Des stations de mesure de la qualité de l’eau sont utilisées pour mesurer la qualité de l'eau à haute fréquence. Pour une gestion efficace de ces mesures, la qualité des données doit être vérifiée. Dans une méthode univariée précédemment développée, des points aberrants et des fautes étaient détectés dans les données mesurées par ces stations en employant des modèles à lissage exponentiel pour prédire les données au moment suivant avec l’intervalle de confiance. Dans la présente étude, ne considérant que le cas univarié, la détection de points aberrants est améliorée par l’identification d’un modèle autorégressif à moyenne mobile sur une fenêtre mobile de données pour prédire la donnée au moment suivant. Les données de turbidité mesurées à l'entrée d'une station d'épuration municipale au Danemark sont utilisées comme étude de cas pour comparer la performance de l’utilisation des deux modèles. Les résultats montrent que le nouveau modèle permet de prédire la donnée au moment suivant avec plus de précision. De plus, l’inclusion du nouveau modèle dans la méthode univariée présente une performance satisfaisante pour la détection de points aberrants et des fautes dans les données de l'étude de cas. / Water quality monitoring stations are used to measure water quality at high frequency. For effective data management, the quality of the data must be evaluated. In a previously developed univariate method both outliers and faults were detected in the data measured by these stations by using exponential smoothing models that give one-step ahead forecasts and their confidence intervals. In the present study, the outlier detection step of the univariate method is improved by identifying an auto-regressive moving average model for a moving window of data and forecasting one-step ahead. The turbidity data measured at the inlet of a municipal treatment plant in Denmark is used as case study to compare the performance of the use of the two models. The results show that the forecasts made by the new model are more accurate. Also, inclusion of the new forecasting model in the univariate method shows satisfactory performance for detecting outliers and faults in the case study data.

Lors d’un suivi en temps réel de la qualité de l’eau d’une rivière, une quantité innombrable de données peut être récoltée permettant ainsi une bonne description des dynamiques changeant rapidement. Cependant, des questions s’imposent. Quelle est la qualité des données mesurées en temps réel? Quels sont les effets de données de mauvaise qualité sur les objectifs associés à leur utilisation? Ce mémoire tente de résoudre cette problématique en présentant des outils automatiques d’évaluation de la qualité des données. Ces outils sont généraux et simples, en ce sens qu’ils s’appliquent à différents emplacements (rivière, STEP, égout, etc.) et qu’ils sont basés sur des méthodes univariées faciles à implanter. Suite à l’application de ces outils, la qualité des données est connue et accrue favorisant ainsi l’atteinte des objectifs reliés à un suivi en temps réel. Leur application est démontrée sur des données mesurées lors d’un suivi en temps réel de la qualité de l’eau d’un ruisseau urbain effectué à l’aide de la station monEAU. / During real-time water quality monitoring in river systems, a huge amount of data is produced which allows a better description of the rapidly changing dynamics compared to spot sampling methods. However, what is the quality of the measured data and what are the impacts of poor data quality on the objectives pursued during real-time water quality monitoring? Therefore, this master thesis proposes automatic data quality assessment tools to tackle this issue. These tools are general and simple, which means that they can be applied to any type of water and that they are based on easy-to-implement univariate methods. Following the application of these tools, data quality will be improved and known as such and will allow to better achieve the objectives of a real-time water quality monitoring project. The application of these tools is demonstrated on data collected during real-time water quality monitoring of an urban river performed using a monEAU station.

Dans les Stations de Récupération des Ressources de l'Eau (StaRRE), il est courant d'utiliser des capteurs en ligne à haute fréquence, permettant aux opérateurs de surveiller les processus de traitement en temps réel et de prendre des décisions proactives pour corriger les paramètres de qualité de l'eau si nécessaire. Ces capteurs peuvent également être employés pour surveiller la qualité de l'eau des rivières, fournissant des données précieuses pour une gestion efficace des cours d'eau. Cependant, les études et outils actuels pour l'évaluation de la qualité des données sont généralement basés sur des modèles computationnels qui nécessitent un réglage manuel des paramètres des outils. L'objectif de ce projet de maîtrise est de développer de nouveaux outils en appliquant les principes fondamentaux de l'apprentissage automatique, permettant ainsi à un modèle computationnel de s'auto-ajuster, à partir des données suffisantes, tout en minimisant l'intervention d'un expert. Un nouveau modèle basé sur les Réseaux Neuronaux Artificiels à Mémoire à Court et Long Terme (LSTM en anglais) a été développé, capable de détecter et de remplacer les valeurs aberrantes ou les pannes mineures de capteurs, en traitant l'ensemble des jeux de données brutes tout au long du processus de suivi. Cela est suivi par une étape de calcul des caractéristiques des données, qui quantifie la fiabilité des données selon trois paramètres statistiques calculés en comparant les jeux de données brutes et les prédictions LSTM. Les modèles ont été entraînés en utilisant des données collectées à partir de la station de traitement pilote installée à l'Université Laval et des données de suivi d'une StaRRE et des rivières acquises en partenariat avec le Service public de l'assainissement francilien (SIAAP) en France, où le produit logiciel final sera déployé. Les résultats présentés ont démontré de bonnes performances en ce qui concerne l'élimination des valeurs aberrantes et la quantification de la fiabilité pour la majorité des jeux de données testés. Un guide d'utilisation et des observations générales issues de toutes les études de cas ont été présentés dans les discussions écrites. / In wastewater resource recovery facilities (WRRF), it is common to utilize high-frequency sensors, enabling plant operators to monitor treatment processes in real-time and take proactive decisions to correct water quality as needed, if necessary. These sensors can also be employed to monitor river water quality, providing valuable data for effective river management. However, current studies and tools for data quality assessment are typically based on computational models that require manual tuning of their parameters. The objective of this master's project is to develop new tools by applying machine learning fundamentals that enable a computational model to tune itself, given sufficient data, while minimizing the need for expert intervention. A new model based on Long Short-Term Memory (LSTM) Artificial Neural Networks was developed, capable of detecting and replacing data outliers or small sensor failures, treating entire raw datasets throughout the monitoring process. This is followed by a data feature calculation step, which quantifies data reliability according to three statistical parameters calculated from the comparison of raw datasets and LSTM predictions. The models were trained using data collected from the pilot WRRF installed at Université Laval, and WRRF and river monitoring data acquired in partnership with the *Service public de l'assainissement francilien* (SIAAP) in France, where the final software product is to be deployed. The presented results demonstrated good performance regarding outlier removal and reliability quantification across the majority of datasets tested. A usage guideline and general observations from all case studies are presented in the written discussions.

L'objectif premier de cette étude vise à modéliser, à l'aide des réseaux de neurones, deux paramètres de qualité de l'eau : les nitrates et la matière en suspension. L'intérêt d'une telle simulation est de pouvoir développer un outil d'aide à la décision en matière de gestion des pratiques agricoles. Bien que les réseaux aient montré plus de difficulté à modéliser les MES que les N-NO3, ils ont réussi à approximer les signaux avec une précision suffisante pour le but poursuivi. Le deuxième objectif vise à vérifier si l'ajout de données de teneur en eau du sol améliore la prévision des débits et de comparer le gain apporté, à celui apporté par l'ajout d'un indice de teneur en eau. Les résultats montrent que la couche intermédiaire du sol apporte le gain de performance le plus important quoique l'indice de teneur en eau soit une alternative intéressante.

Les stations de mesure automatiques sont utilisées pour suivre et contrôler des usines de traitement des eaux usées. Ce suivi en continu à haute fréquence est devenu indispensable afin de réduire les impacts négatifs sur l’environnement car les caractéristiques de l’eau varient rapidement dans l’espace et dans le temps. Toutefois, même s’il y a eu des progrès considérables, ces dernières années, de la technologie de mesure, les instruments sont encore chers. Aussi des problèmes de colmatage, d’encrassement ou de mauvaise calibration sont assez fréquents à cause du contact avec les eaux usées. La fiabilité des mesures en ligne et en continu est affectée négativement. Par conséquent, un bon entretien des instruments est essentiel, ainsi que la validation des données collectées, afin de détecter d’éventuelles valeurs aberrantes. Dans le contexte de ce mémoire, en collaboration avec Bionest®, une méthodologie est proposée pour attaquer ces problèmes. Deux cas d’études en étangs aérés au Québec ont été considérés, avec l’objectif d’optimiser les activités d’entretien, de réduire les données non fiables et d’obtenir des grandes séries de données représentatives. / Automated monitoring stations have been used to monitor and control wastewater treatment plants. Their capability to monitor at high frequency has become essential to reduce the negative impacts to the environment since the wastewater characteristics have an elevated spatial and time variability. Over the last few years, the technology used to build these automatic monitoring stations, for example the sensors, has been improved. However, the instrumentation is still expensive. Also, in wastewater uses, basic problems like fouling, bad calibration or clogging are frequently affecting the reliability of the continuous on-line measurements. Thus, a good maintenance of the instruments, as well as a validation of the collected data to detect faults is required. In the context of this thesis, in collaboration with Bionest®, a methodology has been developed to deal with these problems for two facultative/aerated lagoon case studies in Québec, with the objective of optimizing the maintenance activities, of reducing the fraction of unreliable data and of obtaining large representative data series.