Estimation de la recharge

Ce deuxième volet de la thèse a porté sur le développement méthodologique et d’outils logiciels pour l’application et l’amélioration d’une méthode d’estimation de la recharge présentée parLefebvre et al.

(2011). Cette méthode est basée sur le calage d’un bilan hydrologique de surface couplé à un bilan en eau d’un aquifère libre à des mesures du niveau d’eau dans un puits d’observation et requiert également des mesures journalières continues de la température de l’air et des précipitations totales.

Dans le cadre de ces travaux, le tableur Excel développé par Lefebvre et al. (2011) pour l’application de la méthode a d’abord été converti dans le langage de programmation Python. Ceci a permis de faciliter l’automatisation de la méthode et l’ajout de modifications basées sur des techniques de calcul plus complexe dont l’implémentation dans Excel aurait été plus difficile. Par la suite, un modèle pour simuler la fonte de la neige accumulée à la surface du sol a été ajouté au bilan hydrologique de surface. Ceci est une amélioration importante par rapport à la méthode présentée dansLefebvre et al. (2011) où toute la neige accumulée en surface était fondue instantanément dès que la température de l’air dépassait un certain seuil. Cela ne permettait pas de bien représenter

la fonte au printemps, ni les redoux de la température durant la période hivernale. Ensuite, un algorithme a été développé dans Python pour estimer de façon précise et automatisée la courbe maîtresse de récession à partir des hydrogrammes de puits observés. Ceci constitue une contribution majeure puisque la courbe maîtresse de récession était auparavant estimée graphiquement. Enfin, la méthode d’optimisation GLUE (Generalized Likelihood Uncertainty Estimation) a été utilisée pour automatiser l’estimation de la recharge et évaluer son incertitude. Ceci constitue une contribution majeure par rapport à la méthode originale où l’optimisation de la recharge était faite manuellement par essai et erreur et où l’incertitude était estimée de façon plus ou moins arbitraire.

La méthode ainsi améliorée a été testée avec des mesures de niveaux d’eau dans un puits d’observation situé à Pont-Rouge, dans l’aquifère deltaïque de la région de Portneuf, près de Québec, où plusieurs études ont été réalisées au cours des dernières années, dont celle deLarose-Charette

et al.(2000) etLefebvre et al. (2011). La recharge annuelle moyenne a été estimée à 286 mm/a et des valeurs limites pour l’intervalle de confiance de 5 à 95 % de 223 et 384 mm/a ont été établies. Cela correspond à une plage de l’incertitude moyenne de 161 mm/a, ce qui représente une réduction de l’incertitude de plus de 40 mm/a par rapport à celle estimée par Larose-Charette et al. (2000). De plus, l’application de la méthode a permis de réduire les plages des paramètres qui avaient été établies a priori pour RAS_max et C_RO par Larose-Charette et al. (2000). L’incertitude sur la recharge pourrait même être réduite davantage par une meilleure connaissance préalable des plages de valeurs plausibles des paramètres hydrologiques du modèle, à l’aide de travaux en laboratoire ou sur le terrain. Les résultats ont également montré que l’enveloppe des niveaux d’eau estimée avec GLUE pour l’intervalle de confiance de 5 à 95 % ne permet pas d’englober toutes les mesures puisque les fluctuations à court terme ne sont pas toujours bien représentées par le modèle.

Plusieurs pistes ont été proposées pour améliorer la méthode dans de futurs travaux. Entre autres, l’incertitude sur la définition de la courbe maîtresse de récession devrait être prise en compte dans la résolution du problème d’optimisation avec la méthode GLUE. Le modèle de fonte de la neige, qui a été ajouté pour améliorer le modèle de Lefebvre et al.(2011), pourrait être complexifié davantage de façon à mieux caractériser les paramètres de ce dernier à partir des données météorologiques déjà requises pour l’application de la méthode. Des travaux pourraient également être réalisés pour développer une méthodologie permettant de mieux définir les plages de valeurs plausibles des paramètres hydrologiques du modèle. Finalement, il serait bénéfique de tester l’approche avec des

données de niveaux d’eau synthétiques produites avec un modèle couplé complexe comme CATHY (CATchment HYdrogeological model).

4.2.2 Comblement des données météorologiques journalières manquantes

Outre l’estimation de la recharge, une partie importante des travaux présentés dans ce volet de la thèse a porté sur le comblement automatisé des valeurs manquantes dans les séries de données météorologiques quotidiennes. Cela était d’intérêt dans le cadre de ce projet, car des données journalières continues de précipitations et de la température du sol sont nécessaires pour l’application de la méthode discutée à la section précédente.

Un algorithme nommé PyGWD (Python Gap-filling Weather Data algorithm) a donc été développé dans le langage de programmation Python. L’algorithme a été testé sur un réseau de 19 stations météorologiques situées en Montérégie Est et validé avec de la validation croisée. Les résultats obtenus ont montré que la méthode permet d’estimer de façon adéquate les valeurs manquantes pour les températures minimales, moyennes et maximales de l’air et les précipitations totales pour les 19 stations testées. Cet algorithme permet de faciliter grandement l’application de la méthode d’estimation de la recharge discutée précédemment. De plus, une fois publié, il pourra être utile à des applications dans des domaines autres que l’hydrogéologie, tels que l’agronomie et l’hydrologie.

Toutefois, les travaux de validation de l’algorithme ont souligné certaines limitations de l’approche pour l’estimation des précipitations quotidiennes. La méthode de régression linéaire multiple utilisée dans l’algorithme a tendance à sous-estimer systématiquement l’amplitude des événements de forte intensité. Concrètement, ceci implique que des erreurs importantes peuvent être associées à des événements de fortes précipitations estimés avec la méthode, qui sont toutefois peu fréquents. Le nombre de jours pluvieux (jours avec des précipitations) est également surestimé par la méthode. Bien que cela ne se traduise que par de petites erreurs sur les précipitations totales d’une année, cela peut avoir des implications importantes pour les modèles de bilan en eau de surface qui, parfois, ne permettent pas l’évapotranspiration pendant les jours pluvieux.

Des travaux futurs ont été proposés pour améliorer l’approche et pallier les limitations qui ont été mises en évidence par ces travaux. Entre autres, l’approche en deux étapes proposée par Simolo

et al.(2010) pour limiter les problèmes discutés ci-dessus pourraient être intégrée et testée dans une future version de PyGWD.