Apport de l'intelligence artificielle pour la prévision spatio-temporelle des inondations

Contribution of Artificial intelligence to spatio-temporal flood forecasting

• Auteur / Autrice : Fadil Boodoo
• Direction : Renaud Hostache, Carole Delenne
• Type : Projet de thèse
• Discipline(s) : STE-Sciences de l'Eau
• Date : Inscription en doctorat le ; Soutenance le 25/08/2025
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau
• Partenaire(s) de recherche : Laboratoire : ESPACE DEV - Observation Spatiale, Modèles et Science Impliquée
• Jury : Président / Présidente : Flavie Cernesson
• Jury : Examinateurs / Examinatrices : Robert Mose, Hamouda Bouthagane, Anne Laurent
• Jury : Rapporteurs / Rapporteuses : Robert Mose, Hamouda Bouthagane

Mots clés

Mots clés libres

Intelligence artificielle

Machine learning

Prévision d'inondation

Modèle hydrodynamique

Modèle hydrologique

Ann

Artificial Intelligence

Machine learning

Flood forecasting

Hydrodynamic modelling

Hydrological model

Ann

Résumé

Face à l’accroissement des risques d’inondations liés aux changements climatiques, leur prévision précise et rapide constitue un enjeu majeur pour la gestion opérationnelle des risques associés. Cette thèse explore le potentiel des méthodes d’intelligence artificielle (IA), notamment les réseaux de neurones récurrents (LSTM) et les réseaux de neurones graphiques (GNN), afin d’améliorer la modélisation spatio-temporelle (débits, niveaux d'eau, étendues inondées...) des inondations. Dans un premier temps, l’étude évalue la sensibilité des performances des modèles LSTM à la durée et à la diversité des données d’entraînement, en les comparant à un modèle pluie-débit conceptuel classique, Superflex. Si les LSTM surpassent le modèle conceptuel avec des données abondantes et représentatives, atteignant un coefficient de Nash-Sutcliffe (NSE) de 0,89, ils subissent une forte dégradation en situation de données limitées, avec une baisse moyenne de 0,14 du NSE — un phénomène beaucoup moins marqué avec Superflex. Ce constat soulève des questions majeures sur la robustesse des LSTM face aux évolutions climatiques futures. Dans une seconde partie, un modèle innovant fondé sur les réseaux de neurones graphiques, baptisé HydroGCN, est développé pour prédire les hauteurs d’eau à partir des débits, en exploitant la structure topologique des systèmes hydrauliques. Testé sur un canal synthétique puis sur le bassin versant réel de la Severn (Royaume-Uni), HydroGCN démontre une capacité remarquable à reproduire les dynamiques simulées par un modèle hydraulique à surface libre de référence (Shallow Water 2-D: SW2D), avec un NSE atteignant 0,99, tout en offrant une diminution des temps de calcul d'un facteur supérieur à 80. Ce travail met en lumière l’intérêt d’une modélisation explicite des relations spatiales via un graphe, tout en identifiant des axes d’amélioration, notamment l’intégration d’interactions bidirectionnelles et l’enrichissement des attributs physiques. Cette recherche ouvre ainsi la voie à une nouvelle génération d’outils de prévision des inondations, combinant rapidité, précision et adaptabilité. Elle souligne également la nécessité de concevoir de nouvelles méthodes d’évaluation, essentielles pour garantir la robustesse des modèles d’intelligence artificielle dans un contexte climatique en évolution, et permettre ainsi l’émergence de solutions véritablement opérationnelles pour la gestion future des risques d’inondation.

In the current context of increasing flood risks driven by climate change, the accurate and timely prediction of inundations has become a critical challenge for operational risk management. This thesis investigates the potential of artificial intelligence (AI) methods — particularly recurrent neural networks (LSTM) and graph neural networks (GNN) — to enhance hydrological and hydraulic modelling. First, the study assesses the sensitivity of LSTM model performance to the duration and diversity of training data, in comparison with a traditional conceptual rainfall-runoff model, Superflex. While LSTMs outperform the conceptual model when trained on abundant and representative data — reaching a Nash-Sutcliffe Efficiency (NSE) coefficient of 0.89—they exhibit significant performance degradation under limited-data scenarios, with an average NSE drop of 0.14. This effect is not observed in Superflex, raising critical concerns about the robustness of LSTM models under future climate variability. In the second part, an innovative graph neural network model, named HydroGCN, is developed to predict water levels from discharge data by leveraging the topological structure of hydraulic systems. Evaluated on both a synthetic canal and the real Severn River basin in the UK, HydroGCN shows a remarkable ability to replicate the dynamics simulated by the reference physical model SW2D, achieving an NSE of 0.99 while enabling a reduction of computation time by a factor of more than 80. This work highlights the value of explicitly modelling spatial relationships through graphs, while also identifying key areas for improvement, such as incorporating bidirectional interactions and enriching the physical attributes used. This research thus paves the way for a new generation of flood forecasting tools that combine speed, accuracy, and adaptability. It also underscores the importance of developing innovative evaluation methodologies that are essential to ensure the robustness of AI models in a changing climate, ultimately enabling the emergence of truly operational solutions for future flood risk management.