Centre Eau Terre Environnement
490, rue de la Couronne
INRS-ETE
Québec
Québec, Canada
G1K 9A9
5813970044 poste 1
MADAENIF@GMAIL.COM
Dans les régions froides, les embâcles entraînent de graves inondations en raison d'une montée rapide du niveau des eaux en amont de l'embâcle. Ces inondations menacent la sécurité humaine et endommagent les propriétés et les infrastructures, car les inondations résultant des embâcles sont soudaines. Par conséquent, les outils de prédiction des embâcles peuvent donner une alerte précoce afin d'augmenter le temps de réponse et de minimiser les éventuels dommages correspondants. Cependant, la prédiction des embâcles a toujours été un problème difficile, car il n'existe pas de méthode analytique disponible à cet effet.
Ce projet fait partie d'un projet appelé DAVE, qui vise à développer un outil pour fournir des veilles et des alertes régionales d'embâcles, basé sur l'intégration de trois aspects: les conditions actuelles de la couverture de glace; les modèles hydro-météorologiques associés aux embâcles de débâcle et la prédisposition des canaux à la formation d'embâcles. Les résultats des tâches précédentes seront utilisés pour développer un module de surveillance et d'alerte des embâcles et pour transférer les connaissances acquises aux utilisateurs finaux afin de mieux gérer le risque d'embâcles. L'objectif de cette recherche est de développer des modèles d'apprentissage profond pour prédire les événements de rupture d'embâcles afin de les utiliser comme système d'alerte précoce d'une éventuelle inondation. Alors que la plupart des recherches sur le TSC (Time Series Classification) en apprentissage profond sont effectuées sur des canaux 1D, nous proposons des cadres d'apprentissage profond de TSC multivariée pour la prédiction des embâcles
La base de données sur les embâcles est fournie par le ministère de la Sécurité publique du Québec (MSPQ; Données Québec, 2021) pour 150 rivières du Québec, principalement dans le bassin versant du Saint-Laurent. Cette base de données provient des rapports d'événements numériques ou papier des autorités locales sous la juridiction du MSPQ de 1985 à 2014. De plus, certaines autres données de cette base sont fournies par les observations de terrain de l'application Vigilance/Inondation de 2013 à 2019. Elle contient 995 événements d'embâcles enregistrés qui ne sont pas validés et comportent de nombreuses inexactitudes, principalement dans la toponymie des rivières, la localisation, la datation et la redondance des événements d'embâcles.
Les données d'entrée que nous avons utilisées dans cette étude sont l'historique des embâcles ou l'absence d'embâcle ainsi que des variables hydro-météorologiques incluant les précipitations liquides (mm), les températures min et max (°C), l'AFDD (depuis le 1er août; °C), l'ATDD (depuis le 1er janvier; °C), l'épaisseur de la neige (cm) et le rayonnement net (W m-2) dans 150 rivières du Québec. Le rayonnement solaire net, soit l'énergie totale disponible pour influencer le climat, est calculé comme la différence entre l'énergie entrante et l'énergie sortante. Si la température médiane est supérieure à 1, les précipitations sont considérées comme des précipitations liquides. Nous avons développé quelques méthodes d'apprentissage automatique (par exemple, SVM, KNN, arbre de décision et perceptron multicouche) et comparé leurs résultats avec ceux des modèles d'apprentissage profond.
Tous les modèles d'apprentissage profond développés ont plutôt bien fonctionné et ont obtenu des résultats bien meilleurs que les modèles d'apprentissage automatique développés pour la prédiction des embâcles au Québec. La comparaison des résultats montre que le modèle CNN-LSTM est supérieur aux réseaux CNN seul et LSTM seul pour la précision de validation et de test, bien que les modèles LSTM et CNN démontrent une assez bonne performance.
Madaeni, F., Lhissou, R., Chokmani, K., Raymond, S., Gauthier, Y., Tanguy, M., 2020. Ice jam formation, breakup and prediction methods based on hydroclimatic data using artificial intelligence: A review. Cold Regions Science and Technology, 174, 103032. DOI: 10.1016/j.coldregions.2020.103032.