Analyse de l’impact de l’assimilation de données par filtre d’ensemble de Kalman sur la performance des prévisions hydrologiques à court et moyen terme

Lebel, Jade (2025). Analyse de l’impact de l’assimilation de données par filtre d’ensemble de Kalman sur la performance des prévisions hydrologiques à court et moyen terme. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (6MB) | Prévisualisation

Résumé

Cette étude présente une analyse de l’impact de l’assimilation de données par le filtre d’ensemble de Kalman sur les performances des prévisions hydrologiques d’ensemble, avec pour objectif principal d’analyser et de quantifier l’impact de l’assimilation de données sur la caractérisation de l’incertitude dans les prévisions hydrologiques. Plus spécifiquement, il s’agit d’évaluer l’impact de l’assimilation de données sur la performance des prévisions hydrologiques à court et moyen terme, à l’aide de métriques telles que le CRPS et les diagrammes de Talagrand.

L’étude a été menée sur le bassin versant du Lac-Saint-Jean à l’aide de trois modèles conceptuels globaux : MOHYSE, Blended et GR4J-CN. La calibration des modèles a été réalisée à l’aide de l’algorithme d’optimisation Dynamically Dimensioned Search, tandis que l’assimilation de données a été réalisée à l’aide du filtre d’ensemble de Kalman avec 25 membres. Les données météorologiques utilisées proviennent des réanalyses ERA5 pour la période 1960-2023 et les prévisions météorologiques proviennent de la base de données du Centre Européen pour les Prévisions Météorologiques à Moyen Terme, comprenant 50 membres de 14 jours, couvrant la période 2016-2023. Les prévisions hydrologiques ont été générées sur un horizon de 14 jours pour les trois modèles.

Afin d’évaluer la performance des prévisions hydrologiques, les diagrammes de Talagrand ont été utilisés pour évaluer la fiabilité tandis que le Continuous Ranked Probability Score (CRPS) a été utilisé pour évaluer leur précision. Les résultats obtenus montrent que l’assimilation de données améliore la qualité des prévisions, en particulier pour le modèle GR4J-CN. Cette amélioration se traduit par une réduction des erreurs, une meilleure stabilité des prévisions dans le temps et une fiabilité renforcée. Cependant, l’impact de l’assimilation de données varie selon le modèle. En effet, pour le modèle MOHYSE, les gains sont plus limités et une légère dégradation des performances est parfois observée. Les modèles assimilés parviennent à mieux représenter l’incertitude en couvrant plus efficacement les observations dans leurs intervalles de prévision. Cette tendance est observable sur l’ensemble des saisons, quoiqu’elle soit plus prononcée en hiver et en automne.

Titre traduit

Analysis of the impact of data assimilation on the performance of short- and mediumterm hydrological forecasts

Résumé traduit

This study presents an analysis of the impact of data assimilation using the Ensemble Kalman Filter on ensemble hydrological forecast performance. The main objective is to analyze and quantify the impact of data assimilation on the characterization of uncertainty in hydrological forecasts. More specifically, it aims to assess the impact of data assimilation on the performance of short- to medium-term hydrological forecasts, using metrics such as CRPS and Talagrand diagrams.

The study was conducted on the Lac-Saint-Jean watershed using three lumped conceptual hydrological models: MOHYSE, Blended and GR4J-CN. The models were calibrated using the Dynamically Dimensioned Search optimization algorithm. Data assimilation was implemented using the Ensemble Kalman Filter with 25 members. Meteorological data were drawn from the ERA5 reanalysis dataset for the period 1960-2023, while meteorological forecasts were obtained from the European Centre for Medium-Range Weather Forecasts ensemble, consisting of 50 ensemble members over 14 days, covering the period 2016-2023. Hydrological forecasts were generated over a 14 days lead time for all three models.

To assess the performance of hydrological forecasts, Talagrand diagrams were used to evaluate forecast reliability, while the Continuous Ranked Probability Score was used to assess forecast accuracy. The results show that data assimilation improves forecast quality, with the most impact observed for the GR4J-CN model. This improvement is reflected in reduced forecast errors, increased temporal stability and enhanced reliability. However, the impact of data assimilation varies depending on the model. For MOHYSE, the gains are more limited and a slight degradation in performance is sometimes observed. The assimilated models better capture forecast uncertainty by mode effectively encompassing the observations within their prediction intervals. This trend is observed across all season, although it is more pronounced in winter and autumn.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire 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 109-115).
Mots-clés libres:	prévisions hydrologiques d’ensemble, modélisation hydrologique, assimilation de données, incertitude, sous-dispersion
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Arsenault, Richard
Programme:	Maîtrise en ingénierie > Génie de la construction
Date de dépôt:	18 août 2025 17:41
Dernière modification:	18 août 2025 17:41
URI:	https://espace.etsmtl.ca/id/eprint/3677

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt