Improved observation of the global water cycle with satellite remote sensing and neural network modeling

Une thèse présentée pour l’obtention du grade de Docteur

Sorbonne Université
École Doctorale des Sciences de l’Environnement d’Île de France (Nº 129)

par

Matthew G. Heberger

Laboratoire d’Etudes du Rayonnement et de la Matière en Astrophysique et Atmosphères, UMR 8112
Observatoire de Paris
Présentée et soutenue publiquement le 12 janvier 2024
devant un jury composé de:

Hélène CHEPFER	Sorbonne Université	Présidente du jury
Aaron BOONE	Météo France, Toulouse	Rapporteur
Frédéric FRAPPART	INRAE, Villenave d’Ornon	Rapporteur
Hélène BROGNIEZ	Université Paris-Saclay	Examinatrice
Ming PAN	Univ. of California at San Diego	Examinateur
Fabrice PAPA	IRD, Brasilia, Brazil	Examinateur
Filipe AIRES	LERMA/CNRS, Paris	Directeur de thèse

Acknowledgements

I had one of the the best advisors a doctoral candidate could hope for. Thank you, Filipe Aires, for having confidence in a “non-traditional student” and for your constant support and guidance. I also owe a big thanks to my “lab partner” Victor Pellet for many helpful conversations, coding advice, and incredibly valuable feedback on my writing.

I offer my sincere gratitude to the members of my jury (thesis committee) for your time, energy, and expertise : Hélène Chepfer, Aaron Boone, Frédéric Frappart, Hélène Brogniez, Ming Pan, and Fabrice Papa. To Drs. Pan and Papa, thank you for accompanying me since year one as part of my Comité de Suivi, and for your constructive input and encouragement.

I want to express gratitude to the Government of France and to the administration of President Emmanuel Macron for supporting climate research and for welcoming international researchers to France when they felt less than welcome in their home countries. It has been an extraordinary honor and privilege to be a student at Sorbonne University and to do research at the Paris Observatory, both renowned institutions.

I humbly thank the many people that make these institutions run and who are too frequently unacknowledged – technicians, administrators, janitors, groundskeepers, guardians, cooks and dishwashers in the cantine, and many more. We could not do science without you! I stand in solidarity with you in your ongoing struggle for recognition, rights, and fair pay. Together, let us acknowledge the intrinsic value of each individual’s contribution, and work to create a society where the fruits of labor are equitably shared, and the principles of égalité and fraternité prevail.

Finally, my dearest thanks go to my family, Michelle and Gabriel, for your unconditional love, support, and patience.

Declaration

This research was carried out under the direction of Dr. Filipe Aires from 2021 to 2023 at the Paris Observatory, within the Laboratoire d’Etudes du Rayonnement et de la Matière en Astrophysique et Atmosphères, or LERMA.

The supervision of the thesis was done by the Doctoral School of Environmental Sciences of Ile-de-France #129 at Sorbonne University.

Portions of the research described herein were funded by:

• European Space Agency contract number #4000136793/21/I-DT-lr
• ESTELLUS

© Copyright 2023, Matthew Heberger.

This work is licensed under Creative Commons License CC BY-NC 4.0: Attribution, Non Commercial, 4.0.

Résumé en français

Titre: Amélioration de l’observation du cycle de l’eau à l’échelle globale grâce à la télédétection par satellite et à la modélisation par réseaux de neurones

Résumé : La télédétection satellite est couramment utilisée pour suivre le cycle de l’eau depuis les bassins fluviaux jusqu’à l’échelle planétaire. Pourtant, il est difficile d’obtenir un bilan d’eau à l’équilibre en utilisant ces données de télédétection, ce qui met en évidence les erreurs et incertitudes liées aux données d’observation de la Terre. Ce travail de thèse vise à améliorer les estimations des précipitations, de l’évapotranspiration, du débit des rivières et du changement du contenu total en eau à l’échelle planétaire en utilisant une combinaison de méthodes analytiques (interpolation optimale, OI) et de méthodes de modélisation statistique, en particulier les réseaux neuronaux (NN). Ces modèles ont été entraînés sur un ensemble de 1358 bassins fluviaux, validés sur un ensemble indépendant de 340 bassins et évalués avec des mesures in situ pour la précipitations, l’évapotranspiration et le débit des rivières. Les modèles sont ensuite utilisés pour faire des prévisions à l’échelle du pixel à la résolution de 0,5° pour une couverture quasi globale. Les ensembles de données ainsi corrigés améliorent le bilan d’eau pour les bassins de validation : la moyenne et l’écart-type du résidu sont de 11 ± 44 mm/mois pour les données non corrigées et de 0,03 ± 24 mm/mois après calibration par les modèles NN. En outre, cette approche nous permet de faire des estimations plus précises des composantes manquantes du cycle de l’eau, par exemple pour estimer l’évapotranspiration dans les zones non instrumentées, ou pour prédire le débit des rivières dans des bassins non jaugés. Les résultats peuvent également indiquer aux producteurs de données là où leurs produits semblent incohérents par rapport à d’autres produits et où un étalonnage plus poussé pourrait apporter des améliorations. Enfin, cette recherche montre le fort potentiel de l’utilisation des réseaux neuronaux et de l’apprentissage machine pour l’intégration des données satellites et l’étude du cycle de l’eau.

Mots clés : observation de la terre, télédétection, cycle de l’eau, hydrologie à grand échantillon, optimisation, calibration, apprentissage automatique, régression et classification, réseaux neuronaux, précipitations, évaporation, écoulement des eaux, débit des rivières.

Abstract

Satellite remote sensing is commonly used to observe the hydrologic cycle at spatial scales ranging from river basins to the globe. Yet, it remains difficult to obtain a balanced water budget using remote sensing data, which highlights the errors and uncertainties in earth observation (EO) data. This research aimed to improve estimates of precipitation, evapotranspiration, runoff, and total water storage change at the global scale using a combination of analytical methods (optimal interpolation, OI) and statistical modeling methods including neural networks (NN). Models were trained on a set of 1,358 river basins and validated them on an independent set of 340 basins and in-situ observations of precipitation, evapotranspiration, and river discharge. The models are extended to make pixel-scale predictions in 0.5° grid cells for near-global coverage. Calibrated datasets result in lower water budget residuals in validation basins: the mean and standard deviation of the imbalance is 11 ± 44 mm/mo when calculated with uncorrected EO data. After calibration by the NN models, it is significantly improved to 0.03 ± 24 mm/mo. The results allow us to make more accurate estimates of missing water cycle components, for example to estimate evapotranspiration in un-instrumented areas, or to predict discharge in ungaged basins. The results can also indicate to data producers where their products seem incoherent with other datasets and where enhanced calibration could lead to improvements. Finally, this research demonstrates the use of neural networks and machine learning for the integration of satellite data and for the study of the water cycle.

Keywords: earth observation, remote sensing, water cycle, large-sample hydrology, optimization, calibration, machine learning, regression and classification, neural networks, precipitation, evaporation, runoff, river discharge.

Acronyms

📖 Table of Contents
Chapter 1: Introduction →