Application de techniques de post-traitement des prévisions météorologiques pour améliorer les prévisions hydrologiques opérationnelles: étude de cas sur plusieurs bassins versants canadiens

Les prévisions hydrologiques permettent d’estimer le débit d’eau des rivières. Elles sont essentielles pour diverses activités telles que la prévention des inondations et des sécheresses, la gestion de l'approvisionnement en eau, et les opérations des centrales hydroélectriques. Les prévisions hydrologiques à moyen terme (de 3 à 15 jours) utilisent des modèles hydrologiques pilotés par des prévisions des modèles de prévision météorologique dynamique. Cependant, les prévisions hydrologiques contiennent souvent des biais dus à divers facteurs tels que les incertitudes dans les paramètres du modèle hydrologique, les déficiences dans la structure du modèle, les entrées météorologiques, la mesure peu fiable des données d'entrée et la mauvaise spécification des conditions initiales ou de leurs limites. En général, les données d’entrée météorologique sont la principale source d'incertitude dans les prévisions hydrologiques, incertitude qui les rend moins utiles aux gestionnaires des ressources en eau. Cependant, elles peuvent être améliorées grâce à des méthodes de post-traitement. Le post-traitement a la capacité de réduire les biais globaux et d'améliorer la propagation de l'incertitude afin d'améliorer l'utilité des prévisions dans la prise de décisions. \n \nDans cette étude, la technique de post-traitement de la correction par quantiles (mieux connu sous sa dénomination anglaise Quantile Mapping; QM) a été mise en œuvre sur les prévisions météorologiques, plus précisément sur les données de précipitations. La méthode QM est conçue pour être une méthode de post-traitement simple et efficace pour la prévision, destinée à une utilisation opérationnelle par les utilisateurs finaux. Par conséquent, le QM a été évalué dans trois configurations différentes : un schéma d’application mensuel, un schéma saisonnier et un schéma annuel. L'évaluation a été effectuée sur 20 bassins versants de différentes superficies allant de 30 km2 à plus de 30 000 km2 au Canada. Les méthodes de post-traitement ont été entraînées sur la précipitation des prévisions d’ensemble opérationnelles ECMWF de 2015 à 2019 et ensuite appliquées dans les prévisions de 2020, chaque prévision contenant 50 membres. Huit modèles hydrologiques globaux ont été utilisés : CEQUEAU, GR5dt, HBV, HYMOD, IHACRES, MOHYSE, SIMHYD et TOPMODEL. Les modèles hydrologiques ont été calibrées à l’aide de la Stratégie d’adaptation et d’évolution de la matrice de covariance (CMAES) et des filtres d’ensemble de Kalman (EnKF) ont été utilisés pour l’assimilation de données. Les prévisions post-traitées ont ensuite été introduites dans les huit modèles précédents, en générant alors les prévisions hydrologiques pour l'année 2020 avec une période de prévision de 10 jours et un pas de temps de 6 heures. \n \nLa robustesse de la méthodologie et les résultats ont été évalués à l'aide de la métrique « Continuous Ranked Probability Score » (CRPS) et d'une nouvelle métrique que nous avons appelée « Runoff-Specific CRPS » (RSCRPS), qui est calculée en divisant le CRPS par le débit moyen de chaque bassin. Des améliorations significatives sont observées lors de l'utilisation de QM dans les prévisions de précipitations ; cependant, ces améliorations ne se traduisent pas par des prévisions hydrologiques améliorées. Les résultats indiquent que les trois configurations de QM n'améliorent pas la précision des prévisions d'écoulement des cours d'eau dans la plupart des bassins versants et, parfois, les prévisions traitées présentent des performances moins bonnes que les prévisions brutes, ce qui souligne la nécessité de s'assurer que les méthodes de post-traitement des précipitations ont un impact positif sur les prévisions hydrologiques.

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.