Apprentissage statistique pour la prévision saisonnière des niveaux piézométriques

Statistical learning for seasonal forecasting of groundwater levels

• Auteur / Autrice : Houa Bedjil
• Direction : Anne Johannet
• Type : Projet de thèse
• Discipline(s) : STE-Sciences de l'Eau
• Date : Inscription en doctorat le 01/02/2024
• Etablissement(s) : IMT Mines Alès
• Ecole(s) doctorale(s) : Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau
• Partenaire(s) de recherche : Laboratoire : HSM - Hydrosciences Montpellier
• Partenaire(s) de recherche : Equipe de recherche : Eau, Ressources, Territoires

Mots clés

Mots clés libres

Hydrogéologie

Apprentissage statistique

Réseaux de neurones

Intelligence artificielle

Prévision

Sécheresse

Hydrogeology

Statistical learning

Neural networks

Artificial intelligence

Forecasting

Drought

Résumé

Dans le cadre du développement et la pérennisation de ses activités, Imageau fournit des prévisions hydrogéologiques et hydrologiques à plusieurs clients dans son application web EMI. A l'instar de beaucoup de territoires métropolitains, le SDEAU 50 fait face à des problématiques sévères de sécheresses et de manque d'eau. Dans la Manche, les ressources en eau sont tributaires du sous-sol et ne sont donc pas réparties de manière homogène sur l'ensemble du département. Pour optimiser la gestion des ressources en eau du territoire, et notamment les transferts entre bassins, l'évaluation du risque sécheresse doit se faire de manière prédictive. En connaissant ce risque à l'avance, des optimisations de sollicitation des ressources et d'anticipation des crises peuvent alors être réalisées. Jusqu'à environ 3 semaines d'horizon de prévision, les modèles font appel à des approches d'apprentissage qui utilisent des prévisions météo à court terme, et proposent une performance satisfaisante. Au-delà de cette échéance et jusqu'à 90 jours, échéance d'intérêt pour la gestion de la ressource, la qualité des prévisions est dégradée jusqu'à ne plus apporter suffisamment de valeur ajoutée pour les utilisateurs finaux. Cette zone géographique est un premier cas d'étude idéal : • La zone est connue et dispose de nombreuses données, • Le climat est de type océanique, réputé moins variable et moins dépendant à de brefs événements ponctuels que les climats méditerranéen et continental, • La demande du client est forte, en lien avec les enjeux de gestion de la zone. Les méthodes développées sur cette première zone ont vocation à être appliquées à d'autres secteurs géographiques ou à leur être adaptées si la zone cible l'exige. La littérature au sujet des prévisions météorologiques saisonnières est riche mais les performances sont inégales et difficiles à évaluer. En règle générale, les prévisions sont d'assez bonne qualité pour le premier mois, utilisables pour le second et difficile à valoriser au-delà. Toutefois, l'apparition de modèles hybrides (base physique et statistiques) permet d'espérer une amélioration significative des performances, tout comme la correction des biais de modélisation. Cet horizon de prévision est encore trop bref pour atteindre 90 jours, mais les prévisions météorologiques sont couplées à des modèles hydrogéologiques statistiques, qui représentent des systèmes dont l'inertie est grande. Cette inertie peut être perçue comme un gain potentiel en horizon de prévision, même si la dépendance du système à ses conditions initiales décroit fortement avec la durée. C'est donc sur le débiaisage, le traitement et/ou la correction des prévisions saisonnières, couplées à des modèles hydrogéologiques conçus pour les longs horizons de prévision que les travaux se concentreront avec pour objectif la production d'une chaine de modélisation opérationnelle, généralisable autant que possible et présentant une valeur ajoutée significative pour l'utilisateur final.

In the context of the development and sustainability of its activities, Imageau provides hydrogeological and hydrological forecasts to several clients through its web application EMI. Similar to many metropolitan areas, the SDEAU 50 faces severe challenges of droughts and water scarcity. In the Manche region, water resources depend on the subsurface and are not evenly distributed across the entire department. To optimize the management of the territory's water resources, especially transfers between basins, drought risk assessment must be done predictively. By knowing this risk in advance, optimizations of resource utilization and crisis anticipation can be implemented. Up to approximately a 3-week forecasting horizon, models use learning approaches that incorporate short-term weather forecasts, providing satisfactory performance. Beyond this timeframe and up to 90 days, which is of interest for resource management, the quality of forecasts degrades to the point of not adding sufficient value for end-users. This geographic area is an ideal first case study: - The area is well-known and has abundant data. - The climate is oceanic, known to be less variable and less dependent on brief, punctual events than Mediterranean and continental climates. - Client demand is high, aligned with the area's management challenges. The methods developed in this initial area are intended to be applied to other geographic sectors or adapted if the target area requires it. The literature on seasonal weather forecasts is extensive, but performances vary and are challenging to evaluate. Generally, forecasts are of good quality for the first month, usable for the second, and difficult to rely on beyond. However, the emergence of hybrid models (physical and statistical basis) raises hopes for a significant improvement in performance, along with the correction of modeling biases. The forecasting horizon is still too short to reach 90 days, but meteorological forecasts are coupled with statistical hydrogeological models, representing systems with substantial inertia. This inertia can be seen as a potential gain in the forecasting horizon, even though the system's dependence on its initial conditions decreases significantly over time. Therefore, the focus of the work will be on debiasing, processing, and/or correcting seasonal forecasts, coupled with hydrogeological models designed for long forecasting horizons. The goal is to produce an operational modeling chain, as generalizable as possible, and presenting significant added value for the end-user.