modèle hydrodynamique et intelligence artificielle pour un système de prévision d'inondation

Hydrodynamic modelling and artificial intelligence for rapid flood inundation 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 01/12/2021
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : École Doctorale GAIA Biodiversité, agriculture, alimentation, environnement, terre, eau (Montpellier ; 2015-...)
• Partenaire(s) de recherche : Laboratoire : ESPACE DEV - Observation Spatiale, Modèles et Science Impliquée

Mots clés

Mots clés libres

Intelligence artificielle

Machine learningg

Prévision d'inondation

Modèle hydrodynamique

Artificial Intelligence

Machine learning

Flood forecasting

Hydrodynamic modelling

Résumé

Il est déjà établi que l'impact des phénomènes hydrologiques extrêmes est supposé augmenter dans le futur à cause des effets sociaux-économiques du développement et du réchauffement climatique. Comme il a été souligné dans le cadre d'action de Sendai pour la réduction des risques de catastrophe, il y a un besoin urgent dans l'établissement de systèmes de prévention des inondations fiables et efficaces. Les modèles hydrauliques et hydrologiques sont des outils puissants dans la prédiction des inondations. Bien que les modèles pluie-débit puissent prédire les inondations sur de grandes étendues, ils ne peuvent prédire les débordements et la profondeur de l'inondation. Cette limitation pourrait être surmontée par les modèles hydrauliques, mais leur déploiement à grande échelle demande une puissance de calcul considérable. Pour surmonter une partie des limitations des modèles hydrauliques, l'utilisation de maille grossière avec une information sous maille attire de plus en plus d'attention ces dernières années. En effet, cela permet d'obtenir une grande précision de calcul avec un coût de calcul relativement faible. Malgré tout cet effort de réduction du coût de calcul tout en gardant une précision de calcul élevée, ces modèles restent la plupart du temps incompatibles avec les exigences d'un système de prédiction des inondations à grande échelle en temps réel. Récemment, l'intelligence Artificielle a commencé à être utilisé dans la prédiction hydrologique, et notamment du fait de sa capacité de prédiction avec un faible niveau de coût de calcul, une fois le réseau entraîné. Cependant, son utilisation dans la prédiction des inondations reste limitée. C'est dans ce contexte que ce projet de recherche propose de contribuer au développement système de prédiction d'inondation en temps réel basée sur l'intelligence artificielle. Comme la majorité des modèles basés sur l'I.A se reposent pour sa phase d'entrainement sur les données réelles qui sont malheureusement la plupart du temps indisponible, ce projet a pour but de développer un modèle qui sera entrainé sur les données simulées d'inondation sur le long terme. Nous espérons qu'un modèle d'I.A entrainer à partir de données simulées d'un modèle hydrodynamique qui permettront d'obtenir un modèle avec une prédiction avec un niveau de fiabilité et de précision suffisante pour répondre aux contraintes d'un système opérationnelles de prévision d'inondation. Un nombre important de tests seront réalisés par les données réelles enregistrées durant les pics d'inondation dans des régions bien instrumentées comme la rivière de la Severn en Royaume-Uni, ou des régions très larges comme la rivière Zambezi en Mozambique, ou les régions hautement urbanisées comme la rivière Niger à Niamey. En ouvrant la voie vers le développement d'un système d'inondation en temps réel, ce projet met à disposition un outil indispensable pour la société, permettant de fournir des avertissements précoces, et contribuer à améliorer la préparation. Avec le changement climatique qui redistribue les ressources en eau à l'échelle mondiale, le bureau des Nations Unies pour la réduction des risques de catastrophe (Cadre de Sendai, 2015), ainsi que des agences et institutions de recherche, ont identifié le besoin urgent de définir de nouvelles stratégies et outils orientés vers l'évaluation des risques associés aux événements hydrologiques extrêmes et de fournir les systèmes d'alerte précoce correspondants. En particulier, les efforts de prédiction sont nécessaires pour permettre l'alerte, surtout si l'on considère que les impacts liés aux extrêmes hydrologiques devraient augmenter à l'avenir en raison de l'effet combiné du développement socio-économique et du changement climatique. Les modèles hydrodynamiques sont des composants puissants des systèmes de prévision des inondations car ils permettent d'estimer les populations et les infrastructures affectées. Les développements récents dans la modélisation des eaux peu profondes (Shallow water 2D), tels que les modèles basés sur la porosité, ont considérablement réduit les coûts de calcul, mais leur utilisation opérationnelle sur de vastes zones et plaines inondables ne permet toujours pas le quasi temps réel. Au cours des dernières décennies, l'intelligence artificielle (IA) est devenue de plus en plus populaire et des applications ont été développées dans le domaine de l'hydrologie prévisionnelle. L'intérêt de l'IA provient notamment de son faible temps de calcul qui devrait permettre des prédictions rapides et précises même à grande échelle. Dans ce contexte, cette thèse propose de contribuer au développement d'un système de prévision de l'étendue des inondations et de la profondeur de l'eau en temps quasi réel basé sur l'IA. Comme les modèles d'IA reposent sur une phase d'entraînement utilisant des observations de terrain qui sont malheureusement la plupart du temps indisponibles, le projet prévoit d'entraîner et de développer le modèle d'IA sur la base de simulations d'inondations à long terme rendues possibles par l'utilisation de modèles de porosité. Nous supposons qu'un modèle d'intelligence artificielle formé et informé à l'aide de simulations hydrodynamiques permet de prédire les inondations avec des niveaux de fiabilité et de précision répondant aux exigences de la prévision opérationnelle des inondations. Des tests approfondis seront effectués en utilisant les données enregistrées lors d'événements historiques de grande magnitude dans une plaine inondable bien instrumentée (par exemple la rivière Severn au Royaume-Uni), une très grande plaine inondable (par exemple le fleuve Zambèze au Mozambique) et/ou des plaines inondables fortement urbanisées telles que le fleuve Niger à Niamey. En ouvrant la voie au développement d'un système de prévision rapide des inondations, la thèse offrira des outils pertinents pour la société, en aidant à fournir des alertes rapides et à contribuer à une meilleure préparation.

With climate change redistributing water resources at global scale, the United Nation office for disaster risk reduction (Sendai Framework, 2015) , alongside other agencies and research institutions, have identified a pressing need for new strategies and tools geared towards the assessment of risks associated with extreme hydrological events and related early warning systems. In particular, prediction efforts are necessary for enabling early warning, especially considering that impacts related to hydrological extremes are expected to increase in the future due to the combined effect of socio-economic development and climate change. Hydrodynamics models are powerful components of flood inundation forecasting systems as they allow for the estimation of affected populations and infrastructures. However, although recent developments in bidimensionnal shallow water modelling such as porosity based models have substantially reduced computational costs, their operational use over large areas and floodplains remains still challenging due to excessive computational time. In the past decades, Artificial Intelligence (AI) has become more and more popular and applications have been developed in the field of predictive hydrology. The interest in AI arise especially from their low computational time that should enable fast and accurate predictions even at a large scale. In this context, the PhD project proposes to contribute to the development of near real-time flood inundation extent and water depth forecasting system based on AI. As AI models rely on a training phase using ground truth observation that are unfortunately most of the time unavailable, the project intends to train and develop the AI model based on long-term flood inundation simulations made possible by the use of porosity models. We hypothesize that an AI model trained and informed with hydrodynamic simulations yields flood inundation predictions with levels of reliability and accuracy meeting the requirements of operational flood inundation forecasting. Extensive testing will be carried out using the data recorded during historic high magnitude events in a well instrumented floodplain (e.g. the River Severn in the United Kingdom), a very large floodplain (i.e. river Zambezi in Mozambique) and/or heavily urbanized floodplains such as the Niger river in Niamey. By paving the way to the development of a fast flood inundation forecasting system, the PhD will offer relevant tools for the society, helping to provide early warnings and to contribute to an improved preparedness.