Développement de modèles d'apprentissage automatisé pour la prévision hydrologique d’ensemble au lac Saint-Jean

Morin, Marc-Alexandre (2025). Développement de modèles d'apprentissage automatisé pour la prévision hydrologique d’ensemble au lac Saint-Jean. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (3MB) | Prévisualisation

Résumé

L’objectif de cette étude est de développer et d’évaluer des modèles d’intelligence artificielle avancés afin d’améliorer la prévision des volumes de crue dans un contexte de gestion des réservoirs hydroélectriques. En se concentrant sur le bassin versant du Lac-Saint-Jean, cette recherche vise à optimiser la précision des prévisions hydrologiques sur un horizon de 15 jours, en intégrant des approches ensemblistes. Pour ce faire, elle exploite la réanalyse atmosphérique ERA5 en plus des données de prévisions météorologiques archivées du centre ECMWF, permettant ainsi de mieux anticiper les variations hydrologiques associées aux événements météorologiques d’importance pour l’hydrologie locale, notamment la fonte des neiges et les précipitations extrêmes.

La méthodologie adoptée repose sur la comparaison de deux architectures principales, soit un modèle encodeur-décodeur standard à base de LSTM et une version similaire mais qui intègre un mécanisme d’attention. Ces modèles ont été conçus pour capter les dynamiques hydrologiques complexes en s’appuyant sur un apprentissage supervisé. L’évaluation repose sur des métriques telles que le KGE et le CRPS, ainsi que sur les diagrammes de Talagrand, qui permettent d’analyser la précision et la fiabilité des prévisions d’ensemble ainsi générées. En complément, l’étude explore l’impact du transfert d’apprentissage. Cette approche consiste à pré-entraîner le modèle sur un long historique de données avant de l’adapter à des données de prévision, ce qui favorise une meilleure généralisation.

L’association du mécanisme d’attention et du transfert d’apprentissage permet une réduction des erreurs, avec un KGE maintenu à 0,91 au 15ᵉ jour. L’effet du transfert d’apprentissage est particulièrement marqué lors des crues printanières, où la dynamique des débits est plus complexe. L’ajout du mécanisme d’attention apporte un gain supplémentaire, mais son impact varie selon les saisons. Il est bénéfique en hiver et en automne, tandis qu’il peut accentuer la variabilité des prévisions au printemps et en été. Si les modèles offrent une bonne précision en moyenne, les diagrammes de Talagrand révèlent un défaut de calibration, caractérisé par une sous-dispersion des prévisions, en particulier à mesure que l’horizon temporel s’allonge. Cela indique que les modèles sont trop confiants, car ils sous-estiment l’incertitude associée à leurs prévisions.

En somme, cette étude met en avant les bénéfices du transfert d’apprentissage et de l’attention pour la prévision hydrologique, tout en soulignant la nécessité d’améliorer la fiabilité et la calibration des prévisions d’ensemble, ouvrant ainsi la voie à de futures recherches.

Titre traduit

Development of machine learning models for ensemble hydrological forecasting on the lac Saint-Jean basin

Résumé traduit

The objective of this study is to develop and evaluate advanced artificial intelligence models to improve flood volume forecasting in the context of hydroelectric reservoir management. Focusing on the Lac-Saint-Jean watershed, this research aims to optimize the accuracy of 15 day hydrological forecasts by integrating ensemble-based approaches. To achieve this, it leverages historical and meteorological data from sources such as ERA5 and ECMWF, enabling better anticipation of hydrological variations associated with climatic events, particularly snowmelt and extreme precipitation.

The adopted methodology is based on the comparison of two main architectures: a standard encoder-decoder model and a version incorporating an attention mechanism. These models are designed to capture complex hydrological dynamics through supervised learning. The evaluation relies on metrics such as the KGE and CRPS, as well as Talagrand diagrams to assess the calibration of probabilistic forecasts. Additionally, this study explores the impact of transfer learning, which involves pre-training the model on a long historical dataset before fine-tuning it with more recent data, thus enhancing generalization.

The combination of the attention mechanism and transfer learning leads to a reduction in errors, with a KGE maintained at 0.91 on day 15. The effect of transfer learning is particularly pronounced during spring floods, when streamflow dynamics are more complex. The addition of the attention mechanism provides an additional gain, although its impact varies by season. It proves beneficial in winter and autumn, while it can increase forecast variability in spring and summer. Although the models perform well on average, Talagrand diagrams reveal a calibration issue, characterized by an under-dispersion of forecasts, especially as the lead time increases. This indicates that the models are overly confident, as they underestimate the uncertainty associated with their predictions.

Overall, this study highlights the benefits of transfer learning and attention for hydrological forecasting, while also emphasizing the need to enhance the reliability and calibration of ensemble predictions, paving the way for future research.

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 en génie concentration personnalisée". Comprend des références bibliographiques (pages 73-76).
Mots-clés libres:	prévision hydrologique, LSTM encodeur-décodeur, mécanisme d’attention, intelligence artificielle, transfert d’apprentissage
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Arsenault, Richard
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	13 mars 2026 14:10
Dernière modification:	13 mars 2026 14:10
URI:	https://espace.etsmtl.ca/id/eprint/3845

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt