Impact de la complexité du modèle hydrologique sur la régionalisation des paramètres

Les changements climatiques augmentent l’exposition et la vulnérabilité des sociétés humaines et des écosystèmes aux risques hydrologiques. Malgré leur nécessité évidente dans ce contexte, les outils de modélisation hydrologique se heurtent au déclin des réseaux de collecte d’observations hydrologiques. La qualité des observations existantes est, quant à elle, assujettie à l’altération anthropique des bassins versants. La régionalisation des paramètres permet de s’affranchir des observations hydrologiques d’un bassin versant pour le modéliser. Dans la présente étude, les méthodes de régionalisation des paramètres par proximité spatiale, similitude physique et régression linéaire multiple sont appliquées sur 266 bassins versants soumis aux conditions nordiques de la province de Québec, Canada. L’étude répond à un objectif principal et deux objectifs spécifiques, respectivement : quantifier l’impact de la complexité du modèle hydrologique; quantifier l’impact de la distribution – au sein de l’espace paramétrique du modèle hydrologique – des jeux de paramètres transférés; et vérifier la significativité statistique du modèle régional linéaire – construit pour appliquer la méthode de régionalisation par régression linéaire multiple. L’objectif principal est atteint en comparant trois configurations – respectivement de 6, 9 et 15 paramètres libres – du modèle hydrologique GR4J couplé au module de neige CemaNeige. Le premier objectif spécifique est atteint en comparant deux algorithmes d’optimisation – SCE-UA et CMAES – ainsi qu’un échantillonnage aléatoire de l’espace paramétrique. Le second objectif spécifique est atteint en comparant le coefficient de détermination R2, à la statistique F du test de Fisher et au seuil descriptif P-value des modèles régionaux linéaires construits. Les résultats montrent que la méthode de régionalisation par similitude physique est légèrement plus performante que celle par proximité spatiale alors que celle par régression linéaire multiple est nettement la moins performante. Ces résultats confirment aussi l’importance de transférer l’intégralité du jeu de paramètres en moyennant les débits résultants plutôt qu’en moyennant les paramètres individuels. Parmi les modèles hydrologiques testés, le modèle hydrologique à 6 paramètres libres affiche les meilleurs taux de succès alors que celui à 15 paramètres libres affiche les meilleures valeurs du critère d’efficience Nash-Sutcliffe (NSE). Les résultats de l’étude distinguent la robustesse du modèle hydrologique – quantifiée par le taux de succès –, de sa performance – quantifiée par le critère d’efficience NSE. Le modèle hydrologique à 9 paramètres libres se montre le mieux adapté pour régionaliser les paramètres dans les conditions de l’étude. Malgré que l’échantillonnage aléatoire de l’espace paramétrique soit la plus robuste des méthodes de calibration, les deux algorithmes d’optimisation se révèlent similairement plus performants. La méthode d’échantillonnage aléatoire de l’espace paramétrique présente la plus forte incertitude du débit modélisé. Bien qu’il soit possible de construire des modèles régionaux linéaires qui offrent un coefficient R2 élevé pour chacun des paramètres libres du modèle hydrologique – donc une corrélation forte entre les caractéristiques physiques du bassin versant et les paramètres libres du modèle hydrologique –, la robustesse du modèle régional linéaire ne s’en trouve pas augmentée. Cette robustesse se montre généralement, inversement proportionnelle à la force du coefficient R2. De plus, lorsque le coefficient R2 atteint son optimum, la statistique F indique généralement que la relation entre les variables expliquées et explicatives du modèle régional linéaire n’est pas significative. En conclusion, un modèle hydrologique complexe plutôt qu’un modèle hydrologique trop parcimonieux ainsi qu’un algorithme d’optimisation qui génère des jeux de paramètres confinés dans une région restreinte de l’espace paramétrique sont souhaitables pour régionaliser les paramètres. Malgré qu’elle soit largement utilisée en régionalisation des paramètres, la régression linéaire multiple ne présente pas l’aptitude nécessaire à produire un modèle prédictif valide