Using a stochastic weather generator to account for climate non-stationarity in extended streamflow forecasts

Résumé

Des prévisions fiables de débit à long terme sont essentielles à la gestion des ressources en eau et jouent un rôle clé dans la gestion des réservoirs et la production hydroélectrique. Cadrer correctement l'incertitude est la question clé pour fournir une prévision fiable du débit à long terme. La principale approche pour couvrir les différentes sources d'incertitudes est d'utiliser une approche probabiliste contrairement à déterministe. Dans l'approche probabiliste, chaque donnée historique observée est considérée comme une réalisation possible de l'avenir. En outre, la non-stationnarité des variables hydrométéorologiques, soit en raison de la variabilité interne ou des changements anthropiques, est un autre problème important car il devient de plus en plus clair que les données historiques passées peuvent ne pas représenter adéquatement le climat actuel. Par conséquent, il est nécessaire de développer des approches flexibles prenant en compte la non stationnarité dans un contexte probabiliste. Le rééchantillonnage des séries chronologiques historiques passées est l’approche probabiliste la plus couramment utilisée dans le processus de prévision du débit à long terme. Cependant, les méthodes de rééchantillonnage souffrent de leur hypothèse de stationnarité dans les séries observées. Une autre approche possible consiste à utiliser un générateur météorologique stochastique couplé à un modèle hydrologique pour générer des prévisions probabilistes de débit à long terme. Les générateurs météorologiques peuvent facilement être modifiés pour tenir compte des tendances climatiques récentes et ont donc le potentiel de prendre en compte la non stationnarité. Cependant, avant que les générateurs météorologiques puissent être modifiés pour tenir compte des non stationnarités climatiques, il est d'abord nécessaire d'évaluer si la chaîne de modélisation composée d'un générateur météorologique stochastique et d'un modèle hydrologique peut générer des prévisions de débit probabilistes dans la même mesure que les approches de rééchantillonnage plus traditionnelles. Le premier objectif de cette étude était donc de comparer les performances d'un générateur météorologique stochastique avec celles du rééchantillonnage de séries chronologiques météorologiques historiques afin de produire des prévisions d'ensemble de débit. Les résultats indiquent que s'il existe des différences entre les deux méthodes, elles fonctionnent néanmoins largement de façon similaire, ce qui montre que les générateurs météorologiques peuvent être utilisés comme substituts pour rééchantillonner le passé historique. Sur la base des résultats positifs de la première étape de cette étude, deux approches pour la prise en compte de la non stationnarité basée sur la capacité de modification du générateur météo stochastique ont été proposées. La première approche a exploré une méthode de perturbation simple dans les paramètres d'un générateur météorologique stochastique. Dans le schéma de perturbation, toute la longueur de l'historique est utilisée pour quantifier la variabilité interne, tandis qu'un sous-ensemble des dernières années est utilisé pour caractériser les valeurs climatiques moyennes pour les précipitations, les températures minimales et maximales. Les résultats montrent que la méthode proposée améliore systématiquement la précision des prévisions de débit à long terme, bien que les mêmes résultats dépendent de la fenêtre temporelle utilisée pour estimer les estimations climatiques moyennes actuelles. La deuxième approche a conditionné les paramètres d'un générateur météorologique stochastique à des indices climatiques à grande échelle. Dans cette approche, les indices climatiques les plus importants sont identifiés en examinant les corrélations annuelles entre un ensemble de 40 indices et les précipitations et la température. Un modèle linéaire est ensuite construit pour identifier les anomalies de précipitation et de température afin d'induire des perturbations dans le générateur météorologique stochastique. Pour faire face à la non-stationnarité dans les indices climatiques à grande échelle et la relation des séries chronologiques météorologiques, 5 fenêtres temporelles différentes sont définies pour déterminer le modèle linéaire optimal. Les résultats montrent que les températures sont significativement corrélées avec les indices climatiques à grande échelle, tandis que les précipitations ne sont que faiblement liées aux mêmes indices. La longueur de la fenêtre temporelle a un impact considérable sur la capacité de prédiction des modèles linéaires. Les modèles de précipitations basés sur des fenêtres temporelles de courte durée ont donné de meilleurs résultats que ceux basés sur des fenêtres plus longues, tandis que l'inverse a été constaté pour les modèles de température. Les résultats montrent que la méthode proposée améliore les prévisions de débit à long terme, en particulier autour de la crue printanière.

Date	19 oct. 2020
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	François Brissette (Directeur(-trice)) & Robert Leconte (Codirecteur(-trice))