Estimation des tendances futures d'indicateurs de crue à partir d'indicateurs de variabilité climatique et la science de données

Gonzalez-Mora, Andrés F. (2026). Estimation des tendances futures d'indicateurs de crue à partir d'indicateurs de variabilité climatique et la science de données Thèse. Québec, Université du Québec, Institut national de la recherche scientifique, Doctorat en sciences de l'eau, 218 p.

PDF - Version publiée Document sous embargo jusqu'à 1 février 2027. Télécharger (61MB)

Résumé

L’intensification de la réponse hydrologique des rivières, due au réchauffement planétaire, a mis en évidence l’augmentation des crues dans diverses régions à travers le monde. Selon les conditions, ces événements contribuent largement aux inondations de vastes zones et engendrent des pertes considérables sur les plans environnemental, économique, et humain. La compréhension des facteurs jouant un rôle crucial dans la genèse des crues et des inondations, et leur anticipation à l’aide de méthodes fiables et robustes, représentent deux jalons du développement de stratégies de mitigation et d’adaptation face au changement climatique. Toutefois, ceux-ci demeurent difficiles à mettre en œuvre étant donné : (i) la disponibilité et la qualité des données dues à la rareté de ces événements, (ii) les interactions intrinsèques et complexes du système, et (iii) les défis et les incertitudes associés à la modélisation des débits de crue. À cet égard, cette thèse a pour objectif de proposer une approche simplifiée et robuste pour estimer les tendances d’indicateurs de crue issus de divers scénarios climatiques futurs, et ce à partir d’indicateurs de variabilité climatique à court terme dérivés de modèles numériques du climat. Cette thèse intègre trois activités de recherche présentés sous forme de chapitre. Le premier chapitre vise à estimer de manière indirecte ces tendances en considérant les interactions linéaires avec les facteurs déclencheurs influencés par le climat, lesquels sont évalués sur diverses périodes temporelles précédant l’occurrence de l’événement. Ces interactions sont identifiées à l’aide d’analyses de corrélations et de différents tests d’hypothèses. Le deuxième chapitre présente en détail l’intégration d’algorithmes d’apprentissage automatique ainsi que des outils pour interpréter leurs résultats afin d’exploiter et d’extraire les informations pertinentes des interactions non linéaires au sein de la relation climat-débit. Trois algorithmes d’apprentissage automatique ont servi à la modélisation des différents indicateurs hydrologiques de crue. Dans le cadre de l’élaboration des chapitres précédents, une méthode standard de correction du biais a été appliquée aux projections hydrologiques dans le but de réduire les erreurs systématiques. Néanmoins, cette méthode n’intégrait pas les interprétations appropriées concernant le biais dans les projections dérivées des modèles numériques du climat. Dans ce contexte, le troisième chapitre se concentre sur l’application d’une méthode de correction appliquée aux projections d’indicateurs de crue dans le but d’acquérir des données plus fiables et robustes, essentielles au développement du cadre de modélisation proposé dans cette thèse. La méthode intègre l’application de la régression linéaire multiple et de l’apprentissage bayésien pour quantifier le biais ainsi que l’incertitude associés aux indicateurs de crue sous divers scénarios climatiques. Pour démontrer toute sa pertinence, ce cadre de modélisation hydroclimatique est déployé sur une dizaine de bassins hydrographiques du Québec méridional.De ces travaux de thèse, il faut ressortir les constats suivants. L’estimation indirecte d’indicateurs de crues selon différents scénarios climatiques est réalisable, et ce grâce à la corrélation significative, qu’elle soit linéaire ou non linéaire, avec des indicateurs de variabilité climatique à court terme. Ces derniers ont été associés au régime des précipitations, à l’évapotranspiration ou à la température moyenne de surface, observés sur des périodes allant de quelques semaines à quelques mois précédant l’occurrence de l’événement. L’application de modèles d’apprentissage automatique dans le cadre de la modélisation constitue une alternative potentiellement efficace et envisageable pour représenter la dynamique d’indicateurs de crues, tout en considérant les indicateurs climatiques qui exercent une influence prépondérante sur la genèse des crues propres à la région d’intérêt. L’intégration de ces modèles met en lumière la possibilité d’incorporer d’autres indicateurs climatiques, tels que ceux relatifs aux processus dynamiques ou thermiques-dynamiques dans l’atmosphère. L’obtention de projections d’indicateurs crues théoriquement plus fiables et robustes peut être accomplie par l’application d’une méthode de correction qui intègre correctement les interprétations du biais associés aux projections climatiques, ainsi qu’un ensemble de modèles climatiques. Cette approche constitue également un point de départ pour l’exploration de la quantification du biais et de l’incertitude dans un cadre où les propriétés statistiques varient temporellement ou spatialement. D’une façon générale, le cadre de modélisation élaboré dans cette thèse met en valeur l’emploi d’alternatives de modélisation pour évaluer les tendances futures d’indicateurs de crue, ainsi que d’autres attributs comme l’amplitude ou la dispersion, en insistant sur l’exploitation des données provenant d’une seule source. Cela constitue un aspect essentiel dans les régions où la disponibilité de données issues de sources variées est restreinte. De surcroît, les retombées de cette thèse contribueront à notre compréhension des interactions entre la variabilité climatique et ces événements extrêmes, ainsi qu’à l’amélioration des systèmes de gestion de ressources hydriques, et à l’élaboration des plans d’adaptation et d’atténuation dans un contexte de changement climatique.

Type de document:	Thèse Thèse
Directeur de mémoire/thèse:	Rousseau, Alain N.
Co-directeurs de mémoire/thèse:	Foulon, Etienne
Mots-clés libres:	modélisation hydroclimatique; corrélations partielles; test d'hypothèse; test de la tendance; algorithmes d'apprentissage d'ensembles; régime de crues; techniques stochastiques; approches probabilistes; méthodes statistiques multivariées
Centre:	Centre Eau Terre Environnement
Date de dépôt:	27 oct. 2026 15:59
Dernière modification:	27 oct. 2026 15:59
URI:	https://espace.inrs.ca/id/eprint/17127

Gestion Actions (Identification requise)

Modifier la notice