Marie Parrens est co-autrice d'un article dans la revue Journal of Hydrology, avec des collègues chercheurs d'autres unités toulousaines sur une évaluation à l'échelle du bassin amazonien de la dynamique spatio-temporelle du stockage d'eau dans les plaines inondables du bassin sur la période 2000-2018.
Guilhen, J.; Fabre, C.; Parrens, M.; Sauvage, S.; Mercier, F.; et al. (2026) Assessment of surface water storage in the Amazon floodplains by hydrological modelling and earth observation data. Journal of Hydrology, 666, pp.134758. ⟨10.1016/j.jhydrol.2025.134758⟩
Abstract:
Inland surface waters in tropical regions are fundamental to global hydrological and biogeochemical cycles, yet the quantification of floodplain freshwater storage and its variability remains limited. This study provides a basin-wide assessment of the spatiotemporal dynamics of floodplain water storage in the Amazon Basin over the period 2000–2018. We developed an integrated framework combining in situ discharge measurements, multi-sensor remote sensing datasets, and process-based hydrological modelling to quantify daily floodplain hydrodynamics at high spatial resolution. Floodplain extent was derived from L-band passive microwave observations from Soil Moisture and Ocean Salinity (SMOS) satellite, while water surface elevation was constrained using altimetry data (Jason-2/3 and Sentinel-3). The hydrological model (SWAF-FP), specifically improved to represent floodplain–river interactions, was calibrated at eight gauging stations and evaluated using approximately 4,000 altimetry-based floodplain water level records. Model performance demonstrated high skill, with a mean R2 of 0.83 for discharge and R2 > 0.62 for floodplain water surface elevation. The results indicate a mean annual surface water storage of 1800 ± 854 km3 across the Amazon Basin, with pronounced seasonal cycles and interannual stability at the basin scale. The Negro and Madeira sub-basins were identified as the dominant contributors to total floodplain storage, accounting for approximately 480 km3 (33.6 %) and 312 km3 (12.5 %), respectively. This study provides the first consistent long-term quantification of Amazonian floodplain water storage dynamics at daily resolution. The results emphasize the critical role of floodplains in regulating basin-scale hydrological fluxes and offer a robust observational–modeling framework for improving large-scale hydrological and Earth system models in tropical regions.
Résumé:
Les eaux de surface intérieures des régions tropicales jouent un rôle fondamental dans les cycles hydrologiques et biogéochimiques mondiaux, mais la quantification du stockage d'eau douce dans les plaines inondables et de sa variabilité reste limitée. Cette étude fournit une évaluation à l'échelle du bassin de la dynamique spatio-temporelle du stockage d'eau dans les plaines inondables du bassin amazonien sur la période 2000-2018. Nous avons développé un cadre intégré combinant des mesures de débit in situ, des ensembles de données de télédétection multicapteurs et une modélisation hydrologique basée sur les processus afin de quantifier l'hydrodynamique quotidienne des plaines inondables à haute résolution spatiale. L'étendue des plaines inondables a été dérivée des observations micro-ondes passives en bande L du satellite SMOS (Soil Moisture and Ocean Salinity), tandis que l'élévation de la surface de l'eau a été contrainte à l'aide de données altimétriques (Jason-2/3 et Sentinel-3). Le modèle hydrologique (SWAF-FP), spécialement amélioré pour représenter les interactions entre les plaines inondables et les rivières, a été calibré dans huit stations de jaugeage et évalué à l'aide d'environ 4 000 enregistrements altimétriques du niveau d'eau des plaines inondables. Les performances du modèle se sont révélées très fiables, avec un R2 moyen de 0,83 pour le débit et un R2 > 0,62 pour l'élévation de la surface de l'eau des plaines inondables. Les résultats indiquent un stockage annuel moyen des eaux de surface de 1 800 +/- 854 km3 dans l'ensemble du bassin amazonien, avec des cycles saisonniers prononcés et une stabilité interannuelle à l'échelle du bassin. Les sous-bassins du Negro et du Madeira ont été identifiés comme les principaux contributeurs au stockage total des plaines inondables, représentant respectivement environ 480 km3 (33,6 %) et 312 km3 (12,5 %). Cette étude fournit la première quantification cohérente à long terme de la dynamique du stockage de l'eau dans les plaines inondables amazoniennes à une résolution quotidienne. Les résultats soulignent le rôle essentiel des plaines inondables dans la régulation des flux hydrologiques à l'échelle du bassin et offrent un cadre d'observation et de modélisation robuste pour améliorer les modèles hydrologiques et les modèles du système terrestre à grande échelle dans les régions tropicales.
Dernière mise à jour : 12 févr.
Annie Ouin a participé en tant que co-autrice d'un chapitre de l'ouvrage présentant les 15 zones ateliers labellisées par le CNRS et intégrées au sein de l’Infrastructure de Recherche TRESSE (Territoires en Réseaux pour l’Étude des Socio-Écosystèmes). Ce chapitre présente la genèse de la Zone Atelier PYrénées Garonne où des laboratoires INRAe et le CNRS ont entamé des recherches de manière séparée dans les années 70, puis ont convergé à partir des années 2000 pour réussir à proposer un projet conjoint en 2017. Ce chapitre fait la synthèse de tous les travaux effectués dans la ZA PYGAR et met en lumière la richesse de l’interdisciplinarité et de la transdisciplinarité pour traiter des trajectoires des socio-écosystèmes en incluant le temps long des préhistoriens.
Probst, J.L.; , Ouin, O.; Léa,V.; Gibert, M.; Tallec, T. et al. (2026) La ZA PYGAR : des Pyrénées aux plaines agricoles, un territoire drainé par la Garonne. Sous la direction: Olivier Ragueneau; Vanessa Lea; Isabelle Charpentier; Claire Tito de Morais; Mathieu Bonnefond. Zones Ateliers, un réseau de recherches collaboratives, situées et engagées, ISTE Editions, pp.257-271, 2026, 9781789482324.https://hal.science/hal-05462455v1
David Funosas, doctorant co-encadré par Luc Barbaro a publié, un article dans la revue Ecological Indicators, et le datapaper correspondant, sur la première évaluation mondiale de BirdNET à partir de 4 224 enregistrements d'une minute provenant de 67 sites répartis sur tous les continents et annotés par des experts locaux.
Funosas, D.; (...) Barbaro, L; (...) Pérez-Granados, C. (2026) A global assessment of BirdNET performance: Differences among continents, biomes, and species, Ecological Indicators, Vol 182, 114550, ISSN 1470-160X,
Associé à cet article vient de paraitre aussi le datapaper :
Pérez-Granados, C.; Morant, J.; (...) Barbaro, L. et al. (2026). “ WABAD: A World Annotated Bird Acoustic Dataset for Passive Acoustic Monitoring.” Ecology 107(2): e70317. https://doi.org/10.1002/ecy.70317
Abstract:
Recent advances in machine learning have accelerated automated species detection across diverse ecological domains, enabling large-scale, non-invasive monitoring of biodiversity. In ornithological research, the combination of passive acoustic monitoring (PAM) and rapidly-developing novel identification tools such as BirdNET—a deep learning–based sound recognition algorithm—offers new opportunities for surveying vocally active bird communities. Here, we present the first worldwide evaluation of BirdNET using 4224 one-minute recordings from 67 sites across all continents annotated by local experts. More specifically, we assessed the capacity of BirdNET to accurately identify individual vocalizations and characterize bird communities based on the automated analysis of passively collected soundscapes. We further analyzed how its performance varies across continents, biomes, species, and minimum confidence thresholds. The proportion of correct BirdNET predictions (precision) was generally high and consistent across continents (range: 0.57–0.71) and biomes (range: 0.55–0.76). In contrast, the proportion of vocalizations successfully detected (recall) was generally lower and more heterogeneous across continents (range: 0.24–0.52) and biomes (range: 0.34–0.72), reflecting differences in species coverage and local ecological context. BirdNET predictive power, as measured by the Precision-Recall Area Under the Curve (PR AUC; higher values indicating better performance), was highest in North America, Oceania, and Europe (range: 0.16–0.23), moderate in Central/South America (0.13), and lowest in Africa and Asia (range: 0.03–0.04). Species-specific analyses revealed substantial heterogeneity in detection accuracy, with optimal confidence thresholds varying widely by species and analytical goal. Our results establish a global reference point for BirdNET reliability and highlight where algorithmic refinement and expanded acoustic sampling are most needed.
Résumé:
Les progrès récents en matière d'apprentissage automatique ont accéléré la détection automatisée des espèces dans divers domaines écologiques, permettant ainsi une surveillance à grande échelle et non invasive de la biodiversité. Dans le domaine de la recherche ornithologique, la combinaison de la surveillance acoustique passive (PAM) et de nouveaux outils d'identification en plein essor, tels que BirdNET (un algorithme de reconnaissance sonore basé sur l'apprentissage profond), offre de nouvelles possibilités pour étudier les communautés d'oiseaux vocalement actifs. Nous présentons ici la première évaluation mondiale de BirdNET à partir de 4 224 enregistrements d'une minute provenant de 67 sites répartis sur tous les continents et annotés par des experts locaux. Plus précisément, nous avons évalué la capacité de BirdNET à identifier avec précision les vocalisations individuelles et à caractériser les communautés d'oiseaux sur la base de l'analyse automatisée de paysages sonores collectés de manière passive. Nous avons également analysé comment ses performances varient selon les continents, les biomes, les espèces et les seuils de confiance minimaux. La proportion de prédictions correctes de BirdNET (précision) était généralement élevée et constante sur tous les continents (fourchette : 0,57-0,71) et tous les biomes (fourchette : 0,55-0,76). En revanche, la proportion de vocalisations détectées avec succès (rappel) était généralement plus faible et plus hétérogène entre les continents (fourchette : 0,24-0,52) et les biomes (fourchette : 0,34-0,72), reflétant les différences dans la couverture des espèces et le contexte écologique local. La puissance prédictive de BirdNET, mesurée par l'aire sous la courbe de précision-rappel (PR AUC ; les valeurs élevées indiquant de meilleures performances), était la plus élevée en Amérique du Nord, en Océanie et en Europe (fourchette : 0,16-0,23), modérée en Amérique centrale et en Amérique du Sud (0,13) et la plus faible en Afrique et en Asie (fourchette : 0,03-0,04). Les analyses spécifiques à chaque espèce ont révélé une hétérogénéité importante dans la précision de la détection, les seuils de confiance optimaux variant considérablement selon les espèces et les objectifs analytiques. Nos résultats établissent un point de référence mondial pour la fiabilité de BirdNET et mettent en évidence les domaines dans lesquels l'amélioration des algorithmes et l'élargissement de l'échantillonnage acoustique sont les plus nécessaires.
