Ce travail est la fusion de deux projets de recherche complémentaires et contribue à l'approfondissement des connaissances dans les domaines des mesures de précipitation solide et dans la stratégie de modélisation hydrologique en milieu forestier boréal. Toutes les données utilisées pour ces travaux proviennent de la forêt Montmorency, qui est la forêt d’enseignement et de recherche de l’Université Laval située à Québec. Les incertitudes liées aux simulations des débits des bassins versants par les outils de modélisation hydrologiques dépendent du choix du modèle considéré, mais sont aussi liées à la qualité des données météorologiques entrantes. Il est question ici de tout d’abord quantifier les incertitudes reliées aux mesures de précipitation solide, ensuite proposer une méthode d’ajustement novatrice, et enfin une stratégie de modélisation hydrologique en milieu forestier boréal. L’élaboration d’une base de données météorologique regroupant 15 types de précipitomètres, dont deux référents mondiaux, a été réalisée grâce notamment à la mise en place du site météorologique Neige, déployé depuis 2014. Concernant les incertitudes des mesures liées au phénomène de sous-captation de précipitation solide, des approches déterministes historiques de débiaisage des données sont tout d’abord évaluées. Les résultats démontrent un biais initial moyen d’environ 30%, et une surestimation rémanente des quantités de précipitation après ajustement. Une approche probabiliste est ensuite proposée, et les résultats montrent un biais moyen divisé par 5 après application de la méthode. Enfin, des analyses de sensibilités des paramètres des modèles hydrologiques ainsi que de leurs performances face aux variations des données de précipitation solide sont réalisées sur un ensemble de 20 modèles conceptuels à partir de la base de données hydrologique du bassin versant appelé le Haut Montmorency. Cette étude permet finalement de mettre en évidence que le biais de mesure d’équivalent en eau du manteau nival pourrait influencer la qualité des bilans hydriques des bassins versants dans certaines conditions. Ainsi, une analyse de sensibilité des modèles hydrologiques rigoureuse a permis de mettre en évidence qu’un ajustement des données de précipitation solide est nécessaire en amont de la calibration conjointement à l’utilisation des modèles. L’originalité de ces travaux dépend principalement de l’exceptionnalité des sites d’études mais aussi de la qualité du travail des techniciens en observation météorologique et la coopération d’un grand nombre de partenaires privés et publics. / This work joins two complementary research projects and contributes to improve the knowledge on solid precipitation measurements and hydrological modelling strategy in the boreal forest environment. All the data used in this work comes from the Montmorency Forest, which is the teaching and research forest of Université Laval located in Quebec. The uncertainty related to flows forecast by hydrological models depends on the choice of the model, but are also linked to the quality of incoming meteorological data. This work aims first to quantify uncertainties related to solid precipitation measurements, then to propose an innovative method of adjustment and finally to establish a hydrological modelling strategy for the boreal forest environment. The development of a large meteorological database, including data from two world reference instruments, was done thanks to the Neige site deployed since 2014. Regarding uncertainties related to the solid precipitation undercatch phenomenon, five deterministic approaches from the literature are first evaluated. Results show that the initial bias is 30% on average and there is still an overestimation of the solid precipitation quantity after a deterministic adjustment. A probabilistic approach is developed and results show that the bias is divided by 5 on average. Finally, sensitivity analysis of hydrological models’ parameters, and their performance facing different solid precipitation quantities, is done on a set of 20 conceptual models based on the hydrological database of the catchment area called the HautMontmorency. This study highlights that the snow water equivalent measurement bias of the snowpack could influence the quality of water balances in the catchment under certain conditions. A deep sensitivity analysis of hydrological models showed that an adjustment of the solid precipitation was required prior to their calibration. The originality of this thesis depends on the exceptional studied sites, the quality of technicians work and the collaboration of numerous public and private partners.

River streamflow forecasting is traditionally based on real-time measurements of rainfall over catchments and discharge at the outlet and upstream. These data are processed in mathematical models of varying complexity and allow to obtain accurate predictions for short times. In order to extend the forecast horizon to a few days - to be able to issue early warning - it is necessary to take into account the weather forecasts. However, the latter display the property of sensitivity to initial conditions, and for appropriate risk management, forecasts should therefore be considered in probabilistic terms. Currently, ensemble predictions are made using a numerical weather prediction model with perturbed initial conditions and allow to assess uncertainty. <p><p>The research began by analyzing the meteorological predictions at the medium-range (up to 10-15 days) and their use in hydrological forecasting. Precipitation from the ensemble prediction system of the European Centre for Medium-Range Weather Forecasts (ECMWF) were used. A semi-distributed hydrological model was used to transform these precipitation forecasts into ensemble streamflow predictions. The performance of these forecasts was analyzed in probabilistic terms. A simple decision model also allowed to compare the relative economic value of hydrological ensemble predictions and some deterministic alternatives. <p><p>Numerical weather prediction models are imperfect. The ensemble forecasts are therefore affected by errors implying the presence of biases and the unreliability of probabilities derived from the ensembles. By comparing the results of these predictions to the corresponding observed data, a statistical model for the correction of forecasts, known as post-processing, has been adapted and shown to improve the performance of probabilistic forecasts of precipitation. This approach is based on retrospective forecasts made by the ECMWF for the past twenty years, providing a sufficient statistical sample. <p><p>Besides the errors related to meteorological forcing, hydrological forecasts also display errors related to initial conditions and to modeling errors (errors in the structure of the hydrological model and in the parameter values). The last stage of the research was therefore to investigate, using simple models, the impact of these different sources of error on the quality of hydrological predictions and to explore the possibility of using hydrological reforecasts for post-processing, themselves based on retrospective precipitation forecasts. <p>/<p>La prévision des débits des rivières se fait traditionnellement sur la base de mesures en temps réel des précipitations sur les bassins-versant et des débits à l'exutoire et en amont. Ces données sont traitées dans des modèles mathématiques de complexité variée et permettent d'obtenir des prévisions précises pour des temps courts. Pour prolonger l'horizon de prévision à quelques jours – afin d'être en mesure d'émettre des alertes précoces – il est nécessaire de prendre en compte les prévisions météorologiques. Cependant celles-ci présentent par nature une dynamique sensible aux erreurs sur les conditions initiales et, par conséquent, pour une gestion appropriée des risques, il faut considérer les prévisions en termes probabilistes. Actuellement, les prévisions d'ensemble sont effectuées à l'aide d'un modèle numérique de prévision du temps avec des conditions initiales perturbées et permettent d'évaluer l'incertitude.<p><p>La recherche a commencé par l'analyse des prévisions météorologiques à moyen-terme (10-15 jours) et leur utilisation pour des prévisions hydrologiques. Les précipitations issues du système de prévisions d'ensemble du Centre Européen pour les Prévisions Météorologiques à Moyen-Terme ont été utilisées. Un modèle hydrologique semi-distribué a permis de traduire ces prévisions de précipitations en prévisions d'ensemble de débits. Les performances de ces prévisions ont été analysées en termes probabilistes. Un modèle de décision simple a également permis de comparer la valeur économique relative des prévisions hydrologiques d'ensemble et d'alternatives déterministes.<p><p>Les modèles numériques de prévision du temps sont imparfaits. Les prévisions d'ensemble sont donc entachées d'erreurs impliquant la présence de biais et un manque de fiabilité des probabilités déduites des ensembles. En comparant les résultats de ces prévisions aux données observées correspondantes, un modèle statistique pour la correction des prévisions, connue sous le nom de post-processing, a été adapté et a permis d'améliorer les performances des prévisions probabilistes des précipitations. Cette approche se base sur des prévisions rétrospectives effectuées par le Centre Européen sur les vingt dernières années, fournissant un échantillon statistique suffisant.<p><p>A côté des erreurs liées au forçage météorologique, les prévisions hydrologiques sont également entachées d'erreurs liées aux conditions initiales et aux erreurs de modélisation (structure du modèle hydrologique et valeur des paramètres). La dernière étape de la recherche a donc consisté à étudier, à l'aide de modèles simples, l'impact de ces différentes sources d'erreur sur la qualité des prévisions hydrologiques et à explorer la possibilité d'utiliser des prévisions hydrologiques rétrospectives pour le post-processing, elles-même basées sur les prévisions rétrospectives des précipitations. / Doctorat en Sciences / info:eu-repo/semantics/nonPublished