LDAS
Description
Le LDAS (Land Data Assimilation System) développé par le CNRM permet d’intégrer des produits satellitaires dans le modèle des surfaces terrestres ISBA en utilisant un algorithme d’assimilation de données. La réanalyse issue du LDAS tire partie des synergies entre les différents produits satellitaires et fournit des statistiques pouvant être exploitées pour suivre la qualité des observations assimilées. ISBA est un modèle générique capable de représenter le cycle diurne des flux de surface ainsi que la variabilité saisonnière, interannuelle et décennale de la biomasse de la végétation. ISBA est une composante de la plateforme de modélisation SURFEX, qui comprend également un algorithme d’assimilation séquentielle (filtre de Kalman simplifié). Ces outils, ainsi qu’une chaîne de traitement codée en python qui gère les flux de données, forment le LDAS.
LDAS-Monde permet l’intégration de divers produits satellitaires d’observation de la Terre (indice de surface foliaire de la végétation - LAI, humidité superficielle du sol - SSM, épaisseur optique micro-ondes de la végétation - VOD, etc.) dans le modèle des surfaces terrestres ISBA. Des variables de contrôle du modèle à évolution relativement lente sont "analysées" lorsque des observations sont disponibles. De cette façon, des conditions initiales de meilleure qualité sont obtenues : biomasse végétale, humidité du sol dans la zone racinaire. Les erreurs de modélisation sur ces variables sont réduites ainsi que sur d’autres variables produites par le modèle (évapotranspiration, photosynthèse, ruissellement, etc.). Il faut noter que LDAS-Monde a la capacité d’analyser l’humidité du sol dans la zone racinaire en assimilant le LAI seul. Cette analyse peut être produite également en assimilant LAI et humidité du sol de façon conjointe.
LDAS-France
La version LDAS-France assimile les produits LAI et humidité superficielle du sol du service européen Copernicus Global Land (http://land.copernicus.eu/global/) sur la France (8km x 8km). Le LDAS génère des statistiques sur la France dont les tendances peuvent être analysées dans le but de détecter une éventuelle dégradation de la qualité des produits satellitaires : (1) pour le LAI et l’humidité superficielle du sol, des métriques dérivées du suivi actif par assimilation de données, comme les innovations (différence entre observations et prévision du modèle), les résidus (différence entre observations et analyse), et incréments (différence entre analyse et prévision du modèle) ; (2) pour l’albédo, la température de surface, et le FAPAR, des métriques dérivées du suivi passif comme le coefficient de corrélation, les anomalies des variables centrées-réduites, l’écart quadratique moyen, l’écart type des différences, le biais moyen.
Un suivi passif de l’albédo de surface, du FAPAR et de la température de surface, consistant à comparer les valeurs simulées avec les observations, est réalisé. Des données in situ d’humidité du sol en France sont utilisées pour vérifier les sorties de l’analyse.
Dans l’illustration ci-dessous, l’indice foliaire moyen de la végétation en France au mois d’août pendant la sécheresse estivale de 2015 est simulé par le modèle ISBA (à gauche), issu de données satellitaires Copernicus (au centre) et simulé après intégration des données satellitaires dans ISBA (à droite).
LDAS-Monde
Le LDAS a été étendu à l’échelle mondiale (LDAS-Monde) à une résolution spatiale de 0,25 degrès (longitude, latitude). Dans le même temps, le couplage avec des modèles hydrologiques a été réalisé. Cela permet l’utilisation d’observations de débits de rivières pour valider le système entier.
Dans l’illustration ci-dessous, l’indice foliaire moyen de la végétation en Amérique du Nord de 2011 à 2016 est simulé par le modèle ISBA (à gauche), issu de données satellitaires Copernicus (au centre) et simulé après intégration des données satellitaires dans ISBA (à droite).
La Figure ci-dessous montre la racine de l’erreur quadratique moyenne du LAI simulé par ISBA par rapport au LAI satellitaire avant assimilation (à gauche) et après assimilation (à droite). D’après Albergel et al. 2020 (Figure 3).
Comment ça marche ?
La technique d’assimilation séquentielle utilisée dans LDAS-Monde est appelée Filtre de Kalman Etendu Simplifié (SEKF en anglais). Les variances d’erreur du modèle sont fixes et les covariances spatiales ne sont pas prises en compte. LDAS-Monde réalise la fusion entre les sorties du modèle ISBA et les observations satellitaires afin de produire une analyse. L’analyse est une version améliorée de la trajectoire du modèle et termes d’humidité du sol et de LAI. LDAS-Monde utilise une fenêtre d’assimilation de 24 heures. Chaque cycle de 24 heures comporte deux étapes : prévision et analyse.
La prévision projette l’état du système de l’instant t à l’instant t + 24 heure en utilisant le modèle ISBA. Comme expliqué dans Barbu et al. (2014) et Bonan et al. (2020), pour chaque point de grille du modèle ISBA, la prévision de la variable x, xf(t+24h), dépend de l’analyse au temps t, xa(t). Les exposants ‘a’, ‘f’, et ‘o’ correspondent à analyse, prévision et observation, respectivement. Le terme x désigne le vecteur de contrôle qui est calculé à un instant donné par ISBA. Le terme y représente les observations (yo) ou l’équivalent des observations dans le modèle (yf). Une fois la variable d’état du modèle x projetée dans le temps, un opérateur d’observation non-linéaire H est utilisé pour transformer x en équivalent-modèle de l’observation. Dans le SEKF, l’équivalent-modèle de l’observation yf = H(xf) est calculé et comparé aux observations pour chaque point de grille du modèle.
Dans l’étape d’analyse, le gain de Kalman, K, est calculé en utilisant la matrice des Jacobiens. LDAS-Monde peut assimiler conjointement des observations de LAI et de SSM. Il peut aussi n’assimiler que le LAI, ou que le SSM. Une propriété unique de LDAS-Monde est que les observations de LAI peuvent être utilisées pour analyser l’humidité du sol dans la zone racinaire.
Publications
– Albergel, C., Dutra, E., Bonan, B., Zheng, Y., Munier, S., Balsamo, G., de Rosnay, P., Munoz-Sabater, J., and Calvet, J.-C. : Monitoring and forecasting the impact of the 2018 summer heatwave on vegetation, Remote Sens., 11, 520, https://www.doi.org/10.3390/rs11050520, 2019.
– Albergel, C., Dutra, E., Munier, S., Calvet, J.-C., Munoz-Sabater, J., de Rosnay, P., and Balsamo, G. : ERA-5 and ERA-Interim driven ISBA land surface model simulations : which one performs better ?, Hydrol. Earth Syst. Sci., 22, 3515-3532, https://doi.org/10.5194/hess-22-3515-2018, 2018.
– Albergel, C., S. Munier, A. Bocher, B. Bonan, C. Draper, E. Dutra, D. J. Leroux, A. L. Barbu, Y. Zhang, and J.-C. Calvet : LDAS-Monde sequential assimilation of satellite derived observations applied to the contiguous US : an ERA-5 driven reanalysis of the land surface variables, Remote Sensing, 10, 1627, 24 pp., https://doi.org/10.3390/rs10101627, 2018.
– Albergel, C., S. Munier, D. J. Leroux, H. Dewaele, D. Fairbairn, A. L. Barbu, E. Gelati, W. Dorigo, S. Faroux, C. Meurey, P. Le Moigne, B. Decharme, J.-F. Mahfouf, J.-C. Calvet : Sequential assimilation of satellite-derived vegetation and soil moisture products using SURFEX_v8.0 : LDAS-Monde assessment over the Euro-Mediterranean area, Geosci. Model Dev., 10, 3889–3912, https://doi.org/10.5194/gmd-10-3889-2017, 2017.
– Albergel, C., Zheng, Y., Bonan, B., Dutra, E., Rodríguez-Fernández, N., Munier, S., Draper, C., de Rosnay, P., Muñoz-Sabater, J., Balsamo, G., Fairbairn, D., Meurey, C., and Calvet, J.-C. : Data assimilation for continuous global assessment of severe conditions over terrestrial surfaces, Hydrol. Earth Syst. Sci., 24, 4291–4316, https://doi.org/10.5194/hess-24-4291-2020, 2020.
– Barbu, A. L., Calvet, J.-C., Mahfouf, J.-F., Albergel, C., and Lafont, S. : Assimilation of Soil Wetness Index and Leaf Area Index into the ISBA-A-gs land surface model : grassland case study, Biogeosciences, 8, 1971–1986, https://doi.org/10.5194/bg-8-1971-2011, 2011.
– Barbu, A. L., Calvet, J.-C., Mahfouf, J.-F., and Lafont, S. : Integrating ASCAT surface soil moisture and GEOV1 leaf area index into the SURFEX modelling platform : a land data assimilation application over France, Hydrol. Earth Syst. Sci., 18, 173-192, https://doi.org/10.5194/hess-18-173-2014, 2014.
– Blyverket, J., Hamer, P.D., Schneider, P., Albergel, C., Lahoz, W.A : Monitoring soil moisture drought over northern high latitudes from space, Remote Sens., 11, 1200, https://www.mdpi.com/2072-4292/11/10/1200, 2019.
– Blyverket, J. ; Hamer, P.D. ; Bertino, L. ; Albergel, C. ; Fairbairn, D. ; Lahoz, W.A. An Evaluation of the EnKF vs. EnOI and the Assimilation of SMAP, SMOS and ESA CCI Soil Moisture Data over the Contiguous US. Remote Sens., 11, 478, https://doi.org/10.3390/rs11050478, 2019.
– Bonan, B., Albergel, C., Zheng, Y., Barbu, A. L., Fairbairn, D., Munier, S., and Calvet, J.-C. : An ensemble square root filter for the joint assimilation of surface soil moisture and leaf area index within the Land Data Assimilation System LDAS-Monde : application over the Euro-Mediterranean region, Hydrol. Earth Syst. Sci., 24, 325–347, https://doi.org/10.5194/hess-24-325-2020, 2020.
– Corchia, T., Bonan, B., Rodríguez-Fernández, N., Colas, G., Calvet, J.-C : Assimilation of ASCAT Radar Backscatter Coefficients over Southwestern France, Remote Sens., 15, 4258. https://doi.org/10.3390/rs15174258, 2023.
– Dewaele, H., Munier, S., Albergel, C., Planque, C., Laanaia, N., Carrer, D., and Calvet, J.-C. : Parameter optimisation for a better representation of drought by LSMs : inverse modelling vs. sequential data assimilation, Hydrol. Earth Syst. Sci., 21, 4861–4878, https://doi.org/10.5194/hess-21-4861-2017, 2017.
– Fairbairn, D., Barbu, A.L., Mahfouf, J.-F., Calvet, J.-C., and Gelati, E. : Comparing the ensemble and extended Kalman filters for in situ soil moisture assimilation with contrasting conditions, Hydrol. Earth Syst. Sci., 19, 4811–4830, https://doi.org/10.5194/hess-19-4811-2015, 2015.
– Fairbairn, D., Barbu, A. L., Napoly, A., Albergel C., Mahfouf, J.-F., and Calvet, J.-C. : The effect of satellite-derived surface soil moisture and leaf area index land data assimilation on streamflow simulations over France, Hydrol. Earth Syst. Sci., https://doi.org/10.5194/hess-21-2015-2017, 21, 2015–2033, 2017.
– Leroux, D., J.-C. Calvet, S. Munier, and C. Albergel : Using satellite-derived vegetation products to evaluate LDAS-Monde over the Euro-Mediterranean area, Remote Sensing, 10, 1199, 21 pp., https://doi.org/10.3390/rs10081199, 2018.
– Mucia, A., Bonan, B., Zheng, Y., Albergel, C., Calvet, J.-C. From Monitoring to Forecasting Land Surface Conditions Using a Land Data Assimilation System : Application over the Contiguous United States. Remote Sens. 2020, 12, https://doi.org/10.3390/rs12122020, 2020.
– Mucia, A., Bonan, B., Albergel, C., Zheng, Y., and Calvet, J.-C. : Assimilation of passive microwave vegetation optical depth in LDAS-Monde : a case study over the continental USA, Biogeosciences, 19, 2557–2581, https://doi.org/10.5194/bg-19-2557-2022, 2022.
– Rojas-Munoz, O., Calvet, J.-C., Bonan, B., Baghdadi, N., Meurey, C., Napoly, A., Wigneron, J.-P., Zribi, M : Soil Moisture Monitoring at Kilometer Scale : Assimilation of Sentinel-1 Products in ISBA, Remote Sens., 15, 4329, https://doi.org/10.3390/rs15174329, 2023.
– Tall, M., Albergel, C., Bonan, B., Zheng, Y., Guichard, F., Dramé, M. S., Gaye, A. T., Sitondji, L. O., Hountondji, F. C. C., Nikiema, P. M., Calvet, J.-C. : Towards a long-term reanalysis of land surface variables over western Africa : LDAS-Monde applied over Burkina Faso from 2001 to 2018, Remote Sensing, 11, 735, https://www.doi.org/10.3390/rs11060735, 2019.
– Zheng, Y., Albergel, C., Munier, S., Bonan, B., and Calvet, J.-C. : An offline framework for high-dimensional ensemble Kalman filters to reduce the time to solution, Geosci. Model Dev., 13, 3607–3625, https://doi.org/10.5194/gmd-13-3607-2020, 2020.