Quantifying hydrological uncertainties. Assessing the contribution of statistical learning methods over a large set of French catchments
Quantification des incertitudes hydrologiques. Apport des méthodes d'apprentissage statistique sur un grand échantillon de bassins versants français
Résumé
Hydrological models aim to quantify the rainfall-runoff transformation within a catchment. Although hydrological models are generally good at representing the response of catchments to meteorological forcing, they remain a simplification of complex processes that are often poorly understood or unobserved. Quantifying hydrological uncertainties is therefore desirable for a number of applications, including water management, flood forecasting and low-flows estimation. With the recent development of large databases and computing capacities, methods based on statistical learning have emerged as promising approaches. In this work, we focus on statistical post-processing approaches and distinguish between the simulation context and the forecasting context. Our work, based on a large set of French catchments and using the GR6J model, focuses on two main areas: 1) the quantification of univariate predictive uncertainties using random forests in a multi-site learning framework informed by hydrological characteristics; 2) the temporal consistency of probabilistic forecasts - obtained with univariate post-processing methods - using vine copulas. Finally, we present a study that integrates meteorological ensemble forecasts and the proposed uncertainty quantification methods to characterize the relative share of these two sources of uncertainty in various hydrological forecasting contexts.
La modélisation hydrologique vise à quantifier la transformation pluie-débit au sein d'un bassin versant. Même si les modèles hydrologiques parviennent généralement à bien représenter la réponse des bassins versants aux forçages météorologiques, cette modélisation reste une simplification de processus complexes, souvent mal connus ou non observés. La quantification des incertitudes hydrologiques est donc souhaitable pour plusieurs applications dont la gestion de l'eau, la prévision des crues et l'estimation des étiages. Avec les développements récents de grandes bases de données et de capacités de calcul importantes, les méthodes basées sur l'apprentissage statistique ont émergé comme des approches prometteuses. Dans le cadre de ce travail, nous nous concentrons sur des approches de post-traitement statistique et distinguons le contexte de simulation et le contexte de prévision. Nos travaux, qui s'appuient sur un large échantillon de bassins versants français et des modélisations hydrologiques avec le modèle GR6J, portent sur deux axes principaux : 1) la quantification des incertitudes prédictives univariées à l'aide de forêts aléatoires dans une cadre d'apprentissage multi-sites informé par des caractéristiques hydrologiques; 2) la cohérence temporelle des prévisions probabilistes - obtenues avec des méthodes de post-traitement univariés - à l'aide de copules de vine. Enfin, nous présentons une étude qui intègre des prévisions d'ensemble météorologiques et les méthodes de quantification des incertitudes proposées pour caractériser la part relative de ces deux sources d'incertitudes dans des contextes variés de prévision hydrologique.
Mots clés
Domaines
| Origine | Version validée par le jury (STAR) |
|---|---|
| Licence |
