Télécharger

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