Improved observation of the global water cycle with satellite remote sensing and neural network modeling

La télédétection par satellite est couramment utilisée pour observer le cycle hydrologique à des échelles spatiales allant des bassins fluviaux au globe terrestre. Pourtant, il reste difficile d'obtenir un bilan hydrique équilibré en utilisant des données de télédétection, ce qui met en évidenc...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
1. Verfasser: Heberger, Matthew
Format: Dissertation
Sprache:eng
Schlagworte:
Online-Zugang:Volltext bestellen
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:La télédétection par satellite est couramment utilisée pour observer le cycle hydrologique à des échelles spatiales allant des bassins fluviaux au globe terrestre. Pourtant, il reste difficile d'obtenir un bilan hydrique équilibré en utilisant des données de télédétection, ce qui met en évidence les erreurs et les incertitudes des données d'observation de la Terre. Cette recherche visait à améliorer les estimations des précipitations, de l'évapotranspiration, de l'écoulement, et du changement du stockage total de l'eau à l'échelle mondiale en utilisant une combinaison de méthodes analytiques (interpolation optimale, OI) et de méthodes de modélisation statistique, y compris les réseaux neuronaux (NN). Les modèles ont été entraînés sur un ensemble de 1 358 bassins fluviaux et validés sur un ensemble indépendant de 340 bassins et sur des observations in situ des précipitations, de l'évapotranspiration et du débit des cours d'eau. Les modèles sont étendus pour faire des prévisions à l'échelle du pixel dans des cellules de grille de 0,5° pour une couverture quasi mondiale. Les ensembles de données calibrées donnent des résidus de bilan hydrique plus faibles dans les bassins de validation : la moyenne et l'écart-type du déséquilibre sont de 11±44 mm/mo lorsqu'ils sont calculés avec des données non corrigées et de 0,03±24 mm/mo après calibrage par les modèles NN. Les résultats nous permettent de faire des estimations plus précises des composantes manquantes du cycle de l'eau, par exemple pour estimer l'évapotranspiration dans les zones non instrumentées, ou pour prédire le débit dans les bassins non jaugés. Les résultats peuvent également indiquer aux producteurs de données où leurs produits semblent incohérents par rapport à d'autres ensembles de données et où un étalonnage plus poussé pourrait apporter des améliorations. Enfin, cette recherche démontre l'utilisation des réseaux neuronaux et de l'intelligence artificielle pour l'intégration des données satellitaires et pour l'étude du cycle de l'eau. Satellite remote sensing is commonly used to observe the hydrologic cycle at spatial scales ranging from river basins to the globe. Yet, it remains difficult to obtain a balanced water budget using remote sensing data, which highlights the errors and uncertainties in earth observation (EO) data. This research aimed to improve estimates of precipitation, evapotranspiration, runoff, and total water storage change at the global scale using a combination of analytical m