Valorisation de la précipitation satellitaire pour l'amélioration de la modélisation et de la prévision hydrologique
Bibliographic record
Abstract
La précipitation constitue une composante très importante pour le cycle hydrologique. Il s’agit d’un intrant météorologique essentiel pour l’alimentation des modèles hydrologiques, qui sont employés pour la gestion des ressources hydriques en général et pour faire des prévisions hydrologiques en particulier. Avoir des informations fiables sur la répartition spatio-temporelle de la précipitation dans les régions qui ne possèdent pas un réseau dense de stations météorologiques et hydrométriques constitue un défi dans le domaine de l’hydrologie. Depuis les dernières années, plusieurs chercheurs ont manifesté un grand intérêt envers le développement des nouvelles sources de données alternatives de précipitations telles que les produits de réanalyse et la télédétection satellitaire. Les études qui ont porté sur les bienfaits de la précipitation satellitaire pour répondre aux besoins de la modélisation et de la prévision hydrologique sont peu nombreuses, plus spécifiquement sur le territoire québécois. Le présent projet étudie la performance des produits de précipitation satellitaire (PPS) et leur utilité pour caler des modèles hydrologiques et réaliser des prévisions hydrologiques d’ensemble. Dans le cadre de ce projet, sept bassins versants de différentes superficies ont été étudiés. Cinq bassins versants sont situés au Québec, soit Au Saumon, Eastmain, Magog, Manic-5 et Péribonka; un bassin versant en Ontario, soit Michipicoten, et un bassin versant dans l’état du Maine aux États-Unis, soit Androscoggin. Aussi, 5 PPS ont été considérés, soit CHIRPSV2, CMORPH-CDR, IMERGV6, PERSIANN-CDR, et TMPAV7. La précipitation issue de la réanalyse ERA5 a servi de référence pour fins de comparaison. Le modèle hydrologique global GR4J ainsi que sa version semi-distribuée développée à l’université de Sherbrooke ont été utilisés. Quatre scénarios de calage ont été investigués dans le but d’évaluer le potentiel de recourir à des PPS pour le calage des modèles. Aussi, des prévisions hydrologiques d’ensemble ont été réalisées sur le bassin versant Manic-5 avec GR4J global. Les prévisions ont été faites durant la saison estivale et couvrent un horizon de 1 à 16 jours. Les résultats de l’analyse des PPS suggèrent que tous les produits ont montré une tendance à sous-estimer les précipitations de référence et que la relation linéaire entre ces données s’est améliorée en passant d’une échelle journalière à une échelle mensuelle et elle a connu une diminution à l’échelle annuelle. Les coefficients de NRMSE ont baissé au passage de l’échelle journalière à l’échelle mensuelle et annuelle. Concernant le calage du modèle hydrologique, les résultats montrent que l’utilisation des données de PPS combinées avec les données de référence ERA5 ainsi que leur moyennage ont contribué à l’amélioration de la performance du modèle GR4J en calage et en validation. L’utilisation des données de PPS pour caler le modèle hydrologique durant la période estivale en conservant les paramètres de neige constants a montré une détérioration importante dans les scores de NSE en calage et en validation. Le calage des deux versions de GR4J a permis d’avoir des résultats similaires. Enfin, les prévisions hydrologiques, dont la performance est évaluée avec le critère CRPS, montrent que le modèle GR4J calé avec les PPS offre une performance légèrement inférieure aux prévisions obtenues à partir de ERA5. Sur un horizon de 1 à 6 jours une performance comparable est obtenue pour chacune des PPS et combinaison de PPS utilisée. Un écart de performance se creuse entre les PPS dans l’horizon 7-16 jours, le produit IMERGV6 offrant une performance supérieure à PERSIANN-CDR.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".