6. Analyses fréquentielles régionales¶

[1]:

import matplotlib.pyplot as plt
import xdatasets
from lmoments3.distr import KappaGen
from sklearn.cluster import HDBSCAN, OPTICS, AgglomerativeClustering

import xhydro as xh
import xhydro.frequency_analysis as xhfa
import xhydro.gis as xhgis

ERROR 1: PROJ: proj_create_from_database: Open of /home/docs/checkouts/readthedocs.org/user_builds/xhydro-fr/conda/latest/share/proj failed

Redefining 'percent' (<class 'pint.delegates.txt_defparser.plain.UnitDefinition'>)
Redefining '%' (<class 'pint.delegates.txt_defparser.plain.UnitDefinition'>)
Redefining 'year' (<class 'pint.delegates.txt_defparser.plain.UnitDefinition'>)
Redefining 'yr' (<class 'pint.delegates.txt_defparser.plain.UnitDefinition'>)
Redefining 'C' (<class 'pint.delegates.txt_defparser.plain.UnitDefinition'>)
Redefining 'd' (<class 'pint.delegates.txt_defparser.plain.UnitDefinition'>)
Redefining 'h' (<class 'pint.delegates.txt_defparser.plain.UnitDefinition'>)
Redefining 'degrees_north' (<class 'pint.delegates.txt_defparser.plain.UnitDefinition'>)
Redefining 'degrees_east' (<class 'pint.delegates.txt_defparser.plain.UnitDefinition'>)
Redefining 'degrees' (<class 'pint.delegates.txt_defparser.plain.UnitDefinition'>)
Redefining '[speed]' (<class 'pint.delegates.txt_defparser.plain.DerivedDimensionDefinition'>)

Ce Notebook montrera comment utiliser la librairie xHydro pour réaliser des analyses fréquentielles régionales sur un jeu de données de débit. Comme les étapes initiales pour l’analyse fréquentielle régionale sont les mêmes que pour l’analyse fréquentielle locale, les utilisateurs sont invités à consulter le Notebook Analyses fréquentielles locales pour un aperçu.

Dans cet exemple, nous utiliserons le même jeu de données de stations hydrométriques couvrant une partie du sud du Québec, assurant la continuité avec l’analyse précédente tout en s’étendant à une échelle régionale. Cependant, comme les analyses régionales nécessitent l’accès à plusieurs sources de données, nous allons extraire les débits pour 15 stations.

[2]:

ds = (
    xdatasets.Query(
        **{
            "datasets": {
                "deh": {
                    "id": ["02*"],
                    "regulated": ["Natural"],
                    "variables": ["streamflow"],
                }
            },
            "time": {"start": "1970-01-01", "minimum_duration": (30 * 365, "d")},
        }
    )
    .data.squeeze()
    .load()
)

# This dataset lacks some attributes, so let's add them.
ds["id"].attrs["cf_role"] = "timeseries_id"
ds["streamflow"].attrs = {
    "long_name": "Streamflow",
    "units": "m3 s-1",
    "standard_name": "water_volume_transport_in_river_channel",
    "cell_methods": "time: mean",
}

# Clean some of the coordinates that are not needed for this example
ds = ds.drop_vars([c for c in ds.coords if c not in ["id", "time", "name"]])

timeargs = {
    "annual": {},
}

ds_4fa = xh.indicators.get_yearly_op(
    ds, op="max", timeargs=timeargs, missing="pct", missing_options={"tolerance": 0.15}
)
ds_4fa

6.1. Variables explicatives¶

Dans les analyses fréquentielles régionales, les variables explicatives sont utilisées pour aider à expliquer la variation spatiale des extrêmes hydrologiques à travers différents lieux. Ces variables peuvent inclure des facteurs tels que la superficie du bassin versant, l’altitude, les précipitations, l’utilisation des terres et le type de sol, entre autres. En intégrant ces variables explicatives, nous pouvons prendre en compte l’influence des caractéristiques géographiques et environnementales sur les événements extrêmes, ce qui permet d’obtenir des prédictions régionales plus précises.

6.1.2. b) Analyse en composantes principales¶

Après avoir acquis les variables explicatives, l’étape suivante consiste à les traiter en utilisant l’Analyse en Composantes Principales (ACP) pour réduire la dimensionnalité du jeu de données. L’ACP permet de simplifier le jeu de données en transformant les variables originales en un ensemble réduit de composantes non corrélées, tout en conservant la plupart des variations dans les données. Cela est réalisé en utilisant la fonction xhydro.frequency_analysis.regional.fit_pca.

[4]:

help(xhfa.regional.fit_pca)

Help on function fit_pca in module xhydro.frequency_analysis.regional:

fit_pca(ds: xarray.core.dataset.Dataset, **kwargs) -> tuple
    Perform Principal Component Analysis (PCA) on the input dataset.

    This function scales the input data, applies PCA transformation, and returns
    the transformed data along with the PCA object.

    Parameters
    ----------
    ds : xr.Dataset
        Input dataset to perform PCA on.
    \*\*kwargs : dict
        Additional keyword arguments to pass to the PCA constructor.

    Returns
    -------
    tuple: A tuple containing:
        - data_pca (xr.DataArray): PCA-transformed data with 'Station' and 'components' as coordinates.
        - obj_pca (sklearn.decomposition.PCA): Fitted PCA object.

    Notes
    -----
    - The input data is scaled before PCA is applied.
    - The number of components in the output depends on the n_components parameter passed to PCA.

[5]:

data_pca, pca = xhfa.regional.fit_pca(dswp, n_components=3)
data_pca

Les résultats montrent que la corrélation entre les composantes est proche de 0, ce qui suggère que les trois premières composantes sont suffisamment indépendantes. Cela indique que ces composantes peuvent être utilisées efficacement pour le reste de notre analyse, car elles capturent la majorité de la variation des variables explicatives, sans chevauchement ou multicolinéarité significative.

[6]:

data_pca.to_dataframe(name="value").reset_index().pivot(
    index="Station", columns="components"
).corr()

[6]:

		value
	components	0	1	2
	components
value	0	1.000000e+00	1.582751e-16	1.692547e-16
	1	1.582751e-16	1.000000e+00	-4.270722e-16
	2	1.692547e-16	-4.270722e-16	1.000000e+00

6.1.3. c) Clustering (regroupement)¶

Les résultats de l’ACP peuvent être utilisés pour regrouper les stations en clusters en fonction de leurs similarités dans les composantes principales. Le clustering aide à identifier des régions avec des caractéristiques similaires, permettant des analyses fréquentielles régionales plus ciblées et précises. Cette étape est réalisée en utilisant xhydro.frequency_analysis.regional.get_group_from_fit, qui prend en charge les méthodes de clustering de sklearn.cluster. Dans cet exemple, nous utiliserons AgglomerativeClustering pour former 3 clusters en fonction des résultats de l’ACP.

[7]:

help(xhfa.regional.get_group_from_fit)

Help on function get_group_from_fit in module xhydro.frequency_analysis.regional:

get_group_from_fit(model: collections.abc.Callable, param: dict, sample: xarray.core.dataset.Dataset | xarray.core.dataarray.DataArray) -> list
    Get indices of groups from a fit using the specified model and parameters.

    Parameters
    ----------
    model : callable
        Model class or instance with a fit method.
    param : dict
        Parameters for the model.
    sample : xr.Dataset or xr.DataArray
        Data sample to fit the model.

    Returns
    -------
    list :
        List of indices for each non-excluded group.

[8]:

groups = xhfa.regional.get_group_from_fit(
    AgglomerativeClustering, {"n_clusters": 3}, data_pca
)
groups

[8]:

[array(['022507', '022704', '023002', '023303', '023401', '023422',
        '023428', '023432', '023701', '024003', '024013'], dtype=object),
 array(['020404', '020602', '021407'], dtype=object),
 array(['024007'], dtype=object)]

[9]:

ax = plt.subplot(1, 1, 1)
gdf[gdf["Station"].isin(groups[0])].plot(ax=ax, color="red")
gdf[gdf["Station"].isin(groups[1])].plot(ax=ax, color="green")
gdf[gdf["Station"].isin(groups[2])].plot(ax=ax, color="blue")

[9]:

<Axes: >

../_images/notebooks_regional_frequency_analysis_14_1.png

6. Analyses fréquentielles régionales¶

6.1. Variables explicatives¶

6.1.1. a) Extraction des caractéristiques des bassins versants à l’aide de `xhydro.gis`¶

6.1.2. b) Analyse en composantes principales¶

6.1.3. c) Clustering (regroupement)¶

6.2. Analyse fréquentielle régionale¶

6.3. Incertitudes¶

6.3.1. a) Bootstrap des observations¶

6.3.2. b) Utilisation de plusieurs régions¶

6.3.3. c) Combinaison du bootstrap avec plusieurs régions¶

6.3.4. d) Comparaison¶

6. Analyses fréquentielles régionales¶

6.1. Variables explicatives¶

6.1.1. a) Extraction des caractéristiques des bassins versants à l’aide de xhydro.gis¶

6.1.2. b) Analyse en composantes principales¶

6.1.3. c) Clustering (regroupement)¶

6.2. Analyse fréquentielle régionale¶

6.3. Incertitudes¶

6.3.1. a) Bootstrap des observations¶

6.3.2. b) Utilisation de plusieurs régions¶

6.3.3. c) Combinaison du bootstrap avec plusieurs régions¶

6.3.4. d) Comparaison¶

6.1.1. a) Extraction des caractéristiques des bassins versants à l’aide de `xhydro.gis`¶