Modélisation des crues en régime nival à l'Est du Canada
Bibliographic record
Abstract
Les inondations sont les catastrophes naturelles les plus fréquentes et les plus coûteuses au Canada. Ces événements sont responsables des dégâts majeurs touchant l’infrastructure urbaine, l’environnement, l’écologie, les assurances, l’économie, la santé physique et/ou mentale des citoyens. Ces inondations touchent particulièrement l’est canadien, notamment lors des épisodes de crues printanières. Au Nouveau-Brunswick les principales régions inondables se situent au sein du bassin du fleuve Saint-Jean. Dans ce contexte, il est important de bien comprendre les mécanismes impliqués dans la génération de ces événements hydrométéorologiques extrêmes, afin de mieux les modéliser et en améliorer la prévention. L’objectif principal de cette thèse est de modéliser les crues printanières qui se produisent dans l’est du Canada, et mieux comprendre l’effet de certaines variables météorologiques et climatiques sur les débits printaniers historiques à l’aide des modèles statistiques. Les approches proposées sont illustrées pour une station hydrologique en amont et une autre en aval du bassin du fleuve Saint-Jean. \nLe premier chapitre présente un état des lieux des connaissances, dans lequel les principaux outils numériques déterministes, utilisés dans la modélisation hydrologique et/ou hydraulique, sont brièvement présentés. De plus, les méthodes probabilistes utilisées comme alternatives aux méthodes déterministes sont également présentées, ainsi que les avantages et limites de chacune des méthodes ou outils. Le chapitre 2 représente l’utilisation du modèle probabiliste Generalized Extreme Value (GEV) dans l’estimation des débits maximums printaniers en fonction des indices météorologiques et climatiques proposés. Les indices sont développés en se basant sur les données historiques brutes et certaines analyses statistiques. La liaison de dépendance entre les variables est représentée par une fonction B-Splines. Le travail a abouti à la rédaction d’un premier article à soumettre dans le Journal of Stochastic Environnemental Research and Risk Assessment (SERRA). \nDans le troisième chapitre de cette thèse, un modèle de mélange a été proposé pour améliorer l’estimation des extrêmes de crues à l’aide des données de la station hydrométrique de Fort-Kent. Le modèle développé propose une alternative aux techniques de choix du seuil et combine les distributions de Pareto Généralisée et Gamma. Cette méthode permet de prendre en considération plus qu’un extrême annuel en considérant tous les événements indépendants observés durant la saison à l’étude. Ce travail a fait l’objet d’un article publié dans le Journal of Hydrologic Engineering. Les résultats ont été comparés avec le modèle GEV, utilisé et présenté au chapitre 2, et ont montré une meilleure flexibilité dans la modélisation des séries non stationnaires ou dépendantes. Le modèle de mélange proposé, décrit adéquatement aussi bien la partie centrale, que les deux queues de distribution des débits. En conclusion, ces deux modèles proposés dans cette thèse de doctorat sont flexibles et peuvent être appliqués dans n’importe quel site d’étude, afin de modéliser les débits extrêmes en tenant compte des caractéristiques météorologiques et climatiques propres au site. Le modèle GEV-B-Spline permet d’estimer les débits en fonction de plusieurs covariables explicatives et en se basant sur les débits maximums annuels historiques. Cependant, cette méthode néglige certains événements importants comme les crues en automne. Le modèle de mélange proposée, propose une combinaison de deux distributions pour considérer tous les événements indépendants et enrichir par conséquent la série de données. \n_____________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Inondation printanière, aléa hydrométéorologique, téleconnexion, modélisation probabiliste, analyse fréquentielle, modèle de mélange, extrême hydrologique
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 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 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".