Rapport de stage - Planet Action

Maitrise de la cohérence des processus
de production pour la mise en place
d’une base de données géographiques
De nombreuses inconnues demeurent pour caractériser cet écosystème avec plus de précision.
Certaines hypothèses ont été proposées et pourraient être validées ou infirmées moyennant une
interprétation plus experte des données météorologiques et leur couplage avec les mesures de
température, de luminosité et d’humidité collectées sur site. L’objectif serait de disposer
d’informations permettant d’analyser les caractéristiques et la dynamique des sols hydromorphes
propres à la région, et d’en évaluer la teneur en eau. Dans le cadre de la mise en place possible d’un
observatoire régional sur le long terme, cette connaissance pourrait guider les acquisitions futures
d’images HR et THR à pas de temps régulier (et sur cette zone, il ne pourrait s’agir que d’imagerie
radar).
D’autre part, la méthode utilisée pour ce travail crée ses propres incertitudes (deux photo-interprètes
ne produiront pas les mêmes résultats). Elles tiennent principalement à l’identification et donc à
l’association des pixels à telle ou telle classe, qui reste parfois ambigüe. Il est apparu que les contours
de certaines classes étaient plus difficiles à évaluer que d’autres en raison de confusions au niveau des
couleurs de pixels, pas toujours très distinctes, ce qui pouvait aussi venir de la qualité de l’image
(voile nuageux). On ajoutera que ces ambiguïtés ne suivent pas de logique particulière puisque le
niveau de difficulté ne s’applique pas à la même classe entre les dates utilisées. D’autres méthodes
seraient à développer pour réduire les incertitudes mises en évidence ici, d’autant que ces dernières
sont extrêmement complexes à évaluer, changeant suivant les lacs prospectés, les classes et les dates
prises en compte.
Une étude menée par la NOAA a été réalisée pour la sélection des entrées du modèle d’estimation des
précipitations RFE2. Elle consiste en des tests de corrélations (Tableau 5) entre les valeurs estimées
par l’algorithme et les valeurs collectées sur le terrain, en fonction des différentes combinaisons
d’entrées du modèle.
Tableau 5 : Biais et corrélations en fonction des combinaisons d'entrées du modèle RFE2
Source: The NOAA Climate Prediction Center African Rainfall Estimation Algorithm Version 2.0
Selon ces résultats, la combinaison retenue pour le modèle opérationnel RFE2 produit la meilleure
corrélation avec les valeurs de précipitations au sol, avec un biais relativement faible. Les documents
existants ne permettent pas de mieux préciser les incertitudes sur ces données. Il faut également garder
à l’esprit que ces valeurs de précipitations estimées sont fournies sur une grille de 0.1° carré, ce qui
représente environ 11 Km. Ce faisant, ces données ne peuvent pas rendre compte de phénomènes
locaux, voire hyperlocaux comme des orages violents et ciblés tels que ceux qui ont été observé sur
place. Par conséquent, des incertitudes demeurent sur ce point, et l’on ne peut pour le moment pas
savoir si un lac peut être rempli par un orage qui le concerne seul. D’après les retours de la mission de
novembre 2010, il apparait qu’à trois jours d’intervalles après de fortes pluies, la rivière à l’ouest de la
Rapport Fivel Master 2 TGAE – Année 2010-2011 Page 32