Amélioration de la caractérisation de la neige et du sol arctique afin d’améliorer la prédiction de l’équivalent en eau de la neige en télédétection micro-ondes

Le phénomène de l’amplification arctique consiste en une augmentation plus prononcée des températures de surface dans cette région que sur le reste du globe. Ce phénomène est notamment dû à la diminution marquée du couvert nival provoquant un déséquilibre dans le bilan d’énergie de surface via une réduction généralisée de l’albédo (rétroaction positive). L’accélération du réchauffement est jusqu’à trois fois plus élevée dans ces régions. Il est donc primordial, dans un contexte de changement climatique arctique, de poursuivre et d’améliorer le suivi à grande échelle du couvert nival afin de mieux comprendre les processus gouvernant la variabilité spatio-temporelle du manteau neigeux. Plus spécifiquement, l’Équivalent en Eau de la Neige (EEN) est généralement utilisé pour quantifier deux propriétés (hauteur et densité) de la neige. Son estimation à grande échelle dans les régions éloignées tel que l’Arctique provient actuellement essentiellement de produits en micro-ondes passives satellitaires. Cependant, il existe encore beaucoup d’incertitudes sur les techniques d’assimilation de l’ÉEN par satellite et ce projet vise une réduction de l’erreur liée à l’estimation de l’ÉEN en explorant deux des principales sources de biais tels que : 1) la variabilité spatiale de l’épaisseur et des différentes couches du manteau neigeux arctique liées à la topographie et la végétation au sol influençant l’estimation de l’ÉEN; et 2) les modèles de transfert radiatif micro-ondes de la neige et du sol ne bénéficient pas actuellement d’une bonne paramétrisation en conditions arctiques, là où les erreurs liées à l’assimilation de l’ÉEN sont les plus importantes. L’objectif global est donc d’analyser les propriétés géophysiques du couvert nival en utilisant des outils de télédétection et de modélisation pour diminuer l’erreur liée à la variabilité spatiale locale dans l’estimation du ÉEN à grande échelle, tout en améliorant la compréhension des processus locaux qui affectent cette variabilité. Premièrement, une analyse haute résolution à l’aide de l’algorithme Random Forest a permis de prédire la hauteur de neige à une résolution spatiale de 10 m avec une RMSE de 8 cm (23%) et d’en apprendre davantage sur les processus de distribution de la neige en Arctique. Deuxièmement, la variabilité du manteaux neigeux arctique (hauteur et microstructure) a été incorporée dans des simulations en transfert radiatif micro-ondes de la neige et comparée au capteur satellitaire SSMIS. L’ajout de variabilité améliore la RMSE des simulations de 8K par rapport à un manteau neigeux uniforme. Finalement, une paramétrisation du sol gelé est présentée à l’aide de mesures de rugosité provenant de photogrammétrie (Structure-from-Motion). Cela a permis d’investiguer trois modèles de réflectivité micro-ondes du sol ainsi que la permittivité effective du sol gelé avec une rugosité SfM d’une précision de 0.1 mm. Ces données de rugosité SfM avec une permittivité optimisée (ε'_19 = 3.3, ε'_37 = 3.6) réduisent significativement l’erreur des températures de brillance simulées par rapport à des mesures au sols (RMSE = 3.1K, R^2 = 0.71) pour toutes les fréquences et polarisations. Cette thèse offre une caractérisation des variables de surface (neige et sol) en Arctique en transfert radiatif micro-ondes qui bénéficie aux multiples modélisations (climatiques et hydrologiques) de la cryosphère