Utilisation d’un modèle de mémoire long-court terme entrainé sur des rétro-prévisions pour la prévision des apports en eau dans le réservoir hydroélectrique du Lac Saint-Jean

Résumé

L’essor de l’intelligence artificielle (IA) transforme de nombreux secteurs clés de notre société, y compris l’hydrologie. Parmi les avancées marquantes et à fort potentiel se trouve l’apprentissage profond, une branche de l’IA. Ce travail exploite un modèle d’apprentissage profond (Deep Learning, DL) pour prévoir les apports en eau cumulés sur une période de 14 jours vers un réservoir hydroélectrique alimenté par le bassin versant du Lac-Saint-Jean. Le modèle utilisé, basé sur les réseaux à mémoire long terme et court terme (Long Short-Term Memory, LSTM), s’est récemment distingué par ses performances encourageantes dans diverses applications de prévision hydrologique. Par ailleurs, l’intégration de rétro-prévisions météorologiques dans l’entraînement de certains modèles est évaluée afin de déterminer leur impact sur la performance des modèles et la qualité des prévisions volumétriques produites. Les résultats révèlent que les modèles LSTM génèrent des prévisions de qualité tout en mettant en évidence des avantages et des limites spécifiques. Globalement, les prévisions d’ensemble des modèles se distinguent par leur précision, mais elles manquent de fiabilité et présentent une sous-dispersion persistante, quelle que soit la saison. Les modèles rencontrent notamment des difficultés à reproduire avec exactitude le moment et l’amplitude de la crue printanière, échouant fréquemment à prévoir correctement les débits extrêmes. Par ailleurs, la recherche montre que l’intégration de rétro-prévisions lors de l’entraînement améliore la précision et la netteté des prévisions, mais au détriment de leur robustesse. En complément, une évaluation saisonnière a permis d’examiner le comportement des modèles en fonction des conditions hydroclimatiques propres à chaque saison. Les performances des modèles s’avèrent plus limitées en hiver et au printemps, saisons où les conditions hydrologiques complexes, telles que la présence de neige et les variations rapides des débits, posent des défis supplémentaires. Dans ces périodes, les modèles entraînés avec des rétroprévisions sont supérieurs en termes de précision. En revanche, les prévisions estivales et automnales sont de meilleure qualité, mais l’utilisation des rétro-prévisions durant l’entraînement tend à diminuer la précision des ensembles. Sur le plan de la fiabilité, une sousdispersion importante est constatée pour tous les modèles. Cependant, le modèle sans rétroprévisions se révèle plus robuste dans l’ensemble, particulièrement en été et en automne. La pertinence des rétro-prévisions en contexte opérationnel dépend donc des objectifs établis, comme la gestion des conditions hydriques extrêmes.

Date	15 avr. 2025
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Richard Arsenault (Directeur(-trice)) & Jean-Luc Martel (Codirecteur(-trice))