Deep Learning Models and Their Interpretability for Ice-Jam Prediction in the Province of Quebec

Les formations d'embâcles sont des éléments importants de nombreux cours d'eau dans les régions froides, car elles entraînent une montée rapide des niveaux d'eau et de graves inondations qui causent des dommages importants aux personnes, aux propriétés et aux infrastructures. Les méthodes de prévision des embâcles sont des outils utiles qui peuvent donner une alerte précoce afin d'augmenter le temps de réponse et de minimiser les dommages éventuels. Il existe des informations hydro-météorologiques et géomorphologiques conduisant à la formation d'embâcles. La prédiction des formations d'embâcles sur la base des variables hydro-météorologiques impliquées est un défi, en raison de la complexité des interactions entre ces variables. Les techniques d'apprentissage profond sont des outils utiles pour prédire les embâcles, en considérant la prédiction des embâcles comme une classification binaire multivariée de séries temporelles. Dans cette étude, les réseaux neuronaux convolutifs (CNN), les réseaux à mémoire à long terme (LSTM) et les réseaux combinés convolutifs à mémoire à long terme (CNN-LSTM) sont utilisés avec succès pour prédire les embâcles dans les rivières de la province du Québec. Nous avons utilisé des variables hydrométéorologiques (précipitations, températures minimales et maximales, degrés-jours de gel accumulés, degrés-jours de dégel accumulés, rayonnement et épaisseur de la neige) ainsi que les événements d'embâcle ou d'absence d'embâcle correspondants comme entrées du modèle. Nous avons également appliqué des méthodes d'apprentissage automatique, notamment la machine à vecteur de support (SVM), le classificateur des voisins les plus proches (KNN), l'arbre de décision et le perceptron multicouche (MLP) à cette fin. En fonction des objectifs de l'étude et des données disponibles, le modèle CNN-LSTM a été jugé le meilleur modèle ayant la meilleure performance de prévision pour la prédiction des embâcles au Québec. Nous avons également appliqué des méthodes d'interprétation (visualisation des filtres et des caractéristiques, cartes de saillance et cartographie d'activation de classe pondérée par gradient (Grad-CAM)) pour expliquer les décisions prises par le modèle CNN développé pour la prédiction des embâcles. Les résultats révèlent que le rayonnement et la température maximale sont les variables les plus importantes et qu'un jour avant l'événement est le moment le plus significatif menant à la formation d'embâcles. D'une part, cette étude fournit un outil pour la prédiction des embâcles dans la province du Québec. D'autre part, elle aborde certaines limitations clés dans la compréhension des variables hydro-météorologiques et des intervalles de temps menant à la formation d'embâcles.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.