Pr. Juliane Mai, Université de Waterloo (ON, Canada)
Juliane Mai est devenue chercheuse et professeure assistante à l’Université de Waterloo en 2019 où elle a effectué un stage postdoctoral de 3 ans à partir de 2016. La professeure Mai a fait ses études doctorales en 2011 au Helmholtz Centre for Environmental Research à Leipzig en Allemagne suivies d’un postdoc de 5 ans à ce même institut. Dans le cadre de ses recherches, elle s’intéresse à la calibration de modèles hydrologiques ainsi qu’aux analyses de sensibilité et d’incertitude de ceux-ci. Elle est aussi éditrice associée pour la revue Water Resources Research. La professeure Mai est également derrière la plateforme CaSPAr (Canadian Surface Prediction Archive) qui accueille plus de 700 TB de données historiques de réanalyses et de prévisions météorologiques numériques d’Environnement et changement climatique Canada. Depuis 2019, elle mène des études d’inter-comparaison de modèles dans la région des Grands Lacs, fédérant ainsi plus d’une trentaine de collaborateurs provenant du Canada, des États-Unis et de l’Europe.
Titre: The beauty and the beast — The performance of physically and Machine Learning-based models evaluated in a standardized experiment over the Great Lakes
Résumé: Model intercomparison studies are carried out to test and compare the simulated outputs of various model setups over the same study domain. The Great Lakes region is such a domain of high public interest as it not only resembles a challenging region to model with its trans-boundary location, strong lake effects, and regions of strong human impact but is also one of the most densely populated areas in the United States and Canada. This study brought together a wide range of researchers setting up their models of choice in a highly standardized experimental setup using the same datasets, forcings, common routing product, and locations of performance evaluation across the 1 million square kilometer study domain. The study comprises of 13 models covering a wide range of model types from Machine Learning based, lumped, subbasin-based, and gridded models. The standardized experiment enables the objective evaluation of Machine Learning-based models and physically-based models for streamflow in calibration, temporal validation (same basins but different time period as in calibration), spatial validation (same time period as in calibration but different basins) and spatio-temporal validation (different basins and period of time as used in calibration). The results are both surprising and insightful; providing several avenues to improve either type of model in different aspects.
