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

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.

Date	21 juil. 2025
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Richard Arsenault (Directeur(-trice))