{"id":{"repo_id":"sherbrooke","oai_identifier":"oai:usherbrooke.scholaris.ca:11143/19812"},"canonical_url":"https://search.dev.ndltd.org/etd/sherbrooke/oai:usherbrooke.scholaris.ca:11143/19812","repository":{"repo_id":"sherbrooke","name":"Université de Sherbrooke","base_url":"https://usherbrooke.scholaris.ca/server/oai/request"},"display":{"title":"Prévision hydrologique à court terme par réseaux de neurones artificiels pour différentes combinaisons, spatialisations et sources des intrants.","abstract":"Le potentiel de l’utilisation des réseaux de neurones artificiels en prévision hydrologique à court terme (un à sept jours à l’avance) a été démontré dans plusieurs études. Toutefois, les exemples d’utilisation en opérationnel restent limités et la compréhension de l’intérêt de plusieurs variables d’intrants au modèle pas encore entièrement déterminée. Le rôle de la spatialisation des intrants dans ce type de modèle n’est pas connu. Cette thèse examine le rôle de différents intrants, de leur discrétisation spatiale à un modèle de prévision hydrologique à court terme. Elle vise également à confronter différentes sources de données utilisées comme intrants au modèle. Le modèle de réseaux de neurones développé est un modèle à rétropropagation avec une couche cachée à six neurones. Quatre bassins versants situés en Nouvelle Angleterre (Androscoggin et Susquehanna) ou dans le sud du Québec (Au saumon et Magog) servent de cas d’étude pour faire la prévision durant l’été, défini du 1er mai au 31 octobre. Le modèle de prévision hydrologique vise à prévoir le débit au pas de temps journalier. Au minimum une variable météorologique et une variable d’état sont utilisées comme intrants au modèle ; la variable d’état est aussi mise à jour à chaque pas de temps en étant une sortie du modèle. Deux environnements de travail sont exploités. L’environnement virtuel sert à identifier les variables d’intrants et la spatialisation les plus pertinentes pour la prévision hydrologique à court terme sur les bassins à l’étude. Le modèle hydrologique à base physique HYDROTEL est utilisé pour générer des séries de pseudo-observations hydrométéorologiques sur chaque site d’étude. Les expériences menées dans cet environnement virtuel révèlent que la meilleure configuration d’intrants utilise la température, la précipitation, l’humidité du sol en surface et le débit. De plus, elles révèlent que les modèles global et spatialisé ont des résultats équivalents. Basé sur les résultats obtenus en environnement virtuel, l’environnement réel utilise des données d’observations pour le débit et l’humidité et des données de réanalyses de température et de précipitation pour la météo. Les résultats montrent un réel potentiel dans l’utilisation d’un réseau de mesure in situ de l’humidité au sol pour faire de la prévision hydrologique. En revanche, la qualité des prévisions est très réduite pour les faibles débits.","abstract_html":"Le potentiel de l’utilisation des réseaux de neurones artificiels en prévision hydrologique à court terme (un à sept jours à l’avance) a été démontré dans plusieurs études. Toutefois, les exemples d’utilisation en opérationnel restent limités et la compréhension de l’intérêt de plusieurs variables d’intrants au modèle pas encore entièrement déterminée. Le rôle de la spatialisation des intrants dans ce type de modèle n’est pas connu. Cette thèse examine le rôle de différents intrants, de leur discrétisation spatiale à un modèle de prévision hydrologique à court terme. Elle vise également à confronter différentes sources de données utilisées comme intrants au modèle. Le modèle de réseaux de neurones développé est un modèle à rétropropagation avec une couche cachée à six neurones. Quatre bassins versants situés en Nouvelle Angleterre (Androscoggin et Susquehanna) ou dans le sud du Québec (Au saumon et Magog) servent de cas d’étude pour faire la prévision durant l’été, défini du 1er mai au 31 octobre. Le modèle de prévision hydrologique vise à prévoir le débit au pas de temps journalier. Au minimum une variable météorologique et une variable d’état sont utilisées comme intrants au modèle ; la variable d’état est aussi mise à jour à chaque pas de temps en étant une sortie du modèle. Deux environnements de travail sont exploités. L’environnement virtuel sert à identifier les variables d’intrants et la spatialisation les plus pertinentes pour la prévision hydrologique à court terme sur les bassins à l’étude. Le modèle hydrologique à base physique HYDROTEL est utilisé pour générer des séries de pseudo-observations hydrométéorologiques sur chaque site d’étude. Les expériences menées dans cet environnement virtuel révèlent que la meilleure configuration d’intrants utilise la température, la précipitation, l’humidité du sol en surface et le débit. De plus, elles révèlent que les modèles global et spatialisé ont des résultats équivalents. Basé sur les résultats obtenus en environnement virtuel, l’environnement réel utilise des données d’observations pour le débit et l’humidité et des données de réanalyses de température et de précipitation pour la météo. Les résultats montrent un réel potentiel dans l’utilisation d’un réseau de mesure in situ de l’humidité au sol pour faire de la prévision hydrologique. En revanche, la qualité des prévisions est très réduite pour les faibles débits.","abstract_has_math":false,"creators":["Jougla, Renaud"],"institution":"Université de Sherbrooke","degree_name":"Ph. D.","degree_level":"Doctorat","degree_discipline":"Génie civil","degree_department":null,"school":null,"contributors":[],"advisors":["Leconte, Robert"],"committee_chairs":[],"committee_members":[],"year":2022,"date_issued":"2022","date_published":"2022","updated_at":"2026-07-27T21:07:45Z","subjects":["Prévision hydrologique","Réseaux de neurones artificiels","Débit","Humidité du sol"],"languages":["fr","en"],"rights":[],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/11143/19812","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Leconte, Robert"]},{"key":"dc:creator","label":"Author","values":["Jougla, Renaud"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2022-10-25T13:50:44Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2022-10-25T13:50:44Z"]},{"key":"dc:date.issued","label":"Date","values":["2022"]},{"key":"dc:publisher","label":"Institution","values":["Université de Sherbrooke"]},{"key":"dc:type","label":"Dc Type","values":["Thèse de doctorat"]},{"key":"thesis:degree_discipline","label":"Discipline","values":["Génie civil"]},{"key":"thesis:degree_level","label":"Degree Level","values":["Doctorat"]},{"key":"thesis:degree_name","label":"Degree Name","values":["Ph. D."]},{"key":"thesis:institution_name","label":"Thesis Institution Name","values":["Université de Sherbrooke"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Prévision hydrologique","Réseaux de neurones artificiels","Débit","Humidité du sol"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["fr","en"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/11143/19812"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Le potentiel de l’utilisation des réseaux de neurones artificiels en prévision hydrologique à court terme (un à sept jours à l’avance) a été démontré dans plusieurs études. Toutefois, les exemples d’utilisation en opérationnel restent limités et la compréhension de l’intérêt de plusieurs variables d’intrants au modèle pas encore entièrement déterminée. Le rôle de la spatialisation des intrants dans ce type de modèle n’est pas connu. Cette thèse examine le rôle de différents intrants, de leur discrétisation spatiale à un modèle de prévision hydrologique à court terme. Elle vise également à confronter différentes sources de données utilisées comme intrants au modèle. Le modèle de réseaux de neurones développé est un modèle à rétropropagation avec une couche cachée à six neurones. Quatre bassins versants situés en Nouvelle Angleterre (Androscoggin et Susquehanna) ou dans le sud du Québec (Au saumon et Magog) servent de cas d’étude pour faire la prévision durant l’été, défini du 1er mai au 31 octobre. Le modèle de prévision hydrologique vise à prévoir le débit au pas de temps journalier. Au minimum une variable météorologique et une variable d’état sont utilisées comme intrants au modèle ; la variable d’état est aussi mise à jour à chaque pas de temps en étant une sortie du modèle. Deux environnements de travail sont exploités. L’environnement virtuel sert à identifier les variables d’intrants et la spatialisation les plus pertinentes pour la prévision hydrologique à court terme sur les bassins à l’étude. Le modèle hydrologique à base physique HYDROTEL est utilisé pour générer des séries de pseudo-observations hydrométéorologiques sur chaque site d’étude. Les expériences menées dans cet environnement virtuel révèlent que la meilleure configuration d’intrants utilise la température, la précipitation, l’humidité du sol en surface et le débit. De plus, elles révèlent que les modèles global et spatialisé ont des résultats équivalents. Basé sur les résultats obtenus en environnement virtuel, l’environnement réel utilise des données d’observations pour le débit et l’humidité et des données de réanalyses de température et de précipitation pour la météo. Les résultats montrent un réel potentiel dans l’utilisation d’un réseau de mesure in situ de l’humidité au sol pour faire de la prévision hydrologique. En revanche, la qualité des prévisions est très réduite pour les faibles débits."]},{"key":"dc:title","label":"Title","values":["Prévision hydrologique à court terme par réseaux de neurones artificiels pour différentes combinaisons, spatialisations et sources des intrants."]}]}],"canonical_facts":{"dc:contributor.advisor":["Leconte, Robert"],"dc:creator":["Jougla, Renaud"],"dc:date.accessioned":["2022-10-25T13:50:44Z"],"dc:date.available":["2022-10-25T13:50:44Z"],"dc:date.issued":["2022"],"dc:description.abstract":["Le potentiel de l’utilisation des réseaux de neurones artificiels en prévision hydrologique à court terme (un à sept jours à l’avance) a été démontré dans plusieurs études. Toutefois, les exemples d’utilisation en opérationnel restent limités et la compréhension de l’intérêt de plusieurs variables d’intrants au modèle pas encore entièrement déterminée. Le rôle de la spatialisation des intrants dans ce type de modèle n’est pas connu. Cette thèse examine le rôle de différents intrants, de leur discrétisation spatiale à un modèle de prévision hydrologique à court terme. Elle vise également à confronter différentes sources de données utilisées comme intrants au modèle. Le modèle de réseaux de neurones développé est un modèle à rétropropagation avec une couche cachée à six neurones. Quatre bassins versants situés en Nouvelle Angleterre (Androscoggin et Susquehanna) ou dans le sud du Québec (Au saumon et Magog) servent de cas d’étude pour faire la prévision durant l’été, défini du 1er mai au 31 octobre. Le modèle de prévision hydrologique vise à prévoir le débit au pas de temps journalier. Au minimum une variable météorologique et une variable d’état sont utilisées comme intrants au modèle ; la variable d’état est aussi mise à jour à chaque pas de temps en étant une sortie du modèle. Deux environnements de travail sont exploités. L’environnement virtuel sert à identifier les variables d’intrants et la spatialisation les plus pertinentes pour la prévision hydrologique à court terme sur les bassins à l’étude. Le modèle hydrologique à base physique HYDROTEL est utilisé pour générer des séries de pseudo-observations hydrométéorologiques sur chaque site d’étude. Les expériences menées dans cet environnement virtuel révèlent que la meilleure configuration d’intrants utilise la température, la précipitation, l’humidité du sol en surface et le débit. De plus, elles révèlent que les modèles global et spatialisé ont des résultats équivalents. Basé sur les résultats obtenus en environnement virtuel, l’environnement réel utilise des données d’observations pour le débit et l’humidité et des données de réanalyses de température et de précipitation pour la météo. Les résultats montrent un réel potentiel dans l’utilisation d’un réseau de mesure in situ de l’humidité au sol pour faire de la prévision hydrologique. En revanche, la qualité des prévisions est très réduite pour les faibles débits."],"dc:identifier.uri":["http://hdl.handle.net/11143/19812"],"dc:language.iso":["fr","en"],"dc:publisher":["Université de Sherbrooke"],"dc:subject":["Prévision hydrologique","Réseaux de neurones artificiels","Débit","Humidité du sol"],"dc:title":["Prévision hydrologique à court terme par réseaux de neurones artificiels pour différentes combinaisons, spatialisations et sources des intrants."],"dc:type":["Thèse de doctorat"],"thesis:degree_discipline":["Génie civil"],"thesis:degree_level":["Doctorat"],"thesis:degree_name":["Ph. D."],"thesis:institution_name":["Université de Sherbrooke"]},"updated_at":"2026-07-27T21:07:45Z"}