Analyse des approches multi-modèle en prévision hydrologique

La présente étude vise à analyser l’apport des méthodes de combinaison multi-modèle en vue d’améliorer la représentation de la variabilité des prévisions hydrologiques d’ensembles générées par des modèles hydrologiques simples. Dans un contexte de gestion de reservoirs hydroélectriques, il arrive fréquemment que les prévisions des modèles hydrologiques ne représentent pas bien la réalité. Cela s’explique en partie par l’utilisation de modèles hydrologiques simplifie grandement le processus complexe qu’est le cycle hydrologique, induisant ainsi des ensembles prévisionnels ne représentant pas adéquatement l’incertitude de prévision. La combinaison multi-modèle est donc une avenue intéressante, d’autant plus que des études précédentes ont fait état de sa capacité à améliorer la qualité des previsions hydrologiques sur de courtes périodes. \n \nTrois modèles hydrologiques (GR4J, MOHYSE et HSAMI) ont été utilisés pour générer des prévisions d’ensemble émises au premier jour de chaque mois et de durée variant de 2 semaines à 6 mois sur le bassin versant de la rivière Ashuapmushuan au Saguenay-Lac-St-Jean. La combinaison de ces trois modèles par la méthode de pondération GRC a ainsi permis de générer un quatrième ensemble prévisionnel. Les prévisions ont été générées pour chaque année disponible, soit de 1967 à 2001, en utilisant les données météo observées pour alimenter les modèles. Par la suite, des combinaisons des ensembles ont été faites afin d’ajouter du bruit à la dispersion des ensembles. Il s’agit du grand-ensemble, soit les ensembles des trois modèles simples, et du super-ensemble, qui est la combinaison des trois ensembles des modèles simples et de l’ensemble multi-modèle. \n \nLa qualité de ces ensembles est alors évaluée à l’aide de diagrammes de Talagrand et de deux tests statistiques, soit les scores ABDU et le test de Kolmogorov-Smirnov. Dans tous les cas, les combinaisons d’ensembles ont démontré une amélioration de la correction de la sousdispersion initialement observée. L’ajout de l’ensemble multi-modèle, soit le superensemble, en comparaison au grand-ensemble, est très bénéfique à la dispersion à court terme, mais ce bénéfice s’atténue sur les plus longs horizons. En ce qui concerne l’atteinte de l’objectif de produire des prévisions présentant une incertitude adéquate, les combinaisons grands-ensembles et super-ensemble présentent de meilleurs résultats, surtout durant les mois plus chauds, où les précipitations sont sous forme liquide. Le projet démontre qu’il y a possibilité d’utiliser les méthodes multi-modèle avec succès mais qu’il faudra poursuivre la recherche pour déterminer comment maximiser la performance en fonction des périodes de prévision et de l’horizon prévisionnel souhaité.

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.