Modélisations hydrologique et hydraulique de la rivière de Coaticook dans un contexte de changements climatiques
Bibliographic record
Abstract
Les inondations sont un phénomène majeur dans le monde et en particulier au Canada. Ces phénomènes causent des impacts sociaux, environnementaux et économiques importants (Ouranos, 2018). L’évolution des conditions hydroclimatiques attendues en réponse à la transformation du climat modifiera l’occurrence et l’intensité des inondations futures. Face à cette problématique, les communautés doivent réduire les risques liés aux inondations à l’aide de différentes stratégies d’adaptation. Ce projet de maîtrise consiste en des simulations hydrologique et hydraulique de la rivière Coaticook dans le contexte des changements climatiques ainsi qu’une étude des stratégies d’adaptation, au sein d’une équipe pluridisciplinaire en coopération avec le consortium Ouranos. Le modèle hydrologique SWAT permet de simuler les débits pour un tronçon de la rivière Coaticook (secteur Compton). SWAT est alimenté à l’aide de scénarios climatiques (températures et précipitations) en climat de référence et en climat futur pour générer des séries de débits en climat de référence et en climat futur. L’ensemble de données CORDEX a été utilisé pour représenter 19 projections climatiques (7 en RCP 4.5 et 12 en RCP 8.5) pour trois horizons futurs (Horizon 1 : 2021-2050, Horizon 2 : 2041-2070, Horizon 3 : 2071-2100) en plus de la période de référence (1971-2000). Les débits simulés pour une probabilité de dépassement donnée montrent une augmentation pour les horizons 1 et 2, puis un retour vers les niveaux de référence à l’horizon 3. Toutefois, le moment du maximum de crue est décalé de la période printanière à la période estivale, ce qui peut entrainer de plus grands dommages dans un contexte agricole. Les débits sont ensuite utilisés dans un modèle hydraulique HEC-RAS (1D/2D) afin de calculer les hauteurs d’eau atteintes et les superficies inondées entourant la rivière. Des campagnes terrains réalisées en 2018 et en 2019 ont permis de mesurer la bathymétrie ainsi que les débits et niveaux d’eau dans la rivière. Ces données ont permis le calage et la validation du modèle par l’ajustement des paramètres. En plus des niveaux d’eau et des superficies inondées, l’analyse a été réalisée à l’aide de classes d’aléas liées à la profondeur d’eau (Faible : 0,30 m; Modérée : 0,30 – 0,90 m; Élevée : >0,90m). Alors que la superficie totale n’augmente que de 11 % pour une augmentation du débit de 150 m3/s à 185 m3/s, la superficie de la classe élevée augmente de 32 %, démontrant l’importance de ne pas analyser uniquement les superficies inondées. À travers un processus de concertation avec le milieu, Ouranos a proposé différentes stratégies visant à réduire les inondations des zones agricoles face aux effets des changements climatiques. Certaines stratégies impliquent des modifications au lit de la rivière (dragage, enrochement) alors que d’autres stratégies impliquent une réduction des débits (milieux humides). Ces solutions sont ensuite intégrées aux modèles afin d’évaluer leurs impacts sur les débits, les niveaux d’eau et les superficies inondées. Les modifications au lit de la rivière entrainent des modifications locales et peuvent également amener une augmentation locale des niveaux d’eau. Les modifications aux débits permettent une diminution globale des niveaux d’eau.
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.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".