Estimation des concentrations de sédiments en suspension dans le fleuve Saint Jean (Nouveau‐Brunswick) et établissement de liens avec les données météorologiques locales

• Main Author: Higgins, Hélène
• Format: Dissertation
• Language: French
• Published: ProQuest Dissertations & Theses 01-01-2010
• Subjects: Artificial intelligence; Correlation analysis; Neural networks; Precipitation; Rivers; Sediments; Time series; Water Resources Management; Watersheds
• ISBN: 9798379639747

Le port de Saint John, au Nouveau Brunswick, est situé dans l’estuaire du fleuve Saint Jean et reçoit des apports de sédiments qui s’accumulent et entravent le passage des navires. De coûteuses opérations de dragage sont nécessaires chaque année pour maintenir les profondeurs à un niveau acceptable pour les opérations du port, mais les autorités portuaires sont incapables de prédire l’ampleur des travaux qui varie énormément d’une année à l’autre. Il est donc primordial d’étudier plus en profondeur la proportion de sédiments qui est acheminée au port de Saint John par la rivière, et de déterminer s’il est possible d’en estimer le volume à chaque année à l’aide de variables simples et facilement accessibles. Les variables étudiées comprennent un éventail de données hydrométéorologiques incluant le débit (Q), le niveau d’eau (H) et la précipitation (P). Puisque peu de données de sédiments ont été prises historiquement sur la branche principale du fleuve, une première étape de ce projet consistait à étudier une série chronologique de données journalières de concentration de sédiments en suspension (CSS) allant de 1967 à 1987 sur un tributaire important situé dans la portion en aval du fleuve, la rivière Kennebecasis. Les principales variables explicatives pour la variation des CSS au pas de temps journalier, identifiées à l’aide de corrélations, sont le débit du jour suivant, la pluie du jour précédent et la précipitation cumulée de 6 jours, bien que les coefficients de corrélation sont relativement faibles. Une analyse fréquentielle des maximums annuels de CSS et des variables hydrométéorologiques n’a pas permis d’identifier les quantiles extrêmes coïncidant qui auraient pu indiquer quelles sont les variables explicatives potentielles qui génèrent les valeurs extrêmes de CSS, qui sont typiquement une composante importante des charges annuelles. Afin de déterminer si de meilleures relations existent dans un contexte non linéaire, un réseau de neurone artificiel (RNA) a été développé permettant d’estimer les charges journalières de façon satisfaisante (r²= 0,88), Un écart absolu moyen de 16% a été ensuite obtenu entre les charges annuelles calculées et celles estimées par le modèle. Le RNA avait pour intrants la température moyenne, Q, Q(t-1), Q(t-2) et le jour julien (JJ). Toutefois, il semble que certains impacts anthropiques et le synchronisme de certains évènements (ex. pluie et activités agricoles) devraient être étudiés afin d’améliorer l’estimation.En parallèle à l’analyse de la rivière Kennebecasis, un suivi de la turbidité a été réalisé à deux sites dans un tronçon du fleuve situé en aval du barrage Mactaquac. Le suivi de la turbidité a été fait à haute fréquence comme mesure indirecte de la CSS. Le site le plus en aval a subi d’importantes pertes de données et a dû être abandonné, mais une courbe de calibration turbidité-CSS a été développée pour le site en amont, situé près de la ville de Fredericton. Une étude de corrélations a permis d’identifier H, P(-1) et la précipitation cumulée de 12 jours comme variables explicatives potentielles, mais encore une fois, les coefficients de corrélation sont relativement faibles. Deux modèles ont été développés et comparés : une régression linéaire multiple pas à pas et une interpolation par krigeage dans un espace multivarié.