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

Using a stochastic weather generator to account for climate non-stationarity in extended streamflow forecasts

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Sohrabi Molla Yousef, Samaneh (2020). Using a stochastic weather generator to account for climate non-stationarity in extended streamflow forecasts. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

[thumbnail of SOHRABIE_MOLLA_YOUSEF_Samaneh.pdf]
Prévisualisation
PDF
Télécharger (3MB) | Prévisualisation

Résumé

Reliable long-term streamflow forecast is essential in water resources management and plays a key role in reservoir management and hydropower generation. Properly framing the uncertainty is the key issue in providing a reliable long-term streamflow forecast, and probabilistic forecasts have been used to this effect. In a probabilistic approach, each observed historical data is taken as a possible realization of the future. Non stationarity of hydrometeorological variables, either due to the climate internal variability or anthropogenic change, is another important problem for long-term streamflow forecasts as it is becoming increasingly clearer that past historical data may not adequately represent the current climate.

Therefore, there is a need to develop flexible approaches taking into account non-stationarity for long-term streamflow forecasts. Resampling past historical time series is the main approach used for probabilistic long term streamflow forecasts. However, non-stationarity is a key issue of resampling approaches. One possible approach is to make use of a stochastic weather generator coupled to a hydrological model to generate long-term probabilistic streamflow forecasts. Weather generators can easily be modified to account for climatic trends and therefore have the potential to take non-stationarity into account.

However, before weather generators can be modified to account for climate non-stationarity, it is first necessary to evaluate whether the modeling chain consisting of a stochastic weather generator and a hydrological model can generate probabilistic streamflow forecasts with a performance similar to that of more traditional resampling approaches. The first objective of this study is therefore, to compare the performance of a stochastic weather generator against that of resampling historical meteorological time series in order to produce ensemble streamflow forecasts. Results indicate that while there are differences between both methods, they nevertheless largely both perform similarly, thus showing that weather generators can be used as substitutes to resampling the historical past. Based on these results, two approaches for taking non-stationarity into account have been proposed. Both approaches are based on a climate-based perturbation of the stochastic weather generator parameters. The first approach explored a simple perturbation method in which the entire length of the historical record is used to quantify internal variability, while a subset of recent years is used to characterize mean climatic values for precipitation, minimum and maximum temperatures. Results show that the approach systematically improves long-term streamflow forecasts accuracy, and that results are dependent on the time window used to estimate current mean climatic estimates.

The second approach conditioned the parameters of a stochastic weather generator on largescale climate indices. In this approach, the most important climate indices are identified by looking at yearly correlations between a set of 40 indices and precipitation and temperature. A linear model is then constructed to identify precipitation and temperature anomalies which are then used to induce perturbations in the stochastic weather generator. Five different time windows are defined to determine the optimal linear model. Results show that temperatures are significantly correlated with large-scale climate indices, whereas precipitation is only weakly related to the same indices. The length of the time window has a considerable impact on the prediction ability of the linear models. The precipitation models based on short-duration time windows performed better than those based on longer windows, while the reverse was found for the temperature models. Results show that the proposed method improves long-term streamflow forecasting, particularly around the spring flood.

Titre traduit

Utilisation d'un générateur météorologique stochastique pour tenir compte de la nonstationnarité climatique dans les prévisions de débit étendues

Résumé traduit

Des prévisions fiables de débit à long terme sont essentielles à la gestion des ressources en eau et jouent un rôle clé dans la gestion des réservoirs et la production hydroélectrique. Cadrer correctement l'incertitude est la question clé pour fournir une prévision fiable du débit à long terme. La principale approche pour couvrir les différentes sources d'incertitudes est d'utiliser une approche probabiliste contrairement à déterministe. Dans l'approche probabiliste, chaque donnée historique observée est considérée comme une réalisation possible de l'avenir. En outre, la non-stationnarité des variables hydrométéorologiques, soit en raison de la variabilité interne ou des changements anthropiques, est un autre problème important car il devient de plus en plus clair que les données historiques passées peuvent ne pas représenter adéquatement le climat actuel.

Par conséquent, il est nécessaire de développer des approches flexibles prenant en compte la non stationnarité dans un contexte probabiliste. Le rééchantillonnage des séries chronologiques historiques passées est l’approche probabiliste la plus couramment utilisée dans le processus de prévision du débit à long terme. Cependant, les méthodes de rééchantillonnage souffrent de leur hypothèse de stationnarité dans les séries observées. Une autre approche possible consiste à utiliser un générateur météorologique stochastique couplé à un modèle hydrologique pour générer des prévisions probabilistes de débit à long terme. Les générateurs météorologiques peuvent facilement être modifiés pour tenir compte des tendances climatiques récentes et ont donc le potentiel de prendre en compte la non stationnarité.

Cependant, avant que les générateurs météorologiques puissent être modifiés pour tenir compte des non stationnarités climatiques, il est d'abord nécessaire d'évaluer si la chaîne de modélisation composée d'un générateur météorologique stochastique et d'un modèle hydrologique peut générer des prévisions de débit probabilistes dans la même mesure que les approches de rééchantillonnage plus traditionnelles. Le premier objectif de cette étude était donc de comparer les performances d'un générateur météorologique stochastique avec celles du rééchantillonnage de séries chronologiques météorologiques historiques afin de produire des prévisions d'ensemble de débit. Les résultats indiquent que s'il existe des différences entre les deux méthodes, elles fonctionnent néanmoins largement de façon similaire, ce qui montre que les générateurs météorologiques peuvent être utilisés comme substituts pour rééchantillonner le passé historique. Sur la base des résultats positifs de la première étape de cette étude, deux approches pour la prise en compte de la non stationnarité basée sur la capacité de modification du générateur météo stochastique ont été proposées. La première approche a exploré une méthode de perturbation simple dans les paramètres d'un générateur météorologique stochastique. Dans le schéma de perturbation, toute la longueur de l'historique est utilisée pour quantifier la variabilité interne, tandis qu'un sous-ensemble des dernières années est utilisé pour caractériser les valeurs climatiques moyennes pour les précipitations, les températures minimales et maximales. Les résultats montrent que la méthode proposée améliore systématiquement la précision des prévisions de débit à long terme, bien que les mêmes résultats dépendent de la fenêtre temporelle utilisée pour estimer les estimations climatiques moyennes actuelles.

La deuxième approche a conditionné les paramètres d'un générateur météorologique stochastique à des indices climatiques à grande échelle. Dans cette approche, les indices climatiques les plus importants sont identifiés en examinant les corrélations annuelles entre un ensemble de 40 indices et les précipitations et la température. Un modèle linéaire est ensuite construit pour identifier les anomalies de précipitation et de température afin d'induire des perturbations dans le générateur météorologique stochastique. Pour faire face à la non-stationnarité dans les indices climatiques à grande échelle et la relation des séries chronologiques météorologiques, 5 fenêtres temporelles différentes sont définies pour déterminer le modèle linéaire optimal. Les résultats montrent que les températures sont significativement corrélées avec les indices climatiques à grande échelle, tandis que les précipitations ne sont que faiblement liées aux mêmes indices. La longueur de la fenêtre temporelle a un impact considérable sur la capacité de prédiction des modèles linéaires. Les modèles de précipitations basés sur des fenêtres temporelles de courte durée ont donné de meilleurs résultats que ceux basés sur des fenêtres plus longues, tandis que l'inverse a été constaté pour les modèles de température. Les résultats montrent que la méthode proposée améliore les prévisions de débit à long terme, en particulier autour de la crue printanière.

Type de document: Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires: "Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 107-126).
Mots-clés libres: prévision à long terme du débit, générateur météorologique stochastique, non-stationnarité, variabilité naturelle, changement climatique
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Brissette, François
Codirecteur:
Codirecteur
Leconte, Robert
Programme: Doctorat en génie > Génie
Date de dépôt: 22 mars 2021 17:28
Dernière modification: 22 mars 2021 17:28
URI: https://espace.etsmtl.ca/id/eprint/2644

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt