme ont 6t6 calcul6sd partirdes percentiles (T4,4T45, NDVI,4T34,A3 et Al ) des pixelsde neigeconsacr6sd l'6talonnage. Ainsi,le 99" percentiledes pixelsde neige correspondau premierseuil (T4."") et le 1i"' percentileau utilis6spourles autresseuils.Seul deuxidmeseuil(T4n,';n). Le Tableau3-5 donneles percentiles despercentiles a 6t6 omise le seuilAT4Sutiliseunevaleurde seuilconstante de 2'K. L'utilisation pource seuil6tantdonn6que le AT45de la neigeest invariantdans le tempspoursupporter pourla d6tection des l'utilisation d'unseuil6volutif.Unevaleurde 2"K est alorsplusappropri6e (95"et 99")et inf6rieurs (1'"')permettent sup6rieurs nuages(Voigtet a\.,1999).Les percentiles 25 pourraient 6tresemblables d d'6liminerles pixelsde neigedont les paramdtres radiom6triques ceux de la non-neigeou des nuages.Ces pixelsde neigeont 6te exclusau profitde ces de surface. Telqu'ila 6t6congu,l'algorithme de la neige. cat6gories ests6vdred l'endroit Tableau3-5.Percentilesutilis6sdans les seuilsde l'algorithme. Percentile Seuil T4^ * gg" T4rin l ler NDVlra" gg" aT34ma, A3r"" 95" gg" Al tin l ier Tout La Figure3-3 montreun exemplede calculavec les seuilsT4,"" et T4min du printemps. de d'abordla saisonest d6coup6e en intervalles 169uliers de 14jours.Ensuite,le 99" percentile avec la T4 des 6chantillons al6atoires de pixelsde neigeest calcul6d partirde 1000r6p6titions La valeurainsi remisesur les deuxtiersdes observations de neigepr6sentes dansI'intervalle. obtenueest attribu6eau jour juliendu centrede l'intervalle. La proc6durede calculdu 99" percentileest r6p6t6epour les intervalles d I'ajustement suivants.Le seuilT4^ ^ correspond de d'unefonctionpolynomiale du seconddegr6passantpar ces points.Tous les 6chantillons pixelsde neigedontla T4 est sup6rieure (6puration des au seuilsontretir6sdu jeu d'6talonnage donn6es)avantde proc6derau calculdu seuilT4.in.Pour le deuxidmeseuil,la saisonest d6coup6een intervalles r6guliersde 14 jours.Le 1'"'percentile de de la T4 des 6chantillons pixelsde neige6pur6sestcalcul6d partirde 1000r6p6titions avecremisesur lesdeux al6atoires pr6sentesdans I'intervalle. tiers des observations La valeurainsiobtenueest attribu6eau jour juliendu centrede I'intervalle. La proc6durede calculdu 1'"' percentile est r6p6t6epour les intervalles du suivants.Le seuil T46ipcorr€spondd I'ajustement d'une fonctionpolynomiale seconddegr6passantpar ces points.Tous les 6chantillons de pixelsde neigedont la T4 est (epuration inf6rieure au au seuilsontretir6sdu jeu d'6talonnage desdonn6es) avantde proc6der calculdu seuilsuivant.Cetteproc6dure de calculest r6p6t6epourle calculdesseuils3 a 6. 26 300 2S0 + Cowbes tr\iH:, 280 .E zo 278 Y , -/ E (seuils en toncton deJ) o E F e lnEMllc ----). de t4joure JoursJdicm r500 r500 E rooo I rooo 9 E 5oo $ soo T4 enKeMns ?50 300 T4 en KsMns 0 250 300 T4 enlcMns 2ou 3U) T4 cn KeMns 0 T4 en KsMns 250 300 T4 cn KeMns Figure 3-3. Proc6dure de calcul des seuils T4'na'et T4.rn du printemps. Dansle cas oft la fonctionpolynomiale du seconddegren'estpas statistiquement significative d un niveaude confiance de 95%,on utiliseplut6tun seuilconstant(fixe): le percentile est calcul6 sur I'ensemble de la saison.Les valeursde seuilsdes algorithmes sont consign6es dans la Figure4-1et I'Annexe ll. Lesseuilsempiriques de l'algorithme satellitaire de suividu couvertnivalrepr6sentent I'ensemble desconditions d'occupation pourla p6riode1988 du solet m6t6orologiques du Qu6bec-Labrador e 2U 1. Aucunedistinction n'a 6t6 faiteentrelesclassesd'occupation du sol lorsde l'6talonnage desseuils. 3.4 Adaptationde I'algorithmei I'approched'estimationd'ensemble 3.4.1 Cadretheorique L'estimation d'ensemble est un systdmed'aided la prisede d6cisionen se basantsur plusieurs sourcesde connaissances et sur l'avisde plusieurs experts.Biensouvent,sansle savoir,nous utilisonsI'estimation d'ensembledans la vie de tous les jours: nous consultonsplusieurs 27 pourobtenirun bon diagnostic notre6tat de sant6,ou nous m6decins-sp6cialistes concernant d'ensemble un achat.L'estimation lisonslescommentaires desconsommateurs avantd'effectuer du r6sultatde plusieurs est pr6f6rable dansla prisede d6cision6tantdonn6que la combinaison (ou experts)permetde r6duirele risqueinfortun6 de de choisirun classificateur classificateurs que plusperformante performance parla moyennen'estpasforc6ment m6diocre. La pond6ration le risquede prendre le meilleurdes classificateurs de I'ensemble, maiselle r6duitcertainement que nous tenons statistique une mauvaised6cision.C'est d'ailleurspour cette consid6ration 2006). comptede I'avisde plusieurs expertsafinde minimiser ce risque(Polikar, >. En effet,un probldme L'estimation d'ensemble tire sa forcedu principe< diviser-et-conqu6rir pourqu'unseulclassificateur puissele r6soudre d lui seul.Lafrontidre est souventtropcomplexe servantd d6limiterla classed'appartenance des objetsest tout autantcomplexed caract6riser. Pour s'affranchirde cette complexit6,mieux vaut utiliser une combinaisonvari6e de pour6tablirl'emplacement de classificateurs, chacuncorrespondant d une partitionde I'espace, dans I'espacecommundes la frontidrede d6cision(Kuncheva, 2004).Les donn6espr6sentes dansles Lesdonn6espr6sentes classificateurs sontalorsattribu6es d la classed'appartenance. d l'uneou d I'autredes classes zonesde chevauchement, c'est-d-dire cellespouvantappartenir d'appartenance des classificateurs consid6r6s, sont attribu6esd une classed'appartenance La Figure3-4 illustrele concept selonune pond6ration bas6esur I'ensemble desclassificateurs. (Polikar, 2006). de la combinaison desclassificateurs d'ensemble dansI'estimation |.d.*@ E I C6Er[Sa6tur*tft 6turSCrdft tffi4or. Figure 3-4. Combinaisonde classificateurspour 6tablir la frontiCreentre les classes d'appartenancedans I'estimationd'ensemble(Polikar(2006)). 28 possddent Les systdmesd'estimation d'ensemble deuxcomposantes. D'abordune strat6gieest pourconstruire que possible.Parmi n6cessaire un ensemblede classificateurs aussidiversifi6 (bagging)(Breiman,1996),le boosfinget ses variantes les plus populaires sont I'ensachage (Adaboost)(Schapire,1990, Freund et al., 1997), la g6n6ralisationempil6e (stacked generalization) (Wolpert,1992) (Jacobset al., ainsiquele m6langed'experts(mixture-of-experts) pour combinerle 1991,Jordanet al., 1994).Ensuite,une deuxidmestrat6gieest n6cessaire par unes6riede rdglesalg6briques, r6sultatdesclassificateurs de l'ensemble, de sorted ce que (Polikar, lesbonnesd6cisions soientprioris6es et lesmoinsbonnesminimis6es 2006). 3.4.2 Cr6ationde l'ensemble La diversit6des classificateurs de I'ensemble a 6t6 cr66ed partirde la m6thoded'ensachage (baggingou bootstrapping). ll s'agitde la m6thodela plus intuitiveet la plusfaciled implanter, (Breiman,1996,Polikar,2006).Lesparamdtres par avecune performance 6tonnante concern6s la m6thoded'ensachage sont: la valeurdu percentile des seuils,le nombrede pointscontenus dansla fonctionpolynomiale du seconddegr6exprimant la variationdu percentile en fonctiondu jourde la saisonainsique lesdonn6esd'6talonnage. Les seuilsde I'algorithme classiqueont 6t6 calcul6sd partirdes percentiles des donn6es radiom6triques des pixelsde neige.Ainsi,le 99" percentile de la temp6rature des pixelsde neige ($3.3.2).ll y a correspond au premierseuil(T4.,,,",) et le 1i"'percentile au deuxidmeseuil(T4,.,.';n) pourg6n6rerla diversit6 cinqmoddlesde percentiles dansl'algorithme d'estimation d'ensemble et ce, d partirdes 6chantillons de pixelsde neiger6serv6spour l'6talonnage. Le Tableau3-6 indiquequelssontles percentiles utilis6spar chacunde ces moddles.Cesmoddlessontplusou moinss6vdresd I'endroitde la neigepar le percentileutilis6pour s6parerles cat6gories de surfaces.Lesvaleursdes 99" et 1'"'percentiles de la T4 sontutilis6espourd6partager la neige de la non-neigeet des nuages(commedans I'algorithme classique). Le moddle5 est le plus s6vdre.Lesvaleursdes 95" et 5" percentiles de la T4 sontutilis6espourd6partager la neigede la non-neigeet des nuages.Ainsi,tous les pixelsde neigedont la T4 est sup6rieure au 95" percentile ou inf6rieure sontexclusau profitdes autrescat6gories au 5" percentile de surfaces. Les moddles2, 3 et 4 sontdes moddlesinterm6diaires de d6tectionde la neige.Par ailleurs, chacunde ces moddlesont une probabilit6 6quiprobable d'6trechoisispar la fonctionobjective de cr6ationde la diversit6 de l'ensemble. 29 Tableau 3-6. Moddles de percentiles pour g6n6rer la diversit6 dans les seuils de d6tection des cat6gories de surfaces dans l'algorithme d'estimation d'ensemble. Moddle 1 Moddle2 Moddle3 Moddle4 Moddle5 gg" gg" 97" g6' 95" T4rnin 1.er 4" 5" NDVlra* 2" gg" 3" gg" 97" 96" 95" aT34m"" gg" gg" 97" 96" A3r"" gg" gg" 97" 96" 95" g5" A1 .in laer 2" 3" 4" 5" Seuil T4'", des seuilsest 6galement La diversit6 cr66ed partirdu nombrede pointsinclusdansla fonction polynomiale de I'algorithme du seconddegr6lorsde I'ajustement des seuils.Pourl'6talonnage r6guliersde 14 jours($3.3.2).La les percentiles ont 6t6 calcul6ssur des intervalles classique, en intervalles r6guliers de 3, 5,7,9, 11 et 13 jours dans l'algorithme saisonest d6coup6e permetd'exprimer la complexit6 de l'6volution d'ensemble. Cettevariet6d'intervalles d'estimation de l'6tatdu couvertnivaldurantI'hiver.Parailleurs,chacunde ces pasde tempsont temporelle de de cr6ationde la diversit6 6quiprobable d'6trechoisispar la fonctionobjective uneprobabilite L'AnnexeI illustreI'effetdu d6placement et de la formedes seuilsque peuvent I'ensemble. de pixelsde neige induirelesmoddlesde percentiles et de pasde tempsd partirdes6chantillons r6serv6spourl'6talonnage. Un desseuilsest cr66ed partirdesdonn6esd'6talonnage de I'algorithme classique. La diversit6 parmiles 6chantillons est choisial6atoirement de pixelsde neiger6serv6spour sous-6chantillon Les de I'algorithme. l'6talonnage Sa taille6quivautaux deuxtiers des donn6esd'6talonnage. de cr6ationde la diversit6de sontpig6savecremisepar la fonctionobjective sous-dchantillons I'ensemble. d'ensemble sontcalcul6ssur un sousDonc,en r6sum6,les seuilsde I'algorithme d'estimation d'6talonnage d'aprdsun moddlede percentile et de pas de temps,choisiseux aussi 6chantillon parla m6thoded'ensachage (bootstrap). 30 des r6sultats 3.4.3 Combinaison Le processus de pigeal6atoireest qp6t6 a 100reprises.On g6ndreainsi100versions(ou 100 classique de de I'algorithme cartes)bas6essur la variational6atoiredes seuilsde classification d'unpixeld la spatialedu couvertnival.La probabilit6 d'appartenance cartographie de l'6tendue au nombrede fois qu'ila 6t6 identifl6commetel et nuagescorrespond classeneige,non-neige par I'algorithme Ainsi,un pixelpeutavoir6t6 identifi693 fois comme d'estimation d'ensemble. par I'algorithme d'ensemble. La d'estimation 6tantde la neigeet 37 foiscommede la non-neige (6tiquette) du pixel correspondd la classeayant regu le plus grand classed'appartenance (neige,non-neige d'appartenance nombrede votes.On obtientainsitroiscartesde probabilit6s et nuages)ainsiquede leurincertitude. 3.5 Validationde I'algorithme Un filtremodalde taille3 x 3 est appliqu6ensuitesur les cartesde neigede la s6riehistorique pour6liminerles pixelsisol6s.L'6valuation de cartographie du de I'algorithme de la performance couvertnival est faite par le biais des pixelsr6serv6spour la validationainsi que par les ponctuelles et GMON.On utilisele de neigeau sol aux stationsm6t6orologiques observations )) pourd6signerles r6sultatsde validationprovenantdes stations terme< validationr6gionale locale) pourd6signer du territoired'6tudeet < validation m6t6orologiques couvrantI'ensemble provenant desstationsGMONdu bassindesCascades. lesr6sultats de validation du couvertnivals'6valued I'aidede la matrice de cartographie La performance de l'algorithme parquatreparamdtres : le tauxde succdsde Ellese caract6rise d'erreur(matricede confusion). et le coefficient kappa.Le taux de I'erreurde commission la classification, I'erreurd'omission, au rapportdu nombrede sitesbienclass6sdansune cat6goriedonn6epar succdscorrespond L'erreurd'omission est la fractionde en question. rapportau nombretotalde sitesde la cat6gorie dans d'autres sites d'une cat6goriedonn6equi ont 6t6 faussementclass6par I'algorithme d d'autresclasses est la fractionde sitesappartenant classesde surface.L'erreurde commission kappa(r) en question.Le coefficient de surfaceet qui ont 6t6 attribu6spar erreurd la cat6gorie Les permetde juger de la qualit6de la classification ind6pendamment de l'6chantillonnage. valeursde r variententre0 et 1. Une valeurnullen'indiqueaucungain par rapportd une parfaite.Desvaleurssup6rieures d 0,40 classification al6atoireet la valeur1 d une classification acceptable. indiquent uneclassification kappa(r) est calcul6commesuit : Le coefficient K= N XLr xit - ET=rxt+* x+i N2-ZT=tx**x+i Oir r est le nombrede lignesdans la matricede confusioo,X1i€Stla valeurde la r" diagonalede la matricede confusior, Xi*€st le total de la ligne i de la matrice,X+i€st le total de la colonnei de la matriceet N repr6sentela taille totale de l'6chantillon(Stehmanet a/., 1998, Congaltonet al., 1999,Jensen,2005). 32 4. R6sultatset discussion d'un algorithme Ce chapitreconcerneles r6sultatsobtenusdans le cadredu d6veloppement satellitaire d seuils6volutifspour le suivide l'6tenduespatialedu couvertnivalau Qu6becLabrador.ll se diviseen deuxparties.La section4.1 pr6senteles r6sultatsen ce qui a traitd d'estimation l'algorithme de I'algorithme d I'approche classiqueet la section4.2 I'adaptation du printemps d'ensemble. Veuillezprendrenoteque seulela versionbande38 de l'algorithme est pr6sent6e dansle butd'all6gerle texte.Lesr6sultatsobtenuspourlesautresversionssont les concernantsont mentionn6sen consign6esen annexeet parfois,des commentaires momentopportundansle texte. 4.1 Algorithmeclassique 4.1.1 EtalonnagedesseurTs de l'algorithme graphique desseuilsde classification du La Figure4-1 donneles6quations et la repr6sentation printemps de l'6tendue de I'algorithme satellitaire de cartographie spatialedu couvertnival.Les et de sont sensiblesaux processusde m6tamorphose seuils empiriquesde I'algorithme m0rissementqui affectentles propri6t6sde r6flectanceet de diffusionde la neige. On fait de la neige,au r6f6renced la tailleet d la formedes grains,au contenuen eau, l'6paisseur la temp6rature, le contenuen glace,le givrede profondeur ainsique contenuen impuret6s, l'6tatde la surfacesousle couvertnival(Warren,1982,Painteret al., 1998,Kellyef a1.,2Q03, Dozieret a\.,2Q04, Fosteret a|.,2005,Rees,2006,Brownet a|.,2008,Painteret a|.,2Q09). (Figure4-1et Annexell) ont 6t6 lci,il fautse souvenirque les seuilsempiriques de I'algorithme (1988d2011)d'occupation du historiques du sol et m6t6orologiques calcul6ssur les conditions temporelle Deuxcomposantes sontinclusesdansles seuils.La composante Qu6bec-Labrador. qui tientcomptede l'6volution temporelle de la neigeau coursde la la composante temporelle qui tientcomptede la migration du frontde neige latitudinale saisonhivernale, et la composante (avancement L'effet et retraitdu sudversle nordau printemps). du nordversle sudd I'automne ne sont pas font en sorteque certainsseuilsde I'algorithme combin6de ces composantes 33 des seuils 6volutifsen fonctiondu jour de la saison.Voici un bref apergudes caract6ristiques nousnousattendions auxquelles : et augmentation des 1 . Diminution des temp6ratures d I'automne maximales et minimales temp6ratures au printemps; 2 . Diminution du NDVIi l'automne du couvertnivalet augmentation avecl'6tablissement de du NDVIau printemps avecla disparition du couvertnivalet la repriseprogressive I'activit6 chlorophyllienne de la v6g6tation; de I'alb6dode la neigedans le visible,le procheinfrarouge et I'infrarouge 3 . Diminution moyenau coursde la saisonhivernale. Les temp6ratures maximaleet minimalede la neige (T4) augmententau printemps,avec plusdouces.La temp6rature I'arriv6e des temp6ratures maximalede la neigepassede 278"K (5"C)en marsd 286'K (13'C)en mai (Figure4-1).Le seuilT4,"* n'estpas significatif d cause du premierpoint: les 6chantillons de pixelsde neige pr6lev6ssur les imagesdes deux dernidressemainesdu mois de mars sont plus chaudsque les autres.ll peut s'agird'un probldmede sous-repr6sentation du Qu6becet du des r6gionsdu nord et du moyen-nord Labradorlors de l'6talonnagede I'algorithmea cause de la persistancedes nuages. L'augmentation de la temp6rature maximalede la neigeest n6anmoinspr6sentedans les par le fait que le couvertv6g6talcontribued la donn6es.La valeurde 282'K (9"C)s'explique temperature observ6edansles pixels.Lespixelsde neigepeuventdoncavoirunetemp6rature minimalede la neige sup6rieure au pointde fusionsur les imagesAVHRR.La temp6rature passede 249"K(-24"C)en marsa 268'K(-5"C)en mai(Figure4-1).L'6cartqui existeentreles courbesdu T4r", et du T4n1n s'estompeau printemps.Le couverlnivaldisparaitd'aborddans les r6gionsdu sud du Qu6becalorsqu'ilpersisteau nordet est plusfroid.C'estce contraste qui contribueaux premidresvaleursdes seuilset par cons6quent, latitudinal au grand6cart observ6entreT4r", et T4,;nau d6butde la saison.Au fur et d mesureque la saison6volue,le frontde neigese retirevers les r6gionsdu nord.La neigedes r6gionsarctiqueet subarctique devientde plusen pluschaude,et c'estcetteneigequi contribueaux valeursde temp6rature quecellede la maximale. La haussede la temp6rature minimale de la neigeest plusprononc6e temp6rature maximalepuisquela neigeconnaitde multiples6pisodesde redouxprintaniers. Les seuilsT4^"*et T4,inde I'algorithme : ils de I'automnesont le refletmiroirdu printemps plut6ten raisonde I'arriv6e plusfroides(Annexell). diminuent destemp6ratures 34 Seuil (enfonctiondu iouriulien) Equation Graohioue (1) a T4'", I c T4^ *=282,9521 t (2) T4rin T4,1n=-0,0037 .J'+ 1,1235.J+183,3844 I t t p-value=0,0076 (3) aT4sma, LT45^ r=2'11 n/d (4) NDVlr", NDVl,""-0,2495 c (5) aT34ra, x c AT34^^*=7,1524 E t (6) A1 rin A1 s6=-4,2320. 10-5.J2+0,0095.J-0,3740 p-value=0,0379 Figure 4-1. Valeurs des seuils de d6tection des cat6gories de surfaces sur les images AVHRR du printemps avec la bande 38. au printemps Pouruneoccupation du soldonn6eon peuts'attendre d ce que le NDVIaugmente dansle visible)et la la r6flectance avecla disparition du couvertnival(quia poureffetd'abaisser reprisede I'activit6 chlorophyllienne de la v6g6tation durantcettep6riodede l'ann6e.L'absence par le fait que les 6chantillons de pixelsde neige d'unetendancedansles donn6ess'explique utilis6spour l'6talonnage des seuilsde I'algorithme ont 6t6 prelevesdans plusieursclasses de pixels d'occupation du sol (Figure4-1). On pose commehypotheseque les 6chantillons bien tous les Vpes d'6talonnageet de validationprelev6ssur les images repr6sentent dansle sud du Qu6bec d'occupation du sol du Qu6bec-Labrador et que ce sontceuxlocalis6s qui contr6lentles valeursdu seuil du NDVI maximalde la neige dans cette versionde I'algorithme. ll est possibled'6treen pr6senced'unesous-repr6sentation de certainesclasses l'6cartde certains d'occupation du solpourdesjoursparticuliers de la saison,ce quiexpliquerait pointspar rapportau seuil.Une analyseplusapprofondie doit €tre des donn6esd'6talonnage faitepourconfirmer l'effetde I'occupation desseuilsde I'algorithme. du solsur lesparamdtres thermique et de I'infrarouge La diff6rence de temp6rature entrelesbandesdu moyeninfrarouge (AT34)est efficacepourla d6tectiondes nuagesde bassealtitudeform6sde gouttelettes d'eau. (3,7pm) comparativement d la Les nuages6mettentpeu d'6nergiedans le moyeninfrarouge (11pm).Ceciexplique alorsqu'ilsen 6mettentplusdansI'infrarouge surfaceterrestre thermique pourquoiles nuagesaffichentde fortesvaleursde AT34sur les imagesAVHRR(Allenet al., 1990).Etantdonn6qu'ils'agitd'uneapproximation de l'6nergierefl6chie(quiest obtenuepar d'6nergie aucunevaleurde AT34n'a 6t6 une diff6rence 6miseentredeuxbandesspectrales), jusqu'Apr6sentpouruned6tection propos6e efficacedes nuages.ll a 6t6 reconnupar plusieurs peuventavoir auteursque certainsnuages,commeles cirrus,les stratuset les stratocumulus, un AT34inf6rieur a 10"K (Derrienet al.,1993,Baumet al.,1999,Kangaset al.,2001).Le AT34 maximalde la neigeest non-6volutif au printemps(Figure4-1).On peut s'attendred ce que I'alb6dode la neigedansle moyeninfrarouge 6tantdonn6que les soitplusfaibleau printemps grainsde neigesontplusgros(3 mm)d cette6poquede I'ann6ecomparativement d I'automne (0,1mm),ce qui a poureffetde r6duirela r6flectance de la neige.La tailledes grainsde neige le ce qui peutexpliquer est la caract6ristique du couvertnivalla moinsspatialement consistante, seuilnon-6volutif. L'alb6dode la neigedansle visible(Al ) diminueau printemps en raisonde I'effetconjugu6du m0rissement et de la disparition du couvertnival.Aux moisde janvieret de f6vrier,le couvert Au fur et d nivalest relativement 6paiset continudansI'espace: il est alorsd son maximum. 36 (d partirde la mi-marspourles r6gionsdu sud du Qu6bec),il mesureque la saisonprogresse La tailledes grainsde neigeaugmentesousI'effetde la compaction subitune m6tamorphose. de chaleuravecI'airet le sol du couvertnivalet des ventset devientplusdense.Lestransferts et la fr6quence accruedes diurnedestemp6ratures interne.La fluctuation modifient sa structure le contenuen eau du couvertnival.Les grainsde d augmenter redouxprintaniers contribuent du couvert ce qui a poureffetde r6duirela r6flectance neigeont alorstendanced s'agglom6rer, provenant et la litidre desa6rosolsatmosph6riques nival.ll contientde plusen plusd'impuret6s, a poureffetde diminuerI'alb6dode la neigedans le visible. forestidre. Cettem6tamorphose C'estd'ailleurspourcetteraisonqu'ilest plusdifficilede d6tectersa pr6sencesur les images du couvertnivalse produittrdsrapidement, satellitaires, en plusdu faitque la fonteprintanidre exprimercettetendance.ll Le seuil41.;ndevraitnormalement en quelquesjours seulement. I'alb6do passede 0,16en marsa 0,10en mai (Figure4-1).Les valeursdu seuilrepr6sentent dansle sud du Qu6bec,ld oi le couvertv6g6tala des6chantillons de pixelsde neigelocalis6s poureffetde r6duireI'alb6do De plus,le frontde neigedisparait de la neigede parsa pr6sence. d'aborddans le sud du Qu6becet migreensuitevers le nord.L'alb6dominimalde la neige devrait€treplus6lev6versla fin de la saisonpuisquele couvertnivalest encorepr6sentdans du des169ions de sous-repr6sentation le norddu Qu6bec.ll est possiblequ'ily ait un probldme doit6trefaitepour des donn6esd'6talonnage norddansle seuil.Uneanalyseplusapprofondie desseuilsde I'algorithme. du solsur lesparamdtres l'effetde I'occupation confirmer 4.1.2 Carfesde neige pourle suivi plusde 3000cartesquotidiennes a permisde produire L'algorithme ainsid6velopp6 du durantles p6riodestransitoires de l'6tenduespatialedu couvertnivalau Qu6bec-Labrador des de la p6riode1988e 2U1. Les Figure4-2 et Figure4-3 pr6sentent cyclehydrologique exemplesde cartesde neigeproduitespourla saisonhivernalede I'ann6e2010.L'algorithme de surfacesur les images.ll parvientd d6tecterla pr6sencede la d6tecteles troiscat6gories banquisedans la Baie d'Hudson,la Baie d'Ungavaet le long de la c6te du Labradorau de surfaces: il printemps se trompeentreles cat6gories (Figure4-2).X arriveque I'algorithme indiqueparfoisla pr6sencede neige ou de non-neigesur des massesnuageuses.Les et d recenserlestypes prochaines de I'algorithme sectionsvisentdoncd 6valuerla performance qu'ilpeutcommettre. d'erreurs 37 lmagebrute Sortiecartographique 22 mars2010 zeo 1 ' e ' a v r2 il010 $et 1 5m a i 2 0 1 0 L6gende I E E f + No-data Non-neige NuaBes Nei8e Limites administratives Stations mdtdorologiques Stations GMON Figure 4-2. Cartesde neige du printemps 2010. 38 + Sortiecartographique lmagebrute 4 octobre2010 1 1 n o v e m b r e2 0 1 0 7eo 28 d6cembre.2010 Ldrende I E E f + No-data Non-neige Nuages Neige Limites administratives Stations mdtdorologiques Stations GMoN 8g* Figure 4-3. Cartesde neige de l'automne2010. 39 .f,. + 4.1.3 Validation de I'algorithme avec les obseruations empiriques La Figure4-4 illustrele suivi de la classification des 6chantillons de pixelsde validationd chaquecat6gorie de surfacepar I'algorithme Ainsi,chaquelignecorrespond du printemps. d un seuilde I'algorithme, et les colonnes,aux 6chantillons de neige,de non-neige et de nuages r6serv6spourla validation respectivement. Lespixelsen vertsontceuxquiont eteattribu6s d la cat6gorie de surfaced6finiepar lesseuils6tabliespourcelle-ci.Lesseuils1, 4 et 6 sontd6di6s d la d6tectionde la non-neige tandisque les seuils2, 3 et 5 sont attitr6sd la d6tectiondes nuages.Les pixelsrestantsau sixidmeseuilsontceuxqui ont r6ussid passerd traversles six seuilset ce fait,sontclass6scomme6tantde la neige. ll ressortque lesseuilssontefficaces pourla d6tection descat6gories de surfacesur les images AVHRR-KLM. Les pixelsde non-neige et de nuagessontrapidement 6cart6spar les six seuils. Trds peu de pixelssontconsid6r6s comme6tantde la neigeau final.ll existen6anmoins un risquede confusionentreles cat6gories de surfaces6tantdonn6que celles-cipartagent des similitudes au niveaude leurradiom6trie (T4,AT45,NDVI,AT34ou 43, 41). En effet,pourle premierseuil,certains6chantillons de pixelsde validationde nuagesont 6t6 class6sd tort parcequ'ilssontpluschauds.Et certains6chantillons comme6tantde la non-neige de pixelsde pourront6tre class6s6ventuellement validation de non-neige comme6tantde la neigesi leur radiom6trie est trdssimilaire d cellede la neige.A chaqueseuilpeutse produireuneconfusion entrelescat6gories de surface. Aucuneclassification n'estparfaite. Par ailleurs,les 6chantillons de calibration et de validation n'ontpas 6t6 pr6lev6saux m6mes endroits, ni en m6mequantit6, ni pourlesmdmesdatessur les imagesde la s6rieAVHRR-KLM. Ceciexpliqueen partieles diff6rences mineuresobserv6es entreles versionsde I'automne et du printemps, de m6meque cellesentreles versions38 et 3A de I'algorithme. Se r6f6rerd I'Annexe lll pourlesr6sultats lesconcernant. 40 Seuil Pixelsde neige Pixelsde non-neige Pixelsde nuaqes s (1) Ea Io T4.", F4 a @ *l nl (2) t E T4rin t ! & s s s la E lliltl la I ila ia t I !4 a N a @ @- D (3) aT45ma, 5 ! ai6t&roro J4EJUIh (4) NDVlma, to F (5) o T aT34ma, t m '-mrmldtoro JdnJolhna (6) A1 min 'Dt@rrtoto Joun JulLna Figure4.4. Suivi de la classificationdes 6chantillonsde pixelsde validationde neige,de non-neigeet des nuagespar l'algorithmede classificationpour les imagesAVHRRdu printempsavecla bande38. 41 l-a matriced'erreur(Tableau4-1) appuiequantitativement les affirmations faitesd partirde la figurepr6c6dente. et les Lesseuilsde I'algorithme d6tectent la neige,la non-neige du printemps nuagesavecun tauxde succdsglobalde 95%sur les imagesAVHRR-KLM. Les6chantillons de neigeont 6t6 class6savec un taux de succdsde 917o.L'erreurd'omission(9%) est plus que I'erreurde commission importante (0%).Les pixelsde neigeomisconduisent d une sous(voirI'Annexelll pourles r6sultatsde estimation de la pr6sencedu couvertnivalau printemps I'automne). En effet,tel qu'il a 6t6 d6fini,I'algorithme est s6vdred I'endroitde la neige.La plupartdes pixelsde neige omis ont 6t6 class6scomme nuages(452416676=68%). Les 6chantillons de non-neigeont 6t6 class6savec un taux de succdsde 98%. L'erreurde (13%)est largement (2o/o). commission La pr6sence de la nonsup6rieure d I'erreurd'omission neigese voitdoncsurestim6e (voirI'Annexelll pourles r6sultatsde I'automne). au printemps Ce sontlespixelsde neigequi sontles plustouch6spar I'erreurde commission de la non-neige (215212181=99%). Au niveaudes 6chantillons de nuages,ceux-cisontclass6savecun tauxde succdsparfait.L'erreurde commission est de 6%. La pr6sencedes nuagesest 6galement (452414614=980/o). surestim6e. La neigeest la plus touch6epar I'erreurde commission Les nuagessonttrdspersistants 43%des pixelsde durantcettep6riodede I'ann6e.lls repr6sentent validation. Le coefficient kappade 0,92r6vdlequ'ils'agitd'unetrdsbonneclassification. Tableau &1. Matrice d'erreur de la classification des 6chantillons de pixels qui ont servi i la validation de I'algorithmede cartographiedes images AVHRRdu printemps pour la p6riode 1988a 2011. Bande 38 Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commission 68175 183 150 68505 0o/o Classification Nuages Total Nonneioe 2152 14717 29 16898 13% 4524 90 67126 71740 74851 14990 67305 157146 42 91o/o 98Yo 100o/o 60/o Tauxde succdsglobal x=0,92 Tauxde succds 95o/o Erreur d'omission 9o/o 2o/o OYo 4.1.4 Validationde l'algorithmeaux sfafionsm1t6orologiques (en pourcentage) de neigeet de non-neige La Figure4-5 donnele d6comptedes observations pourla de neigeau sol observ6eaux20 stationsm6t6orologiques, en fonctionde I'accumulation les classesde hauteurde neige 1988a 2U1. Ellevised identifier p6riodede fonteprintanidre pourraitavoirde la difficult6d d6tecterla neige,le cas 6ch6ant.Les chiffres oir I'algorithme pr6sentes au nombretotaldes observations font r6f6rence indiquesdansle hautdu graphique ont 6t6 produitspour les troisgroupessuivants:(1) dans chaqueclasse.Les histogrammes et (3) en zoneforestidre (2) les stationsm6t6orologiques toutesles stationsm6t6orologiques, en zoneouverte(cf.Tableau3-1). lesstationsm6t6orologiques et plusdes cas)sur les la neige(dans70o/o d6tectemajoritairement du printemps L'algorithme de fagonattendue: il se comporte de la p6riode1988a 2U1. L'algorithme imagesAVHRR-KLM de neigelorsquele couvertnivalest en p6riodede fonte d6tecteune moinsgrandeproportion en printanidre.L'erreurd'omission,c'est-d-direla d6tectionde non-neigepar I'algorithme diminueavec l'6paisseurde neige. Les pr6sencede neige aux stationsm6t6orologiques, Ellen'est nivalesde moinsde 5 cm sontles plustouch6espar I'erreurd'omission. couvertures sont6galement presqueplus pr6sented partirde 30 cm et plus de neige.Ces constatations lV). (ser6f6rerd I'Annexe pr6sentes de l'automne dansl'algorithme d d6tecterla neigeen plusmarqu6edansla capacit6de I'algorithme On observeunediff6rence plus de difficult6sd d6tecterla neige,en zone forestidreau printemps:il a gen6ralement de l'6tendue de cartographie particulier lorsquele couvertnivalest mince(<5cm).L'algorithme du sol pourla d6tectionde la neige.ll performe spatialedu couvertnivalr6pondd I'occupation mieuxdansleszonesouvertes. des en zonesouvertesprovientessentiellement Par ailleurs,la plupartdes pixelsde non-neige des imagesAVHRR-KLMavec le systdme lors du pr6traitement erreursde g6olocalisation le longde la c6tedu sont localis6es En fait, plusieursstationsm6t6orologiques EODM-NRT. Nain,Makkovik,GooseBay, Blanc-Sablon, Qu6becet du Labradortellesque Kuujjuarapik, Une distorsionspatialedans I'imageAVHRR-KLMde Natashquanet Rividre-au-Tonnerre. d6tectealors l'ordrede 1 ou 2 km suffitpourque cesstationstombentdansI'eauet I'algorithme danscescasparticuliers. de la non-neige automatiquement 43 Typede zone Graphique at3 173 233 152 Toutes les stations m6t6orologiques Hauau&mlgo(m) Stations m6t6orologiques en zoneouverte 20-25 Ha.t.u 2530 de Dlgr 3&35 (cm) 9640 .S4S Stations m6t6orologiques en zoneforestidre Figure 4-5. D6tectabilit6de la neige aux stations m6t6orologiques par la version bande 38 de I'algorithme du printemps. 44 est de 98% (Tableau4-2).X En condition de cielclair,le tauxde succdsglobalde I'algorithme avecun tauxde succdsde 95%et de la neigeauxstationsm6t6orologiques d6tectela pr6sence a tendanced inventerde la neige la non-neige avecun tauxde succdsde 91%.L'algorithme de 10%)que aux stationsalorsqu'il n'y en a pas (302 pixelspourune erreurde commission la'pr6sence de de 5%).Par cons6quent, d'enoublier(155pixelspourune erreurd'omission au Les nuagessont persistants aux stationsm6t6orologiques. non-neigeest sous-estim6e kappa r6gionalecommeI'attestele coefficient printemps. ll s'agiraitd'unebonneclassification ne performepasen p6riode la Figure4-5 on remarqueque I'algorithme de 0,95.En examinant en zonesouvertes.On pourla zoneforestidre, maisest assezperformant de fonteprintanidre pourjugerde la qualit6d'une sur la matricede confusion ne devraitpas se baseruniquement en de neige/non-neige desobservations de la r6partition lesgraphiques satellitaire; cartographie du sol apportent fonctiondes classesde hauteurde neigeet des grandeszonesd'occupation de I'information suppl6mentaire. Tableau 4-2. Matrice d'erreur de la classification des images AVHRR du printemps compar6e aux observations de neige au sol au niveau des 20 stations m6triorologiques pour la p6riode 1988 a 2011. Classification Total Nuages Bande38 Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commrsston Nonneige 2717 302 155 2917 3019 3072 10o/o 17470 17470 2872 3219 17470 23561 Tauxde succds 9s% 91o/a SYo Taux de succdsglobal x=0,95 45 98% Erreur d'omission 5o/o 9o/o 4.1.5 Validationde I'algorithmeaux sfationsGMON L'algorithme du printemps se comporteautrement dansla zoneforestidre densedu bassindes Cascades(Figure4-6).L'erreurd'omissionpr6domineencoreplus au printemps. En effet,il d6tecteseulement la neigede manidreefficacepourdes valeursd'EENsup6rieures d 60 mm. Tout commeles stationsm6t6orologiques, I'algorithme d6tecteune plusgrandeproportion de neigeauxstationsGMONlorsquele couvertnivalest 6pais. Typede zone Graphique E StationsGMON en zoneforestidre o 2 F o E t ;I 6 <r5 r&30 30{5 .5-e0 6075 7S90 gOrO5 r(Eim r2()lr35r35'.t50150165 >1€5 €ci,rvdrf .n .a (ml Figure 4-6. D6tectabilit6de la neige aux stations GMON par la version bande 38 de l'algorithme du printemps. En condition de cielclair,le tauxde succdsglobalde I'algorithme est de 96% (Tableau 4-3),ce qui est comparabled la performance observ6eaux stationsm6t6orologiques. L'algorithme d6tectela neigeaux stationsGMONavecun taux de succdsde 79o/o et la non-neige avecun tauxde succdsde 99%.Unefois de plus,I'algorithme a surtouttendanced oublierde la neige (105pixelspourune erreurd'omission (6 de 21%)que d'en inventerld or)elleest inexistante pixelspourune erreurde commission de 2o/o). la pr6sencede la neigeest doncsous-estim6e aux stationsGMON.ll s'agiraitd'unebonneclassification localecommeI'attestele coefficient kappade 0,92.La Figure4-6 confirmeque I'algorithme ne performepasen zoneforestidre. Le tauxde d6tection de la neigeatteint91% si on utiliseun seuilde d6tection de 60mm d'EEN (Tableau 4-4). 46 Tableau 4-3. Matrice d'erreur de la classification des images AVHRR du printemps compar6e aux observationsde neigeau sol au niveaudes sept stationsGMONpour la p6riode2007d2011. Bande38 Neige Pixels de Neige validation Non-neige Nuages Total Erreur de commission Classification Total Nuages Nonneiqe 384 6 105 423 390 2% 528 2OYo 1622 1622 489 429 1622 2540 Tauxde succdsglobal r=0,92 Tauxde succds 79o/o 99% Erreur d'omission 21o/o 1o/o 960/0 Tableau 4-4. Matrice d'erreur de la classification des images AVHRR du printemps compar6e aux observations de neige au sol au niveau des sept stations GMON pour la p6riode 2007 et2011, avec un seuil de d6tectionde 60 mm d'6quivalenten eau de la neige. Classification Total Nuages Bande 38 Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commrssron 364 26 Nonneige 35 493 1622 1622 390 528 7o/o 7o/o 399 519 1622 2540 Tauxde succdsglobal r=0,95 Erreur Tauxde succds d'omission 9% 91% 95o/o 50h 98% de la neigeet de la non-neige radiom6triques des paramdtres La Figure4-7 montrel'6volution du printemps. ainsique les seuilsde I'algorithme aux stationsGMONdu bassindes Cascades dans un rayonde 10 km autourdes stations ont 6t6 extraitsmanuellement Les paramdtres (du 16 marsau 31 mai)pourlesann6es2008et 2011. GMONsurchaqueimagedu printemps dansle de la neigeet de la non-neige Ce voisinagetientcomptede la diversit6radiom6trique ponctuelle. Cesann6esont la particularit6 d uneextraction contrairement bassindes Cascades Les pixelsont tardiveet hdtiverespectivement. d'avoirconnuune p6riodede fonteprintanidre ou 6galeit neigelorsquela valeurd'EENd la stationest superieure 6t6 attribu6sd la cat6gorie En pr6senced'un couvert 10 mm, sinonles pixelsont 6te attribu6sd la cat6gorienon-neige. nuageuxou en casde doute,les pixelsn'ontpas6t6 retenus. 47 ll ressortde cette figureque les seuilsde I'algorithme du printempssont plus ou moins repr6sentatifs des conditionsforestidresdu bassindes Cascades,ld oi se situentles stations GMON.Ce qui expliquepourquoiil omettantde neigedanscetter6giondu suddu Qu6bec.En effet,les pixelsde neigepeuventavoirune temp6rature pluschaude,un NDVIplus6lev6ou encoreuner6flectance dansle visibleplusfaibleque les seuilsde I'algorithme qui,rappelons-le ont 6t6 calcul6s sur I'ensembledes conditionshistoriquesd'occupationdu sol et m6t6orologiques. Ces pixelsont donc 6t6 class6sd tort dans la cat6gorienon-neigealorsque lesobservations au sol indiquent la pr6sence de neige. 3t0 , 290 t 2 o Y 270 E a rt F 250 S.ul 1:T.[mD( Sruil 2: Ttlnir Souil3: T45max 6 E :.Ea 2 ! Y t o D ! F Y C a F 2?O 0 0 E z 0 c 5a 0 5 0.4 Y s F o2 0 m tm r20 Joui3 Jd.ns t40 lEo Figure 4-7. Evolution des paramCtresradiomdtriques de la neige et de la non-neige aux stations GMON sur les images AVHRR du printemps avec la bande 38. 4.1.6 Comparaison des r6sulfafsde validation Lesmatrices d'erreurde la classification des6chantillons de validation de l'algorithme satellitaire de cartographie de l'6tenduespatialedu couvertnivalont r6vel6une performance de I'ordrede 96% pourles deuxversionsde I'algorithme (AnnexeVl) ainsique pourla version de I'automne bande38 du printemps. La performance de la versionbande3A du printemps se chiffrea 98%. Cettediff6rences'expliquepar le fait que la bandede I'infrarouge d ondescourtesest reconnue pourmieuxdiscriminer la neige.Elleestd'ailleurs plussensibleau contenuen eaupr6sentdans le couvertnivalau printemps contrairement d la bandede I'infrarouge moyen(Dietzet a1.,2012). 48 donnentdestauxde succdsglobauxvariantentre Lesversionsde I'algorithme de cartographie et destauxde succdsvariantentre96%et 98%aux 97o/o et 98%auxstationsm6t6orologiques Les p6riodestransitoires de la respectivement. et le printemps stationsGMONpourI'automne de la neige. entreellesau niveaude leurcapacit6de d6tection saisonhivernale se distinguent et entre 670/oet 82o/oaux Ces taux variententre 94% et 97o/oaux stationsm6t6orologiques stationsGMON.Les graphiquesde proportionde neigeet de non-neigeen fonctionde la ont r6v6l6la pr6senced'une hauteurde neigeau sol observ6eaux stationsm6t6orologiques En effet,I'algorithme d6tectede la erreurd'omission et ce, pourles deuxp6riodestransitoires. Elle de neigeau sol aux stationsm6t6orologiques. non-neige en pr6senced'uneaccumulation et 33%aux stationsGMON.ll et entre18o/o varieentre3% et 6% auxstationsm6t6orologiques que dansles en zoneforestidre sur la neigeest plusimportante ressortque I'erreurd'omission zonesouvertes.Et cet effetest d'autantplusmarqu6durantla fonteprintanidre. En effet, les diff6rences observ6es. du sol expliquent La naturedu couvertnivalet I'occupation ll au printemps. et de mOrissement de m6tamorphose le couvertnivala amorc6son processus comparativement d est plusdense,possddeun fort contenuen eau,en glaceet en impuret6s I'automneoir il est blanc,fraiset peu compact.Le contrasteobserv6entreles zonesforestidres par la densit6de la canopeev6g6tale.En zoneouverte,la densit6de la et ouvertess'explique v6g6tation d 10%et la tailledes arbustesne d6passegudreles 3m. La neigey est inf6rieure qui en zoneouverteen raisonde la faibledensit6de la v6g6tation est d6tect6eplusfacilement Leszones pasla neigesous-jacente dansles pixelsAVHRRde 1 km de r6solution. n'obscurcit et 60%,et atteindre forestidrespossddentunedensit6de canop6ev6g6talecompriseenlre40o/o parfois80%en for€tde conifdres dense.La neigeau soldevientplusdifficiled d6tecterd cause forestidres la composant. Le couvert maisaussipar lesessences de la densit6de la v6g6tation dans les pixelsAVHRRde 1 km. Ceci v6g6taldenseobscurcitdonc la neigesous-jacente et ce, pourdescouvertures expliquepourquoielleest plusdifficiled d6tecteren zoneforestidre nivalesplus 6paisses.En zone ouverte,seulsles couvertsmincessont difficilesd d6tecter. confirmeque les capteursoptiquesd r6solution Notrevalidation aux stationsm6t6orologiques plusde difficult6s d d6tecterlescouvertures grossidre ont g6n6ralement commeNOAA-AVHRR (Appelet a|.,2003). nivalesde moinsde 5 cm d'6paisseur de neigeau sol d une6paisseur approximativement en eaude 15 mmcorrespond Un 6quivalent de 0,3).Cesseuilsde d6tectabilit6 de 5 cm et 60 mm d 20 cm (si on utiliseunedensit6standard de I'algorithme, que l'6tatdu couvertnivalpourraitaffecterla performance de la neigesuggdrent 49 en particulier au printemps. L'algorithme connaitplusde difficultes d d6tecterun couvertnivalde 20 cm, dense,sale,avecun fort contenuen eau au printemps que de d6tecterun couvertnival frais,peu compact,de 5 cm i I'automne. Notrevalidation les aux stationsGMONconfirment r6sultatsobtenusdansde nombreuses 6tudes: la neigeest plusdifficiled d6tecteren zone forestidre dense(Bartonet a1.,2000, Taitet al.,2001,Hallef a\.,2002,Vikhamar et a\.,2002). Les r6sultatsde I'algorithme sontcomparables d ceuxd'autres6tudesutilisantdes m6thodes analogues. Voigtef a/.(1999),quiontd6velopp6 un algorithme au n6tre,onttrouv6que similaire les r6sultats de leurapproche appliqu6au territoire suisses'accordent avecles observations au sol dans 600/o A 90% des cas. Quantd Romanovef a/. (2000)dont I'algorithme utiliseles donn6esdu satelliteGOEScombin6es passivesSSM/1,ils ont d cellesdu capteurmicro-ondes r6ussid suivrel'6tenduedu couvertnivald l'6chellede I'Am6rique du nordavec un taux de succdsde 85%.Appelet al. (2003)ont d6velopp6et appliqu6un algorithme d seuilspour la d6tection de la neigeen Allemagne utilisantI'imagerie NOAA-AVHRR. lls ont obtenuun tauxde succdsde 95%. 4.2 Algorithmed'estimationd'ensemble 4.2.1 Analysevisuelledes cadesde neige La Figure4-8 pr6sentele r6sultatde la classification pourla datedu 10 d'estimation d'ensemble novembre2010.Le d6grad6de couleursapportede I'information : il mat6rialise suppl6mentaire I'incertitude associ6eA chacunedes cat6gories de surfacespr6sentes sur les imagesAVHRRKLM.Dansun contextede pr6vision des volumesde crued venir,la classification d'estimation d'ensemblepossddeI'avantage d'6treplus flexiblecomparativement i I'approche classique. L'approche classique donneun r6sultatbinaire,c'est-d-dire la pr6senceou I'absence de neige dansun pixel.L'approche d'estimation d'ensemble mat6rialise I'ampleur de la zonede transition du frontde neige.Commele couvertnivalse distribuede fagoncontinue, unefaibleprobabilit6 de neigepourraitindiquerla pr6sence parexemple. d'uncouvertfragmentaire 50 Probabilit6 de neige Probabilit6 de non-neige Probabilitede nuage Carteclassique D 0,r0{t.t9 0,20{t.20 030{).30 0raO4.a9 0.504.59 0.60{,G9 0,704.70 0t0{r.t9 0.00{1.99 Lirnilca E!.lmlnl.irrtivc. Sl!0ont Figure 4-8. Apergu global de la carte d'estimationd'ensembledu 10 novembre2010. 4.2.2 Validationde l'algorithmeavec les observations empiriques La cartographie d'estimation d'ensemble a ete valid6esur les 6chantillons de pixelsr6serv6s pourla validation. La matricede confusion (Tableau4-5)r6vdleuneaugmentation substantielle de I'erreurd'omission sur la neige.L'erreurd'omission estde 16%pourI'algorithme d'estimation d'ensemble du printemps, ce qui correspond d une haussede I'ordrede +7o/opar rapportd I'algorithme classique. Une haussede I'erreurde commission sur la non-neige est 6galement observ6e.L'erreurde commission est de 31%. ll s'agitd'unehaussede I'ordrede +18%par rapporti I'algorithme classique.L'algorithme du printempsest de loin le plus affect6par la par I'estimation diversit6 engendr6e (AnnexeVl, Tableau-A.Vl.1 d'ensemble et Tableau-A.Vl.2). La matricede confusionr6vdleaussiune performance inf6rieurecomparativement d I'approche classique. En effet,le taux de succdsglobalest de 3% inf6rieurd I'algorithme classiqueet le coefficient kappaa diminu6de 0,05. que I'algorithme Cesr6sultats suggdrent d'estimation r6agitd la diversit6 d'ensemble engendr6e par la fluctuation al6atoire des paramdtres de seuils.La diminution de la performance s'explique parle faitque les moddlesde percentiles parla fonctionobjective s6lectionn6s de cr6ationde la diversit6excluentplus de neige.Ainsi, I'algorithme d'estimationd'ensemblesous-estime davantage la pr6sence de neigecomparativement d I'algorithme classique. Tableau4-5. Matriced'erreurde la classificationd'ensemblesur les 6chantillonsde pixels qui ont serui i la validationde I'algorithmede cartographiedes imagesAVHRRdu printempspour la p6riode1988a 2011. Bande 38 Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commission 63221 155 79 63455 0o/o Classification d'ensemble Nuages Total Tauxde succds Ngnneige 6519 14751 102 21372 31% 5111 84 67124 72319 7o/o 74851 14990 67305 157146 Taux de succds qlobal r=0,87 84Yo 98o/o 100o/o Erreur d'omission 160/o 2o/o Oo/o 92o/o L'estimationd'ensemblenous a permis d'en apprendredavantagesur l'algorithmede cartographie du couvertnival,notammentau niveaude son 6chantillonnage. L'AnnexeVl (Figure-A.Vl.3 d Figure-A.Vl.8) illustrela distributiondes probabilit6s d'appartenance aux classesmajoritaires de neige,de non.neigeet de nuagesdes 6chantillons de pixelsr6serv6s 52 pourla validation. Voiciunebrdveexplication du contenude cetteannexe.Parexemple,pourle = neige,classification = neige> de la matricede confusion graphique de la cellule< observation de la Figure-A.V1.6, il s'agitde la distribution des probabilit6s de neigedes8159pixelsde neige qui ont 6t6 class6smajoritairement comme6tantde la neigepar I'estimation d'ensemble. Dans la Figure-A.Vl.7 se trouvela distribution des probabilit6s de non-neigepources m6mespixels de validation et celledes probabilit6s de nuages,dansla Figure-A.V1.8. Le principes'applique pourles autresgraphiques.La confusionentreles cat6goriesde surfacesest encorepr6sente. Ainsi,dansla Figure-A.V1.6, de non-neige 90% des pixelsde validation ont 6t6 class6scomme neigepar I'estimation qui de 100%.Les pixelsde validation d'ensemble avecdes probabilit6s que ces 6chantillons ont 6t6 class6sdansd'autrescat6gories de surfacessuggdrent de pixels peuventavoir6t6 mal interpr6t6s lors de l'6talonnage de I'algorithme. ll est possibleque des pixelsde non-neige puisquel'6chantillonnage neige(et vice-versa) ont6t6 prisdansla cat6gorie a 6t6 fait par groupesde pixels(qui peuventinclured'autrestypesde surfaces)au lieud'une approchepixelpar pixel.Ce risquede confusionest inh6rentri la d6limitation manuelledes pixelsdurantle processus d'6talonnage de I'algorithme 4.2.3 Validationde l'algorithmeaux stationsmAt6orologiques et GMON L'estimation d'ensemblea 6t6 valid6esur les observations de neige au sol aux stations m6t6orologiques et GMON.Les Figure4-9 et Figure4-10r6velentque l'estimation d'ensemble r6agitde fagonsimilaired I'algorithme Tout commeI'approche classique. classique,I'erreur d'omission diminueavecI'augmentation de l'6paisseur du couvertnival.Elleest plusmarqu6e dans les zonesforestidresque dans les zonesouvertes,ce qui est coh6rentavecles r6sultats de I'algorithme classique. entreles deuxapproches. lci s'arrdtentles similitudes La principale diff6renceest que l'erreurd'omissionsur la neige est plus prononc6edans I'algorithme d'estimation du printemps. toutesles stationsm6t6orologiques Ainsi, m6me en consid6rant commeun tout,il ne parvientpasd d6tecterefficacement la neige(moinsde 50%descas)pour un couvertnivalinf6rieur il ne parvientpasd d6tecterla neigepour d 5 cm. En zoneforestidre, des6paisseurs de couvertnivalinf6rieures d 20 cm (il la d6tectedans30%a 40%descas).Par ailleurs,aux stationsGMON, I'effetest d'autantplus amplifi6au printemps.L'algorithme d'estimation la neigepourdes 6quivalents d'ensemble ne d6tectepas majoritairement en eau inf6rieurs a 150mm,sinonplus.Selonles matricesde confusion, I'estimation d'ensemble performe (Tableau d niveau6galavecI'algorithme 4-6et Tableau4-7).Unediff6rence classique 53 Se r6f6reraux de 1o/oentre les deux approchesn'est pas jug6e comme6tant significative. AnnexesVll et Vlll pourlesr6sultats de I'algorithme de l'automne. Typede zone Graphique 172 Zn 152 t66 F Toutes o o I o les stations m6t6orologiques 6 o E t o 26fi Hautu 2530 3$35 de nslgB (m) s Stations m6t6orologiques en zoneouverte o I o o o E o F30 3{t35 2D25 HartudomlgB(m) s Stations m6t6orologiques en zoneforestidre o o o I o o Har.dew de mlg3 (ml Figure 4-9. D6tectabilit6de la neige aux stations m6t6orologiques par la version bande 38 de I'algorithme d'estimationd'ensembledu printemps. 54 Typede zone Graphique s StationsGMON en zoneforestidre o o F c o E o o x o Figure 4-10. D6tectabilit6de la neige aux stations GMON par la version bande 38 de I'algorithme d'estimation d'ensemble du printemps. Tableau 4-6. Matrice d'erreur de la classification d'ensemble des images AVHRR du printemps compar6e aux observations de neige au sol au niveau des 20 stations m6t6orologiques pour la p6riode 1988 a 2011. Bande 38 Neige Pixels de validation Neige Non-neige Nuages' Total Erreur de commission 2608 294 2902 lOYo Nonneige 154 2893 Classification d'ensemble Nuages Total Tauxde succes 17470 17470 3047 2762 3187 17470 23419 94o/o 91o/o Erreur d'omission 6% 9o/o 5o/o Tauxde succdsqlobal x=0,95 98% Tableau 4-7. Matrice d'erreur de la classification d'ensemble des images AVHRR du printemps compar6e aux observations de neige au sol au niveau des sept stations GMON pour la p6riode 2007 it2011. Classification d'ensemble Nuages Total Tauxde succds Bande 38 Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commission 381 4 385 1o/o Nonneige 105 415 520 1622 1622 486 419 1622 2527 780 99o/o 20o/o Tauxde succdsglobal r=0,92 55 96% Ereur d'omission 22% 1o/o 5. Conclusiong6n6rale de cartographie de un algorithme satellitaire L'objectif de la pr6sente6tude6taitde d6velopper d partirdesdonn6esdu capteuroptique l'6tendue spatialedu couvertnivalau Qu6bec-Labrador NOAA-AVHRR. Cecia et6 fait dans le but de r6pondreaux questionssuivantes: Que//eesf /a pertormancede l'algorithmepour le tenitoire du Qu6bec-Labrador? L'algorithmepertorme-t-il mieux pour une periode particulidrede la saison hivernale?L'algorithmepefforme-t-ilm'reux mieuxd partir d'unehauteurde dans un type de milieuen particulier?L'algorithmeperforme-t-il neige sp1cifique?L'approched'estimationd'ensembledonne-t-ellede meilleursrisultats que l'approcheclassique? de l'6tenduespatialedu couvertnivala 6t6 Pour y parvenir,une approchede cartographie acquisesdurant23 empiriquesd'imagesNOAA-AVHRR d6velopp6ed partird'observations p6riodestransitoires du couvertnival,pour la p6riode et de fonte printanidre d'6tablissement sur appliqu6s s6quentiellement comportesix seuilsde classification 1988a 2U1. La proc6dure de neige. afind'y produiredes cartesde pr6sence/absence les imagesde la s6rieAVHRR-KLM d'ensemble. Cetteautreproc6durea la d'estimation L'algorithme a 6t6 adapt6d I'approche particularit6 du couvertnival.Les de g6n6rerdes cartesde probabilit6de pr6sence/absence quotidienne la cartographie d'unvaste retenuespermettent NOAA-AVHRR imagessatellitaires L'information le Qu6bec,le Labradoret les maritimes. I'Estde I'Ontario, territoirecomprenant pour accessible aussivasteet difficilement du couvertnivalsur un territoire l'6tendue concernant queparlesdonn6esde t6l6d6tection satellitaire. l'instrumenter ne peut6treobtenueautrement globalede I'algorithme de l'6tenduespatialedu couvertnival de cartographie La performance ll d6tectela du cyclehydrologique. d 95% pourles deuxp6riodesde transition est sup6rieure ce en zoneforestidre, pr6sencede neigeavecun tauxde succdssup6rieura 90%.Toutefois, plus d'ensemble atficheuneperformance d'estimation tauxde succdschutea 65%.L'algorithme obtenussontconcordants faible6tantdonn6qu'ilest pluss6vdrevis-d-visla neige.Lesr6sultats de l'6tenduespatialedu couvert de cartographie les algorithmes avec les 6tudesant6rieures: etc.)6prouvent nivald partirdes capteursoptiques(AVHRR,MODIS,GOES,VEGETATION, que nivaledansles zonesforestidres plusde difficult6s de la couverture d d6tecterla pr6sence ont aussid6montr6que notreapprochede cartographie dansles zonesouvertes.Nosr6sultats 57 6prouveplus de difficult6sd d6tecterla neigeen zone forestidredurantla p6riodede fonte printanidre ainsi 6tantdonn6que le fort contenuen eaudu couvertnivaldiminuesa r6flectance quesa valeurde NDVIet parcons6quent, sur les imagessatellitaires sa capacite d €treidentifi6 se voit r6duite.La principale du couvertnuageuxqui limitation est la persistance de I'approche obstruele sol durantplusieursjours cons6cutifs. Ce qui renddifficilele calculdu jour probable d'6tablissement et de fonteprintanidredu couvertnivalou du d6laitemporelqui existeentrela r6alit6{errain et la carte. pourle Qu6becet le Labradorpermetde supporterles 6tudes Le produitde neiged6velopp6 les cartesde climatologiques et hydrologiques. Par exemple,pourles 6tudesclimatologiques, pourront pourvaliderlessimulations neigeainsiproduites du MRCCsur la p6riode 6treutilis6es 1988a 2011.La mised jour de I'atlasr6gionalde neigepermetde calculerdes probabilit6s et ce, partoutsur historiques concernant le jour probabled'6tablissement et de fonteprintanidre le terr,itoire du Qu6bec-Labrador, d'estimerla dur6ede la saisonhivernaleet de d6duirela pr6sence NatureL'organisme de patronsde fontedansun contextede changement climatique. la Qu6beca d6montr6un int6r€tmarqu6pourI'atlasde neigepourles questionsconcernant pr6servation d'espdcesmenac6es,tellesle caribouforestier(Rangifertaranduscaribou)et le le carcajou carcajou(Gutogulo)(www.naturequebec.orq). Cet organisme souhaiter6introduire au Qu6bec,au Labradoret dans I'Estde l'Ontario.Pour ce faire, ils doiventdisposerde I'information sur le couvertnivaldans le but d'identifier des secteurspropicesd la r6introduction Cessitessontchoisisen fonctiond'unfacteur:la neigedoit6trepr6senteen date de I'espdce. donc du 15 maipourassurerla survieen tanidredesb6b6scarcajou. L'atlasde neigeconstitue pourles soutenirdansleurseffortsde rechercheet de conservation des un outilcompl6mentaire habitats. Au niveaudes 6tudeshydrologiques, le produitde neigeest test6en modepr6-op6rationnel pour la pr6vision chezHydro-Qu6bec. ll s'agitpourcetteentreprise d'un outilsuppl6mentaire des apportsen eau dans les barrageshydro6lectriques. Toutefois,des effortsde recherche par les deux doivent6trefaitsafinde r6duireI'erreurd'omission. Lescartesde neigeproduites (algorithme approches classique indiquent souventuneabsencede et d'estimation d'ensemble) pourHydro-Qu6bec. neigealorsqu'ily en a de mesurerauxstationsGMON,unezoneprioritaire joursA deuxsemaines, Ce qui implique un d6laitemporel, de quelques entrelescartesde neige pourI'organisme et la r6alit6-terrain. Ce type d'erreura donc des r6percussions mon6taires : 58 I'eaunon-pr6vue arrivantdans les r6servoirs d6jd pleinsne peut€tre turbin6eet g6n6rerdes profits. ll est pr6vude perfectionner est l'int6gration le produitde neige.Unepremidrerecommandation des imagesNOAA-AVHRR. ll a 6t6 observ6d de sous-tests dansl'algorithme de classification quede grandessurfacesnuageuses reprisessur lessortiescartographiques de de nombreuses Dansces cas la tailled'unbassinversantpeuvent6treclass6escomme6tantde la non-neige. particuliers automatiquement d les nuagessontpluschaudsque la moyenneet ontet6 attribu6s par le premierseuilT4r"*.Or ces nuagesse distinguent des surfacesnonla classenon-neige entreles canaux3 et 4 d'AVHRR(4T34). enneig6espar de fortesdiff6rencesde temp6ratures de r6duirela Donc,testerle AT34despixelsde l'imageen m6metempsque le T4^ ^ permettrait du premier dds I'application confusion entreles nuageschaudset les surfacesnon-bnneig6es plusapprofondie utilis6s des sitesd'entrainement seuil.On propose6galement une v6rification pour l'6talonnage de I'algorithme afin de s'assurerque ces derniersont 6t6 class6sdans la que ces sitesont 6t6 choisissur Rappelons bonnecat6gorie de surface(neigeou non-neige). Pource faire on suggdred'utiliserdes observations de les connaissances d'un observateur. (ex.les observations install6s dansle de neigedes SR50d'Hydro-Qu6bec terrainadditionnelles spatialecommeMODISou LANDSAT bassinde la Gatineau) ou les imagesde hauter6solution poursupportercettev6rification. de I'algorithme de cartographie de l'6tendue Tel qu'ilsont 6t6 6talonn6s, les seuilsempiriques historiques d'occupation du sol et d la fois les conditions spatialedu couvertnivalrepr6sentent pourla p6riode1988a 2011.Le taux de d6tectiondes du Qu6bec-Labrador, climatologiques de seuilsde I'algorithme. Les d6penddes paramdtres surfacesenneig6eset non-enneig6es d'6chantillons de pixelsde neigeprovenant seuils,qui ont6t6 calcul6sd partird'unlotp6le-m6le repr6sentatifs des temp6ratures de plusieursoccupations du sol, ne sont pas n6cessairement de la neigedanscertaines occupations du maximales et minimales, du NDVIet de la r6flectance ou de fonteprintanidre. C'est d'6tablissement sol, ou encorepourdes ann6esexceptionnelles pourquoiil y a tant d'omission Cet aspecta d'ailleurs6t6 mis en de neigeen zoneforestidre. d'ensemblepar le plusfaibletaux de d6tectionde la d'estimation 6videncedans I'approche des seuilsen fonctionde I'occupation vise l'adaptation neige.Une deuxidmerecommandation de l'6tendue spatialedu couvert de cartographie lessortiesde I'algorithme du sol pouram6liorer dans les bassinsdesign6scomme en particulier nival.Une telleam6lioration est souhaitable, prioritaires Parailleurs, en se servantdujourjulienpour ld oi descartespr6cisessontrequises. 59 les seuils repr6senter l'6volution temporelle de l'6tatdu couvertnivaldurantla saisonhivernale, forcentI'algorithme d adopterune climatologie. Les ann6estardiveset hdtivessont sujefiesd Pourcetteraison,on recommande deserreurssi elless'6loignent tropdesconditions normales. du sol mais non seulementI'adaptation des seuilsde I'algorithme en fonctionde I'occupation aussi en fonctionde la m6t6orologie actuelle.Dans un contextede suivi op6rationnelde la pr6sencedu couvertnival,I'int6gration des jours pr6c6dents des conditionsm6t6orologiques possiblede neige(ousonabsence)pourunjourdonn6. sur la pr6sence apportede I'information offrirontunegrandesouplessed la m6t6orologie. Lesseuilsde I'algorithme des est I'utilisation Unetroisidmerecommandation visantd am6liorerles sortiesde I'algorithme lorsde l'6talonnage des seuils.En effet,tel qu'ila 6t6 congu, donn6esde la classeconcurrente de les paramdtres de seuilsde l'algorithme ont 6t6 calcul6sd partirdesdonn6esradiom6triques (la la neige.Ainsi,un certainnombrede pixelsde neigesontattribu6sd la classeconcurrente de la classe non-neigeou les nuages).Nousproposons d'utiliserles donn6esradiom6triques des seuils.Ce la non-neige c'est-d-dire concurrente, ou les nuages,au momentde l'6talonnage qui permettrait de la neigeet de la non-neige, d'obtenirun compromis entreles caract6ristiques r'naisaussientrela neigeet les nuages.Par ailleurs,les r6sultatsobtenusdans I'approche d'estimation d'ensemble supportent ce choix.Les seuilspourraient 6tred6plac6sdans la nonle neigeet lesnuagesau lieude se d6placerseulement dansla neige.Ce qui pourraitam6liorer tauxde d6tection de la neige. d'images A ces adaptations d'autresstrat6gies tellesque I'utilisation s'ajoutent de cartographie les techniques multi-passage, les proc6dures de fusionde capteurset de fusiontemporelle, pour combinerles r6sultatsde plusieursproduitsde neige(AVHRR, d'estimation d'ensemble SSM/Id seuilsdynamiques, GOES+SSM/|, etc). MODIS,lMS,G/obSnow, 60 6. R6f6rencesbibliographiques with multispectral AllenRC, DurkeePA & WashCH (1990)Snowclouddiscrimination satellite measurements.Journal of Applied Meteorology29(10):994-1004. F (2003)Remotesensingof cloudcoverin the AnanassoC, Santoleri R, MarulloS & D'Ortenzio Arcticregionfrom AVHRRdata duringthe ARTISTexperiment.lnternational Journalof . Remote Sensrng24(3):437 456 Appel F & Bach H (2003)Near-real-time derivationof snow cover maps for hydrological modelingusing operationalremotesensing data. IEEE InternationalGeoscienceand (/GARSS2003).(Toulouse,France),p2814-2816. RemoteSensingSymposium ArmstrongRL & BrodzikMJ (2001)RecentNorthernHemisphere snowextent:A comparison of sensors. Research Letters from visible and microwave satellite Geophysical dataderived 28(19):3673-3676. of multitemporal ERS-1datafor wet-snow BaghdadiN, Gauthier Y & BernierM (1997)Capability 6Q(2):174-186. mapping.RemoteSensrngof Environment snowcoverusingModerate BartonJS, HallDK & RiggsGA (2000)Remotesensingfractional (MODIS)data.57th EasternSnow Conference. ResolutionlmagingSpectroradiometer (Syracuse, USA),HardyJ (Edit.). in AVHRR BaumBA & TrepteQ (1999)A groupedthresholdapproachfor sceneidentification 16(6):793-800. imagery.Journalof Atmospheric and OceanicTechnology potential remotesensingof snowpackproperties: and limitations. BernierPY (1987)Microwave NordicHydrology18(1):1-20. BitnerD, CarrollT, ClineD & RomanovP (2002)An assessmentof the differencesbefurreen three satellitesnow cover mappingtechniques.HydrologicalProcesses16(18):37233733. MachineLearning24(2):123-140. BreimanL (1996)Baggingpredictors. products, sources.Snowand data:measurement, BrownR & ArmstrongRL (2008)Snow-cover SuffaceEnergyExchangeand Modeling,ArmstrongRL & Climate:PhysicalProcesses, Press,Cambridge, UK.p 181-216. BrunE (Edit.)Cambridge University Brown RD (2010)Analysisof snow cover variabilityand changein Qu6bec,1948-2005. 7565. Processes10.1002ihyp. Hydrological of MODISsnowcoverproductsover BussidresN, De SdveD & WalkerAE (2002)Evaluation Canadian regions. IEEE lnternationalGeoscienceand RemoteSensrngSymposium (GARSS2002).(Toronto,Canada),p 2302-2304. 61 regionalclimatemodel:The semi-Lagrangian Caya D & LapriseR (1999)A semi-implicit CanadianRCM.MonthlyWeatherReview127(2-!3a1362. Chang ATC, FosterJ & Hall DK (1987) NIMBUS-7SMMR derivedglobal snow cover parameters. Annalsof Glaciology 9:39-44. Document(ATBD)for the AMSR-E ChangATC & RangoA (2000)AlgorithmTheoreticalBasis Algorithm.), Equivalent Snow Water http://nsidc.orq/data/amsre/pdfs/amsr atbd snow.odf F, TurcotteM, ZhangY, ChokmaniK, BernierM, PdquetL-M,Goila K, RoyerA, Comtois-Boutet pourle suiviparsatellite ForcierL-C& Massalabi A (2009)D6veloppement d'algorithmes de la couverture de neigeau sol d l'6chelle du bassinversant.(R1103,lnstitutNational Terreet Environnement, de la Recherche Scientifique-Eau, Qu6bec,Canada). ChokmaniK, BernierM, PaquetLM, DeverK, GauthierY & RoyerA (2006a)Snowmapping over EasternCanadafor climatechangestudiespurposeusinghistoricalNOAA-AVHRR and SSM/I data. IEEE lnternational Geoscienceand Remote Sensrng Symposium (TGARSS 2006).(Denver,USA),p747-750. du couvertnivaldu Qu6bec ChokmaniK, BernierM & SlivitzkyM (2006b)Suivispatio-temporel d I'aidedesdonn6esNOAA-AVHRR. Revuedessciencesde l'eau19(3):163-179. of the SNOWMAP Y & PaquetLM (2010)Adaptation ChokmaniK, DeverK, BernierM, Gauthier algorithmfor snow mapping over eastern Canada using Landsat-TMimagery. HydrologicalSciencesJournal55(4):649-660. A & RogozaJ (2008) Y, LavigneP, NadeauM, DucharmeP, MartinJP, Houdayer Choquette GMON,a new sensorfor snow water equivalentvia gammamonitoring.lnternational (Whistler,Canada),p 802-807. SnowScr'ence Workshop. Falls ColwellRN (1983) Manualof RemoteSensrng.AmericanSocietyof Photogrammetry, Church,USA,Secondedition and CongaltonRG & GreenK (1999)Assessingthe accuracyof remofesenseddata: principles practices. CRCPress,BocaRaton,USA.160p DankersR & De JongSM (2004)Monitoring snow-cover dynamicsin NorthernFennoscandia withSPOTVEGETATION images.International Journalof RemoteSensrng25(15):29332949. analysisof snowmicrowave De Sdve D, BernierM, FortinJP & WalkerA (1997)Preliminary radiometryusing the SSM/I passive-microwave data: The case of La Grande River watershed(Quebec).Annalsof Glaciology25:353-361. de l'6quivalent en eau de la De SdveD, BernierM, FortinJP & WalkerAE (2001)Estimation 2(1):13-28. neigedansun milieude targad I'aidedesdonn6esSSM/|.Tdl6detection for estimating Snow De SdveD, EvoraND & TapsobaD (2007)Comparison of threealgorithms (SWE)overthe La GrandeRiverwatershedusingSSMIIdatain the WaterEquivalent Geoscience hydraulicpowermanagement. IEEElnternational contextof Hydro-Quebec's (/GARSS2007).(Barcelona, Spain),p 4257-4260. and RemoteSensrngSymposium De SdveD, VachonF & Choquette Y (2012)A dynamicalgorithm for mappingof snowcover using SSMI data. IEEE lnternationalGeoscienceand Remote SensrngSymposium (Munich,Germany), p 4875-4878. flGARSS). DerksenC & LeDrewE (2000)Variability and changein terrestrial snowcover:Dataacquisition and linksto the atmosphere.Progressin PhysicalGeography24(4):469-498. DerksenC, WalkerA & GoodisonB (2003a)A comparison of 18 winterseasonsof in situand passive microwave-derived snow water equivalentestimatesin Western Canada. RemoteSensrngof Environment 1-282. 88(3):27 DerksenC, Walker A & GoodisonB (2005) Evaluationof passivemicrowavesnow water equivalentretrievalsacross the boreal foresUtundratransitionof western Canada. RemoteSensrngof Environmenf96(3-4):315-327. DerksenC, WalkerA, LeDrewE & GoodisonB (2003b)Combining SMMRand SSM/Idatafor time series analysisof Central North Americansnow water equivalent.Journal of Hydrom eteoroIogy 4(2):304-316. DerrienM, FarkiB, HarangL, LeGl6auH, NoyaletA, PochicD & SairouniA (1993)Automatic imagery.RemoteSensrngof Environment clouddetectionappliedto NOAA-11/AVHRR 46(3):246-267. DietzAJ, KuenzerC, GessnerU & Dech S (2012) Remotesensingof snow - a reviewof RemoteSensrng33(13):a094-4134. availablemethods.lnternationalJournalof DozierJ (1989)Spectralsignatureof alpinesnowcoverfrom the LandsatThematicMapper. RemoteSensrngof Environment28:9-22. and hyperspectral remotesensingof alpinesnow DozierJ & PainterTH (2004)Multispectral properties.AnnualReviewof Earthand PlanetarySciences32:465-494. Evora ND, TapsobaD & De Sdve D (2008) Combiningartificialneural networkmodels, geostatistics,and passive microwavedata for snow water equivalentretrievaland and RemoteSensrngaGQ):1925-1939. mapping.IEEETransactions on Geoscience PM, FosterJL, Hall DK, EylanderJB, RiggsGA, NghiemSV, TedescoM, Kim E, Montesano Kelly REJ, CaseyKA & ChoudhuryB (2011)A blendedglobalsnow productusing visible, passivemicrowaveand scatterometersatellitedata. lnternationalJournalof RemoteSensrng32(5):137 1-1395. the FosterJL, Sun C, WalkerJP, KellyR, ChangA, DongJ & PowellH (2005)Quantifying RemofeSensrng uncertaintyin passivemicrowavesnowwaterequivalentobservations. of Environment 94(2):187-203. Generalization of On-LineLearningand FreundY & SchapireRE (1997)A Decision-Theoretic Sciences5S(1):119-139. anApplicationtoBoosting. JournalofComputerandSystem snowcoverand dailycloud-free GaoY, Xie H, Lu N, YaoT & LiangT (2010)Towardadvanced snow water equivalentproductsfrom Terra-AquaMODIS and Aqua AMSR-E measurements.Journal of Hydrology 385(1-4):23-35. 63 to GesellG (1989)An algorithm for snowand ice detectionusingAVHRRdata- an extension 10(4-5):897package. lnternationalJournalof RemoteSensrng the APOLLOsoftware 905. of snow for the estimation Goila K, WalkerAE & GoodisonBE (2003)Algorithmdevelopment Journal waterequivalentin the borealforestusingpassivemicrowavedata.lnternational of RemoteSensing2a($:1097-1102. GrodyNC & BasistAN (1996)Globalidentification of snowcoverusingSSM/Imeasurements. IEEE Transactions on Geoscienceand RemoteSensing34(1):237-249. Hall DK & RiggsGA (2007)Accuracyassessmentof the MODISsnow products.Hydrological Processes21(12):1534-1547. of methodsfor mappingglobalsnow HallDK, RiggsGA & Salomonson W (1995)Development data. RemoteSensingof cover usingModerateResolutionlmagingSpectroradiometer Environment 54(2):127 140. W, DiGirolamo NE & Bayr KJ (2002)MODISsnow-cover Hall DK, RiggsGA, Salomonson products. RemoteSensrngof Environment83(1-2):181-194. to, and HelfrichSR, McNamara D, RamsayBH, BaldwinT & KashetaT (2007)Enhancements System and lce Mapping Snow forthcoming developments in the lnteractive Multisensor (|MS). HydrologicalProcess es 21(12):15761586. snowcoverretrieval HuslerF, JonasT, WunderleS & AlbrechtS (2012)Validation of a modified algorithmfrom historical1-kmAVHRRdataoverthe EuropeanAlps. RemoteSenstngof Environment 121:497-515. atmospheres throughcirrus-cloudy HutchisonKD & LockeJK (1997)Snowcoveridentification Letters 24(Q:1791-1794. usingdaytimeAVHRRimagery.Geophysical Research JacobsRA,JordanMJ,NowlanSJ & HintonGE (1991)Adaptivemixtureof localexperts.Neural 3:79-87. Computation Jensen JR (2005) IntroductoryDigital lmage Processing.A Remofe Sensrng Perspective. PearsonPrentice-Hall, UpperSaddleRiver,USA,Thirdedition.526p Jensen JR (2007) Remote Senslng of the Environment.An Earth Resource Perspective. PearsonPrentice-Hall, UpperSaddleRiver,USA,Secondedition.592 p Neural JordanMJ & JacobsRA (1994)Hierarchical mixturesof expertsand the EM algorithm. Computation 6:181-214. surface KangasM, Heikinheimo M & Laine V (2001)Accuracyof NOAA AVHRR-based reflectanceover a winter-timeborealsurface- comparisonwith aircraftmeasurements and land-cover information. Theoreticaland AppliedClimatologyT0ff$:231-244. KaufmanYJ, Kleidman RG,HallDK,MartinsJV & BartonJS (2002)Remotesensingof subpixel snowcoverusing0.66 and2.1 um channels.GeophysicalResearchLetters29(16):2821. 64 KellyRE, ChangAT, TsangL & FosterJL (2003)A prototype AMSR-Eglobalsnowareaand snow depth algorithm. IEEE Transactionson Geoscienceand Remote Sensrng 41(2\:23a-242. KhlopenkovKV & TrishchenkoAP (2007)SPARC:New cloud, snow, and cloud shadow detectionschemefor historical1-kmAVHHRdata over Canada.Journalof Atmospheric and Oceanic Technology24(3):322-343. KleinAG & BarnettAC (2003)Validation of dailyMODISsnowcovermapsof the UpperRio GrandeRiver Basin for the 2000-2001snow year. RemoteSensrngof Environment 86(2):162-176. KleinAG, HallDK & RiggsGA (1998)lmproving snowcovermappingin foreststhroughthe use of a canopyreflectance model.Hydrological Processes 12(10-11):1723-1744. K6nigM, WintherJG & lsakssonE (2001)Measuring Snowand Glacierlce Properties from Satellite.Reviews of Geophysics 39(1):1-27. KriebelKT, GesellG, KdstnerM & MannsteinH (2003)The cloudanalysistool APOLLO: lmprovements and validations.lnternationalJournalof RemofeSensrng24(12):23892408. KunchevaLl (2004)CombiningPatternClassrfiers. MethodsandAlgorithms. JohnWiley& Sons, p Hoboken, 350 USA. A, RoyerA, FillolE, FrigonA & LapriseR (2004)Evaluation Langlois of the snowcovervariation in the CanadianRegionalClimateModelovereasternCanadausingpassivemicrowave satellitedata.Hydrolog ical Processes18(6):1127-1138. LatifovicR, Trishchenko AP, Chen J, Park WB, KhlopenkovKV, FernandesR, PouliotD, UngureanuC, Luo Y, Wang S, DavidsonA & CihlarJ (2005)Generatinghistorical AVHRR1 km baselinesatellitedata recordsover Canadasuitablefor climatechange studies.CanadianJournalof RemoteSensrng31(5):3243a6. LiangT,Zhang X, Xie H, Wu C, FengQ, HuangX & ChenO (2008)Towardimproveddaily of MODISandAMSR-Emeasurements. snowcoverrnapping withadvanced combination RemoteSensrngof Environment 112(10):3750-376 1. Metsdmdki SJ,AnttilaST, MarkusHJ & Vepsdldinen JM (2005)A ieasiblemethodfor fractional snowcovermappingin borealzone basedon a reflectancemodel.RemoteSensrngof Environment 95(1):77-95. MialonA, Fily M & Roy A (2005)Seasonalsnowcoverextentfrom microwaveremotesensing data: comparisonwith existinggroundand satellitebased measurements. EARSeL eProceedings 4(2):215-225. NaglerT & Rott H (2000)Retrievalof wet snow by meansof multitemporal SAR data.IEEE Transactions on Geoscience and RemoteSensrng38(2):754-765. NOAA (1998) NOAA Polar Orbiter Data User's Guide. http:/lwww.ncdc.noaa.qov/oalpodquide/ncdc/docs/poduq/index. htm 65 NOAA (2007) NOAA KLM User's quide/ncdc/docs/kl m/index. htm Guide. http://rnrww.ncdc.noaa.qov/oalpod- PainterTH, RittgerK, McKenzieC, SlaughterP, DavisRE & DozierJ (2009)Retrievalof subpixelsnow coveredarea,grain size, and albedofrom MODIS.RemofeSensrngof Environmenf 113(4):868-879. PainterTH, RobertsDA, Green RO & DozierJ (1998)The effect of grain size on spectral mixture analysis of snow-coveredarea from AVIRIS data. Remote Sensing of Environmenf 65(3):320-332. PofikarR (2006) Ensemblebased systemsin decisionmaking. IEEE Circuitsand Sysfems Magazine6(3):21-aa. from spacePulliainen J & Hallikainen M (2001)Retrievalof regionalsnowwaterequivalent passive EnvironmentT5(1):76-85. borne microwaveobservations. RemofeSensrngof QobilovT (2001) Operationaltechnologyfor snow-covermappingin the CentralAsian mountains using NOAA-AVH RR data./AHS-AISH Publication (267):76-80. RamsayBH (1998)The interactivemultisensorsnow and ice mappingsystem.Hydrological Processes12(10-11 ):1537-1546. linkagesfor the visibleand near infrared Rao CRN & ChenJ (1995)lnter-satellite calibration on the NOAA-7,-9, -11 channelsof the AdvancedVery High Resolution Radiometer spacecraft.lnternationalJournalof RemoteSensing16:1931-1942. ReesWG (2006)RemoteSensingof Snowand lce. CRCPress,BocaRaton,USA de cartographie de la RobergeS, ChokmaniK & De SdveD (2010)Mised jour de l'algorithme pr6sencede neige au sol d partirdes donn6esoptiquesdu capteurNOAA-AVHRR. (R1171,InstitutNationalde la RechercheScientifique-Eau, Terre et Environnement, Qu6bec,Canada). RomanovP, GutmanG & Csiszar| (2000)Automatedmonitoringof snow cover over North Americawith multispectral satellitedata.Journalof AppliedMeteorology39(11):18661880. RosenthalW & DozierJ (1996)Automatedmappingof montanesnow cover at subpixel resolutionfrom the LandsatThematicMapper.WaterResourcesResearch32(1):1151 30 . RoyerA, GoitaK, KohnJ & De SdveD (2010)Monitoring Dry,Wet, and No-SnowConditions from MicrowaveSatelliteObservations. IEEE Geoscience and RemofeSensrngLeffers 7():670-67a. W & Appel | (2004)Estimating Salomonson fractionalsnow coverfrom MODISusingthe normalized 89(3):351-360. differencesnowindex.RemoteSensrngof Environmenf snowcover Salomonson W & Appel| (2006)Development of the aquaMODISNDSIfractional algorithmand validationresults.IEEE Transactions and RemoteSensrng on Geoscience aaQ):1747-1756. SaundersRW & KriebelKT (1988)An improvedmethodfor detectingclear sky and cloudy radiancesfromAVHRRdata.lnternational Journalof RemoteSensrng9(1):123-150. SchapireRE (1990)Thestrengthof weaklearnability. MachineLearning5(2):197-227. SimicA, FernandesR, BrownR, RomanovP & ParkW (2004)Validationof VEGETATION, productsover Canadabasedon surfacesnow MODIS,and GOES+SSM/I snow-cover 18(6):1 depthobservations. Hydrological Processes 089-1104. SimpsonJJ & MclntireTJ (2001)A recunentneuralnetworkclassifierfor improvedretrievalsof areal extent of snow cover. IEEE Transacflonson Geoscienceand Remote Sensrng 39(10):2135-2147. SlaterMT, SloggettDR, ReesWG & SteelA (1999)Potential multi-satellite operational sensor mappingof snow cover in maritimesub-polarregions.lnternational Journalof Remote Sensing20(15-16):301 9-3030. StehmanSV & CzaplewskiRL (1998) Designand analysisfor thematicmap accuracy principles. assessment: fundamental RemofeSensrngof Environment 64:331-344. Tait AB, BartonJS & Hall DK (2001)A prototypeMODIS-SSM/I snow-mapping algorithm. InternationaI JournaI of Remote Sensrng22(17):3275-3284. M (2008)Detectingthe onsetof snow-melt TakalaM, Pulliainen J, HuttunenM & Hallikainen usingSSM/Idata and the self-organizing map. lnternational Journalof RemoteSensing 29(3):755-766. TedescoM, PulliainenJ, Takala M, HallikainenM & PampaloniP (2004)Artificialneural network-based techniquesfor the retrievalof SWE and snow depth from SSM/Idata. RemoteSensrngof Environmenf 90(1):76-85. Ulaby FT, Moore RK & Fung AK (1981) MicrowaveRemoteSensing:Passiveand Active. Reading, Addison-Wesley Publishers Company, USA VachonF, GoilaK, De SdveD & RoyerA (2010)Inversionof a snowemissionmodelcalibrated with in situdatafor snowwaterequivalentmonitoring.IEEETransactions on Geoscience and RemoteSenslng48(1):59-71. VikhamarD & SolbergR (2002)Subpixelmappingof snowcoverin forestsby opticalremote sensing.RemoteSensrngof Environment 84(1):69-82. thresholdtechniquefor NOAA Voigt S, Koch M & Baumgartner MF (1999)A multichannel AVHRRdatato monitorthe extentof snowcoverin the SwissAlps.Inferactions between the Cryosphere,Climateand GreenhouseGases,Tranter M, ArmstrongR, Brun E, of Hydrological Sciences JonesG, SharpM & WilliamsM (Edit.)InternationalAssociation Publications, Wallingford, UK,Vol256.p 35-43. Warren SG (1982) Opticalpropertiesof snow. Reviewsof Geophysicsand Space Physlcs 20(1):67-8e. 67 WelchRM,SenguptaSK,GorochAK, RabindraP, RangarajN & NavarMS (1992)Polarcloud of methods. and surface classificationusing AVHRR imagery:an intercomparison Journal of Applied Meteorology31(5):a05-420. of WintherJG, GerlandS, @rbakJB, lvanovB, BlancoA & BoikeJ (1999)Spectralreflectance for optical meltingsnow in a high Arcticwatershedon Svalbard:Some implications satefliteremotesensingstudies.HydrologicalProcesses13(12-13):2033-2049. WirtensohnM (2010)Validationde la composante "neige"du moddler6gionalcanadiendu climat(MRCC)d l'aidedes donn6esde t6l6d6tection satellitaire.(lnstitutNationalde la Recherche Scientifique-Eau, Terreet Environnement, Qu6bec,Canada). WolpertDH (1992)Stackedgeneralization. 5(\:2a1-259. NeuralNetworks XiaoX, MooreB, Qin X, ShenZ & BolesS (2002)Large-scale of alpinesnowand observations lnternational ice coverin Asia:usingmulti-temporal sensordata. Journal VEGETATION of RemoteSensrng23(11):2213-2228. XiaoX, ShenZ & Qin X (2001)Assessing sensordatafor mapping the potentialof vegetation snowand ice cover:a normalized Journalof differencesnowand ice index.lnternational RemoteSensing22(13):2479 -2487. Thao H & FernandesR (2009) Daily snow cover estimationfrom AdvancedVery High ResolutionRadiometerPolar Pathfinderdata over NorthernHemisphereland surfaces during1982-2004. D: Atmospheres 114(5). Journalof Geophysical Research 68 ANNEXES AnnexeI Pasde 13iours Seuil (1) T4^", (2) T4rin Pasde 9 iours Pasde 11iours C t C E C : T Y C I a (3) aT45ra, n/d nld n/d (4) NDVlr", | !20 Joun JulLna (5) aT34r", c t c I x c E :l ; F € E t F (6) A1.in A.l. 1. Simulationdes diff6rentsmodiles de percentileset de pas de temps sur le calcul des seuils dans I'algorithmed'estimationd'ensemblei partir des images AVHRRde I'automneavec la bande 38. 70 Pasde 7 jours Seuil (1) | 4rar (2) Pasde 5 jours Pasde 3 jours n/d n/d € : € I T4-in E I (3) aT45ra, (4) E NDVlm"" E (5) ! e 4T34,"" E t (Continuation). Pasde 13 iours Seuil (1) Pasde 9 iours Pasde 11iours C .l E I T4'", (2) T4rin C E I e I ! C (3) aT45'n", n/d n/d n/d (4) NDVlra, (s) A3'", (6) A1 tin A.l. 2. Simulationdes diff6rentsmodiles de percentileset de pas de temps sur le calcul des seuils dans I'algorithmed'estimationd'ensemblei partir des images AVHRRde I'automneavec la bande 3A. 72 Seuil (1) T4r", (3) aT4sma, (6) Al tin (Gontinuation). n/d n/d (1) C C - T4r"* ! C E ts (2) T4rin E I I a C - (3) 4T45r",, n/d n/d n/d (4) NDVlr", ntm (5) C ! aT34r"* E t I C E E t E t F (6) Al tin euF Julanr JcuFJullam I'algorithmed'estimationd'ensemblei partir des images AvHRR du printemps avec la bande 38. 74 Seuil (1) T4^, Pasde 7 iours Pasde 5 jours Pasde 3 jours n/d n/d n/d C ! c F (2) C 2 I T4rin (3) aT45r"* (4) NDVl.a, (5) a a T z C C aT34ra, E I t (6) 41 .in (Continuation). 75 Pasde 13jours Seuil (1) T4^", Pasde 11 iours c ! - x I c t Pasde 9 iours C F (2',) c x a ! T4ttn a F JdI Jcllanr (3) aT4sra* n/d n/d n/d (4) NDVlra, (s) A3'", JqE JU ant (6) A1 ,nin rD 13r laD lar tn Jorn JulLnr A.l. 4. Simulationdes diff6rentsmodiles de percentileset de pas de temps sur le calcul des seuils dans I'algorithmed'estimationd'ensembleI partir des images AVHRRdu printemps avec la bande 3A. 76 (1) T4'", E : E (3) aT45n'a, (s) A3,n"" (6) A1.in (Gontinuation). n/d n/d n/d Annexell Seuil (enfonction dujourjulien) Equation Graphique l=.-->-- (1) I zol at ---*- , lat 3408 10{.J2+0,1383.J+266, T4.",=-3,6678. T4."* p-value=0,0257 (2) 82 1.J+488,41 T46;n=1,5. 1O-3.J2-1,207 T4rin ; C p-value=0,0004 (3) aT45.",. n/d AT45."r=2'K (4) NDVlra, 103 NDVl,"*=-8,4577 .104.J2+0,067.J-1,0 - +- vr-1-*- p-value=0,0048 (s) I ! C 7.J+56,8214 aT34'na" AT34,",=5,7757.10'4.J2-0,351 p-value=0,0202 E a (6) A1.in A1';n=0,0965 Valeurs des seuils de d6tection des cat6gories cat6qories de sut{aces sur les imagesAVHRRde l'automneavec la bande 38. Seuil (enfonction Equation dujourjulien) Graphique (1) T4^", T4^*=2721184 (2) T4rin T46;6=8,478 4.104.J2-1,71 42J+s64,01BS p-value=0,0108 (3) aT45n'a, AT45r"r=2'11 n/d (4) NDVl.", NDVlr",=-4,5469.10-s.J2+0,03 16.J-5,2290 p-value=0,0359 (5) A3'", A3r""=0,1598 (6) Al rtn 41';n=0,0912 A.ll. 2. Valeurs des seuils de d6tection des cat6oories de surfaces sur les imaoes images AVHRR da la bande 3A. I'automneavec Seuil (enfonction dujourjulien) Equation Graphique (1) T4'", T4r"*=-0,0010.J2+0,3982.J+249,9841 p-value=0,0142 (2) .J+211,2251 19.J2+0,6368 T4,ip=-0,00 T4rin p-value=0,0256 (3) aT45ra, n/d AT45,n"r=2'11 (4) NDVlr", NDVl'n"r=O,1850 (5) A3.", A3,n"r=0,1234 (6) Al rtn A1';n=0,1295 Valeurs des seuils de d6tection des cat6gories de la bande 3A. sur les imagesAVHRRdu printempsavec Annexelll Pixelsde neige Pixelsde non-neige Pixelsde nuages (1) T4r"" (3) aT45.a, (4) NDVlra* (6) A1 rin JouFJulbna Jdr[J!ll.m A.lll. 1. Suivi de la classificationdes 6chantillonsde pixels de validationde neige,de non-neigeet des nuages par I'algorithmede classificationpour les images AVHRRde I'automneavec la bande 38. Seuil Pixelsde neige Pixelsde non-neiqe Pixelsde nuaqes (1) T4'", $.--ss &{n Jdh 5_ (2) I I T4rin ! -s 6-'!A Jqrn Jultil s &[&lh .l ai (3) 'l+r,r1iyigl1!fi |tJ'| ','-, aT45,n", tl rlllllril .l bs!!lios r.i E o, l', J . | . r i $ i ' r ' i , .r : 1 i ' . , , i i " t 1 i ; , . i af at '-a&s9$ b[ Julb6 J..rn J!lb6 (4) NDVlma, hnJulh (s) A3r"" &6 Julda tf orf otf <l ot) 0rf - -!6 oi ,$ubJulhm & s s Jcca & 5 Julhaa (6) Al rin A.lll. 2. Suivi de la classificationdes 6chantillonsde pixels de validationde neige,de non-neigeet des nuages par I'algorithmede classificationpour les images AVHRRde I'automneavec la bande 3A. 84 Pixelsde neiqe Seuil Pixelsde nuages Pixelsde non-neige s (1) t- s.ol fi.t i i lul D t6 1t *i -l (2) T4rin Ea il{Wl T4."" t lao I 16 @. s !- *l i?oi *i -l , o E ' - rl -l i- s - l t-' -l -l l- i ! ' ar t6 Js[ 1& Jullant i& io (3) E aT45r", 5 (4) NDVl,a, E "i z ^^ li itlr,,rtrhl, !Uvr'l',r it 10 Jdn Dr@ tT Jullana (5) A3r", t2o t{ to (6) A1 rin $rDJulh JounJulLm JcunJull'm A.lll. 3. Suivi de la classificationdes 6chantillonsde pixels de validationde neige,de non-neigeet des nuages par I'algorithmede classificationpour les images AVHRRdu printemps avec la bande 3A. 85 A.lll. 4. Matrice d'erreur de la classification des 6chantillons de pixels qui ont seili i la validation de I'algorithmede cartognphie des images AVHRRde I'automnepour la p6riode 1988a 2011. Bande38 Neige Pixels de Neige validation Non-neige Nuages Total Erreur de commission 8917 146 13 9076 2o/o Classification Total NonNuages neioe 313 643 10210 21 230 16251 10753 16915 5o/o r=0,94 Bande3A Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commission 13369 206 82 13657 2o/o Nonnerge 462 't2977 326 13765 6% 9873 10377 16494 36744 90% 98o/o 99% Erreur d'omission 10o/o 2o/o 1o/o 4o/o Tauxde succdsqlobal 96% Classification Nuages Total Tauxde Erreur succds d'omission 14176 345 94Yo 6% 65 13248 98o/o 2o/o 13235 13643 97o/o 3o/o 13654 41067 3Yo Taux de succdsglobal x=0,95 Tauxde succds 960/o A.lll. 5. Matrice d'erreur de la classification des 6chantillons de pixels qui ont servi I la validation de l'algorithmede cartographiedes images AVHRRdu printemps pour la p6riode 1988e 2011. Bande 3A Neige Pixels de Neige validation Non-neige Nuages Total Erreur de commission 7868 4 21 7893 0% Nonneiqe 231 4105 0 4336 5o/o r=0,96 Classification Nuages Total 199 152 17102 17543 2% 8298 4261 17123 29682 Tauxde succdsolobal 86 Tauxde succds 95o/o 96Yo IOOYo 98% Erreur d'omission 5o/o 4o/o 0o/o AnnexelV Typede zone Graphique a Toutes les stations m6t6orologiques o o T o o o o E a o 1G15 i$m 2025 25-30 3G35 3540 40{5 aS50 s Stations m6t6orologiques en zoneouverte I o o o 6 o llauteur de mlgo lm) € Stations o o e m6t6orologiques en zoneforestidre o o o Hautew& mlgs (m) A.lV. 1. D6tectabilit6 de la neige aux stations m6t6orologiques par la version bande 38 de I'algorithme de I'automne. 87 Typede zone Graphique 52 51 49 38 Toutes les stations m6t6orologiques Halteu d, n€lgc (m) Stations m6t6orologiques en zoneouverte Hauteu.b mho (m) Stations m6t6orologiques en zoneforestidre Hadeu de neloo (m) A.lV. 2. D6tectabilit6 de la neige aux stations m6t6orologiques par la version bande 3A de I'algorithme de l'automne. A.lV.3. Matriced'erreurde la classificationdes imagesAVHRRde I'automnecompar6eaux observationsde pour la p6riode1988a 2011. neigeau niveaudes 20 stationsm6t6orologiques Bande 38 Neige Pixels de Neige validation Non-neige Nuages Total Erreur de commission Classification Nuages Total Nonneiqe 2979 682 201 2632 3661 19To 2833 Neige Non-neige Nuages Total Erreur de commission 3180 3314 24321 30815 94% 79o/o Erreur d'omission 60/o 21o/o 7o/o r=0,92 Taux de succCsglobal Neige Classification Nuages Total Bande 3A Pixels de validation 24321 24321 Tauxde succds Nonneige 701 151 40 595 852 18% 635 4605 4605 97Yo Tauxde succds 741 746 4605 6092 95o/o 80o/o Erreur d'omission 5o/o 20o/o 60/o Taux de succdsglobal r=0,92 97% A.lV. 4. Matrice d'erreur de la classification des images AVHRR du printemps compar6e aux observations de neige au sol au niveau des 20 stations m6t6orologiquespour la p6riode 1988a 2011. Bande 3A Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commission 997 66 1063 6% Nonneige 30 498 528 6Yo Classification Nuages Total 3914 3914 1027 564 3914 5505 Taux de succdsglobal r=0,96 89 Tauxde succds 97o/o 88o/o 98% Erreur d'omission 3o/o 12o/o Typede zone Graphique 76 52 50 11 2$30 3035 3+,t0 4O{5 2s30 3035 3640 ,1045 Toutes les stations m6t6orologiques Stations m6t6orologiques en zoneouverte 4t50 >50 Stations m6t6orologiques en zoneforestidre Haucw .'e mlgp (cml A.lV. 5. D6tectabilit6 de la neige aux stations m6t6orologiques par la version bande 3A de I'algorithme du printemps. AnnexeV Typede zone Graphique StationsGMON en zoneforestidre A.V. 1. D6tectabilit6 de la neige aux stations GMON par la version bande 38 de l'algorithme de l'automne. A.V.2. Matriced'erreurde la classificationdes imagesAVHRRde I'automnecompar6eaux observationsde neigeau niveaudes sept stationsGMONpour la p6riode2007e2011. Bande38 Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commission 212 11 Nonneige 105 276 223 381 50h 28o/o Classification Total Nuages 2312 2312 317 287 2312 2916 r=0,89 Taux de succdsqlobal Neige Classification Total Nuages Bande 3A Pixels de Neige validation Non-neige Nuages Total Erreur de commission Nonneioe I 1 2 26 10 28 1Oo/o 7o/o 160 160 11 27 160 198 Tauxde succdsglobal r=0,95 Tauxde succes Erreur d'omission 33% 67o/o 960/o 4o/o 96Yo Tauxde succds 82o/o 960/o Erreur d'omission 18o/o 4o/o 98o/o A.V. 3. Matrice d'erreur de la classification des images AVHRR de I'automne compar6e aux observations de neige au niveau des sept stations GMON pour la p6riode 2007 e2011, avec un seuil de d6tection de 15 mm d'6quivalent en eau de la neige. Bande 38 Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commission Classification Total Nuages Nonneige 189 34 21 360 223 381 15o/o 60/o Tauxde succdsglobal x=0,95 Bande3A Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commission Classification Total Nuages Nonneioe I 1 2312 2312 210 394 2312 2916 0 28 10 28 10o/o OYo 160 160 I 29 160 198 Taux de succdsglobal K=0,98 92 Tauxde succds 9Oo/o 91o/o Erreur d'omission 1lYo 9o/o 98o/o Tauxde succds lOOo/o 97% 99% Erreur d'omission 0Yo 3o/o Typede zone Graphique s StationsGMON o G o en zoneforestidre o o x o A.V.4. D6tectabilit6 de la neigeaux stationsGttlONpar la versionbande3A de I'algorithmedu printemps. A.V 5. Matriced'erreurde la classificationdes imagesAVHRRdu printempscompar6eaux observationsde neigeau sof au niveaudes sept stationsGMONpour la p6riode2007et2011. Bande3A Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commission 33 9 42 21Yo Nonneiqe I 48 55 Classification Nuages Total 144 144 42 55 144 241 Tauxde succds 79o/o 84o/o Erreur d'omission 21To 16% 160/o Taux de succds qlobal r=0,87 93o/o A.V.6. Matriced'erreurde la classificationdes imagesAVHRRdu printempscompar6eaux observationsde neigeau sol au niveaudes sept stationsGMONpour la p6riode2007d 2011,avec un seuil de d6tectionde 60 mm d'6quivalent en eaude la neige. Bande 3A 30 12 Nonneige 3 52 42 29Yo 55 5% Neige Pixels de Neige validation Non-neige Nuages Total Erreur de commission Classification Nuages Total 144 144 33 64 144 241 Tauxde succdsglobal r=0,89 93 Tauxde succds 91o/o 81o/o 94o/o Erreur d'omission 9o/o 19% AnnexeVl A.Vl. 1. Matrice d'erreur de la classification d'ensemble sur les 6chantillons de pixels qui ont servi i la validationde I'algorithmede cartographiedes images AVHRR de I'automnepour la p6riode 1988a 2011. Bande38 Neige Pixels de Neige validation Non-neige Nuages Total Erreur de commission 8195 25 21 8241 1o/o Classification d'ensemble Nuages Total Tauxde Erreur succds d'omission 719 83o/o 17o/o 959 9873 6 10377 lOOo/o 10346 OYo 16108 16494 98% 2Yo 365 16833 11670 36744 Nonneige 11Yo Taux de succds global x=0,91 Bande3A Neige Pixels de Neige validation Non-neige Nuages Total Erreur de commission 11850 41 27 11 9 1 8 1Yo 4o/o 94o/o Classification d'ensemble Nuages Tauxde NonTotal Erreur succds d'omission neiqe 975 160/o 1351 14176 84o/o 13150 57 13248 99Yo 1Yo 13225 13643 97o/o 3o/o 391 14892 14257 41067 12% 7o/o Taux de succds global r=0,90 93o/o A.VI. 2. Matrice d'erreur de la classification d'ensemble sur les 6chantillons de pixels qui ont servi i la validationde I'algorithmede cartographiedes imagesAVHRR du printemps pour la p6riode 1988e 2011. Bande3A Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commission 7209 1 2 7212 0To Classification d'ensemble Nuages Tauxde Total Erreur succds d'omission 416 87Yo 13o/o 673 8298 72 4261 98o/o 2o/o 4188 100o/o 17121 17123 0% 0 17609 4861 29682 Nonneige 14o/o 3o/o Taux de succdsqlobal r=0,93 95 96% Bande 38 Neiqe d'ensemble Classification Non-neige Nuages Neige c .o o p (E o) E o q) .x (L d'ensemble Classification Non-neige Bande 3A Neige c .o (s p (! o E U' o .x (L A.Vl. 3. Matrice de confusion des probabilit6s d'appartenance i la classe majoritaire < neige > de la classificationd'ensemblesur les 6chantillonsde pixels qui ont servi i la validationde I'algorithmede cartographie des images AVHRR de l'automne. Bande38 Classifi cationd'ensemble Non-neioe c .9 o = o o E o q) .x (L Bande 3A Neige Classification d'ensemble Non-neige ti 1i "i Neige I s",i oef "'l l,.i d : o E o q) , ,, ,rrl.lrl Prodi c o o p $ ', d. dxdlr 1l ".1 Nonneige 1 d 3 c ,'li .x (L Nuages A.Vl. 4. Matrice de confusion des probabilit6s d'appartenance i la classe majoritaire < non-neige >rde la classification d'ensemble sur les 6chantillons de pixels qui ont servi i la validation de I'algorithme de cartographiedes imagesAVHRR de I'automne. d'ensemble Classification Non-neiqe Bande 38 Neige c .9 o p o o E o 6 .x TL Classifi cationd'ensemble Non-neige Bande 3A Neige c .9 o p (5 po I o .x TL A.Vl.5. Matricede confusiondes probabilit6sd'appartenance A la classemajoritaire( nuages> de la classification d'ensemble sur les 6chantillons de de pixelsqui ont servii la validationde l'algorithme cartographiedes imagesAVHRRde I'automne. Bande38 Classification d'ensemble Non-neige Neige c .o o p (E Nonneige o o o) .x IL E Bande3A Classification d'ensemble Non-neige Neige .9 o p (5 o E U' o .x (L Nonneige '':L'':L 0 f 0 I c 6 0 3 1 ftobfla c a 2 ! ! ! 6 0 . 9 1 n rtr Pmb$fa d. rh€ A.Vl. 6. Matrice de confusion des probabilit6s d'appartenance d la classe majoritaire < neige > de la classificationd'ensemblesur les 6chantillonsde pixels qui ont servi d la validation de l'algorithmede cartographiedes images AVHRRdu printemps. Bande38 Classifi cationd'ensemble Non-neige Neige .o o p E o) a Iq) .x (L Nuasesg c? Foldtt 0a 06 mille. -,-.4il 03 d'ensemble Classification Non-neige Bande 3A Neige c .9 o p o o a a o .5 (L Nuages A.Vl. 7. Matrice de confusion des probabilit6s d'appartenance i la classe maioritaire < non-neige > de la classification d'ensemble sur les 6chantillons de pixels qui ont servi i la validation de I'algorithme de cartographie des images AVHRR du printemps. 100 Bande38 Neige Classification d'ensemble Non-neige Nuages c .o G p E o N9nnelge E o o) .x (L o 'i i rl ro'i E".l E o2i ,i I "u, I ooi 4! Classifi cationd'ensemble Non-neige Bande 3A Neige c .9 o p o o E Nonneige I o .x tL A.Vl. 8. Matrice de confusion des probabilit6s d'appartenance i la classe majoritaire ( nuages > de la classification d'ensemble sur les 6chantillons de pixels qui ont servi i la validation de I'algorithme de cartographie des images AVHRR du printemps. 101 AnnexeVll Typede zone Graphique 2S8 170 180 100 t00 35-40 4G45 ,1150 217 s Toutes 6 o I les E o o o stations m6t6orologiques o 4 o Ha|nudrmlgo(m) :e Stations 6 o F o m6t6orologiques en zoneouverte 6 o o s Stations m6t6orologiques o o c en zone forestidre 5 o .5 Sl0 lUIS 1120 2025 ?5-30 3t135 >50 A.Vll. 1. D6tectabilit6 de la neige aux stations m6t6orologiques par la version bande 38 de I'algorithme d'estimationd'ensemblede I'automne. 103 Typede zone Graphique F t,l8 125 78 72 13 12 {,1 36 13 l{ 3:t Toutes les stations m6t6orologiques Hetcu dr n€leB(m) 3g 39 13 Stations m6t6orologiques en zoneouverte Hadil ds mlgs (cm) Stations m6t6orologiques en zoneforestidre Hautowdo mbB (cm) A.Vll. 2. D6tectabilit6 de la neige aux stations m6t6orologiques par la version bande 3A de I'algorithme d'estimationd'ensemblede I'automne. 104 A.Vll. 3. Matriced'erreur de la classificationd'ensembledes imagesAVHRRde I'automnecompar6eaux pour la p6riode1988a 2011. observationsde neigeau sol au niveaudes 20 stationsm6t6orologiques Bande 38 Neige Pixels de Neige validation Non-neige Nuages Total Erreur de commission 2895 667 3562 Classification d'ensemble Nuages Tauxde Total Erreur succds d'omission 201 94o/o 3096 60/o 2632 3299 80% 20o/o 23587 23587 2833 23587 29982 Nonneige r=0,92 Bande3A Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commission s96 105 701 15o/o Nonneiqe 39 582 Tauxde succdsolobal 97o/o Classifi cationd'ensemble Nuages Total Tauxde succds 4760 4760 621 635 687 4760 6082 94% 85o/o Erreur d'omission 60/o 15o/o 60/o r=0,93 Taux de succdsolobal 98o/o A.Vll. 4. Matriced'erreur de la classificationd'ensembledes imagesAVHRRdu printempscompar6eaux pour la p6riode1988a 2011. observationsde neigeau sol au niveaudes 20 stationsm6t6orologiques Bande 3A Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commission 794 45 839 SYo x=0,97 Classification d'ensemble Nuages Total Tauxde Erreur succds d'omission 30 96% 4o/o 824 495 540 92% 8Yo 4110 4110 4110 525 5474 Nonneige 6Yo Tauxde succdsolobal 105 99o/o Typede zone Graphique 38543861 s Toutes les stations m6t6orologiques o F E q E E 6 Hatu.l0mhp(m) s Stations o m6t6orologiques en zoneouverte o t a o o Hadud€mbB(m) :l Stations m6t6orologiques en zoneforestidre 6 i €5 o E = & o € +t0 lol5 lt20 2U25 2$30 3G35 3540 ,40.15 4S5O >50 A.Vll. 5. D6tectabilit6de la neige aux stations m6t6orologiques par la version bande 3A de I'algorithme d'estimationd'ensembledu printemps. 106 AnnexeVlll Graphique Type de zone s StationsGMON en zoneforestidre 6 6 I s o o A.Vlll. 1. D6tectabilit6 de la neige aux stations GMON par la version bande 38 de I'algorithme d'estimation d'ensemblede I'automne. A.VIll. 2. Matrice d'erreur de la classification d'ensemble des images AVHRR de I'automne compar6e aux observations de neige au sol au niveau des sept stations GMON pour la p6riode 2007 d2011. Bande 38 Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commission 212 11 223 5o/o Nonneiqe 105 276 Neige Pixels de validation Neige Non-neige Nuages Total Erreur de commission 8 0 8 Oo/o r=0,97 2227 2227 381 28o/o 317 287 2227 2831 Taux de succtdsqlobal r=0,89 Bande3A d'ensemble Classification Nuages Total Tauxde succds 67o/o 960/o Erreur d'omission 33o/o 4% 96% d'ensemble Classification Nuages Erreur NonTotal Tauxde neige succds d'omission 2 10 8oo/o 20% 25 25 100o/o Oo/o 162 162 162 27 197 7o/o Tauxde succdsglobal 107 99% A.Vlll. 3. Matriced'erreur de la classificationd'ensembledes imagesAVHRRdu printempscompar6eaux observationsde neigeau sol au niveaudes sept stationsGMONpour la p6riode2007e2011. Bande 3A Neige Pixels de Neige validation Non-neige Nuages Total Erreur de commission 32 7 39 18Yo r=0,88 Classifi cationd'ensemble Total Tauxde Erreur Nuages succes d'omission 22o/o 41 78o/o I 13% 87o/o 46 53 '144 144 238 55 144 Nonneige 160/o Tauxde succdsglobal 108