Prédictions des surverses occasionnées par les précipitations sur l'île de Montréal

Le phénomène de surverse correspond en le rejet d’eaux usées non traitées dans l’environne-ment. Plusieurs raisons peuvent mener à l’occurrence de surverse comme la fonte de neige ou des travaux, mais la cause principale de la majorité des surverses correspond en une intensité de précipitations menant à la surcharge du système d’égout unitaire ou du centre de traitement des eaux usées. Les surverses représentent une des cause majeure de pollution des eaux urbaines dans le monde et posent une menace environnementale comme hygiénique. Les prédictions de l’impact du changement climatique sur les pluies futures indiquent en plus une augmentation de la fréquence des surverses à travers le monde, rendant la situation d’autant plus inquiétante. Nous nous sommes penchés dans ce travail sur la question de la prédiction de l’occurrence et de la durée des surverses sur l’île de Montréal à partir des précipitations. Pour ce faire, nous avons testé sur 6 ouvrages d’intérêt une approche en deux temps prédisant d’abord l’occurrence de surverse suivit de la durée de surverse pour les jours où l’occurrence est prédite. Dans ce contexte, nous avons décidé de nous restreindre à des modèles facilement transposables à de nouvelles municipalités et interprétables afin de pouvoir guider des intuitions quant au phénomène. Au vu de la grande quantité de données de précipitation à notre disposition, nous avons développé des recommandations quant aux données utilisées dans le contexte de la prédiction de surverse, que ce soit du point de vue de la distance entre le pluviomètre et l’ouvrage de surverse considéré ou de la précision temporelle des données de précipitation. Nous avons remarqué une baisse de performance moyenne sur tous les modèles possibles lorsque la distance pluviomètre-ouvrage augmente. Nous conseillons l’utilisation de données de pluviomètres proche du site d’intérêt, en particulier pour des modèles simples ou sans recherche exhaustive. En outre, l’introduction d’accumulations sur de plus courtes durées augmente largement les performances pour certains ouvrages, indiquant une réponse plus impactée pour ces ouvrages à des pluies intenses. Nous avons tenté en outre de mettre en lumière l’intérêt de la prise en compte du débalancement des données inhérent au domaine d’application, ainsi que la haute dimensionnalité des données quasi-continues non groupées de manière journalière. Nous avons conclu que plus de travail est nécessaire dans cette direction, nos résultats montrant que la modification de méthodes classiques est nécessaire en présence de ces difficultés, les méthodes modifiées menant à de meilleures performances en particulier lorsque les données sont plus débalancées. Nous avons conclus que les méthodes de rééchantillonnage simple basées sur du rééchantillonage aléatoire uniforme (à probabilité égale) ne sont pas adaptées au contexte de la prédiction de surverse. Nous avons en outre noté une préférence pour une extraction de variable supervisée plutôt que non-supervisée, résultat que nous lions au caractère débalancé de nos données. Finalement, nous avons introduit la question de la prédiction des surverses sur un horizon futur. En effet, cela représente l’enjeu principal pour les municipalités. En attendant, la pré-diction en avance se fait via l’application sur des données prédites de précipitation, d’un modèle entraîné sur des données observées de précipitations et surverses. Nous avons intro-duit des méthodes utilisant directement ces données de prédiction de précipitation, et avons ressorti deux méthodes capables d’utiliser le pouvoir prédictif de ces données. Nous avons remarqué un léger avantage des modèles entraînés directement sur les données prédites de précipitation, encourageant de la recherche supplémentaire dans cette direction.

Abstract

Combined sewer overflows (CSOs) correspond to the discharge of untreated water in the environement. A number of reasons can lead to the occurrence of these events such as snowmelt and planned construction work. Rainfall leading to a surcharge of the sewer system or the water treatment plant consitute however the main cause of CSO. CSOs are a major cause of urban water pollution in the world and as such, represent an environmental and hygienic threat. Furthermore, projected rainfall series under the expected climatic change show an expected increase in CSO frequency across the globe, further increasing the already present concern for CSOs. In this work, we investigate the prediction of the duration length of CSOs on the island of Montréal using rainfall data as information. In this context we develop a two timing approach where first the CSO occurrence is predicted, followed by the duration only on days where occurrence was predicted. We test this approach on 6 CSO sites of the city of Montreal. Throughout this work, we only considered methods that would make our methodology easily transposable to new cities and interpretable, meaning that insight could directly be drawn from the methods. Due to the large amount of precipitation data at our disposal, we develop suggestions on the recommended data in the context of CSO prediction. In particular we provide insight on the effect of the distance between the CSO outfall site and the rainfall data collection point, as well as the impact of precise rainfall data collection. We furthermore bring into light the need for direct handling of the imbalanced nature of CSO data, in addition to the high dimensional aspect of ungrouped quasi-continuous data. Our results suggest that methods aiming directly to counter the effect of these two phenomenons perform better than classical methods, motivating the need to further inspect the best way to handle these difficulties in the context of CSOs. We finally take interest in the question of CSO prediction on future horizons. This represents the main interest of many cities as they would benefit from the prediction in advance of CSOs, not in real time. The current method for predicting CSOs in advance is to train a model on observed, real time data and to use it on predicted rainfall data. We introduce methods capable of directly using the predicted rainfall data as input. Two of the presented methods are retained for their performance and shown ability to link predicted rainfall data with CSO occurrence. We find that in the context of future CSO prediction, models trained on predicted rainfall data perform slightly better. Although our result do not suffice to conclude on the matter, they show that further research in that area could lead to interesting results.