Search

Le manteau neigeux varie grandement dans le temps et l’espace, il faut donc de nombreux points d’observation pour le décrire précisément et ponctuellement, ce qui permet de valider et d’améliorer la modélisation de la neige et les applications en télédétection. L’analyse traditionnelle par des coupes de neige dévoile des détails pointus sur l’état de la neige à un endroit et un moment précis, mais est une méthode chronophage à laquelle la distribution dans le temps et l’espace font défaut. À l’opposé sur la fourchette de la précision, on retrouve les solutions orbitales qui couvrent la surface de la Terre à intervalles réguliers, mais à plus faible résolution. Dans l’optique de recueillir efficacement des données spatiales sur la neige durant les campagnes de terrain, nous avons développé sur mesure un système d’aéronef télépiloté (RPAS) qui fournit des cartes d’épaisseur de neige pour quelques centaines de mètres carrés, selon la méthode Structure from motion (SfM). Notre RPAS peut voler dans des températures extrêmement froides, au contraire des autres systèmes sur le marché. Il atteint une résolution horizontale de 6 cm et un écart-type d’épaisseur de neige de 39 % sans végétation (48,5 % avec végétation). Comme la méthode SfM ne permet pas de distinguer les différentes couches de neige, j’ai développé un algorithme pour un radar à onde continue à modulation de fréquence (FM-CW) qui permet de distinguer les deux couches principales de neige que l’on retrouve régulièrement en Arctique : le givre de profondeur et la plaque à vent. Les distinguer est crucial puisque les caractéristiques différentes des couches de neige font varier la quantité d’eau disponible pour l’écosystème lors de la fonte. Selon les conditions sur place, le radar arrive à estimer l’épaisseur de neige selon un écart-type entre 13 et 39 %. vii Finalement, j’ai équipé le radar d’un système de géolocalisation à haute précision. Ainsi équipé, le radar a une marge d’erreur de géolocalisation d’en moy, Snow is highly variable in time and space and thus many observation points are needed to describe the present state of the snowpack accurately. This description of the state of the snowpack is necessary to validate and improve snow modeling efforts and remote sensing applications. The traditional snowpit analysis delivers a highly detailed picture of the present state of the snow in a particular location but lacks the distribution in space and time as it is a time-consuming method. On the opposite end of the spatial scale are orbital solutions covering the surface of the Earth in regular intervals, but at the cost of a much lower resolution. To improve the ability to collect spatial snow data efficiently during a field campaign, we developed a custom-made, remotely piloted aircraft system (RPAS) to deliver snow depth maps over a few hundred square meters by using Structure-from-Motion (SfM). The RPAS is capable of flying in extremely low temperatures where no commercial solutions are available. The system achieves a horizontal resolution of 6 cm with snow depth RMSE of 39% without vegetation (48.5% with vegetation) As the SfM method does not distinguish between different snow layers, I developed an algorithm for a frequency modulated continuous wave (FMCW) radar that distinguishes between the two main snow layers that are found regularly in the Arctic: “Depth Hoar” and “Wind Slab”. The distinction is important as these characteristics allow to determine the amount of water stored in the snow that will be available for the ecosystem during the melt season. Depending on site conditions, the radar estimates the snow depth with an RMSE between 13% and 39%. v Finally, I equipped the radar with a high precision geolocation system. With this setup, the geolocation uncertainty of the radar on average < 5 cm. From the radar measurement, the distance to the top and the bottom of the snowpack can be extracted. In addition to snow depth, it also delivers data points t

Changes in snowpack associated with climatic warming has drastic impacts on surface energy balance in the cryosphere. Yet, traditional monitoring techniques, such as punctual measurements in the field, do not cover the full snowpack spatial and temporal variability, which hampers efforts to upscale measurements to the global scale. This variability is one of the primary constraints in model development. In terms of spatial resolution, active microwaves (synthetic aperture radar – SAR) can address the issue and outperform methods based on passive microwaves. Thus, high-spatial-resolution monitoring of snow depth (SD) would allow for better parameterization of local processes that drive the spatial variability of snow. The overall objective of this study is to evaluate the potential of the TerraSAR-X (TSX) SAR sensor and the wave co-polar phase difference (CPD) method for characterizing snow cover at high spatial resolution. Consequently, we first (1) investigate SD and depth hoar fraction (DHF) variability between different vegetation classes in the Ice Creek catchment (Qikiqtaruk/Herschel Island, Yukon, Canada) using in situ measurements collected over the course of a field campaign in 2019; (2) evaluate linkages between snow characteristics and CPD distribution over the 2019 dataset; and (3) determine CPD seasonality considering meteorological data over the 2015–2019 period. SD could be extracted using the CPD when certain conditions are met. A high incidence angle () with a high topographic wetness index (TWI) (>7.0) showed correlation between SD and CPD (R2 up to 0.72). Further, future work should address a threshold of sensitivity to TWI and incidence angle to map snow depth in such environments and assess the potential of using interpolation tools to fill in gaps in SD information on drier vegetation types.

"En 1980, alors que le réchauffement climatique commençait à donner des signes d’accélération, près de la moitié de la population actuelle du Québec n’était pas encore née! Mais déjà, des satellites étaient en orbite, non pas pour le climat, mais pour la météo et pour observer la Terre. Quarante ans plus tard, ces observations spatiales s’avèrent être des outils extraordinaires pour étudier ce qui s’est passé et ce qui se passe actuellement dans l’Arctique. [...]"

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 variabi