Améliorer les prévisions à long terme des débits fluviaux
Achetée sur Istockphoto.com. Droits d’auteur.
La prévision des débits fluviaux est essentielle aux municipalités et aux producteurs hydroélectriques afin de gérer les ressources en eau. La méthode bien connue appelée prévision hydrologique d’ensemble (PHE) sert actuellement aux prévisions à long terme des débits fluviaux. Elle se base sur des données climatologiques historiques pour estimer les schémas météorologiques futurs. La nature probabiliste de la PHE entraîne des résultats très incertains. Un grand nombre d’études ont permis de diminuer cette incertitude de plusieurs façons, par exemple en éliminant les scénarios les moins probables d’après le système atmosphérique en date de l’émission de la prévision. Ici, nous proposons un algorithme pour quantifier le potentiel des données historiques dans la prévision des débits fluviaux. L’algorithme génétique (AG) a servi à déterminer les meilleurs scénarios à partir d’un nombre de scénarios météorologiques historiques possibles. Les spécialistes en prévision peuvent utiliser cette méthode pour évaluer le potentiel des données historiques comme méthode de prévision, ce qui favorisera la venue de nouvelles pistes pour optimiser la précision des résultats. Mots clés : Prévision des débits fluviaux ; prévision hydrologique d’ensemble ; algorithme génétique ; hydroélectricité ; prévision des crues
L’hydrologie est l’étude des processus du cycle de l’eau [1]. Elle permet de trouver les réponses à des questions comme « combien d’eau coulera dans la rivière X à la ville Y au cours du mois prochain ? ». Cet article traite de la prévision hydrologique, plus précisément de la prévision du débit des cours d’eau. La prévision hydrologique est un outil de première importance pour la société d’aujourd’hui. Elle a des répercussions sur la sécurité des populations, par exemple elle peut sauver des vies en émettant des avertissements d’inondations ou en prévoyant les sécheresses à venir. Cependant, il ne s’agit pas toujours de phénomènes extrêmes : l’agriculture (sécurité alimentaire) et l’hydroélectricité (sécurité énergétique) sont également deux secteurs importants qui bénéficient des prévisions de débit.
Améliorer les prévisions à l’aide de données historiques
La méthode de prévision hydrologique d’ensemble (PHE) est largement utilisée pour prévoir les débits. C’est une méthode probabiliste [2] [3] [4], car elle ne fournit pas une estimation unique du niveau d’eau à venir. La PHE donne plutôt une réponse probabiliste en se basant sur des événements historiques (membres de l’ensemble), qui représentent des éventualités des débits à venir. La nature probabiliste de la PHE rend l’incertitude inévitable, mais il existe des méthodes pour la diminuer et, de fait, augmenter la précision. De nombreuses études ont été réalisées pour améliorer la PHE en éliminant les scénarios les moins probables et obtenir des prévisions plus performantes. Par exemple, les scénarios météorologiques historiques utilisés en PHE pourraient dépendre de l’état hydrologique au moment de l’émission des prévisions (s’il pleut depuis quelques jours, les conditions hydrologiques seront différentes des conditions en temps sec). Elles pourraient aussi inclure des indices climatiques à grande échelle comme El Niño [5] [6] [7], qui modifient l’état atmosphérique et augmentent les risques de saison pluvieuse ou sèche. Notre méthode vise à évaluer le potentiel des données historiques dans la prévision des débits futurs en optimisant la sélection des scénarios météorologiques historiques à l’aide de l’algorithme génétique (AG).
En effet, nous proposons un moyen d’optimiser l’utilisation des données historiques en déterminant a posteriori la meilleure stratégie possible. Par exemple, pour estimer le volume d’eau contenu dans le réservoir hydroélectrique du Lac-Saint-Jean au cours des 90 prochains jours, nous pouvons sélectionner, parmi 65 années de données météorologiques historiques, les 30 scénarios les plus probables pour effectuer la PHE, en tenant compte des conditions climatiques à la date de prévision. Cette prévision est la capacité A. En revanche, si nous répétons le processus après 90 jours, cette fois en tenant compte du volume réel obtenu, nous pouvons optimiser la sélection des 30 membres parmi les données historiques à l’aide de l’AG. Cette prévision optimisée est la capacité B. Il ne fait aucun doute que la prévision B est meilleure que la prévision A, puisqu’elle a été optimisée par le biais d’informations qui n’étaient pas disponibles à la date de la prévision A. Dans cette étude, nous avons quantifié cette amélioration B par rapport à A et l’avons appelée le « potentiel non réalisé des données historiques » ou simplement delta (∆). Delta (∆) est illustré à la figure 1. À propos de la figure 1, il est important de noter que plus le CRPS est faible, mieux c’est. Les lecteurs intéressés peuvent en apprendre davantage sur le CRPS, ou score de probabilité classé continu, à la référence [8]. Nous avons répété le procédé de recherche du meilleur ensemble m de scénarios de données historiques pour minimiser le CRPS correspondant (maximiser la performance de la prévision) à l’aide de l’AG pour toutes les valeurs m.
Figure 1 – Potentiel d’amélioration des prévisions selon le CRPS, un outil de prévision qui calcule la différence entre le débit cible et les prévisions. Plus c’est bas, mieux c’est.
∆CRPS est le potentiel non réalisé des données historiques. Axe horizontal (X) : capacité de prévision évaluée par le CRPS (m3/s), Axe vertical (Y) : Taille de l’ensemble.
Pour chaque bassin versant, l’optimisateur AG détermine les années de données historiques à sélectionner pour obtenir la meilleure prévision possible. Les figures 2 et 3 montrent les résultats pour un ensemble complet de scénarios historiques au Québec (figure 2) et en Colombie-Britannique (figure 3).
Figure 2 – Potentiel théorique de la méthode PHE pour différentes tailles d’ensembles et performance selon diverses méthodes de sélection classiques (marqueurs de couleur); bassin versant au Québec.
En X : capacité de prévision évaluée par le CRPS (m3/s). En Y : Taille de l’ensemble.
Figure 3 – Potentiel théorique de la méthode PHE pour différentes tailles d’ensembles et performance selon diverses méthodes de sélection classiques (marqueurs de couleur); bassin versant en Colombie-Britannique.
En X : capacité de prévision évaluée par le CRPS (m3/s). En Y : Taille de l’ensemble.
L’amélioration moyenne de la capacité de prévision obtenue en éliminant le scénario le plus improbable est plus importante pour le bassin versant du Québec. Ce fait indique qu’il y a plus de potentiel non réalisé en prévision de débit du bassin versant au Québec qu’en Colombie-Britannique, le climat de la Colombie-Britannique étant moins variable que celui du Québec.
Conclusion
Améliorer les prévisions hydrologiques permet de sauver des vies, d’assurer la sécurité énergétique et de réduire les impacts environnementaux. Nous avons présenté ici une nouvelle façon d’estimer la valeur maximale contenue dans les données météorologiques historiques afin d’améliorer les prévisions de débit à long terme. Notre méthode permet aux spécialistes des prévisions de profiter de tout le potentiel offert dans les ensembles de données et d’améliorer leurs méthodes jusqu’à atteindre la cible optimale. Elle contribuera également à alimenter les recherches futures dans ce domaine, car il existe désormais une finalité d’améliorations possibles, ce qui n’était pas le cas auparavant.
