Conception d'un système de prévisions hydrologiques d'ensemble multimodèle en contexte opérationnel
Notice bibliographique
Résumé
L’incertitude liée aux conditions météorologiques est une des grandes problématiques de la prévision hydrologique. L’incertitude inhérente aux prévisions hydrologiques est due aux nombreuses manipulations qu’il faut effectuer pour transformer l’intrant météorologique en débit prévu pour un site en particulier. \nD’autre part, l’incertitude liée aux prévisions météorologiques est due aux conditions initiales et à la modélisation des phénomènes physiques. Les conditions initiales d’un modèle météorologique sont incertaines car on ne peut connaître avec exactitude l’état de l’atmosphère à un moment donné. De plus, les modèles sont des simplifications des phénomènes physiques complexes de l’atmosphère. En fait, une prévision de débit est l’aboutissement d’un processus de traitement des données impliquant les modèles de prévision météorologiques, des méthodes de pré-traitement (Zalachori, Ramos, Gar¸con, Mathevet, & Gailhard, 2012), des modèles hydrologiques, des méthodes de post-traitement et des modèles d’aide à la décision. Évidemment, les modèles sont des simplifications de phénomènes physiques complexes et comportent eux aussi une part d’incertitude inhérente aux processus représentés. \nLa modélisation atmosphérique est un processus dynamique (Lorenz, 1963) et difficilement prévisible de par sa sensibilité aux états initiaux du modèle. De ce fait, les météorologues s’efforcent depuis les années 90 à considérer les différentes sources d’incertitude telle celle sur les conditions initiales et celle sur les paramètres dans les modèles atmosphériques. Ce changement de paradigme ne s’est cependant pas tout a fait complété dans le domaine de la prévision hydrologique opérationnelle. En effet, plusieurs centres continuent à se baser sur la méthodologie déterministe pour émettre leurs prévisions. \nCeci est du notamment à la difficulté à prévoir des évènements de pluie par les modèles atmosphériques. Étant donné que les préciipitations sont des phénomènes très localisés, il est difficile de prévoir leur lieu exact d’occurrence. De plus, les précipitations, qu’elles soient liquides ou sous forme de neige, sont les variables d’entrée les plus importants d’un modèle hydrologique. Heureusement, malgré les difficultés mentionnées précédemment, la capacité de représenter les évènements de précipitation s’est grandement améliorée à travers les années. Un nombre croissant d’agences hydrologiques à travers le monde utilisent les prévisions d’ensemble dans un cadre opérationnel, notamment le EFAS (European Flood Alert System) (Thielen, Bartholmes, Ramos, De Roo, et al., 2008). \nIl est clair que le processus de production des prévisions hydrologiques contient plusieurs sources d’incertitude qui peuvent entraîner de graves conséquences pour les prévisions subséquentes. Il est scientifiquement plus correct de considérer et de traiter l’incertitude du modèle que de se limiter à des prévisions qui ne la considèrent pas. \nDe l’acceptation de cette incertitude est née l’approche probabiliste. Cette approche nécessite donc de créer des membres à partir d’états initiaux perturbés. Cette procédure était impossible il y a une trentaine d’années par la capacité de calcul informatique qu’elle nécessite. De nos jours, la prévision météorologique probabiliste est la norme et est effectuée différemment pour chacun des centres météorologiques mondiaux. De plus, la résolution spatiale de ces prévisions données sous forme de grilles s’est grandement améliorée de manière à ce qu’elle soit adéquate pour la prévision hydrologique. La résolution spatiale plus fine des grilles de prévision permet de mieux décrire le champs de précipitation sur le bassin et donc d’améliorer la prévision hydrologique. \nLe premier objectif de ce projet de maîtrise est une analyse de l’inclusion de deux sources d’incertitude dans le processus de production de prévisions hydrologiques soit celle du choix de modèle atmosphérique ainsi que celle des conditions initiales et de la représentation physique de l’atmosphère. L’approche multi-modèle météorologique sera évaluée pour l’émission des prévisions d’ensemble hydrologiques. Cette analyse a pour but de comparer la performance d’un système de prévision multi-modèle météorologique avec la méthodologie couramment en vigueur chez Hydro-Québec qui est plutôt basée sur la climatologie. \nLe deuxième objectif est de tester une méthode de post-traitement multi-modèle appelée le ”Bayesian Model Averaging” (BMA) pour combiner les prévisions multi-modèles en une seule distribution prédictive. Le BMA permettra aussi d’attribuer à chaque modèle atmosphérique un poids représentatif de sa crédibilité déterminée lors d’une période d’entraînement. \nDes prévisions météorologiques provenant des modèles atmosphériques canadiens, américains et européens serviront à produire des prévisions hydrologiques sur trois bassins versants québécois soit La-Grande 4, Outardes 4 et Baskatong. Les performances de ces prévisions seront ensuite comparées à celle des prévisions opérationnelles brutes provenant d’Hydro-Québec. Ce mémoire de maîtrise se divise en 5 chapitres soit la problématique, la revue de littérature, l’approche méthodologique, la présentation des résultats et la conclusion.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 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 | 0,001 |
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 ».