Valorisation de la précipitation satellitaire pour l'amélioration de la modélisation et de la prévision hydrologique
Notice bibliographique
Résumé
La précipitation constitue une composante très importante pour le cycle hydrologique. Il s’agit d’un intrant météorologique essentiel pour l’alimentation des modèles hydrologiques, qui sont employés pour la gestion des ressources hydriques en général et pour faire des prévisions hydrologiques en particulier. Avoir des informations fiables sur la répartition spatio-temporelle de la précipitation dans les régions qui ne possèdent pas un réseau dense de stations météorologiques et hydrométriques constitue un défi dans le domaine de l’hydrologie. Depuis les dernières années, plusieurs chercheurs ont manifesté un grand intérêt envers le développement des nouvelles sources de données alternatives de précipitations telles que les produits de réanalyse et la télédétection satellitaire. Les études qui ont porté sur les bienfaits de la précipitation satellitaire pour répondre aux besoins de la modélisation et de la prévision hydrologique sont peu nombreuses, plus spécifiquement sur le territoire québécois. Le présent projet étudie la performance des produits de précipitation satellitaire (PPS) et leur utilité pour caler des modèles hydrologiques et réaliser des prévisions hydrologiques d’ensemble. Dans le cadre de ce projet, sept bassins versants de différentes superficies ont été étudiés. Cinq bassins versants sont situés au Québec, soit Au Saumon, Eastmain, Magog, Manic-5 et Péribonka; un bassin versant en Ontario, soit Michipicoten, et un bassin versant dans l’état du Maine aux États-Unis, soit Androscoggin. Aussi, 5 PPS ont été considérés, soit CHIRPSV2, CMORPH-CDR, IMERGV6, PERSIANN-CDR, et TMPAV7. La précipitation issue de la réanalyse ERA5 a servi de référence pour fins de comparaison. Le modèle hydrologique global GR4J ainsi que sa version semi-distribuée développée à l’université de Sherbrooke ont été utilisés. Quatre scénarios de calage ont été investigués dans le but d’évaluer le potentiel de recourir à des PPS pour le calage des modèles. Aussi, des prévisions hydrologiques d’ensemble ont été réalisées sur le bassin versant Manic-5 avec GR4J global. Les prévisions ont été faites durant la saison estivale et couvrent un horizon de 1 à 16 jours. Les résultats de l’analyse des PPS suggèrent que tous les produits ont montré une tendance à sous-estimer les précipitations de référence et que la relation linéaire entre ces données s’est améliorée en passant d’une échelle journalière à une échelle mensuelle et elle a connu une diminution à l’échelle annuelle. Les coefficients de NRMSE ont baissé au passage de l’échelle journalière à l’échelle mensuelle et annuelle. Concernant le calage du modèle hydrologique, les résultats montrent que l’utilisation des données de PPS combinées avec les données de référence ERA5 ainsi que leur moyennage ont contribué à l’amélioration de la performance du modèle GR4J en calage et en validation. L’utilisation des données de PPS pour caler le modèle hydrologique durant la période estivale en conservant les paramètres de neige constants a montré une détérioration importante dans les scores de NSE en calage et en validation. Le calage des deux versions de GR4J a permis d’avoir des résultats similaires. Enfin, les prévisions hydrologiques, dont la performance est évaluée avec le critère CRPS, montrent que le modèle GR4J calé avec les PPS offre une performance légèrement inférieure aux prévisions obtenues à partir de ERA5. Sur un horizon de 1 à 6 jours une performance comparable est obtenue pour chacune des PPS et combinaison de PPS utilisée. Un écart de performance se creuse entre les PPS dans l’horizon 7-16 jours, le produit IMERGV6 offrant une performance supérieure à PERSIANN-CDR.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».