What contributions of a semi-distributed multi-model approach for streamflow forecasting ?
Quels apports d'une approche multi-modèle semi-distribuée pour la prévision des débits ?
Résumé
Streamflow forecasting is needed to meet various objectives, from the safety of populations in the case of floods, to the management of water resources for multiple uses, particularly important during low flow periods. Hydroelectric production is also closely linked to streamflow, as is the case on the Rhône catchment, where the Compagnie Nationale du Rhône (CNR) manages hydroelectric production units along the main course of the river. To optimize its production, CNR relies in part on hydrological models, which transform meteorological information into streamflow estimates. Hydrological models have their own specificities, in terms of the way they represent the catchment (i.e. their mathematical structure) or the way they are applied, linked to the objectives or hydro-climatic contexts for which they were designed. It leads to a very wide range of hydrological models, representing various rainfall-runoff relationships and operating at different spatial scales, often making it difficult for users to choose the structure and spatial discretization best suited to their objectives. This also reflects the numerous uncertainties affecting the modelling chain, the quantification of which is of major importance for operational management and decision support. In this context, the aim of this PhD is to evaluate the contribution of a semi-distributed multi-model approach for streamflow forecasting. To this end, a large sample of 643 French catchments, with hydro-climatic data at hourly time steps, was compiled, and 14 hydrological model structures were used according to different calibration strategies and for different spatial configurations. First, we set up the hydrological modelling framework to meet our objectives. After that, we tested the semi-distributed multi-model approach in a simulation context, and then for streamflow forecasting purposes, focusing on the case of Rhône tributaries. The results show that the strategy of a single model for a large number of catchments has limitations that can be partly overcome by multi-model strategies. In this way, the use of different hydrological models for different catchment areas leads to an improvement in streamflow simulation over the French territory. Even better performance can be achieved by a more complex multi-model approach, combining the outputs of hydrological models. Although the value of semi-distribution is difficult to determine a priori, it is nevertheless showing encouraging results over several catchments. Finally, semi-distributed multi-model modelling also improves forecasting, whether in an idealized context of known future rainfall, or in a more realistic context of ensemble meteorological forecast. Although generating more reliable forecasts, the chaining between ensemble meteorological forecasts and the probabilistic multi-model approach (thus creating a hydrological superset) requires an interpretation phase to be exploitable from an operational point of view.
La prévision des débits dans les cours d’eau est nécessaire pour répondre à divers objectifs, allant de la sécurité des populations dans le cas des inondations, à la gestion de la ressource en eau pour de multiples usages, importante particulièrement en période d’étiage. La production hydroélectrique est également étroitement liée aux débits de nos rivières, comme c’est le cas sur le bassin versant du Rhône où la Compagnie nationale du Rhône (CNR) gère des unités de production hydroélectrique sur tout le cours principal du fleuve. Pour optimiser sa production, la CNR s’appuie en partie sur des modèles hydrologiques, qui transforment l’information météorologique en estimation des débits en rivière. Les modèles hydrologiques existants revêtent des spécificités, dans leur façon de représenter le bassin versant (c’est-à-dire leur structure mathématique) ou leurs modalités d’application, liées aux objectifs ou contextes hydroclimatiques pour lesquels ils ont été conçus. Cela conduit à l’existence d’une très large gamme de modèles hydrologiques, pouvant représenter une variété de relations pluie-débit et fonctionnant à différentes échelles spatiales, avec souvent la difficulté de choisir la structure et la discrétisation spatiale les mieux adaptées aux objectifs visés. Cela reflète également les nombreuses incertitudes affectant la chaîne de modélisation, dont la quantification revêt de forts enjeux pour la gestion opérationnelle et l’aide à la décision. Dans ce contexte, l’objectif de la thèse a été d’évaluer les apports de l’approche multi-modèle dans le cadre d’une modélisation hydrologique semi-distribuée pour la prévision des débits. Pour ce faire, un large échantillon de 643 bassins versants français, regroupant des données hydroclimatiques au pas de temps horaire, a été constitué, et 14 structures de modèles hydrologiques ont été utilisées selon différentes stratégies de calage et pour différentes configurations spatiales. Dans un premier temps, nous avons mis en place le cadre de modélisation hydrologique pour répondre à nos objectifs. Nous avons ensuite testé l’approche multi-modèle semi-distribuée en contexte de simulation, puis dans un objectif de prévision des débits en traitant plus particulièrement le cas des affluents du Rhône. Les résultats montrent que la stratégie d’un modèle unique pour un grand nombre de bassins présente des limites qui peuvent être en partie dépassées par différentes stratégies multi-modèles. Ainsi, l’utilisation de différents modèles hydrologiques selon les bassins versants engendre une amélioration significative de la simulation des débits sur le territoire français. Des performances encore améliorées peuvent être obtenues par une approche multi-modèle plus complexe, en combinant les sorties des modèles hydrologiques. Bien que l’intérêt de la semi-distribution soit difficile à déterminer a priori en contexte de simulation, elle montre des résultats encourageants sur les bassins influencés ou présentant des phénomènes nivaux, tels que sur les cours d’eau alpins du Rhône par exemple. Enfin, la modélisation multi-modèle semi-distribuée améliore également la prévision, que ce soit dans un contexte idéalisé de pluies futures connues ou plus réaliste d’utilisation d’archives de pluies d’ensemble prévues. Bien qu’engendrant des prévisions plus fiables, le chaînage entre les prévisions météorologiques d’ensemble et le multi-modèle probabiliste (créant ainsi un super-ensemble hydrologique) nécessite une phase d’interprétation pour être exploitable d’un point de vue opérationnel.
| Origine | Version validée par le jury (STAR) |
|---|