Amélioration des prévisions hydrologiques d’ensemble dans un contexte de modélisation multi-modèle

Dion, Patrice (2020). Amélioration des prévisions hydrologiques d’ensemble dans un contexte de modélisation multi-modèle. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (5MB) | Prévisualisation
Prévisualisation	PDF Télécharger (829kB) | Prévisualisation

Résumé

Que ce soit en contexte de gestion de réservoirs hydroélectrique, gestion des inondations ou toutes autres opérations visant à contrôler des afflux d’eau, les hydrologues se servent de prévisions hydrologiques afin de prendre leurs décisions opérationnelles. Pour ce faire, ils doivent considérer les risques financiers, environnementaux et avant tout, ceux liés à la sécurité du public. La prévision d’ensemble est un type de prévision hydrologique qui permet d’évaluer le risque en tenant compte des incertitudes de ces prévisions. Toutefois, les prévisions hydrologiques d’ensemble sont souvent biaisées et leur distribution est souvent sous dispersée lorsqu’elles sont comparées aux observations.
Cette problématique provient principalement de l’incertitude des prévisions météorologiques d’ensemble servant à alimenter des modèles hydrologiques pour en obtenir des prévisions de débits en rivières, et aussi du ou des modèles utilisés. Ces prévisions erronées peuvent ainsi contribuer à des prises de décisions opérationnelles pouvant mettre en danger le public et les infrastructures.

Ce projet de recherche présente une nouvelle méthodologie qui vise à améliorer la précision des prévisions hydrologiques d’ensemble utilisées en gestion des ressources hydriques. Cette méthodologie a été évaluée sur cinq bassins versants du partenaire industriel Rio Tinto dans la région du Lac-Saint-Jean, au Québec. Les prévisions météorologiques d’ensemble (50 membres) de l’ECMWF de 2015 à 2019 ont été utilisées afin de renseigner huit modèles hydrologiques globaux sur un
horizon de neuf jours. Suite à la calibration des modèles hydrologiques, une méthode d’assimilation de données basée sur les filtres d’ensemble de Kalman (EnKF) est employée afin de modifier les conditions initiales de chaque modèle hydrologique dans le but de représenter les différentes sources d’incertitudes au niveau des observations. Ensuite, un post-traitement des ensembles hydrologiques de chaque modèle est effectué en utilisant la méthode de correction de biais par quantiles (QM). Ces mêmes ensembles hydrologiques sont finalement regroupés en un grand ensemble multi-modèle dans l’objectif d’avoir un meilleur échantillonnage de l’incertitude totale, et ainsi uniformiser sa distribution.

Afin d’évaluer les résultats obtenus par la méthodologie et de ses différentes étapes, plusieurs critères de performance sont employés. Les diagrammes de Talagrand, deux métriques de quantification de la fiabilité et de la précision, ainsi que le test statistique de Kolmogorov- Smirnov, servent à évaluer la robustesse de la méthodologie. Cette évaluation est effectuée sur quatre périodes distinctes, représentant différents régimes hydrologiques sur les bassins versants. Malgré des difficultés durant la période de la crue printanière, les résultats obtenus indiquent que chaque étape de la méthodologie permet d’améliorer la précision des prévisions hydrologiques d’ensemble sur les cinq bassins versants à l’étude. Finalement, l’utilisation du multi-modèle améliore significativement la précision et l’étendue des ensembles hydrologiques sur un horizon de neuf jours. Ce projet démontre qu’il est donc possible de corriger les biais et d’améliorer la fiabilité des prévisions hydrologiques d’ensemble.

Titre traduit

Improvement of hydrological ensemble predictions in a multi-model modeling context

Résumé traduit

Whether it is in the context of hydroelectric reservoir management, flood management or any other operation aimed at controlling water inflows, hydrologists use hydrological forecasts to make their operational decisions. To do so, they must consider financial, environmental and, above all, public safety risks. Ensemble forecasting is a type of hydrological forecasting that allows for risk assessment by taking into account the uncertainties in these forecasts. However, hydrological ensemble forecasts are often biased, and their distribution is often undispersed when compared to observations. This problem stems mainly from the uncertainty in the meteorological ensemble forecasts used to feed hydrological models to obtain forecasts of river streamflow, and also from the model(s) used. These erroneous predictions can thus contribute to operational decisions that can endanger the public and infrastructure.

This research project presents a new methodology that aims to improve the accuracy of ensemble hydrological forecasts used in water resource management. This methodology has been evaluated on five catchments of the industrial partner Rio Tinto in the Lac-Saint-Jean region of Quebec. ECMWF weather ensemble forecasts (50 members) from 2015 to 2019 were used to inform eight global hydrological models over a nine-day horizon. Following the calibration of the hydrological models, a data assimilation method based on Kalman ensemble filters (EnKF) is used to modify the initial conditions of each hydrological model to represent the different sources of uncertainty in the observations. Then, a post-processing of the hydrological ensembles of each model is performed using the quantile bias correction (QM) method. These same hydrological ensembles are finally grouped into a large multi-model ensemble with the objective of having a better sampling of the total uncertainty, and thus to standardize its distribution.

In order to evaluate the results obtained by the methodology and its different steps, several performance criteria are used. Talagrand diagrams, two metrics for quantifying reliability and precision, as well as the Kolmogorov-Smirnov statistical test, are used to evaluate the performance of the methodology. This evaluation is performed over four distinct periods, representing different hydrological regimes over the catchments. Despite difficulties during the spring freshet period, the results obtained indicate that each step of the methodology improves the accuracy of hydrological ensemble forecasts over the five catchments under study. Finally, the use of the multi-model significantly improves the accuracy and extent of hydrological ensembles over a nine-day horizon. This project demonstrates that it is therefore possible to correct biases and improve the reliability of hydrological ensemble forecasts.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire par article présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en génie de la construction". Comprend des références bibliographiques (pages 83-94).
Mots-clés libres:	prévisions hydrologiques d’ensemble, modélisation hydrologique, assimilation de données, post-traitement des débits, multi-modèle, sous-distribution
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Arsenault, Richard
Codirecteur:	Codirecteur Martel, Jean-Luc
Programme:	Maîtrise en ingénierie > Génie de la construction
Date de dépôt:	07 sept. 2021 17:46
Dernière modification:	03 nov. 2021 14:56
URI:	https://espace.etsmtl.ca/id/eprint/2684

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt