Revue bibliographique des méthodes de prévision des débits

Abstract

Dans le domaine de la prévision des débits, une grande variété de méthodes sont disponibles: des modèles stochastiques et conceptuels mais aussi des approches plus novatrices telles que les réseaux de neurones artificiels, les modèles à base de règles floues, la méthode des k plus proches voisins, la régression floue et les splines de régression. Après avoir effectué une revue détaillée de ces méthodes et de leurs applications récentes, nous proposons une classification qui permet de mettre en lumière les différences mais aussi les ressemblances entre ces approches. Elles sont ensuite comparées pour les problèmes différents de la prévision à court, moyen et long terme. Les recommandations que nous effectuons varient aussi avec le niveau d'information a priori. Par exemple, lorsque l'on dispose de séries chronologiques stationnaires de longue durée, nous recommandons l'emploi de la méthode non paramétrique des k plus proches voisins pour les prévisions à court et moyen terme. Au contraire, pour la prévision à plus long terme à partir d'un nombre restreint d'observations, nous suggérons l'emploi d'un modèle conceptuel couplé à un modèle météorologique basé sur l'historique. Bien que l'emphase soit mise sur le problème de la prévision des débits, une grande partie de cette revue, principalement celle traitant des modèles empiriques, est aussi pertinente pour la prévision d'autres variables.

Streamflow forecasting using functional regression

“…Therefore, there is a wide body of literature concerning streamflow forecasting, developing and applying a wide range of forecasting methods. For such a purpose, two types of models can be identified (Fortin et al, 1997): a) physical models which apply deterministic equations to a set of input variables (such as physiographic features or rainfall) to obtain the desired streamflow values, and b) statistical models which model streamflows in a probabilistic way and which take into account the uncertainty in observed data. The latter are often cheaper to perform.…”

Using the Markov Chain for the Generation of Monthly Rainfall Series in a Semi-Arid Zone

“…The ARIMA models have been discussed in detail by Salas et al (1980) [20], Fortin et al (1994) [21], Unal et al (2004) [16] and Machiwal and Jha (2012) [19]. This type of model requires Gaussian series.…”

Predicting catchment flow in a semi‐arid region via an artificial neural network technique

“…In a hydrological context it has been used for river flow prediction (Halff et al, 1993;Karunanithi et al, 1994;Dimopoulos et al, 1996;Lek et al, 1996;Fortin et al, 1997;Imrie et al, 2000;Hu et al, 2001).…”