Estimation du débit en rivière à l’aide de l’imagerie RADARSAT en utilisant l’apprentissage profond.

L’estimation du débit en rivières est un paramètre clé pour la gestion des ressources hydriques, la prévention des risques liés aux inondations et la planification des équipements hydroélectriques. Lorsque le débit d’eau est très élevé lors d'évènements extrêmes, les méthodes de jaugeage traditionnelles ne peuvent pas être utilisées. De plus, les stations du réseau hydrométrique sont généralement éparses et leur répartition spatiale n’est pas optimale. Par conséquent, de nombreuses sections de rivières ne peuvent être suivies par des mesures et observations du débit. Pour ces raisons, pendant la dernière décennie, les capteurs satellitaires ont été considérés comme une source d’observation complémentaire aux observations traditionnelles du niveau d’eau et du débit en rivières. L’utilisation d’une telle approche a fourni un moyen de maintenir et d’étendre le réseau d'observation hydrométrique. L’approche avec télédétection permet d’estimer le débit à partir des courbes de tarage qui met en relation le débit instantané (Q) et la géométrie d’une section transversale du chenal (la largeur ou la profondeur effective de la surface d’eau). En revanche, cette méthode est associée à des limitations, notamment, sa dépendance aux courbes de tarage. En effet, en raison de leurs natures empiriques, les courbes de tarage sont limitées à des sections spécifiques et ne peuvent être appliquées dans d’autres rivières. Récemment, des techniques d’apprentissage profond ont été appliquées avec succès dans de nombreux domaines, y compris en hydrologie. Dans le présent travail, l’approche d’apprentissage profond a été choisie, en particulier les réseaux de neurones convolutifs (CNN), pour estimer le débit en rivière. L’objectif principal de ce travail est de développer une approche d’estimation du débit en rivières à partir de l’imagerie RADARSAT 1&2 à l’aide de l’apprentissage profond. La zone d’étude se trouve dans l’ecozone du bouclier boréal à l’Est du Canada. Au total, 39 sites hydrographiques ont fait l’objet de cette étude. Dans le présent travail, une nouvelle architecture de CNN a été a été proposée, elle s'adapte aux données utilisées et permet d’estimer le débit en rivière instantané. Ce modèle donne un résultat du coefficient de détermination (R²) et de Nash-Sutcliffe égale à 0.91, le résultat d’erreur quadratique moyenne égale à 33 m³ /s. Cela démontre que le modèle CNN donne une solution appropriée aux problèmes d’estimation du débit avec des capteurs satellites sans intervention humaine. Estimating river flow is a key parameter for effective water resources management, flood risk prevention and hydroelectric facilities planning. In cases of very high flow of water or extreme events, traditional gauging methods cannot be reliable. In addition, hydrometric network stations are often sparse and their spatial distribution is not optimal. Therefore, many river sections cannot be monitored using traditional flow measurements and observations. For these reasons, satellite sensors are considered as a complementary observation source to traditional water level and flow observations in the last decades. The use of this kind of approach has provided a way to maintain and expand the hydrometric observation network. Remote sensing data can be used to estimate flow from rating curves that relate the instantaneous flow (Q) to the geometry of a channel cross-section (the effective width or depth of the water surface). On the other hand, remote sensing is also associated with limitations, notably its dependence on the rating curves. Indeed, due to their empirical nature, rating curves are limited to specific sections and cannot be applied in other rivers. Recently, deep learning techniques have been successfully applied in many fields, including hydrology. In the present work, the deep learning approach has been chosen, in particular convolutional neural networks (CNN), to estimate river flow. The main objective of this work is to develop an approach to estimate river flow from RADARSAT 1&2 imagery using deep learning. In this study, 39 hydrographic sites of the Boreal Shield ecozone in Eastern Canada were considered. A new CNN architecture was developed to provide a straightforward estimation of the instantaneous river flow rate. The achieved results demonstrated a coefficient of determination (R²) and Nash-Sutcliffe values of 0.91, and a root mean square error of 33m³ /s. This indicates the effectiveness of CNN in automatic flow estimation with satellite sensors.

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.