Plusieurs modèles hydrologiques ont été développés au cours des dernières décennies. Un modèle hydrologique devrait être capable de représenter tous les bassins versants. Les performances des modèles dépendent des caractéristiques du bassin versant étudié; aucun modèle ne convient à toutes les tâches de modélisation. Cette thèse de doctorat a pour but de proposer une méthode de sélection de modèles parmi un grand nombre de candidats. Elle prend en compte : l'identification d'une banque de modèles performants pour des conditions climatiques différentes et la sélection de modèles appropriés selon les conditions climatiques du bassin versant (aride, tempéré ou continentale) et les objectifs de modélisation (débits élevés, moyens ou faibles). La recherche est basée sur 1446 modèles construits en utilisant l‘approche multistructure empirique (Ensemble Multistructure Framework, EMF) et 100 bassins versants états-uniens aux conditions climatiques diversifiées. L'objectif de cette étude est de valoriser les approches flexibles afin d'identifier des modèles performants pour une diversité de climats. La sélection des modèles est ainsi basée sur les performances individuelles de 1446 modèles en les comparant avec un modèle de référence (GR4J). Sur la base de cette étude, une banque de 80 modèles diversifiés, issus des 1446 modèles initiaux, a été proposée pour d‘autres applications. Pour évaluer l'impact du climat et de la métrique sur la performance du modèle, les 80 modèles présélectionnés ont été évalués sur les trois types de climat et sur les trois objectifs de modélisation. Cette étude propose au final quatre nouveaux modèles hydrologiques conceptuels, adaptés à des conditions climatiques et hydrologiques spécifiques. La modélisation hydrologique demeure imparfaite en raison d'un grand nombre d'incertitudes liées notamment à la description de la transformation pluie-débit par les structures du modèle hydrologique. L'approche multimodèle est une solution alternative, parce que la combinaison de modèles existants peut mener à de meilleurs résultats par rapport aux modèles individuels. La diversité des structures des modèles constitue souvent un des premiers principes du fonctionnement d‘un multimodèle de manière à compenser les erreurs et à améliorer les performances. Les 80 modèles présélectionnés et l'algorithme Backward Greedy Selection (BGS) sont ainsi utilisés afin de sélectionner l‘ensemble des modèles à combiner. Les tests ont été effectués sur six critères (MCRPS, KGEsqrt, Mlogs, NRD, PIT et RDmse). Les résultats montrent que l'optimisation par MCRPS est la plus intéressante. / Many hydrologic models were developed in the last few decades. They should be capable of simulating all of the catchments but, in practice, their performance is dependent on the geology and climate, so no model structure is suitable for all modeling tasks. This doctoral thesis aims at proposing a model selection method, from a grand pool of candidates, which accounts for the identification of a pool of successful models in diversified climates conditions and the selection of appropriate models for the catchment climatic conditions (arid, humid, and continental) and modeling objectives (high, medium and low flows). It is based on 1446 models constructed using the Ensemble Multistructure Framework (EMF) and 100 climatically diversified American catchments. The focus of this study is to value flexible modeling approaches to identify successful models for a variety of climates. The model selection is first based on the individual performance of the 1446 models, comparing them to a reference model (GR4J). A pool of 80 diversified models is then identified for further investigation. To evaluate the impact of climate and metric on model performance, the 80 preselected models are evaluated on the three types of climates and three modeling objectives. At the end, four new lumped conceptual hydrologic models are tailored for specific climate and flow conditions. Hydrological modeling remains imperfect due to a large number of uncertainties, particularly related to the description of rainfall-flow transformation by hydrological model structures. The multimodel approach is an alternative solution, because the combination of existing models gives better results than individual ones. The diversity of model structures touches one of the first principles of the operation of a multimodel is the compensation of the errors to improve the performances. The 80 preselected models and the Backward Greedy Selection (BGS) algorithm are then used to select the models set to combine. Tests are performed on six optimizations (MCRPS, KGEsqrt, Mlogs, NRD, PIT and RDmse). Results show that, the optimization by the MCRPS is most interesting when compare to other criterions.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/66670 |
| Date | 19 January 2021 |
| Creators | Kittavong, Sisouvanh |
| Contributors | Anctil, François |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | thèse de doctorat, COAR1_1::Texte::Thèse::Thèse de doctorat |
| Format | 1 ressource en ligne (xiv, 128 pages), application/pdf |
| Coverage | États-Unis. |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0735 seconds