A la recherche de cohérences spatio-temporelles dans les incertitudes associées aux prévisions de débits : quel apport des méthodes d'apprentissage statistique ?

Spatio-temporal dependencies in Flow uncertainty forecast: what can Statistical Learning techniques improve?

• Auteur / Autrice : Taha-Abderrahman El ouahabi
• Direction : Vazken Andréassian
• Type : Projet de thèse
• Discipline(s) : Hydrologie
• Date : Inscription en doctorat le 01/10/2022
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Géosciences, ressources naturelles et environnement (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Hydrosystèmes continentaux anthropisés - ressources, risques, restauration (Antony, Haut-de-Seine ; 2018-....)

Mots clés

Mots clés libres

Quantification d'incertitude

Apprentissage statistique & apprentissage automatique

Modélisation hydrologique

Modélisation prédictive

Crues et étiages

Générateurs Stochastiques

Uncertainty Quantification

Statistical Learning & Machine Learning

Hydrological Modelling

Predictive Modelling

Floods and droughts

Stochastic Generators

Résumé

Les sécheresses et les inondations sont des phénomènes qui impactent significativement les ressources en eau ainsi que la gestion des risques associés. Même si la modélisation hydrologique à l'échelle des bassins versants permet de limiter les impacts de ces évènements, des travaux sur les incertitudes des modèles restent à mener. L'objectif de ce projet de thèse est de développer de nouvelles méthodes basées sur des approches statistiques avancées - intelligence artificielle et apprentissage automatique - qui permettront de produire des prévisions hydrologiques probabilistes multivariées cohérentes à différentes échelles de temps et d'espace. Ces prévisions devront être capables de s'adapter aux différentes dynamiques des crues et des étiages.

Droughts and floods significantly impact water resources and the management of water-related risks. Hydrological modelling at the catchment scale allows to mitigate many consequences of these events, however, uncertainty remains an essential impediment to better modeling performance. This thesis project aims to develop new methods based on advanced statistical approaches from the fields of Artificial Intelligence and Machine Learning. These methods will allow the production of consistent, multivariate, and probabilistic hydrological forecasts at different time and space scales. These forecasts will have to be able to adapt to the varying dynamics of droughts and floods.