Votre recherche

The coast is a complex environment that comprises seawater, underwater, soil, atmosphere, and other environmental factors. Traditional and new pollutants, represented by oil spills and microplastic (MPs), persist in posing a constant threat to the ecosystems and social-economic features of coastal regions. Besides, the shoreline is exposed to various environment conditions, which may significantly affect the behaviors of pollutants on beaches. An in-depth understanding of the occurrence and fate of pollutants in coastal areas is a prerequisite for the development of sound prevention and remediation strategies. Firstly, the physicochemical behavior of crude oil on various types of shorelines under different environmental conditions were reviewed. The penetration, remobilization, and retention of stranded oil on shorelines are affected by the beach topography and the natural environment. The attenuation and fate of oil on shorelines from laboratory and field experiments were discussed. In addition, the source, type, distribution, and factors of MPs in the coastal areas were summarized. What is more, the occurrence and environmental risk of emerging plastics waste—personal protective equipment (PPE)—in the coastal environment during and pandemic were discussed. Then, the role of natural nanobubbles (NBs) in the fate and transport of spilled oil were investigated through laboratory experiments and model simulations. NBs significantly increased the concentration of dissolved oxygen as well as changed the pH, zeta potential, and surface tension of the water. With the assistance of external energy, the bulk NBs enhanced the efficiency in oil detachment from the surface of the substrate. At the same time, the surface NBs on the substrate obstructed the downward transport of oil colloids. Considering the behavior between the NBs in two different phases and the oil droplets, the oil droplets tended to bind to the NBs. Next, the behavior and movement of various MPs in the presence of bulk NBs was explored. In the presence of NBs, the binding of MPs and NBs resulted in an increase in the measured average particle size and concentration. The velocity of motion of MPs driven by NBs varies under different salinity conditions. The increase in ionic strength reduced the energy barrier between particles and promoted their aggregation. Thus, the binding of NBs and MPs became more stable, which in turn affected the movement of MPs in the water. Polyethylene (PE1) with small particle size was mainly affected by Brownian motion and its rising was limited, therefore polyethylene (PE2) with large particle size rose faster than PE1 in suspension, especially in the presence of NBs. The effect of nanobubbles on the mobilization of MPs in shorelines subject to seawater infiltration was further studied. The motion of MPs under continuous and transient conditions, as well as the upward transport induced with flood were considered. Salinity altered the energy barriers between particles, which in turn affected the movement of MPs within the matrix. In addition, hydrophilic MPs were more likely to infiltrate within the substrate and had different movement patterns under both continuous and transient conditions. The motion of the MPs within the substrate varied with flow rate, and NBs limited the vertical movement of MPs in the tidal zone. It was also observed that NBs adsorbed readily onto substrates, altering the surface properties of substrates, particularly their ability to attach and detach from other substances. Finally, the changing characteristics and environmental behaviors of PPE wastes when exposed to the shoreline environment were examined. The transformation of chain structure and chemical composition of masks and gloves as well as the decreased mechanical strength after UV weathering were observed. In addition, the physical abrasion caused by sand further exacerbated the release of MPs and leachable hazardous contaminates from masks and gloves. In conclusion, the coastal zone is threatened by various pollutants, including traditional pollutants (like the oil spill) and emerging pollutants (like MPs). Due to the complexity of the coastal zone, the occurrence, transport and fate of pollutants can be controlled by many factors, and some factors that are ignored before can also alter the environmental behavior of pollutants in the coastal zone. Natural NBs can change the properties of the water environment and affect the surface properties of the substrate. Bulk NBs contribute to the oil detachment from the sand surface, and surface nanobubbles in the substrate obstruct the downward transport of oil colloids. The behavior and mobilization of MPs in the coastal `zone are subject to mutual forces between the substrate, MPs, NBs, and other factors. Coastal zones are not only the main receptor of pollutants from oceans and lands but also play a key role in their fate and transport.

Natural calamities like floods and droughts pose a significant threat to humanity, impacting millions of people each year and incurring substantial economic losses to society. In response to this challenge, this thesis focuses on developing advanced machine learning techniques to improve water height prediction accuracy that can aid municipalities in effective flood mitigation. The primary objective of this study is to evaluate an innovative architecture that leverages Long Short Term Networks - neural networks to predict water height accurately in three different environmental scenarios, i.e., frazil, droughts and floods due to snow spring melt. A distinguishing feature of our approach is the incorporation of meteorological forecast as an input parameter into the prediction model. By modeling the intricate relationships between water level data, historical meteorological data and meteorological forecasts, we seek to evaluate the impact of meteorological forecasts and if any inaccuracies could impact water-level prediction. We compare the outcomes obtained by incorporating next-hour, next-day and next-week meteorological data into our novel LSTM model. Our results indicate a comprehensive comparison of the usage of various parameters as input and our findings suggest that accurate weather forecasts are crucial in achieving reliable water height predictions. Additionally, this study focuses on the utilization of IoT sensor data in combination with ML models to enhance the effectiveness of flood prediction and management. We present an online machine learning approach that performs online training of the model using real-time data from IoT sensors. The integration of live sensor data provides a dynamic and adaptive system that demonstrates superior predictive capabilities compared to traditional static models. By adopting these advanced techniques, we can mitigate the adverse impacts of natural catastrophes and work towards building more resilient and disaster-resistant communities.

L’estimation du débit en rivières est un paramètre clé pour la gestion des ressources hydriques, la prévention des risques liés aux inondations et la planification des équipements hydroélectriques. Lorsque le débit d’eau est très élevé lors d'évènements extrêmes, les méthodes de jaugeage traditionnelles ne peuvent pas être utilisées. De plus, les stations du réseau hydrométrique sont généralement éparses et leur répartition spatiale n’est pas optimale. Par conséquent, de nombreuses sections de rivières ne peuvent être suivies par des mesures et observations du débit. Pour ces raisons, pendant la dernière décennie, les capteurs satellitaires ont été considérés comme une source d’observation complémentaire aux observations traditionnelles du niveau d’eau et du débit en rivières. L’utilisation d’une telle approche a fourni un moyen de maintenir et d’étendre le réseau d'observation hydrométrique. L’approche avec télédétection permet d’estimer le débit à partir des courbes de tarage qui met en relation le débit instantané (Q) et la géométrie d’une section transversale du chenal (la largeur ou la profondeur effective de la surface d’eau). En revanche, cette méthode est associée à des limitations, notamment, sa dépendance aux courbes de tarage. En effet, en raison de leurs natures empiriques, les courbes de tarage sont limitées à des sections spécifiques et ne peuvent être appliquées dans d’autres rivières. Récemment, des techniques d’apprentissage profond ont été appliquées avec succès dans de nombreux domaines, y compris en hydrologie. Dans le présent travail, l’approche d’apprentissage profond a été choisie, en particulier les réseaux de neurones convolutifs (CNN), pour estimer le débit en rivière. L’objectif principal de ce travail est de développer une approche d’estimation du débit en rivières à partir de l’imagerie RADARSAT 1&amp;2 à l’aide de l’apprentissage profond. La zone d’étude se trouve dans l’ecozone du bouclier boréal à l’Est du Canada. Au total, 39 sites hydrographiques ont fait l’objet de cette étude. Dans le présent travail, une nouvelle architecture de CNN a été a été proposée, elle s'adapte aux données utilisées et permet d’estimer le débit en rivière instantané. Ce modèle donne un résultat du coefficient de détermination (R²) et de Nash-Sutcliffe égale à 0.91, le résultat d’erreur quadratique moyenne égale à 33 m³ /s. Cela démontre que le modèle CNN donne une solution appropriée aux problèmes d’estimation du débit avec des capteurs satellites sans intervention humaine. <br /><br />Estimating river flow is a key parameter for effective water resources management, flood risk prevention and hydroelectric facilities planning. In cases of very high flow of water or extreme events, traditional gauging methods cannot be reliable. In addition, hydrometric network stations are often sparse and their spatial distribution is not optimal. Therefore, many river sections cannot be monitored using traditional flow measurements and observations. For these reasons, satellite sensors are considered as a complementary observation source to traditional water level and flow observations in the last decades. The use of this kind of approach has provided a way to maintain and expand the hydrometric observation network. Remote sensing data can be used to estimate flow from rating curves that relate the instantaneous flow (Q) to the geometry of a channel cross-section (the effective width or depth of the water surface). On the other hand, remote sensing is also associated with limitations, notably its dependence on the rating curves. Indeed, due to their empirical nature, rating curves are limited to specific sections and cannot be applied in other rivers. Recently, deep learning techniques have been successfully applied in many fields, including hydrology. In the present work, the deep learning approach has been chosen, in particular convolutional neural networks (CNN), to estimate river flow. The main objective of this work is to develop an approach to estimate river flow from RADARSAT 1&amp;2 imagery using deep learning. In this study, 39 hydrographic sites of the Boreal Shield ecozone in Eastern Canada were considered. A new CNN architecture was developed to provide a straightforward estimation of the instantaneous river flow rate. The achieved results demonstrated a coefficient of determination (R²) and Nash-Sutcliffe values of 0.91, and a root mean square error of 33m³ /s. This indicates the effectiveness of CNN in automatic flow estimation with satellite sensors.

Streamflow forecasting is important for managing water resources in sectors like agriculture, hydropower, drought management, and urban flood prevention planning. Our study examines short and long lead-times to create a framework for streamflow forecasting that can benefit water resource management and related sectors. To improve streamflow forecasts for up to ten days of lead-time, the study first focuses on improving initial conditions using an ensemble Kalman filter as a data assimilation method. The goal is to regulate the hyperparameters of the ensemble Kalman filter for each season to produce more accurate forecasts. A sensitivity analysis is conducted to identify the best hyperparameter sets for each season, including uncertainty in temperature, precipitation, observed streamflow, and the water content of three state variables - vadose zone, saturated zone, and snowpack - from the CEQUEAU model. Results indicate that improving initial conditions with the ensemble Kalman filter produces more skillful forecasts until a 6-day leadtime. Temperature uncertainty is particularly sensitive and varies across seasons. The vadose zone state variable was identified as the most important and sensitive state variable, and updating all state variables systematically may not be necessary for improving forecast skill. Recent machine learning advances are improving short-term streamflow forecasting. One such method is the Long Short-Term Memory (LSTM) model. In general, neural networks learn from regression as relationships exist between input-output. However, LSTM models have a feature named ‘forget gate’, which enables them to learn the relationship between inputs (e.g., temperature and precipitation) and output (streamflow), and also to capture temporal dependencies in the data. The study aimed to compare the performance of the Long ShortTerm Memory (LSTM) model with data assimilation-based and process-based hydrological models in short-term streamflow forecasting. All three models were tested using the same ensemble weather forecasts. The LSTM model demonstrated good performance in forecasting streamflow, with a Kling-Gupta efficiency (KGE) greater than 0.88 for 9 lead-times. The LSTM model did not incorporate data assimilation, but it benefited from observed streamflow until the last day before the forecast. This is because the LSTM model learned and incorporated knowledge from the previous days while issuing forecasts, similar to how data assimilation updates initial conditions. The study results also showed that the LSTM model had better performance up to day 6 of lead-time compared to the data assimilation-based models. However, training the LSTM model separately for each lead-time is a time-consuming process and is a disadvantage compared to the data assimilation-based methods. Nonetheless, the study demonstrated the potential of machine learning techniques in improving streamflow forecasting. The forecasting of streamflow for long lead-times such as a month usually involves the use of historical meteorological data to create probable future scenarios, as meteorological forecasts become unreliable beyond this lead-time. In this study, we proposed a novel method for streamflow forecasting based on ensemble streamflow forecasting (ESP) filtering, using a Genetic Algorithm (GA) to filter forecast scenarios. This method quantifies the potential of historical data for each basin. This potential could be utilized to enhance the accuracy of streamflow forecasts. We sorted the selected and unselected scenarios to find out the common features between them, but the results did not help distinguish between the two groups. Nonetheless, the GA method can be used as a benchmark for future studies to improve longterm streamflow forecasting. This method can also be used to compare different forecast methods based on the potential shown by the GA method for a specific size of ESP members. For instance, if a method uses large-scale climate signals to filter ESP members, the forecast skill result could be compared with the potential of historical data for that particular size of ESP members.

Flooding, a major natural calamity, severely threatens communities and infrastructures in areas susceptible to floods. Consequently, implementing an Internet of Things (IoT)-based flood monitoring system becomes crucial. Existing flood monitoring systems lack a comprehensive and scalable IoT platform to collect real-time data from diverse sensors efficiently, visualize flood information, and provide accurate water level forecasts. This thesis proposes a complete system designed to address the challenges associated with efficient data collection and flood monitoring from diverse IoT sensors. Our proposition involves creating and deploying a centralized system known as HYDROSIGHT, which facilitates the real-time gathering, monitoring, and visualization of flooding-related sensor data. HYDROSIGHT system also provides a log monitoring feature for effective debugging and troubleshooting. The IoT environment for flood monitoring and prediction system was designed to promote sustainability and autonomy by preferring sensors with minimal footprints and compatibility with solar panels. The system architecture leverages a 4G network for seamless data transmission. To validate the practical applicability of the proposed design,HYDROSIGHT system was tested at two municipalities of Quebec, namely Terrebonne, and Lac-Supérieur. In addition, the platform was also deployed at the Ericsson facility in Montreal to test the 5G capabilities. The deployment in these locations allowed us to evaluate the performance and effectiveness of the HYDROSIGHT system in a real flood monitoring environment. In addition to implementing the IoT testbed, a preliminary machine learning tool was developed on water level forecasting. In this experiment, we opted for an online machine-learning approach, recognizing the significance of real-time updates and low computational resources of IoT devices. Leveraging the constantly updating data from HYDROSIGHT, we trained and tested our online machine-learning model, enhancing its forecasting capabilities. We conducted a comparative analysis to understand the advantages of online machine learning over traditional batch learning. This analysis involved examining the water level forecasting results obtained from both methods using time series data from the HYDROSIGHT system deployed at Lac-Supérieur in Quebec.

Les inondations sont une préoccupation majeure avec un potentiel de risques importants pour la sécurité publique ainsi qu'un impact économique et social négatif. Pour développer un modèle hydrodynamique permettant de cartographier et d'évaluer les risques d'inondation, un modèle d'élévation est un élément essentiel. La grande disponibilité de données de télédétection multisources facilite la création d'un modèle numérique d'élévation topo-bathymétrique (TBDEM). Cependant, il peut être très difficile de créer un modèle d'élévation à haute résolution homogène adapté à la cartographie des inondations en raison des divergences entre les données topographiques et bathymétriques causées par des changements temporels, des systèmes de référence horizontaux et verticaux différents, et des différences significatives en termes de résolution, incertitude et zone de couverture. Cette étude présente une méthodologie qui élargit les études précédentes axées sur la cartographie côtière à basse résolution en résolvant les différences spatiales et temporelles des jeux de données multisources tout en maintenant l'intégrité de la morphologie des berges et de l'environnement proche du rivage. Ceci est réalisé en appliquant une nouvelle méthodologie de fusion qui est mieux adaptée aux sources de données en jeu. Une méthode de moindre coût est appliquée aux données topographiques alors qu'une méthode de feathering est appliquée aux données bathymétriques. Pour ce qui est de la zone intermédiaire à l'interface de la terre et de l'eau, des transects sont utilisés pour interpoler entre les données manquantes afin de garantir l'intégrité du littoral. Enfin, une méthode de krigeage empirique bayésien appliqué à l'ensemble des données permet de produire une surface sans discontinuité accompagnée d'une surface d'erreur pour analyser l'incertitude en chaque point du modèle. Des données LiDAR aéroporté ainsi que des données de bathymétrie multifaisceau de la section supérieure du fleuve Saint-Laurent au Québec, Canada ont été combinées en utilisant la méthodologie proposée. Le TBDEM produit dans cette étude constitue une meilleure représentation que les modèles précédents et minimise l'erreur dans les données. La capacité de ce TBDEM à être plus performant que les modèles précédents dans les simulations hydrodynamiques sera testée dans des études futures en utilisant des événements de crue enregistrés précédemment.

Les instances responsables d’assurer la gestion des risques d’inondations reliés aux embâcles de glace sont toujours à la recherche d’outils visant à prévenir les risques et réduire les conséquences sur les populations et les infrastructures. Grâce à la modélisation de certains paramètres jouant un rôle dans la formation des embâcles de glace comme la prédisposition géomorphologique et les conditions hydrométéorologiques, la prévention de ceux-ci s’est grandement améliorée. Les modèles axés sur la force de mobilisation de la rivière et sa capacité à contraindre l’écoulement gagnerait en pertinence s’ils pouvaient inclure la résistance du couvert de glace. Les outils de télédétection sont une manière efficace de connaitre l’état du couvert de glace tant sur l’ensemble de la rivière qu'à différents endroits ciblés. Ceux-ci peuvent générer différents produits cartographiques utiles avant, pendant et après les événements. La présente thèse vise à intégrer le suivi du couvert de glace dans les méthodes de prévention des embâcles à l’aide d’outils provenant de la télédétection. Pour ce faire, quatre sous-objectifs ont été accomplis 1) créer une approche de suivi du couvert de glace à grande échelle en exploitant les données de télédétection optique, radar et acquises par drone, 2) développer une méthode de cartographie automatique du type de glace par estimation d’ensemble à partir d’imagerie radar, 3) concevoir un modèle de détection automatique des lieux à risque de débâcle en utilisant les connaissances de personnes expertes pour interpréter les cartes du type de glace et 4) intégrer les outils développés aux autres modèles conçus dans le cadre de DAVE (Dispositif d’alertes et de vigilance aux embâcles). Les contributions originales découlant de cette thèse touchent plusieurs aspects du suivi du couvert de glace. Elles incluent la démonstration de la pertinence des indicateurs de suivi de la glace par la télédétection, la conceptualisation d’une méthode de segmentation de la rivière en secteurs de production, transport et accumulation de la glace, l’élaboration d’un modèle de cartographie du type de glace par estimation d’ensemble plus performant et polyvalent que les classificateurs originaux, la construction d’une base de données de dégradation du couvert de glace à partir des connaissances de personnes expertes en cartographie de la glace et un modèle de classification de la dégradation du couvert de glace. Cette thèse se conclut par l’intégration conceptuelle à l’aide d’une analyse multicritères hiérarchique des différents outils développés au sein de DAVE. <br /><br /> The authorities responsible for ice jam flood risk management are always looking for tools to prevent harm and reduce consequences on populations and infrastructure. Ice jam prevention has been greatly improved by modelling certain parameters—such as geomorphic predispositions and hydrometeorological conditions—that are central to ice jam formation. These models focusing on the strength of the river current and its ability to constrain the flow would gain in relevance if they could include ice cover strength. Remote sensing tools are an effective way of knowing the state of the ice cover over the whole river and at different target locations. These can be used to generate different map products to include in monitoring before, during and after hazard events. This dissertation therefore aims to integrate ice cover monitoring into ice jam prevention methods using remote sensing tools. To do so, three main sub-objectives were accomplished: 1) to create a large-scale ice cover monitoring approach using remote sensing data such as optical, radar and drone images, 2) to develop a method for automatic mapping of ice type by ensemble estimation from radar imagery, 3) to design an automatic detection model for breakup risk locations using ice type maps and expert judgment and 4) to integrate the tools developed with other models created within the Dispositif d’alertes et de vigilance des embâcles de glace (DAVE). The original contribution from this work covers multiple aspects of ice cover monitoring. This dissertation demonstrates the relevance of direct indicators of ice monitoring by remote sensing, conceptualizes a method for river segmentation into areas of ice production, transport and accumulation, develops an ensemble-based estimation ice type mapping model more efficient and versatile than the original algorithms, constructs an ice cover degradation database derived from the knowledge of ice mapping experts, and proposes a classification model of ice cover degradation. This dissertation concludes with the conceptual integration by analytic hierarchy process of the different tools developed within DAVE.

RÉSUMÉ : Le fjord du Saguenay est une vallée glacière de 110 km de long et de 280 m de profondeur maximale qui relie la rivière Saguenay à sa tête à l'estuaire du Saint-Laurent à son embouchure. La bathymétrie du fjord est caractérisée par 3 seuils : le seuil peu profond (~ 20 m) à l'embouchure, un seuil intermédiaire (60 m) à 20 km en amont et un seuil profond (120 m) à 35 km en amont. Ces seuils séparent le fjord en 3 bassins : le bassin extérieur, le bassin intermédiaire et le bassin intérieur. La circulation dans le fjord est forcée par l'apport d'eau douce de la rivière Saguenay à sa tête, de grandes marées (jusqu'à 6 m de marnage) à son embouchure qui apportent de l'eau salée ainsi que par le vent. La circulation à grande échelle a été caractérisée par trois régimes saisonniers au cours desquels les eaux profondes, intermédiaires et de sous-surface du bassin intérieur sont renouvelées respectivement au début de l'hiver, en été et à la fin de l'hiver. Des indications indirectes suggèrent que ces régimes sont déterminés par des processus turbulents qui se produisent localement à chacun de ces trois seuils. Ici, nous présentons les résultats des expériences de terrain que nous avons menées qui visaient à étudier plus directement la dynamique des processus de seuil induits par les courants de marées ainsi que les modifications de masse d'eau qui surviennent aux seuils. À ce jour, nos mesures fournissent la description la plus précise et la plus complète des structures d'écoulement de marée stratifié autour des seuils internes du fjord du Saguenay. Nous avons également observé qu'un ressaut hydraulique interne semble se former lors de chaque marée descendante en aval du seuil intermédiaire, mais pas lors des marées montantes. Des recherches sont toujours en cours pour mieux comprendre cette asymétrie, mais notre hypothèse est que la présence d'une masse d'eau plus salée en amont du seuil intermédiaire empêche la formation d'un ressaut hydraulique, un processus qui pourrait être similaire à celui documenté à Knight Inlet (Colombie-Britannique, Canada). -- Mot(s) clé(s) en français : Fjord du Saguenay, Estuaire du St-Laurent, Processus de Seuil, Mélange Turbulent, Océanographique Côtière. -- ABSTRACT : The Saguenay Fjord is a 110 km long and 280 m deep (max depth) multi-silled glacial valley that connects the Saguenay River at its head with the St. Lawrence Estuary at its mouth. The bathymetry is characterized by 3 sills : a shallow 20-m deep sill at the mouth, an intermediate 60-m deep sill 20 km up-fjord and a deep 120-m sill 35 km up-fjord. These sills separate 3 basins, the outer, the intermediate and the inner basins. The circulation in the fjord is forced by the Saguenay River at its head that brings freshwater, large tides (up to 6 m range) at its mouth that brings salt water and by wind. The large-scale circulation has been characterized by four seasonally dependent regimes during which the deep, intermediate and subsurface waters of the inner basin are being renewed, respectively, during early winter, summer and late winter. There are indirect indications that those regimes are determined by turbulent processes occurring locally at each of these three sills. Here, we carried out field experiments to more directly investigate the detailed dynamics of tidally-driven sill processes and water mass modifications occurring across these three sills. Our measurements provide to date the most accurate and complete description of the stratified tidal flow structures around these sills. We also found that an internal hydraulic jump seems to form every ebb tide on the down-fjord side of the intermediate sill but not during flood tide on the up-fjord side. Research is ongoing to better understand this asymmetry but our hypothesis is that it is the presence of a salty pool up-fjord of the sill that prevents the formation of a hydraulic jump, a process that may be similar to that documented in Knight Inlet (British Columbia, Canada). -- Mot(s) clé(s) en anglais : Saguenay Fjord, St-Lawrence Estuary, Sill Processes, Turbulent Mixing, Coastal Oceanography.

Aujourd'hui, la cartographie des réseaux hydrographiques est un sujet important pour la gestion et l'aménagement de l'espace forestier, la prévention contre les risques d'inondation, etc. Les données sources pour cartographier les cours d'eau sont des nuages de points obtenus par des lidars aéroportés. Cependant, les méthodes d'extraction des réseaux usuelles nécessitent des opérations de découpage, de rééchantillonnage et d'assemblage des résultats pour produire un réseau complet, altérant la qualité des résultats et limitant l'automatisation des traitements. Afin de limiter ces opérations, une nouvelle approche d'extraction est considérée. Cette approche propose de construire un réseau de crêtes et de talwegs à partir des points lidar, puis transforme ce réseau en réseau hydrographique. Notre recherche consiste à concevoir une méthode d'extraction robuste du réseau adaptée aux données massives. Ainsi, nous proposons d'abord une approche de calcul du réseau adaptée aux surfaces triangulées garantissant la cohérence topologique du réseau. Nous proposons ensuite une architecture s'appuyant sur des conteneurs pour paralléliser les calculs et ainsi traiter des données massives.

Au Québec, les conditions printanières extraordinaires de 2017 et 2019 ont incité le gouvernement provincial à commander une mise à jour des cartes des zones inondables. La plupart des cartes existantes ne reflètent pas adéquatement l’aménagement actuel du territoire, ni l’aléa associé. Généralement, pour la cartographie, les modèles hydrodynamiques tel que HEC-RAS sont utilisés, mais ces outils nécessitent une expertise significative, des données hydrométriques et des relevés bathymétriques à haute résolution. Étant donnée la nécessité de mettre à jour ces cartes tout en réduisant les coûts financiers associés, des méthodes conceptuelles simplifiées ont été développées. Ces approches, y compris l’approche géomatique HAND (Height above the nearest drainage), qui reposent uniquement sur un modèle numérique d’élévation (MNE), sont de plus en plus utilisées. HAND permet de calculer la hauteur d’eau nécessaire pour inonder chaque pixel du MNE selon la différence entre son élévation et celle du pixel du cours d’eau dans lequel il se déverse. Les informations sur la géométrie hydraulique dérivées par HAND ainsi que l’application de l’équation de Manning permettent la construction d’une courbe de tarage synthétique (CTS) pour chaque tronçon de rivière homogène. Dans la littérature, cette méthode a été appliquée pour établir une cartographie de la zone inondable de première instance de grands fleuves aux États-Unis avec un taux de correspondance de 90% par rapport à l’utilisation de HEC-RAS. Elle n’a toutefois pas été appliquée sur de petits bassins versants, car ceux-ci engendrent des défis méthodologiques substantiels. Ce projet s’attaque à ces défis sur deux bassins versants Québécois, ceux des rivières à la Raquette et Delisle. Les conditions frontières des modèles sont dérivées d’un traitement statistique empirique des séries de débits simulés avec le modèle hydrologique HYDROTEL. Étant donnée l’absence de stations météorologiques sur le territoire à l’étude, des chroniques du système Canadien d’Analyse de la précipitation (CaPA) ont été utilisées pour cette modélisation hydrologique. Les résultats de ce projet pointent vers des performances satisfaisantes de l’approche géomatique HAND-CTS en comparaison avec le modèle hydrodynamique HEC-RAS (1D/2D et 2D au complet), avec des taux de correspondance entre les étendues des inondations supérieurs à 60 % pour les bassins versants de Delisle et à la Raquette. Les comparaisons étaient effectuées sur une gamme de débit allant d’un débit de période de retour de 2 ans jusqu’à un débit de plus de 350 ans. On notera que l’application sur la rivière à la Raquette a été développée dans les règles de l’art, incluant un processus de calage développé dans le cadre d’un projet de maitrise en sciences de l’eau connexe à ce mémoire, relativement à la longueur du tronçon, le calage vertical de la CTS en considérant la hauteur d’eau présente dans le cours d’eau lors du relevé LiDAR et sa précision verticale. Les résultats ont montré que le coefficient de précision globale le plus bas était de 98 % pour un débit de 350 ans, avec une précision de plus que 99 % pour les autres périodes de retour, ce qui représente une très bonne performance du modèle. Et par ailleurs, le coefficient de Kappa conditionnel humide variait entre 58 % et 28 %. Alors, que pour la rivière Delisle, l’application se veut naïve, c’est-à-dire sans calage préalable de la méthode HANDCTS. La précision globale a varié entre 83 % et 96 %, ce qui est considéré comme "très approprié" et une variation du coefficient Kappa conditionnel humide de 35,2 à 64,3 %. Alors que pour une différence d’élévations d'eau entre les élévations de référence et simulées, la performance était quantifiée par un RMSE qui variait pour les périodes de retour de 100 ans et de 350 ans respectivement de 4,5 m et de 7,1 m. Enfin, la distribution spatiale des différences d’élévations montre une distribution gaussienne avec une moyenne qui est à peu près égale à 0 où la plupart des erreurs se situent entre -0,34 m et 1,1 m La cartographie des zones inondables dérivée de HAND-CTS présente encore certains défis associés notamment à la présence d’infrastructures urbaines complexes (ex. : ponceaux, ponts et seuils) dont l’influence hydraulique n’est pas considérée. Dans le contexte où l’ensemble du Québec (529 000 km²) dispose d’une couverture LiDAR, les résultats de ce mémoire permettront de mieux comprendre les sources d’incertitude associées à la méthode HAND-CTS tout en démontrant son potentiel pour les bassins versants dépourvus de données bathymétriques et hydrométéorologiques. <br /><br />The 2017 and 2019 extraordinary spring conditions prompted the Quebec government to update flood risk maps, as most of them do not adequately reflect current land use and associated hazard. Generally, hydrodynamic models such as HEC-RAS are used for flood mapping, but they require significant expertise, hydrometric data, and high-resolution bathymetric surveys. Given the need to update these maps while reducing the associated financial costs, simplified conceptual methods have been developed over the last decade. These methods are increasingly used, including HAND (height above the nearest drainage), which relies on a Digital Elevation Model (DEM) to delineate the inundation area given the water height in a river segment. Furthermore, the river geometry derived from HAND data and the application of Manning’s equation allow for the construction of a synthetic rating curve (SRC) for each homogeneous river segment. In the scientific literature, this framework has been applied to produce first-instance floodplain mapping of large rivers. For example, in the Continental United States 90% match rates were achieved when compared to the use of HEC-RAS. However, this framework has not been validated for small watersheds, as substantial methodological challenges are anticipated. This project addresses these underlying challenges in two Quebec watersheds, the à la Raquette and Delisle watersheds. The boundary conditions of the HECRAS models were derived from an empirical statistical treatment of flow time series simulated by HYDROTEL, a hydrological model, using Canadian Precipitation Analysis Product (CaPA) time series. The results of this project point towards satisfactory performances, with match rates greater than 60 % for both watersheds. It should be noted that the application on the Delisle River is naive, that is without prior calibration of the HAND-SRC method. The overall accuracy ranged from 83.4 % to 96.2 % while the water surface elevation difference was quantified by an RMSE that was for the 100-year and 350-year return periods of 4.5 m and 7.1 m respectively and where most errors are between -0.34 m and 1.1 m representing a very good model comparing to similar studies. For à la Raquette, the application showed an overall accuracy coefficient of 98 % for a 350-year flow, with an accuracy of over 99 % for other return periods. The mapping of flood risk areas using HAND-SRC still faces certain challenges, notably the presence of complex urban infrastructures (e.g., culverts, bridges, and weirs) whose hydraulic influences are not considered by this geomatic approach. Given that most of Quebec (529,000 km²) topography has been digitized using LiDAR data, the results conveyed in this MSc thesis will allow for a better understanding of the sources of uncertainty associated with the application of the HAND-SRC method while demonstrating its potential for watersheds lacking hydrometeorological and high-resolution bathymetric data.

This thesis examines the main socio-environmental relationships related to recurrent floodings in the Sainte-Anne River watershed by mobilizing the history of land use, local knowledge and risk management policies. From a political ecology perspective, these relationships are part of both social representations of nature, power dynamics associated with the appropriation of ressources and multiple temporalities. By also mobilizing the theoreticals frameworks of the anthropology of disasters and amphibian anthropology, this study allow to retrace step by step what “flood zone” is as a socially constructed space by the authorities, and go back to the source of the advent of “flood” as a catastrophic event, where rising waters have been part of the characteristics of these territories since the beginning of the sedentarization of its inhabitants. Based on 93 semi-directed interviews (76 residents and 17 institutions stakeholders) realized between February to October 2019, non-participant observation and documentary research in municipal and regional archives, this ethnography of the Sainte-Anne River watershed allows a unique incursion with Quebec riverside residents who live with recurrent rising waters. Through four case studies (Saint-Raymond, Saint-Alban, Saint-Casimir and Sainte-Anne-de-la-Pérade), historical contexts of occupation of the territory were documented and significant events were described by focusing on local residents adaptation strategies and anticipated management by institutional stakeholders. The result is a portrait, in a temporal perspective, of the relationship of cohabitation between residents and the river and its overflows. This cohabitation is characterized by tensions and paradoxes associated with different social representations of water and temporality that coexist within the actors, as well as changes in power relations towards the environment. Cette thèse examine les principaux rapports socio-environnementaux liés aux inondations récurrentes dans le bassin versant de la rivière Sainte-Anne en mobilisant l’histoire de l’occupation du territoire, les savoirs locaux et les politiques de gestion des risques. Dans une perspective d’écologie politique, ces rapports s’inscrivent à la fois dans les représentations sociales de la nature, les dynamiques de pouvoir associées à l’appropriation des ressources et des temporalités multiples. En puisant également dans les cadres théoriques de l’anthropologie des catastrophes et de l’anthropologie amphibienne, cette étude permet notamment de retracer pas à pas ce qu’est la « zone inondable » en tant qu’espace construit socialement par les autorités, et de remonter à la source de l’avènement de « l’inondation » comme étant un événement catastrophique, alors que la montée des eaux fait partie des caractéristiques de ces territoires depuis le début de la sédentarisation des habitants. Basée sur 93 entrevues semi-dirigées (76 riverains et 17 acteurs institutionnels) menées de février à octobre 2019, de l’observation non participante et une recherche documentaire dans les archives municipales et régionales, cette ethnographie du bassin versant de la rivière Sainte-Anne permet une incursion unique auprès de citoyens québécois qui vivent avec la montée récurrente des eaux. Pour quatre municipalités riveraines (Saint-Raymond, Saint-Alban, Saint-Casimir et Sainte-Anne-de-la-Pérade), les contextes historiques de l’occupation du territoire ont été documentés et les événements significatifs ont été décrits en focalisant sur les stratégies d’adaptation des résidents et la gestion menée par des acteurs institutionnels. En résulte un portrait, dans une perspective temporelle, de la relation de cohabitation entre les riverains et la rivière et ses débordements. Cette cohabitation est caractérisée par des tensions et des paradoxes associés aux différentes représentations sociales de l’eau et de la temporalité qui coexistent au sein des acteurs, ainsi qu’aux changements dans les rapports de pouvoir envers l’environnement.

Analyse des variables associées aux comportements préventifs à l'inondation, Hountondji, Lionel, 2023, Université Laval. Copyright by the author unless stated otherwise.