Monitoring water bodies in West Africa using remote sensing data : analysis of hydrological regime with a multi-sensor approach and classification with neural networks
Suivi des plans d'eau en Afrique de l'Ouest par télédétection : analyse du régime hydrologique par une approche multi-capteurs et classification par réseau de neurones
Résumé
West Africa count numerous water bodies, including lakes, ponds and reservoirs, often small ones, crucial for local populations which use them on a daily basis. Despite their importance, these resources are under-studied, mainly due to a lack of in situ data. Remote sensing data allow studying continental surface waters, but the spatial and temporal resolution of the instruments has often been an obstacle to studying these small, highly dynamic objects over time. Today, improvements in technology make it possible to observe variations in water surface and water height on ever smaller water bodies. This thesis aims to explore the hydrological functioning of water bodies in West Africa, in particular small ones, and to improve their detection using satellite data. In the first part of this thesis, we analyse the hydrological regimes of 37 small water bodies, ranging from 0.04 km² to 37.91 km², located under the Sentinel-3 altimeter tracks in Mali, Burkina Faso and Niger. Using a multi-sensor approach, with optical data from the Sentinel-2 MultiSpectral Instrument (MSI) and altimetry data from the Sentinel-3 Synthetic Aperture Radar Altimeter (SRAL), we estimate the water balance of each water body by comparing water height variations during the dry season to estimated evaporation. This study reveals that 24 water bodies, particularly reservoirs in central Burkina Faso, are experiencing water losses, some of which are explained by human activities such as irrigation. Other water bodies, such as those in the Inner Niger Delta, show inflows attributable to groundwater or river flows. We can also detect changes in water regimes, highlighting artificial reservoirs that have been abandoned or are subject to exceptional water losses following damage to infrastructure. These results demonstrate the potential of satellite data for studying the hydrological regime of small water bodies in semi-arid regions, and open up interesting prospects for exploiting SWOT data, a wide-swath altimeter that will make it possible to monitor all water bodies. The second part of the thesis focuses on improving the detection of surface waters in West Africa. We propose a new approach designed to fill the gaps in currently available global databases that fail to identify certain water bodies, particularly those with vegetation. This method is based on deep learning and uses a CNN-type neural network with U-Net architecture and Sentinel-2 MSI optical data. Despite the small amount of training data, our model achieves very good performance (F1-score of 97 %) and is capable of detecting surface waters even those covered with aquatic vegetation. The results enable us to classify all the water bodies in this region, of which 85 % have a surface smaller than 0.1 km², and to identify their typology, with the vast majority being covered with aquatic vegetation or turbid waters. In conclusion, this thesis offers an innovative perspective on the monitoring of surface water resources in West Africa, more specifically small water bodies, characterized by different water balance and different typologies. It also provides accessible and reproducible methods for studying these phenomena.
L'Afrique de l'Ouest abrite un grand nombre de plans d'eau, incluant des lacs, des mares et des réservoirs, souvent de petite taille, jouant un rôle essentiel dans la vie des populations locales. Malgré leur importance, ces ressources sont peu étudiées, notamment en raison du manque de données de terrain. La télédétection permet l'observation des eaux de surfaces continentales, mais la résolution spatio-temporelle des instruments a longtemps été un obstacle au suivi de ces petits objets très dynamiques dans le temps. Aujourd'hui, les améliorations technologiques permettent d'observer les variations de surface et de hauteur d'eau sur des eaux de surface de plus en plus petites. Cette thèse vise à explorer le fonctionnement hydrologique des plans d'eau en Afrique de l'Ouest, en particulier les plans d'eau de petite taille, et à améliorer leur détection, grâce à l'utilisation de données satellites. En première partie de cette thèse, nous analysons les régimes hydrologiques de 37 petits plans d'eau, allant de 0.04 km² à 37.91 km², situés sous les traces altimétriques de Sentinel-3, au Mali, au Burkina Faso et au Niger. Par une approche multi-capteurs, à l'aide de données optiques du Sentinel-2 MultiSpectral Instrument (MSI) et de données altimétriques du Sentinel-3 Synthetic Aperture Radar Altimeter (SRAL), nous estimons le bilan hydrologique de chaque plan d'eau en comparant les variations de hauteurs d'eau en saison sèche avec l'évaporation estimée. Cette étude révèle que 24 plans d'eau, notamment les réservoirs dans le centre du Burkina Faso, connaissent des pertes d'eau dont certaines sont expliquées par des activités humaines telles que l'irrigation. D'autres plans d'eau montrent des apports, attribuables aux nappes souterraines ou aux écoulements des cours d'eau, comme les plans d'eau situés dans le delta intérieur du Niger. Nous pouvons également détecter les modifications de régimes, mettant en évidence des réservoirs artificiels abandonnés ou sujets à des pertes en eau exceptionnelles suite à des dégâts sur les infrastructures. Ces résultats démontrent les potentialités des données satellites pour l'étude du fonctionnement hydrologique de petits plans d'eau en région semi-aride et ouvrent des perspectives intéressantes pour l'exploitation des données SWOT, altimètre à large fauchée qui permettra de suivre l'ensemble des plans d'eau. La deuxième partie de la thèse se concentre sur l'amélioration de la détection des eaux de surface en Afrique de l'Ouest. Nous proposons une nouvelle approche conçue pour combler les lacunes des bases de données globales disponibles actuellement qui ne parviennent pas à identifier certains plans d'eau, en particulier ceux avec de la végétation. Cette méthode est basée sur l'apprentissage profond et utilise un réseau de neurones à convolution à architecture U-Net avec des données optiques Sentinel-2 MSI. Malgré le faible nombre de données d'apprentissage, notre modèle atteint une très bonne performance (F1-score de 97 %) et est capable de détecter des eaux de surface à partir de 0.002 km², même couvertes de végétation aquatique. Les résultats de cette méthode de détection nous permettent de classifier tous les plans d'eau de cette région, dont 85 % ont une surface inférieure à 0.1 km², et d'identifier leur typologie avec la grande majorité des eaux avec de la végétation aquatique ou turbides. En conclusion, cette thèse offre une perspective innovante sur le suivi des ressources en eau de surface de l'Afrique de l'Ouest, plus particulièrement les petits plans d'eau, caractérisés par différents fonctionnements hydrologiques et différentes typologies. De plus, elle met à disposition des méthodes accessibles et reproductibles pour étudier ces phénomènes.
Origine : Version validée par le jury (STAR)