Prévision des crues par intelligence artificielle : augmentation de l'horizon de prévision

Flood forecasting using artificial intelligence: increasing the lead-time

• Auteur / Autrice : Sarah Gautier
• Direction : Anne Johannet, Yves Tramblay
• Type : Projet de thèse
• Discipline(s) : STE-Sciences de l'Eau
• Date : Inscription en doctorat le 01/04/2023
• Etablissement(s) : IMT Mines Alès
• Ecole(s) doctorale(s) : Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau
• Partenaire(s) de recherche : Laboratoire : HydroSciences (Montpellier)
• Partenaire(s) de recherche : Equipe de recherche : Eau, Ressources, Territoires

Mots clés

Mots clés libres

Réseau de neurones

Hydrologie

Crue éclair

Météorologie

Modélisation

Neural Networks

Hydrology;

Flash Floods

Meteorology;

Modeling;

Résumé

Les modèles d'intelligence artificielle, tels que les réseaux de neurones sont utilisés dans la prévision des crues. En effet, une fois paramétrés, leur rapidité d'analyse et de calcul les rend opérationnels sur différents type de bassins. Ces modèles ont la capacité de produire des prévisions hydrologiques (débits ou hauteurs d'eau) sans prévision de leurs entrées (en général, les précipitations), sur un horizon de prévision proche du temps de réponse de l'hydrosystème. Cependant, ce dernier est en général assez limité (parfois moins de deux heures pour les crues rapides), ce qui ne permet pas nécessairement de proposer un horizon de prévision suffisant pour les opérations de gestion de crise associées à ces crues. Les prévisions quantitatives de précipitations sont en général fournies par les modèles météorologiques. Elles manquent souvent de précision sur les événements convectifs extrêmes mais apportent beaucoup pour la distribution spatiale des pluies futures parce que parfois, leurs biais sont systématiques. Néanmoins, les utiliser « brutes » pour la modélisation hydrologique reste difficile. Pour les réseaux de neurones en particulier, cela implique des changements dans l'architecture postulée et dans la gestion des transitions entre valeurs observées et valeurs prévues. Ainsi, dans le cadre de cette thèse, les réseaux de neurones et les modèles profonds, utilisés habituellement dans la prédiction, seront couplés à une analyse des conditions météorologiques selon une modélisation innovante, d'abord sur le territoire cévenol, puis sur d'autres bassins. Ainsi, dans le cadre de la thèse, les réseaux de neurones et les modèles profonds, utilisés habituellement dans la prédiction, seront couplés à une analyse des conditions météorologiques selon une modélisation innovante, d'abord sur le territoire cévenol, puis sur d'autres bassins.

Artificial intelligence models, such as neural networks are used in flood forecasting. Indeed, once configured, their speed of analysis and calculation makes them operational on different types of basins. These models have the ability to produce hydrological forecasts (water flows or heights) without forecasting their inputs (generally precipitation), over a forecast horizon close to the response time of the hydrosystem. However, the latter is generally quite limited (sometimes less than two hours for flash floods), which does not necessarily make it possible to propose a sufficient forecast horizon for the crisis management operations associated with these floods. Quantitative precipitation forecasts are generally provided by meteorological models. They often lack precision on extreme convective events but provide a lot for the spatial distribution of future rainfall because sometimes their biases are systematic. Nevertheless, using them “raw” for hydrological modeling remains difficult. For neural networks in particular, this implies changes in the postulated architecture and in the management of transitions between observed and predicted values.