Optimisation de la prévision hydrologique d'ensemble par
\nl'intégration de l'apprentissage profond dans une méthode
\nmulti-modèle hybride

L'application récente de l'apprentissage profond dans le domaine de l’hydrologie a démontré un potentiel prometteur. Cette recherche se concentre sur le développement d’une approche hybride multi-modèle, mettant en oeuvre huit modèles hydrologiques globaux et conceptuels, un modèle semi-distribué, et un modèle d'apprentissage profond (Deep Learning, DL), pour la prévision des apports à un réservoir hydroélectrique. L'introduction du modèle à mémoire long terme et court terme (Long Short-Term Memory, LSTM) au sein de ce cadre multi-modèle est particulièrement mise de l’avant pour son potentiel à améliorer la précision des prévisions de débit à court terme sur le bassin versant du Lac-Saint-Jean. Les résultats montrent que l'association des modèles hydrologiques avec le LSTM améliore notablement la performance de prévision, en particulier pour les prévisions à court terme jusqu'à 9 jours, surpassant d’autres combinaisons multi-modèles en diminuant, en moyenne, jusqu’à 45% les valeurs du CRPS. L'étude souligne également que l'apprentissage profond, lorsqu'il est combiné avec d'autres approches de modélisation, permet d’atteindre les performances maximales notamment au niveau de la distribution des prévisions où les valeurs ABDU (Average Bin Distance to Uniformity, valeur mesurant la fiabilité des prévisions d’ensemble) ont diminué de 64%. La méthode hybride multi-modèle se révèle efficace pour capturer la variabilité hydrologique à l'échelle du bassin versant.
\n 
\nEn complément, une section du mémoire porte sur l'opérationnalisation de ces outils et présente l'application de cette méthode dans un contexte pratique, notamment pour améliorer les systèmes de prévision hydrologique chez Rio Tinto. Utilisant le modèle hydrologique CEQUEAU7, déjà en place chez Rio Tinto, l'étude propose une méthode d'intégration simple, consistant à ajouter et fusionner des modèles hydrologiques complémentaires au système existant. Cette approche augmente la robustesse et la précision des prévisions. L'inclusion du modèle LSTM, en particulier, a montré une amélioration significative de la précision des prévisions produisant en moyenne des valeurs de CRPS 50% plus faibles, confirmant l'efficacité de l'apprentissage profond pour mieux saisir les dynamiques complexes des systèmes hydrologiques. L'intégration des modèles GR4J et LSTM offrent les meilleures performances, illustrant l'efficacité d'une approche multi-modèle qui tire parti des forces spécifiques de différents modèles hydrologiques pour des prévisions plus précises et robustes.

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.