Improving hydrological forecasting at multiple lead-times for hydropower reservoir management

Résumé

La prévision du débit des cours d'eau est importante pour la gestion des ressources en eau dans des secteurs tels que l'agriculture, l'hydroélectricité, la gestion des sécheresses et la planification de la prévention des inondations urbaines. Notre étude examine les prévisions à court et à long terme afin de créer un cadre pour la prévision des débits qui peut bénéficier à la gestion des ressources en eau et aux secteurs connexes. Pour améliorer les prévisions de débit jusqu'à dix jours à l'avance, l'étude se concentre d'abord sur l'amélioration des conditions initiales en utilisant un filtre de Kalman d'ensemble comme méthode d'assimilation des données. L'objectif est de réguler les hyperparamètres du filtre de Kalman d'ensemble pour chaque saison afin de produire des prévisions plus précises. Une analyse de sensibilité est menée pour identifier les meilleurs ensembles d'hyperparamètres pour chaque saison, y compris l'incertitude de la température, des précipitations, du débit observé et du contenu en eau de trois variables d'état - zone vadose, zone saturée et manteau neigeux - provenant du modèle CEQUEAU. Les résultats indiquent que l'amélioration des conditions initiales avec le filtre de Kalman d'ensemble produit des prévisions plus habiles jusqu'à un délai de 6 jours. L'incertitude sur la température est particulièrement sensible et varie selon les saisons. La variable d'état de la zone vadose a été identifiée comme la variable d'état la plus importante et la plus sensible, et la mise à jour systématique de toutes les variables d'état n'est peut-être pas nécessaire pour améliorer les prévisions. Les récentes avancées en matière d'apprentissage automatique permettent d'améliorer les prévisions de débit à court terme. L'une de ces méthodes est le modèle LSTM (Long ShortTerm Memory). En général, les réseaux neuronaux apprennent par régression et des relations existent entre les entrées et les sorties. Cependant, les modèles LSTM ont une caractéristique appelée "porte d'oubli", qui leur permet non seulement d'apprendre la relation entre les entrées (par exemple, la température et les précipitations) et la sortie (le débit), mais aussi de saisir les dépendances temporelles dans les données. L'étude visait à comparer les performances du modèle LSTM (Long Short-Term Memory) avec celles des modèles hydrologiques basés sur l'assimilation de données et sur les processus dans la prévision à court terme du débit. Les trois modèles ont été testés en utilisant les mêmes prévisions météorologiques d'ensemble. Le modèle LSTM a démontré une bonne performance dans la prévision du débit, avec une efficacité de Kling-Gupta (KGE) supérieure à 0,88 pour 9 délais. Le modèle LSTM n'a pas incorporé d'assimilation de données, mais il a bénéficié du débit observé jusqu'au dernier jour avant la prévision. Cela s'explique par le fait que le modèle LSTM a appris et intégré les connaissances des jours précédents tout en émettant des prévisions, de la même manière que l'assimilation de données met à jour les conditions initiales. Les résultats de l'étude ont également montré que le modèle LSTM avait de meilleures performances jusqu'au sixième jour de prévision par rapport aux modèles basés sur l'assimilation de données. Cependant, l'entraînement du modèle LSTM séparément pour chaque délai d'exécution est un processus long et constitue un inconvénient par rapport aux méthodes basées sur l'assimilation de données. Néanmoins, l'étude a démontré le potentiel des techniques d'apprentissage automatique pour améliorer les prévisions de débit. La prévision du débit pour de longs délais, comme un mois, implique généralement l'utilisation de données météorologiques historiques pour créer des scénarios futurs probables, car les prévisions météorologiques deviennent peu fiables au-delà de ce délai. Dans cette étude, nous avons proposé une nouvelle méthode de prévision du débit basée sur le filtrage des prévisions de débit d'ensemble (ESP), en utilisant un algorithme génétique (GA) pour filtrer les scénarios de prévision. Cette méthode quantifie le potentiel existant dans les données historiques pour chaque bassin. Ce potentiel pourrait être utilisé pour améliorer la précision des prévisions de débit. Nous avons trié les scénarios sélectionnés et non sélectionnés pour trouver les caractéristiques communes entre eux, mais les résultats n'ont pas permis de distinguer les deux groupes. Néanmoins, la méthode GA peut être utilisée comme référence pour de futures études visant à améliorer les prévisions de débit à long terme. Cette méthode peut également être utilisée pour comparer différentes méthodes de prévision en fonction du potentiel démontré par la méthode GA pour une taille spécifique de membres ESP. Par exemple, si une méthode utilise des signaux climatiques à grande échelle pour filtrer les membres de l'ESP, le résultat de la compétence de prévision pourrait être comparé au potentiel des données historiques pour cette taille particulière de membres de l'ESP.

Date	14 juin 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Richard Arsenault (Directeur(-trice)) & François Brissette (Codirecteur(-trice))