19 avril 2023 12pm ET : Webinaire du SYP Ottawa de l'ACRH : "Applications de l'apprentissage automatique en hydrologie et géomorphologie" avec Hannah Burdett et Cody Kupferschmidt

Titre de la présentation #1 : Prévision de la migration des chenaux de rivière - Combinaison des approches existantes avec l'apprentissage automatique

Orateur : Cody Kupferschmidt

Résumé :

Les processus géomorphologiques à l'origine de la migration des chenaux fluviaux peuvent être très variables et entraîner des risques importants. La capacité à prédire avec précision et confiance les changements futurs de la géométrie des cours d'eau joue un rôle important dans l'atténuation des risques. Dans cette présentation, nous passons en revue les techniques existantes de prévision de la migration des chenaux fluviaux, y compris les méthodes basées sur l'imagerie aérienne/les enquêtes, les méthodes empiriques/probabilistes et les méthodes basées sur la physique. Nous identifions les cas d'utilisation potentiels de l'apprentissage automatique pour aider à améliorer ces processus, et nous présentons les résultats préliminaires de notre recherche sur le sujet.

Bio de l'orateur :

Cody Kupferschmidt est candidat au doctorat à l'université de Guelph, où il travaille actuellement avec Andrew Binns à l'école d'ingénierie. Les recherches actuelles de Cody portent sur les applications de l'apprentissage automatique à l'ingénierie des ressources en eau, dans le but d'améliorer les prévisions relatives à la migration des chenaux fluviaux. Cody est également ingénieur agréé (Ontario) et, avant de retourner à l'école pour poursuivre son doctorat, il a travaillé dans les secteurs du génie-conseil et de l'énergie renouvelable.

#2 Titre de la présentation : Détermination des relations de mise à l'échelle de l'ablation de la neige via l'apprentissage automatiqueConférencier : Hannah Burdett

Résumé :

Cette présentation donnera un aperçu du développement d'une méthodologie de mise à l'échelle qui examine la variabilité temporelle et spatiale des flux de sublimation et de fonte des neiges dans un bassin versant des Rocheuses canadiennes à l'aide de méthodes d'apprentissage automatique. Bien que les processus hydrologiques soient souvent mesurés et compris à l'échelle ponctuelle, il existe une variabilité spatiale significative dans les grands paysages. Cette étude consiste à estimer les résultats spatialement moyens d'un modèle hydrologique discrétisé à résolution fine sans connaissance explicite de la réponse locale détaillée et avec et sans statistiques d'état d'ordre inférieur (par exemple, l'écart-type de l'équivalent en eau de la neige). Une série d'expériences dont la complexité augmente progressivement est utilisée pour tester et valider le fait que la méthodologie de mise à l'échelle peut représenter avec succès l'impact de l'hétérogénéité au sein du système.

Bio de l'orateur :

Hannah est candidate au doctorat à l'Université de Waterloo sous la direction de James Craig, où elle applique des méthodes d'apprentissage automatique pour aider à la mise à l'échelle dans la modélisation hydrologique. Elle a précédemment obtenu une maîtrise en analyse spatiale à l'Université métropolitaine de Toronto, où elle a utilisé des applications d'apprentissage automatique pour prédire le rendement des cultures. En plus de ses recherches actuelles, Hannah a développé Magpie, un flux de travail open-source en Python et R créé dans Google Colab pour aider à la préparation des données géospatiales et à la construction de modèles pour Raven, un cadre de modélisation hydrologique flexible.