Application de techniques de post-traitement des prévisions météorologiques pour améliorer les prévisions hydrologiques opérationnelles: étude de cas sur plusieurs bassins versants canadiens

Aguilar Andrade, Freya Saima (2023). Application de techniques de post-traitement des prévisions météorologiques pour améliorer les prévisions hydrologiques opérationnelles: étude de cas sur plusieurs bassins versants canadiens. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (8MB) | Prévisualisation

Résumé

Les prévisions hydrologiques permettent d’estimer le débit d’eau des rivières. Elles sont essentielles pour diverses activités telles que la prévention des inondations et des sécheresses, la gestion de l'approvisionnement en eau, et les opérations des centrales hydroélectriques. Les prévisions hydrologiques à moyen terme (de 3 à 15 jours) utilisent des modèles hydrologiques pilotés par des prévisions des modèles de prévision météorologique dynamique. Cependant, les prévisions hydrologiques contiennent souvent des biais dus à divers facteurs tels que les incertitudes dans les paramètres du modèle hydrologique, les déficiences dans la structure du modèle, les entrées météorologiques, la mesure peu fiable des données d'entrée et la mauvaise spécification des conditions initiales ou de leurs limites. En général, les données d’entrée météorologique sont la principale source d'incertitude dans les prévisions hydrologiques, incertitude qui les rend moins utiles aux gestionnaires des ressources en eau. Cependant, elles peuvent être améliorées grâce à des méthodes de post-traitement. Le post-traitement a la capacité de réduire les biais globaux et d'améliorer la propagation de l'incertitude afin d'améliorer l'utilité des prévisions dans la prise de décisions.

Dans cette étude, la technique de post-traitement de la correction par quantiles (mieux connu sous sa dénomination anglaise Quantile Mapping; QM) a été mise en œuvre sur les prévisions météorologiques, plus précisément sur les données de précipitations. La méthode QM est conçue pour être une méthode de post-traitement simple et efficace pour la prévision, destinée à une utilisation opérationnelle par les utilisateurs finaux. Par conséquent, le QM a été évalué dans trois configurations différentes : un schéma d’application mensuel, un schéma saisonnier et un schéma annuel. L'évaluation a été effectuée sur 20 bassins versants de différentes superficies allant de 30 km2 à plus de 30 000 km2 au Canada. Les méthodes de post-traitement ont été entraînées sur la précipitation des prévisions d’ensemble opérationnelles ECMWF de 2015 à 2019 et ensuite appliquées dans les prévisions de 2020, chaque prévision contenant 50 membres. Huit modèles hydrologiques globaux ont été utilisés : CEQUEAU, GR5dt, HBV, HYMOD, IHACRES, MOHYSE, SIMHYD et TOPMODEL. Les modèles hydrologiques ont été calibrées à l’aide de la Stratégie d’adaptation et d’évolution de la matrice de covariance (CMAES) et des filtres d’ensemble de Kalman (EnKF) ont été utilisés pour l’assimilation de données. Les prévisions post-traitées ont ensuite été introduites dans les huit modèles précédents, en générant alors les prévisions hydrologiques pour l'année 2020 avec une période de prévision de 10 jours et un pas de temps de 6 heures.

La robustesse de la méthodologie et les résultats ont été évalués à l'aide de la métrique « Continuous Ranked Probability Score » (CRPS) et d'une nouvelle métrique que nous avons appelée « Runoff-Specific CRPS » (RSCRPS), qui est calculée en divisant le CRPS par le débit moyen de chaque bassin. Des améliorations significatives sont observées lors de l'utilisation de QM dans les prévisions de précipitations ; cependant, ces améliorations ne se traduisent pas par des prévisions hydrologiques améliorées. Les résultats indiquent que les trois configurations de QM n'améliorent pas la précision des prévisions d'écoulement des cours d'eau dans la plupart des bassins versants et, parfois, les prévisions traitées présentent des performances moins bonnes que les prévisions brutes, ce qui souligne la nécessité de s'assurer que les méthodes de post-traitement des précipitations ont un impact positif sur les prévisions hydrologiques.

Titre traduit

Application of post-processing techniques for meteorological forecasts to improve operational hydrological forecasts: a case study of multiple Canadian watersheds

Résumé traduit

Hydrological forecasts allow estimating streamflow in rivers runoff. This is vital for various activities such as drought and flood prevention, water supply management and hydroelectric plant operations. Medium-range hydrological forecasts (3-15 days) use hydrological models driven by dynamical weather prediction forecasts. However, hydrological forecasts often contain biases due to various factors such as uncertainties in the hydrological model's parameters, deficiencies in model structure and meteorological input, unreliable measurement of input data, and mis specified initial and boundary conditions. Generally, meteorological input is the main source of uncertainty in hydrological forecasts, uncertainty that make them less useful to water resources system managers. However, they can be further improved using post-processing methods. Post-processing has the capability to reduce overall bias and improve the uncertainty quantification (spread), in order to enhance the usefulness of the forecasts in decision-making.

In this study, the Quantile Mapping (QM) post-processing technique was implemented on meteorological forecasts, more specifically on the precipitation input. The QM method is designed to be a simple and effective post-processing method for streamflow forecasting, intended for operational use by end-users. As a result, QM was assessed in three different configurations: A monthly, a seasonal, and an annual quantile mapping application scheme. The evaluation was carried out over 20 watersheds with different surface areas from 30 km2 to over 30 000 km2 in Canada. Post-processing methods were trained on the precipitation of the 2015-2019 ECMWF Overall Operational Forecast and then applied in the 2020 forecast, each forecast an ensemble of 50 members. Eight global hydrological models were used: CEQUEAU, GR5dt, HBV, HYMOD, IHACRES, MOHYSE, SIMHYD and TOPMODEL. Hydrological models were calibrated and assimilated using the Covariance Matrix Adaptation Evolution Strategy (CMAES) and the Ensemble Kalman Filters algorithm (EnKF). The postprocessed forecasts were then introduced into the previous eight models, generating the hydrological forecasts for the year 2020 with a forecast period of 10 days and a time step of 6 hours.

The robustness of the methodology and the results were evaluated using the Continuous Ranked Probability Score (CRPS) metric and a new metric we called the Runoff-Specific CRPS (RSCRPS), which is calculated by dividing the mean daily CRPS by the mean runoff of the basin. Noticeable enhancements are observed when employing QM in precipitation forecasts; however, these improvements do not translate into enhanced hydrological forecasts. Findings indicate that the three QM configurations do not enhance the accuracy of streamflow forecasts in most catchments, and at times, the processed forecasts exhibit poorer performance compared to the raw forecasts, highlighting the need to ensure precipitation post-processing methods positively impact hydrological forecasts.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire par articles 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 118-130).
Mots-clés libres:	prévision hydrologique, modélisation hydrologique, prévision d’ensemble, vérification des prévisions, quantile mapping
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Poulin, Annie
Codirecteur:	Codirecteur Arsenault, Richard
Programme:	Maîtrise en ingénierie > Génie de la construction
Date de dépôt:	12 févr. 2024 16:17
Dernière modification:	12 févr. 2024 16:17
URI:	https://espace.etsmtl.ca/id/eprint/3402

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt