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

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.

Date	17 avr. 2025
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Richard Arsenault (Directeur(-trice))