Plus-value hydrologique du post-traitement de la prévision météorologique d'ensemble
Notice bibliographique
Résumé
La prévision d’ensemble hydrologique est devenue un élément clé pour atténuer les effets des catastrophes naturelles (crues et sécheresses) et pour aider à la gestion des barrages (gestion du risque et de la ressource). Une approche probabiliste permet de représenter l’incertitude de prévision et de faciliter la prise de décision. Dans cette étude, un système automatique de prévision d’ensemble du débit tenant compte des principales sources d’incertitude est utilisé. L’incertitude météorologique est décrite en utilisant des prévisions d’ensemble météorologiques (MEPS) qui, malgré des améliorations constantes, peuvent rester localement biaisées et/ou peu fiables. Ces deux problèmes peuvent affecter la qualité de la prévision du débit et les décisions qui en résultent. Cette étude vise à évaluer si un post-traitement de la prévision météorologique est utile pour améliorer la prévision du débit produite par un système quantifiant les principales sources d’incertitude. Deux techniques de post-traitement météorologique sont utilisées pour corriger des prévisions de précipitation ECMWF : “Censored, Shifted Gamma Distribution” (CSGD) et “Distribution-based scaling” (DBS). Les prévisions de précipitations brutes et post-traitées sont utilisées pour forcer 20 modèles hydrologiques et obtenir des prévisions d’ensemble de débits. L’incertitude liée aux conditions initiales sont décrites par une assimilation de données (filtre d’ensemble de Kalman). Le post-traitement de la prévision de précipitation est évalué sur les sous-bassins de la rivière Gatineau au Québec en utilisant une évaluation multi-critères (diagramme de fiabilité, MCRPS...). Les résultats montrent une amélioration de la prévision météorologique en termes de fiabilité pour tous les bassins. Cette amélioration dépend de la quantité de précipitations, de l’horizon de prévision et de la saison. Les améliorations en termes d’exactitude sont plus modérées. Cependant, l’amélioration de la qualité de la prévision de précipitation a un impact faible sur la prévision du débit.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».