La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Impact de la complexité du modèle hydrologique sur la régionalisation des paramètres

Poissant, Dominique (2015). Impact de la complexité du modèle hydrologique sur la régionalisation des paramètres. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

[img]
Prévisualisation
PDF
Télécharger (1MB) | Prévisualisation

Résumé

Les changements climatiques augmentent l’exposition et la vulnérabilité des sociétés humaines et des écosystèmes aux risques hydrologiques. Malgré leur nécessité évidente dans ce contexte, les outils de modélisation hydrologique se heurtent au déclin des réseaux de collecte d’observations hydrologiques. La qualité des observations existantes est, quant à elle, assujettie à l’altération anthropique des bassins versants. La régionalisation des paramètres permet de s’affranchir des observations hydrologiques d’un bassin versant pour le modéliser. Dans la présente étude, les méthodes de régionalisation des paramètres par proximité spatiale, similitude physique et régression linéaire multiple sont appliquées sur 266 bassins versants soumis aux conditions nordiques de la province de Québec, Canada.

L’étude répond à un objectif principal et deux objectifs spécifiques, respectivement : quantifier l’impact de la complexité du modèle hydrologique; quantifier l’impact de la distribution – au sein de l’espace paramétrique du modèle hydrologique – des jeux de paramètres transférés; et vérifier la significativité statistique du modèle régional linéaire – construit pour appliquer la méthode de régionalisation par régression linéaire multiple.

L’objectif principal est atteint en comparant trois configurations – respectivement de 6, 9 et 15 paramètres libres – du modèle hydrologique GR4J couplé au module de neige CemaNeige. Le premier objectif spécifique est atteint en comparant deux algorithmes d’optimisation – SCE-UA et CMAES – ainsi qu’un échantillonnage aléatoire de l’espace paramétrique. Le second objectif spécifique est atteint en comparant le coefficient de détermination R2, à la statistique F du test de Fisher et au seuil descriptif P-value des modèles régionaux linéaires construits.

Les résultats montrent que la méthode de régionalisation par similitude physique est légèrement plus performante que celle par proximité spatiale alors que celle par régression linéaire multiple est nettement la moins performante. Ces résultats confirment aussi l’importance de transférer l’intégralité du jeu de paramètres en moyennant les débits résultants plutôt qu’en moyennant les paramètres individuels. Parmi les modèles hydrologiques testés, le modèle hydrologique à 6 paramètres libres affiche les meilleurs taux de succès alors que celui à 15 paramètres libres affiche les meilleures valeurs du critère d’efficience Nash-Sutcliffe (NSE). Les résultats de l’étude distinguent la robustesse du modèle hydrologique – quantifiée par le taux de succès –, de sa performance – quantifiée par le critère d’efficience NSE. Le modèle hydrologique à 9 paramètres libres se montre le mieux adapté pour régionaliser les paramètres dans les conditions de l’étude. Malgré que l’échantillonnage aléatoire de l’espace paramétrique soit la plus robuste des méthodes de calibration, les deux algorithmes d’optimisation se révèlent similairement plus performants. La méthode d’échantillonnage aléatoire de l’espace paramétrique présente la plus forte incertitude du débit modélisé. Bien qu’il soit possible de construire des modèles régionaux linéaires qui offrent un coefficient R2 élevé pour chacun des paramètres libres du modèle hydrologique – donc une corrélation forte entre les caractéristiques physiques du bassin versant et les paramètres libres du modèle hydrologique –, la robustesse du modèle régional linéaire ne s’en trouve pas augmentée. Cette robustesse se montre généralement, inversement proportionnelle à la force du coefficient R2. De plus, lorsque le coefficient R2 atteint son optimum, la statistique F indique généralement que la relation entre les variables expliquées et explicatives du modèle régional linéaire n’est pas significative.

En conclusion, un modèle hydrologique complexe plutôt qu’un modèle hydrologique trop parcimonieux ainsi qu’un algorithme d’optimisation qui génère des jeux de paramètres confinés dans une région restreinte de l’espace paramétrique sont souhaitables pour régionaliser les paramètres. Malgré qu’elle soit largement utilisée en régionalisation des paramètres, la régression linéaire multiple ne présente pas l’aptitude nécessaire à produire un modèle prédictif valide.

Titre traduit

Hydrological model complexity and its impact on continous streamflow prediction at ungauged basins

Résumé traduit

Climate change increases the vulnerability of human societies and ecosystems to hydrological risk. Despite their necessity in such a context, modelling tools are limited by the decline of hydrological data collection networks and the quality of the existing data is altered by human-induced changes to watersheds. Continuous streamflow prediction at ungauged sites addresses these two issues. In this study, spatial proximity, physical similarity and multiple linear regression regionalization methods are applied to 266 snow-covered basins located in the province of Québec, Canada.

The main objective of this research project is to quantify the impact of hydrological model complexity. To achieve this objective, two specific objectives are pursued 1) to quantify the impact of the distribution, within the parameter space, of the transferred parameters; and 2) to verify the statistical significance of the regional linear model – computed to apply the multiple linear regression method.

The main objective is met by comparing three hydrological model configurations – with respectively, 6, 9 and 15 free parameters – of the GR4J hydrological model coupled with the CemaNeige snow model. The first specific objective is reached by comparing two optimizations algorithms – SCE-UA and CMAES – and one random sampling optimization method. The second specific objective is reached by comparing the coefficient of determination R2, to the F-statistics, taken from the F-test, and the P-value, computed from the regional linear models. Results show that the physical similarity method is slightly more efficient than the spatial proximity method whereas the multiple linear regression method is the least efficient method. These results also confirm the importance of transferring entire parameter sets. Among the tested hydrological models, the 6 free parameters version of the model had the highest success rates while the 15 free parameters version of the model showed the highest values of the NSE efficiency criteria. This study makes the distinction between robustness – quantified by success rate – and performance – quantified by NSE efficiency criteria. The 9 free parameters model appears to be the best model to regionalize parameters under the prevailing conditions of this study. The three optimization methods presented a similar performance although the random sampling optimization method was the most robust. This later method also showed a greater uncertainty in streamflow prediction. Although it is possible to compute a regional linear model with a high coefficient of determination R2 for each hydrological model free parameter – meaning a strong correlation between the basins physical descriptors and the hydrological model free parameters –, the robustness of the regional linear model is not improved. Instead, the robustness of the regional linear model is generally inversely proportional to the strength of the coefficient R2. Moreover, when the coefficient of determination R2 reaches its optimum, the F-statistics indicates that the relationship between the explained and explanatory variables of the regional linear model is not significant.

In conclusion, complex rather than parsimonious hydrological models and optimization algorithms generating parameter sets confined in a restricted region of the space parameters should be preferred to apply regionalization methods. Although multiple linear regression is a widely used as a regionalization method, its predictive ability is not statistically significant.

Type de document: Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires: "Mémoire présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise en génie de la construction". Bibliographie : pages 87-91.
Mots-clés libres: Modèles hydrologiques. Similitude (Physique) Analyse de régression. Bassins hydrographiques Québec (Province) paramètre, proximité, régionalisation, spatial, modélisation hydrologique, régionalisation des paramètres, régression linéaire multiple, bassin versant non jaugé, optimisation, échantillonnage aléatoire
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Brissette, François
Programme: Maîtrise en ingénierie > Génie de la construction
Date de dépôt: 14 avr. 2015 20:24
Dernière modification: 14 mars 2017 21:23
URI: http://espace.etsmtl.ca/id/eprint/1456

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt

Statistique

Plus de statistique...