Improving hydrological forecasting at multiple lead-times for hydropower reservoir management

Sabzipour, Behmard (2023). Improving hydrological forecasting at multiple lead-times for hydropower reservoir management. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (11MB) | Prévisualisation

Résumé

Streamflow forecasting is important for managing water resources in sectors like agriculture, hydropower, drought management, and urban flood prevention planning. Our study examines short and long lead-times to create a framework for streamflow forecasting that can benefit water resource management and related sectors.

To improve streamflow forecasts for up to ten days of lead-time, the study first focuses on improving initial conditions using an ensemble Kalman filter as a data assimilation method. The goal is to regulate the hyperparameters of the ensemble Kalman filter for each season to produce more accurate forecasts. A sensitivity analysis is conducted to identify the best hyperparameter sets for each season, including uncertainty in temperature, precipitation, observed streamflow, and the water content of three state variables - vadose zone, saturated zone, and snowpack - from the CEQUEAU model. Results indicate that improving initial conditions with the ensemble Kalman filter produces more skillful forecasts until a 6-day leadtime. Temperature uncertainty is particularly sensitive and varies across seasons. The vadose zone state variable was identified as the most important and sensitive state variable, and updating all state variables systematically may not be necessary for improving forecast skill.

Recent machine learning advances are improving short-term streamflow forecasting. One such method is the Long Short-Term Memory (LSTM) model. In general, neural networks learn from regression as relationships exist between input-output. However, LSTM models have a feature named ‘forget gate’, which enables them to learn the relationship between inputs (e.g., temperature and precipitation) and output (streamflow), and also to capture temporal dependencies in the data. The study aimed to compare the performance of the Long ShortTerm Memory (LSTM) model with data assimilation-based and process-based hydrological models in short-term streamflow forecasting. All three models were tested using the same ensemble weather forecasts. The LSTM model demonstrated good performance in forecasting streamflow, with a Kling-Gupta efficiency (KGE) greater than 0.88 for 9 lead-times. The LSTM model did not incorporate data assimilation, but it benefited from observed streamflow until the last day before the forecast. This is because the LSTM model learned and incorporated knowledge from the previous days while issuing forecasts, similar to how data assimilation updates initial conditions. The study results also showed that the LSTM model had better performance up to day 6 of lead-time compared to the data assimilation-based models. However, training the LSTM model separately for each lead-time is a time-consuming process and is a disadvantage compared to the data assimilation-based methods. Nonetheless, the study demonstrated the potential of machine learning techniques in improving streamflow forecasting.

The forecasting of streamflow for long lead-times such as a month usually involves the use of historical meteorological data to create probable future scenarios, as meteorological forecasts become unreliable beyond this lead-time. In this study, we proposed a novel method for streamflow forecasting based on ensemble streamflow forecasting (ESP) filtering, using a Genetic Algorithm (GA) to filter forecast scenarios. This method quantifies the potential of historical data for each basin. This potential could be utilized to enhance the accuracy of streamflow forecasts. We sorted the selected and unselected scenarios to find out the common features between them, but the results did not help distinguish between the two groups. Nonetheless, the GA method can be used as a benchmark for future studies to improve longterm streamflow forecasting. This method can also be used to compare different forecast methods based on the potential shown by the GA method for a specific size of ESP members. For instance, if a method uses large-scale climate signals to filter ESP members, the forecast skill result could be compared with the potential of historical data for that particular size of ESP members.

Titre traduit

Amélioration des prévisions hydrologiques à plusieurs échéances pour la gestion des réservoirs hydroélectriques

Résumé traduit

La prévision du débit des cours d'eau est importante pour la gestion des ressources en eau dans des secteurs tels que l'agriculture, l'hydroélectricité, la gestion des sécheresses et la planification de la prévention des inondations urbaines. Notre étude examine les prévisions à court et à long terme afin de créer un cadre pour la prévision des débits qui peut bénéficier à la gestion des ressources en eau et aux secteurs connexes.

Pour améliorer les prévisions de débit jusqu'à dix jours à l'avance, l'étude se concentre d'abord sur l'amélioration des conditions initiales en utilisant un filtre de Kalman d'ensemble comme méthode d'assimilation des données. L'objectif est de réguler les hyperparamètres du filtre de Kalman d'ensemble pour chaque saison afin de produire des prévisions plus précises. Une analyse de sensibilité est menée pour identifier les meilleurs ensembles d'hyperparamètres pour chaque saison, y compris l'incertitude de la température, des précipitations, du débit observé et du contenu en eau de trois variables d'état - zone vadose, zone saturée et manteau neigeux - provenant du modèle CEQUEAU. Les résultats indiquent que l'amélioration des conditions initiales avec le filtre de Kalman d'ensemble produit des prévisions plus habiles jusqu'à un délai de 6 jours. L'incertitude sur la température est particulièrement sensible et varie selon les saisons. La variable d'état de la zone vadose a été identifiée comme la variable d'état la plus importante et la plus sensible, et la mise à jour systématique de toutes les variables d'état n'est peut-être pas nécessaire pour améliorer les prévisions.

Les récentes avancées en matière d'apprentissage automatique permettent d'améliorer les prévisions de débit à court terme. L'une de ces méthodes est le modèle LSTM (Long ShortTerm Memory). En général, les réseaux neuronaux apprennent par régression et des relations existent entre les entrées et les sorties. Cependant, les modèles LSTM ont une caractéristique appelée "porte d'oubli", qui leur permet non seulement d'apprendre la relation entre les entrées (par exemple, la température et les précipitations) et la sortie (le débit), mais aussi de saisir les dépendances temporelles dans les données. L'étude visait à comparer les performances du modèle LSTM (Long Short-Term Memory) avec celles des modèles hydrologiques basés sur l'assimilation de données et sur les processus dans la prévision à court terme du débit. Les trois modèles ont été testés en utilisant les mêmes prévisions météorologiques d'ensemble. Le modèle LSTM a démontré une bonne performance dans la prévision du débit, avec une efficacité de Kling-Gupta (KGE) supérieure à 0,88 pour 9 délais. Le modèle LSTM n'a pas incorporé d'assimilation de données, mais il a bénéficié du débit observé jusqu'au dernier jour avant la prévision. Cela s'explique par le fait que le modèle LSTM a appris et intégré les connaissances des jours précédents tout en émettant des prévisions, de la même manière que l'assimilation de données met à jour les conditions initiales. Les résultats de l'étude ont également montré que le modèle LSTM avait de meilleures performances jusqu'au sixième jour de prévision par rapport aux modèles basés sur l'assimilation de données. Cependant, l'entraînement du modèle LSTM séparément pour chaque délai d'exécution est un processus long et constitue un inconvénient par rapport aux méthodes basées sur l'assimilation de données. Néanmoins, l'étude a démontré le potentiel des techniques d'apprentissage automatique pour améliorer les prévisions de débit.

La prévision du débit pour de longs délais, comme un mois, implique généralement l'utilisation de données météorologiques historiques pour créer des scénarios futurs probables, car les prévisions météorologiques deviennent peu fiables au-delà de ce délai. Dans cette étude, nous avons proposé une nouvelle méthode de prévision du débit basée sur le filtrage des prévisions de débit d'ensemble (ESP), en utilisant un algorithme génétique (GA) pour filtrer les scénarios de prévision. Cette méthode quantifie le potentiel existant dans les données historiques pour chaque bassin. Ce potentiel pourrait être utilisé pour améliorer la précision des prévisions de débit. Nous avons trié les scénarios sélectionnés et non sélectionnés pour trouver les caractéristiques communes entre eux, mais les résultats n'ont pas permis de distinguer les deux groupes. Néanmoins, la méthode GA peut être utilisée comme référence pour de futures études visant à améliorer les prévisions de débit à long terme. Cette méthode peut également être utilisée pour comparer différentes méthodes de prévision en fonction du potentiel démontré par la méthode GA pour une taille spécifique de membres ESP. Par exemple, si une méthode utilise des signaux climatiques à grande échelle pour filtrer les membres de l'ESP, le résultat de la compétence de prévision pourrait être comparé au potentiel des données historiques pour cette taille particulière de membres de l'ESP.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillement for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 157-184).
Mots-clés libres:	prévision hydrologique, prévision d'ensemble des débits, LSTM, assimilation de données, incertitude et vérification des prévisions
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Arsenault, Richard
Codirecteur:	Codirecteur Brissette, François
Programme:	Doctorat en génie > Génie
Date de dépôt:	20 sept. 2023 14:02
Dernière modification:	20 sept. 2023 14:02
URI:	https://espace.etsmtl.ca/id/eprint/3275

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt