Utilisation d’un modèle de mémoire long-court terme entrainé sur des rétro-prévisions pour la prévision des apports en eau dans le réservoir hydroélectrique du Lac Saint-Jean

Soucy, Léo (2025). Utilisation d’un modèle de mémoire long-court terme entrainé sur des rétro-prévisions pour la prévision des apports en eau dans le réservoir hydroélectrique du Lac Saint-Jean. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (2MB) | Prévisualisation

Résumé

L’essor de l’intelligence artificielle (IA) transforme de nombreux secteurs clés de notre société, y compris l’hydrologie. Parmi les avancées marquantes et à fort potentiel se trouve l’apprentissage profond, une branche de l’IA. Ce travail exploite un modèle d’apprentissage profond (Deep Learning, DL) pour prévoir les apports en eau cumulés sur une période de 14 jours vers un réservoir hydroélectrique alimenté par le bassin versant du Lac-Saint-Jean. Le modèle utilisé, basé sur les réseaux à mémoire long terme et court terme (Long Short-Term Memory, LSTM), s’est récemment distingué par ses performances encourageantes dans diverses applications de prévision hydrologique. Par ailleurs, l’intégration de rétro-prévisions météorologiques dans l’entraînement de certains modèles est évaluée afin de déterminer leur impact sur la performance des modèles et la qualité des prévisions volumétriques produites.

Les résultats révèlent que les modèles LSTM génèrent des prévisions de qualité tout en mettant en évidence des avantages et des limites spécifiques. Globalement, les prévisions d’ensemble des modèles se distinguent par leur précision, mais elles manquent de fiabilité et présentent une sous-dispersion persistante, quelle que soit la saison. Les modèles rencontrent notamment des difficultés à reproduire avec exactitude le moment et l’amplitude de la crue printanière, échouant fréquemment à prévoir correctement les débits extrêmes. Par ailleurs, la recherche montre que l’intégration de rétro-prévisions lors de l’entraînement améliore la précision et la netteté des prévisions, mais au détriment de leur robustesse.

En complément, une évaluation saisonnière a permis d’examiner le comportement des modèles en fonction des conditions hydroclimatiques propres à chaque saison. Les performances des modèles s’avèrent plus limitées en hiver et au printemps, saisons où les conditions hydrologiques complexes, telles que la présence de neige et les variations rapides des débits, posent des défis supplémentaires. Dans ces périodes, les modèles entraînés avec des rétroprévisions sont supérieurs en termes de précision. En revanche, les prévisions estivales et automnales sont de meilleure qualité, mais l’utilisation des rétro-prévisions durant l’entraînement tend à diminuer la précision des ensembles. Sur le plan de la fiabilité, une sousdispersion importante est constatée pour tous les modèles. Cependant, le modèle sans rétroprévisions se révèle plus robuste dans l’ensemble, particulièrement en été et en automne. La pertinence des rétro-prévisions en contexte opérationnel dépend donc des objectifs établis, comme la gestion des conditions hydriques extrêmes.

Titre traduit

Application of a long short-term memory model trained on meteorological reforecasts for forecasting inflow volumes to the Lac-Saint-Jean hydroelectric reservoir

Résumé traduit

The rise of artificial intelligence (AI) is transforming numerous key sectors of our society, including hydrology. Among the most impactful and promising advances is deep learning, a branch of AI. This study leverages a deep learning (DL) model to forecast cumulative water inflows over a 14-day period into a hydroelectric reservoir supplied by the Lac Saint-Jean watershed. The model employed is based on Long Short-Term Memory (LSTM) networks, which have recently gained attention for their strong performance in various hydrological forecasting applications. Additionally, meteorological reforecasts are integrated into the training of some models to assess their influence on model performance and the quality of volumetric forecasts.

The results show that LSTM models generate high-quality forecasts while highlighting specific benefits and limitations. Overall, the ensemble forecasts produced by the models are accurate but lack reliability, exhibiting persistent under-dispersion across all seasons. The models notably struggle to accurately capture the timing and magnitude of the spring freshet, frequently failing to predict extreme flows. Furthermore, the research indicates that incorporating reforecasts during training enhances forecast precision and sharpness but at the expense of robustness.

In addition, a seasonal evaluation was conducted to analyze model behavior under the unique hydroclimatic conditions of each season. Model performance is more limited in winter and spring, where complex hydrological conditions, such as snow presence and rapid flow variations, pose additional challenges. During these seasons, models trained with reforecasts outperform the baseline model in terms of accuracy. Conversely, summer and autumn forecasts are of higher quality, but the use of reforecasts during training tends to reduce ensemble precision. Regarding reliability, significant under-dispersion is observed across all models. However, the baseline model without reforecasts demonstrates greater overall robustness, particularly during summer and autumn. The operational relevance of reforecasts thus depends on the specific forecasting objectives, such as managing extreme hydrological conditions.

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 97-106).
Mots-clés libres:	prévision hydrologique d’ensemble, modèle d’apprentissage-machine, rétroprévisions, volumes d’eau, Deep Learning, LSTM
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:	05 juin 2025 18:24
Dernière modification:	05 juin 2025 18:24
URI:	https://espace.etsmtl.ca/id/eprint/3635

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt