Amélioration des prévisions hydrologiques d’ensemble dans \nun contexte de modélisation multi-modèle
Bibliographic record
Abstract
Que ce soit en contexte de gestion de réservoirs hydroélectrique, gestion des inondations ou toutes autres opérations visant à contrôler des afflux d’eau, les hydrologues se servent de prévisions hydrologiques afin de prendre leurs décisions opérationnelles. Pour ce faire, ils doivent considérer les risques financiers, environnementaux et avant tout, ceux liés à la sécurité du public. La prévision d’ensemble est un type de prévision hydrologique qui permet d’évaluer le risque en tenant compte des incertitudes de ces prévisions. Toutefois, les prévisions hydrologiques d’ensemble sont souvent biaisées et leur distribution est souvent sous dispersée lorsqu’elles sont comparées aux observations. \nCette problématique provient principalement de l’incertitude des prévisions météorologiques d’ensemble servant à alimenter des modèles hydrologiques pour en obtenir des prévisions de débits en rivières, et aussi du ou des modèles utilisés. Ces prévisions erronées peuvent ainsi contribuer à des prises de décisions opérationnelles pouvant mettre en danger le public et les infrastructures. \n \nCe projet de recherche présente une nouvelle méthodologie qui vise à améliorer la précision des prévisions hydrologiques d’ensemble utilisées en gestion des ressources hydriques. Cette méthodologie a été évaluée sur cinq bassins versants du partenaire industriel Rio Tinto dans la région du Lac-Saint-Jean, au Québec. Les prévisions météorologiques d’ensemble (50 membres) de l’ECMWF de 2015 à 2019 ont été utilisées afin de renseigner huit modèles hydrologiques globaux sur un \nhorizon de neuf jours. Suite à la calibration des modèles hydrologiques, une méthode d’assimilation de données basée sur les filtres d’ensemble de Kalman (EnKF) est employée afin de modifier les conditions initiales de chaque modèle hydrologique dans le but de représenter les différentes sources d’incertitudes au niveau des observations. Ensuite, un post-traitement des ensembles hydrologiques de chaque modèle est effectué en utilisant la méthode de correction de biais par quantiles (QM). Ces mêmes ensembles hydrologiques sont finalement regroupés en un grand ensemble multi-modèle dans l’objectif d’avoir un meilleur échantillonnage de l’incertitude totale, et ainsi uniformiser sa distribution. \n \nAfin d’évaluer les résultats obtenus par la méthodologie et de ses différentes étapes, plusieurs critères de performance sont employés. Les diagrammes de Talagrand, deux métriques de quantification de la fiabilité et de la précision, ainsi que le test statistique de Kolmogorov- Smirnov, servent à évaluer la robustesse de la méthodologie. Cette évaluation est effectuée sur quatre périodes distinctes, représentant différents régimes hydrologiques sur les bassins versants. Malgré des difficultés durant la période de la crue printanière, les résultats obtenus indiquent que chaque étape de la méthodologie permet d’améliorer la précision des prévisions hydrologiques d’ensemble sur les cinq bassins versants à l’étude. Finalement, l’utilisation du multi-modèle améliore significativement la précision et l’étendue des ensembles hydrologiques sur un horizon de neuf jours. Ce projet démontre qu’il est donc possible de corriger les biais et d’améliorer la fiabilité des prévisions hydrologiques d’ensemble.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".