Satellite remote sensing of the variability of the continental hydrology cycle in the lower Mekong basin over the last two decades

par Binh Pham-Duc

Thèse de doctorat en Sciences de l'environnement

Sous la direction de Catherine Prigent et de Filipe Aires.

Soutenue le 06-02-2018

à Sorbonne université , dans le cadre de École doctorale des sciences de l'environnement d'Île-de-France (Paris) , en partenariat avec Laboratoire d'Etude du Rayonnement et de la Matière en Astrophysique / LERMA (laboratoire) .

Le président du jury était Agnès Ducharne.

Le jury était composé de Sylvain Biancamaria, Selma Cherchali.

Les rapporteurs étaient Stéphane Jacquemoud, Thanh Ngo-Duc.

  • Titre traduit

    Analyse de la variabilité du cycle hydrologique continental dans le bassin inférieur du Mékong au cours des deux dernières décennies, par l'observation satellite


  • Résumé

    Les eaux superficielles sont nécessaires à toute forme de vie en tant que parties intégrantes de tout processus de vie sur Terre. Quantifier les eaux de surface et suivre leurs variations est primordial en raison du lien direct qui existe entre les variables hydrologiques et le changement climatique. La télédétection par satellite, de l’hydrologie continental offre l’opportunité unique d’étudier, depuis l’espace, les processus hydrologiques à différentes échelles (régionale et globale). Dans cette thèse, différentes techniques ont été développées afin d’étudier les variations des eaux superficielles ainsi que d’autres variables hydrologiques, au niveau du bassin inférieur du Mékong (entre le Vietnam et le Cambodge) et ce en utilisant plusieurs estimations satellitaires différentes. Cette thèse s’articule autour de quatre points principaux. Premièrement, l’utilisation d’observations satellitaires dans le visible et dans l’infrarouge (MODIS) est étudiée et comparée afin d’évaluer les eaux de surface au niveau du bassin inférieur du Mékong. Quatre méthodes de classification ont été utilisées afin de différencier les types de surface (inondés ou pas) dans le bassin. Les différentes méthodes ont donné des cartes d’eaux de surface aux résultats semblables en terme de dynamique saisonnière. La classification la plus adaptée aux régions tropicales a été ensuite choisie pour produire une carte des eaux de surface à la résolution de 500 m entre janvier 2001 et aujourd’hui. La comparaison des séries temporelles issues de cette carte et de celles issues du produit de référence MODIS donne une forte corrélation temporelle (> 95%) pour la période 2001-2007. Deuxièmement, l’utilisation des observations issues du satellite SAR Sentinel-1 est examinée à des fins identiques. L’imagerie satellitaire optique est ici remplacée i par les images SAR qui grâce aux longueurs d’ondes utilisées dans le micro-ondes, permettent de « voir » à travers les nuages. Un jeu d’images Landsat-8-sans-nuage est alors utilisé pour entraîner un Réseau de Neurones (RN) afin de restituer des cartes d’eaux de surface par l’utilisation d’un seuillage sur les sorties du modèle RN. Les cartes sont à la résolution spatiale de 30 m et disponibles depuis janvier 2015. Comparées aux cartes de référence Landsat-8-sans-nuage, les sorties de modèles RN montre une très grande corrélation (90%) ainsi qu’une détection "vraie" à 90%. Les cartes restituées d’eaux de surface utilisant la technologie SAR sont enfin comparées aux cartes d’inondation issues de données topographiques. Les résultats montrent une fois encore une très grande consistance entres les deux cartes avec 98% des pixels considérés comme inondés dans cartes SAR se trouvant dans les régions de très grande probabilité d’inondation selon la topographie (>60%). Troisièmement, la variation volumique des eaux de surface est calculée comme le produit de l’étendue de la surface avec la hauteur d’eau. Ces deux variables sont validées à l’aide d’autres produits hydrologiques et montrent de bons résultats. La hauteur d’eau superficielle est linéairement interpolée aux régions non inondées afin de produire des cartes mensuelles à la résolution spatiale de 500 m. La hauteur d’eau est ensuite analysée pour estimer les variations volumiques. Ces résultats montrent une très bonne corrélation avec la variation volumique induite par la mesure du contenu en eau du satellite GRACE (95%) ainsi qu’avec la variation des mesures in situ de débit des rivières. Finalement, deux produits globaux et multi-satellites d’eaux superficielles sont comparés à l’échelle régionale et globale sur la période 1993-2007: GIEMS et SWAMPS. Lorsqu’elles existent, les données auxiliaires sont utilisées afin de renforcer l’analyse. Les deux produits montrent une dynamique similaire, mais 50% des pixels inondés dans SWAMPS se trouvent le long des côtes.


  • Résumé

    Surface water is essential for all forms of life since it is involved in almost all processes of life on Earth. Quantifying and monitoring surface water and its variations are important because of the strong connections between surface water, other hydrological components (groundwater and soil moisture, for example), and the changing climate system. Satellite remote sensing of land surface hydrology has shown great potential in studying hydrology from space at regional and global scales. In this thesis, different techniques using several types of satellite estimates have been made to study the variation of surface water, as well as other hydrological components in the lower Mekong basin (located in Vietnam and Cambodia) over the last two decades. This thesis focuses on four aspects. First, the use of visible/infrared MODIS/Terra satellite observations to monitor surface water in the lower Mekong basin is investigated. Four different classification methods are applied, and their results of surface water maps show similar seasonality and dynamics. The most suitable classification method, that is specially designed for tropical regions, is chosen to produce regular surface water maps of the region at 500 m spatial resolution, from January 2001 to present time. Compared to reference data, the MODIS-derived surface water time series show the same amplitude, and very high temporal correlation for the 2001-2007 period (> 95%). Second, the use of SAR Sentinel-1 satellite observations for the same objective is studied. Optical satellite data are replaced by SAR satellite data to benefit the ability of their microwave wavelengths to pass through clouds. Free-cloud Landsat-8 satellite imagery are set as targets to train and optimize a Neural Network (NN). Predicted surface water maps (30 m spatial resolution) are built for the studied region from January 2015 to present time, by applying a threshold (0.85) to the output of the NN. Compared to reference free-cloud Landsat-8 surface water maps, results derived from the NN show high spatial correlation (_90%), as well as true positive detection of water pixels (_90%). Predicted SAR surface water maps are also compared to floodability maps derived from topography data, and results show high consistency between the two independent maps with 98% of SAR-derived water pixels located in areas with a high probability of inundation (>60%). Third, the surface water volume variation is calculated as the product of the surface water extent and the surface water height. The two components are validated with other hydrological products, and results show good consistencies. The surface water height are linearly interpolated over inundated areas to build monthly maps at 500 m spatial resolution, then are used to calculate changes in the surface water volume. Results show high correlations when compared to variation of the total land surface water volume derived from GRACE data (95%), and variation of the in situ discharge estimates (96%). Fourth, two monthly global multi-satellite surface water products (GIEMS & SWAMPS) are compared together over the 1993-2007 period at regional and global scales. Ancillary data are used to support the analyses when available. Similar temporal dynamics of global surface water are observed when compared GIEMS and SWAMPS, but _50% of the SWAMPS inundated surfaces are located along the coast line. Over the Amazon and Orinoco basins, GIEMS and SWAMPS have very high water surface time series correlations (95% and 99%, respectively), but SWAMPS maximum water extent is just a half of what observed from GIEMS and SAR estimates. SWAMPS fails to capture surface water dynamics over the Niger basin since its surface water seasonality is out of phase with both GIEMS- and MODIS-derived water extent estimates, as well as with in situ river discharge data.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?

  • Bibliothèque : Sorbonne Université. Bibliothèque des thèses électroniques.
Voir dans le Sudoc, catalogue collectif des bibliothèques de l'enseignement supérieur et de la recherche.