In tito-am/prsim.tools: Librairie complémentaire à PRSIM. Cette librarie permet de simuler, vérifier et créer les figures pour l'analyse des séries stochastiques.

Dans ce document de travail, on vérifiera les points suivants sur les simulations PRSIM:

• Adéquation de la tendance centrale par jour julien (moyenne).
• Adéquation des statistiques annuelles (moyenne, écart-type, skewness,kurtosis).
• Comparaison de la couverture des séries stochastiques avec les séries choisies parmi les 20 simulations dans l'étude de l'Outaouais Supérieur pour la crue de retour 1:10000 ans.
• Choix du membre représentant la crue ayant un retour 1:10000 pour la pointe.

Pour commencer, regardons à Dozois.

library(plotly)
library(readr)
#Scenario de Q10000 a Dozois dans l'etude de l'Outaouais Superieur (2019)
path<-'/home/tito/Documents/github/prsim/outaouais_sup_lynda/Frequentielles/Apports_Lateraux_Methode_Extreme_prt/Q10000/'
fichiers<-list.files(path,pattern = '.csv')
Q10000_etude2019<-read_csv(paste0(path,fichiers[1]))
jours_etude_2019<-seq(as.Date("2000/1/3"), as.Date("2000/1/3")+212, by = "day")
#le scenario choisi pour Dozois etait l'annee 
#Statistiques sommaires des series prsim


require(sparklyr)
require(dplyr)
require(tidyr)

bvs<-list.files('/media/tito/TIIGE/PRSIM/0.9995/bv_csv/')

path<-'/media/tito/TIIGE/PRSIM/0.9995/'

for(bv in bvs){

config <- spark_config()

config$`sparklyr.shell.driver-memory` <- "4G"
config$`sparklyr.shell.executor-memory` <- "4G"
config$`spark.yarn.executor.memoryOverhead` <- "512"
config$`sparklyr.cores.local` <- 6



# Connect to local cluster with custom configuration
sc <- spark_connect(master = "local", config = config)

spec_with_r <- sapply(read.csv('/media/tito/TIIGE/PRSIM/0.9995/bv_csv/Dozois/1-Dozois-r1.csv', nrows = 1), class)

#lecture en lazy loading des 170 000 simulations de prsim
start_time = Sys.time()
testo<-spark_read_csv(sc = sc,path = paste0('/media/tito/TIIGE/PRSIM/0.9995/bv_csv/',bv,'/'),columns=spec_with_r,memory = FALSE)
end_time = Sys.time()
end_time - start_time


df_mean_per_julian_day = testo %>% group_by(julian_day) %>% summarise(AvgQ=mean(value,na.rm = TRUE))%>% collect()
df_max_per_julian_day = testo %>% group_by(julian_day) %>% summarise(MaxQ=max(value,na.rm = TRUE))%>% collect()
df_min_per_julian_day = testo %>% group_by(julian_day) %>% summarise(MinQ=min(value,na.rm = TRUE))%>% collect()


df1<-merge(df_mean_per_julian_day,df_max_per_julian_day)
df_final<-merge(df1,df_min_per_julian_day)

filename<-paste0('/home/tito/',bv,'.Rdata')
save(df_final, file = filename)

spark_disconnect(sc)

}










x <- jours_etude_2019
y <-Q10000_etude2019$Dozois
data <- data.frame(x, y)

fig <- plot_ly(data, x = ~x, y = ~y, type = 'scatter', mode = 'lines')

fig

La seconde partie de cette analyse traitera de la fonction d'auto-corrélation (ACF) entre les bassins composant le grand bassin versant des Outaouais.

Add a new chunk by clicking the Insert Chunk button on the toolbar or by pressing Ctrl+Alt+I.

When you save the notebook, an HTML file containing the code and output will be saved alongside it (click the Preview button or press Ctrl+Shift+K to preview the HTML file).

The preview shows you a rendered HTML copy of the contents of the editor. Consequently, unlike Knit, Preview does not run any R code chunks. Instead, the output of the chunk when it was last run in the editor is displayed.

tito-am/prsim.tools documentation built on March 17, 2021, 9:09 p.m.