Votre recherche

In cold regions, ice jams frequently result in severe flooding due to a rapid rise in water levels upstream of the jam. Sudden floods resulting from ice jams threaten human safety and cause damage to properties and infrastructure. Hence, ice-jam prediction tools can give an early warning to increase response time and minimize the possible damages. However, ice-jam prediction has always been a challenge as there is no analytical method available for this purpose. Nonetheless, ice jams form when some hydro-meteorological conditions happen, a few hours to a few days before the event. Ice-jam prediction can be addressed as a binary multivariate time-series classification. Deep learning techniques have been widely used for time-series classification in many fields such as finance, engineering, weather forecasting, and medicine. In this research, we successfully applied convolutional neural networks (CNN), long short-term memory (LSTM), and combined convolutional–long short-term memory (CNN-LSTM) networks to predict the formation of ice jams in 150 rivers in the province of Quebec (Canada). We also employed machine learning methods including support vector machine (SVM), k-nearest neighbors classifier (KNN), decision tree, and multilayer perceptron (MLP) for this purpose. The hydro-meteorological variables (e.g., temperature, precipitation, and snow depth) along with the corresponding jam or no-jam events are used as model inputs. Ten percent of the data were excluded from the model and set aside for testing, and 100 reshuffling and splitting iterations were applied to 80 % of the remaining data for training and 20 % for validation. The developed deep learning models achieved improvements in performance in comparison to the developed machine learning models. The results show that the CNN-LSTM model yields the best results in the validation and testing with F1 scores of 0.82 and 0.92, respectively. This demonstrates that CNN and LSTM models are complementary, and a combination of both further improves classification.

La rivière Chaudière, située au sud de la Ville de Québec, est sujette aux inondations provoquées par la formation d'embâcles. Des inondations ont été enregistrées depuis 1896 jusqu'à ce jour malgré la mise en service, en 1967, d'un ouvrage de contrôle des glaces (ICS) à 3 kilomètres en amont de la Ville de Saint-Georges-de-Beauce afin de réduire les inondations causées par la glace dans le secteur le plus à risque de la rivière Chaudière. Les inondations par embâcles demeurent donc un problème récurrent qui affecte régulièrement 8 villes le long du tronçon de 90 kilomètres en aval de l'ICS. Dans le cadre d'un programme gouvernemental d'aléas d'inondation initié par le ministère des Affaires Municipales et de l'Habitation (MAMH), un mandat pour évaluer les cotes de crues en présence de glace de la rivière Chaudière a été confié à l'Université Laval. La modélisation d'embâcles combinée à des données d'observations historiques d'embâcles est utilisée pour déterminer les niveaux d'inondation par embâcles. L'approche préconisée consiste à contrôler un modèle de simulation hydraulique fluviale, plus spécifiquement le module HEC-RAS, avec un script externe en Python pour générer une distribution Monte-Carlo (MOCA) d'évènements d'embâcles le long du secteur de la rivière à l'étude. Les paramètres mécaniques tels que l'angle de frottement, la porosité et les vitesses de contrainte de cisaillement critiques sont également attribués de manière aléatoire par le script dans une plage délimitée. Les paramètres physiques et hydrologiques attribués à chaque évènement sont choisis au hasard en fonction d'une probabilité estimée à partir des observations historiques, soit le débit calculé à l'ICS, l'emplacement de l'embâcle, la longueur de l'embâcle et les degrés-jours de gel (épaisseur de la glace). Les cotes de crues selon les périodes de retour de 2, 20, 100 et 350 ans sont alors déterminées selon une équation statistique empirique de Gringorten, suivie d'une modulation pour tenir compte des facteurs externes non considérés par MOCA. Ces cotes de crues en présence de glace sont comparées à celles en eau libre telles que déterminées par la méthode classique. Le projet démontre que les niveaux d'eau calculés en présence de glace prédominent ceux en eau libre pour les villes en amont de Saint-Joseph-de-Beauce. La combinaison des niveaux d'eau en présence de glace et en eau libre, réalisée à l'aide de l'équation de la FEMA, montre que la probabilité d'atteindre un seuil spécifique d'élévation diminue la période de retour et en conséquence augmente les probabilités reliées aux inondations. Ce mémoire est le premier travail scientifique qui présente une validation complète de l'approche hydrotechnique utilisant les valeurs in situ de débit, de DJGC et de l'emplacement et de la longueur d'embâcles pour la détermination des cotes de crue par embâcles. Les valeurs de cotes de crues calculées avec la méthode MOCA sont comparées avec les données historiques dans le secteur à l'étude de la rivière Chaudière. La présente étude met en évidence les limitations et les conditions nécessaires pour l'utilisation de cette méthode. Ce projet de recherche montre aussi pour la première fois que l'approche hydrotechnique permet de calculer des courbes fréquentielles de niveaux d'eau en présence de glace qui peuvent être utilisées à des fins réglementaires au Québec.

Seasonal snowpack deeply influences the distribution of meltwater among watercourses and groundwater. During rain-on-snow (ROS) events, the structure and properties of the different snow and ice layers dictate the quantity and timing of water flowing out of the snowpack, increasing the risk of flooding and ice jams. With ongoing climate change, a better understanding of the processes and internal properties influencing snowpack outflows is needed to predict the hydrological consequences of winter melting episodes and increases in the frequency of ROS events. This study develops a multi-method approach to monitor the key snowpack properties in a non-mountainous environment in a repeated and non-destructive way. Snowpack evolution during the winter of 2020–2021 was evaluated using a drone-based, ground-penetrating radar (GPR) coupled with photogrammetry surveys conducted at the Ste-Marthe experimental watershed in Quebec, Canada. Drone-based surveys were performed over a 200 m2 area with a flat and a sloped section. In addition, time domain reflectometry (TDR) measurements were used to follow water flow through the snowpack and identify drivers of the changes in snowpack conditions, as observed in the drone-based surveys. The experimental watershed is equipped with state-of-the-art automatic weather stations that, together with weekly snow pit measurements over the ablation period, served as a reference for the multi-method monitoring approach. Drone surveys conducted on a weekly basis were used to generate georeferenced snow depth, density, snow water equivalent and bulk liquid water content maps. Despite some limitations, the results show that the combination of drone-based GPR, photogrammetric surveys and TDR is very promising for assessing the spatiotemporal evolution of the key hydrological characteristics of the snowpack. For instance, the tested method allowed for measuring marked differences in snow pack behaviour between the first and second weeks of the ablation period. A ROS event that occurred during the first week did not generate significant changes in snow pack density, liquid water content and water equivalent, while another one that happened in the second week of ablation generated changes in all three variables. After the second week of ablation, differences in density, liquid water content (LWC) and snow water equivalent (SWE) between the flat and the sloped sections of the study area were detected by the drone-based GPR measurements. Comparison between different events was made possible by the contact-free nature of the drone-based measurements.

Durant les mois de janvier et février 2019, trois embâcles ont forcé l’arrêt de la navigation commerciale vers le Port de Montréal. Ce mémoire présente les conditions météorologiques associées aux embâcles sur le fleuve Saint Laurent de l’hiver 2018-2019. Il explique que les embâcles se développent à la suite d’arrêts de glace dans le bief problématique du lac Saint-Pierre entre la courbe Louiseville et le bassin Yamachiche. Pour ce faire, l’étude considère la production de glace en amont jusqu’au lac Saint-Louis. Il explique pourquoi ce bief est si vulnérable à l’initiation d’embâcles en présentant les neuf concepts de vulnérabilité du lac Saint-Pierre. De plus, il propose quatorze recommandations concrètes pour améliorer la fiabilité de navigation hivernale en réduisant les risques d’embâcles. En considérant ces recommandations, différentes opportunités de télédétection et une interface utilisateur sont présentées. L’opportunité de télédétection introduit la possibilité d’usage d’images de RADARSAT Constellation Mission et de photographies par drone afin d’évaluer des éléments clés comme la progression du couvert de glace, la largeur effective du chenal, la concentration de glace en transit et la vitesse de la glace. L’interface est un prototype d’outil d’aide à la décision de source libre qui permet d’obtenir d’autres informations quantitatives sur les risques d’arrêts de glace et du même fait, d’embâcles de glace.