Analyse fréquentielle intégratrice des débits projetés au Québec méridional
Bibliographic record
Abstract
RÉSUMÉ: Les inondations exceptionnelles de 2017 et de 2019 au Québec ont mis en lumière plusieurs défis en matière d'adaptation aux aléas climatiques. Pour mieux prévoir les risques d'inondation future, le ministère de l'Environnement et de la Lutte contre les changements climatiques a mis en place en avril 2018 le projet INFO-Crue, qui vise à produire une cartographie prévisionnelle des zones inondables dans une grande partie du Québec méridional. Ce projet y contribue en étudiant l'évolution des débits extrêmes dans les tronçons de rivières jaugés et non jaugés du Québec jusqu'à l'horizon 2100. Les estimations de débits futurs seront par la suite utilisées pour calculer les niveaux de crue attendus et cartographier les zones à risque. L'étude des débits s'appuie sur deux ensembles de données fournis par la Direction de l'Expertise Hydrique (DEH), les pseudo-observations aux tronçons non jaugés et les simulations hydroclimatiques. Les pseudo-observations proviennent d'une méthode d'interpolation utilisant des observations des stations environnants et des simulations du modèle hydrologique Hydrotel. Elle permet d'estimer les débits dans les tronçons de rivière non jaugés (sans appareils de mesure) jusqu'à 2020. Les simulations proviennent d'un ensemble de modèles climatiques couplés au modèle hydrologique Hydrotel, simulant les débits futurs sous différents scénarios d'émission de gaz à effet de serre jusqu'à 2100. Ces simulations prennent en compte les changements climatiques. Deux modèles hiérarchiques bayésiens ont été développés, un pour les pseudo-observations et un pour les simulations hydroclimatiques. Les débits maximaux annuels sont extraits et modélisés dans le cadre de la théorie des valeurs extrêmes. Les modèles hiérarchiques bayésiens sont particulièrement adaptés pour structurer les données similaires provenant de plusieurs sources. Ils permettent en outre une estimation des débits extrêmes qui prend en compte les sources d'incertitudes dans un cadre statistique cohérent. Les sorties du modèle statistique pour les simulations sont biaisées par rapport aux sorties du modèle statistique pour les pseudo-observations. Une méthode de post-traitement statistique est alors adaptée pour corriger le biais entre les deux modèles et estimer les débits extrêmes futurs. La méthodologie proposée a été appliquée aux données de 234 tronçons de la rivière Chaudière au Québec. Les prévisions indiquent généralement une évolution à la baisse en amont et à la hausse en aval de la rivière pour le niveau de retour 100 ans. Les résultats de ce projet sont directement utilisables par la DEH pour cartographier les risques d'inondations actuels et futurs. ABSTRACT: The exceptional floods of 2017 and 2019 in Quebec have shed light on several challenges regarding adaptation to climate hazards. To better foresee future flood risks, the Ministère de l'Environnement et de la Lutte contre les changements climatiques started the INFO-Crue project in April 2018, which aims to produce a predictive map of flood-prone areas in the majority of southern Quebec. This project contributes to INFO-Crue by studying the evolution of extreme flows in gauged and ungauged river sections in Quebec, until 2100. Future flow estimations will then be used by another research team to calculate expected flood levels and map areas at risk. The statistical study is based on two datasets provided by the Direction de l'Expertise Hydrique (DEH): the pseudo-observations at ungauged sections and the hydroclimatic simulations. The pseudo-observations result from an interpolating method using observations from surrounding stations and simulations from the Hydrotel run-off model. It allows for estimations of riverflows in ungauged sections (without measuring devices) until 2020. The simulations come from a multi-model climate ensemble, coupled to Hydrotel to simulate future flows under different greenhouse gas emission scenarios until 2100. These simulations take climate change into account. Two hierarchical bayesian models were developed, one for the pseudo-observations and one for the hydroclimatic simulations. Annual maximum flows are extracted and modeled within the extreme value theory framework. Hierarchical bayesian models are particularly suited for structuring similar data from several sources. In addition, they allow for estimations of extreme riverflows which account for uncertainty within a coherent statistical framework. The model output for the flow simulations is biased compared to the model output for the pseudo-observations. A statistical downscaling method is used to correct biases between the two models and estimate future extreme flows. The proposed methodology was applied to flow data from 234 sections of the Chaudière River in Quebec. The forecast suggests a decreasing trend at sections located upstream and an increasing trend at sections located downstream, for the 100-year return level. The results of this project will be directly used by the DEH to map current and future flood risks.
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 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".