Conception d'un système de prévisions hydrologiques d'ensemble multimodèle en contexte opérationnel
Bibliographic record
Abstract
L’incertitude liée aux conditions météorologiques est une des grandes problématiques de la prévision hydrologique. L’incertitude inhérente aux prévisions hydrologiques est due aux nombreuses manipulations qu’il faut effectuer pour transformer l’intrant météorologique en débit prévu pour un site en particulier. \nD’autre part, l’incertitude liée aux prévisions météorologiques est due aux conditions initiales et à la modélisation des phénomènes physiques. Les conditions initiales d’un modèle météorologique sont incertaines car on ne peut connaître avec exactitude l’état de l’atmosphère à un moment donné. De plus, les modèles sont des simplifications des phénomènes physiques complexes de l’atmosphère. En fait, une prévision de débit est l’aboutissement d’un processus de traitement des données impliquant les modèles de prévision météorologiques, des méthodes de pré-traitement (Zalachori, Ramos, Gar¸con, Mathevet, & Gailhard, 2012), des modèles hydrologiques, des méthodes de post-traitement et des modèles d’aide à la décision. Évidemment, les modèles sont des simplifications de phénomènes physiques complexes et comportent eux aussi une part d’incertitude inhérente aux processus représentés. \nLa modélisation atmosphérique est un processus dynamique (Lorenz, 1963) et difficilement prévisible de par sa sensibilité aux états initiaux du modèle. De ce fait, les météorologues s’efforcent depuis les années 90 à considérer les différentes sources d’incertitude telle celle sur les conditions initiales et celle sur les paramètres dans les modèles atmosphériques. Ce changement de paradigme ne s’est cependant pas tout a fait complété dans le domaine de la prévision hydrologique opérationnelle. En effet, plusieurs centres continuent à se baser sur la méthodologie déterministe pour émettre leurs prévisions. \nCeci est du notamment à la difficulté à prévoir des évènements de pluie par les modèles atmosphériques. Étant donné que les préciipitations sont des phénomènes très localisés, il est difficile de prévoir leur lieu exact d’occurrence. De plus, les précipitations, qu’elles soient liquides ou sous forme de neige, sont les variables d’entrée les plus importants d’un modèle hydrologique. Heureusement, malgré les difficultés mentionnées précédemment, la capacité de représenter les évènements de précipitation s’est grandement améliorée à travers les années. Un nombre croissant d’agences hydrologiques à travers le monde utilisent les prévisions d’ensemble dans un cadre opérationnel, notamment le EFAS (European Flood Alert System) (Thielen, Bartholmes, Ramos, De Roo, et al., 2008). \nIl est clair que le processus de production des prévisions hydrologiques contient plusieurs sources d’incertitude qui peuvent entraîner de graves conséquences pour les prévisions subséquentes. Il est scientifiquement plus correct de considérer et de traiter l’incertitude du modèle que de se limiter à des prévisions qui ne la considèrent pas. \nDe l’acceptation de cette incertitude est née l’approche probabiliste. Cette approche nécessite donc de créer des membres à partir d’états initiaux perturbés. Cette procédure était impossible il y a une trentaine d’années par la capacité de calcul informatique qu’elle nécessite. De nos jours, la prévision météorologique probabiliste est la norme et est effectuée différemment pour chacun des centres météorologiques mondiaux. De plus, la résolution spatiale de ces prévisions données sous forme de grilles s’est grandement améliorée de manière à ce qu’elle soit adéquate pour la prévision hydrologique. La résolution spatiale plus fine des grilles de prévision permet de mieux décrire le champs de précipitation sur le bassin et donc d’améliorer la prévision hydrologique. \nLe premier objectif de ce projet de maîtrise est une analyse de l’inclusion de deux sources d’incertitude dans le processus de production de prévisions hydrologiques soit celle du choix de modèle atmosphérique ainsi que celle des conditions initiales et de la représentation physique de l’atmosphère. L’approche multi-modèle météorologique sera évaluée pour l’émission des prévisions d’ensemble hydrologiques. Cette analyse a pour but de comparer la performance d’un système de prévision multi-modèle météorologique avec la méthodologie couramment en vigueur chez Hydro-Québec qui est plutôt basée sur la climatologie. \nLe deuxième objectif est de tester une méthode de post-traitement multi-modèle appelée le ”Bayesian Model Averaging” (BMA) pour combiner les prévisions multi-modèles en une seule distribution prédictive. Le BMA permettra aussi d’attribuer à chaque modèle atmosphérique un poids représentatif de sa crédibilité déterminée lors d’une période d’entraînement. \nDes prévisions météorologiques provenant des modèles atmosphériques canadiens, américains et européens serviront à produire des prévisions hydrologiques sur trois bassins versants québécois soit La-Grande 4, Outardes 4 et Baskatong. Les performances de ces prévisions seront ensuite comparées à celle des prévisions opérationnelles brutes provenant d’Hydro-Québec. Ce mémoire de maîtrise se divise en 5 chapitres soit la problématique, la revue de littérature, l’approche méthodologique, la présentation des résultats et la conclusion.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| 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".