Optimisation de la prévision hydrologique d'ensemble par l'intégration de l'apprentissage profond dans une méthode multi-modèle hybride

Armstrong, William (2024). Optimisation de la prévision hydrologique d'ensemble par l'intégration de l'apprentissage profond dans une méthode multi-modèle hybride. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (6MB) | Prévisualisation

Résumé

L'application récente de l'apprentissage profond dans le domaine de l’hydrologie a démontré un potentiel prometteur. Cette recherche se concentre sur le développement d’une approche hybride multi-modèle, mettant en oeuvre huit modèles hydrologiques globaux et conceptuels, un modèle semi-distribué, et un modèle d'apprentissage profond (Deep Learning, DL), pour la prévision des apports à un réservoir hydroélectrique. L'introduction du modèle à mémoire long terme et court terme (Long Short-Term Memory, LSTM) au sein de ce cadre multi-modèle est particulièrement mise de l’avant pour son potentiel à améliorer la précision des prévisions de débit à court terme sur le bassin versant du Lac-Saint-Jean. Les résultats montrent que l'association des modèles hydrologiques avec le LSTM améliore notablement la performance de prévision, en particulier pour les prévisions à court terme jusqu'à 9 jours, surpassant d’autres combinaisons multi-modèles en diminuant, en moyenne, jusqu’à 45% les valeurs du CRPS. L'étude souligne également que l'apprentissage profond, lorsqu'il est combiné avec d'autres approches de modélisation, permet d’atteindre les performances maximales notamment au niveau de la distribution des prévisions où les valeurs ABDU (Average Bin Distance to Uniformity, valeur mesurant la fiabilité des prévisions d’ensemble) ont diminué de 64%. La méthode hybride multi-modèle se révèle efficace pour capturer la variabilité hydrologique à l'échelle du bassin versant.

En complément, une section du mémoire porte sur l'opérationnalisation de ces outils et présente l'application de cette méthode dans un contexte pratique, notamment pour améliorer les systèmes de prévision hydrologique chez Rio Tinto. Utilisant le modèle hydrologique CEQUEAU7, déjà en place chez Rio Tinto, l'étude propose une méthode d'intégration simple, consistant à ajouter et fusionner des modèles hydrologiques complémentaires au système existant. Cette approche augmente la robustesse et la précision des prévisions. L'inclusion du modèle LSTM, en particulier, a montré une amélioration significative de la précision des prévisions produisant en moyenne des valeurs de CRPS 50% plus faibles, confirmant l'efficacité de l'apprentissage profond pour mieux saisir les dynamiques complexes des systèmes hydrologiques. L'intégration des modèles GR4J et LSTM offrent les meilleures performances, illustrant l'efficacité d'une approche multi-modèle qui tire parti des forces spécifiques de différents modèles hydrologiques pour des prévisions plus précises et robustes.

Titre traduit

Optimization of ensemble hydrological forecasting by integrating deep learning into a hybrid multi-model method

Résumé traduit

The recent application of deep learning in the field of hydrology has shown promising potential. This research focuses on the development of a hybrid multi-model approach, implementing eight lumped and conceptual hydrological models, a semi-distributed model, and a deep learning (DL) model, for forecasting inflows to a hydroelectric reservoir. The introduction of the Long Short-Term Memory (LSTM) model within this multi-model framework is particularly highlighted for its potential to improve the accuracy of short-term flow forecasts in the Lac-Saint-Jean watershed. The results show that the combination of hydrological models with LSTM significantly improves forecast performance, especially for short-term forecasts up to 9 days, outperforming other multi-model combinations by reducing, on average, up to 45% the CRPS values. The study also emphasizes that deep learning, when combined with other modeling approaches, can achieve maximum performance, particularly in terms of forecast distribution where ABDU scores decreased by 64%. The hybrid multimodel method proves effective in capturing hydrological variability at the watershed scale.

In addition, a section of the thesis focuses on the operationalization of these tools and presents the application of this method in a practical context, particularly for improving hydrological forecasting systems at Rio Tinto. Using the CEQUEAU7 hydrological model, already in place at Rio Tinto, the study proposes a simple integration method, consisting of adding and merging complementary hydrological models to the existing system. This approach increases the robustness and accuracy of the forecasts. The inclusion of the LSTM model, in particular, has shown a significant improvement in forecast accuracy, producing on average CRPS values 50% lower, confirming the effectiveness of deep learning in better capturing the complex dynamics of hydrological systems. The integration of the GR4J model with LSTM offers the best performance, illustrating the effectiveness of a multi-model approach that leverages the specific strengths of different hydrological models for more accurate and robust 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 81-94).
Mots-clés libres:	LSTM, prévisions hydrologiques d’ensemble, multi-modèle, Deep Learning, modélisation hydrologique, assimilation de données
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Arsenault, Richard
Programme:	Maîtrise en ingénierie > Génie de la construction
Date de dépôt:	23 avr. 2024 15:24
Dernière modification:	23 avr. 2024 15:24
URI:	https://espace.etsmtl.ca/id/eprint/3441

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt