Prévision hydrologique à court terme par réseaux de neurones artificiels pour différentes combinaisons, spatialisations et sources des intrants.
Notice bibliographique
Résumé
Le potentiel de l’utilisation des réseaux de neurones artificiels en prévision hydrologique à court terme (un à sept jours à l’avance) a été démontré dans plusieurs études. Toutefois, les exemples d’utilisation en opérationnel restent limités et la compréhension de l’intérêt de plusieurs variables d’intrants au modèle pas encore entièrement déterminée. Le rôle de la spatialisation des intrants dans ce type de modèle n’est pas connu. Cette thèse examine le rôle de différents intrants, de leur discrétisation spatiale à un modèle de prévision hydrologique à court terme. Elle vise également à confronter différentes sources de données utilisées comme intrants au modèle. Le modèle de réseaux de neurones développé est un modèle à rétropropagation avec une couche cachée à six neurones. Quatre bassins versants situés en Nouvelle Angleterre (Androscoggin et Susquehanna) ou dans le sud du Québec (Au saumon et Magog) servent de cas d’étude pour faire la prévision durant l’été, défini du 1er mai au 31 octobre. Le modèle de prévision hydrologique vise à prévoir le débit au pas de temps journalier. Au minimum une variable météorologique et une variable d’état sont utilisées comme intrants au modèle ; la variable d’état est aussi mise à jour à chaque pas de temps en étant une sortie du modèle. Deux environnements de travail sont exploités. L’environnement virtuel sert à identifier les variables d’intrants et la spatialisation les plus pertinentes pour la prévision hydrologique à court terme sur les bassins à l’étude. Le modèle hydrologique à base physique HYDROTEL est utilisé pour générer des séries de pseudo-observations hydrométéorologiques sur chaque site d’étude. Les expériences menées dans cet environnement virtuel révèlent que la meilleure configuration d’intrants utilise la température, la précipitation, l’humidité du sol en surface et le débit. De plus, elles révèlent que les modèles global et spatialisé ont des résultats équivalents. Basé sur les résultats obtenus en environnement virtuel, l’environnement réel utilise des données d’observations pour le débit et l’humidité et des données de réanalyses de température et de précipitation pour la météo. Les résultats montrent un réel potentiel dans l’utilisation d’un réseau de mesure in situ de l’humidité au sol pour faire de la prévision hydrologique. En revanche, la qualité des prévisions est très réduite pour les faibles débits.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».