Cliquez ici pour accéder à toutes les publications du groupe hydrologie et climat.
Scheller, M., van Meerveld, I,. Seibert, J. (2024): How well can people observe the flow state of temporary streams? Frontiers in Environmental Science, 12, 1352697, https://doi.org/10.3389/fenvs.2024.1352697.
Durant l’été 2022, plus de 1200 personnes ont déterminé l’état d’écoulement d’un ruisseau à l’aide de six symboles de la catégorie « ruisseau en voie d’assèchement » dans l’application CrowdWater. En outre, elles ont répondu à plusieurs affirmations par oui ou par non concernant le ruisseau. Les enquêtes ont été menées pendant 23 jours sur huit ruisseaux et rivières différents en Suisse et dans le sud de l’Allemagne. L’objectif était de découvrir dans quelle mesure les gens sont capables de déterminer l’état d’écoulement des ruisseaux qui s’assèchent sans informations supplémentaires. Plus de 66 % des personnes interrogées ont choisi le même état d’écoulement que la majorité des personnes interrogées et 83 % ont choisi la même classe ou une classe voisine. Les répondants distinguent bien un ruisseau qui coule d’un autre qui ne coule pas, mais les avis n’étaient pas unanimes pour les catégories situées au milieu (par exemple, les flaques isolées). Les réponses aux affirmations « oui/non » concernant la présence d’eau dans le ruisseau étaient également moins homogènes que pour les autres états d’écoulement. L’une des raisons des incohérences entre les états d’écoulement choisis est que les participants ont considéré différentes parties du ruisseau ou ont pris en compte différentes longueurs de ruisseau. En se concentrant uniquement sur la zone du ruisseau indiquée par le cercle sur l’image de référence dans l’application, les données sont plus cohérentes et donc plus utiles.
Wang, Z., Seibert, J., van Meerveld, I., Lyu, H., & Zhang, C. (2023). Automatic water-level class estimation from repeated crowd-based photos of streams. Hydrological Sciences Journal, 68(13), 1826–1840. https://doi.org/10.1080/02626667.2023.2240312
Scheller, M., van Meerveld, I., Sauquet, E., Vis, M., Seibert, J. (2023): Are temporary stream observations useful for calibrating a lumped hydrological model? Journal of Hydrology 632, 130686, https://doi.org/10.1016/j.jhydrol.2024.130686.
Nous avons utilisé des observations de l’état d’écoulement de ruisseaux qui s’assèchent dans toute la France afin d’évaluer si ces données sont utiles pour calibrer un modèle hydrologique et améliorer le débit simulé. Les modèles hydrologiques sont utilisés pour la gestion de l’eau et l’analyse de scénarios, par exemple pour évaluer l’impact des sécheresses ou du changement climatique sur le débit. Nous sommes partis du principe que l’état d’écoulement des cours d’eau qui s’assèchent reflète le stockage des eaux souterraines, c’est-à-dire que lorsque les cours d’eau sont à sec, le niveau des eaux souterraines était bas, et lorsque les cours d’eau coulent, le niveau des eaux souterraines était élevé. Nous avons calibré le modèle pour 92 bassins versants en France sur la base des données de débit ou de niveau d’eau, soit avec, soit sans les données des ruisseaux qui s’assèchent. Bien que l’effet global de l’utilisation de données de cours d’eau en assec sur le débit simulé ait été faible pour la plupart des bassins versants, les paramètres du modèle associés aux simulations d’étiage ont été mieux définis lorsque les données de cours d’eau en assec ont été utilisées pour calibrer le modèle. Cela suggère que les données sur les cours d’eau asséchés sont utiles pour simuler les débits en période de sécheresse.
Blanco Ramírez, S., van Meerveld, I., Seibert, J. (2023): Citizen science approaches for water quality measurements. Science of The Total Environment 897, 165436, https://doi.org/10.1016/j.scitotenv.2023.16543.
Dans cette étude, nous avons passé en revue la littérature scientifique portant sur des études de science participatives pour l’évaluation de la qualité des eaux de surface. Nous avons examiné les paramètres surveillés, les outils de surveillance, ainsi que la résolution spatiale et temporelle des données collectées dans ces études. Sur la base de ces études et de notre propre interprétation, nous discutons des avantages et des inconvénients des différentes approches et méthodes. Nous avons constaté que de nombreuses études se concentrent sur la qualité des données, mais que peu d’entre elles examinent leur résolution spatio-temporelle (c’est-à-dire où et quand les données sont collectées) et que cela peut affecter la manière d’utilisation des données dans les études de suivi
Etter, S., Strobl, B., Seibert, J., van Meerveld, I., Niebert, K., and Stepenuck, K. (2023): Why do people participate in app-based environment focused citizen science projects? Front. Environ. Sci, 11:1105682, https://doi.org/10.3389/fenvs.2023.1105682.
Nous avons demandé aux participants de CrowdWater et de Naturkalender pourquoi ils avaient pris part aux projets en premier lieu et pourquoi ils continuaient à contribuer aux projets. Les principales raisons de la participation aux projets étaient une contribution à la science, la protection de la nature ou l’intérêt pour le sujet. Dans le cas de CrowdWater, les gens étaient également motivés par le fait qu’ils étaient invités à participer. Les participants au calendrier de la nature et les participants dans la tranche d’âge des 50-59 ans ont le plus souvent indiqué que la participation leur plaisait, en particulier parce qu’ils étaient dehors et actifs et qu’ils apprenaient quelque chose de nouveau.
Etter, S., Strobl, B., van Meerveld, I., Seibert, J. (2020): Quality and timing of crowd-based water level class observations. Hydrological Processes, https://doi.org/10.1002/hyp.13864.
Cette étude a examiné dans quelle mesure les observations de l’application dans la catégorie » échelle de mesure virtuelle » pouvaient refléter les fluctuations réelles du niveau d’eau des rivières et à quels moments les observations étaient effectuées par des citoyens scientifiques. Les variations du niveau d’eau observées correspondaient bien aux mesures réelles. Les données collectées à l’aide de l’application correspondaient mieux aux mesures que les données collectées par de nombreux citoyens scientifiques différents sur des formulaires. La plupart des observations des classes de niveau d’eau ont été téléchargées entre mai et septembre, mais elles couvraient pratiquement toute l’étendue des niveaux d’eau. Ces résultats positifs montrent clairement que l’application et la jauge virtuelle permettent de collecter des données précieuses sur les fluctuations des niveaux d’eau. L’approche peut donc être utilisée pour compléter les réseaux hydrométriques existants et permettre la collecte de données dans des régions où les données sur les niveaux d’eau ne sont pas enregistrées autrement.
Strobl, B., Etter, S., van Meerveld, I., Seibert, J. (2020): Training citizen scientists through an online game developed for data quality control. Geoscience Communication, https://doi.org/10.5194/gc-3-109-2020, 2020.
Dans une publication précédente, nous avons déjà présenté le jeu CrowdWater, qui permet de vérifier la qualité des données des observations de l’application. De plus, il s’est avéré que le jeu CrowdWater aide à former de nouveaux citoyens scientifiques, ce qui leur permet de mieux placer l’échelle de mesure virtuelle dans l’application. Le jeu CrowdWater présente de nombreux placements différents, ce qui permet aux citoyens scientifiques d’apprendre les avantages et les contraintes de certains placements. Mais jouer au jeu CrowdWater est également utile lorsque l’échelle de mesure virtuelle est déjà familière, car les observations peuvent être contrôlées à partir de l’application CrowdWater.
Lien vers l’article / Lien vers le preprint suit
Strobl, B., Etter, S., van Meerveld, I., Seibert, J. (2020): Accuracy of crowdsourced streamflow and stream level class estimates. Hydrological Sciences Journal, Special Issue: Hydrological Data: Opportunities and Barriers, 65(5), https://doi.org/10.1080/02626667.2019.1578966.
Nous avons demandé aux passants et passantes d’estimer le débit des rivières devant lesquelles ils passaient. Nous avons mené cette enquête sur 10 rivières différentes, tant en période de hautes eaux qu’en période de basses eaux. Dans cet article, nous décrivons dans quelle mesure les passants et passantes ont pu estimer le débit par rapport aux valeurs mesurées. Les erreurs d’estimation étaient parfois très élevées, mais les médianes des estimations étaient étonnamment proches de la valeur réelle. De plus, nous avons demandé aux passants et passantes d’estimer des classes de niveau d’eau. Pour ce faire, nous leur avons montré une photo prise à cet endroit à une date antérieure. Sur cette photo, nous avons inséré digitalement une échelle de mesure. Cette échelle était divisée en 10 classes. Les passants devaient ensuite indiquer à laquelle de ces 10 classes de niveau d’eau correspondait le niveau d’eau actuel de la rivière. La grande majorité des estimations n’étaient pas plus éloignées d’une classe de l’estimation des experts. Sur la base de ces résultats, nous recommandons que les projets de sciences citoyennes collectent des données sur les classes de niveau d’eau plutôt que sur les débits. Les débits peuvent ensuite être déduits des données sur les niveaux d’eau à l’aide de modèles hydrologiques.
Lien vers l’article / Lien vers le preprint
Etter, S., Strobl, B., Seibert, J., van Meerveld, H. J. (2020): Value of crowd‐based water level class observations for hydrological model calibration. Water Resources Research, 56(2), https://doi.org/10.1029/2019WR026108.
Normalement, des mesures de débit pluriannuelles sont utilisées pour calibrer un modèle hydrologique pour un bassin versant donné, de sorte qu’il puisse être utilisé pour prévoir des inondations ou des sécheresses, par exemple. La réalisation de ces mesures est coûteuse et demande beaucoup d’efforts. C’est pourquoi de telles données font souvent défaut, en particulier dans les régions isolées et les pays en développement. Nous avons étudié la valeur potentielle des données de classes de niveau d’eau pour le calibrage des modèles. Les classes de niveau d’eau peuvent être observées par les citoyens et les citoyennes à l’aide de notre échelle de mesure virtuelle avec différentes classes, qui est collée comme un autocollant sur une image d’une rivière. Nous montrons dans cet article qu’une observation par semaine pendant un an améliore la calibration du modèle par rapport aux situations sans données de débit. Les résultats du modèle pour les observations des classes de niveau d’eau étaient aussi bons que des niveaux d’eau lus avec précision à partir d’une échelle de mesure physique ou que des mesures de niveau d’eau continues, telles qu’elles pourraient être mesurées par un capteur installé dans le ruisseau. Cependant, les résultats n’étaient pas aussi bons que lorsque les données de débit sont utilisées pour calibrer le modèle, mais ces données sont plus coûteuses à collecter. Les erreurs dans les observations des classes de niveau d’eau n’ont pas eu d’effet notable sur la performance du modèle dans la plupart des cas.
Strobl, B., Etter, S., van Meerveld, I., Seibert, J. (2019): The CrowdWater game: A playful way to improve the accuracy of crowdsourced water level class data. PLoS One, 14(9), https://doi.org/10.1371/journal.pone.0222579.
Le jeu CrowdWater contrôle la qualité des observations du niveau de l’eau téléchargées par l’application CrowdWater de citoyens scientifiques. Les joueurs comparent deux photos, la photo originale avec l’échelle de mesure virtuelle et une autre prise au même endroit, mais à une date ultérieure. Les joueurs choisissent une classe de niveau d’eau pour la nouvelle photo en comparant cette photo avec la jauge virtuelle. Chaque photo est montrée à plusieurs joueurs et reçoit donc de nombreuses estimations. La moyenne de toutes les estimations pour une classe de niveau d’eau peut ensuite être comparée à la valeur originale fournie par l’application. Le jeu CrowdWater peut ainsi confirmer ou corriger les valeurs de l’application. Dans cette étude, nous décrivons le jeu et montrons à quel point il est important pour le contrôle de la qualité.
Vous êtes curieux de connaître le jeu ou vous souhaitez aider à effectuer le contrôle qualité des images ? Vous pouvez jouer au jeu ici : https://cwgame.spotteron.net/championship
Lien vers l’article / Lien vers le preprint
Seibert, J., Strobl, B., Etter, S., Hummer, P., van Meerveld, H.J.I. (2019): Virtual staff gauges for crowd-based stream level observations. Frontiers in Earth Science – Hydrosphere, 7(70), https://doi.org/10.3389/feart.2019.00070.
Lien vers l’article / Lien vers le preprint
Seibert, J., van Meerveld, H.J., Etter, S., Strobl, B., Assendelft, R., Hummer, P. (2019): Wasserdaten sammeln mit dem Smartphone – Wie können Menschen messen, was hydrologische Modelle brauchen? Hydrologie & Wasserbewirtschaftung, 63(2), 74-84, https://doi.org/10.5675/HyWa_2019.2_1.
Etter, S., Strobl, B., Seibert, J., van Meerveld, H. J. I. (2018): Value of uncertain streamflow observations for hydrological modelling. Hydrol. Earth Syst. Sci., 22(10), 5243-5257, https://doi.org/10.5194/hess-22-5243-2018.
Dans cette étude, nous avons cherché à savoir si les estimations de débit des passants et des passantes pouvaient être utilisées pour adapter les modèles hydrologiques. Comme nous n’avions pas encore assez de données de l’application CrowdWater, nous avons créé des séries chronologiques artificielles de débits avec des points de données à différents moments (par exemple un point par semaine ou par mois). De plus, nous avons ajouté aux données des erreurs basées sur les estimations de débit de 136 personnes interrogées dans la région de Zurich. Ces données correspondaient alors à une série temporelle telle qu’on pourrait s’y attendre si des citoyens scientifiques estimaient régulièrement les débits d’une rivière. Ces séries chronologiques artificielles ont ensuite été utilisées pour adapter des modèles pour six bassins versants suisses. Les résultats montrent que de telles estimations effectuées par des observateurs inexpérimentés seraient trop imprécises pour l’adaptation des modèles. Si ces erreurs pouvaient toutefois être réduites (d’environ la moitié) et qu’une valeur était fournie en moyenne par semaine pendant une année, ces données auraient une valeur ajoutée par rapport à une situation où aucune donnée de débit n’est disponible. Un tel modèle adapté pourrait alors être utilisé en combinaison avec une prévision météorologique pour une prévision des crues.
Lien vers l’article / Lien vers le preprint
Kampf, S., Strobl, B., Hammond, J., Anenberg, A., Etter, S., Martin, C., Puntenney-Desmond, K., Seibert, J., van Meerveld, I. (2018): Testing the waters: Mobile apps for crowdsourced streamflow data. Eos, 99, https://doi.org/10.1029/2018EO096355.
van Meerveld, H. J. I., Vis, M. J. P., Seibert, J. (2017): Information content of stream level class data for hydrological model calibration. Hydrol. Earth Syst. Sci., 21(9), 4895-4905, https://doi.org/10.5194/hess-21-4895-2017.
Lien vers l’article / Lien vers le preprint
Poster
Catchment Science Gordon Research Conference and Seminar – Ilja van Meerveld
Can citizens observe what models need? Evaluation of the potential value of crowd-sourced stream level observations for hydrological model calibration
Österreichische Citizen Science Konferenz 2018 – Barbara Strobl
CrowdWater als Bereicherung des Unterrichts?
Tag der Hydrologie 2018 – Jan Seibert
CrowdWater – Können Menschen messen was hydrologische Modelle brauchen?
Ce poster a remporté le prix du poster 2018 dans la catégorie « Étude la plus innovante ».
EGU 2018 – Simon Etter
Can citizens observe what models need?
MOOC
Un MOOC (Massive Open Online Course) est un cours public en ligne à grande échelle. Comme dans un cours universitaire traditionnel, les apprenants se penchent sur un sujet pendant une certaine période. Toute la transmission des connaissances se fait toutefois en ligne. Dans le MOOC „Wasser in der Schweiz“, il est possible de visionner différents cours et films de terrain, ainsi que d’effectuer des contrôles d’apprentissage et des travaux pratiques. Le MOOC est divisé en sept modules qui doivent être traités chacun pendant une semaine. Chaque module nécessite 3 à 4 heures de travail.
CrowdWater a participé à ce MOOC de l’Université de Zurich.
Cliquez ici pour un trailer ou le site web du cours.