5. Module d’analyse fréquentielle - Analyse régionale¶

[1]:

import matplotlib.pyplot as plt
import xdatasets as xd
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
from xhydro.frequency_analysis.regional import *

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'>)

This page demonstrate how to use the xhydro package to perform regional frequency analysis on a dataset of streamflow data. The first steps will be similar to the local frequency analysis example, but we will keep it simple to focus on the regional frequency analysis.

Lets start with getting the 02 region stations that are natural and have a minimum duration of 30 years.

[2]:

ds = (
    xd.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",
}

ds

Here, we hide years with more than 15% of missing data and get the annual maximum.

[3]:

timeargs = {
    "annual": {},
}

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

5.1. Explanatory variables¶

5.1.2. b) Analyse en composantes principales¶

Pour effectuer notre analyse fréquentielle régionale, nous traiterons les données avec une analyse en composantes principales (ACP) pour réduire la dimensionnalité de notre ensemble de données : La fonction xhydro.regional.fit_pca prend un xarray.Dataset en entrée et renvoie un xarray.Dataset avec les composantes principales.

[5]:

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

Nous pouvons voir que la corrélation est proche de 0 entre les composantes, ce qui signifie que les 3 premières composantes sont suffisamment indépendantes pour être utilisées pour le reste de notre analyse.

[6]:

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

[6]:

		value
	components	0	1	2
	components
value	0	1.000000e+00	2.637918e-16	-1.410455e-16
	1	2.637918e-16	1.000000e+00	-2.900868e-16
	2	-1.410455e-16	-2.900868e-16	1.000000e+00

5.1.3. b) Regroupement¶

Dans cet exemple, nous utiliserons AgglomerativeClustering, mais d’autres méthodes fourniraient également des résultats valides. Le clustering régional lui-même est effectué à l’aide de xhfa.regional.get_group_from_fit, qui peut prendre les arguments des fonctions skleanr en dictionnaire.

[7]:

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

[7]:

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

5. Module d’analyse fréquentielle - Analyse régionale¶

5.1. Explanatory variables¶

5.1.1. a) Extraction à l’aide de `xhydro.gis`¶

5.1.2. b) Analyse en composantes principales¶

5.1.3. b) Regroupement¶

5.2. Analyse régionale¶

5.2.1. Score H (Score d’homogénéité)¶

5.2.2. Score Z (qualité d’ajustement)¶

6. Incertitudes¶

6.1. Incertitudes de l’analyse fréquentielle locale¶

6.1.1. Rééchantillonnage des observations¶

6.1.2. Rééchantillonnage des distributions ajustées¶

6.2. Incertitudes de l’analyse fréquentielle régionale¶

6.2.1. Rééchantillonnage des observations¶

6.2.2. Plusieurs régions¶

6.2.3. Combinaison de bootstrap et de plusieurs régions¶

5. Module d’analyse fréquentielle - Analyse régionale¶

5.1. Explanatory variables¶

5.1.1. a) Extraction à l’aide de xhydro.gis¶

5.1.2. b) Analyse en composantes principales¶

5.1.3. b) Regroupement¶

5.2. Analyse régionale¶

5.2.1. Score H (Score d’homogénéité)¶

5.2.2. Score Z (qualité d’ajustement)¶

6. Incertitudes¶

6.1. Incertitudes de l’analyse fréquentielle locale¶

6.1.1. Rééchantillonnage des observations¶

6.1.2. Rééchantillonnage des distributions ajustées¶

6.2. Incertitudes de l’analyse fréquentielle régionale¶

6.2.1. Rééchantillonnage des observations¶

6.2.2. Plusieurs régions¶

6.2.3. Combinaison de bootstrap et de plusieurs régions¶

5.1.1. a) Extraction à l’aide de `xhydro.gis`¶