• Langue : Français
• Discipline : Sciences de la terre et de l’univers
• Identifiant : 2018LILUR076
• Type de thèse : Doctorat
• Date de soutenance : 12/02/2018

Résumé en langue originale

La détection des groupes phytoplanctoniques depuis l’espace présentent un fort intérêt pour de nombreux domaines de recherches en lien avec l’étude des océans. Afin de fournir des observations attendues par la communauté scientifique, différentes approches ont été développées qui permettent la détection d’information en lien avec la taille ou les groupes fonctionnels de phytoplancton. Cette thèse a eu pour cadre le développement d’une de ces méthodes, nommée PHYSAT. Cette dernière est initialement basée sur la mise en évidence de relations empiriques entre les anomalies de radiance et la présence d’un groupe phytoplanctonique dominant. Alvain et al. (2008) ont ainsi permis la détection de cinq groupes phytoplanctoniques lorsqu’ils sont dominants, via la détermination empirique d’anomalies de radiance dont les formes et les amplitudes spectrales, aux longueurs d’ondes des capteurs de couleur de l’eau, sont spécifiques à la présence de ces groupes. Une étude théorique (Alvain et al., 2012) a, par ailleurs, permis d’apporter une première explication théorique à la présence de ces anomalies, à partir de la prise en compte de différentes propriétés optiques inhérentes. Ces premiers résultats ont soulevé l’hypothèse que la détection des cas de dominance uniquement représente une sous-utilisation du potentiel d’informations porté par les anomalies de radiance. Dans cette thèse, nous avons donc évalué le potentiel de développement de la méthode PHYSAT au-delà de la dominance, vers la détection d’assemblages phytoplanctoniques. Cela a nécessité, en premier lieu, une adaptation de la chaine de traitement. En effet, ces anomalies étaient classées jusqu’à la dernière version (Ben Mustapha et al., 2014) uniquement à l’aide d’une carte auto-organisatrice des caractéristiques spectrales. Cette approche mathématique ne prenait pas en compte pleinement les caractéristiques spatio-temporelles des anomalies. Il a donc été proposé une nouvelle approche plus adaptée, basée sur les outils issus de la phénologie associés à une approche innovante concernant l’analyse des données in-situ elles-mêmes. Ensuite, le potentiel de développement de PHYSAT vers la détection des assemblages a été évalué dans une étude globale à partir de données de pigments biomarqueurs, puis régionale en Mer du Nord, à partir des données CPR. Nos résultats montrent, pour la première fois, la possibilité de détecter des cas phytoplanctoniques mixtes, au-delà de la dominance. Enfin, des pistes de recherche pour poursuivre la compréhension et le développement de PHYSAT sont proposées.

Résumé traduit

Over the past years, a large number of new approaches in the domain of ocean-color have been developed to study phytoplankton ocean processes based on phytoplankton size classes and functional types. One of these methods, named PHYSAT, currently allows for the qualitative detection of five main phytoplankton groups from ocean-color measurements (Alvain et al., 2008). This method established empirical relationships between in-situ dominant phytoplankton groups and specific ocean-color radiance anomalies in open ocean waters. These radiance anomalies are defined by specific shape and amplitude according to the dominant phytoplankton group in waters. The theoretical explanation of PHYSAT (Alvain et al., 2012) showed that radiance anomalies are induced by a combination of inherent optical properties; and this study suggested that the detection of dominant cases represents an under-exploitation of the radiance anomalies. The work presented here addresses the potential development of the PHYSAT method toward the detection of phytoplankton assemblages. A global ocean (based on biomarker pigments data) and a regional sea’s (North Sea, based on CPR data) applications are presented. Our results show, for the first time, the ability of PHYSAT to detect phytoplankton assemblages using empirical relationships with radiance anomalies, beyond the detection of dominance cases only. This work was facilitated by the use of previous classification of radiance anomalies in terms of shape and amplitude (using a self-organizing map, Ben Mustapha et al. (2014), coupled with a new classification that take into account the phenology of radiance anomalies classes. This work emphases the potential of PHYSAT’s radiance anomalies when using new classification tools, and detailed in-situ databases. Future directions are listed to understand the empirical relationships observed in this work beyond the current theoretical knowledge.