Prévision de seuils de vigilance sécheresse : tests de régression logistique avec des données hydro-climatiques - Archive ouverte HAL
Rapport (Rapport De Recherche) Année : 2020

Prévision de seuils de vigilance sécheresse : tests de régression logistique avec des données hydro-climatiques

Résumé

Cette étude spécifique du projet CHIMERE21 avait pour objectif de proposer et d’évaluer une méthodologie de prévision de seuils de vigilance sécheresse en utilisant des données hydroclimatiques et un modèle de régression logistique. Nous développons dans ce rapport la méthodologie et différents tests effectués afin d’évaluer la configuration optimale et les performances par rapport à un modèle de persistance naïf. Différents tests sont effectués afin de déterminer la transférabilité spatiale et temporelle de la méthode. Nous montrons que les performances d’un tel modèle restent faibles pour les différents seuils de vigilance : pour les toutes premières échéances de prévision (jusqu'à un mois), le modèle n'apporte aucune information par rapport au modèle de persistance. A plus longue échéance, le modèle devient meilleur que le modèle naïf, mais avec une forte dégradation des performances absolues. Ces résultats tendent à indiquer que le pouvoir prédictif de ce type de modèle est vraisemblablement insuffisant pour des objectifs opérationnels et qu'il vaudrait mieux s'orienter vers d'autres types d'approches, par exemple basées sur de la modélisation hydrologique.
Fichier principal
Vignette du fichier
Rapport_indicateurs-vfinale.pdf (1.59 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03121126 , version 1 (22-06-2021)

Identifiants

  • HAL Id : hal-03121126 , version 1

Citer

Lila Collet, Guillaume Thirel, Charles Perrin, Joël Gailhard, Jean-Philippe Vidal, et al.. Prévision de seuils de vigilance sécheresse : tests de régression logistique avec des données hydro-climatiques. [Rapport de recherche] INRAE. 2020, pp.25. ⟨hal-03121126⟩
217 Consultations
128 Téléchargements

Partager

More