Estimation de la température de l'eau en rivière en utilisant les réseaux de neurones et la régression linéaire multiple

摘要

La température de l'eau en rivière est un paramètre ayant une importance majeure pour la vie aquatique. Les séries temporelles décrivant ce paramètre thermique existent, mais elles sont moins nombreuses et souvent courtes, ou comptent parfois des valeurs manquantes. Cette étude présente la modélisation de la température de l'eau en utilisant des réseaux de neurones et la régression linéaire multiple pour relier la température de l'eau à celle de l'air et le débit du ruisseau Catamaran, situé au Nouveau-Brunswick, Canada. Une recherche multidisciplinaire à long terme se déroule présentement sur ce site. Les données utilisées sont de 1991 à 2000 et comprennent la température de l'air de la journée en cours, de la veille et de l'avant-veille, le débit ainsi que le temps transformé en série trigonométrique. Les données de 1991 à 1995 ont été utilisées pour l'entraînement ou la calibration du modèle tandis que les données de 1996 à 2000 ont été utilisées pour la validation du modèle. Les coefficients de détermination obtenus pour l'entraînement sont de 94,2% pour les réseaux de neurones et de 92,6 % pour la régression linéaire multiple, ce qui donne un écart-type des erreurs de 1,01℃ pour les réseaux de neurones et de 1,05℃ pour la régression linéaire multiple. Pour la validation, les coefficients de détermination sont de 92,2% pour les réseaux de neurones et de 91,6% pour la régression linéaire multiple, ce qui se traduit en un écart-type des erreurs de 1,10℃ pour les réseaux de neurones et de 1,25℃ pour la régression linéaire multiple.%Water temperature is a parameter of great importance for water resources. For instance, modifications of the thermal regime of a river can have a significant impact on fish habitat. Therefore, understanding and predicting water temperatures is essential in order to help prevent or forecast high temperature problems. In order to predict water temperatures, data series are necessary. Many data series exist for air temperatures, but water temperature series are relatively scarce and those available are often short or have missing values. This study presents the modelling of water temperature using neural networks and multiple linear regression to relate water temperature to air temperature and discharge in Catamaran Brook, New Brunswick, Canada. Catamaran Brook is a small stream (51 km~2) where long-term multidiscipli-nary habitat research is being carried out. Many variables can impact water temperatures in a river, such as air temperature, solar radiation, wind speed, discharge, groundwater flow, etc. For this study, only air temperature and discharge were used. These were judged to be the most often available parameters for modelling temperatures in rivers, and to have the greatest impact on water temperature. More precisely, input variables included current air temperature (℃), air temperature of the previous day (℃), air temperature two days earlier (℃), discharge (m~3/s) and a trigonometric function of time (days). Data used for the analysis were from 1991 to 2000. Data from 1991 to 1995 were used to calibrate the model while data from 1996 to 2000 were used for validation purposes. Observed and predicted water temperatures for each model were presented for the calibration data and the validation data.