Prédiction de l’humidité du sol dans la zone racinaire
Un modèle de réseaux de neurones artificiel (ANN) a été développé pour prédire l’humidité du sol en zone racinaire (RZSM) à partir de données in-situ d’humidité du sol de surface (SSM) ainsi que des variables liées aux processus physiques. En effet, la dynamique de végétation a été intégré au modèle à travers des données de l’indice de végétation par différence normalisée (NDVI) fournies par le Spectromètre imageur à résolution moyenne (MODIS). L’indice d’humidité des sols (SWI) a été calculé par un filtre exponentiel récursif et ajouté au modèle pour illustrer le processus d’infiltration. Le processus d’évaporation a été aussi représenté par une efficacité d’évaporation calculée sur la base d’un modèle analytique simplifié et de données d’évapotranspiration potentielle issues de MODIS. Le modèle a été localement entraîné et testé sur des données provenant de 8 réseaux d’humidité fournies par le International Soil Moisture Network (ISMN) en prenant en compte différents contextes climatiques et types de sol. Une carte globale a été produite pour représenter les variables liées aux processus les plus pertinentes pour la prédiction de la RZSM selon la classe climatique. Les résultats suggèrent par exemple que la variable la plus pertinente pour les zones arides à fort taux d’évaporation était l’efficacité de l’évaporation et que le NDVI était le plus adapté pour les régions agricoles notamment sur la partie intérieure de l’Europe continentale et autour du bassin méditerranéen. Ce modèle localement entraîné a été testé à l’échelle de l’Europe continentale en utilisant des données en entrée issues de la télédétection pour produire des cartes journalières de la RZSM à 1km de résolution spatiale.
Souissi, R., Zribi, M., Corbari, C., Mancini, M., Muddu, S., Tomer, S. K., Upadhyaya, D. B., and Al Bitar, A.: Integrating process-related information into an artificial neural network for root-zone soil moisture prediction, Hydrol. Earth Syst. Sci., 26, 3263–3297, https://doi.org/10.5194/hess-26-3263-2022, 2022.