Dépôt numérique
RECHERCHER

Suspended sediment dynamics in a tributary of the Saint John River, New Brunswick.

Higgins, Hélène; St-Hilaire, André; Courtenay, Simon C.; Haralampides, Katy A. (2011). Suspended sediment dynamics in a tributary of the Saint John River, New Brunswick. Canadian Journal of Civil Engineering , vol. 38 , nº 2. p. 221-232. DOI: 10.1139/L10-129.

Ce document n'est pas hébergé sur EspaceINRS.

Résumé

Des données hydrométéorologiques et de concentration de sédiments en suspension (CSS) historiques de la rivière Kennebecasis, un tributaire du fleuve Saint John au Nouveau Brunswick, Canada, ont été examinées afin de déterminer les contrôles sur les fortes années de transport de sédiments dans ce système hydrique. L’analyse de corrélations entre les CSS and des variables explicatives potentielles à divers pas de temps suggère que des régressions multiples ne seraient pas optimales à cette fin, et que le décalage entre les pics de débit (Q), les précipitations et les CSS doit être pris en compte. Une analyse fréquentielle incluant les maximums annuels de CSS, Q et d’évènements de précipitation a révélé qu’il n’existe pas d’explication unique aux évènements extrêmes de CSS ou aux charges sédimentaires annuelles. Enfin, deux réseaux de neurones artificiels (RNA) ont été développés pour vérifier si les mêmes variables étudiées précédemment produisent de meilleurs résultats dans un contexte non-linéaire. Les résultats obtenus en utilisant la température moyenne, Q, Q(t–1), Q(t–2) et le jour julien comme intrants, pour estimer la charge journalière sont satisfaisants, avec 88 % de la variance expliquée ainsi qu’une déviation moyenne absolue de 16 % entre les charges annuelles calculées et estimées par le modèle.

Abstract

Historical hydrometeorological and suspended sediment concentration (SSC) data from the Kennebecasis River, a tributary of the Saint John River in New Brunswick, Canada, were investigated to help understand what drives high sediment transport in that system. Analysis of correlation coefficients between SSC and potential drivers at various time steps suggested that multiple regressions would not be optimal for this purpose, and that lagged flow (Q) and precipitation should be taken into account in any model. A frequency analysis involving annual maxima of SSC, Q, and precipitation events revealed there is no systematic unique driver of extreme annual SSC or high annual loads. Finally, artificial neural network (ANN) models were developed to verify whether the variables examined previously would yield better results in a nonlinear context. Network inputs were mean temperature, Q, Q(t–1), Q(t–2), and day-of-year. Using daily loads directly as a target in the network yielded satisfactory results, with 88% of the variance explained by the model and a mean absolute deviation between estimated and real annual loads of 16%. The ANN model systematically outperformed multiple linear regressions.

Type de document: Article
Mots-clés libres: sédiments en suspension; corrélation; analyse fréquentielle; réseaux de neurones artificiels; suspended sediment; correlation; frequency analysis; artificial neural networks
Centre: Centre Eau Terre Environnement
Date de dépôt: 08 janv. 2021 15:46
Dernière modification: 08 janv. 2021 15:46
URI: http://espace.inrs.ca/id/eprint/10648

Actions (Identification requise)

Modifier la notice Modifier la notice