Evaluation of thermal-water stress of forest in southern Québec from satellite images

Le stress hydro-thermique a été évalué pour la région du sud du Québec à l’aide des images SPOT VEGETATION (VGT) et NOAA AVHRR, pour deux saisons de croissance (1999 et 2000). Pour extraire la température de surface à l’aide des images AVHRR, l’algorithme ‘split-window’ (Coll et al., 1994b) a été choisi suite à la comparaison avec six algorithmes connus. Les réseaux de neurones artificiels ont été entraînés pour la détection des nuages sur les données quotidiennes synthèses (S1) et les données P. Cette analyse montre que les réseaux identifient les nuages avec plus de précision que le masque standard fourni avec les données. Les réseaux détectent non seulement les nuages épais et brillants, mais également les nuages minces et peu brillants. Comme autre application, les réseaux ont été employés pour estimer la température de l'air. Les variables d’entrées pour les réseaux étaient les cinq bandes de l'image AVHRR, l'altitude de surface, l'angle de zénith solaire, et le jour julien. Le réseau utilisant toutes les données d’entrée a fourni les meilleurs résultats, avec 22 noeuds dans la couche cachée. Le ‘normalized difference vegetation index’ (NDVI) et le ‘normalized difference water index’ (NDWI) sont déduits de SPOT VGT pour évaluer l’état hydrique végétal et la température de surface a été obtenu des images AVHRR pour l’état thermique. Ces deux indices de végétation forment un nouvel indice d’humidité normalisée (NMI) qui s’est révélé inversement corrélé à la température de surface. Un trapèze, exploitant les valeurs de la température de surface et du NMI, permet d’identifier le statut hydro-thermique du couvert végétal. Ces résultats sont validés par une comparaison avec les indices forêt-météo de la méthode canadienne.The thermal-water stress of the vegetation canopy was evaluated for southern region Québec from SPOT VEGETATION (VGT) and NOAA AVHRR images, and for the 1999 and 2000 reproduction seasons. To retrieve surface temperatures from AVHRR images, the algorithm of Coll et al. (1994b) was found to be the optimal method for our study area by comparing six algorithms. Artificial Neural Networks (ANNs) were trained for cloud detection on daily synthesis (S1) and P data of the SPOT VGT system. The analysis demonstrated the superior classification of the network over the standard cloud masks provided with the data. The network detected not only bright thick clouds but also thin or darker clouds. As another application study, ANNs were employed for estimating air temperatures. The input variables for the networks were the five bands of the AVHRR image, surface altitude, the solar zenith angle, and Julian day. The network using all the input data provided the best results, with 22 nodes in the hidden layer. The Normalized Difference Vegetation Index (NDVI) and the Normalized Difference Water Index (NDWI) were derived from SPOT VGT for evaluating vegetation water status and surface temperature was retrieved from AVHRR for the thermal status. The two vegetation indices were integrated for evaluating the vegetation condition and water status as a new index, namely the Normalized Moisture Index (NMI). A trapezoid was defined by the NMI and by surface temperature and the thermal-water status of the vegetation canopy was determined according to the four sectors of the trapezoid. The thermal-water status was validated by comparing it with the indices of the Canadian Forest Fire Weather Index System