{"id":{"repo_id":"sherbrooke","oai_identifier":"oai:usherbrooke.scholaris.ca:11143/22104"},"canonical_url":"https://search.dev.ndltd.org/etd/sherbrooke/oai:usherbrooke.scholaris.ca:11143/22104","repository":{"repo_id":"sherbrooke","name":"Université de Sherbrooke","base_url":"https://usherbrooke.scholaris.ca/server/oai/request"},"display":{"title":"Improving ensemble streamflow forecasts through targeted post-processing and rating curve uncertainty analysis","abstract":"La prévision des crues joue un rôle essentiel dans la gestion efficace des ressources en eau et l'atténuation des risques d9inondation. Malgré les avancées récentes, les systèmes de prévision d'ensemble existants sont souvent confrontés à des problèmes de fiabilité et de sous-dispersion. L'incertitude dans les prévisions d'ensemble peut provenir de diverses sources, y compris les intrants tels que les précipitations, la température et le débit, ainsi que des conditions initiales, de la structure et des paramètres du modèle et des conditions aux limites. Au cours des deux dernières décennies, de nombreux efforts ont été faits pour tenir compte des biais et de la sousdispersion par l'introduction de diverses méthodes de post-traitement statistique dans les prévisions météorologiques et hydrologiques. Cependant, un défi majeur réside dans le choix de la méthode et de la stratégie appropriées dans la chaîne de prévision. Peu de recherches ont abordé l'intégration du pré-traitement et du post-traitement dans les prévisions d'ensemble des débits. De plus, les études existantes se sont généralement concentrées sur les modèles hydrologiques globaux, tandis que les performances de cette intégration dans les modèles hydrologiques distribués restent peu examinées. D'autre part, les données de débit, souvent mesurées indirectement par des courbes de tarage, sont particulièrement sujettes aux erreurs. Bien que diverses méthodes aient été proposées pour estimer l'incertitude des courbes de tarage (RCU, rating curve uncertainty), l'impact de la RCU sur les performances des systèmes de prévision des débits fluviaux reste peu exploré. En outre, les méthodes de post-traitement actuelles utilisées dans les systèmes de prévision des débits ont négligé l'incertitude inhérente aux données d'observation des débits. Ainsi, cette thèse examine le potentiel et les obstacles associés à la prise en compte de différentes sources d'incertitude dans les systèmes de prévision des crues et leur impact sur les performances du système. Les principaux objectifs incluent 1) l'évaluation et l'identification des scénarios optimaux de pré-traitement des prévisions de température et de précipitations et des approches de post-traitement des prévisions de débits fluviaux, ou d'une combinaison de ceux-ci, et 2) l'évaluation de la prise en compte de l'incertitude des courbes de tarage sur les performances du système de prévision des crues en les intégrant dans des méthodologies de post-traitement ciblées. La thèse se concentre sur un cadre de prévision d'ensemble des débits à court terme couvrant des périodes de 1 à 5 jours pour le bassin versant de la rivière au Saumon dans le sud du Québec, Canada. Ce bassin versant, sujet aux inondations, a rencontré des défis significatifs lors des événements de crue de 2019 et 2017, notamment des inondations généralisées, des fermetures de routes et des dommages aux biens et aux infrastructures. Améliorer les prévisions d'ensemble des débits et mettre à niveau les systèmes de prévision des crues pourrait grandement bénéficier aux décideurs et à la population locale. Le chapitre 4 (Résultats partie 1), présenté sous forme d'article scientifique, se penche ainsi sur l'évaluation et l'utilisation de divers scénarios de stratégies de pré- et post-traitement dans le cadre de prévision des crues en utilisant un modèle hydrologique spatialement distribué. En appliquant différentes techniques de traitement statistique et de correction des biais, les performances et la qualité des prévisions d'ensemble des débits ont été évaluées à travers différents scénarios. Les résultats mettent en évidence les biais et la sous-dispersion comme des facteurs significatifs affectant les prévisions d'ensemble brutes. Le pré-traitement améliore partiellement les prévisions brutes mais ne corrige pas complètement les biais dans les prévisions d'ensemble sous-dispersées. La combinaison du pré- et du post-traitement améliore la performance et la fiabilité des prévisions, bien que certaines variations soient observées par rapport au post-traitement seul. L'intégration des événements de crue dans le jeu de données d'entraînement et l'optimisation de sa longueur améliorent l'efficacité des méthodes de traitement, soulignant le rôle crucial des stratégies de gestion des données pour renforcer les systèmes de prévision des débits. Ensuite, le chapitre 5 (Résultats partie 2) évalue la prise en compte de l'incertitude des courbes de tarage, dérivée des méthodes d'estimation du Voting Point Method (VPM) et du Bayesian Rating curve (BaRatin), sur les performances des prévisions d'ensemble des débits en l'intégrant dans une approche de post-traitement ciblée utilisant les méthodes de post-traitement Weighted Ensemble Dressing (WED) et Cumulative Distribution Function Matching (CDFM). Le post-traitement sans RCU améliore la performance et la fiabilité du système de prévision, mais néglige l'incertitude inhérente aux données d'observation, posant des préoccupations quant à son efficacité. À l'inverse, l'intégration de la RCU améliore la compétence des prévisions, leur fiabilité et aborde efficacement l'incertitude des données d'observation, offrant un avantage notable par rapport aux méthodes de post-traitement traditionnelles. La comparaison des méthodes de post-traitement WED et CDFM a mis en évidence des différences subtiles dans les résultats des prévisions, influencées par les techniques d'estimation de l'incertitude. Les deux méthodes ont montré des métriques d9exactitude favorables, l'intégration de la RCU, en particulier à partir du VPM, améliorant notablement la qualité des prévisions. Cependant, les variations de la RCU provenant de différentes méthodes d'estimation peuvent conduire à une sous-estimation ou une surestimation des prévisions, nécessitant une considération attentive. Ces résultats éclairent collectivement sur le potentiel et les défis associés à l'incorporation de différentes sources d'incertitude dans les systèmes de prévision des crues.","abstract_html":"La prévision des crues joue un rôle essentiel dans la gestion efficace des ressources en eau et l'atténuation des risques d9inondation. Malgré les avancées récentes, les systèmes de prévision d'ensemble existants sont souvent confrontés à des problèmes de fiabilité et de sous-dispersion. L'incertitude dans les prévisions d'ensemble peut provenir de diverses sources, y compris les intrants tels que les précipitations, la température et le débit, ainsi que des conditions initiales, de la structure et des paramètres du modèle et des conditions aux limites. Au cours des deux dernières décennies, de nombreux efforts ont été faits pour tenir compte des biais et de la sousdispersion par l'introduction de diverses méthodes de post-traitement statistique dans les prévisions météorologiques et hydrologiques. Cependant, un défi majeur réside dans le choix de la méthode et de la stratégie appropriées dans la chaîne de prévision. Peu de recherches ont abordé l'intégration du pré-traitement et du post-traitement dans les prévisions d'ensemble des débits. De plus, les études existantes se sont généralement concentrées sur les modèles hydrologiques globaux, tandis que les performances de cette intégration dans les modèles hydrologiques distribués restent peu examinées. D'autre part, les données de débit, souvent mesurées indirectement par des courbes de tarage, sont particulièrement sujettes aux erreurs. Bien que diverses méthodes aient été proposées pour estimer l'incertitude des courbes de tarage (RCU, rating curve uncertainty), l'impact de la RCU sur les performances des systèmes de prévision des débits fluviaux reste peu exploré. En outre, les méthodes de post-traitement actuelles utilisées dans les systèmes de prévision des débits ont négligé l'incertitude inhérente aux données d'observation des débits. Ainsi, cette thèse examine le potentiel et les obstacles associés à la prise en compte de différentes sources d'incertitude dans les systèmes de prévision des crues et leur impact sur les performances du système. Les principaux objectifs incluent 1) l'évaluation et l'identification des scénarios optimaux de pré-traitement des prévisions de température et de précipitations et des approches de post-traitement des prévisions de débits fluviaux, ou d'une combinaison de ceux-ci, et 2) l'évaluation de la prise en compte de l'incertitude des courbes de tarage sur les performances du système de prévision des crues en les intégrant dans des méthodologies de post-traitement ciblées. La thèse se concentre sur un cadre de prévision d'ensemble des débits à court terme couvrant des périodes de 1 à 5 jours pour le bassin versant de la rivière au Saumon dans le sud du Québec, Canada. Ce bassin versant, sujet aux inondations, a rencontré des défis significatifs lors des événements de crue de 2019 et 2017, notamment des inondations généralisées, des fermetures de routes et des dommages aux biens et aux infrastructures. Améliorer les prévisions d'ensemble des débits et mettre à niveau les systèmes de prévision des crues pourrait grandement bénéficier aux décideurs et à la population locale. Le chapitre 4 (Résultats partie 1), présenté sous forme d'article scientifique, se penche ainsi sur l'évaluation et l'utilisation de divers scénarios de stratégies de pré- et post-traitement dans le cadre de prévision des crues en utilisant un modèle hydrologique spatialement distribué. En appliquant différentes techniques de traitement statistique et de correction des biais, les performances et la qualité des prévisions d'ensemble des débits ont été évaluées à travers différents scénarios. Les résultats mettent en évidence les biais et la sous-dispersion comme des facteurs significatifs affectant les prévisions d'ensemble brutes. Le pré-traitement améliore partiellement les prévisions brutes mais ne corrige pas complètement les biais dans les prévisions d'ensemble sous-dispersées. La combinaison du pré- et du post-traitement améliore la performance et la fiabilité des prévisions, bien que certaines variations soient observées par rapport au post-traitement seul. L'intégration des événements de crue dans le jeu de données d'entraînement et l'optimisation de sa longueur améliorent l'efficacité des méthodes de traitement, soulignant le rôle crucial des stratégies de gestion des données pour renforcer les systèmes de prévision des débits. Ensuite, le chapitre 5 (Résultats partie 2) évalue la prise en compte de l'incertitude des courbes de tarage, dérivée des méthodes d'estimation du Voting Point Method (VPM) et du Bayesian Rating curve (BaRatin), sur les performances des prévisions d'ensemble des débits en l'intégrant dans une approche de post-traitement ciblée utilisant les méthodes de post-traitement Weighted Ensemble Dressing (WED) et Cumulative Distribution Function Matching (CDFM). Le post-traitement sans RCU améliore la performance et la fiabilité du système de prévision, mais néglige l'incertitude inhérente aux données d'observation, posant des préoccupations quant à son efficacité. À l'inverse, l'intégration de la RCU améliore la compétence des prévisions, leur fiabilité et aborde efficacement l'incertitude des données d'observation, offrant un avantage notable par rapport aux méthodes de post-traitement traditionnelles. La comparaison des méthodes de post-traitement WED et CDFM a mis en évidence des différences subtiles dans les résultats des prévisions, influencées par les techniques d'estimation de l'incertitude. Les deux méthodes ont montré des métriques d9exactitude favorables, l'intégration de la RCU, en particulier à partir du VPM, améliorant notablement la qualité des prévisions. Cependant, les variations de la RCU provenant de différentes méthodes d'estimation peuvent conduire à une sous-estimation ou une surestimation des prévisions, nécessitant une considération attentive. Ces résultats éclairent collectivement sur le potentiel et les défis associés à l'incorporation de différentes sources d'incertitude dans les systèmes de prévision des crues.","abstract_has_math":false,"creators":["Askarinejad, Alireza"],"institution":"Université de Sherbrooke","degree_name":"Ph. D.","degree_level":"Doctorat","degree_discipline":"Génie civil","degree_department":null,"school":null,"contributors":[],"advisors":["Trudel, Mélanie","Boucher, Marie-Amélie"],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-07-27T21:07:51Z","subjects":["Flood forecasting","Post-processing","Rating curve uncertainty","Pre-processing","Streamflow ensemble forecasts","Prévision des inondations","Post-traitement","Incertitude des courbes de tarage","Pré-traitement","Prévisions ensemblistes des débits"],"languages":["fr","en"],"rights":[],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/11143/22104","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Trudel, Mélanie","Boucher, Marie-Amélie"]},{"key":"dc:creator","label":"Author","values":["Askarinejad, Alireza"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2024-10-15T15:03:35Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2024-10-15T15:03:35Z"]},{"key":"dc:date.issued","label":"Date","values":["2024"]},{"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":["Flood forecasting","Post-processing","Rating curve uncertainty","Pre-processing","Streamflow ensemble forecasts","Prévision des inondations","Post-traitement","Incertitude des courbes de tarage","Pré-traitement","Prévisions ensemblistes des débits"]}]},{"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/11143/22104"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["La prévision des crues joue un rôle essentiel dans la gestion efficace des ressources en eau et l'atténuation des risques d9inondation. Malgré les avancées récentes, les systèmes de prévision d'ensemble existants sont souvent confrontés à des problèmes de fiabilité et de sous-dispersion. L'incertitude dans les prévisions d'ensemble peut provenir de diverses sources, y compris les intrants tels que les précipitations, la température et le débit, ainsi que des conditions initiales, de la structure et des paramètres du modèle et des conditions aux limites. Au cours des deux dernières décennies, de nombreux efforts ont été faits pour tenir compte des biais et de la sousdispersion par l'introduction de diverses méthodes de post-traitement statistique dans les prévisions météorologiques et hydrologiques. Cependant, un défi majeur réside dans le choix de la méthode et de la stratégie appropriées dans la chaîne de prévision. Peu de recherches ont abordé l'intégration du pré-traitement et du post-traitement dans les prévisions d'ensemble des débits. De plus, les études existantes se sont généralement concentrées sur les modèles hydrologiques globaux, tandis que les performances de cette intégration dans les modèles hydrologiques distribués restent peu examinées. D'autre part, les données de débit, souvent mesurées indirectement par des courbes de tarage, sont particulièrement sujettes aux erreurs. Bien que diverses méthodes aient été proposées pour estimer l'incertitude des courbes de tarage (RCU, rating curve uncertainty), l'impact de la RCU sur les performances des systèmes de prévision des débits fluviaux reste peu exploré. En outre, les méthodes de post-traitement actuelles utilisées dans les systèmes de prévision des débits ont négligé l'incertitude inhérente aux données d'observation des débits. Ainsi, cette thèse examine le potentiel et les obstacles associés à la prise en compte de différentes sources d'incertitude dans les systèmes de prévision des crues et leur impact sur les performances du système. Les principaux objectifs incluent 1) l'évaluation et l'identification des scénarios optimaux de pré-traitement des prévisions de température et de précipitations et des approches de post-traitement des prévisions de débits fluviaux, ou d'une combinaison de ceux-ci, et 2) l'évaluation de la prise en compte de l'incertitude des courbes de tarage sur les performances du système de prévision des crues en les intégrant dans des méthodologies de post-traitement ciblées. La thèse se concentre sur un cadre de prévision d'ensemble des débits à court terme couvrant des périodes de 1 à 5 jours pour le bassin versant de la rivière au Saumon dans le sud du Québec, Canada. Ce bassin versant, sujet aux inondations, a rencontré des défis significatifs lors des événements de crue de 2019 et 2017, notamment des inondations généralisées, des fermetures de routes et des dommages aux biens et aux infrastructures. Améliorer les prévisions d'ensemble des débits et mettre à niveau les systèmes de prévision des crues pourrait grandement bénéficier aux décideurs et à la population locale. Le chapitre 4 (Résultats partie 1), présenté sous forme d'article scientifique, se penche ainsi sur l'évaluation et l'utilisation de divers scénarios de stratégies de pré- et post-traitement dans le cadre de prévision des crues en utilisant un modèle hydrologique spatialement distribué. En appliquant différentes techniques de traitement statistique et de correction des biais, les performances et la qualité des prévisions d'ensemble des débits ont été évaluées à travers différents scénarios. Les résultats mettent en évidence les biais et la sous-dispersion comme des facteurs significatifs affectant les prévisions d'ensemble brutes. Le pré-traitement améliore partiellement les prévisions brutes mais ne corrige pas complètement les biais dans les prévisions d'ensemble sous-dispersées. La combinaison du pré- et du post-traitement améliore la performance et la fiabilité des prévisions, bien que certaines variations soient observées par rapport au post-traitement seul. L'intégration des événements de crue dans le jeu de données d'entraînement et l'optimisation de sa longueur améliorent l'efficacité des méthodes de traitement, soulignant le rôle crucial des stratégies de gestion des données pour renforcer les systèmes de prévision des débits. Ensuite, le chapitre 5 (Résultats partie 2) évalue la prise en compte de l'incertitude des courbes de tarage, dérivée des méthodes d'estimation du Voting Point Method (VPM) et du Bayesian Rating curve (BaRatin), sur les performances des prévisions d'ensemble des débits en l'intégrant dans une approche de post-traitement ciblée utilisant les méthodes de post-traitement Weighted Ensemble Dressing (WED) et Cumulative Distribution Function Matching (CDFM). Le post-traitement sans RCU améliore la performance et la fiabilité du système de prévision, mais néglige l'incertitude inhérente aux données d'observation, posant des préoccupations quant à son efficacité. À l'inverse, l'intégration de la RCU améliore la compétence des prévisions, leur fiabilité et aborde efficacement l'incertitude des données d'observation, offrant un avantage notable par rapport aux méthodes de post-traitement traditionnelles. La comparaison des méthodes de post-traitement WED et CDFM a mis en évidence des différences subtiles dans les résultats des prévisions, influencées par les techniques d'estimation de l'incertitude. Les deux méthodes ont montré des métriques d9exactitude favorables, l'intégration de la RCU, en particulier à partir du VPM, améliorant notablement la qualité des prévisions. Cependant, les variations de la RCU provenant de différentes méthodes d'estimation peuvent conduire à une sous-estimation ou une surestimation des prévisions, nécessitant une considération attentive. Ces résultats éclairent collectivement sur le potentiel et les défis associés à l'incorporation de différentes sources d'incertitude dans les systèmes de prévision des crues.","Flood forecasting plays a pivotal role in effective water resource management and flood risk mitigation. Despite recent advancements, existing ensemble forecasting systems often grapple with issues of unreliability and under-dispersion. The uncertainty in ensemble forecasts can emanate from various sources, including inputs like precipitation, temperature, and streamflow, as well as initial conditions, model structure and parameters, and boundary conditions. Over the past two decades, numerous endeavors have been made to address bias and under-dispersion through the introduction of various statistical post-processing methods in meteorological and hydrological forecasts. However, a significant challenge lies in selecting the appropriate method and strategy in the forecast chain. Limited research has addressed the integration of pre-processing and post-processing in streamflow ensemble forecasting. Moreover, existing studies have generally focused on lumped hydrological models, while the performance of this integration in distributed hydrological models remains scarcely examined. On the other hand, streamflow data, often indirectly measured through rating curves, are particularly susceptible to errors. While various methods have been proposed to estimate rating curve uncertainty (RCU), the impact of RCU on streamflow forecasting system performance remains underexplored. In addition, current post-processing methods utilized in streamflow forecasting systems have disregarded the inherent uncertainty in observational streamflow data. Thus, this thesis delves into the potential and hurdles associated with considering different sources of uncertainty in flood forecasting systems and their impact on system performance. The primary objectives entail 1) assessing and identifying optimal scenarios from pre-processing of both temperature and precipitation and post-processing of streamflow forecasts approaches, or a combination thereof, and 2) evaluating the consideration of rating curve uncertainty on flood forecasting system performance through incorporating into targeted post-processing methodologies. The thesis focuses on a short-range ensemble streamflow forecasting framework spanning lead times of 1 to 5 days for the au Saumon watershed in southern Quebec, Canada. This watershed, being flood-prone, encountered significant challenges during the 2019 and 2017 flood events, including widespread inundation, road closures, and damage to property and infrastructure. Enhancing streamflow ensemble forecasts and upgrading flood forecasting systems holds the potential to greatly benefit decision-makers and the local populace. Chapter 4 (Results part 1), presented as a scientific article, thus delves into assessing and employing various pre- and post-processing strategy scenarios within the flood forecasting framework employing a spatially distributed hydrological model. By applying different statistical processing and bias correction techniques, the performance and quality of ensemble streamflow forecasts were evaluated across different scenarios. The findings highlight biases and under-dispersion as significant factors affecting raw ensemble forecasts. Pre-processing partially improves raw forecasts but doesn't fully address bias in under-dispersed forecasts. Combining pre- and post-processing enhances forecast skill and reliability, albeit with some variations compared to post-processing alone. Integrating flood events into the training dataset and optimizing its length improves the effectiveness of processing methods, underscoring the critical role of data management strategies in enhancing streamflow forecasting systems. Subsequently, Chapter 5 (Results part 2) , evaluates the consideration of rating curve uncertainty, derived from the Voting Point Method (VPM) and Bayesian Rating curve (BaRatin) estimation methods, on the performance of streamflow ensemble forecasts by integrating into a targeted post-processing approach using Weighted Ensemble Dressing (WED) and Cumulative Distribution Function Matching (CDFM) post-processing methods. Post-processing without RCU enhances forecasting system skill and reliability but overlooks the inherent uncertainty in observational data, posing concerns about its effectiveness. Conversely, integrating RCU improves forecast skill, reliability, and effectively addresses observational data uncertainty, offering a notable advantage over traditional post-processing methods. Comparing WED and CDFM post-processing methods highlighted nuanced differences in forecast outcomes, influenced by uncertainty estimation techniques. Both methods showed favorable accuracy metrics, with RCU integration, especially from VPM, notably enhancing forecast quality. However, variations in RCU from different estimation methods may lead to forecast underestimation or overestimation, warranting careful consideration. These findings collectively shed light on the potential and challenges associated with incorporating different sources of uncertainty into flood forecasting systems."]},{"key":"dc:title","label":"Title","values":["Improving ensemble streamflow forecasts through targeted post-processing and rating curve uncertainty analysis"]}]}],"canonical_facts":{"dc:contributor.advisor":["Trudel, Mélanie","Boucher, Marie-Amélie"],"dc:creator":["Askarinejad, Alireza"],"dc:date.accessioned":["2024-10-15T15:03:35Z"],"dc:date.available":["2024-10-15T15:03:35Z"],"dc:date.issued":["2024"],"dc:description.abstract":["La prévision des crues joue un rôle essentiel dans la gestion efficace des ressources en eau et l'atténuation des risques d9inondation. Malgré les avancées récentes, les systèmes de prévision d'ensemble existants sont souvent confrontés à des problèmes de fiabilité et de sous-dispersion. L'incertitude dans les prévisions d'ensemble peut provenir de diverses sources, y compris les intrants tels que les précipitations, la température et le débit, ainsi que des conditions initiales, de la structure et des paramètres du modèle et des conditions aux limites. Au cours des deux dernières décennies, de nombreux efforts ont été faits pour tenir compte des biais et de la sousdispersion par l'introduction de diverses méthodes de post-traitement statistique dans les prévisions météorologiques et hydrologiques. Cependant, un défi majeur réside dans le choix de la méthode et de la stratégie appropriées dans la chaîne de prévision. Peu de recherches ont abordé l'intégration du pré-traitement et du post-traitement dans les prévisions d'ensemble des débits. De plus, les études existantes se sont généralement concentrées sur les modèles hydrologiques globaux, tandis que les performances de cette intégration dans les modèles hydrologiques distribués restent peu examinées. D'autre part, les données de débit, souvent mesurées indirectement par des courbes de tarage, sont particulièrement sujettes aux erreurs. Bien que diverses méthodes aient été proposées pour estimer l'incertitude des courbes de tarage (RCU, rating curve uncertainty), l'impact de la RCU sur les performances des systèmes de prévision des débits fluviaux reste peu exploré. En outre, les méthodes de post-traitement actuelles utilisées dans les systèmes de prévision des débits ont négligé l'incertitude inhérente aux données d'observation des débits. Ainsi, cette thèse examine le potentiel et les obstacles associés à la prise en compte de différentes sources d'incertitude dans les systèmes de prévision des crues et leur impact sur les performances du système. Les principaux objectifs incluent 1) l'évaluation et l'identification des scénarios optimaux de pré-traitement des prévisions de température et de précipitations et des approches de post-traitement des prévisions de débits fluviaux, ou d'une combinaison de ceux-ci, et 2) l'évaluation de la prise en compte de l'incertitude des courbes de tarage sur les performances du système de prévision des crues en les intégrant dans des méthodologies de post-traitement ciblées. La thèse se concentre sur un cadre de prévision d'ensemble des débits à court terme couvrant des périodes de 1 à 5 jours pour le bassin versant de la rivière au Saumon dans le sud du Québec, Canada. Ce bassin versant, sujet aux inondations, a rencontré des défis significatifs lors des événements de crue de 2019 et 2017, notamment des inondations généralisées, des fermetures de routes et des dommages aux biens et aux infrastructures. Améliorer les prévisions d'ensemble des débits et mettre à niveau les systèmes de prévision des crues pourrait grandement bénéficier aux décideurs et à la population locale. Le chapitre 4 (Résultats partie 1), présenté sous forme d'article scientifique, se penche ainsi sur l'évaluation et l'utilisation de divers scénarios de stratégies de pré- et post-traitement dans le cadre de prévision des crues en utilisant un modèle hydrologique spatialement distribué. En appliquant différentes techniques de traitement statistique et de correction des biais, les performances et la qualité des prévisions d'ensemble des débits ont été évaluées à travers différents scénarios. Les résultats mettent en évidence les biais et la sous-dispersion comme des facteurs significatifs affectant les prévisions d'ensemble brutes. Le pré-traitement améliore partiellement les prévisions brutes mais ne corrige pas complètement les biais dans les prévisions d'ensemble sous-dispersées. La combinaison du pré- et du post-traitement améliore la performance et la fiabilité des prévisions, bien que certaines variations soient observées par rapport au post-traitement seul. L'intégration des événements de crue dans le jeu de données d'entraînement et l'optimisation de sa longueur améliorent l'efficacité des méthodes de traitement, soulignant le rôle crucial des stratégies de gestion des données pour renforcer les systèmes de prévision des débits. Ensuite, le chapitre 5 (Résultats partie 2) évalue la prise en compte de l'incertitude des courbes de tarage, dérivée des méthodes d'estimation du Voting Point Method (VPM) et du Bayesian Rating curve (BaRatin), sur les performances des prévisions d'ensemble des débits en l'intégrant dans une approche de post-traitement ciblée utilisant les méthodes de post-traitement Weighted Ensemble Dressing (WED) et Cumulative Distribution Function Matching (CDFM). Le post-traitement sans RCU améliore la performance et la fiabilité du système de prévision, mais néglige l'incertitude inhérente aux données d'observation, posant des préoccupations quant à son efficacité. À l'inverse, l'intégration de la RCU améliore la compétence des prévisions, leur fiabilité et aborde efficacement l'incertitude des données d'observation, offrant un avantage notable par rapport aux méthodes de post-traitement traditionnelles. La comparaison des méthodes de post-traitement WED et CDFM a mis en évidence des différences subtiles dans les résultats des prévisions, influencées par les techniques d'estimation de l'incertitude. Les deux méthodes ont montré des métriques d9exactitude favorables, l'intégration de la RCU, en particulier à partir du VPM, améliorant notablement la qualité des prévisions. Cependant, les variations de la RCU provenant de différentes méthodes d'estimation peuvent conduire à une sous-estimation ou une surestimation des prévisions, nécessitant une considération attentive. Ces résultats éclairent collectivement sur le potentiel et les défis associés à l'incorporation de différentes sources d'incertitude dans les systèmes de prévision des crues.","Flood forecasting plays a pivotal role in effective water resource management and flood risk mitigation. Despite recent advancements, existing ensemble forecasting systems often grapple with issues of unreliability and under-dispersion. The uncertainty in ensemble forecasts can emanate from various sources, including inputs like precipitation, temperature, and streamflow, as well as initial conditions, model structure and parameters, and boundary conditions. Over the past two decades, numerous endeavors have been made to address bias and under-dispersion through the introduction of various statistical post-processing methods in meteorological and hydrological forecasts. However, a significant challenge lies in selecting the appropriate method and strategy in the forecast chain. Limited research has addressed the integration of pre-processing and post-processing in streamflow ensemble forecasting. Moreover, existing studies have generally focused on lumped hydrological models, while the performance of this integration in distributed hydrological models remains scarcely examined. On the other hand, streamflow data, often indirectly measured through rating curves, are particularly susceptible to errors. While various methods have been proposed to estimate rating curve uncertainty (RCU), the impact of RCU on streamflow forecasting system performance remains underexplored. In addition, current post-processing methods utilized in streamflow forecasting systems have disregarded the inherent uncertainty in observational streamflow data. Thus, this thesis delves into the potential and hurdles associated with considering different sources of uncertainty in flood forecasting systems and their impact on system performance. The primary objectives entail 1) assessing and identifying optimal scenarios from pre-processing of both temperature and precipitation and post-processing of streamflow forecasts approaches, or a combination thereof, and 2) evaluating the consideration of rating curve uncertainty on flood forecasting system performance through incorporating into targeted post-processing methodologies. The thesis focuses on a short-range ensemble streamflow forecasting framework spanning lead times of 1 to 5 days for the au Saumon watershed in southern Quebec, Canada. This watershed, being flood-prone, encountered significant challenges during the 2019 and 2017 flood events, including widespread inundation, road closures, and damage to property and infrastructure. Enhancing streamflow ensemble forecasts and upgrading flood forecasting systems holds the potential to greatly benefit decision-makers and the local populace. Chapter 4 (Results part 1), presented as a scientific article, thus delves into assessing and employing various pre- and post-processing strategy scenarios within the flood forecasting framework employing a spatially distributed hydrological model. By applying different statistical processing and bias correction techniques, the performance and quality of ensemble streamflow forecasts were evaluated across different scenarios. The findings highlight biases and under-dispersion as significant factors affecting raw ensemble forecasts. Pre-processing partially improves raw forecasts but doesn't fully address bias in under-dispersed forecasts. Combining pre- and post-processing enhances forecast skill and reliability, albeit with some variations compared to post-processing alone. Integrating flood events into the training dataset and optimizing its length improves the effectiveness of processing methods, underscoring the critical role of data management strategies in enhancing streamflow forecasting systems. Subsequently, Chapter 5 (Results part 2) , evaluates the consideration of rating curve uncertainty, derived from the Voting Point Method (VPM) and Bayesian Rating curve (BaRatin) estimation methods, on the performance of streamflow ensemble forecasts by integrating into a targeted post-processing approach using Weighted Ensemble Dressing (WED) and Cumulative Distribution Function Matching (CDFM) post-processing methods. Post-processing without RCU enhances forecasting system skill and reliability but overlooks the inherent uncertainty in observational data, posing concerns about its effectiveness. Conversely, integrating RCU improves forecast skill, reliability, and effectively addresses observational data uncertainty, offering a notable advantage over traditional post-processing methods. Comparing WED and CDFM post-processing methods highlighted nuanced differences in forecast outcomes, influenced by uncertainty estimation techniques. Both methods showed favorable accuracy metrics, with RCU integration, especially from VPM, notably enhancing forecast quality. However, variations in RCU from different estimation methods may lead to forecast underestimation or overestimation, warranting careful consideration. These findings collectively shed light on the potential and challenges associated with incorporating different sources of uncertainty into flood forecasting systems."],"dc:identifier.uri":["http://hdl.handle.net/11143/22104"],"dc:language.iso":["fr","en"],"dc:publisher":["Université de Sherbrooke"],"dc:subject":["Flood forecasting","Post-processing","Rating curve uncertainty","Pre-processing","Streamflow ensemble forecasts","Prévision des inondations","Post-traitement","Incertitude des courbes de tarage","Pré-traitement","Prévisions ensemblistes des débits"],"dc:title":["Improving ensemble streamflow forecasts through targeted post-processing and rating curve uncertainty analysis"],"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":"2026-07-27T21:07:51Z"}