SynthEau – Générateur de scénarios probabilistes d’apportshydrologiques
Bibliographic record
Abstract
La gestion des ressources hydriques au Québec est essentielle en raison de sa forte dépendance à l’hydroélectricité et des impacts de la variabilité climatique, qu’elle soit d’origine naturelle ou liée aux changements climatiques anthropiques. Actuellement, Hydro-Québec utilise des prévisions hydrologiques d’ensemble (ESP) pour produire des scénarios probabilistes en volume dont les biais limitent l'efficacité opérationnelle lors d'événements extrêmes, tels que les crues printanières. Ce mémoire vise principalement à développer la méthode SynthEau (pour Synthèse de l’Eau), une méthode permettant d'améliorer la précision des prévisions de volumes d’apports et la cohérence temporelle des scénarios probabilistes issus des prévisions hydrologiques d’ensemble. L'objectif est de mieux gérer les écarts de volume lors des événements extrêmes et de comparer SynthEau à la méthode actuellement utilisée (HMAPPORT) pour en mesurer l'efficacité. La recherche repose sur l’analyse des bassins versants de La Grande et de la Saint-Maurice au Québec. Les données d'apports historiques ainsi que les archives des prévisions hydrologiques d’ensemble ont été utilisées. Deux modèles de transformation ont été comparés : HMAPPORT, la méthode utilisant la médiane temporelle comme base pour redistribuer le volume prévu, et SynthEau, la méthode développée garantissant la cohérence temporelle des quantiles probabilistes des volumes d’apports prévus via une approche cumulée décumulée. L’évaluation est basée sur l’erreur relative moyenne, les biais par rapport aux observations réelles et la fiabilité des scénarios générés. Le modèle SynthEau présente une réduction des erreurs moyennes de volumes d’apports prévisionnels comparativement à HMAPPORT, sur l'horizon de prévision moyenne de 30 jours pour les scénarios fort (15% de dépassement) et faible (85% de dépassement). Les résultats indiquent une meilleure représentation du volume prévu de SynthEau aux conditions hydrologiques extrêmes, avec des biais généralement inférieurs à 0,5 %. Toutefois, la comparaison des scénarios à médian avec les volumes réels présente des performances similaires entre SynthEau et HMAPPORT, mettant en évidence l'influence déterminante des prévisions hydrologiques d'ensemble elles-mêmes. L’analyse de fiabilité montre une légère sous-estimation des événements extrêmes correspondant au quantile 15 % et une surestimation des scénarios fréquents du quantile 85 % par les deux modèles, car ceux-ci utilisent la même source pour les alimenter. SynthEau améliore l'estimation du volume prévu des scénarios probabilistes issus des prévisions hydrologiques d'ensemble, permettant d'offrir des bénéfices opérationnels concrets pour la gestion hydrique d’Hydro-Québec. Les biais observés par rapport aux observations sont causés par les prévisions hydrologiques d’ensemble, soulignant l’importance d’améliorer ces prévisions en amont. Des recherches futures pourraient intégrer des méthodes avancées d'assimilation des données ou de correction de biais directement dans les prévisions ensemblistes pour renforcer davantage la précision et la fiabilité des scénarios opérationnels.
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 | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 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".