Benyahya, Loubna; Caissie, Daniel; St-Hilaire, André; Ouarda, Taha B. M. J. et Bobée, Bernard (2007). A Review of Statistical Water Temperature Models. Canadian Water Resources Journal , vol. 32 , nº 3. pp. 179-192. DOI: 10.4296/cwrj3203179.
Ce document n'est pas hébergé sur EspaceINRS.Résumé
Étant donné l'importance de la température dans l'habitat aquatique, et étant donné les impacts humains actuels et potentiels sur le régime thermique des rivières, il s'avère nécessaire de développer des outils de gestion des ressources hydriques. Cet article propose une synthèse bibliographique des différents modèles utilisables pour la simulation ou la prévision de la température de l'eau. De nombreux modèles existent pour prédire la température de l'eau en fonction des conditions environnementales. Ils se regroupent essentiellement en deux grandes catégories: les modèles déterministes et les modèles statistiques/stochastiques. Les modèles déterministes de la température de l'eau nécessitent souvent un grand nombre d'intrants (e.g., couvert végétal, vitesse du vent, profondeur de la rivière) qui ne sont pas toujours disponibles. Alternativement, les modèles statistiques offrent l'avantage de nécessiter moins de données et un temps de développement habituellement moins long que les modèles déterministes. L'article réalise une étude comparative de l'application des différents modèles statistiques existant à savoir les modèles paramétriques (régression linéaire, non-lineaire, régression « Ridge », modèles périodiques, etc.) et les modèles non-paramétriques (Réseaux de Neurones Artificiels et les k-Voisins les plus proches). Tous ces modèles ont donné des résultats encourageants voire satisfaisants et il est difficile d'exhiber la supériorité d'un modèle particulier. On conclue en présentant les avantages et les limites des différents modèles.
Abstract
The use of statistical models to simulate or to predict stream water temperature is becoming an increasingly important tool in water resources and aquatic habitat management. This article provides an overview of the existing statistical water temperature models. Different models have been developed and used to analyze water temperature-environmental variables relationship. These are grouped into two major categories: deterministic and statistical/stochastic models. Generally, deterministic models require numerous input data (e.g., depth, amount of shading, wind velocity). Hence, they are more appropriate for analyzing different impact scenarios due to anthropogenic effects (e.g., presence of reservoirs, thermal pollution and deforestation). In contrast to the deterministic models, the main advantage of the statistical models is their relative simplicity and relative minimal data requirement. Parametric models such as linear and non-linear regression are popular methods often used for shorter time scales (e.g., daily, weekly). Ridge regression presents an advantage when the independent variables are highly correlated. The periodic models present advantages in dealing with seasonality that often exists in periodic time series. Non-parametric models (e.g., k-nearest neighbours, artificial neural networks) are better suited for analysis of nonlinear relationships between water temperature and environmental variables. Finally, advantages and disadvantages of existing models and studies are discussed.Type de document: | Article |
---|---|
Mots-clés libres: | anthropogenic effects; environmental variables; statistical models; water temperature |
Centre: | Centre Eau Terre Environnement |
Date de dépôt: | 11 janv. 2021 16:47 |
Dernière modification: | 11 janv. 2021 16:47 |
URI: | https://espace.inrs.ca/id/eprint/10926 |
Gestion Actions (Identification requise)
Modifier la notice |